一种基于HVSR动态聚类的场地特性分析方法技术

本发明专利技术提出一种基于HVSR动态聚类的场地特性分析方法，采用动态聚类算法处理HVSR序列，具体通过求解在条件约束下的正则化目标函数的优化问题，其中正则化目标函数的第一项使得所有类内的加权总距离最小，第二项使相邻类间隔的权重更平滑，即类间的区别更明显。本发明专利技术的技术方案采用动态聚类学习方法分配的中心和反应谱均值无偏差，展现出良好的聚类性能及鲁棒性。及鲁棒性。及鲁棒性。

【技术实现步骤摘要】
一种基于HVSR动态聚类的场地特性分析方法


[0001]本专利技术属于地震动频谱特性分析
，具体涉及一种基于HVSR动态聚类的场地特性分析方法。

技术介绍

[0002]目前我国强震动台网的部分台站缺少钻孔勘测资料，台站场地分类较为简化，因此，基于谱比曲线形状对台站场地进行分类，可以作为一种有效解决这一问题的手段。然而，利用强震记录研究场地效应必须尽量消除震源和传播路径的影响。最早采用的方法是选择靠近土层的露头基岩或者钻孔底部基岩面作为参考点，将土层各点观测记录的傅里叶谱和参考点对比，得到场地放大倍数随频率变化曲线，这种参考点谱比法受限于合适的参考点选取，无法用于大范围区域的台站场地分类，一般仅用于研究具体台站的场地效应；当场地较硬时，表层土和底层基岩面阻抗比相对较小，场地放大会降低很多；一般情况下，岩石和硬土的场地平均谱比曲线比软土场地的曲线要平坦很多，仅根据卓越周期来判断很有可能失效。现有的一套基于H/V谱比曲线形状的分类标准，其分类结果的聚类性能及鲁棒性需要进一步提高。

技术实现思路

[0003]针对以上技术问题，本专利技术一方面提出一种基于HVSR动态聚类的场地特性分析方法，所述方法采用动态聚类算法处理HVSR序列，所述动态聚类算法具体为在条件(2)约束下的正则化目标函数(1)的优化问题，
[0004][0005][0006]所述正则化目标函数(1)包括距离函数P和正则项Qw，C为聚类中心；U为二元矩阵，λ
ip
为U中的元素；W为权重矩阵，w
pj
>为W中的元素；m0为每类中至少分配的HVSR序列数，i,j,p,m,n,k均为整数。
[0007]本专利技术另一方面提出一种计算机系统，该系统包括多个计算器，每个所述计算器执行用于实现以上方法的所有指令。
[0008]和现有技术相比，本专利技术的技术方案采用动态聚类学习方法分配的中心和反应谱均值无偏差，展现出良好的聚类性能及鲁棒性。
附图说明
[0009]图1：一些实施方式对强地震动数据进行基线校正和滤波处理的前后对照；
[0010]图2：一些实施方式的动态聚类算法的处理结果；HVSR聚类结果：(a)第一类，(b)第
二类，(c)第三类，(d)聚类中心；其分类数为3。
具体实施方式
[0011]首先，对本专利技术中的一些术语进行必要的解释和说明。HVSR：Horizontal
‑
to
‑
vertical spectral ratio水平/竖向谱比法；动态聚类：包括一类优化问题，所述优化问题被定义为具有正则化目标函数；地震动数据：台站收集的地震动数据，其中的S波段为地震横波，(地震信号中的S波是影响场地的主要能量)，其中EW为东西向，其中NS为南北向，其中UD为上下向，地震动数据可以从一些公开的数据库获取，例如PEER NGA地震动数据库，日本DONET1海域地震动数据。
[0012]通过以下实施方式说明本专利技术的技术方案，但不应理解为对本专利技术的限制。在不背离本专利技术精神和实质的情况下，对本专利技术方法、步骤或条件所作的修改或替换，均属于本专利技术的范围。
[0013]一些实施方式，采用动态聚类算法处理HVSR序列，所述动态聚类算法包括：
[0014]在条件(2)的约束下计算如下的正则化目标函数(1)的解，
[0015][0016][0017]所述正则化目标函数(1)包括距离函数P和正则项Qw，C为聚类中心；U为二元矩阵，λ
ip
为U中的元素；W为权重矩阵，w
pj
为W中的元素；m0为每类中至少分配的HVSR序列数，i,j,p,m,n,k均为整数。优选地，m0＝6；为保证每类结果具有统计意义，设置每类最少存在6组HVSR序列。
[0018]优选地，将每个所述HVSR序列设置为添加包括：编号、震级、震中距、台站等信息的一种或多种标签。添加了标签，就可以知道聚类结果对应于哪一组地震记录，方便对分类特性从地震相关参数中进行总结。
[0019]一些更具体的实施方式的距离函数P包括一种如下式(3)的距离函数P：
[0020][0021]C为聚类中心，其中c
pj
为p个类中心；U为二元矩阵，λ
ip
为U中的元素；W为权重矩阵，w
pj
为W中的元素；z
ij
为所述HVSR序列；i,j,p,m,n,k均为整数；其中最佳分类数k为3。随着分类数增大，误差平方和趋于稳定，结合肘部法则确定最优分类数k为3。
[0022]一些更具体的实施方式所述正则项Q
W
具体包括一种如下式(4)的正则项Q
W
：
[0023][0024]其中，α为平滑参数，W为权重矩阵，w
pj
为W中的元素。具体的，α计算方法如：
[0025][0026]一些实施方式还包括一种动态聚类学习流程，所述动态聚类学习流程包括将所述
正则化目标函数(1)的聚类中心C、权重矩阵W、二元矩阵U中的两个变量作为已知量，采用信息更新方法优化第三变量的步骤。
[0027]更具体的实施方式涉及的所述动态聚类学习流程包括对S1
‑
S3步骤的迭代：
[0028]S1给定假设的权重矩阵W和聚类中心C，当满足如(5)的条件时，所述HVSR序列被分配到所述假设聚类中心C的类中：
[0029][0030]其中，λ
ip
为U中的元素；m0为每类中至少分配的HVSR序列数，优选地，m0＝6；为保证每类结果具有统计意义，设置每类最少存在6组HVSR序列；i,p,m,k均为整数；其中，k为最佳分类数，优选地k为3；
[0031]S2当确定权重矩阵W和二元矩阵U后，通过令所述正则化目标函数(1)的导数为0求解信息更新后的新聚类中心；
[0032]S3通过S1和S2确定二元矩阵U和聚类中心C，当满足如(6)的条件时，计算权重矩阵W：
[0033][0034]其中w
pj
为权重矩阵W中的元素。
[0035]需要说明的是，动态聚类学习流程旨在最小化正则化目标函数(1)，将原问题被转化为一个计算权重矩阵W的二次规划问题。
[0036]S2具体包括按下式的计算：
[0037][0038][0039]其中，λ
ip
为二元矩阵U的元素，z
ij
为所述HVSR序列，w
pj
为权重矩阵W中的元素，c
pj
为p个类中心。
[0040]S3中，采用Frank
‑
Wolfe优化方法求解二次规划问题，计算步骤参见文献：Frank M,Wolfe P.An algorithm for quadratic programming[J].Naval research logistics quarterly,1956,3(1
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于HVSR动态聚类的场地特性分析方法，其特征在于，所述方法采用动态聚类算法处理HVSR序列，所述动态聚类算法具体为在条件(2)约束下的正则化目标函数(1)的优化问题，化问题，所述正则化目标函数(1)包括距离函数P和正则项Qw，C为聚类中心；U为二元矩阵，λ
ip
为U中的元素；W为权重矩阵，w
pj
为W中的元素；m0为每类中至少分配的HVSR序列数，i,j,p,m,n,k均为整数。2.如权利要求1所述的方法，其特征在于，所述距离函数P具体包括一种如下式(3)的距离函数P：C为聚类中心，其中c
pj
为p个类中心；U为二元矩阵，λ
ip
为U中的元素；W为权重矩阵，w
pj
为W中的元素；z
ij
为所述HVSR序列；i,j,p,m,n,k均为整数，其中k为最佳分类数，优选地k为3。3.如权利要求1所述的方法，其特征在于，所述正则项Q
W
具体包括一种如下式(4)的正则项Q
W
：其中，α为平滑参数，W为权重矩阵，w
pj
为W中的元素，j,p,n,k均为整数。4.如权利要求1所述的方法，其特征在于，还包括一种动态聚类学习流程，所述动态聚类学习流程包括将所述正则化目标函数(1)的聚类中心C、权重矩阵W、二元矩阵U中的两个变量作为已知量，采用信息更新方法优化第三变量的步骤。5.如权利要求4所述的方法，其特征在于，所述动态聚类学习流程具体包括：S1给定假设的权重矩阵W和聚类中心C，当满足如(5)的条件时，所述HVSR序列被分配到所述假设聚类中心C的类中：其中，λ
ip
为二元矩阵U中的元素；m0为每类中至少分配的HVSR序列数，m0取值为6；i...

【专利技术属性】
技术研发人员：陈苏，刘献伟，李小军，孙浩，傅磊，戴志军，
申请(专利权)人：中国地震局地球物理研究所，
类型：发明
国别省市：