TWI464443B - 人工智慧地震預警方法與地震偵測系統 - Google Patents
人工智慧地震預警方法與地震偵測系統 Download PDFInfo
- Publication number
- TWI464443B TWI464443B TW102107515A TW102107515A TWI464443B TW I464443 B TWI464443 B TW I464443B TW 102107515 A TW102107515 A TW 102107515A TW 102107515 A TW102107515 A TW 102107515A TW I464443 B TWI464443 B TW I464443B
- Authority
- TW
- Taiwan
- Prior art keywords
- new
- earthquake
- seismic
- ground motion
- motion intensity
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 37
- 238000013473 artificial intelligence Methods 0.000 title claims description 16
- 239000013598 vector Substances 0.000 claims description 76
- 238000001514 detection method Methods 0.000 claims description 72
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/01—Measuring or predicting earthquakes
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Description
本發明係指一種人工智慧地震預警方法,尤指一種根據前數秒之地震初達波特徵,並利用支撐向量法回歸方法所建立之地震偵測模型,以早期預測地震之地震動強度參數之人工智慧地震預警方法。
在一地震發生時,區域型強震即時警報技術可以在強震波到達之前數秒至數十秒,預估在各地可能產生的影響(震度)及發生的時間(離震央愈遠,發生時間愈晚),提前發佈地震警報,以便即時採取必要之應變措施。然而,因為需要多個地震測站及前數十秒的地震初達波資訊,習知區域型強震即時警報技術發佈警報所需的時間約為20秒,以地震波傳遞速度每秒3km估算,即震央半徑至少約60km以內為警報盲區。
另一方面,習知型強震即時警報技術選擇少數地震規模較具代表性之地震記錄,作為驗證所提出偵測方法的資料,僅能驗證該方法在特定地震之使用性,無法得知實際應用時可能獲得之成效,造成實務應用上可能的誤報機率。有鑑於此,習知技術實有改進之必要。
因此,本發明主要提供一種可根據前數秒之地震初達波特徵,並利用支撐向量法回歸方法所建立之地震偵測模型,以偵測地震之
地震動強度參數之人工智慧地震預警方法。
本發明揭露一種人工智慧地震預警方法,用於一地震偵測系統,該人工智慧地震預警方法包含有根據複數個向量,並利用一支撐向量迴歸(support vector regression,SVR)方法建立一地震偵測模型,該複數個向量中之每一向量係由複數個地震資訊組成並對應於一地震動強度參數;當一新地震發生時,偵測該新地震之複數個新地震資訊,並根據該複數個新地震資訊,組成一特定向量;以及根據該特定向量及該地震偵測模型,偵測該新地震之一新地震動強度參數。
本發明另揭露一種地震偵測系統,該地震偵測系統包含有一運算模組,用來根據複數個向量,並利用支撐向量迴歸建立一地震偵測模型,該複數個向量中之每一向量係由複數個地震資訊組成並對應於一地震動強度參數;一地震偵測模組,用來當一新地震發生時,偵測該新地震之複數個新地震資訊,並根據該複數個新地震資訊,組成一特定向量;以及一地震動強度參數計算模組,用來根據該特定向量及該地震偵測模型,偵測該新地震之一新地震動強度參數。
10‧‧‧地震偵測系統
100‧‧‧運算模組
110‧‧‧地震偵測模組
120‧‧‧地震動強度參數計算模組
150‧‧‧地震警報模組
x new
‧‧‧特定向量
f
(x
)‧‧‧地震偵測模型
第1圖為本發明實施例一地震偵測系統之示意圖。
第2圖為地震偵測模型所計算之最大地表加速度與實際地震最大地表加速度之比較圖。
第3圖為地震偵測模型所計算之震度與實際震度誤差在正負一級內之比例與觀察垂直向初達波之時間比較圖。
第4圖為本發明實施例一地震偵測流程之示意圖。
請參考第1圖,第1圖為本發明實施例一地震偵測系統10之示意圖。地震偵測系統10包含有一運算模組100、一地震偵測模組110、一地震動強度參數計算模組120及一地震警報模組150。運算模組100根據向量V1
~Vn
並利用支撐向量迴歸(support vector regression,SVR)方法建立一地震偵測模型f
(x
),接著,將建立完成之地震偵測模型f
(x
)儲存於地震動強度參數計算模組120,其中向量x1
~xm
中之每一向量x n
(1≦n≦m
)由地震資訊Qn1
~Qnk
組成並對應於一震度y j
,地震偵測模型f
(x
)之輸入x
為與向量x1
~xm
維度相同之向量。地震偵測模組110於一新地震NE發生時,偵測新地震NE之新地震資訊N1
~Nk
,並根據新地震資訊N1
~Nk
,組成一特定向量x new
,再將特定向量x new
傳輸至地震動強度參數計算模組120。地震動強度參數計算模組120以特定向量x new
為輸入,代入地震偵測模型f
(x
)中並計算出新地震NE之一新震度y new
。地震警報模組150則用來根據新震度y new
,決定是否發出地震警報。
詳細來說,支撐向量迴歸方法將向量x1
~xm
投射到一高維度特徵空間H,並在高維度特徵空間H進行線性迴歸,故運算模組100假設地震偵測模型f
(x
)為下列方程式:f
(x
)=〈w
,g
(x
)〉+b
:(式1)
其中w
為高維度特徵空間H之一向量,g
(x
)為一非線性映射將x
投射至高維度特徵空間H,〈 〉為向量內積運算,b
為一常數。運算模組100藉由導入鬆弛變數(slack variable)及迴歸誤差(regression risk),可得求解式1即為求解以下目標函數:
受限於
其中C
為一常數,ξ 1
~ξ m
、~及b
為該目標函數之變數。運算模組100進一步引入拉格郎奇乘算子(Lagrange multipliers)α 1
~α m
及β 1
~β m
,可將式2轉換成二次規劃(quadratic programming)問題如下:
受限於
其中ε
為一常數。同樣地,運算模組100將拉格郎奇乘算子α 1
~α m
及β 1
~β m
引入式1,即可將式1轉換為下列方程式:
其中b *
為一常數,函數k
為一核函數(kernel function)如下:k
(x i
,x j
)=exp(-∥x i
-x j
∥2
/2σ 2
):(式5)
其中σ
為一常數,∥ ∥表示歐幾里德長度(Euclidean norm)。運算模組100將向量x1
~xm
(即地震資訊Qj1
~Qjk
)與其對應之震度y 1
~y m
代入式3及式6,即可求得拉格郎奇乘算子α 1
~α m
、β 1
~β m
。接著,常數b *
可由將任一組符合α n
≠0且α n
≠的x n
、y n
代入下列方程式求得:
最後,運算模組100根據向量x1
~xm
決定常數C
、ε
及σ
。
經由上述步驟,運算模組100透過支撐向量迴歸方法並利用向量x1
~xm
(即地震資訊Qj1
~Qjk
)與其對應之震度y 1
~y m
得出地震偵測模型f
(x
)(即式4),並將地震偵測模型f
(x
)儲存於地震動強度參數計算模組120。當新地震NE發生時,地震偵測模組110偵測新地震NE之新地震資訊N1
~Nk
,並根據新地震資訊N1
~Nk
,組成特定向量x new
。接著,地震動強度參數計算模組120將特定向量x new
代入地震偵測模型f
(x
)並計算出新地震NE之新震度y new
(即y new
=f
(x new
))。
值得注意的是,在地震偵測系統10中,運算模組100、地震偵測模組110及地震動強度參數計算模組120可能分別位於不同地區,並透過有線或無線網路傳遞資訊。舉例來說,運算模組100可能位於地震資料中心以便取得大量之地震資訊Qj1
~Qjk
,以增加地震偵測模型f
(x
)之精準度。地震偵測模組110則可能位於容易發生地震之地區,以便迅速偵測新地震資訊N1
~Nk
。地震動強度參數計算模組120則可能位於警報中心,以便在計算出新地震NE之新震度y new
時立即決定是否發佈警報。此外,震度為上述實施例說明之用,非用以限制本發明之範疇。舉例來說,本發明所提供之方法亦可使用於預測最大地表加速度(peak ground acceleration,PGA)、最大地表速度(peak ground acceleration,PGV)、最大地表位移(peak ground displacement,PGD)、累積絕對速度(cumulative absolute velocity,CAV)、愛氏震度(Arias Intensity)、頻譜震度(Spectral Intensity)、地震反應譜(Response Spectra)等任何地震震度與危害度相關參數。
除此之外,支撐向量迴歸方法之解法(即式1~式6)為上述實施例說明之用,非用以限制本發明之範疇。本領域具通常知識者當可使用其他數學公式並配合支撐向量迴歸方法而解得計算新地震NE之新地震動強度參數之公式。
為說明本發明之功效,更進一步地,可經模擬分析而得地震偵測模型f
(x
)計算新地震NE之新地震動強度參數y new
與實際新地震NE震度之比較。值得注意的是,一地震之震度(intensity,I)係由其最大地表加速度(PGA)換算而來(本發明使用台灣震度與最大地表加速度之換算公式如下:,不同國家可能使用不同公式,且其他國家之公式亦適用於本發明,故不影響本發明之功效),故最大地表加速度之比較亦可說明本發明之功效。請參考第2圖,第2圖為地震偵測模型f
(x
)所計算之最大地表加速度與實際地震最大地表加速度之比較圖。第2圖之測試條件如下:中華民國中央氣象局之地震記錄共91142筆資料組成向量x1
~x91142
與其對應之震度y 1
~y 91142
,其中向量x 1
~x 91142
向量中之每一向量x n
(1≦n≦91142
)包含有加速度極值、速度極值、位移極值、主要週期、累積絕對速度及速度平方積分(取自垂直向初達波前3秒)。如第2圖所示,地震偵測模型f
(x
)所計算之最大地表加速度與實際地震最大地表加速度相當接近,且震度誤差正負一級以內之比例高達99.22%。請進一步參考第3圖,第3圖為地震偵測模型f
(x
)所計算之震度與實際震度誤差在正負一級內之比例與觀察垂直向初達波之時間比較圖。考慮觀察垂直向初達波之時間的範圍由0.1秒開始逐漸增加至10秒,間隔為0.1秒,如第3圖所示,發現地震偵測模型f
(x
)所計算之震度與實際震度誤差在正負一級內之比例隨著觀察垂直向初達波之時間的增加而降低,顯示運用垂直向初達波越長的資訊所得地震偵測模型f
(x
)所
計算之震度與實際震度越接近實際值,反之,使用越少量資訊所得地震偵測模型f
(x
)所計算之震度與實際震度越不可靠。然而,即使觀察垂直向初達波之時間僅為0.1秒時,地震偵測模型f
(x
)已有非常高之準確率,地震偵測模型f
(x
)所計算之震度與實際震度誤差在正負一級內之比例已高達91.24%。再者,當觀察垂直向初達波之時間僅為0.4秒時,地震偵測模型f
(x
)所計算之震度與實際震度誤差在正負一級內之比例已增加至97.19%。因此,運用本研究所提之方法所需之觀察垂直向初達波之時間值非常小,應可大幅縮小警報盲區,並爭取寶貴之反應時間。
上述關於地震偵測系統10之運作可進一步歸納為一地震偵測流程40,如第4圖所示。地震偵測流程40包含以下步驟:
步驟400:開始。
步驟402:根據複數個向量,並利用一支撐向量迴歸方法建立一地震偵測模型,該複數個向量中之每一向量係由複數個地震資訊組成並對應於一新地震動強度參數;
步驟402:當一新地震發生時,偵測該新地震之複數個新地震資訊,並根據該複數個新地震資訊,組成一特定向量。
步驟404:根據該特定向量及該地震偵測模型,偵測該新地震之一新地震動強度參數。
步驟406:結束。
地震偵測流程40之詳細運作及相關變化可參考前述,於此不贅述。
在習知區域型強震即時警報技術中,因為需要多個地震測站及前數秒的地震初達波資訊,習知區域型強震即時警報技術發佈警報所
需的時間約為20秒,以地震波傳遞速度每秒3km估算,即震央半徑至少約60km以內為警報盲區。另一方面,習知強震即時警報技術選擇少數地震規模較具代表性之地震記錄,作為驗證所提出偵測方法的資料,僅能驗證該方法在特定地震之使用性,無法得知實際應用時可能獲得之成效,造成實務應用上可能的誤報機率。相較之下,本發明之人工智慧地震預警方法僅根據前數秒之地震初達波特徵,並利用支撐向量法回歸方法所建立之地震偵測模型,即可準確偵測地震之震度。
綜上所述,本發明透過支撐向量迴歸方法並利用既有地震資訊與其對應之震度得出地震偵測模型,並利用地震偵測模型,於新地震發生時,僅根據前數秒之地震初達波特徵,早期偵測新地震之震度。
以上所述僅為本發明之較佳實施例,凡依本發明申請專利範圍所做之均等變化與修飾,皆應屬本發明之涵蓋範圍。
10‧‧‧地震偵測系統
100‧‧‧運算模組
110‧‧‧地震偵測模組
120‧‧‧地震動強度參數計算模組
150‧‧‧地震警報模組
x new
‧‧‧特定向量
f
(x
)‧‧‧地震偵測模型
Claims (18)
- 一種人工智慧地震預警方法,用於一地震偵測系統,該人工智慧地震預警方法包含有:根據複數個向量,並利用一支撐向量迴歸(support vector regression,SVR)方法建立一地震偵測模型,該複數個向量中之每一向量係由複數個地震資訊組成並對應於一地震動強度參數;當一新地震發生時,偵測該新地震之複數個新地震資訊,並根據該複數個新地震資訊,組成一特定向量;以及根據該特定向量及該地震偵測模型,偵測該新地震之一新地震動強度參數。
- 如請求項1所述之人工智慧地震預警方法,其中根據該複數個新地震資訊及該地震偵測模型偵測該新地震之該新地震動強度參數係符合下列方程式:
- 如請求項2所述之人工智慧地震預警方法,其中該核函數如下:k (x i ,x j )=exp(-∥x i -x j ∥2 /2σ2 ),其中σ為一常數。
- 如請求項2所述之人工智慧地震預警方法,其中α 1 ~α m 、 β 1 ~β m 係根據求解一二次規劃(quadratic programming)問題而得,該二次規劃問題如 下:
- 如請求項4所述之人工智慧地震預警方法,其中該二次規劃問題係經由一目標函數並導入拉格郎奇乘算子(Lagrange multipliers)而得,該目標函數如下:
- 如請求項1所述之人工智慧地震預警方法,其中該複數個向量中之每一向量對應之該複數個地震資訊係為複數個地震初達波之特徵數值。
- 如請求項1所述之人工智慧地震預警方法,其中當該新地震發生時,於一特定時間內偵測該新地震之該複數個新地震資訊,並根據該複數個新 地震資訊組成該特定向量。
- 如請求項1所述之人工智慧地震預警方法,其中地震動強度參數及該新地震動強度參數為震度、最大地表加速度(peak ground acceleration,PGA)、最大地表速度(peak ground acceleration,PGV)、最大地表位移(peak ground displacement,PGD)、累積絕對速度(cumulative absolute velocity,CAV)、愛氏震度(Arias Intensity)、頻譜震度(Spectral Intensity)、地震反應譜(Response Spectra)中之一者。
- 如請求項1所述之人工智慧地震預警方法,另包含有根據該新地震動強度參數,決定是否發出地震警報。
- 一種地震偵測系統,包含有:一運算模組,用來根據複數個向量,並利用支撐向量迴歸方法建立一地震偵測模型,該複數個向量中之每一向量係由複數個地震資訊組成並對應於一地震動強度參數;一地震偵測模組,用來當一新地震發生時,偵測該新地震之複數個新地震資訊,並根據該複數個新地震資訊,組成一特定向量;以及一地震動強度參數計算模組,用來根據該特定向量及該地震偵測模型,偵測該新地震之一新地震動強度參數。
- 如請求項8所述之地震偵測系統,其中該地震動強度參數計算模組根據該特定向量及該地震偵測模型,偵測該新地震之該新地震動強度參數係符合下列方程式:
- 如請求項10所述之地震偵測系統,其中該核函數如下:k (x i ,x j )=exp(-∥x i -x j ∥2 /2σ2 ),其中σ為一常數。
- 如請求項10所述之地震偵測系統,其中α 1 ~α m 、β 1 ~β m 係根據求解一二次規劃問題而得,該二次規劃問題如下:
- 如請求項13所述之地震偵測系統,其中該二次規劃問題係經由一目標函數並導入拉格郎奇乘算子而得,該目標函數如下:
- 如請求項10所述之地震偵測系統,其中該複數個向量中之每一向量對應 之該複數個地震資訊係為複數個地震初達波之特徵數值。
- 如請求項10所述之地震偵測系統,其中當該新地震發生時,於一特定時間內偵測該新地震之該複數個新地震資訊,並根據該複數個新地震資訊組成該特定向量。
- 如請求項10所述之地震偵測系統,其中地震動強度參數及該新地震動強度參數為震度、最大地表加速度(peak ground acceleration,PGA)、最大地表速度(peak ground acceleration,PGV)、最大地表位移(peak ground displacement,PGD)、累積絕對速度(cumulative absolute velocity,CAV)、愛氏震度(Arias Intensity)、頻譜震度(Spectral Intensity)、地震反應譜(Response Spectra)中之一者。
- 如請求項10所述之地震偵測系統,另包含有一地震警報模組,用來根據該新地震動強度參數,決定是否發出地震警報。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW102107515A TWI464443B (zh) | 2013-03-04 | 2013-03-04 | 人工智慧地震預警方法與地震偵測系統 |
US14/011,753 US9368017B2 (en) | 2013-03-04 | 2013-08-28 | Earthquake early warning method based on support vector regression |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW102107515A TWI464443B (zh) | 2013-03-04 | 2013-03-04 | 人工智慧地震預警方法與地震偵測系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201435381A TW201435381A (zh) | 2014-09-16 |
TWI464443B true TWI464443B (zh) | 2014-12-11 |
Family
ID=51421375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW102107515A TWI464443B (zh) | 2013-03-04 | 2013-03-04 | 人工智慧地震預警方法與地震偵測系統 |
Country Status (2)
Country | Link |
---|---|
US (1) | US9368017B2 (zh) |
TW (1) | TWI464443B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI624679B (zh) * | 2016-08-09 | 2018-05-21 | 林子剛 | 建築物樓層之地震即時分析方法、系統、記錄媒體及電腦程式產品 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI636276B (zh) * | 2014-05-16 | 2018-09-21 | 財團法人國家實驗研究院 | 人工智能地震判斷方法及地震偵測系統 |
US10909647B2 (en) | 2015-12-09 | 2021-02-02 | One Concern, Inc. | Damage data propagation in predictor of structural damage |
US10740684B1 (en) * | 2015-12-09 | 2020-08-11 | One Concern, Inc. | Method and system to predict the extent of structural damage |
US11004001B1 (en) | 2015-12-09 | 2021-05-11 | One Concern, Inc. | Analysis of structural-damage predictions caused by an earthquake to identify areas with high damage levels |
US10915829B1 (en) | 2015-12-09 | 2021-02-09 | One Concern, Inc. | Data model update for structural-damage predictor after an earthquake |
KR101697227B1 (ko) * | 2016-05-23 | 2017-01-17 | 한국지질자원연구원 | 지진 조기경보 시스템의 오경보 방지를 위한 인접 관측소 정보 강제결합을 이용한 진앙 위치 결정방법 |
CN106094014B (zh) * | 2016-08-26 | 2019-10-25 | 中国地震局地壳应力研究所 | 一种基于非对称传感器的地震预警与烈度速报综合用地震监测仪 |
TWI620154B (zh) * | 2017-04-11 | 2018-04-01 | 楊偉智 | 使用者裝置、地震警報伺服器及其地震警報方法 |
CN107092744B (zh) * | 2017-04-16 | 2020-11-06 | 北京工业大学 | 基于emd-svr的地表沉降量预测方法 |
CN109307886B (zh) * | 2018-08-24 | 2020-07-10 | 中国石油天然气股份有限公司 | 多次波自适应相减方法及装置 |
US10876277B1 (en) * | 2019-01-04 | 2020-12-29 | Mohammad Taghi Fatehi | Automatic seismic wave detector and valve controller |
CN112630827B (zh) * | 2020-12-07 | 2024-02-02 | 中国地震局工程力学研究所 | 地表加速度峰值参数预测方法及*** |
TWI812132B (zh) * | 2022-03-30 | 2023-08-11 | 財團法人國家實驗研究院 | 高功率地震波預警方法及系統、電腦可讀取的記錄媒體 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024180A (zh) * | 2010-12-23 | 2011-04-20 | 浙江大学 | 一种基于支持向量机的参数自适应的运动预测方法 |
TW201310053A (zh) * | 2011-08-19 | 2013-03-01 | Nat Applied Res Laboratories | 現地型地震即時分析系統與方法及其儲存媒體 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030030637A1 (en) * | 2001-04-20 | 2003-02-13 | Grinstein Georges G. | Method and system for data analysis |
US7321881B2 (en) * | 2004-02-27 | 2008-01-22 | Aureon Laboratories, Inc. | Methods and systems for predicting occurrence of an event |
CN102621888B (zh) | 2012-03-27 | 2014-04-02 | 上海大学 | 基于最小二乘支持向量机的结构地震响应时滞智能控制方法 |
-
2013
- 2013-03-04 TW TW102107515A patent/TWI464443B/zh active
- 2013-08-28 US US14/011,753 patent/US9368017B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024180A (zh) * | 2010-12-23 | 2011-04-20 | 浙江大学 | 一种基于支持向量机的参数自适应的运动预测方法 |
TW201310053A (zh) * | 2011-08-19 | 2013-03-01 | Nat Applied Res Laboratories | 現地型地震即時分析系統與方法及其儲存媒體 |
Non-Patent Citations (1)
Title |
---|
Chong Xu, Fuchu Dai, Xiwei Xu, Yuan Hsi Lee, "GIS-based support vector machine modeling of earthquake-triggered landslide susceptibility in the Jianjiang River watershed, China," Geomorphology, Vol. 145–146, 頁70-80, 2012/04/01 http://dx.doi.org/10.1016/j.geomorph.2011.12.040 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI624679B (zh) * | 2016-08-09 | 2018-05-21 | 林子剛 | 建築物樓層之地震即時分析方法、系統、記錄媒體及電腦程式產品 |
Also Published As
Publication number | Publication date |
---|---|
TW201435381A (zh) | 2014-09-16 |
US20140249756A1 (en) | 2014-09-04 |
US9368017B2 (en) | 2016-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI464443B (zh) | 人工智慧地震預警方法與地震偵測系統 | |
US10963540B2 (en) | Physics informed learning machine | |
KR102027252B1 (ko) | 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템 | |
Kaloop et al. | Multi input–single output models identification of tower bridge movements using GPS monitoring system | |
Zhang et al. | Vortex‐induced vibration measurement of a long‐span suspension bridge through noncontact sensing strategies | |
Hernandez-Garcia et al. | An experimental investigation of change detection in uncertain chain-like systems | |
CN102928877B (zh) | 基于d-s证据理论的地震属性融合方法 | |
JP6429042B2 (ja) | 地盤特性を自動校正する現地型地震早期警報システム及び関連方法 | |
US20180203949A1 (en) | Data transformation for a virtual asset | |
Jo et al. | Multi-metric model-based structural health monitoring | |
CN109060393A (zh) | 一种桥梁结构恒载响应时域融合分析方法 | |
CN103134433B (zh) | 一种利用位移监测鉴别边坡失稳致滑因子的方法 | |
CN107818135A (zh) | 一种基于灰色关联法的维诺图电力大数据异常检测方法 | |
CN102254185A (zh) | 基于对比度敏感函数的背景杂波量化方法 | |
Li et al. | Deformation prediction of tunnel surrounding rock mass using CPSO-SVM model | |
Wang et al. | Cumulative absolute velocity prediction for earthquake early warning with deep learning | |
CN107437112B (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 | |
CN105046706A (zh) | 基于有理多项式函数拟合海杂波的sar图像船只检测方法 | |
TWI636276B (zh) | 人工智能地震判斷方法及地震偵測系統 | |
Lee et al. | Seismic Acceleration Estimation Method at Arbitrary Position Using Observations and Machine Learning | |
CN114880954A (zh) | 一种基于机器学习的滑坡敏感性的评估方法 | |
TWI624679B (zh) | 建築物樓層之地震即時分析方法、系統、記錄媒體及電腦程式產品 | |
Lin et al. | Damage assessment of seismically excited buildings through incomplete measurements | |
CN111966966A (zh) | 一种传感器测量误差模型参数可行域分析方法及*** | |
Lin et al. | Estimation of peak floor acceleration based on support vector regression and p-wave features |