基于一维卷积神经网络的化爆和地震次声分类*

谭笑枫 李夕海 刘继昊 李广帅 于晓彤

(火箭军工程大学 西安 710025)

0 引言

作为国际监测系统(International Monitoring System，IMS)四种技术中的一种，次声波为有效监测大气层核试验以及地面或水面核爆炸提供了重要帮助[1-2]。次声监测技术同样可以作为火山喷发、海啸、天然地震等地质灾害的重要监测手段[3]。

次声事件的监测与识别研究应用广泛，是核爆探测、自然灾害预测、大气环境研究、生物效应等方面研究的重要组成部分[4-6]。次声事件的监测和分类识别工作往往是一起的，为提升核爆和地质灾害的监测能力，采取相应措施从而正确识别次声事件，是有效的途径之一[7]。因此，开展次声事件的分类研究，对于国家安全和地球物理研究具有重要意义。

20世纪50年代以来，关于次声事件的分类任务，国内外学者对此进行了深入的探索，主要利用声学信号处理理论，分别在时域频域提取特征，进而用于分类识别。然而，由于次声的多径效应，导致原来的信号失真，或者产生错误，分类识别率不高。为提高识别率，需要多特征、复杂特征进行综合识别。在国际上，Chilo 等[8]等指出小波变换是获取次声事件“指纹”的方式之一。Cannata等[9]成功运用聚类、分类算法结合特征提取技术实现对意大利埃特纳火山口的定位。Thomas 等[10]将分类算法和次声阵列检测法结合起来，对雪崩灾害实现预警，其预警错误率可降至0.1。在国内，姜楠等[11]提出将次声信号的固有模态函数(Intrinsic mode function，IMF)的分量比作为特征，再采用支持向量机(Support veotor maohine，SVM)完成分类，可对天然地震、火箭发射、管道爆破进行有效分类识别。……