地震災害嚴重威脅人民財產生活安全,災害預警能力的提高可以避免地震帶來巨大的損失,使人民得以安定生活。世界各國地震災害頻發(fā),1980年開始我國統(tǒng)計了200份以上的地震災害調研報告,其中地震烈度五級以上的地區(qū)就超過了3/4,覆蓋我國大部分陸上領土。發(fā)生自然災害會重創(chuàng)我國經濟,08年我國的汶川地震所造成的經濟損失就超過了兩千億。我國位于多板塊的交界地帶,由于板塊活動的劇烈造成我國西南,臨海地帶地震災害時有發(fā)生,僅21世紀以來就發(fā)生了多次較為嚴重的大地震,地震災害發(fā)生的突發(fā)性與未知性還會造成人員巨大傷亡。地震造成的災害嚴重,地震預警工作尤為重要,本文重點研究了地震中的異常信息的提取,而地震前兆數據與地震聯(lián)系緊密,其數據種類多樣,來源廣,可分析性強,出現(xiàn)異常的前兆數據正是判斷地震災害發(fā)生的重要依據,采集前兆數據的設備可以實現(xiàn)定時采集與間隔采集,前兆數據處在不斷的更新和變動過程中,所以有必要實現(xiàn)對前兆數據的監(jiān)測,找到合適的異常數據檢測算法。本文完成了異常監(jiān)測算法研究與地震前兆數據分析,具體的貢獻有:（1）完成了數據預處理。使用聚類算法標簽化處理地震前兆數據,傳統(tǒng)的數據預處理過程只有歸一化操作,而地... 

【文章來源】：安徽大學安徽省 211工程院校

【文章頁數】：82 頁

【學位級別】：碩士

【部分圖文】：

RZB系列電容式鉆孔應變測量系統(tǒng)

第二章相關理論與技術10第二章相關理論與技術2.1引言本文提出的T-IZAPSO-SVM算法首先使用聚類算法改進了前兆數據的預處理過程，然后完成了傳統(tǒng)PSO算法的改進，最后使用改進后的PSO算法優(yōu)選SVM參數，從而實現(xiàn)SVM提取前兆異常數據，下面是對相關算法的具體介紹。2.2聚類算法2.2.1常用的聚類算法聚類分析通過將不同數據劃分為到不同的數據簇中實現(xiàn)數據分類，也可以檢測異常數據。作為無監(jiān)督的代表方法，分為以距離為劃分標準和以密度為劃分標準兩類，下面介紹幾種常用的聚類方法的聚類過程[58,59,60]：以距離為劃分標準的聚類算法的聚類過程：（1）隨機選取k個起始點作為聚類中心。（2）通過計算數據距離將數據分配到較近的聚類中心。（3）在計算的過程中，聚類中心存在移動的現(xiàn)象。（4）初始化過程中設定好迭代次數，重復2,3操作直至聚類中心不再移動。層次聚類根據計算數據點相似度進行分類，其主要流程為:（1）將每個獨立的數據點看作一類，計算點與點之間的距離。（2）距離最小的點歸為一類（3）以類為單位計算其與周邊類的距離（4）重復2,3步驟，盡可能多的合并相似類。DBSCAN聚類算法是基于密度的分類方法。要設定參數：給定點在鄰域內為搜索中心的最小鄰域點數：Minpts,鄰域半徑：Eps。圖2.1DBSCAN數據點運動與聚類過程Figure2.1DBSCANdatapointmovementandclusteringprocess

第二章相關理論與技術142.4SVM算法2.4.1SVM異常檢測概念SVM被廣泛使用于異常檢測領域，其基本思想是將輸入向量映射到高緯空間，在空間中構造最優(yōu)分類平面。通過將多維空間樣本投影到一維直線Y上，使得同類樣本聚集在直線周圍，而不同類數據遠離該直線如圖2.2。被投影的樣本具有多個特征值，向量取特征值的均值，當樣本按照0，1分類被分為0，1時，對應的協(xié)方差矩陣為∑，0∑，1從而計算出樣本的投影方差為∑0，∑1，從而獲得Fisher判別準則公式(2.5)，而該公式的評價標準即要求r盡可能的大，即異常點遠離直線，同類值在直線周圍浮動。=||01||∑0+∑1(2.5)圖2.2多維樣本投影到一維直線的過程Figure2.2Multidimensionalsamplesareprojectedontoaone-dimensionalline2.4.2線性與非線性處理SVM可以同時處理線性可分與線性不可分兩類數據，對于線性可分數據需要構建線性分類任務，受到前人的理論啟發(fā)，1995年vapnik等人通過給定二維數據集={(1,1),(1,1),……(,)},為描述方便定義∈{1,1}，通過在空間中尋找一個超平面=+，將數據分為兩類樣本，根據的取值范圍可知=0時超平面分類抗

【參考文獻】：
期刊論文
[1]基于PCA-PSO-SVM的地震死亡人數預測模型研究[J]. 劉立申,王晨暉,王利兵,陳凱男,吳鶴帥.  地震地磁觀測與研究. 2019(05)
[2]基于粒子群優(yōu)化和保幅成像條件的廣義屏偏移[J]. 何潤,楊午陽,王恩利,魏新建,謝春輝,閆國亮.  石油地球物理勘探. 2019(04)
[3]RBF神經網絡在天山地震帶地震預報中的應用[J]. 劉萍,曲延軍,向元.  內陸地震. 2019(02)
[4]地磁、地電臺網記錄傅里葉頻譜分析[J]. 周劍青,郭建芳,王利兵,佟鑫,張海博,于春頌.  地震地磁觀測與研究. 2019(02)
[5]地震預警中P波位移峰值曲線特性研究[J]. 王江,馬強,陶冬旺.  自然災害學報. 2019(02)
[6]基于LM-BP神經網絡的鋼筋混凝土框架結構震害快速預測模型[J]. 張令心,戴靜涵,沈俊凱,高華國.  自然災害學報. 2019(02)
[7]地震資源勘探的無線數據傳輸[J]. 姚晨,周嚴.  電子測量技術. 2019(06)
[8]全球陸上節(jié)點地震數據采集設備現(xiàn)狀與市場需求分析[J]. 施繼承,史子樂,黃艷林,李靜,馮永江.  物探裝備. 2019(01)
[9]高土石壩地震反應時域分析中阻尼矩陣數值建模問題的討論[J]. 樓夢麟,殷琳,邵新剛.  地震工程與工程振動. 2018(06)
[10]地震臺站監(jiān)測設備管理系統(tǒng)設計[J]. 姜博,張美華,李昆,胡寶慧,鄒志超.  地震地磁觀測與研究. 2018(04)

博士論文
[1]金沙江上游茂頂河段滑坡成因機制及敏感性研究[D]. 周鑫.吉林大學 2019
[2]基于智能計算與GIS的中小科技企業(yè)發(fā)展環(huán)境評價及其時空規(guī)律研究[D]. 李婕.華中科技大學 2018
[3]粒子群算法的改進及其在無人機任務規(guī)劃中的應用[D]. 唐必偉.西北工業(yè)大學 2017

碩士論文
[1]旋風分離器的性能建模及多目標粒子群優(yōu)化[D]. 張林林.太原理工大學 2019
[2]基于Tensor Voting的CT影像導絲檢測[D]. 邱康.貴州大學 2019
[3]基于卷積神經網絡的地震數據去噪研究[D]. 顧航.東北石油大學 2019
[4]面向服務設計的Web服務組合系統(tǒng)中調度執(zhí)行機制的研究與實現(xiàn)[D]. 李為存.東北大學 2005



本文編號：3351096