基于麻雀搜索算法优化变分模态分解与离散小波变换的低信噪比微地震信号自适应滤波方法

《Geosciences》：Adaptive Filtering Method for Low-SNR Rock Mass Fracture Microseismic Signals in Deep-Buried Tunnels Considering Noise Intrusion Characteristics Tao Lin, Weiwei Tao, Yakang Xu and Wenjing Niu

　　

摘要：研究人员提出一种基于麻雀搜索算法(Sparrow Search Algorithm, SSA)优化变分模态分解(Variational Mode Decomposition, VMD)与离散小波变换(Discrete Wavelet Transform, DWT)的自适应滤波模型(SSA-VMD-DWT)，用于深部隧道岩体破裂低信噪比(SNR)微地震信号的噪声抑制。该模型利用SSA全局寻优VMD的模态分解层数(K)与惩罚因子(α)及DWT的小波基与阈值策略，构造融合信噪比(SNR)、皮尔逊相关系数(Pearson Correlation Coefficient, P-CC)及包络熵(Cross Envelope Entropy, CEE)的多目标适应度函数(Fitness2)进行参数优选。仿真与现场微地震信号实验表明，相较于经验模态分解(Empirical Mode Decomposition, EMD)与传统DWT阈值去噪，所提方法在提高SNR与降低均方根误差(Root Mean Square Error, RMSE)及信息熵方面表现更优，能有效去除中高频噪声并保留信号主频特征与能量分布，为深部地下工程微地震监测提供高质量信号预处理手段。

研究背景与意义

微地震(Microseismic, MS)监测技术在深部隧道岩爆预警与稳定性评估中发挥重要作用，但现场采集的信号通常受强背景噪声干扰导致信噪比(SNR)极低，传统滤波方法（如经验模态分解EMD、固定参数离散小波变换DWT）存在模态混叠、过滤波或噪声残留等问题，且人工选参具主观性与不确定性。为解决低SNR微地震信号有效特征难以提取的难题，研究人员开展了基于群智能算法优化VMD-DWT联合自适应滤波的研究，相关成果发表于《Geosciences》。

主要关键技术方法

研究人员首先构造含加性高斯白噪声的仿真微地震信号（SNR=2 dB，fs=6000 Hz，N=3250点）及选用西南某深部隧道现场实测微地震信号（2024年8月1日六通道记录）作为实验对象；采用麻雀搜索算法(Sparrow Search Algorithm, SSA)分别全局寻优VMD的分解层数K与惩罚因子α（Fitness1）及DWT的小波基函数与阈值策略（Fitness2——加权融合0.4·SNR·N·R、0.3ln(1+P-CC)与-0.3ln[1+CEE^norm]，其中CEE^norm=(CEE_i-CEE_min)/(CEE_max-CEE_min)经[0,1]归一化）；经SSA-VMD预分解后对各本征模态函数(Intrinsic Mode Functions, IMFs)实施SSA优化DWT阈值去噪，重构得最终信号；以SNR（越高越好）、均方根误差RMSE（越低越好）及Shannon信息熵（越低越好，反映噪声不确定性）定量评价去噪效果，并与EMD、传统DWT方法进行对比。

研究结果

2.2.2. Construction of the Fitness Function for Optimizing DWT Parameters

研究人员设计复合适应度函数Fitness2=0.4·SNR·N·R+0.3ln(1+P-CC)-0.3ln[1+CEE^norm]，其中SNR衡量整体去噪质量，P-CC（Pearson Correlation Coefficient, 取值范围(-1,1)）经ln(1+P-CC)非线性压缩表征波形相似度，CEE（Cross Envelope Entropy / Envelope Entropy）经最小—最大归一化消除量纲影响后取ln(1+CEE^norm)平滑其变化范围以抑制能量弥散。三项分别表征信号质量、特征保真度与能量聚集性，权重和为1，由SSA迭代寻优使Fitness2最大化以获取最佳DWT参数。

2.2.3. Adaptive Filtering Model with Self-Adaptive Decomposition Layers

研究人员建立两步自适应滤波流程：第一步用SSA优化VMD的K与α，对含噪信号做VMD分解得到各IMF分量；第二步对IMF分量进行SSA优化DWT阈值去噪；最后重构去噪后IMF得到最终结果。仿真表明仅SSA-VMD滤波效果有限，联合DWT后噪声显著压制，时域波形接近原始信号，时频表示(TFR)中高频噪声带被有效抑制。

3. Results

对SNR=2 dB仿真信号，SSA-VMD-DWT去噪后SNR提升至12.43 dB、RMSE降至2.36×10^-7；EMD去噪后SNR=8.84 dB、RMSE=3.56×10^-7；传统DWT去噪后SNR=7.22 dB、RMSE=4.30×10^-7。SSA-VMD-DWT所得时域波形最平滑且与原始信号吻合度最高，频域中有效频段(0–300 Hz)保留完好、残余噪声最少；EMD仍有部分噪声残留，DWT出现过度滤波致特征损失。现场微地震信号经SSA-VMD-DWT滤波后，信息熵值低于EMD与DWT处理结果，证实该方法在实际监测环境中同样具优良去噪能力。

4. Discussion与5. Conclusions（结论翻译总结）

研究表明：(1) SSA自动优选VMD(K,α)与DWT（小波基、阈值）参数，避免人工选参的主观不确定性与试错工作量；(2) SSA-VMD-DWT对低SNR微地震信号具最高去噪效率，去噪后波形平滑、幅值衰减合理、最接近原始信号；(3) 去噪后SNR更高、RMSE与信息熵更低，综合性能显著优于单独VMD、EMD及传统DWT。该方法具强自适应性，可按信号特征动态调整阈值实现自动去噪，在保障信号主频能量与细节信息同时有效抑制噪声，可直接集成入现有微地震监测系统而无须硬件升级，为深部地下工程微地震事件定位与分析提供高精度基础数据，未来将面向实时边缘计算、深度学习融合及多工况工程推广展开研究。