微地震信号的特征提取与分类识别的研究

摘要

微地震监测技术在国外已经被广泛的应用在大型岩土工程施工和大型结构体运行的安全性的监测中，如监测边坡、地下洞室与隧道的稳定性等方面。虽然在这个技术国内在工程邻域中的应用才刚刚起步，但是却起着越来越重要的作用。微地震监测能对大型工程的施工和安全监测提供准确的数据依据，如何能够快速有效的识别出微地震信号，对大型工程的安全评估具有举足轻重的意义。微地震监测系统由于具有较高的监测灵敏度，同时微地震信号本身的能量较弱，易受背景噪声干扰，这些因素使得真正需要提取的微地震信号被“淹没”在大量的干扰信号中，不能被快速准确的被筛选出来，降低了微地震信号的时效性和准确性，对大型岩土工程施工和大型结构体运行的安全性监测造成不利影响。
　　本文通过提取微地震信号不同的信号特征，并对这些不同的信号特征进行融合后产生新特征，使用不同的分类识别方法对这些新特征进行分类实验，寻找到了一种能够快速有效识别微地震信号的手段。本文的实验平台为Matlab2013a，提取的微地震信号特征有小波包系数香侬熵、小波包系数能量比、信号过零率、信号峰度系数、信号的信噪比这5种信号特征，分类方法选取了SVM支持向量机算法、K近邻算法(KNN)和KNN-SVM算法这三类算法。对以上5种信号特征相互融合生成了12种信号特征，并使用上述这3种分类算法进行分类实验，选取了其中分类正确率最高的信号特征与分类方法的组合，然后将其应用于实际的微地震信号的识别分类中并且取得了良好的效果。在本文实验选取了SVM、KNN、KNN-SVM三种算法，其中SVM算法和KNN算法选取了db7、db3、rbio1.5三种不同的小波基进行了试验。首先选用SVM支持向量机法对所提取的特征进行分类，为了测试小波基、分类器、核函数、不同信号特征组等参数对分类结果造成的影响，每次测试中通过只改变一种参数来进行测试，以此来观察各种不同参数对分类结果造成的影响，SVM算法中分类器测试中选取了C-SVC和V-SVC两种分类器，核函数选取了Rbf、 Linear、Sigmoid三种核函数，在SVM算法的实验结果中，采用信号过零率、信号的信噪比、信号的峰度系数、信号的db7小波基的小波包系数香侬熵的特征组合加Rbf核函数和V-SVC分类器进行搭配时的分类效果最好为95％。在KNN算法实验中选K值选择了3、5、7、9、11这5个值，在KNN算法结果中当K=7，采用db7小波基的小波包系数香侬熵与信号峰度系数、信号的信噪比的特征组合下分类正确率最好为85％。而在KNN-SVM算法实验中小波基选用了前面表现较好的db7小波基和V-SVC分类器，K值为2、3、4、5、6，核函数选取了Rbf、 Linear、Sigmoid三种核函数进行分类实验，无论何种核函数当K=5或6，db7小波基的小波包系数香侬熵和信号峰度系数的特征组合分类正确率最好为55％。最终结果表明在使用SVM算法下，信号过零率、信号的信噪比、信号峰度系数、信号的db7小波基的小波包系数香侬熵的信号特征组合与Rbf核函数的V-SVC分类器进行搭配对实际的微地震信号能够有效的进行筛选。并将其应用在了实际的水电站运行中监测得到的信号中，取得了良好的效果。这种手段使得施工和监测人员能够通过微地震监测系统快速、准确、可靠的提取出需要的微地震监测信号。

目录

声明

摘要

第一章 绪论

1．1 选题背景、依据及意义

1．2 微地震监测技术的国内外研究现状和关键问题

1．2．1 微地震监测技术历史与发展

1．2．2 微地震监信号的特征提取与分类识别的研究现状

1．3 本文的研究意义、研究思路与内容、预期成果

1．3．1 研究意义

1．3．2 研究思路与内容

1．3．3 预期成果

第二章 微地震监测原理与信号特征提取

2．1 微地震监测方法原理

2．1．1 微地震监测系统简介

2．1．2 微地震监测原理

2．2 微地震监测信号特征提取原理

2．2．1 数据预处理原理及方法

2．2．2 几种提取的数据特征

2．2．3 信号的蜂度系数

2．2．4 时域过零率提取

2．2．5 信号的信噪比提取

2．2．6 小波包系数香侬熵提取

2．2．7 小波包系数能量比提取

2．3 本章小结

第三章 识别分类方法及其相关原理

3．1 支持向量机(Support Vector Machine)

3．1．1 线性分类算法

3．1．2 最大分类间隔

3．1．3 SVM对于线性可分问题与线性不可分问题

3．1．4 松弛变量(Outliers)

3．1．5 SVM支持向量机的特性

3．2 交叉验证(Cross Validation)原理

3．3 SVM算法的实验步骤

3．4 KNN邻近法(K-Nearest Neighbor)基本原理与特性

3．4．1 KNN邻近法的基本原理

3．4．2 KNN邻近算法指导思想

8．4．3 KNN邻近法的特性

3．4．4 常见的相似距离

3．4．5 KNN邻近算法算法与SVM支持向量机算法的区别

3．5 KNN-SVM算法原理与步骤

3．5．1 KNN-SVM算法原理

3．5．2 KNN-SVM算法的主要步骤

3．6 本章小结

第四章 微地震监测信号的分类实验

4．1 基本数据组合院参数配置

4．2 支持向量机中不同参数对分类的影响

4．2．1 不同小波基函数的选择对分类的影响

4．2．2 不同分类器的选择对分类的影响

4．2．3 不同核函数合对分类的影响

4．2．4 不同数据组合对分类的

4．3 KNN邻近算法中不同参数对分类的影响

4．3．1 不同小波基对分类的影响

4．3．2 不同K值和数据组合对分类的影响

4．4 KNN-SVM算法中不同参数对分类的影响

4．5 本章小结

第五章 应用效果与意义

5．1 工区简介

5．2 应用过程

5．3 应用效果与分析

5．4 应用意义

5．5 本章小结

结论

致谢

参考文献

攻读学位期间取得学术成果