常克武 郭慧杰

(1.中国卫星导航系统管理办公室，北京 100195；2.北京无线电计量测试研究所，计量与校准技术重点实验室，北京 100039)

1 引 言

为了有效监测和预警周界入侵和地面挖掘等人为破坏活动，工程应用中常采集、分析、识别和分类地震动信号，以及时检测出正在发生的危险事件，为预警和防护提供依据。地震动信号，即由地表目标运动引起的在地球介质中传播的地震波动，可由专用的地震波检波器采集获得[1]。

研究、分析、实时检测由人为挖掘产生的地震动信号，以对地下基础设施的安全威胁进行提前预警和有效防护。地震动信号的分析过程一般分为预处理、特征提取与分类。其中，常用的地震动信号特征提取方法包括频率分布统计、线性判别分析[2]、主成分分析[3]、局部线性嵌入[4]等方法，对采集的信号进行降维处理并提取有效特征；常用的地震动信号特征分类方法包括最邻近分类、决策树分类[5]、支持向量机[6]和人工神经网络[7]等方法，实现二分类或多分类。

人为挖掘地震动信号易受到多种干扰，例如，背景噪声、车辆通行、行人经过等产生的干扰信号。为了提升信号识别的准确率及预测精度，增强算法的鲁棒性，本文提出一种基于多域能量分布特征提取与改进径向基神经网络特征分类的地震动信号识别方法，通过构建小波包分解与集合经验模态分解多域能量分布融合特征的径向基多分类网络，实现准确、稳定的地震动信号特征提取与分类。

2 算法描述

提出一种地震动信号特征提取与分类方法，算法原理流程如图1所示。

图1 算法流程图Fig.1 Flow chart of the algorithm proposed

在信号采集和预处理的基础上，根据信号在小波包分解和集合经验模态分解变换域的能量分布特性提取多域能量分布特征，然后基于多域能量分布融合特征构建改进的径向基多分类神经网络，实现对地震动信号的分类预测。

2.1 信号预处理

对地震动信号的预处理包括滤波和去噪。由于人为挖掘产生的地震动信号的频谱主要分布在0～200Hz[8]，因此，采用频域低通滤波器对采集的地震动信号进行低通滤波为

y=lpfilt(x,fs,fl)

(1)

式中：y——输出低通滤波信号；lpfilt——低通滤波函数；x——输入地震动信号；fs——信号采样频率；fl——低通滤波截止频率。

由于低通滤波信号中仍存在随机噪声，因此采用变换域量化法对低通滤波信号进行重构去噪。

z=wtsqdn(y,wn,wl,thr)

(2)

式中：z——输出去噪信号；wtsqdn——小波变换软阈值量化去噪函数；y——输入低通滤波信号；wn——小波基，wl——小波分解级数；thr——量化阈值。

2.2 多域能量分布特征提取

为提取地震动信号稳定且独立的特征，结合小波包变换域能量统计分布与集合经验模态变换域能量统计分布，形成多域能量联合分布特征向量。

一维小波包分解将信号分解成低频概貌子带和高频细节子带，并在高、低频小波子带上逐级分解，以此获得信号的多级全局信息以及局部信息[9]。

(3)

于是，可根据式(4)得到地震动信号的小波包变换域的能量分布统计特征向量为

(4)

式中：ewk——地震动信号小波包变换域能量分布统计特征向量的第k个分量，组成小波包变换域能量分布特征向量ew={ewk}；wk——小波包分解自上而下的第k个子带系数；dl——小波包分解级数。

集合经验模态分解通过加入多组白噪声并进行集合平均，消除尺度混合问题，对经验模态分解进行了有效改进，使各本征模函数保持了物理上的唯一性，从而将信号在集合经验模态变换域分解为有限个不同尺度的时序分量[10]。

um=eemd(z,ns,nn)

(5)

式中：um——输出集合经验模态分解的第m个本征模式分量；eemd——集合经验模态分解函数；z——输入预处理后的地震动信号；ns——添加白噪声的标准差；nn——添加白噪声的次数。

取前n个本征模式分量，可根据式(6)得到地震动信号的集合经验模态变换域的能量分布统计特征向量为

(6)

式中：eem——地震动信号集合经验模态变换域能量分布统计特征向量的第m个分量，组成集合经验模态变换域能量分布特征向量ee={eem}；um——地震动信号集合经验模态分解的第m个本征模式分量。

由地震动信号的小波包变换域能量分布特征向量和集合经验模态变换域能量分布特征向量组成多域能量分布特征向量me=[ew,ee]。

2.3 改进径向基多分类网络构建

径向基神经网络是一个三层网络，隐层由若干径向基神经元构成。与一般的反向传播神经网络相比，径向基神经网络具有最优逼近特性，网络训练不会陷入局部极小值，具有较快的收敛速度和分类能力[11]。

为了自适应融合地震动信号的多域能量分布特征，有效提升特征稳定性和分类能力。对径向基神经网络进行改进，在径向基网络层前添加特征融合网络层，如图2所示。

图2 改进径向基神经网络结构图Fig.2 Diagram of improved radial basis network

径向基神经元的输入为不同加权条件下的融合特征向量为

ci=∑aij·fj

(7)

式中：ci——融合特征向量的第i个分量；aij——特征向量融合层的加权系数；fj——多域能量分布特征向量的第j个分量。

通过梯度下降法监督训练改进径向基神经网络的参数，包括：径向基函数的中心与方差、特征向量融合层的加权系数和隐含层到输出层的权值向量[12]。代价函数采用均方误差为

rrbn=trrbf(trx,try,sr,err,nit)

(8)

式中：rrbn——训练生成的改进径向基多分类网络模型；trrbf——改进径向基神经网络训练函数；trx——由特征向量构成的训练集；try——对应特征向量的分类标签向量；sr——学习速率；err——误差门限；nit——最大迭代次数。

3 实验结果与分析

图3 典型的挖掘信号波形图Fig.3 Typical excavation signal captured

利用北京无线电计量测试研究所研制的BIRMM-DIG开挖监测仪采集的地震动信号样本对本文提出的算法进行仿真验证，如图3所示。样本数据包含200组干扰噪声信号、285组机械挖掘信号和150组人工挖掘信号，共635组样本数据，分为3类。首先，分别对635组样本数据进行预处理和多域能量分布特征提取。其中，低通滤波截止频率设为200Hz；去噪小波基采用‘db10’，小波分解级数设为5，挖掘产生的地震动信号去噪前后的波形对比如图4所示；小波包分解级数设为3，小波基采用‘bior3.5’；集合经验模态分解添加的白噪声标准差设为0.1，添加次数设为100，取前8个本征模式分量进行能量分布统计。因此，得到635个22维的多域能量分布特征向量，组成改进径向基多分类网络模型的训练集。

从训练集中随机抽取4/5的数据(508个特征向量)用于模型训练，其余1/5的数据(127个特征向量)用于模型验证。模型训练时，设定学习速率为0.05，误差门限为0.001，最大迭代次数为1000，模型预测输出为3分类

yb=prdrbf(rrbn,xv)

(9)

式中：yb——输出验证特征向量的预测类别；prdrbf——改进径向基多分类网络预测函数；rrbn——训练生成的改进径向基多分类网络模型；xv——输入验证特征向量。

本文算法对验证集的分类预测性能，以及与典型的径向基分类网络模型(径向基函数采用中心为0、标准差为1的高斯函数，分布参数取0.8，隐含层最大神经元个数设为100，均方误差门限设为0.001)和支持向量机分类模型(最优惩罚参数和径向基幅宽参数由网格参数寻优法得到，参数寻优范围取[-8,8]，寻优步进取0.8，采用8折交叉验证)的性能对比见表1。

表1 算法模型分类性能对比Tab.1 Comparison with RBF and SVM算法错误分类数准确率F1-Score本文算法5(/127)96.1%93.8%径向基网络17(/127)86.6%80.0%支持向量机19(/127)85.0%78.0%

由表1可以看出，构建的改进径向基多分类网络模型可以提取出更稳定的地震动信号特征并实现更准确的特征分类预测，准确率明显优于典型的径向基神经网络和支持向量机分类模型。

4 结束语

本文提出一种地震动信号特征提取与分类方法，通过提取小波包变换域和集合经验模态变换域的多域能量联合分布特征向量后改进径向基神经网络分类模型，实现自适应的特征融合和分类，利用机器学习的方法提取出目标信号稳定的多域特征，从而有效提升了信号特征分类的准确性，对地震动干扰信号具有较强的鲁棒性，在实际应用中适于对挖掘破坏产生的多类地震动信号进行实时检测、识别和预警。