左明成，武 云

(中国地质大学（武汉）计算机学院，武汉 430074)

地震监测中异常次声波的识别方法

左明成，武 云

(中国地质大学（武汉）计算机学院，武汉 430074)

地震异常次声波的监测是地震监测中的重要手段和途径。但是，该次声波在接收过程中受到了众多噪声的干扰。为了找到一种地震异常次声波识别监测的有效方法，根据已经收集到的次声波数据进行了分析与研究，按照去噪、特征抽取、信号筛选、分类决策的过程鉴别异常的次声波。在实验中此方法和思路不仅仅得到了较好的识别效果，而且在监测过程中也可识别出矿山爆炸信号和巴东地震次声波信号。从而说明该方法是地震次声波自动识别与监测的一条有效途径。由此，不仅可以较大地减轻地震监测的工作量，实现异常次声波的自动监测，还可以应用到其他的地质灾害的监测和地震的震前监测程序之中。

声学；信号分析；地震监测；地震次声波

地震发生时震源会向大气中辐射有明显特征的异常次声波[1-3]，这为异常次声波的识别分离提供了先决条件。通过对地震异常次声波的特征进行相关研究，就可以掌握异常次声波的大体形态特征。而地震在发生之前通常也会产生异常次声波，对于地震前的监测和其它地质灾害的监测而言，异常次声波的特征研究就显得十分必要了。

1 数据源

为了得到次声波数据，在湖北省境内安装次声波接收仪器的方式接收次声波，次声波接收仪使用的是中科院声学所研制的In SYS 2008型号的次声波传感器，仪器可以长时间稳定地接受信号。将16台次声波接收仪接收到的数据通过仪器转换存储在二进制文件中，可以更直观的对次声波数据进行研究。图1中是次声波传感器。

图1 声波传感器

2 研究方法

数据采样时间间隔为1S，一个小时时长的数据为一个文件大小，保存格式为二进制。16台仪器选取3台构建监测系统，因此每天处理的文件量为72个文件。巨大的数据量给有用信息的抽取带来了很大的困难。

本文提出所采用的地震异常次声波的识别与监测方法：对所接收的次声波按照波形特征选择滤波方法进行滤波，判断去噪之后的信号是否为可疑次声波，若不是直接跳过；若是再使用分类器进行分类，判断是地震信号的则输出进行人工确认，并将3小时之内的数据进行合并，输出波形；否则就入库来充实信号库。图2是本文所介绍的地震异常次声波的监测方法中的次声波处理过程流程图。

图2 次声波处理流程

2.1 基于天气状况的信号滤波

在进行信号识别之前，一个要解决的现实问题就是：仪器在接受次声波的过程中，往往会使接收到的次声波数据包含各种噪声的干扰，尤其是天气背景对次声波数据纯净度的影响。因此，就需要针对接收到的次声波数据进行滤波处理，而在滤波方法的选择中也面临困难。幸运的是，经过对数据库中的次声波数据研究，发现可以将次声波按照天气状况进行分类，每一次次声波都有其特出的波形特点，按照其特点即可按照相应的方法进行滤波处理[4]。所以在研究中使用基于天气状况的数据分类，以此来决定滤波的方法选择。

2.1.1 选取基于天气状况分类的特征参数

特征参数[5]的选择应该能够表征每一个类别之间的最本质的区别，每一种原始信号经过向量抽取工作获得一个规格化的能标志其本身特征的属性特征向量。在研究中发现，若要探究不同天气状况下的波形特征，对信号的形态把握基本上包含以下三个方面：

（1）频域特征：包含信号主频率变化范围、频谱结构类型；

（2）时域特征：包含波形的最大值、平均值、方差；

（3）信号小波变换：包含一维小波变化系数[4]。

其中时域特征进行的是波形分析，如波形的方差、平均值、最大值；频谱分析可以得到信号相位、功率、离散程度、能量等信息。

2.1.2 基于天气情况的数据分类

前面讲到天气状况可以决定数据的去噪方法的选择。现将天气状况分为五类：大雨、小雨、晴天、刮风和复杂混合天气（包含刮风、下雨等复杂的天气状况）。而阴天、阴霾、有雾等天气状况由于分类困难、与其他天气状况下的次声波无法分离，所以就不再单独分类。表1是试验研究中分成的五类数据中有代表意义的一组主模板，从表中可以获得如下信息：

（1）晴天天气的波形比较平稳，这与事实是符合的，因为晴天的状况下，外界环境状况比较平和，没有声压突变的情况；

（2）下雨的天气状况下次声波分为两类状况：大雨和小雨，大雨和小雨天气状况是相似的，但是从统计列表中可以看出小雨的天气状况明显比大雨的天气状况要平稳一些；

（3）晴天和刮风天气状况下极值的差值不是很大，这说明这两种天气状况下波形中每个时刻的声压值不会超过太大的范围。而下雨天气状况下所接收的波形更加不稳定，这与现实也是相符的；

表1 每种天气状态下接收到的次声波波形的整体形态统计表

（4）每种天气状况下都会产生低频次声波。因此选择合适的滤波方法变得更加重要。且低频信号在每一种天气状况中所占的比例都比较高，因此这不是分类的参与因素之一；

（5）复杂天气的次声波信号特点很明显：信号不稳定、极值横跨范围大。所以在滤波的时候就要选择更加合适的滤波方法。

通过上述的信号特征研究之后，基本上可以了解不同天气状况下信号的各个特征值。综合目前在各领域的滤波方法以及它们的滤波特点，就可以将各种天气状况和滤波方法进行一一对应。

实验中发现，虽然各种滤波方法滤波之后的差别不是特别明显，但是很小的一点差别就会使得最终的分类会产生不同的结果，这将直接影响到次声波信号识别的准确程度。所以这里进行天气状况的数据分类是有意义和必要的。

由于目前数据仓库中的数据量比较少，会对研究结果产生误判，所以还要通过不断地添加新的样本数据进行规则的完善工作。

2.1.3 根据天气状况选择滤波方法

不同的天气状况所接收到的次声波的数据有不同的噪音干扰，而且其干扰也有不同的特点，经过对已有数据的分类研究中发现，基本的滤波可以分为以下几类，这里本文只做简单的介绍，不再进行详细阐述，具体可见文献[6]：

（1）晴天所接收的次声波最适宜使用带通带阻滤波、自适应滤波、FFT滤波以及低通滤波；

（2）大雨、小雨天气，通过小波分析可以去除不同频率的信号特征，这里我们选择阈值消噪，分为硬取阈值和软取阈值；

（3）刮风天气下选取小波滤波进行滤波处理；

（4）复杂混合天气所接收的次声波噪音信息复杂，为了更好地处理次声波数据。

图3 自适应滤波效果图

本文选用自适应滤波来进行滤波，图4给出的是自适应滤波的一个实例。

之所以复杂天气选用自适应滤波来进行处理是因为自适应滤波能够根据噪声干扰的变化情况进行滤波参数的调整，从而达到对信号的适应性处理的效果，而且在调整的效果上有较小的滞后性，起到紧随信号变化进行信号处理的作用。

2.2 异常次声波信号识别

2.2.1 设定信号识别特征参数

滤波之后需要对地震异常次声波和其它类似干扰次声波进行识别和区分。这里特征参数的设定同样规定为：信号的突出形态、是否有峰值和峰值的数量、峰值出现的频率范围、最大的声压值、峰值信号持续时间、信号的周期。

2.2.2 异常信号识别和区分结果

确定了滤波方式并且对次声波数据进行了滤波操作之后，即可以将训练样本的特征值进行抽取保存在数据仓库之中。通过对以往的数据进行数据分析学习[7]，得出各种声源产生的次声波的特征参数数值范围。在已收集到的所有次声波数据中，排除特征无异常的次声波数据信号（如晴天环境下平稳的信号）之外，最可能影响判断的包含三类：

（1）爆炸型信号。这种信号包括：矿山爆炸、烟花爆炸、海洋运动等所产生的异常信号；

（2）振动类数据：包括仪器周围的突然开关门、开灯、撞击、汽车启动等信号；

（3）山体运动类信号：包括山体滑坡、泥石流等异常信号。

通过统计，可以得出如下表2的信息：

（1）地震异常信号大体分为三类，但是每一类之间都有共同的特征：信号有突变、有峰值、声压值大，信号持续时间长、周期长、信号属于低频等特点；

（2）振动型数据和爆炸型数据虽然也存在大声压值、有峰值，但是持续时间短、周期短、信号呈现一条直上直下的直线状态。表2中关门信号的声压值很大，是由于仪器靠近门所造成的。

表2 每种地震异常次声波统计和类似干扰次声波情况统计表

因此，分辨地震异常信号与其他相似干扰信号的主要依据可以压缩概括为：信号有突变、突变持续时间长、超低频。而这也是在信号分类中的一个重要和基本的条件，这个条件基本上可以设定为两个阈值：信号的频率低于设定的频率阈值；突变信号的周期持续时间高于设定的时间阈值。设定阈值的应用可以极大减少信号判断时间。

2.3 分类器设计

近邻法是从每一类的样本中选择出一个样本主模板，通过计算待识别样本与每一类的主模板距离来确定该信号属于哪一个信号种群，而主模板可以通过计算该类中所有样本的每一个分量模板均值来确定。但是这种方法会使噪音信号严重的影响到信号的分类。所以提出阈值—K近邻算法进行分类器的设计。K近邻算法就是计算模式空间中距离待测样本距离最近的K的样本，将该样本归入到K个样本中数量最多的一类当中。而地震异常次声波的特点是：超低频、长周期。所以可以设定两个阈值A和B，如果信号的主频率高于频率阈值A或者周期短于周期阈值B则舍弃信号，否则对信号进行KNN分类操作。

具体的异常次声波分类流程图见图4。

图4 信号识别流程

而实际上阈值A、B的选择会根据样本的不断完善而趋近于一个比较合理的值。在下文中将通过试验验证KNN算法直接应用到次声波分类中的可行性，并将添加了阈值判断的分类器与无阈值判断的分类器进行性能对比。

2.3.1 K值确定

为了确定最合理的K值[8]，现在使用已经构建好的训练样本库进行计算操作，取用30个已知类别的样本进行试验，将K的取值范围确定为1～14，根据样本归类的准确度确定最合理的K值范围[9]，甚至是准确值。图5是对K不同取值情况下分类准确度的对比显示。虽然随着K值得变化，分类的精度一直比较高，但是实际上，最高的部分分布在3—8的位置上。所以此时可确定K的取值为5。随着数据样本数量的增加，K值得设定需要不断改变，以使分类得到更高的准确度。目前适合的K值比较小是因为样本数量还太少。

图5 分类准确度和K的关系

3 研究结果

3.1 分类准确性评估

确定了K值之后，对算法进行信号分类效果分析与评估，测试样本采用分层抽取的方法，获得地震信号和其它干扰信号构成测试样本库。这次设定训练样本每一类的数量作为自变量，来比较算法有无阈值的分类准确度。图6是分类算法改进前后的性能比较，从图中可以看出，K近邻分类法应用到次声波的分类中，随着样本的完善，分类准确度的提高是比较明显的。而将K近邻算法进行了添加阈值的改进应用之后，分类效果明（接上左栏）显增强。就运行效率来看，KNN算法最大的缺点就是运行耗费时间长，添加了阈值之后发现，绝大部分的信号都被排除在的KNN的计算之外，也就是说，真正参与到KNN计算的只占一小部分，这样就弥补了算法上的时间耗费大的问题。不仅仅提高了分类准确度，而且还节省了运算开支。

图6 算法改进前后分类效果

3.2 系统监测效果

在刚刚建立的系统中，使用到了本文所提到的监测方法，在监测的过程中共监测到几次湖北省境内几次地震异常次声波和一次山体采矿的爆炸次声波。其中图7为多次地震中的一次，该次地震对应的是2013年12月16日湖北省境内巴东地区所发生的4.5级地震，从图形显示中可以看出该波形与之前所总结的地震波形极为相似。图8是系统监测出的湖北省境内矿山开采时所放炸药产生的次声波信息，从该图中可以看出，该波形也拥有之前所总结的爆炸信号所拥有的特征，信号直上直下，周期极短。从以上两点可以看出：之前所总结的地震异常次声波的波形特点是有其科学性的。

图7 监测到的地震次声波

图8 监测到的矿山爆炸次声波

4 结语

通过已经收集到的大量次声波数据对该方法进行正确性验证，从分类的正确度来看，分类的准确度保持在80%～92.5%之间。地震信号可以确保高准确度地分辨出来。说明该方法在某些细节仍然需要进行技术性的改进。但是较高的分类准确度仍说明该思路是可行的。

次声波的研究是地震监测中一个重要的手段与途径，该方法的使用可以极大地减轻技术研究人员的工作量，而该技术的成熟将在其它地质灾害的监测甚至是地震的震前监测中有新的使用。方法的完善，样本数据库的充实，都将是该方法继续研究的重要组成部分。

[1]陈维升，李均之，夏雅琴，等.日本大地震及海啸的早期预测及临震信号[J].北京工业大学学报，2013，08：1206-1209.

[2]章菲，杨庆生，夏雅琴，等.次声：监测地震的新领域[J].地学前缘，2013，06：94-101.

[3]姜楠，张勇，孟亮.基于次声的自然灾害预警概述[A].国家安全地球物理丛书（九）—防灾减灾与国家安全[C]. 2013：6.

[4]王薇.地震预报中次声波声源方向的研究及次声信号识别[D].北京：北京工业大学,2005.

[5]王季卿.噪声的评价与标准[J].噪声与振动控制，1983，02：49-58+48.

[6]左明成，武云.滤波技术在地震次声波信号研究中的应用[J].计算机光盘软件与应用，2014，02：121-122.

[7]吕海燕，车晓伟.数据仓库中数据粒度的划分[J].计算机工程与设计，2009，09：2323-2325.

[8]张俊丽，张帆.改进KNN算法在垃圾邮件过滤中的应用[J].现代图书情报技术，2007，04：75-78.

[9]György 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

国家级大学生创新创业训练项目（201310491060）

左明成(1992－)，男，山东莱阳人，本科生，空间信息与数字技术专业，主要研究方向为地震监测、数据挖掘；数字图像处理、三维可视化。E-mail:1317085693@qq.com

武云，讲师，计算机应用系研究生。E-mail:23753648@qq.com