كاربرد ضرايب فيلتر آرما در تشخيص رويدادهاي لرزه اي

Classification Events Using ARMA Coefficients Filters

مساله تشخيص انفجارهاي مصنوعي از زلزله هاي طبيعي يكي از مسايلي است كه بخش وسيعي از تحقيقات زلزله-شناسي را به خود اختصاص داده است. لرزه شناسي از تكنيكهاي مختلفي براي مطالعه ميدان جابه جايي استفاده مي-كند تا اطلاعاتي درباره ماهيت منابع لرزه اي و زمين، به دست آورد. اگر چه بعضي از تكنيكها به جنبه هاي خاصي از امواج لرزه اي در زمين بستگي دارند، بقيه ويژگيهاي كلي به توابع فضا و مكان متكي هستند. در مسايل طبقهبندي، هدف ساختن يك ماشين طبقهبندي با استفاده از مجموعه متناهي از نمونهها ميباشد. آرما1 (ARMA) روش پارامتري براي مدلسازي سيگنال است. اين روش براي مسايلي كه در آنها سيگنال مي تواند با يك تابع منبع صريح معلوم كه داراي پارامترهاي قابل تنظيم است، مناسب باشد. نتايج به دست آمده نشان مي دهد كه شبكه عصبي مصنوعي به طور موثر و دقيق، ضرايب آرما را محاسبه مي كند. شبكه عصبي مصنوعي در مقايسه با ساير روشهاي موجود، كاركرد بهتري در محاسبه ضرايب آرما از خود نشان مي دهد كه به خاطر طبيعت غيرخطي شبكه عصبي مصنوعي است. داده ها، شامل 34 سيگنال زلزله و 36 سيگنال انفجار از منطقه قزاقستان و چين است كه به طول 4096 نمونه و نرخ نمونه برداري Hz20 مي باشد. در ابتدا، داده ها از فيلتر پايين گذر Hz4-5/0 طراحي شده، عبور داده مي شوند و سپس نرخ نمونه برداري آنها به Hz10 كاهش مي يابد. جهت استخراج ويژگيها، ابتدا پنجره اي به طول دلخواه (تاثير تغيير طول پنجره بر روي عملكرد طبقه بندي، در شبيه سازيها مورد بررسي قرار گرفته است) روي نمونه ها اعمال شده و به اين ترتيب، ضرايب مدل آرما براي هر بخش از نمونه ها به صورت جداگانه حاصل مي شوند و مجموع اين ضرايب، به عنوان ويژگيهاي سيگنال در طبقه بندي مورد استفاده قرار مي گيرند. بررسي نتايج اين پژوهش نشان مي دهد كه به كارگيري شبكه عصبي هم در حصول ويژگيهاي استخراج شده از سيگنالها و هم در طبقه بندي داده ها ساختار مناسبي جهت تفكيك در مساله پيش رو به دست مي دهد. نتايج به دست آمده، كارايي روش مذكور را در تفكيك داده هاي محدود موجود نمايان مي سازد و به نظر مي رسد كه به كار گرفتن اين ساختار، روشي مناسب براي طبقه بندي سيگنالهاي لرزه اي باشد.

Abstract This study continues exploring methodologies to improve earthquake-explosion discrimination using regional amplitude such as ARMA coefficients. The earliest simple source models predicted P wave amplitudes for explosions should be much larger than for earthquakes across the body wave spectrum. However, empirical observations show that the separation of explosions from earthquakes using regional P amplitudes is strongly frequency dependent, with relatively poor separation at low frequencies (~1 Hz) and relatively good separation at high frequencies ( > ~3 Hz). The authors of this paper demonstrate this by using closely located pairs of earthquakes and explosions recorded on common, publicly available stations at test sites around the world. It was shown that this pattern appeared to have little dependence on the point source variability revealed by P-waves and surface waves. Therefore, S-waves resulted by explosions can be predicted from the P-wave models via a frequency dependent transfer function. A recent model by Allamehzadeh (2011) shows that the explosion ARMA coefficients can be modeled using the P-wave spectra with the corner fre-quency reduced by the ratio of the wave velocities, which seems to imply a direct generation of S-waves in the source region. A number of nuclear tests were examined from around the world in the light of these models. In this paper, the problem of seismic source classification is considered at regional distances. The neural network classifier is fed by Nonlinear AutoRegressive Moving Average (NARMA) coefficients extracted from raw data as feature set. The authors have devised a supervised neural system to discriminate between earthquakes and chemical explosions applying filter coefficients obtained from the windowed P-wave phase (15 sec). First, the recorded signals are preprocessed to cancel out instrumental and attenuation site effects and obtain a compact representation of seismic records. Then, a Quadratic Neural Network (QNN) system was used to extract nonlinear ARMA coefficients for feature extraction in the discrimination problem. These coefficients were then applied to a probabilistic network for the purpose of training and classification. The results have shown that the overall combination of this feature extraction and classifier structure leads to a suitable seismic discrimination performance. The events tested include 36 chemical explosions at the Semipalatinsk test site in Kazakhstan and at test site in China as well as 61 earthquakes (mb = 5.0-6.5) recorded by the Iranian National Seismic Network (INSN). In this study, we implemented feature extraction-feature discrimination approach to the seismic discrimination problem by using Neural Networks. As the discrimination features, various power or ARMA characteristics of seismo-grams were used that are typically different for earthquakes and explosions. The discrimination problem was solved by application of statistical pattern recognition techniques.