准确识别矿震和天然地震有着重要意义。一方面，使用纯粹的天然地震目录进行活断层划分、强震预测、应力场计算等更深层的地震学研宄 。另一方面 ，确定完善的矿震地震目录有助于开采部门对相关行为进行监管。本文从矿震和天然地震的频谱特征入手，通过对数据的短周期面波进行识别，利用改进的完全集成经验模态分解法（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN），结合长短期记忆网络（Long Short-Term Memory，LSTM）对辽宁地区和日本的矿震和地震事件进行了区分研究。首先，对矿震和天然地震的波形数据进行基线矫正、P波到时等预处理，再使用CEEMDAN分解出不同的固有模态函数（Intrinsic Mode Functions，IMFs），然后通过提取IMFs的方差贡献率作为特征，而这一特征清楚的识别到矿震的短周期面波成分，之后将其输入LSTM模型进行分类训练，最终形成准确的分类模型。结果表明，CEEMDAN-LSTM模型能有效解决模态中噪声与短周期面波的混叠问题，提高分类的准确性，分类成功率显著提高。此外，本文还探讨了不同分类特征和不同分类模型的优势与局限，为未来地震事件的自动识别提供了有效的技术支持和新思路。通过本研究，不仅增强了对矿震与天然地震特征的理解，也为地震预警与灾害防控提供了科学依据。并指出，未来研究可以更进一步从速度上优化该模型，也同样可以模型为基础进行更多的非天然地震事件的分类。

0引言
1数据来源及其处理
2研究方法
2.1完整集成经验模态分解与自适应噪声（CEEMDAN）
2.2 LSTM模型的构建
2.2.1 LSTM模型的概述
2.2.2 模型架构
3结果以及分析
3.1 CEEMDAN对天然地震和矿震的分解结果
3.2 EEMD与CEMMDAN方法的对比对照
3.3 LSTM结果分析
3.4不同数据不同模型下的对比
3.4.1 方差贡献率输入不同模型下的对比
3.4.2 不同参数输入下LSTM与CNN模型的对比
4结论与讨论

闫昭阳,朱景宝,刘赫奕,等.CEEMDAN-LSTM框架下的天然地震与矿山诱发地震区分技术研究[J/OL].煤炭学报,1-16[2024-08-06].https://doi.org/10.13225/j.cnki.jccs.2024.0539.