一种基于边缘智能的地震震相自动识别方法与流程
本发明涉及地震监测与信号处理,具体为一种基于边缘智能的地震震相自动识别方法。
背景技术:
1、现有技术中,关于地震信号的处理多采用单一维度的偏振分析方法。例如,中国发明专利申请cn108919241a公开了一种基于偏振特征约束的微震有效信号识别方法,但其仅将偏振分析(如极化率)作为静态指标用于波的类型判别或简单的阈值过滤。现有技术并没有给出将“偏振线性度”作为自变量、去非线性动态映射生成“时频特征(瞬时频率导数)”判决阈值的技术启示。传统的处理方式往往对多个特征设置独立的静态阈值,然后进行简单的逻辑“与”判断,这导致在矿山等强干扰环境下极易因参数硬性截断而产生高误报或漏报。
2、为了提升复杂环境下的识别准确率,技术人员开始将深度学习技术引入信号处理环节。基于一维卷积神经网络的识别模型能够提取波形的深层特征并降低误报率,但其网络参数和密集的浮点运算给硬件带来了较重的运算负担。常规的低成本电池供电边缘节点通常仅配备几十至上百千字节的静态随机存取存储器。深度学习模型的内存开销往往超出这类设备的物理承载限制,且单次推理耗时较长,容易导致系统因内存溢出或计算功耗超标而无法长期稳定运行。
3、现有的技术手段在边缘设备上难以兼顾识别准确率与底层计算资源限制。天然地震波在初至时不仅具有空间线极化的物理特征,还伴随着高频先至、低频拖尾的时频演化现象。如何在不依赖复杂神经网络的前提下,通过轻量化的运算逻辑将上述多维物理特征进行耦合,以实现高精度的动态阈值判决,是当前边缘地震监测领域需要解决的技术问题。
技术实现思路
1、本发明解决的技术问题在于,现有的地震震相自动识别技术难以在边缘节点上兼顾识别精度与计算资源。传统长短时平均能量比算法在复杂环境中的干扰误报率较高;而基于一维卷积神经网络的识别方案内存占用大、推理耗时长,超出常规微控制器的硬件资源限制,难以在现场监测设备上独立进行自动化预警。
2、为解决上述问题,本发明提供如下技术方案:
3、本发明第一方面提供一种基于边缘智能的地震震相自动识别方法,包括以下步骤:
4、s10,获取地表震动的三分量离散时间数据序列,对三分量离散时间数据序列进行去均值计算生成去直流数据序列,基于去直流数据序列中的垂直分量数据统计过零率方差,若过零率方差大于预设方差基线,则截取对应时间区段内的数据集;
5、s20,利用数据集构建协方差矩阵,求解协方差矩阵的特征值与特征向量,利用特征值计算偏振线性度参数,并提取最大特征值对应的主特征向量;
6、s30,将数据集中的各采样点数据与主特征向量进行内积运算,生成主极化轴投影信号序列;
7、s40,扫描主极化轴投影信号序列以定位相邻的零电平跨越点,根据跨越时间周期计算离散瞬时频率,对离散瞬时频率进行差分运算,获取瞬时频率导数的中位数值;
8、s50,将偏振线性度参数代入映射公式计算动态判决边界阈值,若瞬时频率导数的中位数值小于动态判决边界阈值,则生成震相确认状态码并触发预警数据包的发送。
9、优选的,对三分量离散时间数据序列进行去均值计算生成去直流数据序列,包括:
10、通过指数移动平均算法计算当前垂直通道的直流偏置;
11、将当前离散时刻的原始采样值与直流偏置相减,得到去直流数据序列。
12、优选的,基于去直流数据序列中的垂直分量数据统计过零率方差,若过零率方差大于预设方差基线,则截取对应时间区段内的数据集,包括:
13、设定迟滞容许阈值,若垂直分量数据的绝对值大于迟滞容许阈值,则改变状态变量并计算过零率;
14、统计相邻时间窗的过零率方差;若过零率方差大于预设方差基线,则截取包含预设数量采样点的时间窗数据作为数据集。
15、优选的,求解协方差矩阵的特征值与特征向量,并提取最大特征值对应的主特征向量,包括:
16、利用雅可比正交对角化迭代算法求解协方差矩阵,得到第一特征值、第二特征值和第三特征值,其中第一特征值大于第二特征值,第二特征值大于第三特征值;
17、提取第一特征值对应的特征向量作为主特征向量,并对主特征向量进行归一化处理。
18、优选的,利用特征值计算偏振线性度参数,计算公式为:
19、其中,为偏振线性度参数,为第一特征值,为第二特征值,为第三特征值,为预设常数。
20、优选的,将数据集中的各采样点数据与主特征向量进行内积运算,生成主极化轴投影信号序列,包括:
21、提取数据集中各离散时刻的三分量数值;将三分量数值与归一化后的主特征向量按空间对应维度相乘并求和,得到对应的投影数值;
22、将各离散时刻的投影数值按时间顺序排列,组成主极化轴投影信号序列。
23、优选的,根据跨越时间周期计算离散瞬时频率,包括:
24、获取主极化轴投影信号序列中相邻两次零电平跨越点的时间间隔,将其作为当前的跨越时间周期;
25、计算跨越时间周期的两倍的倒数,得到对应的离散瞬时频率。
26、优选的,对离散瞬时频率进行差分运算,获取瞬时频率导数的中位数值,包括:
27、获取当前跨越时间周期对应的第一离散瞬时频率,以及相邻的下一跨越时间周期对应的第二离散瞬时频率;
28、将第二离散瞬时频率与第一离散瞬时频率相减的差值,除以当前跨越时间周期与下一跨越时间周期的均值,得到对应的瞬时频率导数;
29、遍历数据集所在的时间窗,获取各个跨越时间周期对应的瞬时频率导数并组成集合;
30、对集合中的数值进行排序并提取中位数,将其作为瞬时频率导数的中位数值。
31、优选的,将偏振线性度参数代入映射公式计算动态判决边界阈值,映射公式为:
32、其中,为动态判决边界阈值,为偏振线性度参数,为预设的敏感度系数,为预设的偏置常数。
33、优选的,若瞬时频率导数的中位数值小于动态判决边界阈值,则生成震相确认状态码并触发预警数据包的发送,包括:
34、比较偏振线性度参数与预设死区阈值,以及比较瞬时频率导数的中位数值与动态判决边界阈值;
35、若偏振线性度参数大于预设死区阈值,且瞬时频率导数的中位数值小于动态判决边界阈值,则生成震相确认状态码并触发预警数据包的发送;
36、若偏振线性度参数不大于预设死区阈值,或瞬时频率导数的中位数值不小于动态判决边界阈值,则放弃发送预警数据包。
37、本发明第二方面提供一种基于边缘智能的地震震相自动识别系统,应用上述第一方面提供的识别方法,系统包括:
38、检波模块,用于获取地表震动的三分量原始模拟信号;
39、模数转换模块,用于将三分量原始模拟信号转换为三分量离散时间数据序列;
40、控制模块,用于执行上述识别方法的运算过程,控制模块内部运行有预处理与侦听模块、偏振特征解算模块、投影重构模块、时频特征提取模块以及动态耦合判决模块;
41、通信模块,用于在接收到震相确认状态码后,向外部服务器发送带有时间戳的预警数据包。
42、本发明的相关原理与有益效果在于:
43、地震体波初至时表现出空间线极化特征以及高频先至低频拖尾的频散现象。
44、本发明结合上述物理特征,通过协方差矩阵特征值求解偏振线性度参数,并将信号投影至主极化轴,根据过零点时间跨度提取瞬时频率导数。
45、同时,利用反比例函数构建动态映射关系,将偏振线性度参数与频率判决阈值进行耦合。
46、当极化特征显著时,系统适度放宽瞬时频率导数的判决条件,克服了固定阈值在复杂干扰下容易失效的缺陷。
47、上述基于代数逻辑的运算结构替代了深度学习网络架构,在维持识别准确率的前提下,降低了系统的运算算力与内存负荷,适用于算力受限的边缘监测节点。
48、本发明提供了一种基于边缘智能的地震震相自动识别方法。具备以下有益效果:
49、1.本发明突破了传统多特征识别中简单逻辑与(即分别满足两个独立固定阈值)的常规思路,创新性地提出了非线性映射耦合机制。具体而言,本发明利用偏振线性度去动态调节瞬时频率导数的判决边界:当极化纯度高(偏振线性度大)时,系统自动放宽对频率导数的要求;当极化纯度低(信号受干扰大)时,系统自适应提高频率导数的判据门槛。这种自适应的阈值调节机制是现有固定阈值或简单逻辑与所无法实现的,能够有效应对复杂环境下的非平稳噪声干扰,取得了显著提高抗干扰能力并大幅降低误报率的特殊技术效果。
50、2.本发明采用代数运算与逻辑判决相结合的处理架构,通过雅可比正交对角化解算特征值以及时间跨度差分获取频率导数。该结构避免了一维卷积神经网络中复杂的浮点乘加矩阵运算,在保证识别区分度的前提下大幅降低了微控制器的运算负荷与运行内存占用,满足了低功耗边缘节点在受限硬件资源下进行独立预警的需求。
51、3.本发明利用指数移动平均和过零率方差实时跟踪环境基线,并在检测到突变时截取数据窗口,随后通过主特征向量将三维数据内积投影为一维主极化轴信号。这一预处理流程有效滤除了无效的背景噪声片段,不仅减少了后续时频特征提取的数据处理量,还突出了高频先至的物理特征,提升了系统的整体响应效率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com