摘要：选取北京周边地区地震事件数据集为研究对象，首先对波形有效性进行判断，提取地震的S波衰减率和其频谱形态特征分析，利用最小二乘支持向量机（LS-SVM）对S波衰减率和频谱形态特征数据进行单一和组合分类识别。通过研究发现：利用地震S波衰减率对天然地震与人工爆破识别的正确率为87.76%，利用频谱形态特征识别正确率为97.96%，利用地震振幅比特征和S波衰减率特征共同判别时，正确率可达100%，采用单循环检测的方法时三种情况的正确识别率达到81.63%，87.76%，97.76%。
关键词：天然地震；人工爆破； S波衰减率；频谱形态特征；LS-SVM
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）09-0226-03
Abstract： This paper selects earthquakes in the surrounding area of Beijing as the research object， The effectiveness of waveform data， seismic S wave attenuation rate and spectrum morphological characteristics are analyzed， and then use the least square support vector machine as identification tool to identify natural earthquakes and artificial explosions， the S wave attenuation rate and spectrum morphological feature data are identified by single and combinatorial classification. Through the study found that： the use of S seismic wave attenuation rate of natural earthquakes and artificial blasting recognition accuracy is 87.76%， and the spectral shape feature recognition accuracy is 97.96%， the accuracy can reach 100% when combining eismic amplitude ratio and S wave attenuation characteristics ，the single detection method of three cases of recognition correct rate reached 81.63%， 87.76%， 97.76%.
Key words： natural earthquakes； artificial explosions； S wave attenuation rate； spectrum form； LS-SVM
1 引言
地震按地ぴ硕的原因可分为构造地震、火山地震和陷落地震；地震按照成因可分为天然地震和人工地震，人工地震包括陷落地震，如矿体崩塌；爆破地震，如炸药爆破、核爆等。在判别天然地震和人工爆破方面，目前主要是通过地震模型反演或地震特征参数的提取对地震事件进行分类，在利用地震模型反演方面，通过地球物理观测数据和地震矩张量、计算各种相关波形参数[1][2]对地震建模反演。根据地震资料的类型可分为叠前地和叠后反演两类[3] [4]。科研人员主要利用地震波形变换对天然地震和人工爆破进行分类识别[5][5][7][8]。S波衰减率和频谱形态特征目前主要用于地震波形异常的研究[9][10]，但在天然地震和人工爆破识别方面研究较少。
2 地震数据选取、特征提取及LS-SVM分类
地震数据的采集应尽量采集同一地区的数据，避免不同地区地质结构的不同而造成的差异，数据集采集后要对每个地震数据进行特征的提取，即提取的地震S波衰减率及频谱特性，然后选择LS-SVM[11][12]对特征进行分类识别，从而识别出天然地震和人工爆破。
2.1地震事件数据集的选取
地震数据集采集于中国地震台网中心地震数据管理与服务系统中心记录到的首都圈坐标范围在39.5001oN～40.5510oN，115.1753oE～116.5135oE发生的地震，震级范围选择1.0-3.2之间，其中包括30次天然地震和19次人工爆破。下表1为该49个地震事件。
2.1.1判断有效波形
由于地震仪器记录地震波形时，受仪器本身、观测环境等因素的影响，会对地震波形造成污染，无法确定地震S波、P波的幅值最大时刻和地震波形稳定时刻， 通过判断有效波形的起止位置可以使得地震波形易于分析。
（1）对采集的地震波形进行短时不变性检测，短时不变性检测即连续样本与均值相等点数为样本数，剔除频低频率的地震波。
（2）对地震波形信号进行处理，选取4s长度、200个点的窗函数，在窗函数内取方差后取其均值。
（3）对（2）迭代两次，取极大值点，当经过处理后的地震波形的极大值点个数小于或等于两个的信号为无干扰的标准地震波形信号。
通过上述步骤对有干扰地震数据和标准地震波数据进行有效性判断，结果如图1所示。
从图中可看出，图1（a）、图1（b）、图1（c）为地震波经三次迭代后的图像，极大值点个数大于两个，为无效数据.图（d）极大值点个数不大于两个为有效信号。
2.2 波形特征提取 2.2.1 地震S波衰减率
S波衰减率是S波幅值最大时刻和地震稳定截止时刻，形成了地震S波衰减率，表达式为地震波形的倾斜率的绝对值。若设地震信号为[f]，设S波振幅最大时的波形坐标为[Smm1，n1]，当S波最大振幅后信号第一次稳定时的坐标位置[Som2，n2]，则S波衰减率为[dr]，[dr]的表达式为如下：
地震信号的一阶衰减常数即为[dr]，有的地震信号衰减率需要从二阶或者大于二阶的衰减中获得，此时就需要对地震信号进行平滑后的拟合。图2为波形信号的一阶衰减和二阶衰减图像，其中图中原始的地震波形为蓝色曲线，一阶S波衰减下降直线为红线，S波二阶下降曲线为绿色曲线。
通过2.1中波形有效性判断，对地震波形迭代，得到第二个极大值点坐标，第二个极大值点的横坐标即为S波振幅最大的横坐标，第二个极大值点后的第一个0点处即为信号稳定点。
2.2.2 频谱形态特性
天然地震，主要是由于地壳位错运动造成，受到地下介的物理性质如波速、岩性等影响，频谱组成多样；而爆炸主要是点膨胀模式，其频谱组成相对简单。通过图3地震与爆炸频谱时域分布图可以看出两者频谱存在很大的区别，对地震的频谱成分分析具有可行性。
地震信号频谱特性可利用地震的频谱数据进行多项式拟合产生参数表示，实验表明，地震有效信号在经过4-7次多项式拟合后其频谱特性可以有效保留。当地震信号被高阶拟合时，频谱参数过多，实现较为复杂。当地震信号的拟合阶数过小时，此时会使得地震频谱信号失真。在求取地震信号频谱特征时，对频谱进行平滑处理，然后再进行多项式拟合。下图4中为地震与爆炸的频谱及多项式近似曲线，其中地震频谱为绿色，地震经平滑后的为红色，再经过6阶多项式曲线为蓝色。
2.3 最小二乘支持向量机（lS-SVM）分类
最小二乘支持向量机（LS-SVM）是将核函数应用到岭回归的统计学习方法，通过核函数把低维空间中非线性不可分的数据向高维空间映射，使在低纬空中不可分的数据在高纬空间中实线性可分。
LS-SVM的表达形式为：
训练样本集为：
2.4试验及分析
选取S波有效衰减率中排名前5个的值得平均值，如果有效衰减率小于5时，则取所有衰减率的平均值。波形平滑后进行5阶多项式拟合。表2和表3分别为地震S波平均衰减率数据表和地震波频谱形状特征数据表。
实验从总的地震数据中按顺序提取一个地震数据作为测试样本，其余48次的地震数据作为训练样本，共做49次实验。49次实验后可得出表4为两种事件的平均误判数。表5为利用该方法所得到的分类效果。
3 结论与展望
选取相同地区发生的地震波形能降低地震波形传播过程中出现的频谱差异，提高频谱形状特性的识别效果，但由于实验数据量较小，实验规模不大，对识别结果有一定的影响。通过利用LS-SVM分类可以看出地震频谱特征的正确分类率（表3）高于S波衰减率特性的正确分类率。若将地震的S波衰减率和振幅比作为特征进行分类，效果比较好。因此利用LS-SVM对地震S波衰减率和振幅比作进行分类可达到很好地识别效果。
参考文献：
[1] 李平.非弹性表面波大尺度波形反演（理论和方法）（英文）[J].东北地震研究，1997（4）：41-53.
[2] 姚振兴.用P波波形资料反演中强地震地震矩张量的方法[J].地球物理学报，1994，37（1）：37-43.
[3] 殷文.叠前地震反演关键技术及影响因素分析与研究[J].地球物理学进展，2013，28（6）：2958-2968.
[4] 曹鉴华.叠后地震数据的谱反演处理技术及其应用浅析[J].地球物理学进展，2013，28（1）：387-393.
[5] 曾宪伟.利用小波包变换时频谱识别宁夏及邻区的地震和爆破[J].地震研究，2010，33（3）：300-307.
[6] 和雪松.用小波包识别地震和矿震[J].中国地震，2006，22（4）：425-434.
[7] 黄汉明.天然地震与人工爆破的波形小波特征研究[J].地震学报，2010，32（3）：270-276.
[8] 杨选辉.地震与核爆识别的小波包分量比方法[J].地球物理学报，2005，48（1）：148-156.
[9] 周越.基于小波方法的近海域地震动时频特性分析[J].土木工程学报，2016，49（S1）：7-12.
[10] 宋美琴.山西中部中等地震前地震波常特征[J].地震地磁观测与研究，2004，25（2）：15-21.
[11] Suykens J A k，Vandewalle J，De Moor B. Optimal control by Least Squares Support Vector Machines.Neural Networks，2001，14（1）：23-35.
[12] 顾燕萍.最小二乘支持向量机的算法研究[J].清华大学学报，2010，50（7）.
