基于改进长短时窗比值及优化变分模态分解的微震初至拾取算法

针对低信噪比条件下微震初至拾取准确度低的问题,基于信号幅度变化引入权重因子,对传统长短时窗比值(STA/LTA)算法进行改进,提高初次拾取精度。为了进一步降低拾取误差,对变分模态分解(VMD)算法进行优化,基于互相关系数和排列熵准则自适应确定VMD分解层数,对初次拾取结果前后2—3 s的记录进行优化VMD,并计算分解后各本征模函数(IMF)的峰度赤池信息准则值,得到各IMF的到时,以各IMF的拾取结果及能量比综合加权得到二次拾取到时。仿真实验表明:改进后的STA/LTA在较低信噪比下可降低初次拾取误差约0.01 s以上;相比经验模态分解(EMD)和小波包分解,自适应VMD分解后能再次降低误差,最终与人工拾取结果平均误差在0.023 s以内。实际微震信号初至拾取结果表明,本算法能快速有效地识别初至P波,与人工拾取结果相比误差小,准确率高。

基于DAS信号和CNN分类算法的人员运动轨迹监测方法

人员运动轨迹监测目前主要依靠摄像头网络、热成像和雷达系统等方式实现,但这些方法的监测范围有限,且易受到光线、热源、遮挡物和距离的影响.针对上述问题,我们开发了一种利用分布式声学传感(distributed acoustic sensing,DAS)识取人员振动信号用于监测人员运动轨迹的新方法,能够不受光线、热源、遮挡物等环境改变的影响,实现长距离连续监测.首先,通过长短时窗比值(STA/LTA)法自动拾取DAS信号,再对拾取的信号进行分析,将其分为人员运动、重锤和噪声3类信号;然后,构建卷积神经网络(CNN),将拾取的3类信号作为CNN数据库输入到网络中学习和训练;最后,通过实际数据测试得到3类信号分类结果.结果表明,分类结果的识别准确率均达到80.00%以上.利用识别得到的信号,通过CNN分类结果可确定人员所在的光纤道,追踪人员位置,输入更新的DAS信号连续识别人员运动信号,监测人员运动轨迹;然后用单位时间内识别人员移动的通道数计算运动速率.