第 1 章 绪论
1.1 研究背景及意义
在全球范围内，几乎每时每刻都在发生着或大或小的各种类型地面或地下震动，通常认为，在全球范围内，每年发生可监测到的仅天然地震类型的地球震动约 500 万次，平均每天发生约一万多次，而非天然地震类型的地球震动数量则更加庞大。地震是地球上最主要的自然灾害之一，破坏力极强，根据美国地震学联合研究会的统计数据，在全球范围内，平均每年发生的震级为 6 级以上的强震约200 次，平均每年发生的震级为 7 级以上的大震约 20 次，平均每年发生的震级为 8 级以上的巨震约 3 次[1]。一般情况下，能量较小的地震人类无法直接感知，且不会对生存和生活造成影响，而能量较大的地震则会引起诸如不同震级大小的地震以及塌陷等类型的地质灾害，从而对人类的生存环境和生命财产安全等构成威胁。地震的成因多种多样，或由地球上板块与板块之间的相互碰撞挤压或拉伸的地壳运动而引起，这种类型的地震称之为构造地震；或由火山喷发的瞬间释放出的巨大能量而引起，这种类型的地震称之为火山地震；或由开采矿山引发的爆炸而引起，这种类型的地球震动称之为矿山爆破；或由核爆炸试验引起，这种类型的地球震动称之为核爆试验；或由重型卡车负重前行或者其他原因引起的地球震动，这种类型的地球震动称之为噪声震动。
随着全球地震台站和我国国家地震台站的不断部署，以及地震台站仪器精度的不断提升，例如美国国家自然科学基金会资助的从 2012 年开始实施的在已有地震观测台站基础上在北美大陆布置有格子状密集分布的总数超过 7000 个地震观测仪、GPS 系统和其他地球物理观测设备；我国目前有 1 个国家测震台网和32 个省级测震台网组成的覆盖全国的地震监测台网及 1000 多个正式运行的测震台站，所有正式运行的测震台站均以实时数据流的方式进行数据交换，全球陆地上已布置了超过 10000 个性能良好的地震观测台站，海洋中也已布置了至少几十个水声台站，与此同时，人类在地球上的密集活动范围持续扩大，活动强度不断递增，地震台站收集记录到的地震信号数量越来越多，种类也越来越多，地震学研究领域进入到了地震信号大数据时代，而随之也带来了一系列需要解决的问题，在地震信号的震源类型分类问题上尤为突出。
.................................
1.2 国内外研究现状
为了解决地震信号类型分类的问题，国内外众多研究者进行了长期的大量的研究，并探讨和开发了各种各样的方法。自上世纪 50 年代以来，国内外对不同震源类型的地震波形信号的分类识别进行了广泛和深入的研究，并根据波形的辐射图形、波谱分析和震相特征等提出了大量的研究方法和识别判据，较为常用的包括波形信号的时域、频域、波谱和震相等方面的识别判据，如体波震级与面波震级比、波形相关性和复杂性、P 波初动方向、 梅尔倒谱系数、震源深度、波初动振幅与波形最大振幅比、功率谱、拐角频率、波形能量比以及地震信号的时频分析方法等[5-12]。不同震源类型的识别分类方法主要有如机器学习方法的支持向量机、主成分分析方法、统计模式分类器 Fisher 线性分类算法和多元统计分析等方法等[5, 9]；有如声学研究的连续隐马尔科夫模型、离散隐马尔科夫模型、统计隐马尔科夫模型和高斯混合模型等[13-20]；在神经科学的启发下，许多工作者还引入了人工神经网络(ANN)技术，以学习具有高度抽象性的数据表示对震源的类型进行分类，还有 MLP 方法、Bayes 方法以及深度神经网络等各种分类方法[21-31]。震源类型选取的波形和波形特征主要有：单台站波形数据、多台站的多分量波形数据，波形数据的时域特征、频域特征、时频域特征等。
N. Rabin[32]等用机器学习扩散映射方法（Diffusion Maps）对死海北部地区的单台站区域地震和爆破波形记录进行了识别分类，得到了 90%以上的准确率。赵明[33]等人利用卷积神经网络对汶川地震的 10000 多个余震和超过 200000 个噪声进行了自动分类识别，最优模型精度可达 99.3%，但在对实际连续波形识别实验中，在微小地震监测中只有 55%-73%的准确率，因此对于实际的连续波形识别仍需要有很大的提升。Esposito. A[24]等用 PCA（主成分分析）、MLP（多层感知器）和 RNN（循环神经网络）三种方法对 Campi Flegrei Area 的 280 个事件（121 个 explosion 和 169 个 earthquake）进行了分类，并证明了 RNN 在震源波形识别分类上的优越性能。文献[10,13,34]等利用 sDA（堆叠去噪自编码器）和 DBN（深度信念神经网络）两种深度神经网络架构对“Volcan de Fuego，”Colima（Mexico）火山地震事件进行了分类，并与 SVM（支持向量机）、MLP 和 RF（随机森林）等方法进行了对比，证实了深度神经网络对于地震事件分类的稳健性。边银菊[21]等将遗传算法（Genetic Algorithm）与反向传播算法（BP 算法）相结合构建 GA-BP 算法，以此建立了遗传 BP 神经网络，并将以 BP 算法为基础的BP 神经网络及以 GA-BP 算法为基础的遗传 BP 神经网络用于地震和爆破的识别中，得到的结果表明遗传 BP 网络比经典的 BP 网络对事件的识别能力略好。
............................
第 2 章 常用的几种时频分析方法及卷积神经网络
2.1 短时傅里叶变换
一般而言，日常所观察的各种波形信号如脑电信号、心电信号、轴承转动信号和地震波形信号等都是时域上的信号，在时域信号中，所能体现的原始信号的相关信息的直观性是有限的，尤其是在非线性非平稳信号上。而实际上地震波型信号是一种典型的非线性非平稳信号，它的频率并非是一成不变的，而是随着时间的变化而变化，不同时间的频率成分以及某一频率的分布情况都不同，其本身具有非常复杂的时频域特征。因此，科学家们提出了很多信号变换方法，如傅里叶变换、Wigner-Ville 变换、S 变换、小波变换和希尔伯特-黄变换等，通过这些时频变换方法，将信号从时域转换到频域或时频域来获取信号随时间变化的能量频率分布等信息。本文主要研究了短时傅里叶变换、小波变换、S 变换以及经验模态分解-希尔伯特变换（EMD-HT）、集成经验模态分解-希尔伯特变换（EEMD-HT）共五种时频分析方法在天然地震和人工爆破两种不同震源类型的波形数据的特征提取工作和结合卷积神经网络进行震源类型分类。
傅里叶变换（Fourier transform，FT）方法的提出最初是发明者对于热传递研究的浓厚兴趣，它可以追溯到 19 世纪初。傅里叶变换的发明者傅里叶（Jean Baptiste Joseph Fourier）是世界上著名的数学家和物理学家，他在 1807 年于法国科学学会上提出了这个方法，傅里叶提出的这个方法在当时具有很大争议，这个方法是：任意一个具有连续周期的信号可以根据一组由不同频率的正弦曲线构成的三角函数的曲线组合而成，即所有的信号都能分解成为不同频率的正弦曲线的叠加。从此科学家们对傅里叶变换进行了长期的研究，并且证明了傅里叶变换的正确性，证明了任意一个具有连续周期的信号可以根据一组由正弦和余弦曲线构成的三角函数的曲线组合而成或任意逼近。经过长期以来的发展，傅里叶变换在物理学、信号处理、统计学、声学和结构力学等研究领域有着广泛的应用。
软件工程论文怎么写
2.2 小波变换
由于短时傅里叶变换在同一次变换过程中，时间窗的大小一经选定下来，就不能随着信号频率的改变而改变，即信号的时频分辨率不能改变，不具备有自适应能力，因为短时傅里叶变换的这些缺点，对于时变的非稳态信号分析存在很大的局限性。因此，法国著名的信号处理科学家 J. Morlet 于 1980 年提出了小波变换（Wavelet Transform，WT）[60,68,69]。小波变换是短时傅里叶变换的一种改进方法，是短时傅里叶变换的继承和发展，它继承了短时傅里叶变换的局部化思想，而同时又克服了短时傅里叶变换时间窗大小不能随信号频率的变化而变化的缺点，为信号的变换提供一个能够随着频率的变化而改变的时间-频率窗口，小波变换与短时傅里叶变换相比，是一种在时间和频率上的局部变换，因而能够有效地从信号中提取出局部信息[61, 62]。
小波变换源自于多尺度分析，它的主要特点是能够通过变换来充分的突出信号的某些特征，能够对时间频率进行局部化的分析。它的基本思想是将傅里叶变换无限长的三角基函数换成有限长的会衰减的小波基函数，小波变换中的“小”指的就是其具有衰减性，这个基函数不仅会伸缩，同时还能平移，通过伸缩和平移，可以对信号进行多尺度地细化和分析，这样不仅可以获取信号的频率，还能够定位到信号的时间上，最终能达到在信号的高频部分在时间上细分，在信号的低频部分在频率上细分。小波变换和傅里叶变换的本质是大致相似的，傅里叶变换利用三角基函数来表示信号，而小波变换则是利用小波基函数来表示信号，在每一个小波变换里，都会有一个母小波（mother wavelet），也称为基函数，还有一个尺度函数（scaling function），根据尺度函数来平移和缩放母小波来形成不同时间和空间尺度的小波系数，母小波伸缩的比较窄，对应的是信号的高频部分，母小波伸缩的比较宽，对应的是信号的低频部分。
............................
第 3 章 天然地震和人工爆破波形信号的时频域特征提取.................................... 26
3.1 数据描述及数据预处理.................................. 26
3.1.1 数据描述.......................................... 26
3.1.2 数据预处理...................................... 30
第 4 章 基于时频谱图和卷积神经网络的震源类型分类识别研究........................ 40
4.1 模型设计............................................... 40
4.2 特征数据集的划分............................................ 41
4.3 不同时频分析方法的分类结果.................................. 42
第 5 章 结论与展望...................................... 51
第 4 章 基于时频谱图和卷积神经网络的震源类型分类识别研究
4.1 模型设计
在本文中，卷积神经网络模型采用了 Python 编程语言在 Tensorflow 深度神经网络框架上搭建，模型结构主要包括了 1 个输入层、3 个卷积层、3 个池化层和 2 个全连接层以及输出层。在每一个卷积层和全连接层之后，都会添加一个偏置项，为了加快网络模型的训练速度和收敛速度。在每一个卷积层和全连接层之后还加入了批量归一化层，然后利用修正线性单元 ReLU 激活函数进行激活操作，以增加模型的非线性表达能力。为了减少过拟合问题，在全连接层和输出层之间加入了一个 Dropout 层。在模型的损失函数上使用了交叉熵损失函数，优化算法使用了 Adam 优化算法，如图 4.2 所示为本文的卷积神经网络结构图。
软件工程论文参考
在网络模型中，输入数据为时频谱图的像素值，3 个卷积层的卷积核大小都为5*5，第1 个卷积层的输入通道数与输入数据的通道数一致，输出通道数为 32，第 2 个卷积层的输入通道数和输出通道数分别为 32 和 64，第 3 个卷积层的输入通道数和输出通道数分别为 64 和 128。卷积层的步幅均为 1，3 个池化层的池化窗口都为 2*2 的最大池化，步幅为 2*2，每一个池化层的输入通道数和输出通道数与其上一个卷积层一致。第 1 个全连接层的输入与上一层的输出一致，输出为1024 个神经元，第 2 个全连接层的输入为 1024 个神经元，输出为 2。Dropout 层的随机失活概率为 0.5，随后应用一个 Softmax 函数进行输出，输出结果即为分类结果，输出 0 表示为天然地震， 输出 1 则表示人工爆破。
...........................
第 5 章 结论与展望
地震信号震源类型的分类，尤其是对天然地震和人工爆破的准确分类，对于建立一个准确的地震事件目录、强震实时预警和地震学领域的进一步研究等具有重要意义。时频分析方法对于非线性非平稳的地震波形信号具有优异的分析能力，能够将时域的地震波形信号转换成时频域信号，提取地震信号的时频域信息，这将有助于震源类型的分类。卷积神经网络近年来在多个领域取得了重大的进展，在地震信号震源类型分类的问题上也取得了一定的进步。本文利用五种不同的时频分析方法提取地震信号的时频域特征，构建卷积神经网络模型对天然地震和人工爆破进行震源类型分类。
本文的主要研究工作如下：
首先分别提取了天然地震和人工爆破波形数据在短时傅里叶变换、小波变换和 S 变换的三种有基函数的时频分析方法以及经验模态分解-希尔伯特变换和集成经验模态分解-希尔伯特变换的两种无基函数的时频分析方法的时频域特征，以对天然地震和人工爆破进行震源类型分类研究；
其次，构建了一个卷积神经网络模型，对提取的天然地震和人工爆破波形数据的几种时频域特征进行二次特征提取，运用 5 折交叉验证法对不同时频分析方法提取的时频域特征分别进行震源类型分类实验；
最后，对不同时频分析方法提取的时频域特征得到的震源类型分类结果进行了对比和分析，并利用数据预处理后的天然地震和人工爆破波形数据的时域信号特征在卷积神经网络上进行了分类实验以及利用五种时频分析方法提取的天然地震和人工爆破波形数据的时频域特征在 SVM 模型和 MLP 模型上进行了分类实验，以证明本文方法的有效性。
参考文献（略）