جدایش انفجار از زلزله در کاتالوگ شبکه لرزه نگاری باند پهن با استفاده از فیلترآرما

همکار:
سایه میرزایی

چکیده

ضرایب فیلتر ARMAبرای طبقه‌بندی سیگنال‌های لرزه‌ای به کار می‌رود. در این پژوهش، با استفاده از شبکه‌های عصبی مصنوعی به طور مؤثر و دقیق ضرایب فیلتر ARMA محاسبه شده است. این شبکه به دلیل طبیعت غیر خطی، در مقایسه با سایر روشهای موجود، کارکرد بهتری در محاسبه ضرایب ARMA از خود نشان می‌دهد. در سایر روشهای مدلسازی پارامتری، فرض خطی بودن در نظر گرفته شده است؛ در حالی که با استفاده از شبکه عصبی، می‌توان مدل غیر خطی ARMA را برای سیگنال به دست آورد که در مورد داده‌های زلزله در نظر گرفتن مدل غیر خطی مـناسب‌تر است و ضرایب به دست آمده در تفکیک زلزله از انفجار کاربرد دارد. برای این منظور، شبکه عصبی مربعی (QNN Quadratic Neural Network,) به کار گرفته می‌شود؛ چرا که بررسیها نشان داده این شبکه برای حصول مجموعه ویژگیهای انتخاب شده در این پژوهش (ضرایب مدل ARMA غیر خطی)، با تعداد بسیار کمتری از عصبها و تکرارهای کمتر قادر به یادگیری و شناسایی فضای ورودی است. علاوه بر آن، خاصیت مربعی عصبها در این حالت، یکی از نقاط قوت این شبکه‌ها در تحقق سخت‌افزاری آنهاست.
داده‌ها، شامل ۲۳ سیگنال زلزله و ۲۵ سیگنال انفجار به طول ۴۰۹۶ نمونه و فاصله نمونه‌برداری Hz20 است. بررسی نتایج این پژوهش نشان می‌دهد که بکارگیری شبکه عصبی، هم در حصول ویژگیهای استخراج شده از سیگنال‌ها و هم در طبقه‌بندی داده‌ها ساختار مناسبی برای تفکیک در مسأله پیش رو به دست می‌دهد. علاوه بر آن، کارایی این روش را در تفکیک داده‌های محدود موجود نمایان می‌سازد و به نظر می‌رسد که بکارگیری این ساختار، روشی مناسب برای طبقه‌بندی سیگنال‌های لرزه‌ای است.

واژه‌های کلیدی
تشخیص، انفجار، شبکه عصبی، ضرایب، فیلتر ARMA

‌

Authors: M.Allamehzadeh, S. Mirzaei

Abstract

In this paper, the problem of seismic source classification is considered at regional distances. The neural network classifier is fed by Nonlinear AutoRegressive Moving Average (NARMA) coefficients extracted from raw data as feature set. We have devised a supervised neural system to discriminate between earthquakes and chemical explosions applying filter coefficients obtained from the windowed P-wave phase (15 sec). First, the recorded signals are preprocessed to cancel out instrumental and attenuation site effects and obtain a compact representation of seismic records. Then we use a Quadratic Neural Network (QNN) system to extract nonlinear ARMA coefficients for feature extraction in the discrimination problem. These coefficients are then applied to a probabilistic network for the purpose of training and classification. The results have shown that the overall combination of this feature extraction and classifier structure leads to a suitable seismic discrimination performance. The events tested include 36 chemical explosions at the Semipalatinsk test site in Kazakhstan and at test site in China and as well as 61 earthquakes (mb=5.0-6.5) recorded by the Iranian National Seismic Network (INSN).

Keywords:

Discrimination, Earthquakes, Explosions, Neural Network, ARMA model coefficients.