微地震信号的参数辨识以及Kalman滤波
1. 微地震子波辨识建模
1.1 ARMA模型
自回归滑动平均模型是近代时序分析中描述离散平稳随机信号的最常用模型之一,可看做白噪声激励一个线性系统产生的时间序列模型。
y
(
k
)
+
a
1
y
(
k
−
1
)
+
⋯
+
a
p
y
(
k
−
p
)
=
b
1
u
(
k
−
1
)
+
⋯
+
b
q
u
(
k
−
q
)
+
e
(
k
)
y(k)+a_1y(k-1)+\dots+a_py(k-p)=b_1u(k-1)+\dots+b_qu(k-q)+e(k)
y(k)+a1y(k−1)+⋯+apy(k−p)=b1u(k−1)+⋯+bqu(k−q)+e(k)
写成一般的形式:
A
(
z
−
1
)
y
(
k
)
=
B
(
z
−
1
)
u
(
k
)
+
e
(
k
)
A(z^{-1})y(k)=B(z^{-1})u(k)+e(k)
A(z−1)y(k)=B(z−1)u(k)+e(k)
其中
z
−
1
z^{-1}
z−1为单位滞后算子,
A
(
z
−
1
)
=
1
+
a
1
z
−
1
+
a
2
z
−
2
+
⋯
+
a
p
z
−
p
,
B
(
z
−
1
)
=
b
1
z
−
1
+
b
2
z
−
2
+
⋯
+
b
q
z
−
q
A(z^{-1})= 1 + a_1z^{-1}+a_2z^{-2}+\dots+a_pz^{-p},B(z^{-1})=b_1z^{-1} + b_2z^{-2}+\dots+ b_qz^{-q}
A(z−1)=1+a1z−1+a2z−2+⋯+apz−p,B(z−1)=b1z−1+b2z−2+⋯+bqz−q,
p
p
p和
q
q
q分别是自回归部分和滑动平均部分的阶数,
a
i
(
i
=
1
,
2
…
,
p
)
和
b
j
(
j
=
1
,
2
,
…
,
q
)
a_i(i = 1,2\dots,p) 和b_j( j = 1,2,…,q)
ai(i=1,2…,p)和bj(j=1,2,…,q)分别是自回归和滑动平均系数。
参数辨识模型需要确定辨识模型的类型,模型的阶次
p
p
p和
q
q
q,进而估计出模型系数
a
i
(
i
=
1
,
2
…
,
p
)
和
b
j
(
j
=
1
,
2
,
…
,
q
)
a_i(i = 1,2\dots,p) 和b_j( j = 1,2,…,q)
ai(i=1,2…,p)和bj(j=1,2,…,q)。模型确定后,对模型的参数进行估计。
具体方法是在确定系统为AR模型或者是ARMA模型之后,从给定的系统响应信息,或者是输入输出序列的相关性中估计出模型参数的具体值.
1.2 为地震子波辨识建模(确定是使用那种类别的辨识模型的类别)
指数衰减周期震荡信号合成微地震子波,公式为:
A
(
t
)
=
A
0
e
−
h
(
t
−
t
0
)
s
i
n
[
w
(
t
−
t
0
)
A(t)=A_0e^{-h(t-t_0)}{sin}[w(t-t_0)
A(t)=A0e−h(t−t0)sin[w(t−t0)]
,
t
>
t
0
,t>t_0
,t>t0
其中
A
0
A_0
A0为信号的初始振幅,
h
h
h为阻尼因子,
w
w
w为角频率,
t
0
t_0
t0为信号的初始相位。
通过对
h
h
h和
w
w
w等参数选取合适的参数,可以得到如下所示的为地震子波。
自相关函数
ρ
^
k
\hat{\rho}_k
ρ^k和偏自相关函数
φ
^
k
\hat{\varphi}_k
φ^k都呈现拖尾特性。
拖尾现象含义:样本数据点数k增大时,样本数据的自相关函数
ρ
^
k
\hat{\rho}_k
ρ^k以负指数的速度衰减,好像是托着一条尾巴一样。
截尾现象含义:样本数据的点数k等于p时,样本数据的偏自相关函数
φ
^
k
\hat{\varphi}_k
φ^k不为0,而当k>p时,样本偏自相关函数
φ
^
k
\hat{\varphi}_k
φ^k等于0,好像是曲线被剪掉了尾巴一样。
![](https://i-blog.csdnimg.cn/blog_migrate/d1a146c44173a4ea5db6e699881e9d20.png)
由表得出,我们可以确定微地震合成子波的辨识模型的类别为ARMA模型。此外,相关分析法可以判定辨识模型的类别,但是无法判定辨识模型的具体阶次。我们可以使用奇异值分解的办法判定ARMA模型的阶次。
奇异值分解法:构造特殊矩阵进行SVD分解,将归一化处理后的奇异值