Page 92 - 无损检测2025年第一期

王婷婷，等：

基于改进 EFD- 小波去噪算法的岩石压裂声发射信号分类

图 8 岩心在不同破裂阶段下的特征向量概率分布

随机数，设初始学习率η=0. 01，最大训练次数T＝ 3.2 对比试验及分析
300。得到已训练完成权值向量的LVQ神经网络， 为了体现降噪算法的性能，对比试验中采用改
利用测试样本进行检测，得到聚类结果后的混淆矩 进EFD-小波阈值去噪、EFD-小波阈值去噪、EWT-
阵，如图9所示。
小波阈值去噪的方法分别对试验中岩心破裂的声发
射信号进行处理，将未处理的声发射信号一起提取
1 44 2 3 1
并构造特征向量，进行LVQ算法的模型训练及聚类
试验，聚类后的结果如图10所示。由图10可知，未
2 1 43 4 2
真实类 处理的信号，噪声干扰过大，部分有效信号的特征被
3 3 42 5 掩盖，聚类后的类别准确率过低，不能实现对信号的
有效分类。EWT-小波阈值去噪处理后的信号，准
4 2 2 46
确率虽然提升，但受到模态混叠的影响，聚类效果不
1 2 3 4 太理想，得到的平均准确率仅为72. 5%。EFD-小波
预测类
阈值去噪处理后的信号，依旧受到降噪效果的限制，
图 9 混淆矩阵
残留的噪声对分类准确性的干扰依旧存在，平均准
分析得到，4个阶段进行聚类分类后平均准确率
确率为80. 5%。而声发射信号经过改进EFD-小波
为87. 5%，可见，通过文章所提去噪算法处理声发
射信号，再构造特征向量对其进行LVQ算法聚类， 阈值去噪算法处理，提取特征后的可分性优于其余
能更好地对岩石状态进行判定，实现对岩石破裂声 两种算法的，聚类后的类别相较于真实类别具有较
发射信号的有效识别分类。 高的准确率。
58
2025 年 第 47 卷 第 1 期
无损检测