基于强化学习(RL)–贝叶斯网络(BN)–AdaBoost–Elman神经网络(ENN)与差分进化(DE)优化贝叶斯分类器的地震信号识别与分类模型研究

《Frontiers in Earth Science》：A framework for earthquake seismic signal classification with the aid of hybrid feature selection schemes and robust machine learning models

　　

摘要：研究人员提出了一种新颖的混合机器学习框架，用于地震信号（天然地震与爆炸/非地震噪声）的高精度自动识别与分类。该方法首先通过图形嵌入、低秩表示及互相关函数进行多视角特征提取，并结合K?best与Kriging模型进行特征选择；随后引入强化学习(Reinforcement Learning, RL)辅助贝叶斯网络(Bayesian Network, BN)对特征间因果关系建模并进行参数估计（最大似然估计 Maximum Likelihood Estimation, MLE）与概率推理（变量消元 Variable Elimination, VE）；继而采用AdaBoost算法集成多个Elman神经网络(Elman Neural Network, ENN)构成强预测器(AdaBoost–ENN)；最终利用差分进化(Differential Evolution, DE)算法优化多基分类器（朴素贝叶斯Na?ve Bayes, K近邻K?Nearest Neighbor KNN, AdaBoost, 决策树Decision Tree DT, 贝叶斯网络Bayes Net）加权投票的贝叶斯分类器(Bayesian Classifier, BC)集成权重，并以十折交叉验证准确率作为适应度函数。研究在公开及实测地震数据集上验证了所提模型较传统支持向量机(Support Vector Machine, SVM)、随机森林及单一贝叶斯分类器具有更优的分类准确率与鲁棒性，证明RL–BN与DE优化集成学习可有效提升非线性地震信号判别性能。

论文解读：

【研究背景与意义】

地震信号自动识别与分类是地震监测预警中的核心问题，传统方法依赖人工拾取与经验阈值，难以区分天然地震、爆破与噪声，尤其在低信噪比条件下误报率高。现有机器学习方法多面临高维特征冗余、基分类器权值固定导致泛化能力不足等问题。为提高非线性非平稳地震信号的分类精度与模型鲁棒性，研究人员在《Frontiers in Earth Science》上发表本研究，提出融合强化学习(RL)驱动贝叶斯网络(BN)特征关系建模、AdaBoost–Elman神经网络(ENN)弱学习器增强及差分进化(DE)优化贝叶斯分类器(BC)集成权重的混合框架，旨在实现端到端的高精度地震事件分类。

【关键技术方法概述】

研究人员采用含天然地震与爆破/噪声的样本队列，经预处理后进行双分支特征提取——一支基于图(graph)、低秩(low?rank)及邻域嵌入(neighborhood embedding)，另一支基于互相关函数(cross?correlation functions)，经K?best与Kriging模型特征选择降维；RL–BN模块以BN刻画状态–动作因果并用MLE估计CPT(Conditional Probability Table)、VE做后验推理辅助特征评价；AdaBoost集成多ENN生成强预测器；最终以DE算法（种群初始化、DE/rand/1变异、二项交叉binomial crossover、贪婪选择，适应度函数为十折交叉验证分类准确率）搜索五个基分类器（NB、KNN、AdaBoost、DT、Bayes Net）的最优加权向量，加权投票输出最终类别。

【研究结果】

3.1 强化学习(Reinforcement Learning, RL)

研究人员定义MDP ?S, A, F, N, γ?，引入策略π?参数化策略网络，以优势函数Aπ?(s,a)=Qπ?(s,a)?Vπ?a(s)构造策略梯度?D(?)=Es～S,a～A[??log π?(a|s)·Aπ?(s,a)]，通过梯度上升更新?使期望折扣回报最大化，为后续BN提供状态–动作偏好评估依据。

3.2 贝叶斯网络(Bayesian Network, BN)

BN定义为?G=(N,E), θ?有向无环图，离散变量节点由条件概率表CPT参数化。研究人员依据状态–动作因果建立BN结构，采用最大似然估计(Maximum Likelihood Estimation, MLE)：θ*_ij^k=m_ijk/Σ_km_ijk（无观测时均匀先验），联合分布P(z,?,ψ,?,a)=P(z)P(?)P(ψ)P(?)P(a|z,?,ψ,?)，通过变量消元(Variable Elimination, VE)求边缘概率完成概率推理，量化特征与类别间依赖。

3.3 参数估计

对BN各节点CPT，基于训练数据集统计父节点与子节点取值频数，用拉格朗日乘子法导出MLE闭式解，保证Σ_k=1^c_iθ_ijk=1，实现BN参数快速学习。

3.4 概率推理

采用变量消元法逐次求和消去隐变量得P(a)=Σ_?,ψ,?,zP(z)P(?)P(ψ)P(?)P(a|z,?,ψ,?)，获取目标动作（类别）后验概率供下游分类参考。

3.5 AdaBoost–ENN混合模型

Elman神经网络含上下文层作一步延迟记忆单元捕捉时序动态；AdaBoost对T个ENN弱预测器h_j按误差ε_j赋权α_j=?ln((1?ε_j)/ε_j)，更新样本分布D_j+1(i)=D_j(i)exp(?α_jq_ih_j(p_i))/Z_j，最终强预测器H_final(p)=sign(Σ_j=1^Tα_jh_j(p))，克服单一ENN固定递归缺陷提升时序拟合能力。

3.6 权重评估方法

对各特征子集训练AdaBoost–ENN得预测精度P_f，按O_f=P_f/Σ_f=1^FP_f分配权重，最终预测Z_i=Σ_f=1^FO_fz_if融合多视角特征输出。

4.1 差分进化(Differential Evolution, DE)优化集成分类器

DE种群个体为M维基分类器权重向量w=(w₁,…,w_M)，采用DE/rand/1策略生成供体向量D_i,J=P_r1,J+F·(P_r2,J?P_r3,J)，CR控制二项式交叉得试验向量T_i,J，若f(T_i,J)≤f(P_i,J)则P_i,J+1=T_i,J否则保留原个体；适应度取十折交叉验证Accuracy=正确数/测试样本数×100%，迭代至最大代数输出最优w使加权投票p_k=argmax_jΣ_i=1^B(Δ_ji×w_i)分类误差最小。

4.3–4.5 贝叶斯分类器选择与DE参数寻优

基分类器选取NB、KNN(k典型值)、AdaBoost、C4.5型DT及Bayes Net五类保证多样性；DE控制参数设种群规模N、缩放因子F∈(0,1)、交叉率CR∈(0,1)，初始化权重均匀分布[0,1]，经变异–交叉–选择进化收敛至全局最优加权组合。

【讨论与结论】

研究人员通过融合RL–BN因果特征关系建模、AdaBoost–ENN时序动态学习与DE优化加权贝叶斯集成，构建了端到端地震信号分类管线。实验表明：①RL–BN可有效挖掘高维特征条件独立性与因果指向，降低冗余特征干扰；②AdaBoost–ENN较单一前馈网络更好捕获信号时变特性；③DE寻优赋予高性能基分类器更大投票权重，集成BC显著优于未加权集成及单一SVM、RF等对照模型（最高报道准确率提升约2%–5%）。结论为：将概率图模型推理、强化学习引导的特征评价与进化计算优化的多分类器集成相结合，可实质性提高复杂背景下地震事件自动识别率，该框架亦可推广至其他非线性时序信号分类任务。