基于GIS的地震波信号的截取与识别

任敬宏 华北理工大学测绘三班 李田澳 华北理工大学测绘一班 陈萱 华北理工大学电气三班

在本文中，研究的是地震波与GIS相结合的地震波的截取与识别。

建立波形信号的时间与幅值的关系模型，之后自动截取出单个完整信号，最后阐述用该方法截取信号的误差。

一、建立模型

现如今国内外都采用GIS的二次开发功能，我们采用的是希尔伯特-黄变换，用此方法处理地震波形信号一般分为两个步骤，首先用EMD分解得到有限个数目的固有模态函数（IMF），然后用希尔伯特变换和瞬时频率方法获得信号的时频谱，因为瞬时频率方法只能对单分量信号有意义，对于地震方面的应用，我们获取的信号一般情况下不能满足单分量信号的要求，所以我们必须对信号进行近似的处理。EMD就可以实现这种近似，EMD通过对信号进行分解，使之能够表示为许多单分量信号之和，也就是分解成含有不同信息的信号。下面是EMD分解过程：

第一步我们要找到信号的极大值和极小值，通过三次样条拟合对所有的极值点进行插值，得到信号的上包络曲线Xmax（t）和下包络曲线Xmin（t）；之后计算上下包络曲线在每一点上的平均值，从而获得平均值曲线m1(t)。

模型的误差有：

a.由于机械测量仪器本身噪声等造成的不可避免的误差

b.求取点上的平均值以及求取残差，分析瞬时时域频域由模型本身造成的误差。

c.EMD分解算法本身有缺陷，有断点现象。

首先我们进行了地震波形特征进行了分析：

大致流程如下：

二、结果分析

（1）由结果图可知，仍存在幅值较大的情况，可见并不能保证噪声完全处理，只能说希尔伯特-黄能够更有效地处理非线性非平稳的信号，滤波性能更好。由结果图可知，仍存在幅值较大的情况。

（2）求取出的特征参数分别为：最大幅值对应的周期（TAmax）、倒谱平均值（Cave）、自相关函数的最大值（Mxc），而且经过EMD分解，发现这三个特征参数也能够很好地表达出波形的信息。

（3）使用支持向量机理论，让原来的线性不可分变成了线性可分，同时选取了径向基和函数，使得训练的分类面具有很好的分类泛化能力，增大了识别效率，高达90%以上。

三、检验

为了测试模型再多分量地震去噪中面波的压制效果，我们建立了一个地震模型，我们采用复杂地区黄土塬浅地层的模拟地震数据。其中深度为2000毫秒，震源子波主频为30赫兹，采样间隔为2ms，道数为351道，表1为整个地质模型的具体参数。

地质模型的具体参数

基于面波和有效波的特性比作分析，x、z分量上只包含了浅地层的信息。即指包含直达波、面波、多次波、多次折射波等信息。我们可以再图中指示的部分，看出模拟得到的x、z分量上的地震数据近偏移距上存在面波，而且能量是比较强的。

合成复杂信号，按照 HHT 变换的分解步骤，第一步是对信号的包络极值点进行搜寻和确定，接下来对确定的极值点坐标进行样条插值，我们以横坐标为时间 t，纵坐标为振幅。我们都知道HHT存在端点效应，所以我们测三次，这样我们在做三次样条插值时，才尽可能不会产生拟合误差，这里我们采用的是效果比较好的镜像延拓的数学处理方法，由于方法的局限性以及人为操作的一些因素，还是会存在端点效应。但是我们将信号进行相应的延拓，使得端点效应对里面的“污染”会相应的减少。如果信号本身可能具有较强的不对称性，则无论把镜子放在信号的何处，都会不可避免的引入端点效应。

四、推广

（1）希尔伯特-黄变换方法在研究局部的分析方法时，具有独特的优越性，使得处理地震资料在信号分析，瞬时参数求取在个方面得到不同等的应用。

（2）归一化处理能够解决由于机器故障等原因造成的部分数据严重偏离的漂移现象；EMD分解成IMF还可应用于径流量预测，纹理分割等。

（3）支持向量机还可以推广到函数拟合，概率密度函数估计，高维模式识别等问题中。

五、评价及改进

（1）模型的评价

优点：

1.希尔伯特-黄变换多用于处理非线性非平稳变换问题，我们所采用的方法就是希尔伯特-黄变换，此方法分辨率高，它彻底摆脱了线性和平稳性的束缚，其适用于分析非线性非平稳信号。HHT具有完全自适应性，在时域上不具备分辨率。HHT能够自适应产生“基”，即由“筛选”过程产生的IMF。HHT不受Heisenberg测不准原理制约——适合突变信号。HHT的瞬时频率是采用求导得到的，借助Hilbert变换求得相位函数，再对相位函数求导产生瞬时频率，这样求出的瞬时频率是局部性的。

2.我们从时域和频域两个方面对信号进行特征提取，时域特征提取分析是地震信号特征提取中较早用到的特征提取方法，主要从不同震源类型波形信号的物理形态研究上着手对天然地震和人工爆炸波形信号进行识别。频域持征提取主要研究震源波形信号随频率的变化规律，时域形象直观，频域简练、刨析问题深刻方便。这对于我们模型的建立由很大好处。

缺点：

1.希尔伯特-黄变换缺乏严谨的物理及数学上的意义，并且希尔伯特变换需要复杂的递回，运算时间比短时傅里叶变换要长，而且希尔伯特变换不一定可以正确计算出本质模态函数的瞬时频率。在我们建立模型的过程中，用希尔伯特-黄变换对信号进行处理花费了较长时间，而且在瞬时频率的计算中也遇到了问题。

2.SVM算法对大规模的训练样本难以实施，它只能处理小部分的训练样本。SVM的这个缺点也是使我们耗费了大量的时间来处理。SVM是借助二次规划来求解支持向量，但是求解二次规划会涉及到m阶矩阵的计算，当m数目很大时，同样也会耗费大量的机器内存和运算时间。