随着地震监测能力的提升和人类生产活动干扰的增加，现今数字化地震设备记录了越来越多的爆破与塌陷信号。这些非天然地震信号不仅造成较高的地震误触发率，也影响地震预警、地震速报及地震应急的时效性与准确性。为进一步加强和完善地震监测、应急与科研工作，提高地震学研究的整体效率，地震类型的分类识别问题亟待解决。国内外关于天然地震与非天然地震的识别研究始于20世纪50年代，主要是基于数字信号理论和地震信号的特点，针对地震信号的波形、震相、频谱等特征开展研究，例如振幅比、瞬态谱等方法^[1]。目前的研究重点是天然地震与人工爆破及核爆的识别，而针对天然地震、爆破与塌陷的识别方法研究较少，且大多是依赖于波形和震相特点的人工识别，而对于地震监测工作者而言，这3种地震类型的自动识别研究更具有实际意义。近年来，刘希强等^[2]和黄汉明等^[3]基于小波理论对天然地震、爆破及塌陷的分类识别展开研究。本文利用LIBSVM分类方法，通过识别3种地震类型的波形特征向量来实现地震类型的识别，并设计一系列实验研究影响最终分类效果的因素。

1 研究方法 1.1 小波分析与特征提取

将地震事件预处理为sac格式，采用小波分析方法对数据进行分解，地震信号分解后会产生若干个小波系数，对小波系数提取波形特征，将其依次排序组成多维向量作为波形特征向量。

本文采用的小波分解方式有小波包分解(WPT)和离散小波变换(DWT)，并对地震信号作4层分解。小波包分解(WPT)是对每层的高频和低频部分同时进行分解，将产生的2⁴=16个香农熵小波系数依次排序组成16维的波形特征向量。离散小波变换(DWT)仅分解每层的低频部分，分解后产生1个低频系数和4个高频系数，组成5维的波形特征向量。地震信号分解得到的波形特征向量数值巨大，为便于计算处理，对其全部归一化^[4-5]。

1.2 支持向量机方法

早在1963年，Vapnik就提出了支持向量机(SVM)的概念。支持向量机是一种通过对不同类别的已知样本的特点进行学习，来预测未知样本类别的机器学习方法^[6]。1995年统计学理论得到迅速发展，使得SVM理论得到进一步发展和完善，并在解决非线性模式识别问题、小样本模式识别问题，尤其是高维模式识别问题上展现出极大的优势^[3]。对于线性不可分的情形，SVM则是利用核函数将空间向量映射到高维空间，将问题转化成高维空间下的线性可划分问题。普通的支持向量机分类算法C-SVC是使用一个常数C来调节模型复杂程度与训练样本误差大小之间的平衡^[7]。由于该常数的效果取决于决策者的经验，因此研究者通过引入一个0~1之间的参数υ来调节算法误差，以改善这个问题，这就是υ-SVC算法。

SVM的本质是一个二分类的算法分类器，也可以扩展到多分类的情形，本文采用的扩展方式是一对多方法。该方法的原理是依次将N个类别中的一类单独分类，剩下的归为一类，得到的N种二分类器都对未知样本进行分类，从分类结果中选择出现最多的类别作为最终结果^[8-9]。3种地震类型——天然地震、爆破与塌陷的分类识别就是一个典型的多分类问题。

2 影响因素分析实验 2.1 数据选取

选用山东地区2006~2017年地震事件的波形记录，统一采用BHN分量的记录，其中爆破事件的数据采用M≥1.5的记录，塌陷事件的数据则采用M≥2的记录，天然地震事件的数据采用M≥3的近震记录，并在其中择取记录清晰、信噪比高的波形数据作为原始数据。最终每类事件数据各择取60个，其中随机选取20个作为训练样本，剩余40个作为测试样本，共计训练样本60个，测试样本120个。在总计的180个样本中，天然地震事件选用的记录台站沿省内断裂带均有分布，能较全面地反映山东省近震记录的特点；而塌陷和爆破事件由于更受地形及人类活动的影响，记录台站并未遍布全省。

2.2 实验设计

通过分析可知，影响最终分类效果的因素主要有信号窗长度、小波分解方式、小波基类型、向量机算法类型、向量机核函数类型等，其中核函数类型选用4种——线性核函数、多项式核函数、RBF核函数和sigmoid核函数。将数据集分为8组进行64次实验，以第1组的8次实验为例，其中第1组实验均采用信号窗长度1 000 s、DWT小波分解方式、db7小波基类型进行，而向量机算法与核函数类型有所区别，实验1-1~1-4采用υ-SVC算法，实验1-5~1-8则采用C-SVC算法，具体实验设计见表 1。

3 影响因素探讨 3.1 信号窗长度

在尽可能包含完整波形的地震事件中，以事件记录的最大振幅处为中心点，分别截取1 000 s、2 000 s、4 000 s和6 000 s等4种窗长的信号，来研究不同信号窗长度的记录对最终分类识别效果的影响。不同信号窗长度截取的事件记录波形如图 1所示。

本文选取第1、3、7、8组实验进行不同信号窗长度的分类识别效果测试，各组均采用相同的DWT小波分解方式和db7小波基类型，而采用不同的信号窗长度，表 2(单位%)为对应的识别率统计结果。

由表 2可知，采用2 000 s的信号窗长度时，识别率整体最优。还可以看出，在υ-SVC算法下，核函数类型选择线性或多项式核函数时识别率明显较高。

3.2 小波分解方式

本次实验采用DWT和WPT两种小波分解方式，共进行2组对照实验，用来测试不同小波分解方式对最终分类识别效果的影响。表 3(单位%)为第1、2组实验和第3、6组实验分别进行分类识别的结果。

由表 3可知，不论采用DWT还是WPT的小波分解方式，对最终分类识别结果的影响不大。还可以看出，在υ-SVC算法下，核函数类型选择线性或多项式核函数时识别率明显较高。

3.3 小波基的类型

表 4(单位%)为采用DWT小波分解方式、2 000 s信号窗长度时不同小波基的识别率统计结果。由表可知，采用不同小波基时的分类识别效果为db7小波基＞sym6小波基＞rbio1.5小波基，且υ-SVC算法下的识别结果明显优于C-SVC算法。

3.4 支持向量机算法与核函数的类型

表 5为采用不同向量机算法与核函数时的分类识别结果。由表可见：1)采用υ-SVC算法的整体识别效果优于C-SVC算法，C-SVC算法在识别3种地震类型时，识别率几乎都在70%以下或至少一种类型全部识别错误；而当采用υ-SVC算法+多项式核函数的组合时，识别率均在80%以上。2)采用sigmoid核函数时，全部实验中的地震事件都被识别为塌陷；当采用RBF核函数时，实验中的全部天然地震与大部分爆破被识别为塌陷，少部分爆破能被正确识别。线性核函数与多项式核函数只有在υ-SVC算法下才能达到较好的识别效果，其中当采用υ-SVC算法+多项式核函数的组合时，无论采用哪一种信号窗长度、小波分解方式和小波基类型，都能达到较好的识别结果，识别的成功率和稳定性均较高。

3.5 总体评估

本文通过8组64次实验研究了信号窗长度、小波分解方式、小波基类型、向量机算法类型、向量机核函数类型5种因素对3种地震类型分类识别效果的影响。识别率高于75%的13种组合方式见表 6。

由表 6可知，本文的各组实验设计了不同的影响因素组合，在64种组合方式中，识别率高于75%的有13种，高于80%的有11种，高于85%的有8种。当识别率高于85%时，绝大多数爆破与天然地震能被正确识别，只有少部分塌陷被识别；当识别率低于85%时，天然地震的误识别率也显著增加；当识别率低于80%时，近半数天然地震被误识别。

4 结语

在本文的影响分类效果因素实验研究中，5种影响因素——信号窗长度、小波分解方式、小波基类型、向量机算法类型、向量机核函数类型均对地震类型分类的识别结果产生了一定的影响。其中，信号窗长度采用2 000 s时识别效果最优；2种小波分解方式的识别效果均较好，DWT略优于WPT；小波基类型采用db7时识别效果最优；向量机算法类型采用υ-SVC时的识别率明显高于C-SVC；向量机核函数类型的选用需考虑向量机算法类型的影响，只有在υ-SVC算法下线性核函数与多项式核函数才能达到较好的识别效果。

综合实验结果可知，识别率最高的3组处理方式均采用了2 000 s信号窗长度+db7小波基+υ-SVC算法的组合，识别率前3名的组合依次为：1)2 000 s信号窗长度+DWT小波分解方式+db7小波基+υ-SVC算法+线性核函数；2)2 000 s信号窗长度+DWT小波分解方式+db7小波基+υ-SVC算法+多项式核函数；3)2 000 s信号窗长度+WPT小波分解方式+db7小波基+υ-SVC算法+多项式核函数。

本文研究所得的识别率较高的几种影响因素组合，可应用于地震监测部门对地震类型的实时分类识别，以进一步提高地震类型识别率和触发准确率。然而，地震类型的分类识别是一个复杂的研究课题，用少量的影响因素和有限的地区样本仅能进行初步的探讨，未来应发掘和研讨更多影响分类识别效果的指标，使用更多地区的地震事件作进一步研究和验证。