基于AdaBoost集成学习的强震动观测抗干扰技术研究

发布时间：2022-09-27 19:26

　　为提高强震仪的抗干扰能力,基于分类、决策的机器学习中的AdaBoost集成学习方法,设计一种强震动数据抗干扰算法,以解决基于决策树的强震动数据抗干扰算法存在的易过拟合、分类准确度不高等问题。从天然地震动与人工干扰下的强震动数据中提取出若干个特征（波形对称度、卓越频率、最大增长速度等）,形成一一对应的训练样本特征集与事件属性集;初始化权重分布,持续利用AdaBoost技术更新样本权重分布,以增加较难分辨样本的权重值,然后将若干个弱分类器训练为一个强分类器,达到提高强震仪抗干扰准确度的目的。此方法分类准确度较高,具有较强的环境适应性,对于推动强震观测仪器智能化实现、促进土木工程结构防震减灾技术发展具有一定现实意义。 

【文章页数】：5 页

【文章目录】：
1 强震仪抗干扰算法
    1.1 决策树原理
    1.2 AdaBoost算法
    1.3 强震仪环境干扰与加速度记录特征参量研究
    1.4 算法设计
2 实验结果与分析
3 结论


【参考文献】：
期刊论文
[1]基于机器学习的强震动监测环境抗干扰方法对比研究[J]. 庞聪,江勇,廖成旺,吴涛,丁炜.  内陆地震. 2020(02)
[2]2017年6月3日内蒙古阿拉善左旗5.0级地震强震记录及特征分析[J]. 王文才,李佐唐,石文兵.  地震工程学报. 2018(01)
[3]基于小波降噪和主成分分析的结构损伤识别[J]. 赵怀山,郭伟超,高新勤,杨振朝,李言.  西安理工大学学报. 2017(04)
[4]基于BP-Adaboost方法的天然地震和人工爆炸事件波形信号分类识别研究[J]. 赵刚,黄汉明,卢欣欣,郭世豪,柴慧敏.  地震工程学报. 2017(03)
[5]用于地震预警系统的单台站防误触发算法研究[J]. 江汶乡,于海英,赵晓芬,许思铭.  自然灾害学报. 2015(02)
[6]基于随机森林的建筑结构损伤识别方法[J]. 周绮凤,杨小青,周青青,雷家艳.  振动.测试与诊断. 2012(02)
[7]新型数字强震仪关键技术分析[J]. 王雷,周琪,高峰,魏继武.  地震工程与工程振动. 2011(06)
[8]近场数字强震仪记录误差分析与零线校正方法[J]. 于海英,江汶乡,解全才,杨永强,程翔,杨剑.  地震工程与工程振动. 2009(06)
[9]工程强震观测仪器触发装置的抗干扰设计[J]. 赵松年,熊小芸.  地震学报. 1987(02)

博士论文
[1]面向地震预警的强震动数据处理技术研究[D]. 江汶乡.中国地震局工程力学研究所 2015

硕士论文
[1]基于数据挖掘技术的强震区公路岩质边坡地质灾害评价体系研究[D]. 宋金龙.成都理工大学 2012
[2]水下岩塞爆破地震反应谱特性及结构的模态分析研究[D]. 荣立爽.太原理工大学 2008



本文编号：3681475