地震前兆数据分析与异常监测研究及实现
发布时间：2021-08-19 08:46
地震灾害严重威胁人民财产生活安全,灾害预警能力的提高可以避免地震带来巨大的损失,使人民得以安定生活。世界各国地震灾害频发,1980年开始我国统计了200份以上的地震灾害调研报告,其中地震烈度五级以上的地区就超过了3/4,覆盖我国大部分陆上领土。发生自然灾害会重创我国经济,08年我国的汶川地震所造成的经济损失就超过了两千亿。我国位于多板块的交界地带,由于板块活动的剧烈造成我国西南,临海地带地震灾害时有发生,仅21世纪以来就发生了多次较为严重的大地震,地震灾害发生的突发性与未知性还会造成人员巨大伤亡。地震造成的灾害严重,地震预警工作尤为重要,本文重点研究了地震中的异常信息的提取,而地震前兆数据与地震联系紧密,其数据种类多样,来源广,可分析性强,出现异常的前兆数据正是判断地震灾害发生的重要依据,采集前兆数据的设备可以实现定时采集与间隔采集,前兆数据处在不断的更新和变动过程中,所以有必要实现对前兆数据的监测,找到合适的异常数据检测算法。本文完成了异常监测算法研究与地震前兆数据分析,具体的贡献有:（1）完成了数据预处理。使用聚类算法标签化处理地震前兆数据,传统的数据预处理过程只有归一化操作,而地...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
RZB系列电容式钻孔应变测量系统
第二章相关理论与技术10第二章相关理论与技术2.1引言本文提出的T-IZAPSO-SVM算法首先使用聚类算法改进了前兆数据的预处理过程，然后完成了传统PSO算法的改进，最后使用改进后的PSO算法优选SVM参数，从而实现SVM提取前兆异常数据，下面是对相关算法的具体介绍。2.2聚类算法2.2.1常用的聚类算法聚类分析通过将不同数据划分为到不同的数据簇中实现数据分类，也可以检测异常数据。作为无监督的代表方法，分为以距离为划分标准和以密度为划分标准两类，下面介绍几种常用的聚类方法的聚类过程[58,59,60]：以距离为划分标准的聚类算法的聚类过程：（1）随机选取k个起始点作为聚类中心。（2）通过计算数据距离将数据分配到较近的聚类中心。（3）在计算的过程中，聚类中心存在移动的现象。（4）初始化过程中设定好迭代次数，重复2,3操作直至聚类中心不再移动。层次聚类根据计算数据点相似度进行分类，其主要流程为:（1）将每个独立的数据点看作一类，计算点与点之间的距离。（2）距离最小的点归为一类（3）以类为单位计算其与周边类的距离（4）重复2,3步骤，尽可能多的合并相似类。DBSCAN聚类算法是基于密度的分类方法。要设定参数：给定点在邻域内为搜索中心的最小邻域点数：Minpts,邻域半径：Eps。图2.1DBSCAN数据点运动与聚类过程Figure2.1DBSCANdatapointmovementandclusteringprocess
第二章相关理论与技术142.4SVM算法2.4.1SVM异常检测概念SVM被广泛使用于异常检测领域，其基本思想是将输入向量映射到高纬空间，在空间中构造最优分类平面。通过将多维空间样本投影到一维直线Y上，使得同类样本聚集在直线周围，而不同类数据远离该直线如图2.2。被投影的样本具有多个特征值，向量取特征值的均值，当样本按照0，1分类被分为0，1时，对应的协方差矩阵为∑，0∑，1从而计算出样本的投影方差为∑0，∑1，从而获得Fisher判别准则公式(2.5)，而该公式的评价标准即要求r尽可能的大，即异常点远离直线，同类值在直线周围浮动。=||01||∑0+∑1(2.5)图2.2多维样本投影到一维直线的过程Figure2.2Multidimensionalsamplesareprojectedontoaone-dimensionalline2.4.2线性与非线性处理SVM可以同时处理线性可分与线性不可分两类数据，对于线性可分数据需要构建线性分类任务，受到前人的理论启发，1995年vapnik等人通过给定二维数据集={(1,1),(1,1),……(,)},为描述方便定义∈{1,1}，通过在空间中寻找一个超平面=+，将数据分为两类样本，根据的取值范围可知=0时超平面分类抗
【参考文献】：
期刊论文
[1]基于PCA-PSO-SVM的地震死亡人数预测模型研究[J]. 刘立申,王晨晖,王利兵,陈凯男,吴鹤帅. 地震地磁观测与研究. 2019(05)
[2]基于粒子群优化和保幅成像条件的广义屏偏移[J]. 何润,杨午阳,王恩利,魏新建,谢春辉,闫国亮. 石油地球物理勘探. 2019(04)
[3]RBF神经网络在天山地震带地震预报中的应用[J]. 刘萍,曲延军,向元. 内陆地震. 2019(02)
[4]地磁、地电台网记录傅里叶频谱分析[J]. 周剑青,郭建芳,王利兵,佟鑫,张海博,于春颂. 地震地磁观测与研究. 2019(02)
[5]地震预警中P波位移峰值曲线特性研究[J]. 王江,马强,陶冬旺. 自然灾害学报. 2019(02)
[6]基于LM-BP神经网络的钢筋混凝土框架结构震害快速预测模型[J]. 张令心,戴静涵,沈俊凯,高华国. 自然灾害学报. 2019(02)
[7]地震资源勘探的无线数据传输[J]. 姚晨,周严. 电子测量技术. 2019(06)
[8]全球陆上节点地震数据采集设备现状与市场需求分析[J]. 施继承,史子乐,黄艳林,李静,冯永江. 物探装备. 2019(01)
[9]高土石坝地震反应时域分析中阻尼矩阵数值建模问题的讨论[J]. 楼梦麟,殷琳,邵新刚. 地震工程与工程振动. 2018(06)
[10]地震台站监测设备管理系统设计[J]. 姜博,张美华,李昆,胡宝慧,邹志超. 地震地磁观测与研究. 2018(04)
博士论文
[1]金沙江上游茂顶河段滑坡成因机制及敏感性研究[D]. 周鑫.吉林大学 2019
[2]基于智能计算与GIS的中小科技企业发展环境评价及其时空规律研究[D]. 李婕.华中科技大学 2018
[3]粒子群算法的改进及其在无人机任务规划中的应用[D]. 唐必伟.西北工业大学 2017
硕士论文
[1]旋风分离器的性能建模及多目标粒子群优化[D]. 张林林.太原理工大学 2019
[2]基于Tensor Voting的CT影像导丝检测[D]. 邱康.贵州大学 2019
[3]基于卷积神经网络的地震数据去噪研究[D]. 顾航.东北石油大学 2019
[4]面向服务设计的Web服务组合系统中调度执行机制的研究与实现[D]. 李为存.东北大学 2005
本文编号：3351096
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
RZB系列电容式钻孔应变测量系统
第二章相关理论与技术10第二章相关理论与技术2.1引言本文提出的T-IZAPSO-SVM算法首先使用聚类算法改进了前兆数据的预处理过程，然后完成了传统PSO算法的改进，最后使用改进后的PSO算法优选SVM参数，从而实现SVM提取前兆异常数据，下面是对相关算法的具体介绍。2.2聚类算法2.2.1常用的聚类算法聚类分析通过将不同数据划分为到不同的数据簇中实现数据分类，也可以检测异常数据。作为无监督的代表方法，分为以距离为划分标准和以密度为划分标准两类，下面介绍几种常用的聚类方法的聚类过程[58,59,60]：以距离为划分标准的聚类算法的聚类过程：（1）随机选取k个起始点作为聚类中心。（2）通过计算数据距离将数据分配到较近的聚类中心。（3）在计算的过程中，聚类中心存在移动的现象。（4）初始化过程中设定好迭代次数，重复2,3操作直至聚类中心不再移动。层次聚类根据计算数据点相似度进行分类，其主要流程为:（1）将每个独立的数据点看作一类，计算点与点之间的距离。（2）距离最小的点归为一类（3）以类为单位计算其与周边类的距离（4）重复2,3步骤，尽可能多的合并相似类。DBSCAN聚类算法是基于密度的分类方法。要设定参数：给定点在邻域内为搜索中心的最小邻域点数：Minpts,邻域半径：Eps。图2.1DBSCAN数据点运动与聚类过程Figure2.1DBSCANdatapointmovementandclusteringprocess
第二章相关理论与技术142.4SVM算法2.4.1SVM异常检测概念SVM被广泛使用于异常检测领域，其基本思想是将输入向量映射到高纬空间，在空间中构造最优分类平面。通过将多维空间样本投影到一维直线Y上，使得同类样本聚集在直线周围，而不同类数据远离该直线如图2.2。被投影的样本具有多个特征值，向量取特征值的均值，当样本按照0，1分类被分为0，1时，对应的协方差矩阵为∑，0∑，1从而计算出样本的投影方差为∑0，∑1，从而获得Fisher判别准则公式(2.5)，而该公式的评价标准即要求r尽可能的大，即异常点远离直线，同类值在直线周围浮动。=||01||∑0+∑1(2.5)图2.2多维样本投影到一维直线的过程Figure2.2Multidimensionalsamplesareprojectedontoaone-dimensionalline2.4.2线性与非线性处理SVM可以同时处理线性可分与线性不可分两类数据，对于线性可分数据需要构建线性分类任务，受到前人的理论启发，1995年vapnik等人通过给定二维数据集={(1,1),(1,1),……(,)},为描述方便定义∈{1,1}，通过在空间中寻找一个超平面=+，将数据分为两类样本，根据的取值范围可知=0时超平面分类抗
【参考文献】：
期刊论文
[1]基于PCA-PSO-SVM的地震死亡人数预测模型研究[J]. 刘立申,王晨晖,王利兵,陈凯男,吴鹤帅. 地震地磁观测与研究. 2019(05)
[2]基于粒子群优化和保幅成像条件的广义屏偏移[J]. 何润,杨午阳,王恩利,魏新建,谢春辉,闫国亮. 石油地球物理勘探. 2019(04)
[3]RBF神经网络在天山地震带地震预报中的应用[J]. 刘萍,曲延军,向元. 内陆地震. 2019(02)
[4]地磁、地电台网记录傅里叶频谱分析[J]. 周剑青,郭建芳,王利兵,佟鑫,张海博,于春颂. 地震地磁观测与研究. 2019(02)
[5]地震预警中P波位移峰值曲线特性研究[J]. 王江,马强,陶冬旺. 自然灾害学报. 2019(02)
[6]基于LM-BP神经网络的钢筋混凝土框架结构震害快速预测模型[J]. 张令心,戴静涵,沈俊凯,高华国. 自然灾害学报. 2019(02)
[7]地震资源勘探的无线数据传输[J]. 姚晨,周严. 电子测量技术. 2019(06)
[8]全球陆上节点地震数据采集设备现状与市场需求分析[J]. 施继承,史子乐,黄艳林,李静,冯永江. 物探装备. 2019(01)
[9]高土石坝地震反应时域分析中阻尼矩阵数值建模问题的讨论[J]. 楼梦麟,殷琳,邵新刚. 地震工程与工程振动. 2018(06)
[10]地震台站监测设备管理系统设计[J]. 姜博,张美华,李昆,胡宝慧,邹志超. 地震地磁观测与研究. 2018(04)
博士论文
[1]金沙江上游茂顶河段滑坡成因机制及敏感性研究[D]. 周鑫.吉林大学 2019
[2]基于智能计算与GIS的中小科技企业发展环境评价及其时空规律研究[D]. 李婕.华中科技大学 2018
[3]粒子群算法的改进及其在无人机任务规划中的应用[D]. 唐必伟.西北工业大学 2017
硕士论文
[1]旋风分离器的性能建模及多目标粒子群优化[D]. 张林林.太原理工大学 2019
[2]基于Tensor Voting的CT影像导丝检测[D]. 邱康.贵州大学 2019
[3]基于卷积神经网络的地震数据去噪研究[D]. 顾航.东北石油大学 2019
[4]面向服务设计的Web服务组合系统中调度执行机制的研究与实现[D]. 李为存.东北大学 2005
本文编号：3351096
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3351096.html
