تشخیص خودکار سیگنال لرزه ای با استفاده از روش خوشه بندی K_Means

برداشت داده های لرزه ای همواره با نوفه همراه است . در پارهای از کاربردها در پردازش و تفسیر داده های لرزه ای لازم است محل سیگنال درداده آلوده به نوفه شناسایی گردد . در این مقاله الگوریتم خوشه بندی کی -میانگین جهت تشخیص خودکار داده از نوفه استفاده شده است . این الگوریتم یکی از روشها ی یادگیری ماشین غیر نظارتی هست . در این روش مجموعه داده ها با استفاده از چهار نشانگر به دو گروه سیگنال و غیر سیگنال تقسیم بندی می شوند. در این مقاله چهار پارامتر نسبت انرژی میانگین در پنجره کوتاه مدت به بلندمدت پیشرو، نسبت انرژی میانگین کوتاهمدت به بلندمدت پس رو، همپوشانی و پنجره متحرک واریانس به عنوان نشانگر جهت خوشه بندی سیگنال و از الگوریتم لوید برای خوشه بندی کی -میانگین استفادهشده است . برای برآورد کارایی الگوریتم تشخیص سیگنال لرزه ای ، دو شاخص آماری یعنی نرخ بین انرژی کل سیگنالهای اصلی و شناسایی شده (RTE) و نرخ بین انرژی های متوسط سیگنالهای اصلی و شناسایی شده پیشنهاد می شود. عملکرد روش روی داده های مصنوعی ارزیابی و نتایج ارائه می شود.

کلیدواژه ها:

خوشه بندی ، یادگیری ماشین ، نشانگر ، پنجرهی واریانس ، نسبت انرژی پنجرهی کوتاه مدت به بلند مدت