• ISSN 1673-5722
  • CN 11-5429/P

我国Ⅰ、Ⅱ、Ⅲ类场地上PGA归一化加速度反应谱特征统计研究

王玉石 宋卓 李小军 刘艳琼 王宁

樊哲宁,朱嘉健,王立新,杜鹏,张移,谢海珠,2021. 基于超宽带雷达及支持向量机的灾后人体呼吸信号识别方法与试验研究. 震灾防御技术,16(3):597−604. doi:10.11899/zzfy20210320. doi: 10.11899/zzfy20210320
引用本文: 王玉石,宋卓,李小军,刘艳琼,王宁,2023. 我国Ⅰ、Ⅱ、Ⅲ类场地上PGA归一化加速度反应谱特征统计研究. 震灾防御技术,18(4):854−863. doi:10.11899/zzfy20230419. doi: 10.11899/zzfy20230419
Fan Zhening, Zhu Jiajian, Wang Lixin, Du Peng, Zhang Yi, Xie Haizhu. An Approach and Experiments for Human Respiratory Signal Recognition based on UWB Radar and Support Vector Machine[J]. Technology for Earthquake Disaster Prevention, 2021, 16(3): 597-604. doi: 10.11899/zzfy20210320
Citation: Wang Yushi, Song Zhuo, Li Xiaojun, Liu Yanqiong, Wang Ning. Statistical Study on Characteristics of Spectral Accelerations Normalized by PGA on Site Classifications I, II and III in China[J]. Technology for Earthquake Disaster Prevention, 2023, 18(4): 854-863. doi: 10.11899/zzfy20230419

我国Ⅰ、Ⅱ、Ⅲ类场地上PGA归一化加速度反应谱特征统计研究

doi: 10.11899/zzfy20230419
基金项目: 国家重点研发计划课题(2019YFC1511004);国家自然科学基金重点项目(52192675、U1839202)
详细信息
    作者简介:

    王玉石,男,生于1982年。博士后,副研究员,硕士生导师。主要从事地震动场地效应与强震动观测技术研究。E-mail:wangyushi1982@126.com

Statistical Study on Characteristics of Spectral Accelerations Normalized by PGA on Site Classifications I, II and III in China

  • 摘要: 近30年来全球强震动记录,尤其是大震记录的数量显著增加,有必要对近40年前基于仅300余条强震动记录获得的地震动加速度反应谱特征进行检验与修正。基于NGA-West2数据库中全球范围内3 584条强震动记录的统计发现,我国场地类别划分标准下Ⅰ、Ⅱ、Ⅲ类场地上地面峰值加速度(PGA)归一化反应谱(阻尼比5%)与地震震级密切相关,与震源距离、地震动强度等因素的相关性相对较弱;我国现行抗震规范中设计谱低估了地震震级对反应谱谱型的影响,第4段的直线下降模式也与统计特征不符;在主要受大震控制的地区,设计谱特征周期取值过小而偏于冒险。参考中欧美抗震规范中的设计谱规准化原则,给出了适用于我国Ⅰ、Ⅱ、Ⅲ类建筑场地上的设计谱修正建议,主要改变为延长了受大震控制地区设计地震动分组的特征周期,并调整了下降段的下降模式与衰减指数,以更可靠地反映地震动反应谱的中长周期特性。
  • “超宽带”(Ultra Wide Band,简称UWB)一词最早出现于1989年的美国国防部相关技术文档中。关于超宽带信号的理论研究最早出现在20世纪五六十年代,Harmuth于1969年首次提出了超宽带脉冲发射机、接收机的设计雏形(Harmuth,1969a1969bGibbs,1970)。目前,超宽带主要应用于超宽带通信技术和超宽带雷达技术中。由于超宽带雷达技术可根据设计需求实现高穿透率、低功耗和高速宽带等要求(Withington等,2003),已被广泛应用于雷达生命探测领域,用于探测人类目标。震后人员搜救和医疗人体监测是超宽带雷达技术应用的主要方向(Li等,2009Scalise等,2013)。

    在生命探测任务中,呼吸和心跳是用来表示生命体征的最重要生理特征(Ossberger等,2004Yarovoy等,2006Luz等,2016)。为从雷达回波信号中识别呼吸和心跳特征,近年来国内外研究人员开展了大量研究,如Tariq等(2011)基于小波变换从回波信号中提取呼吸频率;Wu等(2016)提出一种加权积累算法,可实时识别呼吸信号;Li等(2014)利用奇异值分解(Singular Value Decomposition,简称SVD)和经验模态分解(Empirical Mode Decomposition,简称EMD)开发了面向复杂环境的呼吸和心跳频率提取方法;Ren等(2016)研发了使用超宽带脉冲多普勒雷达的基于相位分析的心率检测方法;孙公德等(2017)使用分布式超宽带雷达构建协同探测网络,对地震被困人员进行探测;Ma等(2021)使用能量、频率、小波熵和相关系数等信号特征,对宠物和人类生命特征进行区分,以保证超宽带雷达生命体征检测的可靠性。随着神经网络及机器学习技术在不同领域的广泛应用,部分研究人员将其应用于基于超宽带雷达的人体识别技术中,以提高人体检测精度(蒋留兵等,2019王亚夫等,2021崔学荣等,2021)。

    使用超宽带雷达探测模块,本文提出基于人体呼吸特征的灾后人员探测方法。考虑单一信号特征在不同环境下的可靠性差异,联合多种信号分析处理技术,以提取微多普勒特征、宏观频谱特征及相关性特征等,从而提高人体识别的鲁棒性。基于提取的信号特征,使用支持向量机模型对信号进行分类,进而区分信号中的生命体信息及非生命体信息。根据分类结果,最终获取受困生命体征目标的位置信息。其中,用于训练支持向量机模型的数据为试验场景下的探测数据。随着试验数据和真实灾后场景下探测数据的积累,可获取识别可靠性更高、应用性更强的人体识别模型。

    给定训练样本集$ D = \left\{ {\left( {{{\boldsymbol{x}}_1},{{\boldsymbol{y}}_1}} \right),\left( {{{\boldsymbol{x}}_2},{{\boldsymbol{y}}_2}} \right), \cdots ,\left( {{{\boldsymbol{x}}_m},{{\boldsymbol{y}}_m}} \right)} \right\},\; $$ {{\boldsymbol{y}}_i} \in \left\{ { - 1, + 1} \right\} $,分类学习的基本思想是找到1个超平面,将不同类别的样本进行划分(图1)。在本研究中,训练样本集中的${{\boldsymbol{x}}_m}$表示第m个探测样本的信号特征向量,${{\boldsymbol{y}}_m}$为对应的标注信息。划分超平面可通过下式描述:

    图 1  支持向量与间隔
    Figure 1.  Support vector and margin
    $$ {{\boldsymbol{w}}^{\text{T}}}{\boldsymbol{x}} + b = 0 $$ (1)

    式中,${\boldsymbol{w}} = \left( {{w_1},\;{w_2},\; \cdots ,\;{w_d}} \right)$,为法向量,法向量长度d等于x中特征值的数量,决定了超平面的方向;b为位移项,决定了超平面与原点之间的距离。

    支持向量机(Support Vector Machine,简称SVM)模型可用式(2)描述,即寻找具有最大间隔($\gamma = 2/\left\| {\boldsymbol{w}} \right\|$)的超平面,对样本进行划分(Cortes等,1995)。

    $$ \begin{gathered} \mathop {\min }\limits_{{\boldsymbol{w}},b} \;\;\frac{1}{2}{\left\| {\boldsymbol{w}} \right\|^2} \hfill \\ {\text{s}}{\text{.t}}{\text{.}}\;{y_i}\left( {{{\boldsymbol{w}}^T}{x_i} + b} \right) \geqslant 1,\;\;i = 1,2, \cdots ,m \hfill \\ \end{gathered} $$ (2)

    考虑本研究中涉及的训练样本是非线性可分的,引入映射函数$\phi \left( {\boldsymbol{x}} \right)$将原始的样本空间映射到1个更高维的特征空间,并引入损失函数,在最大化间隔的同时,使不满足约束的样本尽量少,则在高维特征空间中的超平面模型为:

    $$ f\left( {\boldsymbol{x}} \right) = {{\boldsymbol{w}}^{\text{T}}}\phi \left( {\boldsymbol{x}} \right) + b $$ (3)

    相应地,支持向量机模型可表示为:

    $$ \begin{gathered} \mathop {\min }\limits_{{\boldsymbol{w}},b,{\xi _i}} \;\;\frac{1}{2}{\left\| {\boldsymbol{w}} \right\|^2} + C\sum\limits_{i = 1}^m {{\xi _i}} \hfill \\ {\text{s}}{\text{.t}}{\text{.}}\;\;{y_i}\left( {{{\boldsymbol{w}}^{\text{T}}}\phi \left( {{{\boldsymbol{x}}_i}} \right) + b} \right) \geqslant 1 - {\xi _i} \hfill \\ \;\;\;\;\;{\xi _i} \geqslant 0\;\;,\;\;i = 1,2, \cdots ,m\; \hfill \\ \end{gathered} $$ (4)

    式中,C为常数,且$C > 0$${\xi _i}$为松弛变量。求解式(4)所述问题时,会涉及到计算$\phi {\left( {{{\boldsymbol{x}}_i}} \right)^{\text{T}}}\phi \left( {{{\boldsymbol{x}}_j}} \right)$,这是样本${{\boldsymbol{x}}_i}$${{\boldsymbol{x}}_j}$映射到高维特征空间后的内积,一般难以直接计算。为解决该问题,需使用核函数$\kappa \left( {{{\boldsymbol{x}}_i},{{\boldsymbol{x}}_j}} \right) = \phi {\left( {{{\boldsymbol{x}}_i}} \right)^{\text{T}}}\phi \left( {{{\boldsymbol{x}}_i}} \right)$进行求解(Cristianini等,2000),本研究所使用的核函数为:

    $$ \kappa \left( {{{\boldsymbol{x}}_i},{{\boldsymbol{x}}_j}} \right) = \exp \left( - \frac{{{{\left\| {{{\boldsymbol{x}}_i} - {{\boldsymbol{x}}_j}} \right\|}^2}}}{{2{\sigma ^2}}}\right) $$ (5)

    式中,$\sigma $为高斯核的带宽,且$\sigma > 0$。结合拉格朗日乘子法和SMO(Sequential Minimal Optimization)算法(Platt,1999)对式(4)进行求解,即可得到基于训练集D的支持向量机分类模型。

    使用支持向量机分类模型对超宽带雷达探测信号中的人体呼吸信号进行识别,识别步骤依次为探测信号汇集、探测信号去噪及标准化、信号特征提取、信号分类、获取识别结果。算法总体流程如图2所示。

    图 2  人体呼吸信号识别算法流程
    Figure 2.  Flow of respiratory detection algorithm
    1.2.1   超宽带雷达回波信号预处理

    使用超宽带雷达对目标进行扫描,获取一定时长的雷达回波信号,形成M×N维信号矩阵${\boldsymbol{X}}\left( {m,n} \right)$,其中M为快时时刻(即距离单元数),N为慢时时刻,$m = 0,1, \cdots ,{{M}} - 1$$n = 0,1, \cdots ,{{N}} - 1$。对于每个距离单元,记雷达回波信号为$ {x^m}(n) $

    受设备自身和外界环境的影响,原始雷达回波信号中包含了大量杂波和噪声干扰。为削弱或消除这些干扰,使用式(6)对每个距离单元上的回波信号进行有限一阶差分滤波。

    $$ {\tilde x^m}(n) = {x^m}\left( n \right){{ - }}{x^m}\left( {n - 1} \right) $$ (6)

    为消除不同探测试验之间的量纲影响,使用式(7)对滤波后的回波信号进行标准化处理,获取对应的标准化信号。

    $$ x_{{\rm{norm}}}^m\left( n \right) = \frac{{{{\tilde x}^m}\left( n \right)}}{{\displaystyle\sum {{{\tilde x}^m}{{\left( n \right)}^2}} }} $$ (7)
    1.2.2   信号多特征提取

    为训练支持向量机模型,并使用模型对信号进行分类,需要对信号进行特征提取。考虑不同探测环境下,各类信号特征受环境影响的程度不同,使用多种信号特征对雷达回波信号进行描述,以提高模型在不同探测环境中的鲁棒性。

    (1)微多普勒特征提取

    对标准化信号$x_{\rm{norm}}^m(n)$进行经验模态分解(Huang等,1998),获取其本征模函数(Intrinsic Mode Functions,简称IMF),记为$IMF_l^E\;\left( {l = 1,2, \cdots ,{L^E}} \right)$${L^E}$为经验模态分解后的IMF数量。由于第1阶本征模函数中包含了高频噪声成分,选取第2~4阶本征模函数进行后续计算。

    同时,对标准化信号$x_{\rm{norm}}^m(n)$进行变分模态分解(Variational Mode Decomposition,简称VMD)(Dragomiretskiy等,2014),获取其固有模态分量$IMF_l^V\;\left( {l = 1,2, \cdots ,{L^V}} \right)$${L^V}$为变分模态分解后的IMF数量。考虑人体呼吸信号频率较低,选取表征低频成分的第1~3阶固有模态分量进行后续计算。

    对上述分解得到的$IMF_l^E\left( {l = 2,3,4} \right)$$IMF_l^V\left( {l = 1,2,3} \right)$进行希尔伯特变换(Hilbert Transform,简称HT),便可得到相应的瞬时幅值和瞬时频率(Huang等,1998),如式(8)所示。

    $$ [{{A}}_l^{{\text{ins}}},{{f}}_l^{{\text{ins}}}] = {{H}}\left[ {IM{F_l}} \right] $$ (8)

    式中,$ {H}[·] $表示希尔伯特变换算子,${{A}}_l^{{\text{ins}}}$表示计算过程中得到的表征瞬时幅值的$IMF_l^E$$IMF_l^V$的包络,${{f}}_l^{{\text{ins}}}$表示变换后得到的对应$IMF_l^E$$IMF_l^V$的频率响应。

    求取各${{A}}_l^{{\text{ins}}}$${{f}}_l^{{\text{ins}}}$的均值、方差和二范数,组成能刻画探测目标精细运动特征的微多普勒特征向量${{\mathbf{\alpha }}_{\mathbf{1}}}$(包含36个特征值)。

    (2)宏观频谱特征提取

    宏观频谱特征反映了雷达回波信号在探测时长内的平均频域特征。一般来说,人体呼吸频率大概为0.2~0.7 kHz。因此,通过提取探测信号的宏观频域特征,可从频域平均能量上考量雷达回波信号中是否存在与人体呼吸信号特征频段相近的信号,从而作为识别依据。

    具体地,对标准化信号$x_{\rm{norm}}^m(n)$进行快速傅里叶变换(Fast Fourier Transform,简称FFT),得到傅里叶谱:

    $$ S\left( f \right) = {FFT} \left[ {x_{\rm{norm}}^m\left( n \right)} \right] $$ (9)

    式中,$ {FFT}[·] $表示快速傅里叶变换算子。

    基于傅里叶谱$S\left( f \right)$提取其最大幅值及最大幅值对应的频率值,组成第2个信号特征:宏观频谱特征向量${{\mathbf{\alpha }}_2}$

    (3)相关性特征

    相关性特征用于表述探测信号与人体呼吸信号的相似程度。为进行这种对比,需人为构造1条无噪声平稳呼吸信号作为参考信号,本研究采用正弦函数对参考呼吸信号进行构建,如式(10)所示。

    $$ {x_0} = 0.4\sin \left( {0.5{\text{π}} n} \right) $$ (10)

    计算参考信号和标准化信号的相关系数$\rho $,如式(11)所示。$\rho $值越大,表示探测信号与呼吸信号越相似。因此,记信号相关性特征为${{\mathbf{\alpha }}_3} = \rho $

    $$ \rho = \frac{{{E} \left\{ {\left\{ {x_{{\rm{norm}}}^m\left( n \right) - {E} \left[ {x_{{\rm{norm}}}^m\left( n \right)} \right]} \right\}\left\{ {{x_0}\left( n \right) - {E} \left[ {{x_0}\left( n \right)} \right]} \right\}} \right\}}}{{\sqrt {{E} {{\left\{ {x_{{\rm{norm}}}^m\left( n \right) - {E} \left[ {x_{{\rm{norm}}}^m\left( n \right)} \right]} \right\}}^2}{E} {{\left\{ {{x_0}\left( n \right) - {E} \left[ {{x_0}\left( n \right)} \right]} \right\}}^2}} }} $$ (11)
    1.2.3   基于支持向量机的人体定位

    为得到有效的识别模型,首先需对支持向量机模型进行训练。训练步骤包括收集探测信号样本数据、对样本进行标注、进行数据预处理、提取信号特征、基于特征及标注对模型进行训练。本研究使用84 000条信号样本对模型进行训练,训练样本包括不同探测环境和探测距离下的雷达探测数据,如表1所示。

    表 1  训练样本探测环境
    Table 1.  Scenarios for human detection
    障碍物类别障碍物厚度/cm探测距离/m
    无障碍1、2、3、5、10、15、20
    泡沫板31、2、3、5、10、15、20
    玻璃11、2、3、5、10、15、20
    木门51、2、3、5、10、15、20
    砖墙281、2、3、5、10、15、20
    下载: 导出CSV 
    | 显示表格

    模型训练完毕后,即可在新的探测任务中对任意探测距离上的探测信号进行分类。综合多组探测数据的多次分类结果,即可判断人体所在位置。使用支持向量机模型对受困生命体征目标位置进行识别的具体过程如图3所示。使用第kk=1,2,···,K)组探测数据对第mm=1,2,···,M)个距离单元上的回波信号进行分类,记分类结果为$c_m^k$。其中,K为获取的探测数据样本组数量,$c_m^k$取值为1或0,取值为1时代表存在生命体,取值为0时代表不存在生命体。为提高识别结果的准确度和可靠性,基于所有K组探测数据,对于任意距离单元,取K次分类结果的均值作为最终识别结果,计算公式为:

    图 3  受困生命体征目标位置识别流程
    Figure 3.  Procedure of the trapped person localization
    $$ C\left( m \right) = \frac{1}{K}\sum\limits_{k = 1}^K {c_m^k} $$ (12)

    式中,$C\left( m \right)$取值范围为0~1,人体所在位置为取值最接近1的$C\left( m \right)$对应距离的位置上。

    本研究使用的设备为PluseOn440单基站雷达传感器模块(图4),该模块具有小型便携、频带较宽、采样频率高等特点,可满足人体微动特征探测试验的需求。

    图 4  PluseOn440单基站雷达传感器模块及平板天线
    Figure 4.  P440 monostatic radar module and panel antenna

    此外,为加强对单个生命体的探测能力,减少周边物件或非目标生命体对生命体征识别的影响,本研究使用定向平板天线(图4)配合PluseOn440单基站雷达传感器模块开展试验。平板天线具有增益高、扇形区方向图好、后瓣小等特点。使用的天线主要技术参数如表2所示。本研究使用Python语言对上述算法进行计算机实现。试验过程中算法运行环境如下:处理器AMD Ryzen 7 4800U,1.80 GHz,8核,内存16 GB,硬盘512 GB。

    表 2  平板天线主要技术参数
    Table 2.  Technical parameters of panel antenna
    参数名称参数值
    尺寸/mm 150×150×18
    覆盖频段/GHz 3.25~3.75
    3 dB角 30°
    增益/dB 15
    下载: 导出CSV 
    | 显示表格

    考虑无障碍物遮挡场景,对本识别方法进行试验验证。试验现场如图5所示。被探测人员包括2名男性及1名女性,每名被探测人员依次站立在距雷达10、15、20、25、30 m的位置。每次探测时长为3 min。针对无障碍物场景,共收集15组探测数据。在距离分辨率为0.92 cm的情况下,以每个距离单元上每10 s的探测信号作为1个测试样本,获取了无障碍物场景下共73 350条测试样本。

    图 5  无障碍物场景的人体探测
    Figure 5.  Human body detection without obstacle

    对无障碍物场景测试样本进行分类后,得到不同误差范围内的分类准确度(分类结果与人工标注结果相同的样本数量与样本总数的比值),如表3所示。当考虑±10 cm误差容许范围时,将被探测人员所在实际位置±10 cm范围内的探测数据样本均标注为呼吸信号类别。由表3可知,无障碍物场景下,本方法可得到可靠的分类结果,进而可对人体呼吸信号进行区分;探测距离较近时的准确度低于探测距离较远时,这是因为在相同的探测时长和采样频率下,近距离探测设置的最大探测距离较短,导致样本点总量较少,错分点对准确度统计的影响较大,且受天线后瓣的影响,位于天线后方的操作人员会对近距离回波信号造成一定影响。

    表 3  无障碍物场景下分类准确度
    Table 3.  Accuracy of classification in experiments without obstacle
    探测距离/m准确度/%
    ±10 cm误差±30 cm误差
    10 87 88
    15 82 83
    20 89 91
    25 97 98
    30 95 96
    下载: 导出CSV 
    | 显示表格

    进一步地,可综合多个探测样本的分类结果,对人体所在位置进行识别。1名男性被探测人员位于探测距离为25 m的位置时,使用18组连续探测样本数据(即180 s的探测数据)得到的识别结果如图6所示。由图6可知,在无障碍物场景下,识别结果清晰指出了被探测人员所在位置,表明本研究提出的识别方法及模型可有效识别远距离处的人体呼吸信号。

    图 6  无障碍物场景下探测距离为25 m时的识别结果
    Figure 6.  Detection results of the experiment without obstacles when the human body is 25 m away

    考虑24 cm厚砖墙遮挡的情况下,对本识别方法进行试验验证,试验现场如图7所示。被探测人员为1名男性,被探测人员依次站立在距雷达0.24、1.24、3.24、5.24、7.24 m的位置进行试验,每次试验时长为3 min。探测距离为7.24 m时进行了2次测试,因此,砖墙隔挡场景下共收集6组探测数据。在距离分辨率为0.92 cm的情况下,以每个距离单元上每10 s的探测信号作为1个测试样本,共获取砖墙隔挡场景下10 800条测试样本。

    图 7  砖墙隔挡场景下的人体探测
    Figure 7.  Human body detection through brick wall

    对所有测试样本进行分类,得到砖墙隔挡情况下不同误差范围内的分类准确度,如表4所示。由表4可知,砖墙隔挡场景下的分类准确度低于无遮挡时,但仍有70%以上的可靠性。在±10 cm误差范围内,最优工况的分类准确度可达85%。

    表 4  砖墙隔挡场景下分类准确度
    Table 4.  Accuracy of classification in the experiments with the block of brick wall
    探测距离/m障碍物厚度/cm准确度/%
    ±10 cm误差±30 cm误差
    0.24 24 72 72
    1.24 24 81 81
    3.24 24 72 73
    5.24 24 85 86
    7.24 24 83 81
    下载: 导出CSV 
    | 显示表格

    综合多次分类结果,对人体位置进行识别。图8所示为被探测人员位于探测距离7.24 m位置时的最终识别结果。取图8中最大值对应的位置为识别得到的人体位置,即认为被探测人员位于探测距离7.54 m处,与实际测量位置偏差30 cm。造成定位偏差的因素包括算法识别误差及硬件性能限制。算法识别误差可通过后续数据样本积累不断改进。硬件性能限制问题需通过优化雷达工作频段、增大天线增益倍数等手段加以解决,以提高雷达信号的穿透能力。总体而言,在受困生命体征目标被24 cm厚砖墙遮挡时,本方法仍能提供有效的定位结果。

    图 8  砖墙隔挡场景下探测距离7.24 m时识别结果
    Figure 8.  Detection results of the experiment with the block of a brick wall when the human body is 7.24 m away

    在建筑楼板遮挡的情况下,对本识别方法进行试验验证。楼板由钢筋及混凝土组成,每层楼板厚度约为0.1 m。被探测人员包括3名男性,探测工况如表5所示,共收集9组探测数据,试验现场如图9所示。在距离分辨率为0.92 cm的情况下,以每个距离单元上每10 s的探测信号作为1个测试样本,共获取楼板隔挡场景下10 695条测试样本。

    表 5  楼板隔挡场景下探测工况
    Table 5.  Scenarios for human detection with the block of floorslabs
    障碍物
    层数
    障碍物
    总厚度/m
    探测
    距离/m
    探测
    时长/min
    被探测
    人员
    1 0.1 0.50 3 男性1
    2 0.2 1.53 3 男性1
    1 0.1 0.50 5 男性1
    1 0.1 0.50 5 男性2
    1 0.1 0.50 5 男性3
    2 0.2 1.53 5 男性1
    2 0.2 1.53 5 男性2
    2 0.2 1.53 5 男性3
    2 0.2 1.53 5 男性1
    下载: 导出CSV 
    | 显示表格
    图 9  楼板隔挡场景下的人体探测
    Figure 9.  Human body detection through floorslabs

    对所有测试样本进行识别后,得到楼板遮挡场景下不同误差范围内的分类准确度,如表6所示。由表6可知,受楼板内钢筋的影响,探测信号中的人体特征信息受到一定程度的干扰、削弱,导致该工况下的分类准确度低于其余工况。然而,在2层楼板遮挡的情况下,该方法对人体呼吸信号的分类准确度仍有73%,可为后续人体位置的进一步识别提供较可靠的分类结果。

    表 6  楼板隔挡场景下分类准确度
    Table 6.  Accuracy of classification in the experiments with the block of floorslabs
    楼板层数障碍物厚度/m探测距离/m准确度/%
    ±10 cm误差±30 cm误差
    10.10.507578
    20.21.537377
    下载: 导出CSV 
    | 显示表格

    图10所示为2层楼板隔挡场景下使用180 s的探测数据获取的人体位置识别结果。图10中最大值所在位置对应的探测距离为1.84 m,与实际测量距离偏差为31 cm。结果表明,楼板隔挡场景下的识别结果图像虽较复杂、干扰较多,但根据本方法得到的图像最大值位置仍能较准确地表征被探测人体所在位置。因此,在较复杂的环境干扰下,仍可通过本方法获得可靠的人体位置识别结果。

    图 10  2层楼板隔挡场景下识别结果
    Figure 10.  Detection results of the experiment with the block of 2 floorslabs

    本研究提出基于支持向量机分类模型及信号多特征提取技术的灾后受困生命体征目标探测定位方法。考虑单一信号特征在不同环境下的可靠性差异,可使用多种信号特征对探测信号进行描述,以提高识别算法的鲁棒性。基于大量现场测试数据,对支持向量机模型进行训练,获取可用于区分人体呼吸信息的分类模型。在空旷场地、砖墙隔挡、楼板遮挡等环境下的探测、识别试验结果表明,本方法可在无障碍场景下准确识别远距离人体信息,在砖墙、楼板等障碍物隔挡场景下获取受困生命体征目标的有效位置。本研究考虑的障碍物遮挡场景仍较简单,且识别结果的精度有提高空间,因此,在进一步的研究工作中,将针对识别效率、识别精度、障碍物场景补偿等问题进行分析,以对本方法进行完善。

  • 图  1  统计记录的数量分布

    Figure  1.  Quantity distributions for statistical records

    图  2  按地震震级分组的归一化反应谱平均值

    Figure  2.  Average values of normalized spectral accelerations grouped by earthquake magnitude

    图  3  按震源距离分组的归一化反应谱平均值

    Figure  3.  Average values of normalized spectral accelerations grouped by source distance

    图  4  按PGA分组的归一化反应谱平均值

    Figure  4.  Average values of normalized spectral accelerations grouped by PGA

    图  5  按震源距离分组的归一化反应谱残差

    Figure  5.  Residuals for normalized spectral accelerations grouped by source distance

    图  6  按PGA分组的归一化反应谱残差

    Figure  6.  Residuals for normalized spectral accelerations grouped by PGA

    图  7  本研究统计结果与现行抗震规范设计谱的比较

    Figure  7.  Comparisons between the statistical results in this study and the design spectra in the current seismic code

    图  8  本研究建议的设计谱修正方案

    Figure  8.  Modifications for design spectra proposed in this study

    图  9  本研究建议设计谱修正方案与现行抗震规范设计谱的比较

    Figure  9.  Comparisons between the modified design spectra proposed in this study and the design spectra in the current seismic code

    表  1  设计谱修正建议方案的参数值(阻尼比5%)

    Table  1.   Modified parameters for seismic design spectra proposed in this study(Damping ratio=0.05)

    组别βmaxT1/sT2/s$ {\gamma _{\text{1}}} $$ {\gamma _{\text{2}}} $
    Ⅰ类场地第1组2.200.301.001.002.00
    Ⅰ类场地第2组2.200.401.401.001.50
    Ⅰ类场地第3组2.200.552.200.800.90
    Ⅱ类场地第1组2.250.351.001.001.80
    Ⅱ类场地第2组2.250.451.400.901.30
    Ⅱ类场地第3组2.450.650.70
    Ⅲ类场地第1组2.300.401.601.001.50
    Ⅲ类场地第2组2.300.602.400.901.10
    Ⅲ类场地第3组2.551.000.65
    下载: 导出CSV
  • 陈国兴, 2003. 中国建筑抗震设计规范的演变与展望. 防灾减灾工程学报, 23(1): 102—113 doi: 10.3969/j.issn.1672-2132.2003.01.018

    Chen G. X. , 2003. The evolution and prospect of the code for seismic design of buildings in China. Journal of Disaster Prevention and Mitigation Engineering, 23(1): 102—113. (in Chinese) doi: 10.3969/j.issn.1672-2132.2003.01.018
    耿淑伟, 2005. 抗震设计规范中地震作用的规定. 哈尔滨: 中国地震局工程力学研究所, 44—69

    Geng S. W., 2005. Strong ground motion input parameter for seismic design. Harbin: Institute of Engineering Mechanics, China Earthquake Administration, 44—69. (in Chinese)
    耿淑伟, 陶夏新, 王国新, 2008. 对设计反应谱长周期段取值规定的探讨. 世界地震工程, 24(2): 111—116

    Geng S. W. , Tao X. X. , Wang G. X. , 2008. Study on the provisions for the values of design response spectra in long period section. World Earthquake Engineering, 24(2): 111—116. (in Chinese)
    耿淑伟, 赵万松, 高永新, 2018. 基于设计地震分组的反应谱特征周期研究. 合肥工业大学学报(自然科学版), 41(2): 211—215 doi: 10.3969/j.issn.1003-5060.2018.02.014

    Geng S. W. , Zhao W. S. , Gao Y. X. , 2018. Research on characteristic periods of response spectrum based on classification of design earthquake. Journal of Hefei University of Technology, 41(2): 211—215. (in Chinese) doi: 10.3969/j.issn.1003-5060.2018.02.014
    郭晓云, 薄景山, 巴文辉, 2013. 汶川地震反应谱特征周期统计分析. 地震工程与工程振动, 33(2): 55—59 doi: 10.13197/j.eeev.2013.02.57.guoxy.007

    Guo X. Y. , Bo J. S. , Ba W. H. , 2013. Statistical analysis of characteristic period of response spectrum based on Wenchuan strong ground motion. Earthquake Engineering and Engineering Vibration, 33(2): 55—59. (in Chinese) doi: 10.13197/j.eeev.2013.02.57.guoxy.007
    郭玉学, 王治山, 1993. 中国核电厂抗震设计用标准反应谱. 世界地震工程, 9(2): 31—36, 18.
    胡聿贤, 张继栋, 邹夕林等, 1982. 基岩地震动参数与震级和距离的关系. 地震学报, 4(2): 199—207

    Hu Y. X. , Zhang J. D. , Zou X. L. , et al, 1982. Functional relations of bedrock motion parameters with earthquake magnitude and distance. Acta Seismologica Sinica, 4(2): 199—207. (in Chinese)
    刘恢先, 1958. 论地震力. 土木工程学报, 5(2): 86—106

    Liu H. X. , 1958. Seismic forces on structures. China Civil Engineering Journal, 5(2): 86—106. (in Chinese)
    罗开海, 黄世敏, 2015. 《建筑抗震设计规范》发展历程及展望. 工程建设标准化, (7): 73—78. doi: 10.13924/j.cnki.cecs.2015.07.007
    覃锋, 徐龙军, 谢礼立, 2011. 基于强震记录的核电厂抗震标准反应谱研究. 地震学报, 33(1): 103—113 doi: 10.3969/j.issn.0253-3782.2011.01.009

    Qin F. , Xu L. J. , Xie L. L. , 2011. On standard response spectrum for nuclear power plant based on strong earthquake ground motions. Acta Seismologica Sinica, 33(1): 103—113. (in Chinese) doi: 10.3969/j.issn.0253-3782.2011.01.009
    王苏阳, 2017. 基于日本KiK-net地震动数据的场地反应研究. 哈尔滨: 中国地震局工程力学研究所.

    Wang S. Y., 2017. Study on site effect using ground motion data from KiK-net in Japan. Harbin: Institute of Engineering Mechanics, China Earthquake Administration. (in Chinese)
    王亚勇, 戴国莹, 2010. 《建筑抗震设计规范》的发展沿革和最新修订. 建筑结构学报, 31(6): 7—16

    Wang Y. Y. , Dai G. Y. , 2010. Evolution and present updation of ‘Code for seismic design of buildings’. Journal of Building Structures, 31(6): 7—16. (in Chinese)
    王亚勇, 2011. 国家标准《建筑抗震设计规范》(GB50011-2010)疑问解答(三). 建筑结构, 41(2): 137—141.
    王玉石, 李小军, 赵雷等, 2016. 基于统计的核电厂地震裕量分析建议反应谱. 核动力工程, 37(3): 43—46 doi: 10.13832/j.jnpe.2016.03.0043

    Wang Y. S. , Li X. J. , Zhao L. , et al. , 2016. Suggested spectral accelerations for seismic margin assessments of nuclear power plants based on statistics. Nuclear Power Engineering, 37(3): 43—46 (in Chinese) doi: 10.13832/j.jnpe.2016.03.0043
    王玉石, 李小军, 刘爱文等, 2020. 基于统计数据的非基岩核电厂抗震设计谱研究. 核动力工程, 41(3): 115—120

    Wang Y. S. , Li X. J. , Liu A. W. , et al. , 2020. Study on spectral accelerations for seismic design of nuclear power plants on non-bedrock sites based on statistical data. Nuclear Power Engineering, 41(3): 115-120. (in Chinese)
    谢礼立, 周雍年, 胡成祥等, 1990. 地震动反应谱的长周期特性. 地震工程与工程振动, 10(1): 1—20 doi: 10.13197/j.eeev.1990.01.001

    Xie L. L. , Zhou Y. N. , Hu C. X. , et al, 1990. Characteristics of response spectra of long-period earthquake ground motion. Earthquake Engineering and Engineering Vibration, 10(1): 1—20. (in Chinese) doi: 10.13197/j.eeev.1990.01.001
    徐龙军, 覃锋, 孙琼等, 2011. 分区优化核电站抗震设计谱. 天津大学学报, 44(8): 719—726 doi: 10.3969/j.issn.0493-2137.2011.08.011

    Xu L. J. , Qin F. , Sun Q. , et al. , 2011. Divisional optimized aseismic design spectra for nuclear power plant. Journal of Tianjin University, 44(8): 719—726. (in Chinese) doi: 10.3969/j.issn.0493-2137.2011.08.011
    尤红兵, 赵凤新, 2014. 特高压电气设备抗震设计反应谱特征周期取值研究. 震灾防御技术, 9(2): 171—181 doi: 10.3969/j.issn.1673-5722.2014.02.002

    You H. B. , Zhao F. X. , 2014. Characteristic period value of seismic design response spectrum of UHV electrical equipments. Technology for Earthquake Disaster Prevention, 9(2): 171—181. (in Chinese) doi: 10.3969/j.issn.1673-5722.2014.02.002
    赵斌, 王亚勇, 2003. 关于《建筑抗震设计规范》GB50011-2001中设计反应谱的几点讨论. 工程抗震, 25(1): 12-14, 29

    Zhao B. , Wang Y. Y. , 2003. Discussions on the design response spectrum in code for seismic design of buildings GB50011-2001. Earthquake Resistant Engineering, 25(1): 12—14, 29. (in Chinese)
    赵佳祥, 2019. 基于强震动记录统计的归一化加速度反应谱研究. 三河: 防灾科技学院. Zhao J. X. , 2019. Statistical Analysis of normalized acceleration response spectrum based on strong motion record. Sanhe: Institute of Disaster Prevention. (in Chinese)
    赵万松, 耿淑伟, 董满生, 2017. 抗震设计反应谱特征周期研究. 地震工程学报, 39(3): 502—508 doi: 10.3969/j.issn.1000-0844.2017.03.0502

    Zhao W. S. , Geng S. W. , Dong M. S. , 2017. Research on characteristic periods of seismic design response spectrum. China Earthquake Engineering Journal, 39(3): 502—508. (in Chinese) doi: 10.3969/j.issn.1000-0844.2017.03.0502
    中华人民共和国住房和城乡建设部, 中华人民共和国国家质量监督检验检疫总局, 2010. GB 50011—2010 建筑抗震设计规范. 北京: 中国建筑工业出版社, 18—35

    Ministry of Housing and Urban-Rural Development of the People's Republic of China, General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, 2010. GB 50011—2010 Code for seismic design of buildings. Beijing: China Architecture & Building Press, 18—35. (in Chinese)
    周锡元, 王广军, 苏经宇, 1984. 场地分类和平均反应谱. 岩土工程学报, 6(5): 59—68 doi: 10.3321/j.issn:1000-4548.1984.05.007

    Zhou X. Y. , Wang G. J. , Su J. Y. , 1984. Site classification and average response spectra. Chinese Journal of Geotechnical Engineering, 6(5): 59—68. (in Chinese) doi: 10.3321/j.issn:1000-4548.1984.05.007
    周锡元, 齐微, 徐平等, 2006. 震级、震中距和场地条件对反应谱特性影响的统计分析. 北京工业大学学报, 32(2): 97—103 doi: 10.3969/j.issn.0254-0037.2006.02.001

    Zhou X. Y. , Qi W. , Xu P. , et al. , 2006. Statistical analysis on the influence of magnitude, distance and site condition on response spectra. Journal of Beijing University of Technology, 32(2): 97—103. (in Chinese) doi: 10.3969/j.issn.0254-0037.2006.02.001
    周雍年, 1984. 震级、震中距和场地条件对地面运动反应谱的影响. 地震工程与工程振动, 4(4): 14—21 doi: 10.13197/j.eeev.1984.04.002

    Zhou Y. N. , 1984. The effects of the seismic magnitudes, the epicentral distances and local soil conditions on the response spectra. Earthquake Engineering and Engineering Vibration, 4(4): 14—21. (in Chinese) doi: 10.13197/j.eeev.1984.04.002
    周雍年, 周正华, 于海英, 2004. 设计反应谱长周期区段的研究. 地震工程与工程振动, 24(2): 15—18 doi: 10.3969/j.issn.1000-1301.2004.02.003

    Zhou Y. N. , Zhou Z. H. , Yu H. Y. , 2004. A study on long period portion of design spectra. Earthquake Engineering and Engineering Vibration, 24(2): 15—18. (in Chinese) doi: 10.3969/j.issn.1000-1301.2004.02.003
    Biot M. A. , 1941. A mechanical analyzer for the prediction of earthquake stresses. Bulletin of the Seismological Society of America, 31(2): 151—171. doi: 10.1785/BSSA0310020151
    Boore D. M. , 2004. Estimating V̄s(30) (or NEHRP site classes) from shallow velocity models (depths < 30 m). Bulletin of the Seismological Society of America, 94(2): 591—597. doi: 10.1785/0120030105
    Building Seismic Safety Council of the National Institute of Building Sciences, 2004. NEHRP recommended provisions for seismic regulations for new buildings and other structures (FEMA 450): part 1: provisions. Washington, D. C. : Federal Emergency Management Agency, 17—49.
    European Committee for Standardization, 2004. EN 1998—1 Eurocode 8: design of structures for earthquake resistance-part 1: general rules, seismic actions and rules for buildings. Brussels: European Committee for Standardization.
    Housner G. W. , 1959. Behavior of structures during earthquakes. Journal of the Engineering Mechanics Division, 85(4): 109—129. doi: 10.1061/JMCEA3.0000102
    Newmark N. M. , Blume J. A. , Kapur K. K. , 1973. Seismic design spectra for nuclear power plants. Journal of the Power Division, 99(2): 287—303. doi: 10.1061/JPWEAM.0000753
    Seed H. B. , Ugas C. , Lysmer J. , 1976. Site-dependent spectra for earthquake-resistant design. Bulletin of the Seismological Society of America, 66(1): 221—243. doi: 10.1785/BSSA0660010221
  • 期刊类型引用(1)

    1. 郑学召,丁文,黄渊,蔡国斌,马扬,刘盛铠,周博. 不同领域下超宽带雷达探测呼吸心跳信号研究综述. 雷达学报(中英文). 2025(01): 204-228 . 百度学术

    其他类型引用(6)

  • 加载中
图(9) / 表(1)
计量
  • 文章访问数:  282
  • HTML全文浏览量:  30
  • PDF下载量:  53
  • 被引次数: 7
出版历程
  • 收稿日期:  2022-06-28
  • 刊出日期:  2023-12-01

目录

/

返回文章
返回