本发明属于工程地质灾害防治工程，涉及一种基于信息向量机的岩体微震信号小波去噪方法及装置。
背景技术：
1、微震是岩体内部微观裂隙的产生、扩展、贯通过程中伴随的低能量的弹性波或者应力波。得益于其与岩石破裂之间存在高度的关联性，微震监测新技术不仅能够监测微震信号变化水平反映岩石地质灾害发生的可能性及破坏剧烈程度，而且还能够通过三维空间定位技术准确捕捉到岩体灾害潜在风险点。因此，微震技术日益受到岩石力学与工程领域学术界与工程界的关注，并被成功应用于公路交通、水利工程、采矿巷道等重大基础工程建设中安全监测，被著称为“岩石破裂听诊器”。特别是，中国最大埋深的锦屏二级隧洞建设过程中，全程施工过程通过引入多断面、动态微震监测设备布置策略进行围岩稳定性全面监测，准确预测了数百次的潜在风险性且灾难性岩体失稳灾害(岩爆/塌方)发生。
2、近年来，国内外开展了大量的基于微震监测技术的深部地下工程岩体预测预警案例研究，推动了微震监测技术在基础硬件、传感器布置及安装、数据传输及分析方法上均向更准确、更合理、更高效等多角度全面发展，建立了一套较为完整的地下工程围岩灾变过程预测预警的微震监测技术。
3、但是，随着高边坡、隧洞等大批岩体工程的不断涌现，这要求采用更复杂施工技术及先进设备去解决逐步工程施工难度提升所带来的挑战。但是，该处理方式不可避免给微震监测过程引入了种类繁多且复杂环境干扰噪声，比如钻孔、爆破、通风、抽水以及支护喷锚等信号严重影响岩石破裂的微震信号的采集及分析；此外，现阶段使用带通滤波法、谱减法、emd分解去噪等单一阈值单一参数设置项去噪已不能满足工程实际监测过程中快速变化的环境噪声的高准确、高效率、高稳定去噪的要求。因此，亟需提出一种适用于环境高度复杂的岩体施工过程微震信号噪声滤除新技术。
4、小波分析是一种用于刻画非平稳信号局部特征的一种分析方法。小波由一族小波基函数构成，相较于傅里叶变换只能描述信号的频域全局特征，小波分析可以描述信号时间(空间)和频率(尺度)域的局部特性。采用小波分析最大优点是可对信号进行实施局部分析，可在任意的时间或空间域中分析信号，具有发现其他信号分析方法所不能识别的、隐藏于数据之中的表现结构特性的信息，而这些特性对岩石、混凝土等材料的损伤识别是尤为重要的。小波最为主要的分析方法是小波变换，通过小波变换可以实现信号分解、去噪以及特征提取等功能。
5、小波去噪是通过小波变换将带噪声的信号分解成多个尺度层(频率)。每个层级的噪声的小波系数小于有效信号的小波系数。小波去噪通过选取大于噪声信号的阈值，将噪声予以去除，再通过小波重构还原信号，从而完成去噪过程。在小波去噪过程中，小波去噪参数的设置决定了最后信号去噪效果的优劣。因此根据带噪声信号的不同特点选择合适的小波去噪参数组成最优去噪参数设置项是提高小波去噪稳定性的重要保障。
6、小波散射变换是一种可用于自动提取低方差，紧凑特征的方法。小波散射中，数据通过一系列小波变换、非线性和平均传播，以产生时间序列的低方差表示。同时，小波散射产生对输入信号偏移不敏感的信号表示，最大程度地减少类内差异从而不会牺牲类可判别性。通过提取带噪声信号的小波散射特征，获得信号在小波分析中的本质差异，进而能按照样本最优去噪参数设置项有效地区分不同的带噪声信号，提高了小波去噪的稳定性。
7、信息向量机(informative vector machine，ivm)是一种基于高斯过程(gaussianprocess)算法的近似算法。由于运用了贝叶斯统计学习理论及核方法，信息向量机具有超参数自适应获取、高维度及复杂非线性问题适应性强、预测输出具备概率意义等诸多优点。同时，信息向量机保持了使用核函数所隐含的过程方差，而这些方差可以被跟踪，并利用活动子集的选择，为模型提供一个稀疏的表示，从而显著降低学习的时间及空间复杂度。相较于高斯过程，在不损失精度的情况下，信息向量机算法能够降低计算复杂性和内存占用。通过信息向量机学习算法，能够很好地建立样本小波散射特征和样本最优去噪参数设置项之间的非线性映射关系，从而实现小波去噪的智能化。
8、本发明将集“智能化、信息化、便携化”为一体的微震信号噪声去除技术引入岩体工程施工围岩微震监测环节中，提出一种基于信息向量机的岩体微震信号小波去噪方法及装置，通过接入微震监测系统实时获取监测过程中的微震信号数据，提取信号的小波散射特征，使用信息向量机模型智能选择最优去噪参数设置，进行实时高效去噪，显著提高了微震信号的纯净性和有效性将会一定程度上解决工程实际监测过程中如何快速变化的环境噪声的高准确、高效率、高稳定去噪问题。
技术实现思路
1、本发明目的在于，针对微震监测中的微震信号受到环境噪声影响无法有效地实现定位、识别以及监测围岩稳定性等问题，运用小波分析不同监测环境干扰下的微震信号特点，同时引入信息向量机机器学习算法来根据监测环境干扰的不同智能地选取最优的去噪参数，结合小波变换去除微震信号中各种监测环境噪声。
2、本发明为实现上述目的，采用如下技术方案如下：
3、第一部分，本发明提供一种基于信息向量机的岩体微震信号小波去噪方法，包括以下步骤：
4、步骤1：实时前处理微震信号。为有效去除围岩监测环境对微震信号的干扰，对采集到的监测信号进行实时前处理，内容主要包括选择合适的分帧与窗函数参数对信号进行分帧。
5、步骤2：构建基于微震小波散射特征的预测样本输入向量。在工程前期，根据微震信号噪声的不同特点，运用信息向量机学习算法构建了一个基于小波散射特征的最优去噪参数分类模型。微震信号样本按照此模型的输入要求提取相应的微震信号样本的小波散射特征，组成预测样本输入向量xi。
6、步骤3：预测最优去噪参数设置项。将预测样本的输入向量输入至基于小波散射特征的最优去噪参数分类模型中，得到预测样本对应的微震信号的最优去噪参数设置项。
7、步骤4：实时小波去噪。根据预测结果的最优去噪参数设置项，查找工程前期分析带噪声样本信号的特点制定的最优去噪参数对照表设置小波去噪参数，对微震信号样本进行实时去噪。
8、步骤5：实时后处理微震信号。将去噪后的微震信号样本进行实时整合拼接，形成连续的微震信号。
9、步骤1简要说明：
10、甄选的，微震信号从整体来看其特性及表征其本质特征的参数均是随时间而变化的，所以它整体上是一个非平稳过程。但是，在一个短时间内微震信号其特性基本保持不变即相对稳定。因此，想使用处理平稳信号的数字信号处理技术对其进行分析处理需要对一个连续的微震信号进行分帧。
11、步骤2简要说明：
12、甄选的，小波去噪，其特征在于带噪声信号通过小波分解后，产生的小波系数含有信号的重要信息，其中的有效信号经小波分解后小波系数较大，噪声的小波系数较小，并且噪声的小波系数要小于有效信号，通过选取大于噪声小波系数的阀值，大于阀值的小波系数被认为是有效信号产生的，应予以保留，小于阀值的则认为是噪声产生的，置为零从而达到去噪的目的。通过小波去噪方法去噪，能够有效的根据不同的带噪声信号的特点，灵活地选取相应的小波去噪参数实现微震信号噪声的有效去除。
13、甄选的，小波去噪参数包括小波基、去噪方法、等级、阈值处理、噪声估计。小波基决定了小波分解使用的母小波，等级决定了小波分解的层数，去噪方法和阈值处理决定了去噪阈值的选取方式，噪声评估决定了噪声去除的分辨等级。由于带噪声的微震信号的噪声特性存在差异，通过不断地调整上述五个小波去噪参数的取值能够达到信号最大化噪声去除的效果。
14、甄选的，小波散射特征，是使用gabor小波的小波时间散射分解创建网络，得到的信号高纬度的特征，蕴含着大量的特征信息。通过提取带噪声信号的小波散射特征，获得信号在小波分析中的本质差异，进而能按照样本最优去噪参数设置项有效地区分不同的带噪声信号，提高了小波去噪的稳定性。
15、甄选的，小波散射参数包括小波时不变长度、滤波器数量以及信号长度等。小波时不变长度是小波散射变换的不变性刻度，是散射变换随缩放函数卷积的高斯平滑函数的长度。滤波器数量是小波滤波器的数量，决定了小波散射分解的程度，数量越多将会更为详细的分解信号，使得信号的细节增加。信号长度是信号的长度，这决定了一个散射路径下的小波散射系数的数量。通过合理的设置小波散射参数能够有效地提取信号最为有用的小波散射特征，确保不同类别的信号之间的区分性。
16、步骤3简要说明：
17、甄选的，本发明使用信息向量机机器学习方法来训练基于小波散射特征的最优去噪参数分类模型，该机器学习方法属于高斯过程的一种近似实现，旨在优化算法的性能，提升算法的训练速度，选择活动子集作为代表训练样本，为模型提供一个稀疏的表示，从而显著降低学习的时间及空间复杂度，算法性能卓越、鲁棒性与通用性更好、易于使用而且更实用。本发明构建的最优去噪参数分类模型将微震信号样本按照样本的最优去噪参数设置项进行分类，有效地区分不同带噪声的微震信号样本，为之后使用最优去噪参数对样本信号进行去噪提供基础。
18、第二部分，本发明还提供一种基于信息向量机的岩体微震信号小波去噪装置——便携式信号去噪盒，其内部集成了信号保真器、高速模式转换器(adc)、硬件滤波电路、微处理器、读写储存器、授时器、通讯接口以及电源，按其功能可分为以下系统：
19、信号传输系统：实现微震信号的接收和输出；
20、信号前处理系统：实现微震信号的实时分帧，将连续的微震信号分解成若干个微震信号样本。
21、信号去噪系统：实现提取小波散射特征、建立机器学习样本、运用信息向量机学习算法构建的基于小波散射特征的最优去噪参数分类模型、实现去噪等功能，为达到以上要求，该系统分为三个单元：
22、特征提取单元：实现提取微震信号样本的小波散射特征，将小波散射特征进行处理，构成组合形式的机器学习样本和预测样本等功能；
23、信息向量机单元：实现利用信息向量机机器学习方法构建基于小波散射特征的最优去噪参数分类模型，实现模型的验证和修改，对预测样本的实时预测以及输出对应微震信号样本的最优去噪参数设置项等功能；
24、去噪单元：利用最优去噪参数设置项获得其最优去噪参数设置，实现小波去噪对应的微震信号样本的功能。
25、信号后处理系统：实现将去噪的微震信号样本连接整合，形成连续的微震信号。
26、与现有技术相比，本发明的优势在于：
27、(1)本发明将小波分析技术引入的微震监测环境去噪中，相较于现阶段使用的带通滤波器、谱减法以及emd分解等去噪滤波方法，基于小波分析的小波去噪算法，能够更全面了解微震信号样本的特征，通过稀疏分布降低信号熵值，采用多分辨率的方法刻画信号的非平稳特征，然后选择合适的信号长度、小波基、去噪方法和阈值处理组成多参数的最优去噪参数设置，将微震信号环境中存在的平稳、非平稳噪声有效地去除，确保微震监测数据的有效性。
28、(2)本发明提出的一种基于信息向量机的岩体微震信号小波去噪方法，通过小波深入分析监测环境处在变化之中的微震信号的特征，选择多个去噪参数，组成多种最优的去噪参数设置项。相较于单一去噪参数设置，能够有效地适应岩体微震监测环境噪声的变化，使得小波去噪时刻保持最优的去噪参数设置对岩体监测的微震信号进行有效去除，最大程度提高去噪方法的有效性。
29、(3)本发明所采用的基于小波散射变换的微震信号特征提取方法，具有对输入信号偏移不敏感的信号表示，最大程度地减少类内差异从而不会牺牲类可判别性等优点，同时使用多个不同路径下的小波散射系数，能够具有互相独立、相互补充的特点，当某一路径下的小波散射系数收到干扰表征能力下降时，其余路径下同样还具有表征微震信号特征的能力，能够有效地对岩体监测过程中产生的各类微震信号进行区别。
30、(4)本发明所采用的最优去噪参数预测的信息向量机机器学习算法是一种稀疏高斯过程分类机器学习算法，具有实现过程简单、内存占用少，处理效率高等优点。相较于非智能化的去噪算法机械地选择参数进行去噪的效果差和误差大等问题，信息向量机机器学习算法构建的信息向量机分类机器学习模型，并很好的映射微震信号小波散射特征与最优去噪参数设置之间的非线性关系，输出具有概率意义的预测结果。其结果能够客观当前微震信号的环境噪声特点，准确误差小地选择最优的去噪参数设置项。
31、(5)本发明提出的一种基于信息向量机的岩体微震信号小波去噪装置，将监测岩体稳定性的微震传感器信号通过信号传输系统接入便携式信号去噪盒。信号通过信号前处理系统进行分帧，在信号去噪系统中实现特征提取、样本构建、预测最优去噪参数以及小波去噪功能，最后经过信号后处理系统进行数据整合，再通过信号传输系统输出。该装置能够实时地输入和输出信号，具有小巧便携的特点，克服了智能化设备体积笨重不利于实际运用等不足。
1.一种基于信息向量机的岩体微震信号小波去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于信息向量机的岩体微震信号小波去噪方法，其特征在于，所述的基于信息向量机的最优去噪参数分类模型，其构建步骤如下：
3.根据权利要求2所述的运用信息向量机学习算法构建的一个基于小波散射特征的最优去噪参数分类模型，其特征在于，所述带噪声信号的最优去噪参数设置项的确定方法如下：
4.根据权利要求2所述的运用信息向量机学习算法构建的一个基于小波散射特征的最优去噪参数分类模型，其特征在于，所述能够有效按最优去噪参数设置项分类的微震信号的小波散射特征指标：
5.一种根据权利要求1-4中任一项所述的一种基于信息向量机的岩体微震信号小波去噪方法的基于信息向量机的岩体微震信号小波去噪装置，其特征在于，所述装置是一种便携式信号去噪盒，按其功能可分为以下系统：
6.根据权利要求5所述的一种基于信息向量机的岩体微震信号小波去噪装置，其特征在于，所述的信号噪声去除系统包括以下子系统：
7.根据权利要求5所述的一种基于信息向量机的岩体微震信号小波去噪装置，其特征在于，所述的一种便携式信号去噪盒内部集成了以下硬件：
