具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

在使用手机地震预警这一领域，需要采集大量手机记录的地震数据。但由于地震发生的不可预测性，这件事情十分困难。本发明通过分析并学习传统地震台网通过强震仪记录到的地震数据与手机记录到的数据之间的区别，构造了一种根据强震仪数据直接生成方法手机质量数据的方法。该方法可以帮助设计出更好的地震预警系统。

一、本发明的整体思想：

本发明的主要想法是综合考虑两种造成智能手机记录数据与真实地震动数据之间差异的因素：智能手机内置传感器的准确性较低，且智能手机没有固定在地面上，所以使用有限脉冲响应(FIR)模型来建模第一种造成差异的因素，并通过解释手机的滑移现象来建模第二种造成差异的因素。本发明采用的TMAP转换方法包含了这两个模型。实验结果证明TMAP转换方法可以很好地获得手机质量数据。

二、本发明得具体步骤如下：

1、TMAP转换方法所需数据集的构造：

这项差异性研究需要在地震发生时同时收集强震仪记录的真实加速度数据和智能手机的手机数据。但是由于地震的不可预测性，很难大量收集此类数据。因此使用振动台(一种大型仪器。根据振动台的输入，它可以像地震一样使3.5m*3.5m的台面振动)来模拟地震。为了模拟地震，选出46个数据(和3个手动生成的数据)作为振动台模拟实验的输入数据。为了代表尽可能多的地震，这46种选定地震数据的震级和震中距离分布尽可能地分散。图1显示了振动台模拟实验输入数据的分布。

在振动台上固定了两个强震仪；由于这些强震仪是固定的，并且精度很高，因此将这些强震仪记录的振动数据认为是振动台的真实振动；此外还开发了适用于智能手机(包括Android和iPhone)的软件，该软件可以使智能手机以100HZ的速度收集自己的三轴加速度数据。本发明收集了48个智能手机(已安装软件)，并放置在振动台上以获得其自身的振动数据。

下表1列出了振动台实验的实验设置参数，其中包括实验材料数量以及实验运行次数。如表1的右侧所示，本发明在固定场景和自由场景两种实验场景下进行实验。自由场景意味着当振动台运行时，选择的48部智能手机被自由地放置在振动台上；而固定场景意味着这些智能手机被固定在振动台上。振动台根据其49个输入数据(选出的46个数据和3个手动生成的数据)来模拟地震。故而在模拟地震时，将智能手机自由地摆放，并这样完整地将49个输入数据模拟两遍。由于智能手机传感器本身由于精度的限制，也会导致其记录的数据和真实数据不一致，所以在振动台实验中，将智能手机固定在振动台，并以此完整地将49个输入数据模拟一遍。然后通过固定场景采集的数据分析智能手机由于其精度而造成的差异。

表1振动台实验的实验设置参数表

2、TMAP转换方法的设计：

由于TMAP转换方法考虑两种造成智能手机与真实震动不一致的因素，因此构造了两种模型来解释这两个因素。在分别介绍这两个模型前，对一些符号进行约定：地震发生时，地震台网的强震仪是被平行地安装在地面上，假设智能手机的放置方向与地面平行，这符合智能手机在日常生活中的状态；在时间t，强震仪和智能手机的垂直加速度分别为a_av(t)和a_pv(t)，强震仪的水平加速度和速度分别为a_ah(t)和v_ah(t)，手机水平加速度为a_ph(t)和v_ph(t)；其中垂直方向的a_av(t)和a_pv(t)都是标量。水平方向的a_ah(t),v_ah(t),a_ph(t)和v_ph(t)都是二维向量；然后定义：

A_av＝(a_av(1),a_av(2),…,a_av(T))

A_ah＝(a_ah(1),a_ah(2),…,a_ah(T))

A_pv＝(a_pv(1),a_pv(2),…,a_pv(T))

A_ph＝(a_ph(1),a_ph(2),…,a_ph(T)) (1)

(A^TMAP _pv,A^TMAP _ph)＝TMAP(A_av,A_ah) (2)

将(A_av,A_ah)称为强震仪记录，将(A_pv,A_ph)称为智能手机记录；由于地震台网的强震仪都安装在地面上，且比智能手机更精确，将强震仪记录认为是真实的地面运动数据；给定强震仪记录和手机记录，本发明的目标是找到这两种数据之间的差异，并通过学习这种差异来构建转换方法；在式(2)中使用TMAP(·)来表示转换方法，并将转换后的数据(A^TMAP _pv,A^TMAP _ph)称为TMAP记录，TMAP记录就是生成的智能手机质量数据，其应尽可能与其对应的智能手机记录相似。在2.1和2.2中，将详细描述构成TMAP转换方法的两个模型。

2.1FIR模型的构造

智能手机的传感器精度低于强震仪的精度。导致两者记录数据之间的差异。使用有限脉冲响应(FIR)模型来获得该差异。该模型是一个数学模型，将手机的每个轴都可以视为一个动态系统，根据动态系统输入和输出信号的测量值，其可推断出系统内部结构。每部智能手机的加速度传感器都会在三个轴上记录其加速度，并将实际地面运动数据视为该动态系统的输入，将智能手机记录的数据视为该系统的输出。将根据强震仪记录及其相应的手机记录，为手机的三个轴分别训练一个FIR模型：

(A^TMAP _pv,A^TMAP _ph)＝FIR(A_av,A_ah) (3)

公式(3)中的FIR()包含这三个经过训练的FIR模型，每个模型仅处理其相应轴的数据。

2.2滑移模型的构造

智能手机未固定在地面上也会导致差异。地震来临时，地面开始震动。由于智能手机与地面之间的摩擦，手机也会相应地开始振动；但是当地震严重时，智能手机会相对于地面滑动从而造成巨大差异；因此建立一个滑移模型来解释这种滑动。

智能手机在垂直方向上的移动不受智能手机滑动状态的影响。因此智能手机的垂直加速度始终等于地面的加速度，如公式(4)所定义。假设地面与手机之间的静态和动态摩擦系数分别为μs和μd，重力加速度为g，手机的质量为m，手机的加速度传感器的采样时间为Δt。手机相对于地面处于静止状态。在这种情况下，手机记录和强震仪记录几乎与公式(5)中定义的相同。

a_pv(t)＝a_av(t) (4)

上式中，a_pv(t)为智能手机的垂直加速度，a_av(t)为强震仪的垂直加速度；

a_ph(t)＝a_ah(t) (5)

上式中，a_ph(t)为智能手机的水平加速度，a_ah(t)为强震仪的水平加速度；

m·a_ah(t)<μ_sm(g+a_av(t)) (6)

上式中，m为智能手机的质量，a_ah(t)为强震仪的水平加速度，μ_s为地面与智能手机之间的静态摩擦系数，a_av(t)为强震仪的垂直加速度；

当a_ah(t)>μ_s(g+a_av(t))时，这意味着等式(6)不再成立：

m·a_ah(t)<μ_sm(g+a_av(t)) (6)

上式中，m为智能手机的质量，a_ah(t)为强震仪的水平加速度，μ_s为地面与智能手机之间的静态摩擦系数，g为重力加速度，a_av(t)为强震仪的垂直加速度；智能手机将开始相对于地面滑动；此时在水平方向上，智手机仅受智手机与地面之间的动态摩擦力影响；因此a_ph(t)向量的方向应始终与动摩擦力的方向相同，并且a_ph(t)的大小应始终等于动摩擦力的绝对值：

|m·a_ph(t)|＝|μ_dm(g+a_av(t))| (7)推导得：

上式(7)至式(8)中，m为智能手机的质量，a_ph(t)为智能手机的水平加速度，μ_d为地面与智能手机之间的动态摩擦系数，g为重力加速度，a_av(t)为强震仪的垂直加速度，

将时间t处的地面相对于手机的速度和加速度表示为:

Δv(t)＝v_ah(t)-v_ph(t) (9)

Δa(t)＝a_ah(t)-a_ph(t) (10)

根据加速度和速度之间的关系，可以近似得出以下方程：

Δv(t+Δt)≈Δv(t)+Δa(t)·Δt (11)

由于智能手机的动态摩擦力的方向与Δv(t)的方向相同，因此a_ph(t)的方向也应与Δv(t)一致。所以，在时间t+Δt的手机水平加速度为：

上式中，μ_d为地面与智能手机之间的动态摩擦系数，g为重力加速度，a_av(t+Δt)为时间t+Δt内强震仪的垂直加速度，Δv(t+Δt)为时间t+Δt内地面相对于智能手机的速度；因此：

Δa(t+Δt)＝a_ah(t+Δt)–a_ph(t+Δt) (13)

上式中，Δa(t+Δt)为t+Δt内地面相对于智能手机的加速度；a_ah(t+Δt)为时间t+Δt内强震仪的水平加速度；a_ph(t+Δt)为时间t+Δt内的智能手机水平加速度；

将Δv(0)和Δa(0)的初始值都设置为0，还已知在任何时间t处的a_ah(t)和a_av(t)的值。然后根据式(9)至式(13)，可以进一步从Δv(t)和Δa(t)得到Δv(t+Δt)和Δa(t+Δt)；通过反复迭代，可以获得任何时间t的Δv(t)和Δa(t)；然后可以通过以下等式获得智能手机的加速度：

a_ph(t)＝a_ah(t)-Δa(t) (14)

上式中，a_ph(t)为智能手机的水平加速度，a_ah(t)为强震仪的水平加速度，Δa(t)为地面相对于智能手机的加速度。

三、实验及结果：

由于TMAP转换方法由有限脉冲响应模型(FIR模型)和滑移模型两个模型组成，所以使用在振动台实验中两个实验场景中收集的数据来分别验证这两个模型的有效性。与之同时，还将FIR()模型与Kong等人提出的转换方法进行了比较，将Kong等人提出的方法称之为TMK方法。TMK的关键思想是将24位的强震仪记录转换为16位记录，并增加一些智能手机的固有噪音；将通过TMK方法得到的手机质量数据称之为TMK记录。

使用振动台实验中的固定场景采集的数据来验证FIR模型。如图2和图3所示，直接在X轴上可视化FIR记录，TMK记录和手机记录；可以看出：TMK记录的振动幅度大于手机记录的幅度，这是因为TMK记录保留了强震仪敏锐的感知振动的能力，而手机却没有像强震仪那样敏锐的能力；图3显示FIR记录和手机记录高度一致。这表明本发明采用的TMAP转换方法可以很好地生成手机质量数据。

使用振动台实验中的自由场景采集的数据来验证滑移模型。如图4和图5所示，比较了TMAP记录和TMK记录与手机记录，可以看出它们在Z轴上几乎相同。在水平方向的X轴和Y轴上，TMAP记录和手机记录也高度一致，而TMK记录和手机记录之间存在很大差异，尤其是在震动比较严重时。这表明本发明采用的TMAP转换方法可以很好地生成手机质量数据。

需要在尽可能多的地震情况下测试TMAP转换方法的性能，以验证其泛化能力；从振动台实验中收集了某个手机和强震仪的所有记录。这些强震仪记录被转换为TMAP记录和TMK记录。然后，使用下式(15)中定义的相似度参数来度量每个手机记录及其对应的转换记录(包括TMAP记录和TMK记录)之间的一致性。方程式(15)中的X和Y代表两个时序数据。mean(X)代表X的平均值。公式得到的结果goodness就可以用来衡量X和Y之间的相似性。Goodness越接近于1，表示X和Y之间相似性越大。

如图6所示，深色圆点代表TMK记录和手机记录之间的相似度，而浅色圆点代表TMAP记录和手机记录之间的相似度；x轴表示相应的强震仪记录的PGA值，而y轴表示两个水平方向的平均相似度；PGA表示来自三分量加速度的最大绝对振幅。可以看出随着PGA的增加，深色圆点的值迅速下降，这是由于手机滑动引起的。然而即使振动台模拟的振动非常严重，TMAP转换方法也可以使浅色圆点的值始终保持接近1；这一事实证明，在不同剧烈程度的地震下，TMAP转换方法都可以完美地生成手机质量记录。

四、实验结论：

本发明提出了一种用于快速大量生成手机质量地震数据的方法。该方法综合考虑两种造成手机记录地震数据和真实地震数据不一致的因素，并分别构造一个模型来对这些因素进行建模。实验结果表明：手机记录的地震数据和本发明采用的TAMP转换方法生成的手机质量的数据十分一致。通过对转换结果的可视化，可以看出生成的手机质量数据和手机在地震场景中采集到的数据高度一致。此外通过计算曲线间相似度衡量参数，发现本发明采用的TMAP转换方法在无论多么剧烈的地震场景下，都能生成十分一致的手机质量数据。