論文の概要: Bidirectional recurrent neural networks for seismic event detection
- arxiv url: http://arxiv.org/abs/2012.03009v1
- Date: Sat, 5 Dec 2020 11:41:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 16:46:03.838344
- Title: Bidirectional recurrent neural networks for seismic event detection
- Title(参考訳): 地震イベント検出のための双方向リカレントニューラルネットワーク
- Authors: Claire Birnie and Fredrik Hansteen
- Abstract要約: この研究は、STA/LTAトリガの代替となるイベント検出にディープラーニングアプローチを導入している。
双方向で長時間のメモリであるニューラルネットワークは、合成トレースのみに基づいて訓練されている。
そのリアルタイム適用性は、600のトレースを1つの処理ユニットでリアルタイムに処理することで証明されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real time, accurate passive seismic event detection is a critical safety
measure across a range of monitoring applications from reservoir stability to
carbon storage to volcanic tremor detection. The most common detection
procedure remains the Short-Term-Average to Long-Term-Average (STA/LTA) trigger
despite its common pitfalls of requiring a signal-to-noise ratio greater than
one and being highly sensitive to the trigger parameters. Whilst numerous
alternatives have been proposed, they often are tailored to a specific
monitoring setting and therefore cannot be globally applied, or they are too
computationally expensive therefore cannot be run real time. This work
introduces a deep learning approach to event detection that is an alternative
to the STA/LTA trigger. A bi-directional, long-short-term memory, neural
network is trained solely on synthetic traces. Evaluated on synthetic and field
data, the neural network approach significantly outperforms the STA/LTA trigger
both on the number of correctly detected arrivals as well as on reducing the
number of falsely detected events. Its real time applicability is proven with
600 traces processed in real time on a single processing unit.
- Abstract(参考訳): リアルタイム, 高精度な受動的地震イベント検出は, 貯留層安定性から炭素貯蔵, 火山性微動検出まで, 様々なモニタリング応用において重要な安全対策である。
最も一般的な検出手順は、信号対雑音比が1より大きく、トリガーパラメータに非常に敏感であるという共通の落とし穴にもかかわらず、STA/LTA(Short-Term-Average to Long-Term-Average)トリガーのままである。
多くの代替案が提案されているが、それらは特定の監視設定に合わせて調整されており、グローバルに適用できないため、計算コストが高すぎるため、リアルタイムに実行できないことが多い。
本稿では,sta/ltaトリガに代わるイベント検出へのディープラーニングアプローチを紹介する。
双方向の長期記憶型ニューラルネットワークは、合成トレースのみに基づいてトレーニングされる。
合成データとフィールドデータで評価すると、ニューラルネットワークアプローチは、正しく検出された到着数と誤検出された事象の数の両方において、sta/ltaトリガーを大きく上回る。
リアルタイム適用性は、1つの処理ユニットで600のトレースをリアルタイムで処理することで証明される。
関連論文リスト
- Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。
このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
論文 参考訳(メタデータ) (2024-10-15T12:55:57Z) - REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳(メタデータ) (2024-06-03T16:30:19Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of
a Wind Power Dataset [2.094022863940315]
異常(英: Anomalies)とは、通常および同質の事象から逸脱するデータポイントまたはイベントを指す。
本研究では,Bi-LSTMアーキテクチャとAutoencoderを組み合わせた時系列異常検出フレームワークを提案する。
Bi-LSTM Autoencoderモデルは96.79%の分類精度を達成し、より一般的なLSTM Autoencoderモデルよりも優れていた。
論文 参考訳(メタデータ) (2023-03-17T00:24:28Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳(メタデータ) (2022-09-26T21:59:14Z) - ReDFeat: Recoupling Detection and Description for Multimodal Feature
Learning [51.07496081296863]
我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。
本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。
我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
論文 参考訳(メタデータ) (2022-05-16T04:24:22Z) - Bandit Quickest Changepoint Detection [55.855465482260165]
すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。
有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。
本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
論文 参考訳(メタデータ) (2021-07-22T07:25:35Z) - Optimal Sequential Detection of Signals with Unknown Appearance and
Disappearance Points in Time [64.26593350748401]
本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。
我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。
FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
論文 参考訳(メタデータ) (2021-02-02T04:58:57Z) - RED: Deep Recurrent Neural Networks for Sleep EEG Event Detection [0.0]
我々は、リカレントイベント検出器(RED)と呼ばれる睡眠脳波イベント検出のための深層学習手法を提案する。
REDは2つの入力表現のうちの1つを使用している:a) 時間領域のEEG信号、またはb) 連続ウェーブレット変換(CWT)で得られる信号の複素スペクトル。
MASSデータセットで評価すると、我々の検出器は、それぞれ80.9%と82.6%の平均F1スコアで睡眠スピンドルとK-プレプレックス検出の両方において、技術の現状より優れています。
論文 参考訳(メタデータ) (2020-05-15T21:48:26Z) - ReRe: A Lightweight Real-time Ready-to-Go Anomaly Detection Approach for
Time Series [0.27528170226206433]
本稿では,リアルタイム・レディ・トゥ・ゴー・プロアクティブ・異常検出アルゴリズムReReを紹介する。
ReReは2つの軽量Long Short-Term Memory (LSTM)モデルを使用して、次のデータポイントが異常であるか否かを予測し、共同で判断する。
実世界の時系列データセットに基づく実験は、リアルタイム異常検出におけるReReの優れた性能を示す。
論文 参考訳(メタデータ) (2020-04-05T21:26:24Z) - RePAD: Real-time Proactive Anomaly Detection for Time Series [0.27528170226206433]
RePADはLong Short-Term Memory (LSTM)に基づくストリーミング時系列のリアルタイム能動異常検出アルゴリズムである
検出しきい値を時間とともに動的に調整することにより、RePADは時系列におけるマイナーパターンの変更を許容し、前向きまたは時間的に異常を検出することができる。
論文 参考訳(メタデータ) (2020-01-24T09:13:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。