《表2 分类预测结果：基于EEMD近似熵的矿山微震信号特征提取研究》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于EEMD近似熵的矿山微震信号特征提取研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

因采集的实验数据有限，为达到智能分类的目标，采用分类精度高、所需样本少的SVM机器学习法进行分类。以上述某金属矿山微震监测系统建立的两类微震信号数据为样本，从中选取爆破震动信号、岩体破裂信号各100个，用本文所述微震信号特征提取方法分别对两类微震信号进行分析处理，得到多尺度高维特征向量各100组。分别选取前50组用于训练模型，剩下50组用于测验；使用SVM对前50组数据进行训练，建立训练模型，再把后面的预测数据输入模型中进行分类运算，得到的预测结果如表2所示。由表2可知，基于聚合经验模态分解得到的近似熵多尺度高维特征向量经SVM训练得到的分类模型很好地对爆破震动信号和岩体破裂信号进行了智能识别，对50个爆破震动信号和50个岩体破裂信号的识别正确个数分别为46和45，预测样本的分类效果比较理想，总体识别率高达91%。