基于LSTM-RNN 的地震前兆数据异常检测新方法*

全文: PDF (1140 KB) HTML ( KB) 输出: BibTeX | EndNote (RIS) 背景资料

摘要研究地震前兆数据的异常变化是地震短临预测的基础，本文提出一种地震前兆数据的异常智能检测新方法，利用长短期记忆单元的递归神经网络（LSTMRNN）构建数据趋势变化预测模型，通过模型预测的误差来提取数据的异常变化。该方法不需要对原始数据进行预处理，也不需要对异常数据判断的经验积累，适用于各类不同长度的地震前兆数据异常检测。通过使用三类真实的前兆观测数据的进行方法检验，将机器检测结果与人工识别结果进行对比分析，试验结果表明，基于LSTM-RNN 的异常检测方法能够准确识别各类异常，可以代替人工用于地震前兆数据的异常检测。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章

关键词：地震前兆数据深度学习 LSTM-RNN 预测模型异常检测

Abstract： Earthquake precursor data have been used as an important basis for earthquake prediction. In this study, a recurrent neural network (RNN) architecture with long short-term memory (LSTM) units is utilized to develop a predictive model for normal data. Furthermore, the prediction errors from the predictive models are used to indicate normal or abnormal behavior. An additional advantage of using the LSTM networks is that the earthquake precursor data can be directly fed into the network without any elaborate preprocessing as required by other approaches. Furthermore, no prior information on abnormal data is needed by these networks as they are trained only using normal data. Experiments using three groups of real data were conducted to compare the anomaly detection results of the proposed method with those of manual recognition. The comparison results indicated that the proposed LSTM network achieves promising results and is viable for detecting anomalies in earthquake precursor data.

Key words： Earthquake precursor data deep learning LSTM-RNN prediction model anomaly detection

基金资助:

本研究由中国地震局科技星火计划项目(编号：XH18027) 、中国大陆综合地球物理场观测仪器研发专项（编号：Y201703）及山东省地震局科研基金项目（编号：JJ1503Y）共同资助。

通讯作者: 胡星星（Email：huxx@cea-igp.ac.cn） E-mail: huxx@cea-igp.ac.cn

作者简介: 蔡寅，山东省地震局高级工程师，2007 年毕业于大连理工大学软件工程专业获硕士学位。目前为中国地震局地球物理研究所博士生，主要从事深度学习及云计算技术在地球科学中的应用研究。邮箱：caiyin555@icloud.com

引用本文:

. 基于LSTM-RNN 的地震前兆数据异常检测新方法*[J]. 应用地球物理, 2019, 16(3): 257-268.

. Anomaly detection of earthquake precursor data using long short-term memory networks*[J]. APPLIED GEOPHYSICS, 2019, 16(3): 257-268.