一种基于势函数的微地震事件去噪和聚类方法技术

本发明专利技术公开了一种基于势函数的微地震事件去噪和聚类方法，包括如下步骤：将待聚类微地震事件数据集导入Matlab中；利用势函数计算任意事件i的势值和

A method of de-noising and clustering of microseismic events based on potential function

The invention discloses a microseismic event denoising and clustering method based on potential function, including the following steps: importing the dataset of microseismic events to be imported into Matlab, and calculating the potential value of I of arbitrary events by using potential function.

【技术实现步骤摘要】
一种基于势函数的微地震事件去噪和聚类方法
本专利技术属于聚类分析
，尤其是涉及一种基于势函数的微地震事件去噪和聚类方法。
技术介绍
微地震监测在国内外矿山工程、油气开采、边坡稳定和隧道工程等领域得到了广泛应用。其中，微地震事件聚类分析对地质结构解释和微地震灾害评估具有重要意义。微地震事件聚类可以人为划分，但其受主观因素影响较大，且很难实时处理大批量数据。为此，K-means聚类、凝聚层次聚类、自组织映射神经网络聚类和高斯聚类等方法被应用至微地震事件聚类分析中。凝聚层次聚类将每个点作为一个簇，每一步合并两个最接近的簇，噪声点容易各占一簇。此外，凝聚层次聚类容易得到条状结果。SOM聚类的本质是一种只有输入层-隐藏层的神经网络，其可视化效果较好，但其在每个输入数据找到一个最相似的类后，仍会更新临近的节点，使得其聚类效果较K-means差。GMM聚类将待聚类数据视为K个高斯簇，然而簇不为高斯分布时，聚类效果较差。而K-means聚类以其简单、实用等特点得到了广泛应用。Weatherill&Burton(2009)采用K-means聚类对Aegea区域地震分布和断层类型进行了研究。Rehman等(2014)借助K-means聚类解释了巴基斯坦地震灾害、风险和地质结构。Morales-Esteban等(2014)提出了一种基于自适应马氏距离的K-means聚类方法，并研究了克罗地亚和伊比利亚半岛的地震分布。Ramdani等(2015)利用K-means聚类中心验证了直布罗陀弧和安第斯山脉存在俯冲带。Besheli等(2015)使用K-means聚类对伊朗不同区域地震前兆进行了分析。上述K-means聚类研究未对初始聚类中心进行优化选取，且未对噪声事件进行去噪。可见现有的地震事件聚类方法存在很大的局限，需要研究一种具有去除噪声、优化初始聚类中心的自动聚类方法。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于势函数的微地震事件去噪和聚类方法，该微地震事件聚类方法具有势函数多样、去除噪声事件、易于得到全局最优等特点。专利技术的技术解决方案如下：一种基于势函数的微地震事件去噪和聚类方法，包括以下步骤：步骤1：将待聚类微地震事件数据集导入Matlab中；将待聚类微地震事件数据集U1导入Matlab中，U1指待聚类微地震事件的属性，每一个微地震事件的属性从微地震事件的三维坐标(Xi,Yi,Zi)、发生时间ti以及震级Mi中选取得到，i表示第i个微地震事件，i＝1,2,…,n，n为待聚类的微地震事件的数目；步骤2：利用势函数计算微地震事件i的势值和其中，表示微地震事件j对微地震事件i作用的势值，xi,l表示事件i的第l个属性值，xj,l表示事件j的第l个属性值；p为微地震事件属性维数，取值为2～5，Ω为距离作用因子，取值为以使得势值和的熵取得最小值时对应的Ω；U1-i表示数据集U1减去事件i，微地震事件属性单位不同时，势函数计算前须归一化输入数据。步骤3：设定第一阀值去除噪声微地震事件；将势值和小于第一阀值的微地震事件从U1中去除，得到去噪后的微地震数据集U2；由噪声数据的多少决定，将由小至大排列，一般取第5％～15％对应的数据作为的取值，即去掉5％～15％势值和最低的事件。噪声少取小值，噪声多取大值。步骤4：根据势值和-距离法获取去噪后的微地震数据集U2的聚类中心；所述势值和-距离法按照以下准则筛选聚类中心：(1)设定第二阀值将势值和大于的微地震事件作为可能的聚类中心集U3；其中，和分别为微地震数据集U2中所有微地震事件的势值和的第一四分位数和中位数；第一四分位数：将所有事件势值和由小到大排列后第25％的数字。中位数：将所有事件势值和由小到大排列后第50％的数字。(2)以势值和最大的微地震事件位置作为第一聚类中心点m1；(3)取数据集U3-m1中与m1距离最远的微地震事件位置作为第二聚类点m2；(4)计算数据集U3-m1-m2中每个微地震事件位置与点m1、m2的距离，取每个微地震事件位置与点m1、m2之间的较小距离作为数据集V3，再取V3中最大距离值对应的微地震事件位置作为第三聚类点m3；(5)计算数据集U3去除当前所有聚类点后的每个微地震事件位置与当前各个聚类点之间的距离，取每个微地震事件位置与各聚类点之间的较小距离作为数据集Vk，再取V中最大距离值对应的微地震事件位置作为第k聚类点mk；(6)判断当前聚类点个数是否为K，若是，则得到所有初始聚类中心点，否则，重复(5)，K为设定的聚类中心点数目；步骤5：以步骤4得到的聚类中心点m1,m2,…,mK作为K-means的初始聚类中心，对去噪后微地震事件聚类，并输出聚类结果。有益效果本专利技术提供的一种基于势函数的微地震事件去噪和聚类方法，主要解决典型K-means聚类算法未去除噪声微地震事件、初始聚类中心随机选取的问题。本方法包括如下步骤：将待聚类微地震事件数据集导入Matlab中；利用势函数计算任意事件i的势值和设定第一阀值去除噪声微地震事件；根据提出的势值和-距离法得到聚类中心；以此作为K-means的初始聚类中心，进而对去噪后微地震事件聚类。该方法有效地去除了定位误差较大的微地震事件，同时降低了K-means对初始聚类中心要求较高的技术问题。此方法具有势函数多样、去除噪声事件、易于得到全局最优等特点。附图说明图1是本专利技术所述方法流程图。图2是待聚类微地震数据坐标(Y,X)图。图3是待聚类微地震数据的势值和等密度线图。图4是去噪后微地震数据坐标和初始聚类中心图。图5是该专利聚类与典型K-means聚类效果比较图。具体实施方式下面将结合附图1～5，对本专利技术作进一步说明。本专利技术所述方法针对微地震事件典型K-means聚类未考虑去除噪声微地震事件、受初始聚类点影响较大的问题，提出一种基于势函数的微地震事件去噪和聚类方法。该方法借助势函数求得每个微地震事件的势值和，再利用势值和阀值去除噪声点，利用提出的势值和-距离法得到聚类中心，以此作为K-means初始聚类中心，得到更优的聚类效果。如图1所示，一种基于势函数的微地震事件去噪和聚类方法，包括以下步骤：步骤1：将待聚类微地震事件数据集导入Matlab中；将待聚类微地震事件数据集U1导入Matlab中，U1指待聚类微地震事件的属性，每一个微地震事件的属性从微地震事件的三维坐标(Xi,Yi,Zi)、发生时间ti以及震级Mi中选取得到，i表示第i个微地震事件，i＝1,2,…,n，n为待聚类的微地震事件的数目；步骤2：利用势函数计算微地震事件i的势值和其中，表示微地震事件j对微地震事件i作用的势值，xi,l表示事件i的第l个属性值，xj,l表示事件j的第l个属性值；p为微地震事件属性维数，取值为2～5，Ω为距离作用因子，取值为以使得势值和的熵取得最小值时对应的Ω；U1-i表示数据集U1减去事件i，微地震事件属性单位不同时，势函数计算前须归一化输入数据。步骤3：设定第一阀值去除噪声微地震事件；将势值和小于第一阀值的微地震事件从U1中去除，得到去噪后的微地震数据集U2；由噪声数据的多少决定。将由小至大排列，一般取第5％～15％对应的数据作为的取值，即去掉5％～15％势值和最低的事件。噪声少取小值，噪声多取大值。步骤4：根据势本文档来自技高网...

【技术保护点】
一种基于势函数的微地震事件去噪和聚类方法，其特征在于，包括以下步骤：步骤1：将待聚类微地震事件数据集导入Matlab中；将待聚类微地震事件数据集U1导入Matlab中，U1指待聚类微地震事件的属性，每一个微地震事件的属性从微地震事件的三维坐标(Xi,Yi,Zi)、发生时间ti以及震级Mi中选取得到，i表示第i个微地震事件，i＝1,2,…,n，n为待聚类的微地震事件的数目；步骤2：利用势函数计算微地震事件i的势值和

【技术特征摘要】
1.一种基于势函数的微地震事件去噪和聚类方法，其特征在于，包括以下步骤：步骤1：将待聚类微地震事件数据集导入Matlab中；将待聚类微地震事件数据集U1导入Matlab中，U1指待聚类微地震事件的属性，每一个微地震事件的属性从微地震事件的三维坐标(Xi,Yi,Zi)、发生时间ti以及震级Mi中选取得到，i表示第i个微地震事件，i＝1,2,…,n，n为待聚类的微地震事件的数目；步骤2：利用势函数计算微地震事件i的势值和其中，表示微地震事件j对微地震事件i作用的势值，xi,l表示事件i的第l个属性值，xj,l表示事件j的第l个属性值；p为微地震事件属性维数，取值为2～5，Ω为距离作用因子，取值为以使得势值和的熵取得最小值时对应的Ω；步骤3：设定第一阀值去除噪声微地震事件；将势值和小于第一阀值的微地震事件从U1中去除，得到去噪后的微地震数据集U2；步骤4：根据势值和-距离法获取去噪后的微地震数据集U2的聚类中心；所述势值和-距离法按照以下准则筛选聚类中心：(1)设定第二阀值将势值和大于的微地震事件作为可能的聚类中心集U3；其中，和分别为微地震数据集U2中所有微地震事件的势值和的第一四分位数和中位数；(2)以势值和最大的微地震事件位置作为第一聚类中心点m1；(3)取数据集U3-m1中与m1距离最远的微地震事件位置作为第二聚类点m2；(4)计算数据集U3-m1-m2中每个微地震事...

【专利技术属性】
技术研发人员：尚雪义，李夕兵，董陇军，王泽伟，刘栋，周勇勇，刘德彪，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43