蔡杏輝，廖詩(shī)榮，張燕明，陳惠芳，林彬華

（福建省地震局，福州 350003）

0 引言

地震事件類型分類是地震監(jiān)測(cè)的必要工作，信息的迅速可靠對(duì)地方政府和公眾至關(guān)重要。目前我國(guó)非天然地震的判別與分析主要靠人工進(jìn)行，響應(yīng)速度慢。雖然非天然地震事件直接破壞性普遍不大，但仍有一定數(shù)量的事件對(duì)社會(huì)產(chǎn)生重大影響，如2015年8月天津港爆炸，分別記錄到ML2.3級(jí)與ML2.9級(jí)兩次非天然地震，2019年3月江蘇響水爆炸，記錄到ML2.2級(jí)非天然地震等，這些突發(fā)事件對(duì)地震部門快速應(yīng)急響應(yīng)提出了新要求，非天然地震進(jìn)行準(zhǔn)實(shí)時(shí)處理，自動(dòng)判定事件類型，建立規(guī)范化、標(biāo)準(zhǔn)化、自動(dòng)化處理流程，可為政府的快速應(yīng)急響應(yīng)提供技術(shù)支撐。此外，由于事件波形復(fù)雜性，不能完全剔除非天然地震事件，會(huì)影響地震目錄產(chǎn)出質(zhì)量，導(dǎo)致天然地震活動(dòng)性估計(jì)不準(zhǔn)確，對(duì)疑似事件準(zhǔn)確定性可提高地震編目產(chǎn)出質(zhì)量和工作效率。

目前，已有許多學(xué)者對(duì)天然及非天然地震的識(shí)別進(jìn)行研究，并取得相關(guān)研究成果。如BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、矩陣決策算法等方法被運(yùn)用于天然地震與非天然地震自動(dòng)識(shí)別分類[1-6]。支持向量機(jī)（SVM）是人工智能算法的一個(gè)重要分支，是一類按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，在人像識(shí)別、文本分類、模式識(shí)別等許多領(lǐng)域中得到應(yīng)用[7]。已有研究者將支持向量機(jī)技術(shù)應(yīng)用到地震事件類型的分類識(shí)別研究。國(guó)內(nèi)，研究者[2，3，5]利用波形小波特征，采用支持向量機(jī)對(duì)地震和爆破事件進(jìn)行識(shí)別。國(guó)外，Kortstrom等（2016）[7]提出了一種基于支持向量機(jī)的事件全自動(dòng)分類方法，該方法通過(guò)SVM學(xué)習(xí)天然地震和人工地震在P、P波尾波、S、S波尾波等地震記錄不同部分能量分布的差異來(lái)進(jìn)行事件類型判別。Rabin（2016）[8]應(yīng)用機(jī)器學(xué)習(xí)算法中的擴(kuò)散圖方法，將地震圖轉(zhuǎn)換為標(biāo)準(zhǔn)化的超聲波圖，進(jìn)行天然地震事件與核爆事件的自動(dòng)識(shí)別。Saad等（2019）[9]采用小波濾波器組聯(lián)合支持向量機(jī)提出了天然地震事件與采石場(chǎng)人工爆破事件的自動(dòng)分類算法。研究結(jié)果表明，支持向量機(jī)用于事件分類具有很好的效果。

應(yīng)用于事件自動(dòng)識(shí)別的算法主要有神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，支持向量機(jī)在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問(wèn)題中[10]。BP神經(jīng)網(wǎng)絡(luò)是包含多個(gè)隱含層的網(wǎng)絡(luò)，具備處理線性不可分問(wèn)題的能力，但BP神經(jīng)網(wǎng)絡(luò)也存在主要缺陷學(xué)習(xí)速度慢及容易陷入局部極小值；算法特點(diǎn)上支持向量機(jī)在樣本一定的情況下運(yùn)算量比BP要小，判識(shí)結(jié)果產(chǎn)出快；CNN卷積神經(jīng)是深度學(xué)習(xí)的代表算法之一，其無(wú)需人為提取特定特征信息，但運(yùn)算量大：非天然地震塌陷、礦震、滑坡為小樣本事件，福建臺(tái)網(wǎng)對(duì)塌陷、礦震等特殊地震動(dòng)鮮有記錄到；基于以上原因，因此本研究采用支持向量機(jī)作為自動(dòng)識(shí)別分類器。本研究，在前人基礎(chǔ)上充分利用福建臺(tái)網(wǎng)記錄的非天然地震、地震數(shù)字波形資料，采用波形能量分布、P/S振幅比、小波分析等多種方法，開(kāi)展基于支持向量機(jī)事件類型自動(dòng)識(shí)別研究及軟件模塊研發(fā)，以期提高地震事件類型識(shí)別的準(zhǔn)確率和應(yīng)用區(qū)域的廣泛性。研發(fā)可在地震臺(tái)網(wǎng)實(shí)時(shí)運(yùn)行的軟件模塊，提高人工編目的效率和質(zhì)量，實(shí)現(xiàn)地震事件類型產(chǎn)出自動(dòng)化、智能化處理，為政府的快速應(yīng)急響應(yīng)提供技術(shù)支撐。

1 識(shí)別算法及基本原理

1.1 支持向量機(jī)原理

支持向量機(jī)方法的基本思想是：定義最優(yōu)線性超平面，并把尋找最優(yōu)線性超平面的算法歸結(jié)為求解一個(gè)凸規(guī)劃問(wèn)題。進(jìn)而基于核函數(shù)展開(kāi)定理，通過(guò)非線性映射φ，把樣本空間映射到一個(gè)高維乃至于無(wú)窮維的特征空間，使在特征空間中可以應(yīng)用線性學(xué)習(xí)機(jī)的方法解決樣本空間中的高度非線性分類和回歸等問(wèn)題[11]。簡(jiǎn)單地說(shuō)就是升維和線性化。常見(jiàn)的核函數(shù)有多項(xiàng)式核、徑向基函數(shù)核、拉普拉斯、Sigmoid核?；赗BF核可將樣本空間映射至無(wú)限維空間的考慮，采用徑向基函數(shù)核作為支持向量機(jī)核函數(shù)，徑向基函數(shù)核有兩個(gè)參數(shù)C和gamma。經(jīng)過(guò)嘗試多個(gè)C和gamma配對(duì)組合，采用C為100，gamma為0.49效果較好。對(duì)于測(cè)試樣本，將提取的特征向量聯(lián)合支持向量機(jī)構(gòu)建自動(dòng)識(shí)別算法，依其輸出值a判定該事件的類型，判定標(biāo)準(zhǔn)為：當(dāng)a=1，判定為天然地震，當(dāng)a=0，判定為人工爆破（非天然地震事件）。

本文所應(yīng)用的支持向量機(jī)算法（v-SVC）[12]：

（2）選取適當(dāng)?shù)暮撕瘮?shù)：K（xi，yj）和參數(shù)υ，構(gòu)造并求解最優(yōu)化問(wèn)題。

得最優(yōu)解a*=（a*1，…，a*m）T。

（4）構(gòu)造決策函數(shù)

1.2 分類識(shí)別器設(shè)計(jì)

自動(dòng)識(shí)別系統(tǒng)關(guān)鍵算法有兩個(gè)模塊：一為特征提取模塊，從數(shù)據(jù)中提取出識(shí)別所需特征；其二為識(shí)別判定模塊，在特征空間中用模式識(shí)別方法把識(shí)別對(duì)象歸為某一類別。在對(duì)事件類型的分類識(shí)別中，如何提取有效的識(shí)別特征是識(shí)別的關(guān)鍵。P/S振幅比是研究最為深入的一個(gè)判別量，在地震與爆破識(shí)別中效果較好；小波分析算法被廣泛應(yīng)用于識(shí)別研究；Kortstrom（2016）[13]方法是將地震信號(hào)通過(guò)數(shù)據(jù)處理，轉(zhuǎn)換成“數(shù)值譜圖”，在事件分類識(shí)別上取得了較好的效果。本文采用P/S振幅比、小波分析、波形能量分布特征等多種特征組合聯(lián)合支持向量機(jī)（SVM）進(jìn)行事件類型判定。對(duì)多種特征組合進(jìn)行測(cè)試，得出識(shí)別效果較好的分類識(shí)別器。圖1為分類識(shí)別器（SVM）設(shè)計(jì)示意圖。

圖1 分類識(shí)別器設(shè)計(jì)示意圖Fig.1 Schematic diagram of classification recognizer design

1.3 小波分析

一維離散小波變換（DWT）能量比特征：

若S為原始信號(hào)，其長(zhǎng)度為J，信號(hào)采樣點(diǎn)序號(hào)為j，Si為信號(hào)S分解后的第i個(gè)小波系數(shù)，其長(zhǎng)度為K，k為其樣點(diǎn)序號(hào)，則小波系數(shù)的能量比（Ewt）按（1）式定義[3]。

小波包變換（WPT）小波包對(duì)數(shù)能量熵特征：

若S為原始信號(hào)，對(duì)它進(jìn)行n層小波包分解后，得到第n層的小波包系數(shù)總共為N個(gè)。Si為信號(hào)S分解后的第i個(gè)小波的系數(shù)，其長(zhǎng)度為J，小波系數(shù)的結(jié)點(diǎn)序號(hào)為j，則從第i個(gè)小波的系數(shù)中提取出小波包對(duì)數(shù)能量熵（Elg）特征按下式定義[3]。

1.4 波形能量分布

采用20個(gè)窄帶通道過(guò)濾器過(guò)濾地震記錄（濾波器為零相位二階巴特沃斯濾波器，頻帶1~41 Hz），并將事件波形分為四個(gè)階段的窗口：P和P coda，S和S coda。然后，計(jì)算了每個(gè)濾波器通道和相位窗口的短期平均（STA）值，共80個(gè)判別參數(shù)[7]。

短期平均（STA）值計(jì)算公式：

其中N為樣本中STA窗口的長(zhǎng)度，yi為第i個(gè)樣本經(jīng)過(guò)過(guò)濾的時(shí)間序列y。

2 數(shù)據(jù)資料及特征組合方式

2.1 數(shù)據(jù)資料

為使研究成果能應(yīng)用于臺(tái)網(wǎng)日常監(jiān)測(cè)與編目工作，需使學(xué)習(xí)樣本泛化能力強(qiáng)。采用福建臺(tái)網(wǎng)2016年1月至2019年6月所有觸發(fā)事件，不進(jìn)行震中區(qū)域、臺(tái)站、震級(jí)的劃分，事件數(shù)6570個(gè)，事件震級(jí)范圍ML1.1～4.0，包括極低震級(jí)單臺(tái)事件，每個(gè)事件各提取出一個(gè)單臺(tái)波形記錄（Δ＜100 km），訓(xùn)練集和測(cè)試集按約50%：50%的比例，隨機(jī)將6570個(gè)事件中的3253個(gè)事件作為訓(xùn)練集，其余3317個(gè)事件作為測(cè)試集。訓(xùn)練集907個(gè)為天然地震記錄，另2346個(gè)為人工爆破記錄；測(cè)試集2054個(gè)為天然地震記錄，另1263個(gè)為人工爆破記錄。

2.2 特征提取及組合方式

對(duì)信號(hào)特征提取并截取有效波形，首先要確定P到時(shí)，對(duì)離線數(shù)據(jù)識(shí)別訓(xùn)練和測(cè)試，直接從Jopens震相數(shù)據(jù)表中獲取臺(tái)站震相P到時(shí)數(shù)據(jù)；處理波形窗長(zhǎng)選擇，選取P波到時(shí)前0.5 s至P波到時(shí)后19.5 s，共20 s的單臺(tái)Z分向和三分向事件波形（需包含完整的P與S波列）進(jìn)行處理。

P/S振幅比特征的提?。盒盘?hào)的S波和P波最大振幅比是天然地震和人工爆破波形信號(hào)中的一個(gè)重要特征，Colin等[14]研究表明6～8 Hz和8～10 Hz的濾波頻帶對(duì)爆破的識(shí)別效果較好，因此采用一階Butterworth對(duì)原始波形進(jìn)行濾波，共選取3個(gè)濾波頻帶，分別為6.0～8.0、8.0～10.0、6.0～10.0，分別量取P與S波列的最大值，獲取3個(gè)P/S振幅比特征值。小波特征的提?。簩?duì)信號(hào)進(jìn)行4層小波及小波包分解。對(duì)小波分解得到小波系數(shù)利用公式（1）提取出小波能量比（Ewt）特征組成5維特征向量；對(duì)第4層的16個(gè)波包系數(shù)利用公式（2）提取小波包對(duì)數(shù)能量熵波形特征（Elg）分別組成16維特征向量。波形能量分布特征的提?。菏录ㄐ嗡膫€(gè)階段的窗口，通過(guò)20個(gè)窄帶通道過(guò)濾器濾波，利用公式（3）計(jì)算短期平均（STA）值，獲得80個(gè)特征值。

將提取的特征進(jìn)行組合，在特征組合方式選取上，采用以下3種組合方式：①P/S振幅比+小波包對(duì)數(shù)能量熵；②P/S振幅比+小波能量比+小波包對(duì)數(shù)能量熵；③P/S振幅比+小波包對(duì)數(shù)能量熵+波形能量分布（P，P code，S，S code）。分別組成19維、24維、99維特征向量，利用支持向量機(jī)檢驗(yàn)各特征組合的分類能力。

3 識(shí)別能力檢驗(yàn)及分析

3.1 各特征組合訓(xùn)練及測(cè)試結(jié)果

將測(cè)試集記錄用上述方法進(jìn)行特征提取并組合，用對(duì)應(yīng)特征組合訓(xùn)練得到的支持向量機(jī)進(jìn)行地震事件類型分類，檢驗(yàn)各特征組合的分類能力。測(cè)試數(shù)據(jù)輸入采用單臺(tái)Z分向和三分向數(shù)據(jù)作為輸入，首先采用單臺(tái)Z分向數(shù)據(jù)測(cè)試各個(gè)特征組合分類效果，獲得分類效果最好的特征組合，其次對(duì)該特征組合采用單臺(tái)三分向數(shù)據(jù)測(cè)試分類效果，對(duì)比不同數(shù)據(jù)的輸入方式對(duì)分類效果的影響。訓(xùn)練及測(cè)試結(jié)果見(jiàn)表1。

表1 各特征組合對(duì)訓(xùn)練集及測(cè)試集的分類效果Table 1 Classification effect of each feature combination on training set and test set

由表1結(jié)果可知，3種特征組合訓(xùn)練集和測(cè)試集準(zhǔn)確率達(dá)到80%以上，說(shuō)明選用的特征指標(biāo)可對(duì)事件進(jìn)行有效分類，有效特征進(jìn)行組合有助于識(shí)別率的提高；其中P/S振幅比+小波包對(duì)數(shù)能量熵+波形能量分布特征組合的識(shí)別率最高，自驗(yàn)證準(zhǔn)確率達(dá)到96.8%，分類準(zhǔn)確率達(dá)到91.3%；對(duì)該特征組合采用單臺(tái)三分向數(shù)據(jù)輸入，自驗(yàn)證準(zhǔn)確率達(dá)到98.3%，分類準(zhǔn)確率達(dá)到94.5%，分類識(shí)別率比單臺(tái)單通道輸入提高了3.2%。

3.2 本文最優(yōu)算法性能評(píng)估及事件實(shí)列

表2給出了本文最優(yōu)算法性能評(píng)估指標(biāo)結(jié)果，結(jié)果表明，靈敏度和特異度比較均衡，精確率達(dá)到96.0%，說(shuō)明算法比較好，對(duì)地震和爆破多數(shù)都能有效識(shí)別；靈敏度稍高于特異度，說(shuō)明對(duì)地震識(shí)別效果好于爆破；該算法對(duì)地震分類的判別準(zhǔn)確率為95.5%，對(duì)爆破分類的判別準(zhǔn)確率為93.4%。算法測(cè)試3308個(gè)事件，共消耗的時(shí)間8270 s，平均每個(gè)事件全流程產(chǎn)出結(jié)果需耗時(shí)2.5 s；測(cè)試環(huán)境：使用英特爾處理器核心E5-26090@2.40 GHz，內(nèi)存8 GB，windows 10，64位操作系統(tǒng)。

表2 本文最優(yōu)算法性能評(píng)估指標(biāo)Table 2 The performance evaluation index of optimal algorithm given in this paper

圖2、3分別是福建仙游爆破正確和錯(cuò)誤識(shí)別事件仙游西苑臺(tái)波形，表3是其波形特征計(jì)算參數(shù)，每個(gè)事件有99個(gè)計(jì)算參數(shù)。采用同一類型事件同一臺(tái)站對(duì)正確和錯(cuò)誤識(shí)別事件波形特征計(jì)算參數(shù)進(jìn)行對(duì)比更具有可比性，對(duì)比發(fā)現(xiàn)特征序列的部分特征值存在較大的差別；對(duì)兩者波形進(jìn)行對(duì)比，錯(cuò)誤識(shí)別事件波形背景噪聲較大，可能事件波形背景噪聲較大對(duì)特征計(jì)算參數(shù)結(jié)果有影響，導(dǎo)致事件錯(cuò)誤識(shí)別。

圖2 福建仙游爆破正確識(shí)別事件波形（2020-05-07）Fig.2 The waveform of the correct identification of the blasting event in Xianyou，F(xiàn)ujian

表3 最優(yōu)算法正確和錯(cuò)誤事件波形特征計(jì)算參數(shù)Table 3 The optimal algorithm calculates the parameters of the characteristic of the correct and wrong event waveform

圖3 福建仙游爆破錯(cuò)誤識(shí)別事件波形（2019-05-24）Fig.3 The waveform of the misidentification of the blasting event in Xianyou，F(xiàn)ujian

圖4、圖5為本文最優(yōu)算法正確和錯(cuò)誤識(shí)別事件震中分布圖，正確識(shí)別的事件中共有1962個(gè)地震和1180個(gè)爆破事件；錯(cuò)誤識(shí)別的事件中共有92個(gè)地震和83個(gè)爆破事件；爆破錯(cuò)識(shí)率高于地震錯(cuò)識(shí)率，分析錯(cuò)誤識(shí)別的事件波形，發(fā)現(xiàn)個(gè)別事件波形背景噪聲大和波形零漂的情況；錯(cuò)誤識(shí)別的爆破事件分布較為分散，錯(cuò)誤識(shí)別的地震事件則主要集中在臺(tái)灣海峽區(qū)域，占錯(cuò)誤識(shí)別的地震事件總數(shù)51%，本文研究訓(xùn)練集未將臺(tái)灣海峽地震作為訓(xùn)練樣本，說(shuō)明學(xué)習(xí)樣本覆蓋，對(duì)識(shí)別效果存在影響；通過(guò)圖4、圖5比較，錯(cuò)誤識(shí)別的爆破和地震均有與正確識(shí)別的爆破和地震位置重疊，反映了算法模型具有一定程度的不一致性。

圖4 正確識(shí)別事件震中分布圖Fig.4 Epicentral distribution of correct identification events

圖5 錯(cuò)誤識(shí)別事件震中分布圖Fig.5 Epicentral distribution of misidentified events

4 自動(dòng)識(shí)別模塊研制及應(yīng)用

選擇本文最優(yōu)算法研發(fā)自動(dòng)識(shí)別模塊，自動(dòng)識(shí)別模塊的研發(fā)采用Python語(yǔ)言編程實(shí)現(xiàn)，采用obspy庫(kù)進(jìn)行地震數(shù)據(jù)處理和分析。模塊的實(shí)現(xiàn)還需要應(yīng)用到關(guān)鍵的第三方庫(kù)有PyMysql、redis、stomp。自動(dòng)識(shí)別模塊有日常人工編目應(yīng)用和與自動(dòng)編目系統(tǒng)對(duì)接的在線應(yīng)用。福建臺(tái)網(wǎng)區(qū)域自動(dòng)地震編目系統(tǒng)已投入測(cè)試運(yùn)行，初步具備多臺(tái)觸發(fā)地震事件的自動(dòng)編目能力，自動(dòng)識(shí)別模塊作為自動(dòng)地震編目系統(tǒng)子功能模塊，需研發(fā)與自動(dòng)編目系統(tǒng)的接口，實(shí)現(xiàn)本臺(tái)網(wǎng)事件類型自動(dòng)識(shí)別日?；瘧?yīng)用。

4．1 自動(dòng)識(shí)別模塊人工編目應(yīng)用

4.1.1 實(shí)現(xiàn)方法

事件自動(dòng)導(dǎo)入，將前一天Jopens數(shù)據(jù)庫(kù)觸發(fā)波形事件（00~24 h）自動(dòng)導(dǎo)入指定文件夾；自動(dòng)識(shí)別模塊定時(shí)自啟動(dòng)，讀入指定文件夾中事件波形，從震相數(shù)據(jù)表中獲取臺(tái)站震相P到時(shí)，截取有效波形，經(jīng)特征值提取步驟，進(jìn)行事件類型判斷，并與數(shù)據(jù)庫(kù)人工分析結(jié)果對(duì)比，產(chǎn)出類型不一致結(jié)果報(bào)表文件。軟件流程自動(dòng)化完成，無(wú)需人為操作。圖6為自動(dòng)識(shí)別模塊人工編目應(yīng)用技術(shù)路線圖。

圖6 自動(dòng)識(shí)別模塊人工編目應(yīng)用技術(shù)路線圖Fig.6 Technical roadmap for manual cataloging application of automatic identification module

4.1.2 人工編目應(yīng)用

事件類型自動(dòng)識(shí)別模塊已應(yīng)用于人工編目，軟件自動(dòng)對(duì)每天產(chǎn)出觸發(fā)事件進(jìn)行檢測(cè)，產(chǎn)出報(bào)表文件供編目分析人員參考，極大減小人工識(shí)別事件類型的誤判；軟件運(yùn)行以來(lái)，檢測(cè)出多個(gè)人工編目誤判事件及對(duì)可疑事件性質(zhì)進(jìn)行判識(shí)。2019年8月1日至2020年2月29日，福建臺(tái)網(wǎng)共實(shí)時(shí)觸發(fā)1531個(gè)事件，事件震級(jí)范圍ML1.0~3.3，其中天然地震911個(gè)、爆破事件620個(gè)。從檢測(cè)結(jié)果來(lái)看，事件類型識(shí)別準(zhǔn)確率為93.9%，實(shí)際應(yīng)用識(shí)別準(zhǔn)確率接近測(cè)試集的測(cè)試準(zhǔn)確率，共檢測(cè)出8個(gè)事件類型人工識(shí)別錯(cuò)誤，錯(cuò)誤提交數(shù)據(jù)庫(kù)；其中天然地震的識(shí)別準(zhǔn)確率為95.7%，錯(cuò)誤識(shí)別的地震事件中有20個(gè)為臺(tái)灣海峽地震，占地震錯(cuò)識(shí)總數(shù)51.3%，有3個(gè)為人工難以判識(shí)別事件，事件波形與爆破極為相似；2019年9月26日至27日共發(fā)生仙游小震群共152個(gè)地震事件，對(duì)該仙游小震群識(shí)別準(zhǔn)確率達(dá)到100%；爆破的識(shí)別準(zhǔn)確率為92.1%，錯(cuò)誤識(shí)別的爆破事件中有2個(gè)信噪比低；地震識(shí)別效果優(yōu)于爆破，與測(cè)試集的測(cè)試結(jié)果一致。表4為福建臺(tái)網(wǎng)2019年8月至2020年2月實(shí)時(shí)觸發(fā)事件識(shí)別情況統(tǒng)計(jì)表。

表4 2019-08-01—2020-02-29福建臺(tái)網(wǎng)實(shí)時(shí)觸發(fā)事件識(shí)別情況統(tǒng)計(jì)表Table 4 Statistical table of real-time triggered events recognition in Fujian Network from August 1st，2019 to February 29th，2020

4.2 自動(dòng)識(shí)別模塊自動(dòng)編目在線應(yīng)用

4.2.1 實(shí)現(xiàn)方法

AMQ消息中間件是Apache出品，最流行的，能力強(qiáng)勁的開(kāi)源消息總線。AMQ的消息傳遞模式有二種，一種為點(diǎn)對(duì)點(diǎn)模式，另一種為發(fā)布/訂閱模式[10]；自動(dòng)識(shí)別模塊與自動(dòng)編目接口開(kāi)發(fā)應(yīng)用第二種模式。redis是完全開(kāi)源免費(fèi)的，遵守BSD協(xié)議，是一個(gè)高性能的key-value數(shù)據(jù)庫(kù)[15]。采用AMQ消息中間件為信息中介（需下載安裝AMQ并啟動(dòng)AMQ服務(wù)），redis波形共享內(nèi)存中獲取事件波形，研發(fā)了自動(dòng)識(shí)別模塊與自動(dòng)編目系統(tǒng)接口，將自動(dòng)識(shí)別模塊嵌入自動(dòng)編目系統(tǒng)。具體流程：從消息中間件接收事件參數(shù)信息，獲取目標(biāo)地震記錄的開(kāi)始與結(jié)束信息，從redis波形共享內(nèi)存中獲取事件波形，經(jīng)過(guò)數(shù)據(jù)預(yù)處理、特征值提取等步驟，進(jìn)行事件類型判斷；產(chǎn)出的事件類型信息，通過(guò)消息中間與其他軟件模塊共享。圖7為自動(dòng)識(shí)別模塊與自動(dòng)編目接口技術(shù)路線圖。

圖7 自動(dòng)識(shí)別模塊與自動(dòng)編目接口技術(shù)路線圖Fig.7 Technical roadmap of interface between automatic identification module and automatic cataloging

4.2.2 在線應(yīng)用

目前自動(dòng)識(shí)別模塊已具備在線運(yùn)行的能力，初步實(shí)現(xiàn)事件類型的實(shí)時(shí)全自動(dòng)判別。2019年11月至2020年3月已在線試驗(yàn)運(yùn)行5個(gè)月，其間檢測(cè)出多個(gè)人工編目漏分析地震事件，提高目錄完整性。對(duì)自動(dòng)識(shí)別在線系統(tǒng)7×24運(yùn)行穩(wěn)定性，進(jìn)行不間斷測(cè)試，系統(tǒng)未出現(xiàn)死機(jī)、進(jìn)程中斷現(xiàn)象，測(cè)試運(yùn)行性能穩(wěn)定良好，功能和性能達(dá)到預(yù)期設(shè)計(jì)，驗(yàn)證了自動(dòng)識(shí)別模塊實(shí)用性和穩(wěn)定性。

5 討論和結(jié)論

（1）本文通過(guò)對(duì)多種特征組合聯(lián)合支持向量機(jī)進(jìn)行大批量事件類型測(cè)試分析，結(jié)果顯示特征指標(biāo)可對(duì)事件進(jìn)行有效分類；據(jù)此得出識(shí)別效果較好的事件類型識(shí)別算法，事件類型識(shí)別準(zhǔn)確率達(dá)到94.5%，靈敏度和特異度比較均衡，靈敏度和特異度均達(dá)到93%以上，對(duì)多數(shù)地震和爆破都能有效識(shí)別，極低震級(jí)單臺(tái)事件也能較好的分類，判識(shí)結(jié)果產(chǎn)出快，單個(gè)事件全流程識(shí)別僅需耗時(shí)2.5 s。

（2）算法數(shù)據(jù)輸入采用單臺(tái)Z分向和三分向數(shù)據(jù)作為輸入；采用同樣特征組合，三分向數(shù)據(jù)識(shí)別效果優(yōu)于單分向；可能的解釋是更多輸入數(shù)據(jù)對(duì)于支持向量機(jī)的輸入?yún)?shù)約束更好。此外，事件類型自動(dòng)識(shí)別研究，訓(xùn)練集中含有識(shí)別錯(cuò)誤的事件也可能影響支持向量機(jī)分類性能；通常情況下，區(qū)域臺(tái)網(wǎng)地震目錄很少是100%正確；在對(duì)訓(xùn)練集自驗(yàn)證，最初訓(xùn)練支持向量機(jī)已能準(zhǔn)確識(shí)別出人工編目錯(cuò)誤識(shí)別事件，其中地震訓(xùn)練集中有3個(gè)錯(cuò)誤識(shí)別事件，人工爆破中有8個(gè)錯(cuò)誤識(shí)別事件；在最終測(cè)試前，對(duì)此數(shù)據(jù)進(jìn)行剔除。

（3）采用本文研究最優(yōu)算法聯(lián)合支持向量機(jī)研制事件類型自動(dòng)識(shí)別模塊，日常人工編目實(shí)際應(yīng)用效果顯示，識(shí)別準(zhǔn)確率達(dá)到93.9%，可檢測(cè)出人工識(shí)別錯(cuò)誤事件，減少日常編目工作量和錯(cuò)誤率。另外，實(shí)現(xiàn)與自動(dòng)編目系統(tǒng)對(duì)接的在線自動(dòng)識(shí)別系統(tǒng)接口，在線自動(dòng)識(shí)別系統(tǒng)測(cè)試運(yùn)行性能穩(wěn)定良好，檢測(cè)出多個(gè)人工漏分析地震事件，自動(dòng)識(shí)別模塊具有實(shí)用性和穩(wěn)定性。

在后期工作中，增加其他區(qū)域事件進(jìn)行完善和優(yōu)化學(xué)習(xí)樣本，并改進(jìn)算法提高系統(tǒng)的泛化能力，自動(dòng)識(shí)別模塊將會(huì)更具有普適性，實(shí)現(xiàn)事件類型識(shí)別的多樣性，塌陷、礦震、滑破等，可期應(yīng)用于其他區(qū)域事件類型自動(dòng)判別。