第４３卷第１期２０２３年１月西安科技大学学报ＪＯＵＲＮＡＬＯＦＸＩ’ＡＮＵＮＩＶＥＲＳＩＴＹＯＦＳＣＩＥＮＣＥＡＮＤＴＥＣＨＮＯＬＯＧＹＶｏｌ．４３Ｎｏ.１Ｊａｎ．２０２３樊鑫，赵晓光，唐胜利，等．ＷＳＤ⁃ＳＶＭ在工作面底板破坏深度微震事件自动识别中的应用［Ｊ］．西安科技大学学报，２０２３，４３（１）：１６０－１６６．ＦＡＮＸｉｎ，ＺＨＡＯＸｉａｏｇｕａｎｇ，ＴＡＮＧＳｈｅｎｇｌｉ，ｅｔａｌ．ＡｐｐｌｉｃａｔｉｏｎｏｆＷＳＤ⁃ＳＶＭｉｎｍｉｃｒｏ⁃ｓｅｉｓｍｉｃｅｖｅｎｔｓａｕｔｏｍａｔｉｃｒｅｃｏｇｎｉｔｉｏｎｏｆｔｈｅｄａｍａｇｅｄｅｐｔｈｏｆｗｏｒｋｉｎｇｆａｃｅｆｌｏｏｒ［Ｊ］．ＪｏｕｒｎａｌｏｆＸｉ’ａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０２３，４３（１）：１６０－１６６．收稿日期：２０２２－０３－１５基金项目：国家重点研发计划项目（２０１８ＹＦＣ０８０７８０４）第一作者：樊鑫，男，山西忻州人，博士研究生，Ｅ⁃ｍａｉｌ：ｆａｎｘｉｎ＠ｓｔｕ．ｘｕｓｔ．ｅｄｕ．ｃｎ通信作者：赵晓光，男，陕西西安人，教授，博士生导师，Ｅ⁃ｍａｉｌ：１３７５９９９１８４９＠１６３．ｃｏｍＷＳＤ⁃ＳＶＭ在工作面底板破坏深度微震事件自动识别中的应用樊鑫１，赵晓光１，唐胜利１，解海军１，程建远２，王云宏２，王盼１，２（１．西安科技大学地质与环境学院，陕西西安７１００５４；２．中煤科工西安研究院（集团）有限公司，陕西西安７１００７７）摘要：为解决煤矿微震事件识别中效率低、精度低、可靠性差的问题，将小波散射分解变换与支持向量机相结合，构建微震事件的ＷＳＤ⁃ＳＶＭ智能识别模型。首先，通过小波散射分解变换将微震监测数据分解成高、低频部分，并计算得到小波散射系数，构成散射特征矩阵；然后，选择７０％的数据输入支持向量机模型进行训练，用得到的识别模型对其余３０％的数据进行测试验证，获得识别结果。将山西保德煤矿某工作面微震监测时序数据作为实例，结果表明：ＷＳＤ⁃ＳＶＭ模型能够自动识别全部６个微震事件，用时１．６５１ｓ；而传统ＳＴＡ／ＬＴＡ算法虽然仅用时０．７３１ｓ，但未能有效识别出其中的３个低信噪比事件，ＷＳＤ⁃ＳＶＭ模型的自动识别精度高于ＳＴＡ／ＬＴＡ算法模型识别的精度，但需要较长的计算时长。小波散射分解变换方法的引入能够有效实现监测数据降维，大幅提高识别精度，...
