本文關(guān)鍵詞：震前異常挖掘算法研究

  更多相關(guān)文章： 遙感 數(shù)據(jù)挖掘 地震預測 時間序列 主旨模式 頻繁項集

【摘要】：地震作為一種自然災害給人類造成了巨大的損失,衛(wèi)星遙感技術(shù)作為一種新型的對地觀測技術(shù)被應用于地震科學的各個領(lǐng)域中。衛(wèi)星遙感數(shù)據(jù)維度高,數(shù)據(jù)量大,傳統(tǒng)人工分析手段已無法應對,數(shù)據(jù)挖掘方法具有強大的分析處理問題的能力。本文在這種背景下,將數(shù)據(jù)挖掘方法引入地震預測中,以2005~2014年全球AIRS遙感數(shù)據(jù)為分析對象,分別提出基于頻繁項集、時間序列和主旨模式的震前異常挖掘算法�；陬l繁項集的震前異常挖掘算法從屬性維度處理遙感數(shù)據(jù),針對AIRS傳感器18維參量數(shù)據(jù)進行去背景和分段處理,在有效剔除地區(qū)、季節(jié)性因素的干擾同時也使得數(shù)據(jù)適用于項集挖掘;在處理挖掘得到的頻繁項集時,使用地震支持度減去非震支持度,有效的去除了非震因素的干擾。實驗表明基于頻繁項集的震前異常挖掘算法可較好用于地震預測,并且隨著地震的臨近,震前異常范圍不斷變大。當前兆區(qū)域為2°,前兆時間為30天,分段數(shù)為5時,預測效果最佳,預報率81.8%,誤報率5.6%,此時地震前兆異常主要和TropTemp_D、TropHeight_D、Surf Pres_Forecast_D、H2O_MMR_Surf_D、TropPres_D、Surf Air Temp_D和Clr Olr_D這七個參量數(shù)相關(guān)�；跁r間序列的震前異常挖掘算法從時間序列角度分析遙感數(shù)據(jù),將異常模式挖掘算法與頻繁序列匹配算法融入到震前預測中,該方法不同于以往的預測建模,而是從一個全新的角度來發(fā)現(xiàn)震前遙感數(shù)據(jù)異常規(guī)律。首先通過對衛(wèi)星遙感進行數(shù)據(jù)插值,歸一化處理和數(shù)據(jù)分段,然后利用PrefixSpan算法分別挖掘出頻繁序列模式,計算出地震序列模式的差集,然后利用SeqMatching匹配算法匹配測試序列,并通過反饋不斷完善異常序列模式。最后通過地震預報率、漏報率以及對非震的誤報率,檢驗方法的有效性。經(jīng)過36次試驗,在確定了數(shù)據(jù)參量、前兆時間、區(qū)域大小、支持度和數(shù)據(jù)分段個數(shù)等參數(shù)的基礎上,發(fā)現(xiàn)CO含量參量的預測效果比較滿意。實驗表明基于時間序列的震前異常挖掘方法可以找出以往地震歷史規(guī)律中蘊含的有效異常模式,通過模式匹配,較好地實現(xiàn)震前異常預測。基于主旨模式的震前異常挖掘算法從衛(wèi)星的角度觀察實驗數(shù)據(jù),將其轉(zhuǎn)化為一系列以時間為單位的空間序列,針對空間序列相似性度量問題,提出一種基于空間距離懲罰度量算法CDTW。在主旨模式挖掘的過程中,基于K-Means的思想,提出一種基于全局平均主旨模式挖掘算法。實驗表明CDTW將空間距離作為懲罰因子引入動態(tài)彎曲度量DTW中,避免最小距離計算過程中過度彎曲的問題;基于CDTW的全局平均主旨模式算法對AIRS的6個參數(shù)的挖掘結(jié)果可以反映出遙感數(shù)據(jù)空間序列的主旨特征,經(jīng)過初步實驗,該方案亦具有一定的可行性。
【關(guān)鍵詞】：遙感 數(shù)據(jù)挖掘 地震預測 時間序列 主旨模式 頻繁項集
【學位授予單位】：南京航空航天大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：P315.7;TP311.13
【目錄】：

• 摘要4-5
• Abstract5-12
• 第一章 緒論12-20
• 1.1 研究背景及意義12-13
• 1.2 遙感技術(shù)應用研究現(xiàn)狀13
• 1.3 數(shù)據(jù)挖掘在地震預測領(lǐng)域的研究現(xiàn)狀13-15
• 1.4 實驗遙感衛(wèi)星簡介15-18
• 1.5 本文研究內(nèi)容及組織結(jié)構(gòu)18-20
• 第二章 遙感數(shù)據(jù)頻繁項集挖掘算法研究20-40
• 2.1 概念與定義20-21
• 2.2 基于頻繁項集的震前遙感異常挖掘方法21-30
• 2.2.1 基本原理與框架21
• 2.2.2 數(shù)據(jù)預處理21-24
• 2.2.3 基于頻繁項集的震前特征提取算法24-27
• 2.2.4 地震異常頻繁項集匹配27-30
• 2.3 實驗方案與結(jié)果分析30-38
• 2.3.1 前兆區(qū)域?qū)Ρ确治?/span>31-34
• 2.3.2 前兆時間對比分析34-36
• 2.3.3 分段對比分析36-37
• 2.3.4 參量使用分析37-38
• 2.4 本章小結(jié)38-40
• 第三章 遙感數(shù)據(jù)時間序列挖掘算法研究40-55
• 3.1 概念與定義40-41
• 3.2 相關(guān)技術(shù)41-44
• 3.2.1 序列模式挖掘算法41-43
• 3.2.2 最長公共子序列43-44
• 3.3 基于序列模式的震前異常挖掘方法44-48
• 3.3.1 基本原理與框架44-45
• 3.3.2 數(shù)據(jù)預處理45
• 3.3.3 基于PrefixSpan的時序異常挖掘算法45-46
• 3.3.4 地震異常時序匹配46-48
• 3.4 實驗方案及結(jié)果分析48-54
• 3.4.1 參數(shù)選取50
• 3.4.2 結(jié)果分析50-51
• 3.4.3 時間序列與頻繁項集對比51-54
• 3.5 本章小結(jié)54-55
• 第四章 遙感數(shù)據(jù)主旨模式挖掘算法研究55-70
• 4.1 概念與定義55
• 4.2 相關(guān)技術(shù)55-58
• 4.2.1 灰關(guān)聯(lián)分析55-56
• 4.2.2 相似性度量方法56-57
• 4.2.3 主旨模式計算57-58
• 4.3 基于主旨模式的震前異常挖掘方法58-64
• 4.3.1 基本原理與框架58
• 4.3.2 數(shù)據(jù)預處理58-59
• 4.3.3 基于主旨模式的震前異常挖掘算法59-64
• 4.4 實驗方案與結(jié)果分析64-69
• 4.4.1 CDTW與DTW對比分析64-65
• 4.4.2 主旨模式挖掘結(jié)果65-69
• 4.5 本章小結(jié)69-70
• 第五章 總結(jié)與展望70-72
• 5.1 本文總結(jié)70-71
• 5.2 展望71-72
• 參考文獻72-76
• 致謝76-77
• 在學期間的研究成果及發(fā)表的學術(shù)論文77

，

本文編號：613109