Классификация сейсмических регионов на основе машинного обучения
Machine Learning Based Seismic Region Classification
2020-07-01
SCID: 54.1/yt6kfcd8
Discuss with AI
сети LSTMансамблевые методымашинное обучениеклассификация сейсмических регионовсейсмические сигналы
Figures from the paper
Abstract (AI)
Необходимость обработки огромных объемов сейсмических сигналов становится все более распространенной в академической и промышленной среде. Исследователи ищут способы повышения эффективности и оптимизации обработки этих больших массивов данных для удовлетворения повседневных потребностей геофизиков. Одной из таких задач является классификация различных сейсмических регионов, зарегистрированных одним и тем же сейсмографом; ручная обработка данных для этого может занимать до нескольких месяцев. В настоящей работе предлагается использовать методы машинного обучения для классификации сейсмических регионов с целью получения точных результатов при повышенных производительности и скорости. В качестве базовых классификаторов для тестирования использовались алгоритмы k-ближайших соседей (K-NN), многослойного перцептрона (MLP), наивного байесовского классификатора и дерева решений; кроме того, они объединялись в ансамблевые методы. Также применялись методы глубокого обучения, а именно обычная рекуррентная нейронная сеть (RNN) и ее разновидность — сеть с долгой краткосрочной памятью (LSTM). Наилучшие результаты были получены при использовании гетерогенных классификаторов: точность достигала 98,52%. Результаты показывают, что эффективную систему классификации сейсмических регионов можно построить даже при наличии небольшого объема уже классифицированных данных для конкретной конфигурации сейсмографа.
Key Findings
1
Наилучшие результаты показали ансамбли гетерогенных классификаторов, достигнув точности до 98,52%.
2
По отдельности и в ансамблях оценивались классификаторы K-NN, MLP, наивный Байес и дерево решений, а также глубокие модели RNN и LSTM.
3
Машинное обучение применялось для классификации различных сейсмических регионов, зарегистрированных одним сейсмографом, что позволяет заменить обработку, занимающую месяцы вручную.
4
Результаты показывают, что эффективная классификация сейсмических регионов возможна даже при наличии небольшого объёма размеченных данных для конкретной настройки сейсмографа.
Research Object
Сейсмические сигналы и регионы, зарегистрированные одним и тем же сейсмографом
Research Subject
Точная, эффективная и быстрая классификация различных сейсмических регионов с использованием классификаторов машинного и глубокого обучения, в том числе при ограниченном объёме размеченных данных
Publication Details
Publication Date
2020-07-01
Journal
Publisher
ISSN
Access Type
Author Information
Download PDF
Subscribe to digest