地震與爆破波形信號的EEMD多尺度分布熵提取和WOA-SOM神經(jīng)網(wǎng)絡(luò)識別研究

龐 聰 王 磊 馬武剛 江 勇 廖成旺

1 中國地震局地震研究所，武漢市洪山側(cè)路40號，430071 2 武漢引力與固體潮國家野外科學觀測研究站，武漢市洪山側(cè)路40號，430071 3 航天工程大學電子與光學工程系，北京市八一路1號，101416

人工爆破事件與天然地震事件在發(fā)震原理、地震波傳播方式以及能量釋放大小等方面均有較大區(qū)別，但二者波形特征具有一定的相似性。如何精確區(qū)分天然地震和人工地震信號是當前地震學研究的重要方向之一。

信號特征提取是地震識別的重要前提工作，但天然地震信號往往摻雜大量環(huán)境噪聲，直接進行波形特征提取或地震識別會導致結(jié)果不夠精確，甚至造成較大的識別誤差[1]。集合經(jīng)驗模態(tài)分解[2](EEMD)是一種從經(jīng)驗模態(tài)分解[3](EMD)發(fā)展而來的新型信號降噪方法，其利用多個白噪聲數(shù)據(jù)來消除初始信號中的干擾成分，并利用均值化得到最終的本征模態(tài)函數(shù)(IMF)分量。

人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks，ANN)在天然地震事件與人工爆破事件的震相識別或波形分類等[4-8]方面具有較好效果。但許多神經(jīng)網(wǎng)絡(luò)模型，如BPNN[5]、GRNN[6]、CNN[7]以及SOM[8]等存在識別率不高、部分超參數(shù)需憑借人工預設(shè)合適經(jīng)驗值、預測結(jié)果不穩(wěn)定等問題，從而給地震事件類型的精準性及可靠性識別帶來極大挑戰(zhàn)。

本文從天然地震事件和人工爆破事件的振動波形信號中選取固定長度數(shù)據(jù)，歸一化處理后利用EEMD對信號進行降噪與分解，對前10階IMF進行分布熵計算，得到10維多尺度分布熵輸入矩陣，并按照固定比例隨機抽取并拆分成訓練集和測試集，使用鯨魚優(yōu)化算法(WOA)對自組織特征映射(SOM)神經(jīng)網(wǎng)絡(luò)進行參數(shù)尋優(yōu)，得到新的地震波形分類器。

1 WOA-SOM辨識模型

1.1 鯨魚算法

鯨魚優(yōu)化算法[9](whale optimization algorithm，WOA)是一種源自座頭鯨狩獵習性的仿生優(yōu)化方法，其原理是鯨魚群利用自身巨大的浮力和行動緩慢的特點，發(fā)現(xiàn)獵物后采取空間螺旋式游行并吐泡標記與更新獵物最新位置，最后實施目標獵捕行動。

設(shè)定獵物位置為尋優(yōu)對象，鯨魚群在發(fā)動空間螺旋氣泡式攻擊前首先會進行針對獵物的包圍動作，鯨魚個體會把當前最優(yōu)位置方位作為移動目標。鯨魚位置更新方式為:

D=|C·L*(t)-L(t)|

(1)

L(t+1)=L*(t)-A·D

(2)

式中，t為當前迭代次數(shù)；A和C為鯨魚位置調(diào)節(jié)系數(shù)，其中A為受迭代次數(shù)t影響的隨機數(shù)，C為值域在[0,2]的完全隨機數(shù)；L*(t)為當前時刻鯨魚群的最佳位置向量；L(t)為當前時刻鯨魚位置；D為當前鯨魚位置與鯨群最佳鯨魚位置之間的距離向量。

在發(fā)現(xiàn)目標獵物后，WOA算法根據(jù)p值大小制定合適的鯨魚群獵捕行動策略并更新鯨魚位置：當p<0.5時，WOA算法選擇收縮包圍的方法對獵物進行攻擊；當p≥0.5時，WOA算法選擇螺旋氣泡式行動捕食獵物。相關(guān)公式為：

(3)

式中，隨機數(shù)p∈[0,1]，q∈[-1,1]；D′為當前鯨魚位置與鯨群最佳鯨魚位置之間的絕對距離，即D′=|L*(t)-L(t)|；定常數(shù)b為螺旋形狀控制參數(shù)；常數(shù)0.5為預設(shè)的捕食方法選擇概率閾值的經(jīng)驗值。最后得到滿足迭代停止條件的L*(t)，即WOA算法的最終尋優(yōu)結(jié)果。

1.2 WOA-SOM模型識別原理

SOM神經(jīng)網(wǎng)絡(luò)[8]是一種由輸入層與各競爭層神經(jīng)元之間全互聯(lián)而成的無監(jiān)督型學習模型，可在無屬性標簽的情況下對輸入樣本進行自動聚類。SOM網(wǎng)絡(luò)識別結(jié)果會受到網(wǎng)絡(luò)參數(shù)的影響，為了獲得較準確的地震辨識結(jié)果，引入WOA對SOM部分超參數(shù)進行尋優(yōu)，以得到一個新型的地震辨識模型。

WOA-SOM模型識別流程如圖1所示，WOA將SOM中競爭層維數(shù)、網(wǎng)絡(luò)訓練次數(shù)等超參數(shù)作為優(yōu)化自變量，將SOM識別結(jié)果向量R與真實類別標簽向量T的均方根誤差(RMSE)作為適應度函數(shù)，即

fitness=RMSE(R,T)

(4)

基于訓練集得到滿足迭代停止條件的最優(yōu)超參數(shù)值，最后使用WOA-SOM辨識模型對測試集進行識別。

圖1 WOA-SOM模型識別流程Fig.1 Flow chart of WOA-SOM recognition

2 EEMD多尺度分布熵特征提取

2.1 EEMD

(5)

(6)

圖2為天然地震信號及人工爆破信號的EEMD分解結(jié)果，其中第1行為初始波形信號通過固定長度(l=4 000)截取的歸一化處理結(jié)果，第2～11行分別為EEMD分解得到的IMF1～IMF10分量，并按照頻率或幅值大小降序排列，第12行為剩余分量(趨勢項)。EEMD算法的參數(shù)設(shè)置為：STD(白噪聲)=0.1*STD(x(t)),K為10,m為20，其中STD為信號標準差。

2.2 分布熵

分布熵[10]可以描述時間序列或一維離散信號的不規(guī)律性和混亂程度，其計算方法為：

4)計算分布熵。

(7)

2.3 EEMD多尺度分布熵

利用EEMD從地震信號中提取若干個頻率逐漸遞減且振幅差異較大的IMF分量，再計算得到這些分量的分布熵，組成多尺度分布熵。基于EEMD的多尺度分布熵(圖3)能有效降低噪聲對信號的污染，得到更加純凈的信號特征，以有效區(qū)分不同混亂狀態(tài)的信號。

圖2 單個波形的EEMD分解結(jié)果Fig.2 Results of EEMD for a single waveform

圖3 EEMD多尺度分布熵計算結(jié)果Fig.3 Results of EEMD multiscale distribution entropy

3 數(shù)據(jù)與實驗

本實驗選取國家地震科學數(shù)據(jù)中心與中國地震局工程力學研究所提供的2021年江蘇天寧MS4.2地震的96條強震動加速度波形記錄、2021年江蘇大豐海域MS5.0地震的117條強震動加速度波形記錄、2021年云南漾濞MS6.4地震的84條余震記錄(2.9≤MS≤3.9)和中國水利水電科學研究院巖土工程研究所(www.geoeng.iwhr.com)人工爆破實驗得到的117條爆破加速度波形記錄，數(shù)據(jù)仿真平臺采用MATLAB 2019A。

由于神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值等參數(shù)具有一定隨機性，該類模型的網(wǎng)絡(luò)預測結(jié)果并不完全一致，甚至會出現(xiàn)較大誤差。為了探究WOA-SOM模型的有效性和穩(wěn)健性，設(shè)計100次循環(huán)條件的地震辨識子實驗，測試該模型在部分超參數(shù)發(fā)生變化后的辨識效果與模型穩(wěn)健性，訓練集與測試集比例為8:2，即331:83，具體實驗結(jié)果如圖4、5和表1所示。

計算100次辨識子實驗識別率的均值期望(mean)、標準差(STD)、極差、變異系數(shù)(CV)以及四分位距(interquartile range, IQR)等統(tǒng)計指標，綜合評價WOA-SOM模型的地震識別性能與算法穩(wěn)健性。結(jié)合表1和圖4、5可知，100次重復實驗條件下WOA-SOM模型相較于標準SOM模型，辨識結(jié)果更加可靠，準確率更高，表征結(jié)果波動程度的標準差、極差、CV、IQR等指標值均明顯減小，尤其是IQR值從2.409 6變?yōu)?，表明利用WOA優(yōu)化SOM模型具有良好效果。

圖4 100次辨識子實驗結(jié)果Fig.4 Results of 100 identification sub-tests

圖5 100次辨識子實驗情況下SOM超參數(shù)優(yōu)化結(jié)果Fig.5 Optimization results of SOM hyperparameterunder 100 identification sub-tests

表1 100次辨識子實驗條件下的統(tǒng)計學結(jié)果

由圖4可知，WOA優(yōu)化后的SOM模型識別曲線雖然仍存在局部波動現(xiàn)象，但其相較于標準SOM模型辨識效果具有明顯改善，辨識準確率曲線整體較平穩(wěn)，峰值突降現(xiàn)象得到有效抑制。由圖5可知，四舍五入后的SOM網(wǎng)絡(luò)競爭層維數(shù)優(yōu)化值多集中在6以下，網(wǎng)絡(luò)訓練次數(shù)優(yōu)化結(jié)果雖然差異較大，但其對辨識結(jié)果并無顯著影響。

為了測算WOA-SOM模型與其他方法在同等實驗條件下的性能差異，采用K近鄰(KNN)、線性判別分析(LDA)、樸素貝葉斯、決策樹、支持向量機(SVM)等學習模型作為參照，辨識實驗仍然采取100次循環(huán)子實驗方式，訓練集與測試集比例統(tǒng)一設(shè)定為8∶2，準確率、召回率、F1等指標的均值對比結(jié)果如表2所示。

表2 機器學習模型辨識效果對比

由表2可知，WOA-SOM模型性能優(yōu)異，與KNN、LDA及樸素貝葉斯等多種經(jīng)典機器學習方法相比，在準確率、召回率及F1等性能指標上均有明顯提升，說明該模型在地震波形辨識上具有一定價值。

4 結(jié) 語

本文主要對天然地震波形信號與人工爆破波形信號進行EEMD多尺度分布熵提取和WOA-SOM神經(jīng)網(wǎng)絡(luò)識別，并取得良好的地震信號識別效果。

1)EEMD作為一種新型非平穩(wěn)信號處理方法，可用于地震信號的分析和識別；EEMD方法結(jié)合分布熵概念可形成一種新的地震信號辨識判據(jù)，即EEMD多尺度分布熵。

2)標準SOM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)具有一定隨機性，這對辨識結(jié)果的可靠性具有一定影響；通過引入鯨魚算法對競爭層維數(shù)、網(wǎng)絡(luò)訓練次數(shù)等參數(shù)進行全局尋優(yōu)，得到新型的地震信號辨識模型，即WOA-SOM神經(jīng)網(wǎng)絡(luò)模型。

3)實測數(shù)據(jù)計算結(jié)果表明，利用EEMD提取多尺度分布熵特征，再利用WOA尋優(yōu)SOM模型部分參數(shù)能較好地識別地震波形類型。

本文WOA-SOM模型仍具有一定改進空間，EEMD多尺度分布熵提取平均耗時為0.527 1 s，而WOA-SOM模型平均耗時接近74.664 4 s，WOA尋優(yōu)時間較長，同時實驗數(shù)據(jù)的選擇存在一定局限性。

致謝：感謝中國地震局工程力學研究所及中國水利水電科學研究院巖土工程研究所為本研究提供數(shù)據(jù)。