CN116340757A - 一种特征自适应地震预警震级预测方法及其*** - Google Patents
一种特征自适应地震预警震级预测方法及其*** Download PDFInfo
- Publication number
- CN116340757A CN116340757A CN202310450163.9A CN202310450163A CN116340757A CN 116340757 A CN116340757 A CN 116340757A CN 202310450163 A CN202310450163 A CN 202310450163A CN 116340757 A CN116340757 A CN 116340757A
- Authority
- CN
- China
- Prior art keywords
- feature
- earthquake early
- warning
- adaptive
- warning magnitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012706 support-vector machine Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 27
- 230000002068 genetic effect Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013145 classification model Methods 0.000 abstract description 5
- 230000001976 improved effect Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提出了一种特征自适应地震预警震级预测方法及其***,包括如下步骤:S1:获取历史地震数据,从中进行特征选择,得到选择后的特征;S2:根据选择后的特征建立基于支持向量机的地震预警震级预测模型;S3:获取实时地震数据,得到选择后的实时特征数据;S4:将选择后的实时特征数据输入基于支持向量机的地震预警震级预测模型,得到预测的地震预警震级。通过特征选择,从地震信号中归纳出具有代表性的特征,以此为基础构建分类模型,提升震级评估效果,降低计算复杂度。
Description
技术领域
本发明涉及地震预警技术领域,尤其涉及一种特征自适应地震预警震级预测方法及其***。
背景技术
地震是严重威胁人类生命财产安全的自然灾害之一。由于地震孕育和发生过程极度复杂科学上还没有能力对地震的发生进行准确预测,而地震预警(Earthquake EarlyWarning,EEW)可以是减轻灾害的一种可接受且比较实用和有效的手段。理论上,地震预警可在地震发生后,破坏性地震波到达前,提供数秒至数十秒的预警时间,对减少人员伤亡和经济损失可起到很大的作用。地震预警***中一个关键问题是对震级参数的快速、准确估算,通过预测的震级参数可以提前评估地震的强度,了解地震能量释放的大小,对于地震预警和应急处置工作都具有重要的意义。
作为分类器的支持向量机能够有效地用于地震震级评估,如中国专利CN113419271A公开了一种地震震级预测方法,通过采用支持向量机原理预测震级,利用地震台第一时间接收到的地震波数据直接快速的计算出震级,但是其并没有对特征贡献进行精准分析与归纳,核函数也只采用常规的高斯核函数,因此其所选取的特征及核函数不够准确,导致模型效率较低且模型可解释性不强。
发明内容
有鉴于此,本发明提出了一种特征自适应地震预警震级预测方法及其***,以解决现有的地震预警震级预测方法所选取的特征及核函数不够准确,导致模型效率较低且模型可解释性不强的问题。
本发明的技术方案是这样实现的:一方面,本发明提供了一种特征自适应地震预警震级预测方法,其中,包括如下步骤:
S1:获取历史地震数据,从中进行特征选择,得到选择后的特征;
S2:根据选择后的特征建立基于支持向量机的地震预警震级预测模型;
S3:获取实时地震数据,得到选择后的实时特征数据;
S4:将选择后的实时特征数据输入基于支持向量机的地震预警震级预测模型,得到预测的地震预警震级。
在以上技术方案的基础上,优选的,所述步骤S1中,获取历史地震数据,从中进行特征选择,具体包括:
以范数理论为基础,结合信号处理方法进行P波的时域到频域变换,从时域和频域中分析归纳得出以时频幅值为主要因素的特征。
在以上技术方案的基础上,优选的,所述分析归纳遵循如下原则:
1)分别用时域和频域的向量范数刻画P波的强度特征;
2)由范数变形获得P波的中心差和重心,刻画P波的平均性态;
3)利用范数能定义向量间的距离刻画任意两个P波间的差别;
4)由范数变形将频域的频率及其幅值融合到同一个特征之中。
在以上技术方案的基础上,优选的,所述步骤S1还包括如下步骤:
首先单独计算P波各方向数据的特征,然后采用比例加权的方式将3个方向数据的特征进行融合,得到P波的综合特征。
在以上技术方案的基础上,优选的,所述步骤S2中,根据选择后的特征建立基于支持向量机的地震预警震级预测模型,具体包括如下步骤:
利用单核或组合核函数构建支持向量机模型。
在以上技术方案的基础上,优选的,步骤S2中,还包括如下步骤:
基于特征关联系数和特征关联敏感度这2个参数对特征的选择及核函数的选择进行双向评价,从而融合指导特征与核函数的选择。
在以上技术方案的基础上,优选的,所述步骤S1中,获取历史地震数据,从中进行特征选择,还包括:
采用遗传算法自适应地筛选特征。
在以上技术方案的基础上,优选的,所述步骤S2中,还包括如下步骤:
采用特征关联系数量化所选特征。
另一方面,本发明提供一种***,其采用了如上所述的特征自适应地震预警震级预测方法,其中,所述***包括:
数据特征选择模块,用于获取历史地震数据,从中进行特征选择,得到选择后的特征;
预测模型建立模块,用于根据选择后的特征建立基于支持向量机的地震预警震级预测模型;
实时数据采集模块,用于获取实时地震数据,得到选择后的实时特征数据;
地震预警震级预测模块,用于将选择后的实时特征数据输入基于支持向量机的地震预警震级预测模型,得到预测的地震预警震级。
本发明的特征自适应地震预警震级预测方法及其***相对于现有技术具有以下有益效果:
通过特征选择,从地震信号中归纳出具有代表性的特征,以此为基础构建分类模型,提升震级评估效果,降低计算复杂度;
通过以范数理论为基础,结合信号处理方法对P波信号进行较全面和细致的分析,获取多样化的P波特征,得到P波特征的细节表达;
通过将单核核函数进行组合,既能发扬个体的优点,同时亦能降低整体对于非关键特征的敏感度,增强SVM模型的鲁棒性和稳健性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的特征自适应地震预警震级预测方法流程图;
图2为本发明的特征自适应地震预警震级预测***模块图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
实施例一
如图1所示,本发明的一种特征自适应地震预警震级预测方法,其中,包括如下步骤:
S1:获取历史地震数据,从中进行特征选择,得到选择后的特征;
S2:根据选择后的特征建立基于支持向量机的地震预警震级预测模型;
S3:获取实时地震数据,得到选择后的实时特征数据;
S4:将选择后的实时特征数据输入基于支持向量机的地震预警震级预测模型,得到预测的地震预警震级。
本方法通过上述步骤,从看似杂乱无章的地震信号中归纳出具有代表性的特征,以此为基础构建分类模型,提升震级评估效果,降低计算复杂度。
其中,所述步骤S1中,获取历史地震数据,从中进行特征选择,具体包括:
以范数理论为基础,结合信号处理方法进行P波的时域到频域变换,从时域和频域中分析归纳得出以时频幅值为主要因素的特征。
采用信号处理的理论与方法,对P波信号进行较全面和细致的分析,获取多样化的P波特征,得到P波特征的细节表达。本方法所选强震数据样本的窗口期和时长为P波触发后3秒,采样率是200Hz,故每个样本有600个数据。
一般向量空间中的向量范数是欧几里得空间中向量长度的推广,在很多实际应用中范数也称为模量。对于P波而言,其所在的(时域或频域)向量空间的范数,一方面能度量P波的强度,另一方面也能定义两个P波之间的距离(差距),这两方面都能直接作用于P波的分类和震级估算。由此,本方法以范数理论为基础,结合信号处理方法进行P波的时域到频域变换,从时域和频域中分析归纳得出以时频幅值为主要因素的特征,作为输入特征,供支持向量机进行选择和震级评估。
其中,所述分析归纳遵循如下原则:
1)分别用时域和频域的向量范数刻画P波的强度特征;
2)由范数变形获得P波的中心差和重心,刻画P波的平均性态;
3)利用范数能定义向量间的距离刻画任意两个P波间的差别;
这样,有利于P波数据集的分类;
4)由范数变形将频域的频率及其幅值融合到同一个特征之中;
这样,有利于支持向量机模型进行综合评估。
根据上述原则,从时域和频域中分析归纳得出12个以时频幅值为主要因素的特征,如表1所示:
表1 范数特征
表中表示i时刻的幅度值,/>表示P波600个幅值的平均值;3秒时间分为n个时域,表示某时域中的峰值;/>表示频率域中的第i个时刻的频率值,/>是其对应的幅度值,/>代表频域幅值的平均值;/>表示低频频率(约为频域的三分之一);/>表示重心频率,定义为/>; />表示频率标准差,定义为/> 。
这12个特征要么就是P波的向量范数,如F1和F4就是L1范数,F8称为最大范数L∞;要么由范数诱导而得,如F2和F5是L2范数的平方;其他特征也均含有范数的因子,如F6则是L2范数的变形,表示P波的时域标准(中心)差,因此可称它们为范数特征。
从信号分析的角度,表1中的特征归纳也体现了信号学含义,直观地理解,F1、F2、F3和F7、F8等,从多方面刻画P波信号的强弱,强化其强度特征。又如F4表示频率域低频范围频谱幅度绝对值之和,F5表示频率域中低频范围频谱幅度的平方和,具有滤波和去噪功能;F6是时域标准差,其物理含义是表示非直流分量信号的平均功率。F9是均方频率,可以理解为频率域中频率值的加权平均;F10是频谱幅值的平均值;F11是均方根频率,是F9均方评频率的算术平方根,假设将频率域谱线的包络与横轴构成的封闭区域看作成一个假想的质量体,那么均方根频率所在位置的物理含义即为该质量体围绕纵轴旋转时的惯性半径,即物体质量的集中点到转动轴之间的距离;F12是频率域的一组无量纲拓展特征,分母为频率标准差的变形,而频率标准差描述针对重心频率的惯性半径。分子亦可理解为针对重心频率的某种距离加权,该特征为两种距离量的比值,可理解为对频域能量分布的离散速度的表征。
其中,所述步骤S1还包括如下步骤:
首先单独计算P波各方向数据的特征,然后采用比例加权的方式将3个方向数据的特征进行融合,得到P波的综合特征。
每个P波样本都有着同步的3个方向的数据,包括垂直向UD,东西向(East westdirection,EW)和南北向(North south direction,NS)。一个方向的数据不能完整表达P波的全貌,必须将3个方向综合关联。三个方向中垂直向的幅度最重要,通常显著性地影响地震强度,赋予垂直向最大的权重α,即α≥0.5,本方法中取α=0.6。另外两个水平方向的权重β均等,且2β≤0.5,本方法中取β=0.2。P波样本3个方向的特征加权求和,即0.6UD+0.2EW+0.2NS,得到综合特征,然后归一化计算得到归一化后的样本特征分布。
其中,所述步骤S2中,根据选择后的特征建立基于支持向量机的地震预警震级预测模型,具体包括如下步骤:
利用单核或组合核函数构建支持向量机模型。
震级分类问题属于线性不可分问题,支持向量机采用结构风险最小化原则和核函数的思想,能够较好的解决小样本、高维数、非线性等问题,较适宜于处理强震P波信号。支持向量机通过核函数进行空间升维转换,实现高维空间内线性可分。本方法选取9个适合于地震预警震级预测的核函数,如表2所示:
表2 地震预警震级预测适用核函数
另外自创了5个单核核函数,如表3所示:
表3 自定义单核核函数
基于单核核函数的SVM模型易受非关键特征的影响,导致分类(震级评估)结果出现偏差,鲁棒性和稳健性欠佳。将单核核函数进行组合,既能发扬个体的优点,同时亦能降低整体对于非关键特征的敏感度,增强SVM模型的鲁棒性和稳健性。例如以高斯核函数及多项式核函数为基本函数,可以构造一种新的平稳的组合核函数SVM模型(满足Mercer条件):
利用表2和表3中任意2种核函数可组合成新的组合核函数。
其中,步骤S2中,还包括如下步骤:
基于特征关联系数和特征关联敏感度这2个参数对特征的选择及核函数的选择进行双向评价,从而融合指导特征与核函数的选择。
为了进一步分析前面归纳的12个特征与选择的9个核函数之间的关联匹配关系,需要找到能够明确指示关联关系的参数和方法。特征关联系数和特征关联敏感度,基于这2个参数对特征的选择及核函数的选择进行双向评价,一方面评价每个特征对分类任务的贡献大小,另一方面获取核函数与特征的匹配效果,从而融合指导特征与核函数的选择。
为了简化问题,先要在非线性二分类情景下考虑特征关联系数。支持向量机通过核函数把低维特征空间的样本映射到高维特征空间巧妙地解决了线性不可分问题。因此,支持向量机本质上还是一个线性产出模型,可以延续支持向量机这一特性,采用线性关系δ定义特征关联系数:
定义公式中,是向量,其元素的个数m等于特征的个数,因此依据/>中各元素的大小即可判断各特征对于核函数的重要性,即特征与核函数的关联度;表示的是特征向量矩阵,/>是/>矩阵中特征向量的个数;表示非线性支持向量机的返回系数向量,向量的元素个数恰好等于/>。显然/>是一个线性定义,该线性定义有效降低了计算复杂性,并且能够较为真实地反映出各特征对于震级评估模型的贡献大小。为使/>应用更加直观,进一步定义特征关联系数中单个元素与所有元素之和的百分比作为特征关联敏感度/>。
接下来考虑支持向量机的多分类问题,可以采用有多种成熟解决方法,例如可以在任意两类样本之间设计一个二分类SVM,因此p个类别的样本就需要设计p(p-1)/2个二分类SVM。计算特征关联系数时需要对每一个二分类SVM计算一个特征关联系数向量,最后把得到的多个特征关联系数向量相加,得到总的特征关联系数向量。由以上描述给出基于伪代码的特征关联系数的算法:
1 BEGIN
14 END
算法初始化训练集中共有n个向量,每个向量包括归纳的m个特征元素,假设共有p个类别。算法第5步对原始训练集进行归一化处理,使之更适宜于支持状态机的运算。第6步算法采用适当的核函数并通过交叉验证选择合适的算法参数得到最佳支持向量机返回系数。但此时的返回系数是基于多分类问题的系数值,为了便于后续计算需将其拆分成多个二分类问题的系数值。例如在本方法地震预警震级分类问题中共有4个震级类别,因此拆分的二分类包括1vs2,1vs3,1vs4,2vs3,2vs4,3vs4共6个子问题。第9步得到每个二分类子问题的支持向量矩阵,第10步得到/>。第13步计算特征关联敏感度时,/>是/>向量中的一个元素,m是维数。
其中,所述步骤S1中,获取历史地震数据,从中进行特征选择,还包括:
采用遗传算法自适应地筛选特征。
当特征数量从之前所述的12个范数特征扩展到很多个时频及能量特征(例如50,100,300等)时,从如此多的特征中选择适当的特征构建支持向量机模型去解决震级预测问题,极具挑战性。
本方法提出采用遗传算法自适应地筛选特征(粗筛)。遗传算法模拟了自然界生物的进化过程,根据适者生存、优胜劣汰的自然法则,利用遗传算子(选择、交叉和变异),逐代产生优选个体,最终搜索到较优的个体。搜索过程的系列运算中,通过选择算子将当前群体中的优良编码子集遗传到下一代群体中,通过交叉算子进行编码子集重组,通过变异算子进行编码子集的突变。通过这些遗传运算,一些较差的编码子集逐步被淘汰,而一些较好的编码子集逐步被遗传和进化,最终就可得到问题的最优解。遗传算法用于特征选择具备先天优点,首先遗传算法的搜索过程不是直接作用在问题的变量上,而是作用在将变量编码后的字符串上;而且遗传算法属于非数值计算优化方法,对所求解问题的数学模型无特殊要求。所以遗传算法用于特征选择,对特征样本集无特殊要求,适用性较广。其次,遗传算法搜索效率高,不易陷入局部最优解。
基于遗传算法的特征选择方法步骤如下:
(1)特征子集生成
基于遗传算法进行特征选择,一般采用二进制编码。编码后,特征子集的生成过程,就是产生二进制字符串的过程。假设本方法特征池中特征总数为M,从中选择d个特征,可使用由“0”、“1”组成的长度为M的二进制字符串(即染色体)表示可能的特征组合。染色体第i位(0<i≤M)上的“1”表示选中该特征,“0”表示未选中该特征。显然,表征可行特征组合的染色体中“1”的个数为d。
(2)特征子集评价
用遗传算法进行特征选择,对特征子集进行评价,就是确定个体适应值的计算方式。本方法的适应度函数选择为基于所选核函数的支持向量机交叉验证分类正确率。
(3)终止搜索判断
根据群体进化情况,判断是否停止搜索。常用的依据有:个体适应值是否达到预先设定的目标、遗传代数是否达到限定的最大代数等。
(4)特征子集性能测试
将得到的特征子集进行测试。如可以用分类器测试特征子集的分类性能来验证所选择特征子集的质量。
其中,所述步骤S2中,还包括如下步骤:
采用特征关联系数量化所选特征。
特征关联系数的缺点是备选特征池规模大的时候计算量巨大甚至无法计算,自适应方法可以粗略归纳部分重要特征,但无法对特征进行精细化地定量衡量。两种方法结合使用,即先用自适应方法“估计”,然后再用特征关联系数精确量化所选特征。
这样,本实施例中的方法从地震信号中归纳出具有代表性的特征,以此为基础构建分类模型,提升震级评估效果,降低计算复杂度。
实施例二
提供一种***,其采用了如实施例一所述的特征自适应地震预警震级预测方法,如图2所示,其中,所述***包括:
数据特征选择模块,用于获取历史地震数据,从中进行特征选择,得到选择后的特征;
预测模型建立模块,用于根据选择后的特征建立基于支持向量机的地震预警震级预测模型;
实时数据采集模块,用于获取实时地震数据,得到选择后的实时特征数据;
地震预警震级预测模块,用于将选择后的实时特征数据输入基于支持向量机的地震预警震级预测模型,得到预测的地震预警震级。
本***从地震信号中归纳出具有代表性的特征,以此为基础构建分类模型,提升震级评估效果,降低计算复杂度。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种特征自适应地震预警震级预测方法,其特征在于:包括如下步骤:
S1:获取历史地震数据,从中进行特征选择,得到选择后的特征;
S2:根据选择后的特征建立基于支持向量机的地震预警震级预测模型;
S3:获取实时地震数据,得到选择后的实时特征数据;
S4:将选择后的实时特征数据输入基于支持向量机的地震预警震级预测模型,得到预测的地震预警震级。
2.如权利要求1所述的特征自适应地震预警震级预测方法,其特征在于:所述步骤S1中,获取历史地震数据,从中进行特征选择,具体包括:
以范数理论为基础,结合信号处理方法进行P波的时域到频域变换,从时域和频域中分析归纳得出以时频幅值为主要因素的特征。
3.如权利要求2所述的特征自适应地震预警震级预测方法,其特征在于:所述分析归纳遵循如下原则:
1)分别用时域和频域的向量范数刻画P波的强度特征;
2)由范数变形获得P波的中心差和重心,刻画P波的平均性态;
3)利用范数能定义向量间的距离刻画任意两个P波间的差别;
4)由范数变形将频域的频率及其幅值融合到同一个特征之中。
4.如权利要求2所述的特征自适应地震预警震级预测方法,其特征在于:所述步骤S1还包括如下步骤:
首先单独计算P波各方向数据的特征,然后采用比例加权的方式将3个方向数据的特征进行融合,得到P波的综合特征。
5.如权利要求1所述的特征自适应地震预警震级预测方法,其特征在于:所述步骤S2中,根据选择后的特征建立基于支持向量机的地震预警震级预测模型,具体包括如下步骤:
利用单核或组合核函数构建支持向量机模型。
6.如权利要求5所述的特征自适应地震预警震级预测方法,其特征在于:步骤S2中,还包括如下步骤:
基于特征关联系数和特征关联敏感度这2个参数对特征的选择及核函数的选择进行双向评价,从而融合指导特征与核函数的选择。
7.如权利要求1所述的特征自适应地震预警震级预测方法,其特征在于:所述步骤S1中,获取历史地震数据,从中进行特征选择,还包括:
采用遗传算法自适应地筛选特征。
8.如权利要求7所述的特征自适应地震预警震级预测方法,其特征在于:所述步骤S2中,还包括如下步骤:
采用特征关联系数量化所选特征。
9.一种采用如权利要求1-8任一项所述的特征自适应地震预警震级预测方法的***,其特征在于:所述***包括:
数据特征选择模块,用于获取历史地震数据,从中进行特征选择,得到选择后的特征;
预测模型建立模块,用于根据选择后的特征建立基于支持向量机的地震预警震级预测模型;
实时数据采集模块,用于获取实时地震数据,得到选择后的实时特征数据;
地震预警震级预测模块,用于将选择后的实时特征数据输入基于支持向量机的地震预警震级预测模型,得到预测的地震预警震级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310450163.9A CN116340757B (zh) | 2023-04-25 | 2023-04-25 | 一种特征自适应地震预警震级预测方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310450163.9A CN116340757B (zh) | 2023-04-25 | 2023-04-25 | 一种特征自适应地震预警震级预测方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116340757A true CN116340757A (zh) | 2023-06-27 |
CN116340757B CN116340757B (zh) | 2023-08-08 |
Family
ID=86880577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310450163.9A Active CN116340757B (zh) | 2023-04-25 | 2023-04-25 | 一种特征自适应地震预警震级预测方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116340757B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116626753A (zh) * | 2023-07-25 | 2023-08-22 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及*** |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007071707A (ja) * | 2005-09-07 | 2007-03-22 | Taisei Corp | リアルタイム地震情報を利用した地震動強さの予測方法および防災システム |
JP2011002371A (ja) * | 2009-06-19 | 2011-01-06 | Hakusan Kogyo Kk | 震度推定方法及び装置 |
JP2016218069A (ja) * | 2015-05-25 | 2016-12-22 | 国立大学法人北海道大学 | 地震発生予測装置、地震発生予測方法およびコンピュータプログラム |
CN107292406A (zh) * | 2016-03-30 | 2017-10-24 | 中国石油化工股份有限公司 | 基于向量回归机和遗传算法的地震属性优选方法 |
JP2017211245A (ja) * | 2016-05-24 | 2017-11-30 | 株式会社竹中工務店 | 地震動予測装置及び地震動予測方法 |
KR20190013423A (ko) * | 2018-01-03 | 2019-02-11 | 주식회사 리얼게인 | 진도추정과 설비/구조물 피해예측기능을 가진 mems 기반 지진계측 장치 |
KR20190080712A (ko) * | 2017-12-28 | 2019-07-08 | (주)대우건설 | 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템 |
CN111160317A (zh) * | 2020-01-06 | 2020-05-15 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 微弱信号盲提取方法 |
CN111929724A (zh) * | 2020-07-28 | 2020-11-13 | 中国地震局地震研究所 | 一种面向预警的地震信号压缩感知采集传输方法 |
CN113419271A (zh) * | 2021-05-07 | 2021-09-21 | 中铁二院工程集团有限责任公司 | 一种地震震级预测方法、装置、设备及可读存储介质 |
US20220015659A1 (en) * | 2020-07-15 | 2022-01-20 | X Development Llc | Processing time-frequency representations of eeg data using neural networks |
KR20220036608A (ko) * | 2020-09-16 | 2022-03-23 | 한국전력공사 | 지진 조기 경보 기반 전력 설비 기능 정지 예측 시스템 및 방법 |
CN115182398A (zh) * | 2022-08-25 | 2022-10-14 | 沈阳工业大学 | 一种地震预警区域的地下水位及地表沉降预测方法 |
CN115291281A (zh) * | 2022-09-30 | 2022-11-04 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震级计算方法及装置 |
CN115577250A (zh) * | 2022-09-30 | 2023-01-06 | 中国地震局地震研究所 | 一种面向预警的强震震级稀疏分类方法 |
CN115907091A (zh) * | 2022-10-26 | 2023-04-04 | 云南省地震局 | 一种基于pso-svr的地震人员死亡评估方法 |
-
2023
- 2023-04-25 CN CN202310450163.9A patent/CN116340757B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007071707A (ja) * | 2005-09-07 | 2007-03-22 | Taisei Corp | リアルタイム地震情報を利用した地震動強さの予測方法および防災システム |
JP2011002371A (ja) * | 2009-06-19 | 2011-01-06 | Hakusan Kogyo Kk | 震度推定方法及び装置 |
JP2016218069A (ja) * | 2015-05-25 | 2016-12-22 | 国立大学法人北海道大学 | 地震発生予測装置、地震発生予測方法およびコンピュータプログラム |
CN107292406A (zh) * | 2016-03-30 | 2017-10-24 | 中国石油化工股份有限公司 | 基于向量回归机和遗传算法的地震属性优选方法 |
JP2017211245A (ja) * | 2016-05-24 | 2017-11-30 | 株式会社竹中工務店 | 地震動予測装置及び地震動予測方法 |
KR20190080712A (ko) * | 2017-12-28 | 2019-07-08 | (주)대우건설 | 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템 |
KR20190013423A (ko) * | 2018-01-03 | 2019-02-11 | 주식회사 리얼게인 | 진도추정과 설비/구조물 피해예측기능을 가진 mems 기반 지진계측 장치 |
CN111160317A (zh) * | 2020-01-06 | 2020-05-15 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 微弱信号盲提取方法 |
US20220015659A1 (en) * | 2020-07-15 | 2022-01-20 | X Development Llc | Processing time-frequency representations of eeg data using neural networks |
CN111929724A (zh) * | 2020-07-28 | 2020-11-13 | 中国地震局地震研究所 | 一种面向预警的地震信号压缩感知采集传输方法 |
KR20220036608A (ko) * | 2020-09-16 | 2022-03-23 | 한국전력공사 | 지진 조기 경보 기반 전력 설비 기능 정지 예측 시스템 및 방법 |
CN113419271A (zh) * | 2021-05-07 | 2021-09-21 | 中铁二院工程集团有限责任公司 | 一种地震震级预测方法、装置、设备及可读存储介质 |
CN115182398A (zh) * | 2022-08-25 | 2022-10-14 | 沈阳工业大学 | 一种地震预警区域的地下水位及地表沉降预测方法 |
CN115291281A (zh) * | 2022-09-30 | 2022-11-04 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震级计算方法及装置 |
CN115577250A (zh) * | 2022-09-30 | 2023-01-06 | 中国地震局地震研究所 | 一种面向预警的强震震级稀疏分类方法 |
CN115907091A (zh) * | 2022-10-26 | 2023-04-04 | 云南省地震局 | 一种基于pso-svr的地震人员死亡评估方法 |
Non-Patent Citations (3)
Title |
---|
YIH-MIN WU等: "Magnitude estimation using the first three seconds P-wave amplitude in earthquake early warning", 《GEOPHYSICAL RESEARCH LETTERS》, vol. 33 * |
朱景宝等: "基于支持向量机的地震预警震级快速估算研究", 《振动与冲击》, vol. 40, no. 7, pages 126 - 134 * |
杨黎薇;林国良;邱志刚;江汶乡;王玉石;: "基于人工神经元网络和多特征参数的预警震级估算", 地震研究, no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116626753A (zh) * | 2023-07-25 | 2023-08-22 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及*** |
CN116626753B (zh) * | 2023-07-25 | 2023-10-13 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116340757B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thomas et al. | Likelihood-free inference by ratio estimation | |
Contreras et al. | Bayesian data analysis to quantify the uncertainty of intact rock strength | |
Aleardi et al. | 1D elastic full‐waveform inversion and uncertainty estimation by means of a hybrid genetic algorithm–Gibbs sampler approach | |
US7853539B2 (en) | Discriminating speech and non-speech with regularized least squares | |
CN116340757B (zh) | 一种特征自适应地震预警震级预测方法及其*** | |
Lu et al. | Effects of error covariance structure on estimation of model averaging weights and predictive performance | |
CN106066493A (zh) | 贝叶斯岩相判别方法及装置 | |
Shen et al. | Statistically-informed deep learning for gravitational wave parameter estimation | |
CN116560895B (zh) | 用于机械装备的故障诊断方法 | |
Li et al. | Application of artificial neural networks to X‐ray fluorescence spectrum analysis | |
Lasocha et al. | Deep neural network application: Higgs boson CP state mixing angle in H→ τ τ decay and at the LHC | |
CN113419271A (zh) | 一种地震震级预测方法、装置、设备及可读存储介质 | |
Kumar et al. | Analysis of the fluctuations of the total electron content (TEC) measured at Goose Bay using tools of nonlinear methods | |
Graff et al. | Modeling the swift bat trigger algorithm with machine learning | |
Miranda et al. | A versatile technique for the optimal approximation of random processes by functional quantization | |
Dumont et al. | Hyperparameter optimization of generative adversarial network models for high-energy physics simulations | |
CN115512144A (zh) | 一种基于卷积自编码器的xrf谱图自动分类方法 | |
Zhang et al. | Flexible and efficient spatial extremes emulation via variational autoencoders | |
Ohsaki et al. | Discovery of sets and representatives of variables in co-nonlinear relationships by neural network regression and group lasso | |
Caselle et al. | Sampling the lattice Nambu-Goto string using continuous normalizing flows | |
Maslyaev et al. | Discovery of the data-driven differential equation-based models of continuous metocean process | |
Toutiaee et al. | Gaussian function on response surface estimation | |
Bossomaier et al. | A new paradigm for evolving cellular automata rules | |
CN117686442B (zh) | 一种氯离子扩散浓度检测方法、***、介质及设备 | |
Moen | Bankruptcy prediction for Norwegian enterprises using interpretable machine learning models with a novel timeseries problem formulation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |