基于卷积神经网络的川滇地区短临地震预测研究
发布时间：2021-06-27 18:26
地震是一种能给人类社会带来灾难的自然现象,极具破坏性的地震会给国家和地区带来严重的经济损失和人员伤亡。地震预测虽然是一个科学难题,但是研究人员并未停下探索的脚步。短临地震预测目前还处于探索阶段,其预测水平与社会需求相距甚远。为此我国自二十世纪八十年代开始建设地震台网,到现在已经积累大量高精度前兆观测数据,涵盖形变、地电、地磁、重力、流体等学科。本文通过研究分析前兆观测数据,考虑到地震的孕育和发生之间高度的非线性特点以及人工选取地震活动性参数的主观性,同时受到卷积神经网络技术的启发,以地震较多的川滇地区为研究区域,基于形变、电磁、水位等历史观测数据,提出一种基于卷积神经网络的短临地震预测模型,并与基于BP神经网络、支持向量机的地震预测算法的结果进行了对比研究。结果表明,本研究提出的预测模型在地震震级和区域预测中具有更高的准确率和召回率,分别能达到95.0%和84.1%,这为地震预测研究供了一种新的地震预测方法。本文的主要研究工作及成果如下:1)提出了一种基于聚类算法的地震预测区域划分方法位置预测是地震预测的一个重要组成部分。本文选取川滇地区中26.50°N30.00...
【文章来源】：防灾科技学院河北省
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
卷积神经网络基本结构示范图
防灾科技学院工程硕士学位论文9对一幅图像的一个完整的卷积运算过程为：卷积核以一定的间隔滑动，并对所覆盖的区域进行卷积运算得到值，直至遍历完整幅图像，如图2.2所示。图2.2卷积运算一个标准的卷积运算过程为：其卷积核每次覆盖原图像的9个像素，共滑动4次，得到了一个2*2的二维数据。对于一个大小为4*4的原图像，经过大小为3*3的卷积运算后，其输出图像的尺寸为2*2，如图2.3所示。图2.3标准的二维卷积运算2.1.2BatchNormalization层批量标准化（BatchNormalization，BN）层与卷积层，下文提到的池化层一样属于网络的一层。通常情况下，为了更好的训练深度神经网络，防止像Sigmoid类似的非线性激活函数过早饱和，我们会对输入的数据进行标准化、规范化，使其数据分布类似于正态分布。但是在网络的训练过程中，因为每一层都必须学会
防灾科技学院工程硕士学位论文9对一幅图像的一个完整的卷积运算过程为：卷积核以一定的间隔滑动，并对所覆盖的区域进行卷积运算得到值，直至遍历完整幅图像，如图2.2所示。图2.2卷积运算一个标准的卷积运算过程为：其卷积核每次覆盖原图像的9个像素，共滑动4次，得到了一个2*2的二维数据。对于一个大小为4*4的原图像，经过大小为3*3的卷积运算后，其输出图像的尺寸为2*2，如图2.3所示。图2.3标准的二维卷积运算2.1.2BatchNormalization层批量标准化（BatchNormalization，BN）层与卷积层，下文提到的池化层一样属于网络的一层。通常情况下，为了更好的训练深度神经网络，防止像Sigmoid类似的非线性激活函数过早饱和，我们会对输入的数据进行标准化、规范化，使其数据分布类似于正态分布。但是在网络的训练过程中，因为每一层都必须学会
【参考文献】：
期刊论文
[1]基于深度学习残差网络模型的地震和爆破识别[J]. 隗永刚,杨千里,王婷婷,蒋长胜,边银菊. 地震学报. 2019(05)
[2]人工智能在拾取地震P波初至中的应用——以汶川地震余震序列为例[J]. 蔡振宇,盖增喜. 北京大学学报(自然科学版). 2019(03)
[3]基于深度学习卷积神经网络的地震波形自动分类与识别[J]. 赵明,陈石,Dave Yuen. 地球物理学报. 2019(01)
[4]断层带土壤气中H2观测——探索地震短临预报的新途径[J]. 车用太,刘耀炜,何钄. 地震. 2015(04)
[5]大数据时代对地震监测预报问题的思考[J]. 张晁军,陈会忠,李卫东,许洪华,彭远黔. 地球物理学进展. 2015(04)
[6]地震的位置、震级和发生时间的预报方法[J]. 高歌. 前沿科学. 2015(02)
[7]基于热异常信息与BP神经网络的中强地震预测试验[J]. 宋冬梅,时洪涛,单新建,刘雪梅,崔建勇,沈晨,屈春燕,邵红梅,王一博,臧琳,陈伟民,孔建. 地震地质. 2015(02)
[8]地震预测方法Ⅰ:综述[J]. 赵永红,杨家英,惠红军,徐少川,曹露青,卢倩云,李嘉琪,李进武. 地球物理学进展. 2014(01)
[9]中国地震前兆台网观测技术系统整合[J]. 周克昌,赵刚,王晨,王方建,刘高川. 中国地震. 2013(02)
[10]2010年青海玉树7.1级地震的前震识别及短临预报可能性研究[J]. 刘蒲雄,吕晓健. 地震. 2012(03)
博士论文
[1]地震电离层前兆短期预报研究[D]. 王若鹏.武汉大学 2012
硕士论文
[1]基于神经网络的短期地震预测模型及其应用[D]. 付杰.东南大学 2016
本文编号：3253371
【文章来源】：防灾科技学院河北省
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
卷积神经网络基本结构示范图
防灾科技学院工程硕士学位论文9对一幅图像的一个完整的卷积运算过程为：卷积核以一定的间隔滑动，并对所覆盖的区域进行卷积运算得到值，直至遍历完整幅图像，如图2.2所示。图2.2卷积运算一个标准的卷积运算过程为：其卷积核每次覆盖原图像的9个像素，共滑动4次，得到了一个2*2的二维数据。对于一个大小为4*4的原图像，经过大小为3*3的卷积运算后，其输出图像的尺寸为2*2，如图2.3所示。图2.3标准的二维卷积运算2.1.2BatchNormalization层批量标准化（BatchNormalization，BN）层与卷积层，下文提到的池化层一样属于网络的一层。通常情况下，为了更好的训练深度神经网络，防止像Sigmoid类似的非线性激活函数过早饱和，我们会对输入的数据进行标准化、规范化，使其数据分布类似于正态分布。但是在网络的训练过程中，因为每一层都必须学会
防灾科技学院工程硕士学位论文9对一幅图像的一个完整的卷积运算过程为：卷积核以一定的间隔滑动，并对所覆盖的区域进行卷积运算得到值，直至遍历完整幅图像，如图2.2所示。图2.2卷积运算一个标准的卷积运算过程为：其卷积核每次覆盖原图像的9个像素，共滑动4次，得到了一个2*2的二维数据。对于一个大小为4*4的原图像，经过大小为3*3的卷积运算后，其输出图像的尺寸为2*2，如图2.3所示。图2.3标准的二维卷积运算2.1.2BatchNormalization层批量标准化（BatchNormalization，BN）层与卷积层，下文提到的池化层一样属于网络的一层。通常情况下，为了更好的训练深度神经网络，防止像Sigmoid类似的非线性激活函数过早饱和，我们会对输入的数据进行标准化、规范化，使其数据分布类似于正态分布。但是在网络的训练过程中，因为每一层都必须学会
【参考文献】：
期刊论文
[1]基于深度学习残差网络模型的地震和爆破识别[J]. 隗永刚,杨千里,王婷婷,蒋长胜,边银菊. 地震学报. 2019(05)
[2]人工智能在拾取地震P波初至中的应用——以汶川地震余震序列为例[J]. 蔡振宇,盖增喜. 北京大学学报(自然科学版). 2019(03)
[3]基于深度学习卷积神经网络的地震波形自动分类与识别[J]. 赵明,陈石,Dave Yuen. 地球物理学报. 2019(01)
[4]断层带土壤气中H2观测——探索地震短临预报的新途径[J]. 车用太,刘耀炜,何钄. 地震. 2015(04)
[5]大数据时代对地震监测预报问题的思考[J]. 张晁军,陈会忠,李卫东,许洪华,彭远黔. 地球物理学进展. 2015(04)
[6]地震的位置、震级和发生时间的预报方法[J]. 高歌. 前沿科学. 2015(02)
[7]基于热异常信息与BP神经网络的中强地震预测试验[J]. 宋冬梅,时洪涛,单新建,刘雪梅,崔建勇,沈晨,屈春燕,邵红梅,王一博,臧琳,陈伟民,孔建. 地震地质. 2015(02)
[8]地震预测方法Ⅰ:综述[J]. 赵永红,杨家英,惠红军,徐少川,曹露青,卢倩云,李嘉琪,李进武. 地球物理学进展. 2014(01)
[9]中国地震前兆台网观测技术系统整合[J]. 周克昌,赵刚,王晨,王方建,刘高川. 中国地震. 2013(02)
[10]2010年青海玉树7.1级地震的前震识别及短临预报可能性研究[J]. 刘蒲雄,吕晓健. 地震. 2012(03)
博士论文
[1]地震电离层前兆短期预报研究[D]. 王若鹏.武汉大学 2012
硕士论文
[1]基于神经网络的短期地震预测模型及其应用[D]. 付杰.东南大学 2016
本文编号：3253371
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3253371.html
