摘要: 矿山微震监测系统中所产生的微震信号数量巨大并且存在多种复杂背景噪声干扰，使得矿山微震事件的识别难度很高。现有的微震事件识别方法仍然存在降噪效率低、时延明显、精度差等问题。为了提高微震事件识别的准确度，提出一种基于改进小波分解和极限学习机(ELM)的矿山微震事件识别方法，该方法能更有效、更准确地识别矿山微震事件。针对微震信号具有不可预测、复杂、扩散等特性，提出一种改进阈值函数的小波降噪方法，其中在小波分解过程中，首先确定小波阈值和小波分解层数，再利用提出的改进的小波阈值函数对小波系数进行阈值量化处理，得到优化后的小波系数，最后对小波系数进行重构得到去噪的信号。该方法有效的改进了目前软、硬阈值函数所存在的伪吉布斯现象和不连续、误差大的缺陷。其次，提取去噪后微震信号特征并训练ELM隐藏层节点数量，并利用训练得到的ELM隐藏层节点数量构建改进的ELM，改进的ELM解决了普通ELM训练数据时无法有效选取隐藏层节点数量的问题，从而提升了微震事件识别精度。最后，通过改进后的ELM能够对矿山微震事件进行更加有效的识别。结果表明：本文基于改进小波分解和ELM的矿山微震事件识别方法的分类准确率达到91.1%，验证了本文方法的有效性和准确性，并且该方法可以通过新增微震信号数据进一步提高识别精度。