龐 聰，江 勇，廖成旺，吳 濤，丁 煒，王 磊

(1.中國地震局地震研究所 中國地震局地震大地測量重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430071；2.湖北省地震局地震預(yù)警湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430071)

強(qiáng)震儀是指由加速度計(jì)、數(shù)據(jù)記錄器、對時(shí)系統(tǒng)、存儲(chǔ)系統(tǒng)等組成的地球物理觀測儀器，在建筑物震害分析、結(jié)構(gòu)模態(tài)分析、結(jié)構(gòu)損傷識(shí)別、常規(guī)譜分析中應(yīng)用較廣(王雷等，2011；宋金龍，2012；榮立爽，2008；趙懷山等，2017；周綺鳳等，2012；王文才等，2018)。但是，強(qiáng)震儀在各類監(jiān)測場地(野外監(jiān)測臺(tái)網(wǎng)、超高層建筑物、水電站、大壩、核電站等)布設(shè)后常常遇到高頻低能量、寬頻帶大能量等振動(dòng)特征相差較大的噪聲，這些含噪強(qiáng)震動(dòng)記錄如果不加以處理與識(shí)別，易造成地震事件錯(cuò)誤收集、預(yù)警事件誤觸發(fā)等異常情況。因此，基于強(qiáng)震動(dòng)監(jiān)測數(shù)據(jù)的抗干擾或防誤觸技術(shù)研究開始受到相關(guān)研究人員的重視。傳統(tǒng)的強(qiáng)震儀系統(tǒng)抗干擾技術(shù)多以儀器失真校正技術(shù)、信號(hào)負(fù)反饋技術(shù)、觸發(fā)控制技術(shù)等基于內(nèi)干擾源的抗干擾技術(shù)為主，以區(qū)分電磁干擾信號(hào)、溫變信號(hào)、誤觸操作等，技術(shù)主要應(yīng)用在儀器硬件結(jié)構(gòu)內(nèi)部，且研究應(yīng)用難度較大。例如，趙松年等(1987)設(shè)計(jì)幅度特征—窗口比較器觸發(fā)電路，減小強(qiáng)震儀誤觸與漏觸概率，提高觸發(fā)器的抗干擾能力。于海英等(2006)對未校正記錄做低通濾波后運(yùn)用近似理想微分器做兩次微分得到校正加速度記錄，以校正儀器響應(yīng)失真。傳統(tǒng)強(qiáng)震儀抗干擾技術(shù)較多集中在內(nèi)部信號(hào)干擾、誤操作等領(lǐng)域,研究較為豐富，而專門針對外環(huán)境激勵(lì)源的抗干擾研究較少，這也給強(qiáng)震儀在防災(zāi)減災(zāi)領(lǐng)域的應(yīng)用推廣造成了較大阻礙。

隨著計(jì)算機(jī)技術(shù)和人工智能科學(xué)的發(fā)展，基于分類、決策的機(jī)器學(xué)習(xí)方法越來越受到各行各業(yè)專家學(xué)者的重視，同時(shí)一些學(xué)者嘗試將該機(jī)器學(xué)習(xí)方法應(yīng)用于強(qiáng)震儀外環(huán)境干擾源(風(fēng)致振動(dòng)、機(jī)械施工、起重機(jī)工作、人為走動(dòng)等激勵(lì))抗干擾技術(shù)研究，但是仍處于研究的起步階段。比如江汶鄉(xiāng)等(2015a,2015b)基于決策樹原理設(shè)計(jì)強(qiáng)震動(dòng)單陣抗干擾算法，通過提取強(qiáng)震動(dòng)記錄和干擾記錄觸發(fā)事件后3s內(nèi)數(shù)據(jù)的多個(gè)特征值建立決策樹學(xué)習(xí)樣本數(shù)據(jù)集，有效區(qū)分出地震動(dòng)振動(dòng)源與其它干擾源。趙剛等(2017)基于AdaBoost集成學(xué)習(xí)方法和BP神經(jīng)網(wǎng)絡(luò)對天然地震動(dòng)事件和人工爆破事件進(jìn)行波形特征識(shí)別，結(jié)果表明集成學(xué)習(xí)方法識(shí)別效率較高，不易過擬合。雖然基于決策樹的強(qiáng)震儀抗干擾技術(shù)解決了強(qiáng)震儀在外干擾源環(huán)境下的抗干擾辦法，但是采用的決策樹方法存在過擬合、分類不準(zhǔn)確的缺陷；基于集成學(xué)習(xí)的adaboost學(xué)習(xí)算法克服了決策樹的部分缺點(diǎn)，是一個(gè)效果較好的特征識(shí)別方法。

本文采用機(jī)器學(xué)習(xí)中的AdaBoost集成學(xué)習(xí)方法以克服決策樹的上述缺點(diǎn)，設(shè)計(jì)一種針對外干擾源的強(qiáng)震動(dòng)數(shù)據(jù)抗干擾算法，有效區(qū)分天然地震動(dòng)事件與人工干擾事件，以提高強(qiáng)震監(jiān)測時(shí)的抗干擾水平，推動(dòng)強(qiáng)震觀測系統(tǒng)的智能化和自動(dòng)化，對防震減災(zāi)工程技術(shù)的發(fā)展和應(yīng)用具有一定意義。

1 強(qiáng)震儀抗干擾算法

1.1 決策樹原理

決策樹(decision tree)是一類常見的、較為簡單的機(jī)器學(xué)習(xí)方法，其目的是根據(jù)損失函數(shù)最小化的原則產(chǎn)生一棵泛化能力強(qiáng)，即處理未見示例能力強(qiáng)的決策樹(龐聰?shù)龋?019；趙剛等，2017)。決策樹按照分支時(shí)的屬性選擇方法不同可分為ID3、CART、C4.5等類型。ID3決策樹基于信息增益量(Information Gain)進(jìn)行屬性選擇；C4.5決策樹從ID3法發(fā)展而來，依靠信息增益率進(jìn)行屬性選擇；CART決策樹又叫分類回歸樹，利用GINI指數(shù)增益作為屬性選擇依據(jù)。本文采用CART法。因?yàn)闆Q策樹方法具有計(jì)算速度較快、分類規(guī)則易理解等特點(diǎn)，一些研究人員將其大量應(yīng)用于地震預(yù)警、震后損失評(píng)估、地質(zhì)災(zāi)害評(píng)價(jià)等諸多防震減災(zāi)領(lǐng)域。決策樹在處理大樣本數(shù)據(jù)時(shí)存在易過擬合、分類準(zhǔn)確度不高等問題，易過擬合的問題采取剪枝的方式對決策樹進(jìn)行處理。按照剪枝操作出現(xiàn)的時(shí)間順序不同，分為預(yù)剪枝(Pre-Pruning)和后剪枝(Post-Pruning)：預(yù)剪枝發(fā)生在決策樹算法過程中，后剪枝則出現(xiàn)在決策樹算法執(zhí)行完畢以后。由于預(yù)剪枝一定概率上會(huì)導(dǎo)致決策樹生長過早停止，而后剪枝操作較為麻煩，采用機(jī)器學(xué)習(xí)中的集成學(xué)習(xí)方法以解決決策樹存在的各種問題，集成學(xué)習(xí)方法是指利用多個(gè)單一的機(jī)器學(xué)習(xí)方法(弱學(xué)習(xí)器)實(shí)現(xiàn)某一個(gè)強(qiáng)學(xué)習(xí)任務(wù)的方法，其在數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域應(yīng)用較為廣泛。

1.2 AdaBoost算法

AdaBoost(Adaptive Boosting)算法由Yoav Freund和Robert Schapire于1995年提出，作為一種同質(zhì)集成學(xué)習(xí)方法(同質(zhì)集成方法是指每一個(gè)子學(xué)習(xí)器都屬于同一類，例如CART決策樹、人工神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法)，其基本思想為：通過構(gòu)建多個(gè)弱學(xué)習(xí)器，根據(jù)前一個(gè)學(xué)習(xí)期的錯(cuò)誤率更新下一個(gè)訓(xùn)練樣本的權(quán)重，直至滿足指定最高錯(cuò)誤率或最大迭代次數(shù)等限制條件，從而形成一個(gè)強(qiáng)學(xué)習(xí)器(Guo H,2016；Spenger M，2017)。AdaBoost算法的一般數(shù)學(xué)計(jì)算過程如下：

(1)初始化樣本訓(xùn)練數(shù)據(jù)集：設(shè)定原始訓(xùn)練數(shù)據(jù)集為T={(x11,x12,…,x1n),(x21,x22,…,x2n),…,(xN1,xN2,…,xNn)}，設(shè)定每一個(gè)訓(xùn)練樣本在算法開始時(shí)都被賦予相同的權(quán)值ω1i，即ω1i=1/N；權(quán)值向量D1=(ω11,ω12,…,…,ω1i,…,ω1N)，其中，i=1,2,…,N。

(3)更新訓(xùn)練集的權(quán)值分布向量：Dm=(ωm+1,1,ωm+1,2,…,ωm+1,i,…,ωm+1,N)；

1.3 強(qiáng)震儀環(huán)境干擾與加速度記錄特征參量研究

近些年來，強(qiáng)震儀在防災(zāi)減災(zāi)的諸多領(lǐng)域得到大量應(yīng)用，如超高層建筑物結(jié)構(gòu)健康監(jiān)測、大跨度橋梁振動(dòng)監(jiān)測、水電站結(jié)構(gòu)損傷識(shí)別、重要建筑安全防護(hù)及地震預(yù)警等(江汶鄉(xiāng)等，2015b；榮立爽，2008；宋金龍，2012；趙懷山等，2017；周綺鳳等，2012)，并在實(shí)際監(jiān)測中容易受到風(fēng)致振動(dòng)、列車高速行駛、采礦爆破、夯實(shí)機(jī)工作、外部電磁干擾、人為跑跳等諸多干擾激勵(lì)(如表1)，不同干擾類型的強(qiáng)震動(dòng)記錄波形特征或數(shù)據(jù)統(tǒng)計(jì)特征差異性較大。因此，利用波形特征和數(shù)據(jù)統(tǒng)計(jì)特征進(jìn)行正常地震動(dòng)事件與異常干擾事件的辨別是可行的。

表1 強(qiáng)震儀常見外界激勵(lì)

部分學(xué)者在此基礎(chǔ)上提出或應(yīng)用以下一系列強(qiáng)震儀數(shù)據(jù)特征參量(如表2)：記錄持時(shí)、波形對稱度、卓越頻率、波形稀疏度、波形集中度、波形峰值總數(shù)、相鄰最高增速等特征參量進(jìn)行強(qiáng)震儀抗干擾技術(shù)的研究(江汶鄉(xiāng)等2015b；龐聰?shù)龋?020)。這些參量主要從基于加速度波形特征的角度提出，對強(qiáng)震儀在外界環(huán)境激勵(lì)下的振動(dòng)特征描述較為全面，但是仍存在計(jì)算量過大、實(shí)際應(yīng)用時(shí)參量過多等問題。根據(jù)應(yīng)用較便捷、特征描述準(zhǔn)確的原則，對上述特征參量進(jìn)行簡化處理，選擇部分參量作為研究基礎(chǔ)。

表2 強(qiáng)震動(dòng)加速度記錄數(shù)據(jù)振動(dòng)特征表(龐聰?shù)龋?020)

表2中，持時(shí)(end)表示振動(dòng)事件的有效持續(xù)時(shí)間，不同振動(dòng)事件的時(shí)長判斷閾值為3.0 s，持時(shí)在此閾值內(nèi)的事件記為環(huán)境干擾事件，持時(shí)判斷方法為Allen零交法(于海英等，2009；趙懷山等，2017)，且事件在閾值內(nèi)結(jié)束end記作1，否則記為0；對稱性(sym)表示振動(dòng)波形的對稱特性，利用天然地震動(dòng)波形的對稱特性可以用來區(qū)分天然地震和部分異常振動(dòng)，其公式為：sym=ssmall/sbig，其中ssmall和sbig分別表示波形在直線y=0上、下兩側(cè)面積中較小的面積和較大的面積；卓越頻率(ZY)屬于加速度的頻域特征，即快速傅里葉變換中幅值最高成分對應(yīng)的頻率，其能有效區(qū)分復(fù)雜振動(dòng)事件和地震的區(qū)別，ZY在文中的閾值區(qū)間設(shè)定為[0.5，100] Hz；波形稀疏度(sparse)屬于波形特征范疇，表示在峰值分布直方圖中峰值數(shù)為零的直方數(shù)在全部直方數(shù)中的占比程度，其中直方圖的組數(shù)一般設(shè)為20，組距基于加速度記錄的統(tǒng)計(jì)學(xué)極差來確定，組距=極差/組數(shù)；波形集中度(pration)表示在峰值分布直方圖中最高頻度直方峰值數(shù)在波形圖全部峰值數(shù)(ptotal)中的占比程度；最大增長速度(MaxSpeed)為相鄰采樣點(diǎn)的幅值增加最大值與采樣率之比，可作為幅值變化較小的振動(dòng)干擾事件與幅值突變型振動(dòng)事件的鑒別特征，例如爆破事件與人類活動(dòng)干擾事件，其計(jì)算公式為：MaxSpeed=MaxGrow/sprate。

1.4 算法設(shè)計(jì)

強(qiáng)震儀系統(tǒng)抗干擾算法本質(zhì)上屬于一種學(xué)習(xí)、推薦行為，其在算法框架上屬于AdaBoost法，算法計(jì)算核心是決策樹算法。強(qiáng)震儀抗干擾算法在進(jìn)入主要計(jì)算階段之前必須采用一定的數(shù)據(jù)預(yù)處理手段進(jìn)行異常點(diǎn)剔除、基線校正、濾波處理，然后進(jìn)行相應(yīng)地初始化操作，設(shè)定弱分類器個(gè)數(shù)(迭代次數(shù))；經(jīng)過k次訓(xùn)練集權(quán)值分布的循環(huán)迭代，持續(xù)降低分類錯(cuò)誤率，得到最終的強(qiáng)分類器，從而提高干擾信號(hào)的識(shí)別精度(算法流程圖如圖1)。

圖1 強(qiáng)震動(dòng)數(shù)據(jù)抗干擾算法流程

2 實(shí)驗(yàn)結(jié)果與分析

本次實(shí)驗(yàn)采用國家強(qiáng)震動(dòng)臺(tái)網(wǎng)中心(www.csmnc.net)和中國地震局工程力學(xué)研究所的天然強(qiáng)震動(dòng)記錄與人工干擾數(shù)據(jù)來測試本文提出的方法。天然地震動(dòng)記錄包括：汶川地震、蘆山地震、集集地震等，人工干擾記錄包括：采石爆破、儀器電磁干擾、重型機(jī)械作業(yè)、列車行駛等。為了充分了解AdaBoost方法的優(yōu)勢，將決策樹算法的數(shù)據(jù)抗干擾結(jié)果與AdaBoost方法進(jìn)行對比，并按照實(shí)際訓(xùn)練樣本占比10%、20%、40%、60%、80%，對兩者的算法抗干擾準(zhǔn)確率進(jìn)行對比分析。

基于單純決策樹原理的強(qiáng)震動(dòng)數(shù)據(jù)抗干擾算法識(shí)別結(jié)果如表3所示，其中決策樹方法的分支類型為CART。決策樹方法的抗干擾結(jié)果準(zhǔn)確率總體與實(shí)際訓(xùn)練樣本量的比例呈正相關(guān)：隨著訓(xùn)練比例的增大，識(shí)別錯(cuò)誤數(shù)有所減小，識(shí)別準(zhǔn)確率逐漸提高，最終接近98%。但是，當(dāng)訓(xùn)練樣本比例低于40%時(shí)，識(shí)別準(zhǔn)確性不太理想，小于90%，這也符合決策樹算法易過擬合的特點(diǎn)。因此，基于單純決策樹的強(qiáng)震動(dòng)數(shù)據(jù)抗干擾方法識(shí)別效果基本取決于決策樹算法的關(guān)鍵參數(shù)，對實(shí)際樣本訓(xùn)練比例較為敏感。在針對超大數(shù)據(jù)量的應(yīng)用環(huán)境中，算法性能較差，應(yīng)用價(jià)值值得商榷。

表3 基于決策樹原理的強(qiáng)震動(dòng)數(shù)據(jù)抗干擾算法識(shí)別結(jié)果

由圖2，該決策樹將ZY(卓越頻率)、Sym(波形對稱性)、End(事件結(jié)束否)等3個(gè)參數(shù)作為決策特征參數(shù)，并沒有將最大增長速度最大增長速度(speed)與峰值數(shù)(ptotal)等參量作為決策特征參數(shù)，是因?yàn)槟承┐蟮卣鸬乃矔r(shí)速度增長與人工爆破等事件的結(jié)果相近，同時(shí)天然地震動(dòng)的波形早期特征與人工事件可能相似，較為稀疏、不規(guī)則。

圖2 基于決策樹原理得到的決策樹

基于AdaBoost的強(qiáng)震動(dòng)數(shù)據(jù)抗干擾算法識(shí)別結(jié)果如表4所示，其中弱學(xué)習(xí)器為CART決策樹?？垢蓴_準(zhǔn)確率總體與實(shí)際訓(xùn)練樣本量的比例沒有明顯的關(guān)聯(lián)：訓(xùn)練比例依次從10%到80%，該算法的識(shí)別準(zhǔn)確率整體都在90%以上；識(shí)別結(jié)果與訓(xùn)練比例相關(guān)性不大，具有較強(qiáng)的魯棒性與適應(yīng)性。在數(shù)據(jù)量不確定或極大、極小的實(shí)際應(yīng)用環(huán)境中，該算法都有一定的識(shí)別準(zhǔn)確性保證，具有較好的實(shí)際應(yīng)用價(jià)值。

表4 基于AdaBoost的強(qiáng)震動(dòng)數(shù)據(jù)抗干擾算法識(shí)別結(jié)果

由圖3、圖4可知，采用80%訓(xùn)練比例的AdaBoost法進(jìn)行異常數(shù)據(jù)識(shí)別時(shí)，算法不斷通過學(xué)習(xí)強(qiáng)化自身，并在第14次循環(huán)訓(xùn)練后完成訓(xùn)練目標(biāo)，即通過14次弱學(xué)習(xí)器的強(qiáng)化學(xué)習(xí)得到一個(gè)強(qiáng)學(xué)習(xí)器(圖3)，該學(xué)習(xí)器將Sym(波形對稱度)作為決策特征參數(shù)，識(shí)別誤差率為0，而波形對稱性確實(shí)反映了天然地震動(dòng)事件與人工干擾事件的波形特征差異，Sym較大時(shí)，天然地震動(dòng)的可能性也較大，反之，人工干擾事件的可能性就較大。

圖3 基于AdaBoost原理得到的最終決策樹

圖4 80%訓(xùn)練量的AdaBoost算法訓(xùn)練過程誤差變化

3 結(jié)論

本文采用AdaBoost技術(shù)、決策樹學(xué)習(xí)器及集成機(jī)器學(xué)習(xí)理念設(shè)計(jì)一種新的強(qiáng)震動(dòng)數(shù)據(jù)抗干擾算法，可有效識(shí)別、區(qū)分地震動(dòng)事件與其它干擾事件，相對基于單純決策樹的強(qiáng)震儀抗干擾算法，識(shí)別準(zhǔn)確度有了一定提高，算法穩(wěn)健性更好，對強(qiáng)震儀的智能化發(fā)展與推廣應(yīng)用具有一定的積極意義。

致謝：感謝國家強(qiáng)震動(dòng)臺(tái)網(wǎng)中心、國家地震科學(xué)數(shù)據(jù)共享中心、中國地震局工程力學(xué)研究所提供了大量的強(qiáng)震記錄和實(shí)驗(yàn)數(shù)據(jù)。