基于LSTM的地震前兆数据分析算法设计与实现

发布时间：2021-12-29 05:27

　　地震前兆数据具有短期、中期、长期的变化,研究地震前兆数据的变化规律对地震预测具有重要意义。论文采用目前最流行的深度学习技术之LSTM模型,对海量前兆数据进行学习,学习出其短期、中期、长期的变化规律,建立前兆数据深度模型,并根据模型预测出前兆波形。论文将预测的前兆波形与实际的观测的波形数据进行对比,实验表明,LSTM算法能很好地拟合观测数据。

【文章来源】： 智能计算机与应用. 2020,10(02)

【文章页数】：4 页

【文章目录】：
0 引言
1 LSTM原理
2 实验数据预处理
    2.1 缺失值处理
    2.2 数据规范化
3 仿真实验
    3.1 不同降采样方法对数据分析的影响
    3.2 气压值的不同降采样方法
4 结束语


【参考文献】：
期刊论文
[1]基于LSTM的循环神经网络模型确立睡眠与病例诊断结果的关系 [J]. 米硕,孙瑞彬,李欣,明晓.  科技与创新. 2018(07)
[2]基于深度学习LSTM网络的短期电力负荷预测方法 [J]. 陈卓,孙龙祥.  电子技术. 2018(01)
[3]TensorFlow平台上基于LSTM神经网络的人体动作分类 [J]. 杨煜,张炜.  智能计算机与应用. 2017(05)
[4]安丘地震台地震前兆数据跟踪分析 [J]. 池国民,赵银刚,杜桂林,张辉,董敏,林秀娜.  地震地磁观测与研究. 2017(03)
[5]Matlab神经网络工具箱BP算法比较 [J]. 蒲春,孙政顺,赵世敏.  计算机仿真. 2006(05)
[6]日本国立防灾科学技术中心的地震前兆数据分析处理系统概述 [J]. 徐光宇.  国际地震动态. 1988(06)

博士论文
[1]地震前兆数据异常识别关键技术研究[D]. 刘子维.武汉大学. 2016



本文编号：3555489