[发明专利]一种基于势函数的微地震事件去噪和聚类方法

说明书

本发明公开了一种基于势函数的微地震事件去噪和聚类方法，包括如下步骤：将待聚类微地震事件数据集导入Matlab中；利用势函数计算任意事件i的势值和设定阀值去除噪声微地震事件；根据提出的势值和‑距离法得到聚类中心；以此作为K‑means的初始聚类中心，进而对去噪后微地震事件聚类。该方法有效地去除了定位误差较大的微地震事件，同时降低了K‑means对初始聚类中心要求较高的技术问题。此方法具有势函数多样、去除噪声事件、易于得到全局最优等特点。

技术领域

本发明属于聚类分析技术领域，尤其是涉及一种基于势函数的微地震事件去噪和聚类方法。

背景技术

微地震监测在国内外矿山工程、油气开采、边坡稳定和隧道工程等领域得到了广泛应用。其中，微地震事件聚类分析对地质结构解释和微地震灾害评估具有重要意义。微地震事件聚类可以人为划分，但其受主观因素影响较大，且很难实时处理大批量数据。为此，K-means聚类、凝聚层次聚类、自组织映射神经网络聚类和高斯聚类等方法被应用至微地震事件聚类分析中。

凝聚层次聚类将每个点作为一个簇，每一步合并两个最接近的簇，噪声点容易各占一簇。此外，凝聚层次聚类容易得到条状结果。SOM聚类的本质是一种只有输入层-隐藏层的神经网络，其可视化效果较好，但其在每个输入数据找到一个最相似的类后，仍会更新临近的节点，使得其聚类效果较K-means差。GMM聚类将待聚类数据视为K个高斯簇，然而簇不为高斯分布时，聚类效果较差。而K-means聚类以其简单、实用等特点得到了广泛应用。

Weatherill&Burton(2009)采用K-means聚类对Aegea区域地震分布和断层类型进行了研究。Rehman等(2014)借助K-means聚类解释了巴基斯坦地震灾害、风险和地质结构。Morales-Esteban等(2014)提出了一种基于自适应马氏距离的K-means聚类方法，并研究了克罗地亚和伊比利亚半岛的地震分布。Ramdani等(2015)利用K-means聚类中心验证了直布罗陀弧和安第斯山脉存在俯冲带。Besheli等(2015)使用K-means聚类对伊朗不同区域地震前兆进行了分析。

上述K-means聚类研究未对初始聚类中心进行优化选取，且未对噪声事件进行去噪。可见现有的地震事件聚类方法存在很大的局限，需要研究一种具有去除噪声、优化初始聚类中心的自动聚类方法。

发明内容

本发明所要解决的技术问题是提供一种基于势函数的微地震事件去噪和聚类方法，该微地震事件聚类方法具有势函数多样、去除噪声事件、易于得到全局最优等特点。

发明的技术解决方案如下：

一种基于势函数的微地震事件去噪和聚类方法，包括以下步骤：

步骤1：将待聚类微地震事件数据集导入Matlab中；

将待聚类微地震事件数据集U₁导入Matlab中，U₁指待聚类微地震事件的属性，每一个微地震事件的属性从微地震事件的三维坐标(X_i,Y_i,Z_i)、发生时间t_i以及震级M_i中选取得到，i表示第i个微地震事件，i＝1,2,…,n，n为待聚类的微地震事件的数目；

步骤2：利用势函数计算微地震事件i的势值和

其中，表示微地震事件j对微地震事件i作用的势值，x_i,l表示事件i的第l个属性值，x_j,l表示事件j的第l个属性值；p为微地震事件属性维数，取值为2～5，Ω为距离作用因子，取值为以使得势值和的熵取得最小值时对应的Ω；

U₁-i表示数据集U₁减去事件i，微地震事件属性单位不同时，势函数计算前须归一化输入数据。