地震マルチ

Aug 06, 2023

Scientific Reports volume 12、記事番号: 21200 (2022) この記事を引用

1378 アクセス

2 引用

4 オルトメトリック

メトリクスの詳細

地震は社会に大きな影響を与える自然災害の一つです。現在、地震検知に関する多くの研究が行われている。しかし、センサーが検知した振動は地震による振動だけではなく、他の振動も含まれていました。そこで本研究では、機械学習アルゴリズムを用いて地震と非地震を区別できる地震多分類検知と、加速度地震波を利用した破壊行為検知を提案した。さらに、加速度の積分積としての速度と変位は、機械学習アルゴリズムのパフォーマンスを向上させるための追加機能と考えられています。サポートベクターマシン (SVM)、ランダムフォレスト (RF)、デシジョンツリー (DT)、人工ニューラルネットワーク (ANN) などのいくつかの機械学習アルゴリズムが、地震の多分類検出に最適なアルゴリズムを開発するために使用されてきました。この研究の結果は、ANN アルゴリズムが地震と非地震、および破壊行為の振動を区別するのに最適なアルゴリズムであることを示しています。さらに、さまざまな入力機能に対する耐性も向上しています。さらに、速度と変位を追加機能として使用すると、すべてのモデルのパフォーマンスが向上することが証明されています。

インドネシアは、ユーラシアプレート、インド・オーストラリアプレート、太平洋プレートという 3 つの主要なプレートの合流点の間に位置しています1。気象・気候・地球物理庁 (BMKG) の記録によると、2008 年から 2018 年の間に約 5000 ～ 6000 回の地震が発生しました。そして 2019 年には 15 件の破壊的な地震が発生しました2。加速度センサーを用いた地震検知は複数の研究者によって行われており3,4,5,6、センサーが検知する振動は地震による振動だけでなく、床に落ちた重量物による振動や、大型車両の通過、爆発、または誰かが箱を壊そうとしたとき。地震波と地震音は類似しているため、緊急地震速報システムが誤って作動し、誤警報を引き起こすことがあります。したがって、検出エラーを回避するには、地震と地震ノイズを分類する必要があります7,8。

数人の研究者は、地震分野での機械学習の使用に関する研究も行っています。ニシタ・ナーヴェカール9 氏によると、地震観測所で記録された地震信号にはノイズが混ざっていることがよくあります。したがって、データが機械学習アルゴリズムに供給される前に、フィルター技術を使用してノイズを除去する必要があります。さらに、地震学の世界で広く使用されている手法の 1 つである高速フーリエ変換 (FFT) を地震信号に適用すると、計算時間を短縮できます 10,11。機械学習アルゴリズムと組み合わせると、最良の結果が得られることが証明されています。さらに、地震の振動と騒音を区別するためのSVM、DT、RFアルゴリズムの比較実験では、この研究に基づいてRFアルゴリズムの方が優れたパフォーマンスを発揮することが示されました。

一部の研究者12は、局地的な地震とその他の可能性のある振動を分類できるANNとSVMを使用して地震観測所に実装できる地震検出システムを提案しました。データはポルトガルの PVAQ ステーションから収集されました。データは、トレーニングデータの 60%、テストデータの 20%、検証データの 20% に分散されます。モデルのパフォーマンスは、ANN が 95% を超える値を取得できたのに対し、SVM はほぼ完璧な分類を取得できることを示しています。

別の研究 13 では、信号に関する 2 つの分類問題を解決するために DT が使用されています。目的は、期待される動作に適合しないデータのパターンを見つけるための信号時相論理 (STL) を学習することです (異常検出)。この結果は、DT が優れたパフォーマンスを提供し、特定のアプリケーションドメイン上で解釈できることを示しています。別のケース 14 では、DT はタービンの振動信号を評価することによって風力タービンのブレードの状態を分類するために適用されます。 600 個のデータサンプルがあり、そのうち 100 個のサンプルは良好な状態のブレードからのものです。この問題に使用される DT 分類器は、この問題の診断に非常に効果的であることが証明されています。これらの研究に基づいて、DT アルゴリズムが信号と振動の分類に適していることが示されています。

Saman Yaghmaei-Sabegh15 によれば、地震動の特性は不確実なものです。彼の研究では、6 つの異なるスカラー周波数コンテンツ指標を利用する 2 つの強力な教師なしクラスタリング手法として、K 平均法クラスタリングと自己組織化マップ (SOM) ネットワークを使用して地震動を分類することを提案しました。この研究では 2 つの合成された実際のデータセットが使用されています。結果は、T0 (平滑化されたスペクトル支配期間) パラメーターがすべてのスカラーインジケーターの中で最高のパフォーマンスを示したことを示しています。さらに、K 平均法クラスタリングは、パターン認識および分類手順において SOM よりも優れたパフォーマンスを実現しました。

さまざまなタイプの機械学習アルゴリズムが複数の研究者によって使用されていますが、最近では、幅広い工学分野のさまざまな研究でさまざまな機械学習モデルが導入されています。彼らの調査結果に基づくと、最も信頼できるモデルは、サポートベクターマシン (SVM)、ランダムフォレスト (RF)、デシジョンツリー (DT)、および人工ニューラルネットワーク (ANN) です。そこで本研究では、これらのモデルの地震検知の信頼性を調査する。これらのモデルは、地震の多分類検出に最適なアルゴリズムを見つけるための比較として使用されます。使用される加速度データセットは、ESM (エンジニアリング強震) データベースから取得した 3 つの異なる観測点で記録されたインドネシア地域、特にジャワ島の地震イベントに基づいています16。加速度計だけでは地面の揺れパターンを検出することはできません7。したがって、この問題を克服するために、この研究では、加速度データセットを統合して、追加の機能として速度と変位を取得し、各アルゴリズムのパフォーマンスを向上させることを提案しました。したがって、より正確に地震検知を行うことができる。この研究で機械学習のパフォーマンスを分析するために使用される分析手法は、精度、精度、再現率、および F1 です。

この研究の対象地域はインドネシアで、ジャワ島に焦点を当てています。ジャワ島はインドネシアで 4 番目に大きな島で、人口密度が最も高いと考えられています。これは、ユーラシアプレートとインドオーストラリアプレートの間の複雑な収束帯の一部です。そのため、ジャワ地域では多くの地震活動や火山活動が発生しました。 2006 年から 2020 年にかけて、火山が点在するジャワ島では地震やその他の地盤災害により約 7,000 人が死亡し、さらに 180 万人が負傷、避難、または家を失った17,18。

図 1 に示すように、地震波加速度データは、ジャワ島にある 3 つの異なる観測点、つまり CISI、SMRI、UGM の ESM データベースから収集されました。

駅の位置を含むジャワ島の地図。 (a)。 CISI、(b)。 SMRI、(c)。 UGM [画像]

これらの観測点は、過去 2006 年から 2009 年にジャワ島周辺で発生した地震イベントを記録します。 CISI からの 33 件の記録、SMRI からの 8 件の記録、UGM からの 17 件の記録があり、合計 58 件の地震イベントが発生し、これらの観測点によってジャワ島周辺で記録されました。これらのレコードには、図 2 に示すように、HLE、HLN、HLZ の 3 つの異なるチャネルが含まれており、各チャネルの加速度地震波情報が含まれています。加速度地震波を統合して、特徴量として使用できる速度と変位地震波を取得します。モデルのパフォーマンスを向上させます。加速度、速度、変位の関係は、次の数式 19 を使用して説明できます。

加速度：

速度：

変位:

ここで、\({v}_{0}\) は速度の初期値、\({r}_{0}\) は \(t=t-{t}_{0} の場合の初期位置) です。 \)。加速地震波の積分結果を図3に示します。

1 イベントの各チャネルの未処理データセット。

統合結果。

ESM データベースからのデータは、詳細なイベント情報とそのイベントの加速度地震波データを含む ASCII ファイルの形式です。すべてのデータは FFT プロセスを経て地震波の周波数領域を取得し、その周波数はフィルター = 2、最小周波数 = 0.1 Hz、最大周波数 = の次数を持つバターワースバンドパスフィルターを使用したフィルタープロセスに使用されます。 30Hzでノイズを軽減します。図 4 は、図 2 のデータフィルタリングプロセスの結果を示しています。

1 イベントの各チャネルの処理されたデータセット。

フィルタリング処理の後、データサンプリング処理が行われます。データサンプリングでは、加速度地震波データを地震データと非地震データに分割します。地震データと非地震データには、それぞれ 1 つの地震イベントについて 200 データが含まれています (サンプリング周波数 = 0.005 秒なので 1 秒に相当)。地震データのサンプルは P 波の始まりから取得され、非地震データはデータサンプルは、波の始まりから P 波の到着まで取得されます。合計 58 の地震イベントがあるため、各地震データセットと非地震データセットには 3 つの列 (HLE、HLZ、および HLZ) があり、各列に 11,600 行のデータが含まれます [11600, 3]。次に、結果の式を使用して 3 つの列が 1 [11600, 1] にマージされ、振幅加速度のみが特徴として使用されます。地震と非地震の両方について、全体の地震イベントから得られた振幅の結果を図 5 に示します。その後、ラベル情報がデータセットに追加されます。0 は非地震データを表し、1 は地震データを表します。

結果としての結果。

破壊行為の振動については、加速度計センサーによって 2 つの破壊行為データセットが記録されました。どちらの破壊行為データセットも、地震データセットと非地震データセットと同様に扱われます。最初の破壊行為データセットには 11,600 個のデータが含まれており、センサーがテーブルの上にあるときにテーブルを揺することによって取得されたデータが 2 つとラベル付けされています (架空の地震)。他のデータセットには、大型車両が通過するときにセンサーによって取得された 3 というラベルが付いた 750 個のデータが含まれています。 4 つのデータセットがあり、合計データ量は 35,550 です。各データセットの統計分析を表 1 に示します。最後に、積分公式をすべての振幅加速度データセットに適用して、追加の特徴として使用できる速度と変位の振幅を取得します。

この研究で使用される教師あり機械学習アルゴリズムには、サポートベクターマシン (SVM)、ランダムフォレスト (RF)、デシジョンツリー (DT)、および人工ニューラルネットワーク (ANN) があります。 SVM は、複雑なデータセットからパターンを見つけるために使用できる教師あり学習アルゴリズムです。 SVM は非常に強力で多様な機械学習モデルであり、線形、非線形、回帰、分類、および外れ値の検出を実行できます。 1995 年に Vapnik と Cortes によって SVM 理論が導入されたとき、SVM は 2 つのグループ分類 (二値分類) 用に設計されました。 SVM の背後にある考え方は、以前はトレーニングデータをエラーなく分離できるという制限されたケース向けに実装されていました。実際には、SVM はパターンと数字の認識に適用されています。この実験は、SVM が決定木やニューラルネットワークなどの他の分類方法と競合できることを示しています20。ただし、バイナリ SVM アプローチはマルチクラスシナリオに拡張できます。これは、マルチクラス問題を一連のバイナリ分析に分解することによって達成されます。これは、1 対 1 または 1 対すべての戦略に従うバイナリ SVM で対処できます21。

SVMでは、

入力: \({x}_{i}\in {\mathbb{R}}^{D}\)、D = 特徴次元、

出力: \(w\) (重み)、特徴ごとに 1 つ、その線形結合により y が生成されます (SVM モデルの最終出力は入力データからの決定です)。

b はバイアスです。

マージンを最大化するには、データ点から超平面までの距離を最小化する必要があります。超平面が 2 つのクラスを完全に分離できない場合は、スラック変数 (\({\xi }_{i}\)) とハイパーパラメータ C を追加する必要があります。ハイパーパラメータの機能は、スラック変数の使用を調整することです。 C が小さすぎる場合、モデルは過小適合になる可能性があり、C が大きすぎる場合、モデルは過適合になる可能性があります。

入力データを線形に分離できない場合、データを高次元空間にマッピングする必要があります。新しいディメンションが非常に大きい場合、マッピングに時間がかかります。カーネルトリックはこれを解決でき、表面上は機能を追加することで機能します。この研究では、カーネルガウス RBF (Radial Basis Functions) を使用します。

ここで、 x = 特徴ベクトル。

l = ランドマーク

DT アルゴリズムは分類と回帰に使用できます。このアルゴリズムは、複数の出力を持つデータにも使用できます。ツリーを形成することでデータの分類を行います。ルートノードからリーフノードまで。各ノードには、データフローの方向を決定する条件として使用される特徴、ジニ不純度、ノードに到着するサンプル数、クラス予測値、およびそのノードでのデータのクラスに関する情報があります。。

DT 上の分岐を決定するには、データのジニ不純物に関する情報が必要です。ジニ不純度は 0 ～ 1 の範囲のスコアを評価します。0 はすべての観測値が 1 つのクラスに属する場合、1 はクラス内の要素のランダムな分布です。不純度が最も低いフィーチャが次のブランチとして選択されます22。この場合、ジニ不純度が低いほど、分割が良好になり、誤分類の可能性が低くなります。式 7 は、\({p}_{i}\) がノード i におけるクラス k の確率、n がクラスの数である gini 不純物方程式です。

RF は、多数 T の決定木の集合から構成されるアンサンブル学習手法です。この手法では、分類結果を決定する際に投票方法が使用されます。各 DT の分類は、最終的な分類を決定するために使用されます。 RF は、各ツリーのデータの行と列のサンプリングを使用します。このようにして、各ツリーは異なるデータを使用してトレーニングされます。このアルゴリズムは、バイアスを増加させることなく分散を減らすことができます。さらに、このモデルの精度は、CART (ntree) モデルアンサンブルを増やすことによって向上できます23。

人工ニューラルネットワーク (ANN) は、生物学的ニューラルネットワークと共通の明確なパフォーマンス特性を持つ情報処理システムです。 ANN は、工学における複雑なシステムを予測する際の統計モデルとして利用されます。ニューロンと呼ばれる多数の単純に接続された処理ユニットを備えたその膨大な並列構造により、ANN は複雑な線形および非線形の入出力マッピングに利用できます 24,25,26。

最も一般的な ANN トレーニング方法はバックプロパゲーションアルゴリズムです。間違いを減らすために、これによりニューロン間の重みが変更されます。このモデルはパターンを識別するのに非常に効果的です。システムは収束が遅く、局所最適になる危険性がありますが、新しいデータ値に迅速に適応できます。重要な課題は、層が何層あるのか、隠れ層にニューロンが何個あるのか、そしてそれらのニューロンがどのように接続されているのかを解明することです。人工ニューラルネットワークのパフォーマンスは、これらの要因と問題に大きく依存します。これらの要素のいずれかが結果を大きく変える可能性があります。さまざまな問題に対して、さまざまな ANN アーキテクチャがさまざまな解決策を生み出します27。

すべてのモデルは、トレーニングデータとテストデータによって 70:30 の比率で地震、非地震、破壊行為の振動を分類するために使用されます。次に、分類に使用される一般的な方法の 1 つである混同行列を分析することによって、モデルのパフォーマンスが決定されます。表 2 に混同行列の構造を示します。混同行列から、次のような情報を取得できます 28、29:

正確さ：

精度：

想起：

F1:

これらの性能は、追加機能として速度と変位を追加する効果があるかどうかを知るための比較として使用されます。

相関行列は、データセットの i 列と j 列の間の相関係数を示す (K x K) 正方対称行列です30。図 6 は、加速度、速度、変位、ラベル間の相関行列を示しています。図 6 に基づく観察可能な結果は、加速度、速度、変位の間にかなり密接な相関関係があり、特に速度と変位の間の値は 0.94 (1 は完全な線形関係) である一方、ラベルは加速度、速度との相関が最も低いことを示しています。、および変位。

相関行列。

データ分布は、変数のすべての可能な値を指定し、相対頻度 (それらが発生する頻度の確率) も定量化する関数です。データ分布は統計で広く使用されています。図 7 は、データセットのデータ分布を示しています。各特徴の分布データは良好であるように見えますが、データセットを機械学習アルゴリズムに供給する準備を整える分離データに含まれるデータはほんの一部です。

データ配布。 (a)。加速度対速度、(b) 加速度対変位、(c) 速度対変位。

モデルのパフォーマンスの分析は、各アルゴリズムの精度、精度、再現率、および F1 の値を比較することによって実行されます。表 3 の実験データに基づくと、精度は 0.673230 ～ 0.965400 の範囲にあり、精度は 0.656123 ～ 0.974964 の範囲にあり、再現率は 0.673230 ～ 0.974589 の範囲にあり、F1 は 0.65009 ～ 0.97458 の範囲にあります。。入力特徴のすべての可能性におけるモデルの 2 つの最高値は ANN によって支配され、次に RF が続きますが、ANN はさまざまな入力特徴に対して RF よりも優れた耐性を示します。実験によれば、加速度を特徴として使用すると、すべてのモデルのパフォーマンスが良好に見えますが、速度と変位を特徴として単独で使用すると、すべてのモデルのパフォーマンスが低くなります。ただし、速度と変位を機能として併用すると、すべてのモデルのパフォーマンスが大幅に向上します。さらに、この実験では入力特徴のすべての可能性が使用されました。図 8 に示すように、表 3 の実験データに基づいて、加速度と速度、および加速度と変位を組み合わせると、モデルの性能が向上することが証明されています。さらに、4 つのモデルのうち 3 つのモデルの性能は、そのうちの 3 つを使用すると向上を示します。機能としては、SVM のみがパフォーマンスの低下を示します。図 8 からわかるように、単一の機能を使用した場合の最高の SVM パフォーマンスは、アクセラレーションを使用したときに得られました。変位と速度が続きます。これは、目的の出力に対して感度が低い特徴データをさらに追加する場合、入力データに冗長性が発生する可能性があるためです。その結果、モデルは追加情報を誤った情報として変換する可能性があり、データの実際のパターンを検出することが困難になり、精度が低くなります。したがって、相関性が高く重要な特徴は加速だけであると結論付けることができます。そしてそれは、加速が 2 つまたは 3 つの機能の 1 つとして使用されたときに確認できます。したがって、追加機能として速度と変位を追加すると、モデルのパフォーマンスが向上すると結論付けることができます。したがって、高レベルの精度を達成するには、地震検出を向上させるために加速度を各モデルの特徴として含める必要があります。

モデルの精度チャート。

この研究は、機械学習の応用を通じて地震振動と非地震振動の多分類に対処することに焦点を当てています。広く採用されている 3 つの異なるアルゴリズム、つまりサポートベクターマシン (SVM)、ランダムフォレスト (RF)、デシジョンツリー (DT)、および人工ニューラルネットワーク (ANN) が開発されました。これらのモデルは、地震、非地震、擬似地震、大型車両の通過といった多分類の振動検出に利用されています。モデルの結果は、精度、精度、再現率、F1 スコアという 4 つの異なるパフォーマンス基準によって評価されました。 SVM、RF、DT、および ANN のパフォーマンス基準を比較したこの研究では、ANN が入力特徴の 7 つの可能性のうち 6 つで他の機械学習アルゴリズムよりも優れていると結論付けています。さらに、ANN はさまざまな入力特性に対して優れた耐性を示します。したがって、この実験に基づいて、多分類地震検出に使用できる最良のアルゴリズムとして ANN が提案されました。さらに、加速度、速度、変位は良好な相関関係を示しており、加速度、速度、変位を組み合わせることでモデルの性能を向上できることが証明されました。要約すると、これらの機能を組み合わせると、RF モデルと ANN モデルの精度がそれぞれ 0.974589 と 0.965400 に向上します。今後の研究では、リアルタイムでの多分類地震検知の能力をさらに証明するために、特に ANN を使用した多分類地震検知に関する研究が行われ、それをハードウェアに実装する必要があります。地震検出を分類するのに許容可能な精度値があるにもかかわらず、欠陥と限界が残っています。モデルが振動をより正確に区別できるように、可能な限り最良の最適なアーキテクチャモデルを実現するためにモデルを再構築する必要があります。そして、将来的には、より多くの利用可能なデータを使用して、提案されたモデルの信頼性が検証される可能性があります。

現在の研究中に生成されたデータセットは公的に入手可能ではなく、資金提供を受けた機関と大学の間の著作権とみなされますが、合理的な要求に応じて責任著者から入手可能です。

InaTEWS、インドネシア津波早期警報システム。 http://inatews2.bmkg.go.id/new/tentang_eq.php..

CNN インドネシア、インドネシアの地震は過去 5 年間で増加しています、2019 年 12 月 1 日。 https://www.cnnindonesia.com/teknologi/20191201065329-199-453026/gempa-di-indonesia-meningkat-dalam-5-tahun-terakhir。

Priyana, Y.、Laumal, F.、Husni, E. ADXL335 加速度計を使用した緊急地震警報システムの開発。 2018 年 3 月 27 日。 https://osf.io/preprints/inarxiv/sq9xr/。

Groover, V.、Sharma, A. (2015) 3 軸加速度センサー (ADXL335) と ARDUINO UNO を使用した地震の予測。内部。 J.Sci. 研究 (IJSR) ISSN。 https://www.ijsr.net/archive/v6i9/ART20176803.pdf

Sinha, PK、Saraiyan, S.、Ghosh, M. & Nath, V. 災害管理用に ATmega328p と ADXL335 を使用した地震インジケータシステムの設計。電気工学の講義ノート (Nath, V. および KumarMandal, J. 編) (Springer、シンガポール、2019 年)。 https://doi.org/10.1007/978-981-13-0776-8_53。

Google Scholar の章

ウー、Y.-M. & リン、T.-L. 台湾の花蓮での低コストの加速度計を使用した緊急地震警報システムのテスト (Springer、ベルリン、2014)。 https://doi.org/10.1007/978-3-642-12233-0_13。

Google Scholar を予約する

ダガル、R. et al. 建物の構造解析に基づくモノのインターネットネットワーク支援地震検知。 Internet Things 19、100561。https://doi.org/10.1016/j.iot.2022.100561 (2022)。

記事 Google Scholar

Li, Z.、Meier, M.-A.、Hauksson, E.、Zhan, Z. & Andrews, J. 機械学習による地震波識別: 緊急地震速報への応用。地球物理学。解像度レット。 45(10)、4773–4779。 https://doi.org/10.1029/2018GL077870 (2018)。

記事 ADS Google Scholar

Narvekar, N. ランダムフォレストアルゴリズムを使用した地震と騒音の区別 (サンノゼ州立大学、ワシントン、2018 年)。

Google Scholar を予約する

Cooley, JW、Lewis, PAW & Welch, PD 高速フーリエ変換とその応用。 IEEEトランス。教育する。 12(1)、27–34。 https://doi.org/10.1109/TE.1969.4320436 (1969)。

記事 Google Scholar

コクラン、WTら。高速フーリエ変換とは何ですか? 手順 IEEE 55(10)、1664 ～ 1674。 https://doi.org/10.1109/PROC.1967.5957 (1967)。

記事 Google Scholar

Madureira, G.、および Ruano, A. (2009) ニューラルネットワーク地震検出器。 IFAC Proc. Vol. (IFAC-PapersOnline)、2 https://doi.org/10.3182/20090921-3-TR-3005.00054。

Bombara, G.、Vasile, CI、Penedo, F.、Yasuoka, H.、Belta, C. (2016) 信号時相論理を使用したデータ分類への決定木アプローチ。 https://doi.org/10.1145/2883817.2883843

Joshuva, A. & Sugumaran, V. デシジョンツリーアルゴリズムによる振動信号を使用した風力タービンブレードの故障診断。インディアン J. Sci. テクノロジー。 9(48)、107936。https://doi.org/10.17485/ijst/2016/v9i48/107936 (2016)。

記事 Google Scholar

Yaghmaei-Sabegh, S. 地震の地震動記録を分類するための新しいアプローチ。Ｊ．Ｓｅｉｓｍｏｌ． 21(4)、885–907。 https://doi.org/10.1007/s10950-017-9642-8 (2017)。

記事 ADS Google Scholar

プーリア、R. et al. 強震処理サービス：地震の強震波形にアクセスして解析するツール。ブル。アースq. 工学 16(7)、2641–2651。 https://doi.org/10.1007/s10518-017-0299-zS (2018)。

記事 Google Scholar

Pasari, S.、Simanjuntak, AVH、Mehta, A.、Neha, N.、Sharma, Y. インドネシアのジャワ島における地震の可能性の現状。ピュアアプリ。地球物理学。 178(8)、2789–2806。 https://doi.org/10.1007/s00024-021-02781-4 (2021)。

記事 ADS Google Scholar

マサチューセッツ州マーファイら。インドネシア、ジャワ州中部の自然災害: 概要。環境。ゲオル。 56(2)、335–351。 https://doi.org/10.1007/s00254-007-1169-9 (2008)。

記事 ADS Google Scholar

Nave, R. (2000) 超物理的定加速度運動。 2000年。[オンライン]。入手可能: http://hyperphysics.phy-astr.gsu.edu/hbase/acons.html。

Cortes, C. & Vapnik, V. サポートベクターネットワーク。マッハ。学ぶ。 20(3)、273–297。 https://doi.org/10.1023/A:1022627411411 (1995)。

記事 MATH Google Scholar

Mathur, A. & Foody, GM マルチクラスおよびバイナリ SVM 分類: トレーニングおよび分類ユーザーへの影響。 IEEE 地球科学。遠隔監視員Lett. 5(2)、241–245。 https://doi.org/10.1109/LGRS.2008.915597 (2008)。

記事 ADS Google Scholar

Arabshahi, H. & Fazlollahtabar, H. デシジョンツリーとジニ指数を使用した革新的な活動の分類。内部。Ｊ．イノフ．テクノロジー。管理。 15(3)、1850025。https://doi.org/10.1142/S0219877018500256 (2018)。

記事 Google Scholar

Marhain, S.、Ahmed, AN、Murti, MA、Kumar, P.、El-Shafie, A. トレンガヌ州の地震予測への人工知能の応用を調査。ナット。ハズ。 108(1)、977–999。 https://doi.org/10.1007/s11069-021-04716-7 (2021)。

記事 Google Scholar

Böse, M. (2006) 人工ニューラルネットワークを使用したイスタンブールの緊急地震警報。人工ニューラルネットワークを使用したイスタンブール向け緊急地震警報システムの開発 https://doi.org/10.5445/IR/1000005845

Yaghmaei-Sabegh, S. 地震地震動予測モデルのランク付けと重み付けのための新しい方法。ソイル・ディン。アースq. 工学 39、78–87。 https://doi.org/10.1016/j.soildyn.2012.03.006 (2012)。

記事 Google Scholar

Essam, Y.、Kumar, P.、Ahmed, AN、Murti, MA、El-Shafie, A. マレーシアの地震を予測する際のさまざまな人工知能技術の信頼性を探ります。ソイル・ディン。アースq. Eng 147、106826。https://doi.org/10.1016/j.soildyn.2021.106826 (2021)。

記事 Google Scholar

Saritas, MM および Yasar, A. データ分類のためのアンおよび単純ベイズ分類アルゴリズムのパフォーマンス分析。内部。Ｊ．インテル．システム。応用工学 7(2)、88–91 (2019)。

記事 Google Scholar

Grandini, M.、Bagli, E.、Visani, G. (2020) マルチクラス分類のメトリクス: 概要。 arXiv https://doi.org/10.48550/arXiv.2008.05756。

Ting, KM 混乱マトリックス。 Encyclopedia of Machine Learning (Sammut, C. & Webb, GI) 209 (Springer、米国、ボストンマサチューセッツ州、2010)。

Google スカラー

Ferré, J. 回帰診断。総合ケモメトリクス Vol. 3 (ブラウン SD 他編) (エルゼビア、アムステルダム、2009)。

Google スカラー

リファレンスをダウンロードする

この研究は、インドネシア教育・文化・研究・技術省から受け取った助成金DRTPM PTUPT No. 019/SP2H/RT-JAMAK/LL4/2022によって財政的に支援されています。

Telkom University、バンドン、40257、インドネシア

モハメド・アリー・ムルティ & リオ・ジュニア

エネルギーインフラストラクチャ研究所 (IEI) および国立エネルギー大学 (UNITEN) 工学部土木工学科、43000、カジャン、セランゴール、マレーシア

アリ・ナジャ・アーメド

土木工学部、マラヤ大学 (UM)、50603、クアラルンプール、マレーシア

アーメド・エルシャフィ

国立水とエネルギーセンター、アラブ首長国連邦大学、15551、アルアイン、アラブ首長国連邦

アーメド・エルシャフィ

PubMed Google Scholar でこの著者を検索することもできます

MAM: 概念化、検証、データキュレーション、執筆 - レビューと編集、監督と資金提供。 RJ: 視覚化、形式的分析、執筆 - 元の草案の準備。 ANA: 視覚化、形式分析、ライティング - レビューと編集、および AE: ライティング - 原案の準備とライティング - レビューと編集。

アリ・ナジャ・アーメドへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Murti、MA、Junior、R.、Ahmed、AN 他機械学習アルゴリズムを使用した速度および変位データのフィルタリングに基づいた地震の多分類検出。 Sci Rep 12、21200 (2022)。 https://doi.org/10.1038/s41598-022-25098-1

引用をダウンロード

受信日: 2022 年 9 月 14 日

受理日: 2022 年 11 月 24 日

公開日: 2022 年 12 月 8 日

DOI: https://doi.org/10.1038/s41598-022-25098-1

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。

前: ハイブリッドデータ次: 角度付きドリルガイドが難しい穴開けに役立ちます

お問い合わせを送信

送信