地震監測中異常次聲波的識別方法

左明成，武 云

(中國地質大學（武漢）計算機學院，武漢 430074)

地震監測中異常次聲波的識別方法

左明成，武 云

(中國地質大學（武漢）計算機學院，武漢 430074)

地震異常次聲波的監測是地震監測中的重要手段和途徑。但是，該次聲波在接收過程中受到了眾多噪聲的干擾。為了找到一種地震異常次聲波識別監測的有效方法，根據已經收集到的次聲波數據進行了分析與研究，按照去噪、特征抽取、信號篩選、分類決策的過程鑒別異常的次聲波。在實驗中此方法和思路不僅僅得到了較好的識別效果，而且在監測過程中也可識別出礦山爆炸信號和巴東地震次聲波信號。從而說明該方法是地震次聲波自動識別與監測的一條有效途徑。由此，不僅可以較大地減輕地震監測的工作量，實現異常次聲波的自動監測，還可以應用到其他的地質災害的監測和地震的震前監測程序之中。

聲學；信號分析；地震監測；地震次聲波

地震發生時震源會向大氣中輻射有明顯特征的異常次聲波[1-3]，這為異常次聲波的識別分離提供了先決條件。通過對地震異常次聲波的特征進行相關研究，就可以掌握異常次聲波的大體形態特征。而地震在發生之前通常也會產生異常次聲波，對于地震前的監測和其它地質災害的監測而言，異常次聲波的特征研究就顯得十分必要了。

1 數據源

為了得到次聲波數據，在湖北省境內安裝次聲波接收儀器的方式接收次聲波，次聲波接收儀使用的是中科院聲學所研制的In SYS 2008型號的次聲波傳感器，儀器可以長時間穩定地接受信號。將16臺次聲波接收儀接收到的數據通過儀器轉換存儲在二進制文件中，可以更直觀的對次聲波數據進行研究。圖1中是次聲波傳感器。

圖1 聲波傳感器

2 研究方法

數據采樣時間間隔為1S，一個小時時長的數據為一個文件大小，保存格式為二進制。16臺儀器選取3臺構建監測系統，因此每天處理的文件量為72個文件。巨大的數據量給有用信息的抽取帶來了很大的困難。

本文提出所采用的地震異常次聲波的識別與監測方法：對所接收的次聲波按照波形特征選擇濾波方法進行濾波，判斷去噪之后的信號是否為可疑次聲波，若不是直接跳過；若是再使用分類器進行分類，判斷是地震信號的則輸出進行人工確認，并將3小時之內的數據進行合并，輸出波形；否則就入庫來充實信號庫。圖2是本文所介紹的地震異常次聲波的監測方法中的次聲波處理過程流程圖。

圖2 次聲波處理流程

2.1 基于天氣狀況的信號濾波

在進行信號識別之前，一個要解決的現實問題就是：儀器在接受次聲波的過程中，往往會使接收到的次聲波數據包含各種噪聲的干擾，尤其是天氣背景對次聲波數據純凈度的影響。因此，就需要針對接收到的次聲波數據進行濾波處理，而在濾波方法的選擇中也面臨困難。幸運的是，經過對數據庫中的次聲波數據研究，發現可以將次聲波按照天氣狀況進行分類，每一次次聲波都有其特出的波形特點，按照其特點即可按照相應的方法進行濾波處理[4]。所以在研究中使用基于天氣狀況的數據分類，以此來決定濾波的方法選擇。

2.1.1 選取基于天氣狀況分類的特征參數

特征參數[5]的選擇應該能夠表征每一個類別之間的最本質的區別，每一種原始信號經過向量抽取工作獲得一個規格化的能標志其本身特征的屬性特征向量。在研究中發現，若要探究不同天氣狀況下的波形特征，對信號的形態把握基本上包含以下三個方面：

（1）頻域特征：包含信號主頻率變化范圍、頻譜結構類型；

（2）時域特征：包含波形的最大值、平均值、方差；

（3）信號小波變換：包含一維小波變化系數[4]。

其中時域特征進行的是波形分析，如波形的方差、平均值、最大值；頻譜分析可以得到信號相位、功率、離散程度、能量等信息。

2.1.2 基于天氣情況的數據分類

前面講到天氣狀況可以決定數據的去噪方法的選擇。現將天氣狀況分為五類：大雨、小雨、晴天、刮風和復雜混合天氣（包含刮風、下雨等復雜的天氣狀況）。而陰天、陰霾、有霧等天氣狀況由于分類困難、與其他天氣狀況下的次聲波無法分離，所以就不再單獨分類。表1是試驗研究中分成的五類數據中有代表意義的一組主模板，從表中可以獲得如下信息：

（1）晴天天氣的波形比較平穩，這與事實是符合的，因為晴天的狀況下，外界環境狀況比較平和，沒有聲壓突變的情況；

（2）下雨的天氣狀況下次聲波分為兩類狀況：大雨和小雨，大雨和小雨天氣狀況是相似的，但是從統計列表中可以看出小雨的天氣狀況明顯比大雨的天氣狀況要平穩一些；

（3）晴天和刮風天氣狀況下極值的差值不是很大，這說明這兩種天氣狀況下波形中每個時刻的聲壓值不會超過太大的范圍。而下雨天氣狀況下所接收的波形更加不穩定，這與現實也是相符的；

表1 每種天氣狀態下接收到的次聲波波形的整體形態統計表

（4）每種天氣狀況下都會產生低頻次聲波。因此選擇合適的濾波方法變得更加重要。且低頻信號在每一種天氣狀況中所占的比例都比較高，因此這不是分類的參與因素之一；

（5）復雜天氣的次聲波信號特點很明顯：信號不穩定、極值橫跨范圍大。所以在濾波的時候就要選擇更加合適的濾波方法。

通過上述的信號特征研究之后，基本上可以了解不同天氣狀況下信號的各個特征值。綜合目前在各領域的濾波方法以及它們的濾波特點，就可以將各種天氣狀況和濾波方法進行一一對應。

實驗中發現，雖然各種濾波方法濾波之后的差別不是特別明顯，但是很小的一點差別就會使得最終的分類會產生不同的結果，這將直接影響到次聲波信號識別的準確程度。所以這里進行天氣狀況的數據分類是有意義和必要的。

由于目前數據倉庫中的數據量比較少，會對研究結果產生誤判，所以還要通過不斷地添加新的樣本數據進行規則的完善工作。

2.1.3 根據天氣狀況選擇濾波方法

不同的天氣狀況所接收到的次聲波的數據有不同的噪音干擾，而且其干擾也有不同的特點，經過對已有數據的分類研究中發現，基本的濾波可以分為以下幾類，這里本文只做簡單的介紹，不再進行詳細闡述，具體可見文獻[6]：

（1）晴天所接收的次聲波最適宜使用帶通帶阻濾波、自適應濾波、FFT濾波以及低通濾波；

（2）大雨、小雨天氣，通過小波分析可以去除不同頻率的信號特征，這里我們選擇閾值消噪，分為硬取閾值和軟取閾值；

（3）刮風天氣下選取小波濾波進行濾波處理；

（4）復雜混合天氣所接收的次聲波噪音信息復雜，為了更好地處理次聲波數據。

圖3 自適應濾波效果圖

本文選用自適應濾波來進行濾波，圖4給出的是自適應濾波的一個實例。

之所以復雜天氣選用自適應濾波來進行處理是因為自適應濾波能夠根據噪聲干擾的變化情況進行濾波參數的調整，從而達到對信號的適應性處理的效果，而且在調整的效果上有較小的滯后性，起到緊隨信號變化進行信號處理的作用。

2.2 異常次聲波信號識別

2.2.1 設定信號識別特征參數

濾波之后需要對地震異常次聲波和其它類似干擾次聲波進行識別和區分。這里特征參數的設定同樣規定為：信號的突出形態、是否有峰值和峰值的數量、峰值出現的頻率范圍、最大的聲壓值、峰值信號持續時間、信號的周期。

2.2.2 異常信號識別和區分結果

確定了濾波方式并且對次聲波數據進行了濾波操作之后，即可以將訓練樣本的特征值進行抽取保存在數據倉庫之中。通過對以往的數據進行數據分析學習[7]，得出各種聲源產生的次聲波的特征參數數值范圍。在已收集到的所有次聲波數據中，排除特征無異常的次聲波數據信號（如晴天環境下平穩的信號）之外，最可能影響判斷的包含三類：

（1）爆炸型信號。這種信號包括：礦山爆炸、煙花爆炸、海洋運動等所產生的異常信號；

（2）振動類數據：包括儀器周圍的突然開關門、開燈、撞擊、汽車啟動等信號；

（3）山體運動類信號：包括山體滑坡、泥石流等異常信號。

通過統計，可以得出如下表2的信息：

（1）地震異常信號大體分為三類，但是每一類之間都有共同的特征：信號有突變、有峰值、聲壓值大，信號持續時間長、周期長、信號屬于低頻等特點；

（2）振動型數據和爆炸型數據雖然也存在大聲壓值、有峰值，但是持續時間短、周期短、信號呈現一條直上直下的直線狀態。表2中關門信號的聲壓值很大，是由于儀器靠近門所造成的。

表2 每種地震異常次聲波統計和類似干擾次聲波情況統計表

因此，分辨地震異常信號與其他相似干擾信號的主要依據可以壓縮概括為：信號有突變、突變持續時間長、超低頻。而這也是在信號分類中的一個重要和基本的條件，這個條件基本上可以設定為兩個閾值：信號的頻率低于設定的頻率閾值；突變信號的周期持續時間高于設定的時間閾值。設定閾值的應用可以極大減少信號判斷時間。

2.3 分類器設計

近鄰法是從每一類的樣本中選擇出一個樣本主模板，通過計算待識別樣本與每一類的主模板距離來確定該信號屬于哪一個信號種群，而主模板可以通過計算該類中所有樣本的每一個分量模板均值來確定。但是這種方法會使噪音信號嚴重的影響到信號的分類。所以提出閾值—K近鄰算法進行分類器的設計。K近鄰算法就是計算模式空間中距離待測樣本距離最近的K的樣本，將該樣本歸入到K個樣本中數量最多的一類當中。而地震異常次聲波的特點是：超低頻、長周期。所以可以設定兩個閾值A和B，如果信號的主頻率高于頻率閾值A或者周期短于周期閾值B則舍棄信號，否則對信號進行KNN分類操作。

具體的異常次聲波分類流程圖見圖4。

圖4 信號識別流程

而實際上閾值A、B的選擇會根據樣本的不斷完善而趨近于一個比較合理的值。在下文中將通過試驗驗證KNN算法直接應用到次聲波分類中的可行性，并將添加了閾值判斷的分類器與無閾值判斷的分類器進行性能對比。

2.3.1 K值確定

為了確定最合理的K值[8]，現在使用已經構建好的訓練樣本庫進行計算操作，取用30個已知類別的樣本進行試驗，將K的取值范圍確定為1～14，根據樣本歸類的準確度確定最合理的K值范圍[9]，甚至是準確值。圖5是對K不同取值情況下分類準確度的對比顯示。雖然隨著K值得變化，分類的精度一直比較高，但是實際上，最高的部分分布在3—8的位置上。所以此時可確定K的取值為5。隨著數據樣本數量的增加，K值得設定需要不斷改變，以使分類得到更高的準確度。目前適合的K值比較小是因為樣本數量還太少。

圖5 分類準確度和K的關系

3 研究結果

3.1 分類準確性評估

確定了K值之后，對算法進行信號分類效果分析與評估，測試樣本采用分層抽取的方法，獲得地震信號和其它干擾信號構成測試樣本庫。這次設定訓練樣本每一類的數量作為自變量，來比較算法有無閾值的分類準確度。圖6是分類算法改進前后的性能比較，從圖中可以看出，K近鄰分類法應用到次聲波的分類中，隨著樣本的完善，分類準確度的提高是比較明顯的。而將K近鄰算法進行了添加閾值的改進應用之后，分類效果明（接上左欄）顯增強。就運行效率來看，KNN算法最大的缺點就是運行耗費時間長，添加了閾值之后發現，絕大部分的信號都被排除在的KNN的計算之外，也就是說，真正參與到KNN計算的只占一小部分，這樣就彌補了算法上的時間耗費大的問題。不僅僅提高了分類準確度，而且還節省了運算開支。

圖6 算法改進前后分類效果

3.2 系統監測效果

在剛剛建立的系統中，使用到了本文所提到的監測方法，在監測的過程中共監測到幾次湖北省境內幾次地震異常次聲波和一次山體采礦的爆炸次聲波。其中圖7為多次地震中的一次，該次地震對應的是2013年12月16日湖北省境內巴東地區所發生的4.5級地震，從圖形顯示中可以看出該波形與之前所總結的地震波形極為相似。圖8是系統監測出的湖北省境內礦山開采時所放炸藥產生的次聲波信息，從該圖中可以看出，該波形也擁有之前所總結的爆炸信號所擁有的特征，信號直上直下，周期極短。從以上兩點可以看出：之前所總結的地震異常次聲波的波形特點是有其科學性的。

圖7 監測到的地震次聲波

圖8 監測到的礦山爆炸次聲波

4 結語

通過已經收集到的大量次聲波數據對該方法進行正確性驗證，從分類的正確度來看，分類的準確度保持在80%～92.5%之間。地震信號可以確保高準確度地分辨出來。說明該方法在某些細節仍然需要進行技術性的改進。但是較高的分類準確度仍說明該思路是可行的。

次聲波的研究是地震監測中一個重要的手段與途徑，該方法的使用可以極大地減輕技術研究人員的工作量，而該技術的成熟將在其它地質災害的監測甚至是地震的震前監測中有新的使用。方法的完善，樣本數據庫的充實，都將是該方法繼續研究的重要組成部分。

[1]陳維升，李均之，夏雅琴，等.日本大地震及海嘯的早期預測及臨震信號[J].北京工業大學學報，2013，08：1206-1209.

[2]章菲，楊慶生，夏雅琴，等.次聲：監測地震的新領域[J].地學前緣，2013，06：94-101.

[3]姜楠，張勇，孟亮.基于次聲的自然災害預警概述[A].國家安全地球物理叢書（九）—防災減災與國家安全[C]. 2013：6.

[4]王薇.地震預報中次聲波聲源方向的研究及次聲信號識別[D].北京：北京工業大學,2005.

[5]王季卿.噪聲的評價與標準[J].噪聲與振動控制，1983，02：49-58+48.

[6]左明成，武云.濾波技術在地震次聲波信號研究中的應用[J].計算機光盤軟件與應用，2014，02：121-122.

[7]呂海燕，車曉偉.數據倉庫中數據粒度的劃分[J].計算機工程與設計，2009，09：2323-2325.

[8]張俊麗，張帆.改進KNN算法在垃圾郵件過濾中的應用[J].現代圖書情報技術，2007，04：75-78.

[9]Gy?rgy Kovács,András Hajdu.Translation invariance in the polynomial kernel space and its applications in kNN classification[J].Neural Processing Letters,2013,372.

Recognition Method ofAbnormal Infrasound in Earthquake Monitoring

ZUO Ming-cheng,WU Yun
(China University of Geosciences(Wuhan)Computer College,Wuhan 430074,China)

Monitoring the earthquake abnormal infrasound is the important means for seismic monitoring,but the infrasound is often disturbed by many noises in the receiving process.In order to find an effective method for abnormal sound recognition in seismic monitoring,the collected infrasound wave data was analyzed.With the process of de-noising,feature extraction,signal filtering,classification and determinasion,the abnormal infrasound was detected.Application of this idea and method can get a better recognition effect in the experiment.As an example,this method was applied to identify the mine explosion signal and Badong earthquake infrasound signal.It shows that this method is effective for automatic recognition and monitoring of earthquake infrasound.This method can realize automatic monitoring of abnormal infrasound effectively and economically,and can be applied to the monitoring programming for earthquake monitoring and some other geological disasters monitoring.

acoustics;signal analysis;seismic monitoring;seismic infrasound waves

TB132；TN911.6；TP18

：A

：：10.3969/j.issn.1006-1335.2015.01.049

1006-1355(2015)01-0240-04

2014－08－01

國家級大學生創新創業訓練項目（201310491060）

左明成(1992－)，男，山東萊陽人，本科生，空間信息與數字技術專業，主要研究方向為地震監測、數據挖掘；數字圖像處理、三維可視化。E-mail:1317085693@qq.com

武云，講師，計算機應用系研究生。E-mail:23753648@qq.com