=Paper=
{{Paper
|id=Vol-2033/26_paper
|storemode=property
|title=Анализ влияния предварительной обработки сейсмических сигналов на качество классификации объектов
(Seismic Signals Preliminary Processing Influence Analysis on Objects Classification Quality)
|pdfUrl=https://ceur-ws.org/Vol-2033/26_paper.pdf
|volume=Vol-2033
|authors=Yury V. Morozov,Mikhail A. Rajfeld,Alexandr A. Spektor
}}
==Анализ влияния предварительной обработки сейсмических сигналов на качество классификации объектов
(Seismic Signals Preliminary Processing Influence Analysis on Objects Classification Quality)==
https://ceur-ws.org/Vol-2033/26_paper.pdf
SEISMIC SIGNALS PRELIMINARY PROCESSING INFLUENCE
ANALYSIS ON OBJECTS CLASSIFICATION QUALITY
Yury V. Morozov, Mikhail A. Rajfeld, Alexandr A. Spektor
Novosibirsk State Technical University, Novosibirsk, Russia
Abstract
The investigation results for object classifier based on observed seismic signal envelope spectral
components statistical analysis are presented. Spectral components are considered to be the classes
criterions.
Keywords: classification, seismic signal, envelope
АНАЛИЗ ВЛИЯНИЯ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ СЕЙСМИЧЕСКИХ
СИГНАЛОВ НА КАЧЕСТВО КЛАССИФИКАЦИИ ОБЪЕКТОВ
Морозов Ю.В., Райфельд М.А., Спектор А.А.
Новосибирский государственный технический университет, Новосибирск
Представлены результаты исследования классификатора объектов, основанного на статистиче-
ском анализе спектральных компонент огибающей наблюдаемого сейсмического сигнала. Спектраль-
ные компоненты рассматриваются в качестве признаков классов.
Ключевые слова: классификация, сейсмический сигнал, огибающая.
Введение. Измерение и анализ сейсмических сигналов в системах пассивной сейсмиче-
ской локации требуется для решения задач обнаружения, трассировки и классификации дви-
жущихся объектов, которые оказывают механическое воздействие на грунт. Как правило, при-
нятые сейсмические сигналы подвергают предварительной обработке для их представления в
форме, пригодной для решения упомянутых задач. В настоящей работе рассматривается сей-
смическая классификация объектов
Классификации объектов посвящено много работ начиная с 70х годов прошлого века до
сегодняшних дней [2-5]. В [2] изложены теоретические основы классификации как распозна-
вания образов. Выделение признаков, по которым классифицируются сейсмические сигналы,
рассмотрено в [3]. Практическая реализация классификации сейсмических сигналов изложена
в [4,5]. Одним из примеров классификации сейсмических сигналов является классификация
ударных воздействий на земную кору от взрывов, землетрясений, падения метеоритов, ударов
молний и т.д. [4]. Другим примером является сейсмическая локация на морском дне для раз-
личения разных видов китов в целях контроля за их популяцией [5].
Рассматриваемая в настоящей работе классификация ориентирована на использование в
пассивном сейсмическом локаторе (ПСЛ), существенной особенностью которого, отличаю-
щей его от приведенных выше примеров, является обработка сигналов и принятие решения в
реальном масштабе времени. Рассматриваются 4 класса сейсмоактивных объектов: одиноч-
ный человек, группа людей, крупное животное, например лошадь, и автомобиль.
Постановка задачи. Целью исследований является анализ влияния предварительной об-
работки сейсмических сигналов в системе ПСЛ на качество классификации.
Сейсмический сигнал является откликом сейсмического приемника на непрерывное или
импульсное воздействие объекта, на которое накладывается сейсмический фон. Для ослабле-
ния фона и подготовки сигнала к классификации применяется адаптивная декорреляция, де-
тектирование, сглаживание и наложение окна. Рассмотрены два типа детекторов: квадратич-
ный и детектор на основе преобразования Гильберта, а также два типа окон: прямоугольное и
Хэннинга.
Спектральная классификация на основе метода максимального правдоподобия.
Система пассивной сейсмической локации обычно состоит из группы сеймических датчиков,
которые помещены в грунт; часто применяемая схема размещения показана на рис. 1. Каж-
дому датчику присвоен свой порядковый номер. Расстояние между соседними датчиками
определяется сейсмопроводностью грунтов и в среднем составляет 10-15 м. При появлении
сейсмоактивного объекта, оказывающего воздействие на грунт, порожденные им сигналы вос-
принимаются одним или несколькими датчиками. Сигналы этих датчиков, образующих актив-
ную группу, подвергаются предварительной обработке для последующей классификации.
Частотный спектр сейсмических сигналов в ПСЛ обычно ограничен частотами
120-150 Гц. Поэтому частота дискретизации сейсмических сигналов лежит в диапазоне
400-800 Гц. Приводимые в работе результаты опирались на экспериментальные записи сигна-
лов, полученных в изделии ПСЛ с частотой взятия отсчетов 600 Гц. Для дальнейшей обра-
ботки отсчеты объединяются в циклы по 1000 отсчетов, что соответствует интервалу времени
1.67 с. Структурная схема предварительной обработки приведена на рис. 2. Она включат в себя
134
декорреляцию, детектирование, сглаживание огибающей сейсмического сигнала и наложение
окна. Декорреляция или выбеливание осуществляется для олабления сейсмического фона [6].
Затем путем детектирования выделяется огибающая сейсмического сигнала. Наконец, огиба-
ющая подвергается скользящему сглаживанию путем усреднения некоторого количества со-
седних отсчетов. Задачей сглаживания является дальнейшее ослабление флюктуаций, вызван-
ных действием сейсмического фона. Для объектов с импульсным воздействием на грунт сгла-
живание приводит к относительному ослаблению выбросов фона, что способствует более ка-
чественной передаче сигнальных импульсов. Для этого, конечно, размер «окна» не должен
превышать длительность импульсного сигнала. Как правило, интервал усреднения составляет
от 15 до 50 отсчетов. Сглаженная огибающая выбеленного сейсмического сигнала является
основой для выделения классификационных признаков.
...
i+1 i+2 I
y
...
1 2 i
x
Рис. 1. Размещение сейсмических датчиков в системе пассивной сейсмической локации.
Временная структура сигнала человека весьма близка к периодической последователь-
ности импульсов. Признаки периодичности имеются у сигналов группы людей и крупного жи-
вотного.
Для класса человек в цикле длительностью 1000 отсчетов (1.67 с) укладывается при-
мерно три импульса. При движении группы людей можно также отметить характерную ча-
стоту импульсов, свойственную движению человека. Вместе с тем, из-за несинхронности дви-
жения в группе, эта характерная частота выражена слабее, за счет чего в спектре усиливаются
другие компоненты. Одним из проявлений группового сигнала является удлинение импуль-
сов. В случае сигнала животного в одном цикле около 6 импульсов, что может использоваться
как существенное отличие от других импульсных объектов. Сигнал автомобиля является не-
прерывным, что значительно отличает его от сигналов других классов, его огибающая сначала
плавно нарастает (при приближении автомобиля), а затем плавно убывает.
После сглаживания образуется сигнал, который подчеркивает характерные свойства того
или иного объекта [7]. С учетом этих свойств формируются классификационные признаки во
временной или в частотной области. Для ослабления краевых эффектов при вычислении спек-
тра сглаженный сигнал умножается на оконную функцию.
u0i ui udi usi uwi
Декорреляция Детектирование Сглаживание Наложение окна
Рис. 2. Структурная схема предварительной обработки сейсмических сигналов.
В настоящей работе рассмотрены два типа детектора: квадратичный детектор и детектор
на основе преобразования Гильберта, а также две оконные функции: прямоугольная и Хэн-
нинга.
Квадратичный детектор описывается выражением
udi ( m ) [ui ( m )]2 ,
где m – дискретное время.
135
Достоинством данного детектора является простота реализации. В качестве недостатка
следует отметить усиление отсчетов с большим уровнем сигнала и одновременное ослабление
с малым уровнем, что приводит к искажениям огибающей.
В качестве альтернативы рассматривается детектор на основе преобразования Гильберта
M /2
udi ( m) (1 / M ) U i ( n) H ( n) exp(2 jmn / M ) ,
n 0
где U i ( n ) – результат быстрого преобразования Фурье (БПФ) сигнала ui ( m ) ; H (n) – коэффи-
циент передачи фильтра, формирующего аналитический сигнал, M – длительность цикла.
Оконная функция имеет следующий общий вид:
m m
w( m) a0 1 a1 cos 2 a2 cos 4 ,
M M
где a0 1 , a1 0 , a2 0 для прямоугольного окна, а a0 0.5 , a1 1 , a2 0 – для окна Хэннинга.
Каждый цикл из 1000 отсчетов сглаженного сигнала подвергается быстрому преобразо-
ванию Фурье для формирования амплитудного спектра огибающей. Особенности сигналов
разных классов во временной области порождают соответствующие особенности в частотной
области [7].
С учетом приведенных выше параметров системы ПСЛ, с помощью проводились экспе-
рименты, относительные частоты j связаны с абсолютными значениями f соотношением
f 0.6 j Гц. Анализ спектров всех классов объектов показывает, что характерные особенности
классов отображаются в частотах не выше 6 Гц, что в пересчете в дискретный спектр при обо-
значенных параметрах соответствует относительной частоте с номером j 10 .
У человека спектр имеет яркие признаки периодичности. У группы людей эта периодич-
ность является менее выраженной. У животного характерный максимум находится на частоте
j 6 . Спектр автомобиля монотонно убывает.
В качестве классификационных признаков приняты гармонические составляющие нор-
мированного амплитудного спектра огибающей
J
max
x x x , 0 j J (1)
j j k
k 0 ,
где x j – j -я ненормированная спектральная составляющая; J max – полное количество спек-
тральных отсчетов для цикла из 1000 временных отсчетов; J 10 – количество спектральных
составляющих, участвующих в классификации, начиная с первой.
Поскольку x j являются случайными величинами, каждая из них имеет свою плотность
распределения вероятностей p ( x j ) . Полагая элементы спектра некоррелированными, [8]. Сле-
довательно, для каждого класса c совместное распределение признаков определяется произве-
дением плотностей распределения по всем временным циклам и по всем датчикам, участвую-
щим в классификации:
M I J
pc ( X ) pc ( x ) ( m ,i ) (2)
m 1 i 1 j 0
j
,
где X – вектор, элементами которого являются J 1 спектральные составляющие, измерен-
ные в M рабочих циклах на I датчиках, участвующих в классификации.
Решение выносится в пользу того класса c , для которого статика (2) максимальна.
Экспериментальные исследования. Предложенный классификатор был исследован
путем компьютерного моделирования в среде Matlab для нескольких вариантов предваритель-
136
ной обработки сейсмических сигналов. На рис. 3 приведены результаты предварительной об-
работки сейсмических сигналов для детектора Гильберта и прямоугольного окна для четырех
рассматриваемых классов: c 1 (человек), c 2 (автомобиль), c 3 (группа людей), c 4
(животное).
На рис. 4 и 5 соответственно приведены результаты классификации сейсмических сиг-
налов для наиболее трудно различимых объектов типа «Человек» и «Группа» для детектора
Гильберта и окна Хэннинга вместе с соответствующими выбеленными и сглаженными сигна-
лами. Сглаженный сигнал объекта «Группа» имеет большее количество локальных максиму-
мов, чем объект типа человек.
В таблице приведены результаты классификации сейсмических объектов для квадратич-
ного детектора и детектора на основе преобразования Гильберта при прямоугольном окне, а
также для детектора Гильберта при окне Хэннинга. Эти результаты представлены в виде ко-
личества ошибок классификации по отношению к общему количеству решений о принадлеж-
ности сейсмического объекта некоторому классу. В эксперименте использовались записи сей-
смических сигналов, полученные на полигоне НГТУ.
а б
в г
Рис. 3. Сглаженные сигналы сейсмоактивных объектов каждого класса после детектора Гильберта
для разных классов: а – c 1 ; б – c 2 ; в – ; г – c 4 .
Выбеленный сигнал для c=1
0
u
0 1 2 3 4 5 6
Сглаженный сигнал для c=1
(s)
u
0
0 1 2 3 4 5 6
Функции правдоподобия
c=1 c=3 c=4
c=2
0
p
0 1 2 3 4 5 6
K
Рис. 4. Пример классификации для класса c 1 при детекторе Гильберта,
интервале усреднения 31 и оконной функции Хэннинга.
137
Выбеленный сигнал для c=3
0
u 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Сглаженный сигнал для c=3
(s)
u
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Функции правдоподобия
c=3 c=1 c=4
0
p
c=2
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
K
Рис. 5. Пример классификации для класса c=3 при детекторе Гильберта,
интервале усреднения 31 и оконной функции Хэннинга.
Результаты классификации.
детектор, Квадратичный, Гильберта, Гильберта,
окно Прямоугольное Прямоугольное Хэннинга
класс
c=1 25 из 36 25 из 36 0 из 36
c=2 2 из 56 2 из 56 0 из 56
c=3 3 из 51 3 из 51 1 из 51
c=4 1 из 46 1 из 46 0 из 46
В качестве классификационных признаков использовались спектральные компоненты
j 210 . Использование окна Хэннинга способствует существенному снижению количества
ошибок классификации для класса «Человек». Для остальных классов правильная классифи-
кация сохраняется.
Заключение. Исследование влияния предварительной обработки сейсмических сигна-
лов на качество их классификации показало, что применение детектора Гильберта и окна Хэн-
нинга способствует существенному снижению количества ошибок классификации объектов с
импульсным воздействием на грунт. Малое количество ошибок классификации объектов с не-
прерывным воздействием на грунт сохраняется.
ЛИТЕРАТУРА
[1] Красовский А.А. Цифровая обработка в ZETLAB при идентификации параметров сейсмического
сигнала // Цифровая обработка сигналов. 2010. № 3. С. 70-76.
[2] Фукунага К. Введение в статистическую теорию распознавания образов. М.: Наука, 1979. 368 с.
[3] Козлов Э.В., Левковская Т.В. Выделение информативных признаков сигналов сейсмических сен-
соров пассивной локации // Научно-технический вестник информационных технологий, меха-
ники и оптики. 2010. №6. С. 36-41.
[4] Nepeina K. Automatic post processing algorithm for passive seismic monitoring data // Journal of Phys-
ics: Conference Series 510 (2014) 01207. http://iopscience.iop.org/article/10.1088/1742-
6596/510/1/012007/meta (дата обращения 8.06.2017).
[5] Matias L., Harris D. A single station method for the detection, classification and location of fin whale
using ocean-bottom seismic stations // J. Acoustic Society of America. 2015. Vol. 138. P. 504-520.
[6] Соколова Д.О., Спектор А.А. Классификация движущихся объектов по спектральным признакам
сейсмических сигналов // Автометрия. 2012. № 5. С. 112-119.
[7] Morozov Y. V., Rajfeld M. A., Spector A. A., Analysis of seismic signals preliminary processing influ-
ence on classification results // 12 International forum on strategic technology (IFOST 2017) : proc.,
Korea, Ulsan, 31 May – 2 June 2017. Ulsan, 2017. Vol. 1. P. 138-142.
138