✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥内容介绍
地震到达时间的精确拾取是地震定位、震源机制解析及地球内部结构成像的核心前提，但其准确性极易受背景噪声、仪器响应及传播路径干扰，传统人工拾取方式耗时费力且主观性强，现有自动检测算法在复杂噪声环境下鲁棒性不足。针对这一问题，本文提出一种基于修正高斯滤波拉普拉斯（MLoG）算子的地震到达时间自动检测方法，通过优化高斯滤波策略强化平滑去噪性能，同时保留地震信号的边缘突变特征，实现地震到达时间的精准、自动检测。实验采用多组不同信噪比的实际地震数据，与传统STA/LTA方法、标准LoG算子方法对比验证，结果表明该方法在低信噪比环境下仍能有效抑制噪声干扰，降低漏检率与误检率，提升到达时间拾取精度，具备良好的适应性与实用性。
1 引言
地震学研究中，地震波（尤其是P波、S波）到达时间的精准确定，是开展地震定位、震源参数反演、地震活动性分析及地震预警的基础环节，直接影响后续研究结论的可靠性与应用价值[1]。在实际地震数据采集过程中，原始信号不可避免地夹杂着背景噪声、仪器噪声及环境干扰，这些噪声呈现出随机高频扰动特性，会掩盖地震波到达时的信号突变特征，给到达时间的准确识别带来极大挑战。
目前，地震到达时间自动检测方法主要包括短时平均/长时平均（STA/LTA）比值法、互相关法、小波变换法及赤池信息准则（AIC）等[3]。其中，STA/LTA方法因原理简单、计算高效，被广泛应用于实际地震监测中，但该方法在低信噪比环境下检测性能显著下降，易出现漏检或误检；AIC方法基于信息论准则实现信号突变点识别，但其对数据质量要求较高，计算复杂度大，适应性有限；小波变换法虽能在一定程度上实现噪声分离与信号增强，但小波基的选择与参数设置具有较强经验性，难以适配不同类型的地震信号。
高斯拉普拉斯（LoG）算子作为一种经典的边缘检测工具，结合了高斯滤波的平滑去噪能力与拉普拉斯算子的边缘增强优势，已被初步应用于地震信号处理领域[2]。其核心原理是先通过高斯滤波抑制高频噪声，再利用拉普拉斯算子提取信号的二阶导数变化，突出地震波到达时的信号突变特征，从而实现到达时间的检测。然而，标准LoG算子采用固定尺度的高斯滤波，无法适配地震信号信噪比随时间变化的特性，在复杂噪声环境下仍会产生虚假峰值，影响到达时间的拾取精度[1]。
针对标准LoG算子的局限性，本文对其进行改进优化，提出一种修正高斯滤波拉普拉斯算子，通过引入自适应尺度调整与多尺度融合策略，强化滤波器的去噪性能与信号适配能力，进而构建高效、鲁棒的地震到达时间自动检测方法。本文详细阐述修正LoG算子的设计原理与实现流程，通过实际地震数据实验验证方法的有效性，为地震到达时间的精准自动检测提供新的技术思路。
2 相关理论基础
2.2 标准LoG算子的局限性
尽管标准LoG算子具备平滑去噪与边缘增强的双重优势，但将其直接应用于地震到达时间检测时，仍存在以下突出问题：
第一，固定尺度适配性差。标准LoG算子采用固定的高斯滤波尺度$$\sigma$$，而实际地震信号的信噪比具有时空变化特性——信号能量较高、信噪比较高的区域，需要较小的$$\sigma$$ 以保留信号细节；信号能量较低、信噪比较低的区域，需要较大的$$\sigma$$ 以强化噪声抑制，固定尺度无法兼顾两者需求[1]。
第二，虚假峰值干扰。在低信噪比环境下，标准LoG算子对高频噪声的抑制能力不足，拉普拉斯运算会将剩余噪声放大，产生大量虚假极值峰值，与地震波到达时的真实峰值混淆，导致误检率升高[3]。
第三，细节保留与噪声抑制失衡。单一尺度的高斯滤波难以同时实现噪声有效抑制与信号细节完整保留，要么因平滑过度丢失地震波到达时的微弱突变特征，导致漏检；要么因平滑不足，噪声未被充分抑制，影响检测精度[1]。
针对上述问题，本文从高斯滤波策略优化入手，对标准LoG算子进行修正，提出修正高斯滤波拉普拉斯算子，解决尺度适配性与噪声抑制的核心痛点。
3 修正高斯滤波拉普拉斯算子设计
本文提出的修正高斯滤波拉普拉斯算子，核心改进思路是通过优化高斯滤波策略，提升算子的抗噪性能与信号适配能力，保留标准LoG算子中高斯滤波与拉普拉斯算子的核心协同机制，重点实现“自适应尺度调整”与“多尺度融合”两大优化，具体设计如下。
3.3 修正LoG算子的整体实现
修正LoG算子的整体实现流程为：首先对原始地震信号进行预处理，消除低频噪声与直流分量；随后通过自适应尺度调整与多尺度融合策略，对预处理后的信号进行高斯滤波，得到融合滤波结果；再对融合结果进行拉普拉斯变换，提取信号的二阶导数变化，得到修正LoG滤波响应；最后通过峰值检测与阈值筛选，识别地震波到达时的真实峰值，实现到达时间的精准拾取[1]。
4 基于修正LoG算子的地震到达时间自动检测流程
基于上述修正高斯滤波拉普拉斯算子，本文构建地震到达时间自动检测模型，整体流程分为5个步骤，各步骤衔接流畅，确保检测的高效性与准确性，具体流程如下：
4.1 信号预处理
对原始地震信号进行预处理，主要包括去趋势、去均值与初步去噪三个操作：去趋势处理用于消除信号中的线性漂移成分，避免其影响信号突变特征的识别；去均值处理用于消除信号中的直流分量，使信号围绕零点波动，便于后续滤波与差分运算；初步去噪采用中值滤波或小波去噪方法，去除信号中的脉冲噪声与部分高频噪声，减少后续处理的计算量与噪声干扰[3]。
4.2 修正高斯滤波处理
将预处理后的信号输入修正高斯滤波模块，按照3.1与3.2节提出的自适应尺度调整与多尺度融合策略，对信号进行平滑去噪处理，得到融合滤波结果。该步骤的核心目的是在有效抑制各类噪声的同时，完整保留地震波到达时的信号突变特征，为后续边缘检测提供高质量的信号基础。
4.3 拉普拉斯变换与响应计算
对修正高斯滤波后的信号进行拉普拉斯变换，计算信号的二阶导数，得到修正LoG算子的响应曲线。当地震波到达时，信号会出现明显的突变，对应修正LoG响应曲线中的极值峰值（正峰值或负峰值），这些极值峰值是识别地震到达时间的核心特征[2]。
4.4 峰值检测与阈值筛选
采用自适应阈值峰值检测算法，对修正LoG响应曲线进行峰值识别：首先计算响应曲线的全局最大值与最小值，根据全局极值设置自适应阈值（本文阈值取全局最大值的30%~50%）；随后筛选出响应幅值超过阈值的峰值点，这些峰值点即为潜在的地震波到达时刻[3]。
为进一步降低误检率，引入峰值邻域验证机制：对筛选出的潜在峰值点，分析其邻域内的响应曲线变化趋势，若峰值点邻域内的响应值呈现“快速上升-峰值-快速下降”的特征，则判定为真实峰值（地震波到达时刻）；若峰值点邻域内的响应值波动平缓，无明显突变趋势，则判定为虚假峰值，予以剔除[1]。
4.5 到达时间精确定位
对经过阈值筛选与邻域验证后的真实峰值点，采用抛物线拟合方法进行精确定位。通过对峰值点及其邻域内的采样点进行抛物线拟合，求解拟合曲线的极值点，该极值点对应的时间坐标即为地震波的精确到达时间，从而进一步提升到达时间的拾取精度，降低采样误差的影响[1]。
5 结论与展望
5.1 研究结论
本文围绕地震到达时间自动检测的精准性与鲁棒性问题，针对标准高斯拉普拉斯算子在复杂噪声环境下检测性能不足的局限性，开展了基于修正高斯滤波拉普拉斯算子的地震到达时间自动检测研究，主要得出以下结论：
1. 提出的修正高斯滤波拉普拉斯算子，通过引入自适应尺度调整与多尺度融合策略，有效提升了滤波器的平滑去噪能力与信号适配性，解决了标准LoG算子固定尺度导致的细节保留与噪声抑制失衡问题，能够在抑制噪声干扰的同时，完整保留地震波到达时的信号突变特征。
2. 构建的地震到达时间自动检测流程，整合了信号预处理、修正高斯滤波、拉普拉斯变换、峰值检测与精确定位等环节，流程严谨、衔接流畅，实现了地震到达时间的自动、精准拾取，检测精度与抗噪性能均优于传统检测方法。
3. 实际地震数据实验验证表明，该方法在不同信噪比、不同类型的地震信号处理中均能保持良好的性能，拾取精度高、抗噪性强、适应性好，能够满足实际地震监测中到达时间自动检测的需求，为地震学研究与地震预警提供了可靠的技术支撑。
5.2 研究展望
本文的研究仍存在一定的不足，未来可从以下三个方面进一步开展研究，完善方法性能，拓展应用场景：
1. 参数智能优化：目前本文方法的部分参数（如窗口长度、能量阈值）仍依靠经验设置，未来可引入机器学习、粒子群优化等智能算法，实现参数的自动优化，进一步提升方法的适应性与智能化水平，减少人工干预[1]。
2. 多震相联合检测：本文主要针对地震P波到达时间进行检测，未来可拓展至S波等多震相的联合检测，融合多震相信息，进一步提升地震定位与震源参数反演的精度[1]。
3. 实时检测与预警应用：优化算法计算效率，将其应用于地震监测台网的实时数据处理中，实现地震到达时间的实时检测与快速预警，提升地震灾害防控能力[1]。同时，可探索该方法在微地震监测、工程地震等领域的应用，拓展方法的适用范围。
⛳️ 运行结果
🔗 参考文献
[1] 葛哲学.滤波方法及其在非线性系统故障诊断中的应用研究[D].国防科学技术大学,2006.DOI:10.7666/d.y1101763.
[2] 薛长虎.基于改进粒子滤波的大型滑坡数据同化方法研究[D].武汉大学[2026-02-05].
[3] 涂刚毅,金世俊,祝雪芬,等.基于改进粒子滤波算法的GPS非高斯伪距误差修正[J].电子测量与仪器学报, 2009(6):5.DOI:CNKI:SUN:DZIY.0.2009-06-007.
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
