基于多尺度排列熵的低信噪比微震事件辨识方法
【专利摘要】本发明公开了一种基于多尺度排列熵的低信噪比微震事件辨识方法，它是在计算机上实现的，首先将采集的微震数据进行处理转换为时间序列数据，然后粗粒化时间序列得到多尺度时间序列，计算多尺度时间序列排列熵；基于多尺度排列熵训练最小二乘支持向量机，最后利用训练好的LS?SVM对待判别信号进行辨识。本发明将多尺度和排列熵结合应用于微震信号可以更加有效地分析信号特征，准确表达微震信号多个维度的波形特征，有利于区分微震事件及噪声事件。应用多尺度排列熵分别提取微震信号及噪声信号的特征数据，使用LS?SVM对特征数据进行训练，得到LS?SVM向量机，实现了对低信噪比微震事件及噪声事件的准确分类。
【专利说明】
基于多尺度排列滴的低信噪比微震事件辨识方法
技术领域
[0001] 本发明设及一种低信噪比微震事件辨识方法，具体的说，是一种使用多尺度排列 赌表示微震波形特点，进而通过支持向量机判别该波形是否属于微震事件的方法，属于信 息处理技术领域。
【背景技术】
[0002] 在煤炭开采过程中，煤岩体受压破裂产生微地震信号，一次破裂产生的微地震信 号称为一个微震事件，收集尽可能多的微震事件并对其进行定位及能量计算，可W直观反 映围岩采动应力分布情况，进而掲示出应力场的时空演化规律，对冲击地压等煤岩动力灾 害进行灾变预警具有重要意义。一般而言，微震事件持续时间很短，单个微震事件仅有几十 毫秒，通常情况下数据采集现场的外部噪声干扰比较严重，有时甚至把微震事件淹没在噪 声中，因此如何在连续的信号采集过程中准确辨识出微震事件成为微震技术应用的关键环 -H- T。
[0003] STA/LTA(Sho;rt Time Average/Long Time Average)法是最为常用的微震事件识 别方法，该方法基于时间域信号能量变化构建特征函数，利用STA与LTA的比值识别震相初 至，该方法实现简单，运算速度快，但会把干扰信号误判为微震事件，算法抗噪性能较差； AIC(Akaike Information化ite;rion,AIC)法是另外一种常用的微震事件辨识方法，该法 依据微震波到达前后的波形数据统计差别，给出了判别震相初至的AIC准则，AIC函数在震 相初至到来时局部最小值峰值尖锐，准确度较高，但AIC函数受时窗影响较大，不同的时窗 下其最小值出现的位置也不一样，因此仅适用于已知震相初至的大致位置情形下；目前，微 震事件辨识主要是在上述算法软件的辅助下进行人工判断，处理数据的效率低，且辨识标 准不统一，极易出现误判。
【发明内容】
[0004] 针对前述方法的局限性，本发明将排列赌引入微震事件辨识领域，根据信号的特 点研究了尺度因子对排列赌的影响，给出了多尺度排列赌（Multi-scale Permutation 化化opy，MPE)的概念，提出了基于M阳的微震信号特征提取方法，并与最小二乘支持向量机 (Xeast Squares Support Vector Machine,LS-SVM)理论相结合，建立了低信噪比微震事 件辨识模型及方法。
[0005] 排列赌是衡量一维时间序列空间复杂度的平均赌参数，具有计算简单快捷、抗噪 声能力强等特点，是一种新的动力学突变检测方法，能够很好的反映一维信号时间序列的 微小变化，已在医学研究、故障诊断、信号处理等领域广泛应用，并已取得显著的应用效果。 为便于叙述，先给出排列赌的定义如下：
[0006] 对于单一时间序列{xi，i = l，2,…，n}，对其中的任意一个元素进行相空间重构， 得：
[0007] X(i) = [x(i) ,x(i+x) ,???,x(i+(m-l)x)], (I)
[0008] 式中m和T分别为嵌入维数和延迟时间。将X(i)的m个重构分量按照升序进行排列， 得：
[0009] x(i+( j广l)T)《x(i+( j2-l)T)《...《x(i+( . (2)
[0010]如果存在《（1 + (相-1)1)=《（1 +化2-1)1)，此时就按^'值大小来排序，即当相<相 时，有：
[0011] X(i + (ji 广 l)T)《X(i + (ji2-l)T)， (3)
[0012] 所W，任意一个向量X(i)都可W得到一组符号序列
[0013] P(l) = [ji, Jm]. (4)
[0014]式中1 = 1义…，q，且q《m!，m个不同的符号序列[ji, j2，'。，jm]共有m!种排列，符 号序列P(1)是其中的一种。如果每一种符号序列的出现的概率为Pi，P2，…，Pq,按照Shannon 信息赌的形式，时间序列x(i)的q种不同符号序列的排列赌可定义为：
[0015]
. (5)
[0016] 当Pj = l/m!时，Hp(m)达到最大值ln(m!)，将Hp(m)进行归一化处理，得
[0017] 0《Hp = Hp(m)/ln(m!)《l. (6)
[0018] 基于上述解释，本发明采用的技术方案如下：
[0019] -种基于多尺度排列赌的低信噪比微震事件辨识方法，其特征在于，它是在计算 机上实现的，具体包括W下步骤：
[0020] 步骤1:采集微震数据
[0021 ]在回采巷道布设拾震器，拾震器之间距离d = 50-200米，设置拾震器采集频率为 Ik化，使用光纤把各拾震器采集的微震信号传输到数据集中器后，数据集中器再把微震信 号发送给计算机进行处理；
[0022] 步骤2:计算机读取微震数据
[0023] 当微震产生时，触发拾震器记录微震信号，并将微震信号通过数据集中器传输给 计算机，计算机接收后转换为时间序列数据，记为时序序列Xn= {X1，X2,…，Xn }，取n介于 [2500,4500]之间，然后进入步骤3;
[0024] 步骤3:粗粒化时间序列Xn
[0025] 分别取尺度因子q = l，2,…，10,按照式(7)粗粒化时序序列Xn,则有：
[0026]
(7)
[0027] 式中，q为尺度因子，^为多尺度时间序列；
[0028] 步骤4:计算时序序列Xn的多尺度排列赌
[0029] 分别计算:e;'的=1，2，…，10)的排列赌，计算排列赌时取嵌入维数为4,延迟时间为 1，当尺度因子为q时微震信号Xn的排列赌可表示为：
[0030]
(8)
[0031] 则信号Xn的多尺度排列赌可记为：
[0032]
(9)
[0033] Hmpe是一个10维的向量，用来表达微震信号的特征；
[0034] 步骤5:基于多尺度排列赌训练最小二乘支持向量机
[0035] 选择100组微震信号及100组噪声信号，重复步骤2-4,分别计算运200组信号的多 尺度排列赌，分别标记100组微震信号的多尺度排列赌对应的判别结果为1，分别标记100组 噪声信号的多尺度排列赌对应的判别结果为0,构成样本数据集S，使用LS-SVM算法对样本 数据集S进行训练，训练LS-SVM时使用10-折交叉验证法确定正规化参数及核函数参数，得 到一个能够区分微震事件与噪声事件的支持向量机Sv;
[0036] 步骤6:利用训练好的LS-SVM对待判别信号进行辨识
[0037] 重复步骤2-4，计算待判别信号Yn= {yi，y2，…，yn}的多尺度排列赌，取n介于 [2500,4500]之间，得到一个10维的向量Hmpe,将Hmpe输入到支持向量机Sv中，得到支持向量 机输出值；
[0038] 当支持向量机输出值为0时，表示待判别信号Ym不是微震事件；
[0039] 当支持向量机输出值为1时，表示待判别信号Ym是微震事件。
[0040] 本发明的积极效果是:排列赌是衡量信号复杂度的平均赌参数，具有计算简单、抗 噪声能力强等特点，将多尺度和排列赌结合应用于微震信号可W更加有效地分析信号特 征，准确表达微震信号多个维度的波形特征，有利于区分微震事件及噪声事件。应用多尺度 排列赌分别提取微震信号及噪声信号的特征数据，使用LS-SVM对特征数据进行训练，得到 LS-SVM向量机，实现了对低信噪比微震事件及噪声事件的准确分类。
【附图说明】
[0041 ]附图1为本发明微震监测系统布置图；
[0042] 附图2为本发明中多尺度排列赌处理过程图；
[0043] 附图3为本发明中LS-SVM训练与判断过程图；
[0044] 附图4为本发明实施例中微震信号波形图；
[0045] 附图5为本发明实施例中待判别的信号波形图。
【具体实施方式】
[0046] 下面结合附图和具体实施例进一步说明本发明的技术方案。
[0047] 实施例，一种基于多尺度排列赌的低信噪比微震事件辨识方法，包括W下步骤：
[0048] 步骤1:按图1所示布置好微震监测系统，拾震器之间的距离d=100米，信号集中器 采集微震数据并传输给计算机。
[0049] 步骤2:计算机接收信号后转换为时间序列数据，记为时序序列，读取时序序列Xn = {xi,X2，。，，xn}，n = 3000,时序序列如图4所示，然后进入步骤3。
[0050] 步骤3:分别取q=l，2,…，10,按照式（7)计算得到10个时间序列，分别记为Xi, X2,... ,XlO。
[0051 ]步骤4:按照式(6)分别计算10个时间序列Xi，X2，…，XiQ的排列赌Hi，此，…，HiQ，计算 时，令嵌入维数m = 4,延迟时间为1，排列赌组成一个向量代表时序序列Xn的多尺度排列赌， 记为Hmpe= [Hi，此，…，出Q];时序序列Xn的多尺度排列赌为Hmpe= [0.8966,0.6788,0.4927， 0.3933,0.3309,0.2915,0.2574,0.2276,0.2063,0.1891];
[0化2] 上述步骤2-4的处理过程见图2。
[0053] 步骤5:选择200组信号，其中微震信号及噪声信号各100组，且每组信号的长度为 3000个采样点，按照步骤2-4分别对200组信号求取它们的多尺度排列赌，构成表1所示的样 本数据，应用LS-SVM对表1中数据进行训练，得到能够区分微震事件与噪声信号的支持向量 机Sv;
[0054] 表1样本数据
[00551
[0056] 注："结果"栏内1表示该信号是微震事件;0表示该信号为噪声。
[0057] 步骤6:对于待判别信号Yn= {yi，y2，'''，yn}，n = 3000,如图5所示，重复步骤2-4,计 算其多尺度排列赌 Hmpe= [0.9854,0.7625,0.5016,0.4102,0.3455,0.2816,0.2655， 0.2318,0.2234,0.179引，将其作为支持向量机Sv的输入，支持向量机Sv输出判别结果为0， 运表明待判别信号Yn不是微震事件。
[0化引上述步骤5-6的过程见图3.
[0059] W上所述为本发明最佳实施方式的举例，其中未详细述及的部分均为本领域普通 技术人员的公知常识。本发明的保护范围W权利要求的内容为准，任何基于本发明的技术 启示而进行的等效变换，也在本发明的保护范围之内。
【主权项】
1. 一种基于多尺度排列熵的低信噪比微震事件辨识方法，其特征在于，它是在计算机 上实现的，具体包括以下步骤： 步骤1:采集微震数据 在回采巷道布设拾震器，拾震器之间距离d = 50-200米，设置拾震器采集频率为1kHz， 使用光纤把各拾震器采集的微震信号传输到数据集中器后，数据集中器再把微震信号发送 给计算机进行处理； 步骤2:计算机读取微震数据 当微震产生时，触发拾震器记录微震信号，并将微震信号通过数据集中器传输给计算 机，计算机接收后转换为时间序列数据，记为时序序列Χη= {χι，X2，…，Xn}，取η介于[2500， 4500]之间，然后进入步骤3; 步骤3:粗粒化时间序列Χη 分别取尺度因子q = 1，2，….10,桉照下忒耜敕化时序序列Χπ, _有：式中，q为尺度因子，#为多尺度时间序列； 步骤4:计算时序序列乂"的多尺度排列熵 分别计算·^ (分=1，2,…，1 〇)的排列熵，计算排列熵时取嵌入维数为4，延迟时间为1，当 尺度因子为q时微震信号Xn的排列熵表不为：贝1J信号Xn的多尺度排列熵记为：HmPe是一个10维的向量，用米表达儆晨信亏的特祉； 步骤5:基于多尺度排列熵训练最小二乘支持向量机 选择100组微震信号及100组噪声信号，重复步骤2-4,分别计算这200组信号的多尺度 排列熵，分别标记100组微震信号的多尺度排列熵对应的判别结果为1，分别标记100组噪声 信号的多尺度排列熵对应的判别结果为〇,构成样本数据集S，使用LS-SVM算法对样本数据 集S进行训练，训练LS-SVM时使用10-折交叉验证法确定正规化参数及核函数参数，得到一 个能够区分微震事件与噪声事件的支持向量机Sv; 步骤6:利用训练好的LS-SVM对待判别信号进行辨识 重复步骤2-4,计算待判别信号Yn = {yi，y2，…，yn}的多尺度排列熵，取η介于[2500， 4500]之间，得到一个10维的向量Hmpe3，将Η_4俞入到支持向量机Sv中，得到支持向量机输出 值； 当支持向量机输出值为〇时，表示待判别信号1不是微震事件； 当支持向量机输出值为1时，表示待判别信号Ym是微震事件。
【文档编号】G01V1/28GK105956526SQ201610257713
【公开日】2016年9月21日
【申请日】2016年4月22日
【发明人】贾瑞生, 孙红梅, 梁永全, 彭延军, 卢新明
【申请人】山东科技大学