第 1 章 绪论
1.1 研究背景及意义
爆炸恐怖活动一直是世界各国发展中面临的一大问题。21 世纪以来，实施爆炸恐怖活动是恐怖分子最常用的手段，也是造成人员伤亡的主要形式。统计数据表明[1-3]：近 40 年来爆炸恐怖事件占同期常用恐怖方式（爆炸、暗杀、武装袭击、绑架劫持、投毒、纵火）的比例数一直持续在 50%以上[1]，1995 年达到史上最高记录 76.37%。从爆炸事件数量的基数来说，每年爆炸事件总数是持续上升，尤其到了 2000-2004 年间，爆炸事件总数创历史新高，此后才有半数回落，2001-2008 年间该比例仍为 53.7%[2,3]。在全球爆炸恐怖活动频发的形势下，我国的涉爆案件也呈现新的变化趋势。进入20 世纪 80 年代以来，我国涉爆案件的数量出现大幅度增加，1991 至 1995 年，爆炸案件发案数持平。1995 年后开始逐年上升，2000 年发案达到历史最高水平 4047 起，2000年以后爆炸案件的数量逐渐降低，每年大约 1000 起左右。尽管全国范围内爆炸立案数量下降明显，但年死亡人数变化却不明显，平均每年死亡 100 人左右。爆炸案件数量减少，死亡人数却没有降低，说明死亡人数较多的重特大案件还时有发生。涉爆案件多发生在公共场所、重点繁华地区，不仅造成大量的人员伤亡和财产损失，而且对案发地区社会治安状况和人民群众的安全感产生极大的负面效应，对国家安定和社会和谐造成产生极大的危害。综上所述，国内外爆炸恐怖案件数量频发，已成为社会公害，影响社会稳定和人类安全。有效打击和防范爆炸犯罪是国际社会共同面临的挑战，也是反恐工作的重点，反爆炸恐怖技术的提高即是防范和打击爆炸恐怖犯罪的关键。
……….
1.2 爆炸现场分析国内外研究现状
针对爆炸现场勘验的爆炸痕迹的系统研究起步较晚，数量较少，仅见于少数的公安类书刊。通过长期的现场勘验实践，人们总结出一些爆炸痕迹的分类方法[7]，如：按照爆炸物的放置位置分类、按照介质受损伤形态分类、按照爆炸作用的过程所形成的痕迹特征分类、按照爆炸物的装药方式分类等，上述每一个分类标准都有其局限性，很难适应爆炸现场痕迹勘验快速、准确、重点突出等方面的要求。文献资料表明，到目前为止，仍没有一个统一的、完善的关于爆炸痕迹的分类标准。鉴于一次爆炸事件的破坏效应一般由爆炸飞散物、爆炸地震效应、空气冲击波三种基本作用方式中的一种或者几种方式联合作用而引发。在进行爆源参数反演分析时，所能利用的信息基础就是爆炸事件发生后现场残留的典型爆炸痕迹，主要包括爆炸产物直接作用结果（如炸坑类痕迹）、爆炸冲击波的破坏效应（如玻璃破碎痕迹）、爆炸震动效应（爆炸震动参数）等，此外还会涉及到爆炸产物高温作用痕迹、人体上的爆炸作用痕迹等。根据痕迹出现的概率及开展相关痕迹实验的可操作性，大部分研究重点主要关注于前三类典型痕迹。下面就该三类典型痕迹的研究现状进行阐述。
……….
第 2 章 基于土介质炸坑痕迹反演爆源参数研究
2.1 引言
爆源参数反演在爆炸现场痕迹勘验中是重点关注的问题。爆炸现场痕迹作为反映爆炸发生的原始状态、作用过程和毁伤效果的客观物质基础，对于爆炸案件的侦破具有极其重要的意义。通过勘验爆炸痕迹，可以获得爆炸的性质、炸药种类、炸药量等一系列重要信息，对爆炸痕迹勘验的全面性、准确性，关系着对爆炸痕迹的鉴定和爆炸案件综合分析的准确性，推算炸药量是爆炸案件鉴定分析的主要任务之一。在爆炸现场，炸坑痕迹是出现率比较高又容易利用的爆炸作用痕迹，只有准确地确定炸坑痕迹并进行测量记录，选择合适的方法反推炸药量，减小推算误差，才能为侦查破案提供更可靠的侦查方向和线索，全面、准确地提供诉讼证据。一般来说，反演问题就是定量的探求：根据所研究系统已观测到的实际值，去推导研究对象的相应特征参数值的过程[126]。反演问题属于典型的不适定性问题，需要解决解的“存在性，唯一性和稳定性”问题。一些人工智能和优化方法的应用将有助于抑制问题的不适定性，从而为我们提供了一条可供尝试解决问题的思路。由 Donald F. Specht 提出的 GRNN（广义回归神经网络），进行数据训练时，所需要的样本仅是进行 BP 神经网络训练样本的一小部分；而如果只把这些小样本数据量的数据用于 BP 神经网络训练无法满足 BP 神经网络对数据量的需求。广义回归神经网络的优势在于：只需要基于较少数量的训练样本数据就能构建一个网络模型，并使之收敛于数据中所隐含的基础函数。GRNN 不需要额外的知识，也无需用户输入附加信息，从而使得 GRNN 在系统性能预测和对比的实际应用中成为给力工具。
………..
2.2 土介质炸坑痕迹反演爆源参数方法研究
本文的反演算法主要是基于计算机学习的基本思路而进行的。人类学习是一个复杂的思维过程，目前提出来的计算机学习方法只是对这一过程的粗略模拟和近似。类似于从认识个体中抽象出概念，机器学习是通过已有样本数据集建立数学模型。人脑获得的知识可用来指导以后的实践；机器学习获得的数学模型可用来对未来同类相关数据做识别、判断、推理、预测、反演等。通俗地说，学习问题就是从有限数量的已经发生的历史样本数据中，寻找隐藏于其中的某种依赖关系，从而建立起可用于未来应用的模型。即：机器学习就是基于数据用计算机建模。常见的机器学习的例子，如模式识别、回归分析、密度函数估计、聚类分析、人工神经网络等。如下两图分别给出了机器学习的直观描述和数据描述。神经网络的数学理论本质上是非线性的数学理论，而本课题所用到的广义回归神经网络 GRNN（General Regression Neural Network）的理论基础是非线性回归分析，是建立在非参数估计的基础上的一种非线性回归的径向基神经网络。GRNN 作为一类典型的人工神经网络算法，在给定概率分布函数估计的前提下，基本可以解决任何函数逼近问题[127-129]。它不仅具有全局逼近性质，而且具有最佳逼近性质。它以概率密度函数形式确定变量之间的关系，而不像传统建模方法以确定的方程形式来对模型进行描述。亦即：它从观测样本里求得自变量和因变量之间的联合概率密度函数之后，可直接计算出因变量对自变量的回归值，其模型的泛化性能良好。
………..
第 3 章 基于爆炸震动参数反演爆源参数研究.........32
3.1 引言 ..... 32
3.2 爆炸地震波的分形机制研究 ....... 32
3.3 爆炸微差延期时间的反演 ..... 42
3.4 爆源药量的反演 ......... 57
3.5 本章小结 ......... 62
第 4 章 基于玻璃破坏痕迹反演爆源参数研究.........63
4.1 引言..... 63
4.2 玻璃破坏痕迹反演分析思路 ....... 63
4.3 基于 PSO 的支持向量机数据延拓方法与参数优化...... 68
4.4 玻璃冲击波破坏痕迹实验测试 ......... 72
4.5 玻璃破坏痕迹反演药量的实验验证与对比 ....... 78
4.6 本章小结 ......... 79
第 5 章 爆炸现场多类痕迹综合反演.......80
5.1 引言 ..... 80
5.2 土介质炸坑—玻璃痕迹综合反演爆源参数分析..... 81
5.3 土介质炸坑—震动参数综合反演爆源参数分析 ..... 90
5.4 土介质炸坑—玻璃—爆炸震动参数综合反演爆源参数分析 ......... 93
5.5 本章小结 ......... 97
第 6 章 基于爆炸现场痕迹反演爆源参数方法的实际应用
6.1 爆源参数反演系统的软件开发需求
爆炸事件及恐怖爆炸案件近几年来时常发生，对社会的安定，人民的生命财产造成严重的威胁。对于爆炸案件现场相关痕迹的数据资料（例如：炸坑、玻璃、震动等数据），虽都有记录，但是大部分不详细、不系统，并且对痕迹的参数采集没有形成统一的标准，不便于相关人员的记录、查询、统计和分析工作。同时，由于爆炸案件现场的多样性和复杂性，通过现有案件总结爆源与爆炸现场痕迹特征还不能完全满足要求，需要系统地补充一些实地实验数据及数值模拟实验：一方面通过开展针对性的典型场景实验，另一方面根据现有的爆炸基础理论和相关的模拟工具进行数值模拟分析，并记录两类方法所得的实验分析结果以作基础数据及查询之用，这将为日后数据分析与处理提供重要宝贵资料。其中，通过爆炸现场痕迹反推爆源特征，确定炸药量的方法，在爆炸现场痕迹分析中是重点关注的问题，目前还只是人工“估算”状态，主要依靠专家经验分析与经验定性推理，计算准确度仍有很大的提升空间。只有准确地确定各类痕迹并进行测量记录，选择合适的方法反推炸药量，减小推算误差，才能为侦查破案提供更可靠的侦查方向和线索，从而抓捕并破获案件，全面、准确地提供诉讼证据。由于在反推爆源参数中，计算过程繁琐，同时需要较多的爆炸与数学专业背景知识，如果让公安业务人员达到这要求有一定困难，科研人员能否开发出一种软件工具，让想应用该工具解决实际爆源参数反演的人，在具备基本痕迹分析的思路后，就能“上手”实际应用呢？
………….
结论
近年来，非线性科学的发展在很大程度上改变了人们对传统科学理论研究范畴的认识，将数据驱动理念、分形理论、人工智能中的神经网络 GRNN、粒子群 PSO、机器学习中的支持向量机 SVM、以及非线性非稳态信号分析算法 (HHT/EMD)引入爆炸现场各类痕迹分析中，是一个较新颖的课题；同时，各交叉学科的理论发展，在一定程度上又使其赋予了新的含义。本文借鉴了数据驱动建模思想，利用人工智能的前沿技术，提出了基于土介质炸坑痕迹、玻璃痕迹、爆炸震动记录三类典型的爆炸现场痕迹反演爆源特征参数的 6 类方法。采用理论联系实践的方法，将三种单因素与三种多因素方法应用到软件“爆源参数反演系统”的爆源特征反演分析中。本文主要完成了以下几方面的工作：
（1）基于非线性回归的数学理论，将广义神经网络 GRNN 引入到根据土介质炸坑痕迹反演爆源参数的问题上，对此进行了模型构建与求解，并通过现场实验方式对土中爆炸炸坑痕迹及爆源参数的非线性关系进行了实验验证。相比传统的经验公式的预测结果而言，本文对于粘土、沙土、沙粘混合土壤介质中炸坑痕迹反演问题的求解与实验有更高的吻合度与精度：反演得到的药量及埋深的相对误差基本在 30%以内；本文所建的算法对药量及埋深的反演误差平均值分别为：15.41%，16.93%，改进效果明显。
（2）通过在野外沙土场进行爆炸试验，在一定数据的基础上，计算爆炸地震波的分维数，研究了爆炸地震波信号的分维所反映的物理意义，并分析了分维的影响因素，建立了分维数值与爆炸地震波振动速度间的关系。改进了非线性非稳态信号分析算法EMD/HHT，通过 PSO-SVM 的组合模型的应用与优化对其存在的端点效应问题进行了解决；通过仿真实验检测了该方法对端点效应的有效解决程度，并将改进过的EMD/HHT 方法用在工程爆炸实践中——为减少爆炸地震效应而广泛实施微差爆炸作业中，以该方法分析了监测到的爆炸震动信号，并反演出爆源的微差爆炸延期时间，结果表明该方法对微差爆炸延期时间尺度能有效识别，应用效果良好。
…………
参考文献（略）