کاربرد ضرایب فیلتر آرما در تشخیص رویدادهای لرزه ای

مساله تشخیص انفجارهای مصنوعی از زلزله های طبیعی یکی از مسائلی است که بخش وسیعی از تحقیقات زلزله شناسی را به خود اختصاص داده است. لرزه شناسی از تکنیکهای مختلفی برای مطالعه میدان جابه جایی استفاده می کند تا اطلاعاتی درباره ماهیت منابع لرزه ای و زمین، به دست آورد. اگر چه بعضی از تکنیکها به جنبه-های خاصی از امواج لرزه ای در زمین بستگی دارند، بقیه ویژگی های کلی به توابع فضا و مکان متکی هستند. در مسائل طبقهبندی، هدف ساختن یک ماشین طبقهبندی با استفاده از مجموعه متناهی از نمونه ها میباشد. آرما1 (ARMA) روش پارامتری برای مدلسازی سیگنال است. این روش برای مسائلی که در آنها سیگنال می تواند با یک تابع منبع صریح معلوم که دارای پارامترهای قابل تنظیم است، مناسب باشد. نتایج به دست آمده نشان می دهد که شبکه عصبی مصنوعی به طور موثر و دقیق، ضرایب آرما را محاسبه می کند. شبکه عصبی مصنوعی در مقایسه با سایر روش های موجود، کارکرد بهتری در محاسبه ضرایب آرما از خود نشان می دهد که به خاطر طبیعت غیرخطی شبکه عصبی مصنوعی است. داده ها، شامل 34 سیگنال زلزله و 36 سیگنال انفجار از منطقه قزاقستان و چین است که به طول 4096 نمونه و نرخ نمونه برداری Hz20 می باشد. در ابتدا، داده ها از فیلتر پایین گذر Hz4-5/0 طراحی شده، عبور داده می شوند و سپس نرخ نمونه برداری آنها به Hz10 کاهش می یابد. جهت استخراج ویژگی ها، ابتدا پنجره ای به طول دلخواه (تاثیر تغییر طول پنجره بر روی عملکرد طبقه بندی، در شبیه سازی ها مورد بررسی قرار گرفته است) روی نمونه ها اعمال شده و به این ترتیب، ضرایب مدل آرما برای هر بخش از نمونه ها به صورت جداگانه حاصل می شوند و مجموع این ضرایب، به عنوان ویژگی های سیگنال در طبقه بندی مورد استفاده قرار می گیرند. بررسی نتایج این پژوهش نشان می دهد که به کارگیری شبکه عصبی هم در حصول ویژگی های استخراج شده از سیگنالها و هم در طبقه بندی داده ها ساختار مناسبی جهت تفکیک در مساله پیش رو به دست می دهد. نتایج به دست آمده، کارایی روش مذکور را در تفکیک داده های محدود موجود نمایان می سازد و به نظر می رسد که به کار گرفتن این ساختار، روشی مناسب برای طبقه بندی سیگنالهای لرزه ای باشد.