基于谱矩心和线性度的微震事件分类

岩体破裂产生的应力波触发微震事件,传统的互相关匹配难以识别微震事件深浅类型。本文利用谱矩心和线性度提取地震波的特征信息,并通过多层感知器网络进行分类识别,将微震事件分为浅源和深源。实验结果表明该方法的识别准确率为86.14%,谱矩心对微震事件分类精度高于线性度,且精度均高于传统的互相关方法。该方法不仅可以识别地震波形,也可为岩爆、滑坡等动力灾害监测提供预警信息。

基于功率谱密度矩心的轴承性能退化特征研究

滚动轴承性能退化指标作为研究其性能退化过程中极其重要的一环,良好的退化特征指标能够直观地表征轴承的退化情况并实现对轴承的退化预警。鉴于此,提出了将功率谱密度的矩心值作为性能退化特征,通过集合经验模态分解(EEMD)滤波降噪,在傅里叶变换的基础上,对原有的功率谱密度函数的重心进行计算,并采用高斯模型拟合优化该特征的表征能力。采用美国辛辛那提大学的轴承全寿命实验数据作为分析对象,以验证所提方法的可靠性。实验结果显示,该特征可以良好地反映轴承的性能退化状态。

用谱线矩心扩展法研究U/Ra的不平衡状态

本文叙述了一种比较简单而又廉价的、根据^(?)U和^(?)Ra衰变的186keV复合谱线的矩心扩展研究U/Ra不平衡的方法.该方法具有明显降低系统误差和不受探测器体积、形状、尺寸及样品化学成分限制的优点,在不同地球化学研究中的应用已被证实.

基于自编码网络的浅源和深源诱发型微震识别

地震波形传播的复杂多变性,导致传统互相关分析方法难以识别诱发型微震事件的深度类型.本文基于微震波形的时域、频域及时频域特征,利用自编码网络(SAE)构造具有可鉴别性的特征空间,提升对深源和浅源诱发型微震事件的分类精度.首先,针对440个诱发型微震事件,构建了大小为40的特征空间;其次,利用遗传算法(GA)和关联规则特征选择方法(CFS)对特征空间进行初步筛选,得到特征重要性程度较强的谱矩心和线性度,通过分类验证了谱矩心与震源深度有强相关性;然后,将筛选结果输入到自编码网络,采用基于无监督学习的方法获得新的特征空间;最后,利用逻辑回归(LR)对新特征空间进行交叉验证分类.与利用初步筛选的特征结果进行分类相比,利用4层的自编码网络模型对40特征进行交叉验证分类,所得正确率(Accuracy)和接收者操作特征曲线(ROC)曲线下方的面积(AUC)分别从84. 5%提高到90. 91%及84. 31%提高到87. 14%,结果表明自编码网络提高了分类模型对低能量诱发型微震事件的识别精度.