Page 50 - 《应用声学》2020年第2期

208
0 引言
将核爆炸或自然界事件信号从背景噪声中提
取出来，然后对事件信号进行分析识别，是核爆监测
的基本内容之一。事件信号提取的方法主要是首先
通过滤波的方法降低噪声的干扰，然后采用信号检
测算法或人工的方法提取事件数据
需要根据实际噪声和信号的特点设置相应的阈值，
来对信号进行检测，而阈值的设定则依赖于研究人
员对信号的分析结果或者经验，需要花费大量的时
间针对每一个不同的环境进行研究。即便如此，仍
然会不可避免地将噪声检测为事件。
随着核爆次声监测网络的建设，大量的实时监
测数据将源源不断地发送到数据处理中心，对这
些监测数据的实时分析需要一种有效的技术方法
来支持，而机器学习的快速发展为解决这个问题提
供了有效的手段，其中基于仿生学的人工神经网络
(Artificial neural network, ANN) 和基于统计学习
的支持向量机 (Support vector machine, SVM) 在
解决实际问题中表现出良好的性能。
ANN作为一种通用的模式分类器，其泛化能力
取决于样本的选取和模型的结构与参数，在实际应
用中不需要太多先验知识，但需要经过大量的实验
摸索，才能确定合适的神经网络模型以及相关参数
的设置，其分类效果与样本数量具有很大关系，需要
对模型不断优化来防止过拟合。
SVM是一种基于统计学习理论的分类方法，它
从理论上系统地研究了有限样本下经验风险与期
望风险的关系，能较好地解决小样本问题，通过将
样本特征映射到高维空间，解决了非线性不可分的
问题，并利用内积核函数巧妙地解决了高维空间中
计算复杂度剧增的问题；但对于大规模训练样本，
SVM需要耗费大量的机器内存和运算时间。
本文对次声台站的单通道数据进行了信号检
测，采用 ANN 和 SVM 对信号和噪声进行了分类实
验，对比分析了两种方法对次声事件的自动识别能
力，研究探索了提高它们的识别能力的方法，以期能
有效地应用到实际工程中去。
1 次声信号检测
次声波信号作为一种低频声信号，极易受到背
景风和其他大气噪声的影响。在进行事件识别前，
2020 年 3 月
首先要对次声信号进行检测，提取出疑似事件的数
据。在实际应用过程中，已经研究出一些经典的检
测方法，如基于 F-统计的 Fisher 检测算法 [2] 、互相
关算法 [3] 、短时窗平均/长时窗平均(Short term av-
eraging/long term averaging, STA/LTA) 算法、逐
次多通道互相关 (Progressive multi-channel corre-
[1] 。这些方法都 lation, PMCC) 检测算法 [4] 等。本文采用国际数据
中心使用的 STA/LTA 算法，从次声传感器记录的
数据中检测出可能的事件信号。
STA/LTA 方法是由 Stevenson 提出，最先应用
于地震监测中，用来判定地震初至波的到达时间，
其基本原理为：用STA(短时窗平均值)和LTA(长时
窗平均值) 之比来反映信号幅度、频率等特征的变
化。当有事件信号到达时，STA/LTA值会发生突变，
通过设定一个阈值 R，根据当其比值是大于 R 或者
小于R 来判定为事件信号或是噪声 [5−6] 。R 的计算
公式为
N
∑
X(i)/N
STA i=1
R = = , (1)
M
LTA ∑
Y (j)/M
j=1
式(1) 中，X(i) (i = 1, 2, · · · , N)表示短时间窗内数
据；Y (j) (j = 1, 2, · · · , M) 表示长时间窗内的数据；
M 和 N 分别表示长、短时间窗内的样本数。如果 R
大于设定阈值，则认为该数据包含事件信号。
在实际中，检测阈值无法精确地给出，即使假
设次声传感器记录的数据只包含背景噪声，此阈值
也可能随着时间发生变化。当选择不同的阈值时，
检测出的信号数量也大不相同，如图1所示。图1 中
对节选的 2000 个数据点 (采样速率为 100 sps) 的次
声波形进行分析，当 R = 2 时，检测出信号的数量
为18次；当R = 3 时，检测出信号的数量为 6 次；当
R = 4.5时，检测出信号的数量为2次。
可以看出，阈值的选取对信号的检测有较大影
响，好的阈值可以过滤掉大部分的无用数据，减轻后
期数据分析的负担。当检测阈值设置过高时，采用
STA/LTA 算法的 Libinfra 软件检测率只有 41.18%
[3]
(PMCC 算法的检测率为 94.12) 。但是，无论如何
选取阈值，在长时间的监测过程中，都会产生大量的
“事件信号”，需要进一步对这些信号进行识别。