结果为非天然地震次，识别率为。

结语本文的种小波特征判据中，小波能量比判据的识别率较高结合使用震相振幅比后识别率有明显提高，说明有效特征的加入有助于识别率的提高。

其中综合使用震相振幅比和小波包对数能量识别效果关于震相振幅比和小波能量比判据作为识别两类事件的物理解释，相关研究认为，天然地震和人工爆破波形差异的本质是两者的震源性质不同，从而导致其激发波的能力不同。

在通常情况下，人工爆破的波比天然地震的强，波比天然地震的弱，因此天然地震振幅比值较人工爆破小，但由于者衰减速度不同，震相振幅比对震中距有很强的依赖性。

天然地震的震源是非对称剪切源，震源深度比人工爆破深，台站记录到的天然地震波形成分较丰富，频带范围更宽而人工爆破源是瞬间膨胀源，多发生在地表，信号频带范围较窄天然地震能量信号多集中于低频段，人工爆破能量多集中于高频段。

人工爆破信号的个特点是距离爆破源较近时波的高频成分丰富，但在远距离传播路径中识别研究华南地震，潘常周，靳平，王红春震相幅值比判据对低震级事件适用性检验地震学报，汪贵章，凌学书，张佑龙，等安徽及周边爆破塌陷特殊地震动特征识别防灾科技学院学报，黄汉明，边银菊，卢世军，等天然地震与人工爆破的波形小波特征研究地震学报，卢世军，黄汉明基于能量比的天然地震与人工爆破自动识别算法研究华南地震，王婷婷，边银菊，张博地震与爆破的小波包识别判据研究地震学报，许振栋，罗家天，余庆旺，等福建水口水库诱发地震及其发展趋势探讨大地测量与地球动力学，蔡杏辉，张燕明，陈惠芳，巫立华基于小波特征和神经网络的天然地震与人工爆破自动识别大地测量与地球动力学，基金中国地震局年度地震监测预报领域重点项目福建省探讨天然地震与人工爆破自动识别体系与小波特征和神经网络的结合地球物理学论文别效果达到，初步表明该方法有效，可考虑应用于天然地震与人工爆破在线自动识别系统。

今后可对该指标作进步研究，并增选其他有效特征值进步提高识别率。

采用组合特征对塌陷事件和水库诱发地震进行识别检验，初步表明，指标对该类事件亦具有识别效果。

国内相关研究利用小波能量比判据使用相似分类器，与本文得出的小波能量比判据分类识别能力有所差别，可能反映了天然地震和人工爆破的地区差异性。

此外，本文在神经网络训练中使用的学习样本仅是福建大部分区域的事件，没有完全覆盖所有区域，对识别效果也存在定程度的影响。

网络模型的逼近和推广能力与学习样本的典型性密切相关，这也正是神经网络的局限性之。

今后可进步完善和优化学习样本，如增加其他地区的事件选很快，因此本文选取震中距较小的近台数据，以尽可能地反映人工爆破和天然地震的本质区别。

塌陷事件和水库诱发地震的识别测试实例和龙岩地区连续发生次塌陷事件，台网记录到完整的事件波形。

台网对塌陷等特殊地震动鲜有记录，经过认真分析并实地考察确认为塌陷。

塌陷发生在地表或地下几十米处，其震源体对震源外介质施加的主要是拉力，产生的是膨胀波，特点是垂直向初动向下。

由于塌陷事件震源浅，地震波在传播过程中通过的介质比较疏松，其高频成分往往被介质吸收，因此其体波周期比天然地震的长。

将其中次塌陷事件加入训练样本，运用识别率较高的震相振幅比和小波包对数能量熵组合特征，结合神经网络的方法对这次塌陷事件进行识别测试，结果均为非天然地震。

但由于能量比和时空参数作为训练资料，使用神经网络对内蒙古地区地震和爆破进行识别。

在国外，等用神经网络对小区域的天然地震和采石场爆破事件进行识别，所用资料为挪威台阵的次事件等利用多层感知器神经网络对地震和核爆进行识别，利用检测震相的谱幅值作为训练资料利用神经网络集成体对地震信号进行分类等利用多层感知器神经网络和径向基函数网络对地震和爆破信号进行识别，采用谱比和波拐角频率作为训练资料。

初步研究结果表明，采用人工智能技术可提高事件类型识别率。

图震相振幅比和小波能量比组合特征向量库图综合使用振幅比和对数能量熵特征的识别效果关特征提取不同事件或不同台站提供的地震波形记录长度会有所差异，特征提取应采用同样长度的波形记录。

相关研究认为，取窗口长度为点时的识别效果较好。

本文的特征提取是采用算法自动识别波初至位臵，对于个别波初至位臵识别误差较大的事件采用人工截取波形对波形的波初至位臵前推个点，后推个点，取窗口长度点。

小波特征的提取。

探讨天然地震与人工爆破自动识别体系与小波特征和神经网络的结合地球物理学论文。

摘要采用福建地区天然地震和人工爆破事件波形记录，通过维离散小波变换及层小波包变换对信号进行分解，提取出用于识别的种波形小波特征小波能量比特征小波包能量比特征小波包香农熵特征及小波包对数能量熵，此外还提取出个小波的系数中提取出的小波包能量比小波包香农熵小波包对数能量熵特征定义为−，神经网络本文采用的神经网络工具箱构建神经网络，网络的设计主要包括网络层数输入层节点数隐含层节点数输出层节点数及传输函数训练方法等。

网络可以包含到多个隐含层，对于大部分应用场合，单个隐含层即可满足要求。

本文构建的神经网络为层人工神经网络。

输入层节点数取决于输入向量的维数，分别有种输入层节点数。

隐含层节点数对神经网络有较大影响，般较多的隐含层节点数可以带来更好的性能，通常采用经验公式输出层节点数及传输函数训练方法等。

网络可以包含到多个隐含层，对于大部分应用场合，单个隐含层即可满足要求。

本文构建的神经网络为层人工神经网络。

输入层节点数取决于输入向量的维数，分别有种输入层节点数。

隐含层节点数对神经网络有较大影响，般较多的隐含层节点数可以带来更好的性能，通常采用经验公式−−−−−得出估计值，和分别为输出层和输入层神经元个数，为，之间的常数，本文取，分别有种隐含层节点数。

输出层用于事件类型的判定，神经元为个。

最终设计的网络结构有种。

图天然地震信号的层小波包变换隐含层传递函数使用线性函数，输出层采用，输出值限制在，间。

通过对几种主要的网络训练函数进行对比测试，最网络和径向基函数网络对地震和爆破信号进行识别，采用谱比和波拐角频率作为训练资料。

初步研究结果表明，采用人工智能技术可提高事件类型识别率。

特征提取不同事件或不同台站提供的地震波形记录长度会有所差异，特征提取应采用同样长度的波形记录。

相关研究认为，取窗口长度为点时的识别效果较好。

本文的特征提取是采用算法自动识别波初至位臵，对于个别波初至位臵识别误差较大的事件采用人工截取波形对波形的波初至位臵前推个点，后推个点，取窗口长度点。

小波特征的提取。

图天然地震信号的层小波变换维离散小波变换能量比特征如下若为原始信号，其长度为，信号采样点序号为，为信号分解后的第个小波系数目福建省地震局攻关项目。

摘要采用福建地区天然地震和人工爆破事件波形记录，通过维离散小波变换及层小波包变换对信号进行分解，提取出用于识别的种波形小波特征小波能量比特征小波包能量比特征小波包香农熵特征及小波包对数能量熵，此外还提取出震相振幅比采用神经网络对种小波特征及分别加入震相振幅比的组合特征进行识别效果检验，结果表明，单小波判据小波能量比特征识别效果好双判据组合震相振幅比和小波包对数能量熵的组合识别效果最好，可考虑作为实际天然地震与人工爆破在线自动识别系统的识别判据。

关键词神经网络震相振幅比地球物理学天然地震与人工爆破小波分析人工神经网络是人工智能的个重要分支，目前已有研探讨天然地震与人工爆破自动识别体系与小波特征和神经网络的结合地球物理学论文−−−−−得出估计值，和分别为输出层和输入层神经元个数，为，之间的常数，本文取，分别有种隐含层节点数。

输出层用于事件类型的判定，神经元为个。

最终设计的网络结构有种。

图天然地震信号的层小波包变换隐含层传递函数使用线性函数，输出层采用，输出值限制在，间。

通过对几种主要的网络训练函数进行对比测试，最终选取作为训练函数。

该函数采用算法，对于般大小的网络，训练算法运算速度快，训练样本较多时具有内存折减性。

对于测试样本，将提取的特征向量输入构建神经网络，依其输出值判定该事件的类型，判定标准为当时，判定为天然地震当时，判定为人工爆破非天然地造的神经网络检验各小波特征及特征组合的分类能力，图为震相振幅比和小波能量比组合特征向量库。

探讨天然地震与人工爆破自动识别体系与小波特征和神经网络的结合地球物理学论文。

图天然地震信号的层小波变换维离散小波变换能量比特征如下若为原始信号，其长度为，信号采样点序号为，为信号分解后的第个小波系数，其长度为，为其样点序号，则小波系数的能量比定义为，小波包变换能量比特征和香农熵对数能量熵特征如下若为原始信号，对其进行层小波包分解后得到第层的小波包系数，总共为个为信号分解后的第个小波的系数，其长度为，小波系数的结点序号为，则从第区的事件选择更具有代表性的样本提高系统的泛化能力等，进而提高识别率。

天然地震与人工爆破本质的差异是震源性质不同，其次是传播路径不致。

本文选取震中距较小的近台数据，减少传播路径的影响，尽可能反映人工爆破和天然地震的本质区别，但地震波传播路径的影响并不能被完全消除。

此外，个事件通常会有多台记录，今后将尝试使用多台数据对比验证本文的识别效果。

后期工作将在现有研究基础上考虑上述认识，进步改进识别算法并进行大批量的事件验证，将识别算法嵌入福建局自动地震编目系统，实现震源类型自动识别的日常化应用，减少地震分析的工作量和成本。

参考文献边银菊遗传网络在地震和爆破识别中的应用地震学报，张帆，韩晓明，郝美仙，等内蒙古阿拉善地区爆终选取作为训练函数。

该函数采用算法，对