一种滑坡次声信号识别方法技术

本发明专利技术提供一种滑坡次声信号识别方法，包括以下步骤：采集多种不同类型的来自滑坡体的土壤，获取滑坡次声信号；通过野外现场采集环境干扰次声信号；分别分析所述滑坡次声信号和干扰次声信号在时、频域上的相关特征以及特征差异，提炼出一系列具有表征性的关键特征；根据所述关键特征，结合KNN分类算法，建立滑坡次声信号智能识别模型，对监测到的信号进行判别。本发明专利技术能够排除环境噪声干扰，实现滑坡次声信号的准确识别。

A Landslide Infrasound Signal Recognition Method

【技术实现步骤摘要】
一种滑坡次声信号识别方法
本专利技术涉及地质灾害监测
，具体的说是一种滑坡次声信号识别方法。
技术介绍
滑坡体从开始发育到最后滑动过程中，会因坡体变形、断裂和摩擦而释放出具有一定频率的、可在空气中稳定传播且蕴含重要地质信息的次声波。滑坡体在灾变过程中产生的次声波信号在时、频域上有其独特特征，次声波的传播速度与空气密度、压力等均无关，仅与温度有关，且其声发射源是球面波，无方向性，向四面八方进行传播。此外，次声具有穿透力强、受空气和水的粘滞作用弱、在传播过程中不易发生畸变且能量衰减极小等特点，能够为滑坡次声波源远距离监测提供有利条件。因此，利用次声信号的特点，次声传感器可以接收滑坡体在灾变过程中产生的次声信号。因而，可以通过对滑坡体灾变过程中产生的次声波进行监测获得一定的提前量以实现警报。利用次声监测滑坡灾害的现有技术主要是：通过部署一个或多个次声传感器来监测某个滑坡易发区，从而判断该区域内是否将要发生滑坡灾害。然而，这类技术存在的问题是没有排除环境干扰噪声的影响(自然界很多现象或事件都会产生次声波信号)，致使识别准确率不高。现有技术《泥石流次声信号筛选方法、发生定位方法、路径监控方法》(刘敦龙，2014)公开了一种利用次声对泥石流次声信号进行筛选、发生地定位和运动路径监控的方法。该方法在泥石流易发区域内选取3个易于接收泥石流次声信号的监测地点，每个点安装1个次声传感器，构成一个三角形阵，阵元间距为1～2Km。根据获取的次声信号的特征，判别接收到的信号是否来自泥石流，若来自泥石流，则计算各阵元接收到同一次声信号的时间差，根据基于声达时间差的声源定位算法估算泥石流的发生位置。该方法若应用于滑坡监测预警，存在的缺陷是：滑坡次声信号特征与泥石流次声信号特征完全不同，无法利用泥石流次声信号识别方法对滑坡次声信号进行判别。
技术实现思路
针对现有技术中存在的上述不足之处，本专利技术要解决的技术问题是提供一种滑坡次声信号识别方法。本专利技术为实现上述目的所采用的技术方案是：一种滑坡次声信号识别方法，包括以下步骤：采集多种不同类型的来自滑坡体的土壤，获取滑坡次声信号；通过野外现场采集环境干扰次声信号；分别分析所述滑坡次声信号和干扰次声信号在时、频域上的相关特征以及特征差异，提炼出一系列具有表征性的关键特征；根据所述关键特征，结合KNN分类算法，建立滑坡次声信号智能识别模型，对监测到的信号进行判别。对采集到多种不同类型的土壤开展滑坡灾变室内模拟实验，从而获取滑坡次声信号。通过野外现场采集的环境干扰次声信号包括以下信号的任意组合：大风、雷电、爆破以及飞机和汽车的引擎产生的次声信号。所述分析所述滑坡次声信号和干扰次声信号在时、频域上的相关特征及特征差异，提炼出具有表征性的关键特征，包括以下步骤：通过切比雪夫II型滤波器对采集到的滑坡次声信号进行滤波降噪处理，以去除随机噪声的影响，同时获取信号的最大振幅，通过信号振幅的变化来计算短时过零率；通过海明窗对去除随机噪声的滑坡次声信号进行分帧加窗；通过快速傅里叶变换和短时傅里叶变换对分帧加窗处理后的滑坡次声信号进行频率分布情况分析，提取出峰值频率；通过一阶矩二阶矩谱估计分析并提取分帧加窗处理后的滑坡次声信号的中心频率和谱线宽度。所述关键特征包括短时过零率、峰值频率、中心频率、谱线宽度以及最大有效声压。滑坡次声信号/干扰次声信号的特征向量是[短时过零率，峰值频率，中心频率，谱线宽度]。所述根据所述相关特征建立滑坡次声信号智能识别模型，对监测到的信号进行判别，包括以下步骤：滤波降噪处理：利用切比雪夫II型滤波器对待识别信号S1进行低通滤波降噪，滤除高频部分，只保留次声部分；分析有效声压：分析该段待识别信号S1的有效声压P1，若P1＜5Pa，则继续判别，否则视为非滑坡次声信号；分析特征值：利用快速傅里叶变换以及一阶矩和和二阶矩谱估计方法分析该段待识别信号S1的短时过零率、峰值频率、中心频率和谱线宽度这四个特征值，分别为g1、f1、m1、w1；建立特征向量：利用滑坡、风、爆破、雷电、引擎以及S1的短时过零率、峰值频率、中心频率和谱线宽度四个特征值建立各次声源的特征向量；特征向量归一化：将待识别信号S1与已知类别声源的短时过零率、峰值频率、中心频率和谱线宽度四个特征值分别进行2-范数归一化处理；待识别信号分类：将待识别信号S1作归一化处理后的特征向量分别与滑坡、风、爆破、雷电、引擎作归一化处理后的特征向量进行K-近邻分类，记录与待识别信号S1距离最近的声源类型，即为S1的声源类型，从而实现待识别信号S1的类别判断。所述各次声源的特征向量包括：滑坡：[0.01，2.0，3.6，3.3]，风：[0.11，2.7，5.6，3.9]，爆破：[0.06，4.5，8.3，6.4]，雷电：[0.12，2.8，4.8，3.8]，引擎：[0.22，5.2，10.4，6.7]；S1：[g1，g1，m1，w1]。所述K-近邻分类取K＝1，采用欧式距离。还包括对收集的滑坡次声信号和环境干扰次声信号进行划分，按照4∶1的比例，随机分为训练集和测试集，对训练集执行分析所述滑坡次声信号和干扰次声信号在时、频域上的相关特征以及特征差异步骤，所述测试集用于验证：利用各类型声源剩余的若干段信号对所述滑坡次声信号智能识别模型进行验证。本专利技术具有以下优点及有益效果：1、能够排除环境噪声干扰，实现滑坡次声信号的准确识别。2、能够进行实时现场监测与判别。3、能够为滑坡监测预警提供可靠的信息依据。附图说明图1为本专利技术方法流程图；图2为本专利技术的土质滑坡灾变室内模拟试验装置的结构图；图3为本专利技术实际案例1中的一段滑坡的次声信号图；其中(a)为时序波形图，(b)是时频联合域分析图，(c)是功率谱密度图；图4为本专利技术实际案例1中的同类别特征2-范数归一化图；图5为本专利技术实际案例2中的一段飞机的次声信号图；其中(a)为时序波形图，(b)是时频联合域分析图，(c)是功率谱密度图；图6为本专利技术实际案例3中的一段雷电的次声信号图；其中(a)为时序波形图，(b)是时频联合域分析图，(c)是功率谱密度图。具体实施方式下面结合附图及实施例对本专利技术做进一步的详细说明。本专利技术的整体步骤如图1所示。滑坡按组成物质分为土质滑坡和岩质滑坡两类，本专利技术的实施例主要介绍土质滑坡，该方法同样适用于岩质滑坡。本专利技术的实施例如下：(1)对采集的多种(至少有10种类型的土壤)不同类型的土壤(均来自滑坡体)进行多次滑坡灾变室内模拟试验(每种土壤根据压实程度和颗粒级配不同，至少进行20组试验，每组试验根据信号质量和持续时间，可提取出若干段有效的滑坡次声信号)，大量收集不同土质滑坡在灾变过程中产生的次声信号(至少收集1000组有效样本数据，每组3000个样本数值)。同时，对风、雨、雷电以及人类活动如飞机、引擎和矿山爆破等山区常见环境干扰次声进行大量观测采样，均收集大量的次声信号数据样本(每种干扰噪声至少收集1000组有效样本数据，每组3000个样本数值)；滑坡灾变室内模拟试验是通过在野外的真实滑坡体上采集的各种类型的土壤，然后利用如图2所示的土质滑坡灾变模拟试验装置(该装置的
技术实现思路
记载在专利申请2017103173576中)来进行滑坡实验，主要目的是为了获取不同类型土壤、不同固结度本文档来自技高网...

【技术保护点】
1.一种滑坡次声信号识别方法，其特征在于，包括以下步骤：采集多种不同类型的来自滑坡体的土壤，获取滑坡次声信号；通过野外现场采集环境干扰次声信号；分别分析所述滑坡次声信号和干扰次声信号在时、频域上的相关特征以及特征差异，提炼出一系列具有表征性的关键特征；根据所述关键特征，结合KNN分类算法，建立滑坡次声信号智能识别模型，对监测到的信号进行判别。

【技术特征摘要】
1.一种滑坡次声信号识别方法，其特征在于，包括以下步骤：采集多种不同类型的来自滑坡体的土壤，获取滑坡次声信号；通过野外现场采集环境干扰次声信号；分别分析所述滑坡次声信号和干扰次声信号在时、频域上的相关特征以及特征差异，提炼出一系列具有表征性的关键特征；根据所述关键特征，结合KNN分类算法，建立滑坡次声信号智能识别模型，对监测到的信号进行判别。2.根据权利要求1所述的一种滑坡次声信号识别方法，其特征在于，对采集到多种不同类型的土壤开展滑坡灾变室内模拟实验，从而获取滑坡次声信号。3.根据权利要求1所述的一种滑坡次声信号识别方法，其特征在于，通过野外现场采集的环境干扰次声信号包括以下信号的任意组合：大风、雷电、爆破以及飞机和汽车的引擎产生的次声信号。4.根据权利要求1所述的一种滑坡次声信号识别方法，其特征在于，所述分析所述滑坡次声信号和干扰次声信号在时、频域上的相关特征及特征差异，提炼出具有表征性的关键特征，包括以下步骤：通过切比雪夫II型滤波器对采集到的滑坡次声信号进行滤波降噪处理，以去除随机噪声的影响，同时获取信号的最大振幅，通过信号振幅的变化来计算短时过零率；通过海明窗对去除随机噪声的滑坡次声信号进行分帧加窗；通过快速傅里叶变换和短时傅里叶变换对分帧加窗处理后的滑坡次声信号进行频率分布情况分析，提取出峰值频率；通过一阶矩二阶矩谱估计分析并提取分帧加窗处理后的滑坡次声信号的中心频率和谱线宽度。5.根据权利要求1所述的一种滑坡次声信号识别方法，其特征在于，所述关键特征包括短时过零率、峰值频率、中心频率、谱线宽度以及最大有效声压。滑坡次声信号/干扰次声信号的特征向量是[短时过零率，峰值频率，中心频率，谱线宽度]。6.根据权利要求1所述的一种滑坡次声信号识别方法，其特征在于，所述根据所述相关特征建立滑坡次声信号智能识别模型，对监测到的信号进行判别，包括以下步骤：滤波降噪处理：利用切比雪夫...

【专利技术属性】
技术研发人员：刘敦龙，唐聃，吴非，何磊，张少杰，高燕，岳希，
申请(专利权)人：成都信息工程大学，中国科学院光电技术研究所，
类型：发明
国别省市：四川,51