?？宋?郭慧杰

(1.中國衛(wèi)星導航系統(tǒng)管理辦公室，北京 100195；2.北京無線電計量測試研究所，計量與校準技術重點實驗室，北京 100039)

1 引 言

為了有效監(jiān)測和預警周界入侵和地面挖掘等人為破壞活動，工程應用中常采集、分析、識別和分類地震動信號，以及時檢測出正在發(fā)生的危險事件，為預警和防護提供依據。地震動信號，即由地表目標運動引起的在地球介質中傳播的地震波動，可由專用的地震波檢波器采集獲得[1]。

研究、分析、實時檢測由人為挖掘產生的地震動信號，以對地下基礎設施的安全威脅進行提前預警和有效防護。地震動信號的分析過程一般分為預處理、特征提取與分類。其中，常用的地震動信號特征提取方法包括頻率分布統(tǒng)計、線性判別分析[2]、主成分分析[3]、局部線性嵌入[4]等方法，對采集的信號進行降維處理并提取有效特征；常用的地震動信號特征分類方法包括最鄰近分類、決策樹分類[5]、支持向量機[6]和人工神經網絡[7]等方法，實現二分類或多分類。

人為挖掘地震動信號易受到多種干擾，例如，背景噪聲、車輛通行、行人經過等產生的干擾信號。為了提升信號識別的準確率及預測精度，增強算法的魯棒性，本文提出一種基于多域能量分布特征提取與改進徑向基神經網絡特征分類的地震動信號識別方法，通過構建小波包分解與集合經驗模態(tài)分解多域能量分布融合特征的徑向基多分類網絡，實現準確、穩(wěn)定的地震動信號特征提取與分類。

2 算法描述

提出一種地震動信號特征提取與分類方法，算法原理流程如圖1所示。

圖1 算法流程圖Fig.1 Flow chart of the algorithm proposed

在信號采集和預處理的基礎上，根據信號在小波包分解和集合經驗模態(tài)分解變換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構建改進的徑向基多分類神經網絡，實現對地震動信號的分類預測。

2.1 信號預處理

對地震動信號的預處理包括濾波和去噪。由于人為挖掘產生的地震動信號的頻譜主要分布在0～200Hz[8]，因此，采用頻域低通濾波器對采集的地震動信號進行低通濾波為

y=lpfilt(x,fs,fl)

(1)

式中：y——輸出低通濾波信號；lpfilt——低通濾波函數；x——輸入地震動信號；fs——信號采樣頻率；fl——低通濾波截止頻率。

由于低通濾波信號中仍存在隨機噪聲，因此采用變換域量化法對低通濾波信號進行重構去噪。

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

(2)

式中：z——輸出去噪信號；wtsqdn——小波變換軟閾值量化去噪函數；y——輸入低通濾波信號；wn——小波基，wl——小波分解級數；thr——量化閾值。

2.2 多域能量分布特征提取

為提取地震動信號穩(wěn)定且獨立的特征，結合小波包變換域能量統(tǒng)計分布與集合經驗模態(tài)變換域能量統(tǒng)計分布，形成多域能量聯合分布特征向量。

一維小波包分解將信號分解成低頻概貌子帶和高頻細節(jié)子帶，并在高、低頻小波子帶上逐級分解，以此獲得信號的多級全局信息以及局部信息[9]。

(3)

于是，可根據式(4)得到地震動信號的小波包變換域的能量分布統(tǒng)計特征向量為

(4)

式中：ewk——地震動信號小波包變換域能量分布統(tǒng)計特征向量的第k個分量，組成小波包變換域能量分布特征向量ew={ewk}；wk——小波包分解自上而下的第k個子帶系數；dl——小波包分解級數。

集合經驗模態(tài)分解通過加入多組白噪聲并進行集合平均，消除尺度混合問題，對經驗模態(tài)分解進行了有效改進，使各本征模函數保持了物理上的唯一性，從而將信號在集合經驗模態(tài)變換域分解為有限個不同尺度的時序分量[10]。

um=eemd(z,ns,nn)

(5)

式中：um——輸出集合經驗模態(tài)分解的第m個本征模式分量；eemd——集合經驗模態(tài)分解函數；z——輸入預處理后的地震動信號；ns——添加白噪聲的標準差；nn——添加白噪聲的次數。

取前n個本征模式分量，可根據式(6)得到地震動信號的集合經驗模態(tài)變換域的能量分布統(tǒng)計特征向量為

(6)

式中：eem——地震動信號集合經驗模態(tài)變換域能量分布統(tǒng)計特征向量的第m個分量，組成集合經驗模態(tài)變換域能量分布特征向量ee={eem}；um——地震動信號集合經驗模態(tài)分解的第m個本征模式分量。

由地震動信號的小波包變換域能量分布特征向量和集合經驗模態(tài)變換域能量分布特征向量組成多域能量分布特征向量me=[ew,ee]。

2.3 改進徑向基多分類網絡構建

徑向基神經網絡是一個三層網絡，隱層由若干徑向基神經元構成。與一般的反向傳播神經網絡相比，徑向基神經網絡具有最優(yōu)逼近特性，網絡訓練不會陷入局部極小值，具有較快的收斂速度和分類能力[11]。

為了自適應融合地震動信號的多域能量分布特征，有效提升特征穩(wěn)定性和分類能力。對徑向基神經網絡進行改進，在徑向基網絡層前添加特征融合網絡層，如圖2所示。

圖2 改進徑向基神經網絡結構圖Fig.2 Diagram of improved radial basis network

徑向基神經元的輸入為不同加權條件下的融合特征向量為

ci=∑aij·fj

(7)

式中：ci——融合特征向量的第i個分量；aij——特征向量融合層的加權系數；fj——多域能量分布特征向量的第j個分量。

通過梯度下降法監(jiān)督訓練改進徑向基神經網絡的參數，包括：徑向基函數的中心與方差、特征向量融合層的加權系數和隱含層到輸出層的權值向量[12]。代價函數采用均方誤差為

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

(8)

式中：rrbn——訓練生成的改進徑向基多分類網絡模型；trrbf——改進徑向基神經網絡訓練函數；trx——由特征向量構成的訓練集；try——對應特征向量的分類標簽向量；sr——學習速率；err——誤差門限；nit——最大迭代次數。

3 實驗結果與分析

圖3 典型的挖掘信號波形圖Fig.3 Typical excavation signal captured

利用北京無線電計量測試研究所研制的BIRMM-DIG開挖監(jiān)測儀采集的地震動信號樣本對本文提出的算法進行仿真驗證，如圖3所示。樣本數據包含200組干擾噪聲信號、285組機械挖掘信號和150組人工挖掘信號，共635組樣本數據，分為3類。首先，分別對635組樣本數據進行預處理和多域能量分布特征提取。其中，低通濾波截止頻率設為200Hz；去噪小波基采用‘db10’，小波分解級數設為5，挖掘產生的地震動信號去噪前后的波形對比如圖4所示；小波包分解級數設為3，小波基采用‘bior3.5’；集合經驗模態(tài)分解添加的白噪聲標準差設為0.1，添加次數設為100，取前8個本征模式分量進行能量分布統(tǒng)計。因此，得到635個22維的多域能量分布特征向量，組成改進徑向基多分類網絡模型的訓練集。

從訓練集中隨機抽取4/5的數據(508個特征向量)用于模型訓練，其余1/5的數據(127個特征向量)用于模型驗證。模型訓練時，設定學習速率為0.05，誤差門限為0.001，最大迭代次數為1000，模型預測輸出為3分類

yb=prdrbf(rrbn,xv)

(9)

式中：yb——輸出驗證特征向量的預測類別；prdrbf——改進徑向基多分類網絡預測函數；rrbn——訓練生成的改進徑向基多分類網絡模型；xv——輸入驗證特征向量。

本文算法對驗證集的分類預測性能，以及與典型的徑向基分類網絡模型(徑向基函數采用中心為0、標準差為1的高斯函數，分布參數取0.8，隱含層最大神經元個數設為100，均方誤差門限設為0.001)和支持向量機分類模型(最優(yōu)懲罰參數和徑向基幅寬參數由網格參數尋優(yōu)法得到，參數尋優(yōu)范圍取[-8,8]，尋優(yōu)步進取0.8，采用8折交叉驗證)的性能對比見表1。

表1 算法模型分類性能對比Tab.1 Comparison with RBF and SVM算法錯誤分類數準確率F1-Score本文算法5(/127)96.1%93.8%徑向基網絡17(/127)86.6%80.0%支持向量機19(/127)85.0%78.0%

由表1可以看出，構建的改進徑向基多分類網絡模型可以提取出更穩(wěn)定的地震動信號特征并實現更準確的特征分類預測，準確率明顯優(yōu)于典型的徑向基神經網絡和支持向量機分類模型。

4 結束語

本文提出一種地震動信號特征提取與分類方法，通過提取小波包變換域和集合經驗模態(tài)變換域的多域能量聯合分布特征向量后改進徑向基神經網絡分類模型，實現自適應的特征融合和分類，利用機器學習的方法提取出目標信號穩(wěn)定的多域特征，從而有效提升了信號特征分類的準確性，對地震動干擾信號具有較強的魯棒性，在實際應用中適于對挖掘破壞產生的多類地震動信號進行實時檢測、識別和預警。