論文の概要: Seismic-phase detection using multiple deep learning models for global
and local representations of waveforms
- arxiv url: http://arxiv.org/abs/2211.02261v1
- Date: Fri, 4 Nov 2022 04:37:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 17:39:37.895425
- Title: Seismic-phase detection using multiple deep learning models for global
and local representations of waveforms
- Title(参考訳): 複数深層学習モデルを用いた大域的および局所的な波形表現のための地震波位相検出
- Authors: Tomoki Tokuda and Hiromichi Nagao
- Abstract要約: 近年の機械学習により,波形データから地震の自動検出が可能になった。
本研究では,ディープラーニングを用いた新しい位相検出手法を提案し,検証した。
提案手法の新規性は,大域的および局所的な波形表現のための個別な学習戦略である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The detection of earthquakes is a fundamental prerequisite for seismology and
contributes to various research areas, such as forecasting earthquakes and
understanding the crust/mantle structure. Recent advances in machine learning
technologies have enabled the automatic detection of earthquakes from waveform
data. In particular, various state-of-the-art deep-learning methods have been
applied to this endeavour. In this study, we proposed and tested a novel phase
detection method employing deep learning, which is based on a standard
convolutional neural network in a new framework. The novelty of the proposed
method is its separate explicit learning strategy for global and local
representations of waveforms, which enhances its robustness and flexibility.
Prior to modelling the proposed method, we identified local representations of
the waveform by the multiple clustering of waveforms, in which the data points
were optimally partitioned. Based on this result, we considered a global
representation and two local representations of the waveform. Subsequently,
different phase detection models were trained for each global and local
representation. For a new waveform, the overall phase probability was evaluated
as a product of the phase probabilities of each model. This additional
information on local representations makes the proposed method robust to noise,
which is demonstrated by its application to the test data. Furthermore, an
application to seismic swarm data demonstrated the robust performance of the
proposed method compared with those of other deep learning methods. Finally, in
an application to low-frequency earthquakes, we demonstrated the flexibility of
the proposed method, which is readily adaptable for the detection of
low-frequency earthquakes by retraining only a local model.
- Abstract(参考訳): 地震の検出は地震学の基本的な前提条件であり、地震の予測や地殻・マントル構造の理解など様々な研究分野に寄与している。
近年の機械学習技術の進歩により,波形データから地震の自動検出が可能になった。
特に、この取り組みには様々な最先端のディープラーニング手法が適用されている。
本研究では,新しいフレームワークにおける標準畳み込みニューラルネットワークに基づく深層学習を用いた新しい位相検出手法を提案し,検証した。
提案手法の新規性は,大域的および局所的な波形表現のための明示的な学習戦略であり,その堅牢性と柔軟性を高める。
提案手法をモデル化する前に,データポイントを最適に分割した波形の多重クラスタリングにより,波形の局所表現を同定した。
この結果に基づいて、波形のグローバル表現と2つの局所表現を検討した。
その後、グローバルおよびローカル表現毎に異なる位相検出モデルを訓練した。
新しい波形では,各モデルの位相確率の積として全体の位相確率が評価された。
この局所表現に関する追加情報により、提案手法はノイズに頑健であり、テストデータに適用することで実証される。
さらに, 地震群データへの適用により, 他の深層学習法と比較して, 提案手法の堅牢性を示した。
最後に, 低周波地震に対する適用として, 局所モデルのみを再現することで, 低周波地震の検出に容易に適応できる提案手法の柔軟性を実証した。
関連論文リスト
- Controllable seismic velocity synthesis using generative diffusion
models [4.742123770879715]
本研究では, 地震波速度合成のための条件付き生成拡散モデルを提案する。
このアプローチは、予測された目標分布と密接に一致する地震波速度の生成を可能にする。
OpenFWIデータセット上での拡散モデルのトレーニングにより,本手法の柔軟性と有効性を示す。
論文 参考訳(メタデータ) (2024-02-09T09:41:26Z) - Generalized Neural Networks for Real-Time Earthquake Early Warning [22.53592578343506]
我々は,任意の局分布を持つ任意の場所で発生した地震をニューラルネットワークトレーニングのために,データ組換え法を用いて生成する。
訓練されたモデルは、地震検出とパラメータ評価のための異なる監視装置を備えた様々な地域に適用することができる。
我々のモデルは、最初のトリガーステーションから4秒以内に地震の位置とマグニチュードを確実に報告し、平均誤差は2.6-6.3 kmと0.05-0.17である。
論文 参考訳(メタデータ) (2023-12-23T10:45:21Z) - PINNslope: seismic data interpolation and local slope estimation with
physics informed neural networks [2.3895981099137535]
余剰地震データの補間は, 地震処理ワークフローにおける重要なステップである。
物理情報ニューラルネットワーク(PINN)を用いて地震データを補間する手法を提案する。
論文 参考訳(メタデータ) (2023-05-25T12:29:28Z) - A stable deep adversarial learning approach for geological facies
generation [32.97208255533144]
深層生成学習は、従来の地形シミュレーションモデルの限界を克服するための有望なアプローチである。
本研究は, 地下ボリュームにおける条件付き蛇行チャネルに対する, 生成的対向ネットワークと深部変動推論の適用性について検討することを目的とする。
論文 参考訳(メタデータ) (2023-05-12T14:21:14Z) - PointFix: Learning to Fix Domain Bias for Robust Online Stereo
Adaptation [67.41325356479229]
本稿では,PointFixと呼ばれるメタラーニングフレームワークに補助的なポイント選択型ネットワークを導入することを提案する。
簡単に言えば、我々の補助的ネットワークは、メタグラディエントを通じて局所情報を効果的にバックプロパゲートすることで、局所的変異を集中的に修正することを学ぶ。
このネットワークはモデルに依存しないため、プラグイン・アンド・プレイ方式であらゆる種類のアーキテクチャで使用することができる。
論文 参考訳(メタデータ) (2022-07-27T07:48:29Z) - A Review of Sound Source Localization with Deep Learning Methods [71.18444724397486]
本稿では,単音源および複数音源の音源定位のための深層学習手法について概説する。
この文脈におけるニューラルネットワークを用いた局所化文献の網羅的なトポグラフィーを提供する。
文献レビューを要約したテーブルをレビューの最後に提供し、所定の対象特性のセットでメソッドを素早く検索する。
論文 参考訳(メタデータ) (2021-09-08T07:25:39Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳(メタデータ) (2020-11-25T14:00:18Z) - Gravitational-wave selection effects using neural-network classifiers [0.0]
我々は、コンパクトバイナリ・マージから重力波信号のLIGO/Virgo検出性を予測するために、一連のニューラルネットワーク分類器を訓練する。
スピン沈降、高次モード、複数検出器の影響を含める。
我々のアプローチは完全なパイプライン注入と併用できるので、天体物理学とノイズトリガーの実際の分布を重力波の人口分析に含めるための道を開くことができる。
論文 参考訳(メタデータ) (2020-07-13T18:00:04Z) - Localized active learning of Gaussian process state space models [63.97366815968177]
多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。
本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。
モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
論文 参考訳(メタデータ) (2020-05-04T05:35:02Z)
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。