| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状分析 | 第9-10页 |
| 1.2.1 天然地震和人工爆炸信号分类识别研究进展 | 第9页 |
| 1.2.2 P波和S波初至时刻自动检测算法研究进展 | 第9-10页 |
| 1.3 本文研究内容及章节划分 | 第10-12页 |
| 第2章 震源波形信号的选取与数据预处理 | 第12-22页 |
| 2.1 震源波形信号来源 | 第12-15页 |
| 2.2 震源数据波形特征的选取 | 第15页 |
| 2.3 震源波形信号的去噪处理 | 第15-18页 |
| 2.3.1 小波分解重构去噪 | 第16页 |
| 2.3.2 小波阈值去噪 | 第16-17页 |
| 2.3.3 小波去噪方法的选取 | 第17-18页 |
| 2.4 数据预处理 | 第18-22页 |
| 2.4.1 数据归一化处理 | 第18-19页 |
| 2.4.2 数据主成分分析 | 第19-22页 |
| 第3章 基于BP-ADABOOST方法的震源类型识别研究 | 第22-31页 |
| 3.1 BP神经网络 | 第22页 |
| 3.2 支持向量机(SVM) | 第22-24页 |
| 3.3 集成学习方法 | 第24-25页 |
| 3.3.1 集成学习 | 第24页 |
| 3.3.2 BP-ADABOOST方法 | 第24-25页 |
| 3.4 分类性能比较 | 第25-30页 |
| 3.4.1 不同数据集样本划分实验结果 | 第26-27页 |
| 3.4.2 特定数据集样本划分实验结果 | 第27-30页 |
| 3.5 其他数据集分类结果验证 | 第30-31页 |
| 第4章 EMD-TKEO算法:一种新的P波和S波初至时刻自动检测算法 | 第31-48页 |
| 4.1 STA/LTA方法 | 第31-32页 |
| 4.2 EMD-TKEO方法 | 第32-36页 |
| 4.2.1 经验模态分解(EMD) | 第32-34页 |
| 4.2.2 TEAGER-KAISER能量算子(TKEO) | 第34页 |
| 4.2.3 EMD-TKEO算法 | 第34-36页 |
| 4.3 实验结果分析 | 第36-46页 |
| 4.3.1 单一主震型地震信号结果分析 | 第36-39页 |
| 4.3.2 主震余震型地震信号结果分析 | 第39-42页 |
| 4.3.3 前震主震型地震信号结果分析 | 第42-45页 |
| 4.3.4 EMD-TKEO与STA-LTA方法及AR-AIC方法对比 | 第45-46页 |
| 4.4 地震信号有效波形提取 | 第46-48页 |
| 第5章 地震信号波群识别 | 第48-54页 |
| 5.1 地震波群样本采集 | 第48-49页 |
| 5.2 地震波群样本特征提取 | 第49-50页 |
| 5.2.1 平均谱能量值特征提取 | 第49页 |
| 5.2.2 均方差特征提取 | 第49页 |
| 5.2.3 波群特征 | 第49-50页 |
| 5.3 波群分类识别研究 | 第50-54页 |
| 5.3.1 波群样本数据归一化处理 | 第50-51页 |
| 5.3.2 多分类SVM识别波群样本 | 第51-53页 |
| 5.3.3 总结与讨论 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士研究生期间取得学术成果 | 第57-58页 |
| 学术论文 | 第57页 |
| 科研项目 | 第57-58页 |
| 参考文献 | 第58-61页 |
