波形模板匹配定位方法在北京地区的应用

在地震学研究中,高效的微震检测方法是既重要又具有挑战性的问题。本文对波形模板匹配检测方法、匹配定位技术、波形自相关检测技术进行详细介绍和对比,对国内外应用实例进行总结,并展望微震检测方法应用前景和发展趋势。利用基于图形处理器加速的匹配定位技术和双差地震定位法,对北京地区19个台站记录的2015年连续地震资料进行分析。基于中国地震台网中心提供的地震目录,筛选出245个地震事件作为模板事件,检测得到1229个地震事件,约为地震台网原始地震目录数量的5倍。精定位结果可显示小震沿黄庄-高丽营断裂周边小断裂分布形态特征,本文微震检测和定位结果可为研究北京地区地震活动性与发震断层深部构造提供基础数据支撑。

基于侦察参数的信号模板建模与仿真

为在侦察设备中使用信号模板进行信号比对与分析提供参考,分析了雷达辐射源信号经过空间传播到达侦察设备后的信号样式,利用Simulink工具箱丰富的信号发生处理模块,根据侦察参数快速建立两种典型信号模型,产生信号波形模板.仿真结果表明,通过更改Simulink模块或改变模块参数可以快速对各种信号样式建模和仿真.

基于模板匹配方法的微震自动检测在河源M4.3地震中的应用研究

基于广东新丰江水库区密集的测震台网,利用波形匹配定位方法对库区内2018—2019年期间的地震波形进行分析,发现在新丰江河源地区,存在有大量未被记录的微震事件,匹配定位方法适用于新丰江地区的微震事件检测。通过分析本地区地震事件的主要波形特征,初步建立新丰江地区的微震模板事件库,利用脚本实现地震事件文件与地震模板的自动转换,达到对新丰江地区地震模板库的实时扩充的要求,借助JOPENS的波形导出功能,实现对地震连续波形文件的自动预处理,基本达到基于模板匹配定位方法的自动检测功能的要求,可将其应用于台网的地震目录完善工作。

实时动态心电监护系统

本文介绍了一种用微处理器控制的实时动态心电监护系统,采用数字滤波消除干扰和噪声,用差分法识别QRS波起点、终点和R波顶点。由RR间隔和QRS波宽等特征参数判别心电异常,实现实时自动监护,并对异常心电进行分类、存贮模板心电波形,统计发生次数,用微型描绘打印机回放存贮的模板波形和统计表,最后给出临床应用结果。

2012年以来新疆于田强震前震序列的时空演化模式

巴颜喀拉块体边界地震活跃,其西边界新疆于田地区在2008年发生M 7.3地震后,2012年以来又陆续发生了M 6.3、M 7.3和M 6.4三次强震.然而该地区的地震监测台网非常稀疏,地震目录的完备性低,定位精度差.为了研究于田区域的前震活动规律,本文利用单台波形模板匹配方法重新检测了2011年6月以来的连续波形,改善地震目录,并用单台定位约束地震的相对位置.结果获得新的地震数量是台网目录的15倍,完备震级从原来的2.8降为1.3,更有利于前震序列时空演化特征的回溯研究.研究区地震b值在三次强震前都表现出持续降低,在临震前回弹,主震后恢复.在空间上,前震活动往往有两个阶段,早期活动先是分散在硝尔库勒盆地周缘,临震前成簇聚集到主震附近,有断层级联破裂的特征.特别是2014年M 7.3地震,大量的前震出现在主震南侧并向北迁移和停滞,它们的波形相似性很高,反映出临震前的构造应力集中和地震成核.

北天山中段微震活动检测及其活动性和孕震构造分析

北天山地震带地处中国大陆强震高发区,孕震构造复杂,近年来陆续发生了2016年呼图壁M_S6.2地震和2017年精河M_S6.6地震。由于测震台网相对比较稀疏,该区域微震监测能力较弱。本文主要采用波形模板扫描法对北天山中段(43.5°N^44.5°N;85°E^87.5°E)进行微震事件检测,并反演精细的一维速度结构,重新定位地震;深入分析该区域的地震活动性和孕震构造特征。经过微震检测,得到该地区2014年1月至2018年9月期间57902个地震事件,是原地震目录的10倍,完备震级从1.2降至0.5。结果显示,北天山中段地震十分活跃,主要分布在北天山山前霍尔果斯—玛纳斯—吐谷鲁背斜带南翼的浅部和南玛纳斯—齐古背斜带深部,呼图壁地震震后地震活动性有增强的趋势。研究期间沿背斜构造带走向地震分布不均,霍尔果斯—玛纳斯—吐谷鲁背斜带西段地震活动多于东段,南玛纳斯—齐古背斜带东段地震活动显著强于西段。经过重定位,发现研究区的地震事件主要发生在褶皱内部的'盲断层'上,这些隐伏断裂与区域活动断裂和背斜构造共同组成的断层系孕育了北天山山前活跃的地震活动,并可能成为未来强震的发震构造。

深度学习在引力波数据处理中的应用初探

截至2018-01-16,LIGO已成功探测引力波事件6次.可以预期,引力波探测事件会越来越多,引力波天文学会很快进入到大数据阶段.深度学习在大数据处理方面近年来得到迅速发展.它在数据处理速度,准确度等方面都表现出极大的优势.深度学习在引力波数据处理中的应用讨论还不多.本文引入此问题,并对其进行初步研究.引力波数据最大的特点是强噪声、弱信号.现行的数据处理方法是利用匹配滤波的方式把引力波信号从强噪声中挖掘出来.同时,匹配滤波方法还可以确定引力波源的性质,定量确定其参数.匹配滤波方法的弱点是计算量巨大.这导致数据处理速度很慢.对于将来的大数据引力波天文学,这更将是一个巨大的隐患.匹配滤波方法的另一个潜在问题是,完备准确的理论波形模板是其工作的前提条件.这个潜在问题的后果是很难找到理论预期之外的引力波信号.深度学习的数据处理方法有可能在这些问题上提供出路.同时,深度学习也会遇到其自身的若干困难和问题.本文将从网络结构、训练数据制备、训练优化、对信号识别的泛化能力、对数据的特征图表示以及对特征数据遮挡的响应等方面来展开讨论.