CN107300715B - 一种识别核爆炸地震事件的方法 - Google Patents
一种识别核爆炸地震事件的方法 Download PDFInfo
- Publication number
- CN107300715B CN107300715B CN201710481292.9A CN201710481292A CN107300715B CN 107300715 B CN107300715 B CN 107300715B CN 201710481292 A CN201710481292 A CN 201710481292A CN 107300715 B CN107300715 B CN 107300715B
- Authority
- CN
- China
- Prior art keywords
- criterion
- probability
- earthquake
- explosion
- nuclear explosion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004880 explosion Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013095 identification testing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G01V1/01—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/10—Aspects of acoustic signal generation or detection
- G01V2210/12—Signal generation
- G01V2210/123—Passive source, e.g. microseismics
Abstract
本发明公开了一种识别核爆炸地震事件的方法,首先选取合适的地震监测台站作为核爆炸地震事件识别台站;截取台站垂向通道一定时间段的时间序列数据;根据天然地震和核爆炸地震在时域、频域上特征的差异以及在时频域的综合特征差异,选取波形复杂度判据、谱比值判据和综合比值判据作为基础判据,基于D‑S证据理论的证据组合,最终得出各判据联合后的概率,通过比较各类事件概率的大小,确定事件的类型。本发明通过采用D‑S证据理论的证据组合方法,能够正确、有效的给出核爆炸地震事件的识别结果,而且在单个判据失效的条件下,本发明仍然可以给出正确的识别结论。
Description
技术领域
本发明属于核爆炸地震事件识别,具体涉及一种识别核爆炸地震事件的方法。
背景技术
核爆炸地震事件的识别是各国发展禁核试核查国家技术手段的核心需求,现有的地震数据处理系统采取的事件识别技术是事件深度、体波震级与面波震级比率和区域判据高频P/S幅值比判据等三个判据,而且只给出天然地震的事件分类。根据全面禁止核试验条约组织国际数据中心判据筛选的统计结果表明,这些判据仅筛选出了约27%的天然地震事件,未被筛选出的事件占事件总数约三分之二,未筛选出的事件中是否含有核爆炸地震事件是各国所关注的重点,目前监测系统中运行的事件识别判据及识别技术无法满足我国对核爆炸地震识别的需求。
发明内容
本发明的目的是提供一种识别核爆炸地震事件的方法,解决了核爆炸地震事件监测中的事件识别困难的问题。
本发明的技术方案为:一种识别核爆炸地震事件的方法,其特征在于:包括以下步骤:
S1、根据特定地区范围及地震监测台网选取合适的地震监测台站作为核爆炸地震事件识别台站;
S2、根据选取的台站垂向通道记录到地震事件的初至波时刻T,截取台站垂向通道一定时间段的时间序列数据X(t);
S3、根据天然地震和核爆炸地震在时域、频域上特征的差异以及在时频域的综合特征差异,选取波形复杂度判据、谱比值判据和综合比值判据作为基础判据:
S4、利用已知性质的核爆炸地震和天然地震,将波形复杂度判据、谱比值判据和综合比值判据的计算数值分别代入到各自的人工神经网络模型中训练,得到波形复杂度判据、谱比值判据和综合比值判据各自对应的天然地震概率、爆炸地震概率和不确定概率;
S5、对各判据计算的天然地震、爆炸地震和不确定的概率进行基于D-S证据理论的证据组合,最终得出各判据联合后的概率,通过比较各类事件概率的大小,确定事件的类型。
S1具体包括以下步骤:
S1.1、计算地震监测台网中第i个台站到特定地区范围内的最大距离Di:
Di=max(distance(stai,range)) (1)
式中stai为第i个台站的经纬度坐标,range为特定地区经纬度范围,distance为台站和特定地区之间距离计算函数,max为取最大值函数;
S1.2、选取距离在给定距离D内的台站作为核爆炸地震事件识别台站。
S2中,所述时间段为[T-t1,T+t2];t1、t2为数据的时间段长度,根据地震波列的持续时间设定。
S3具体包括以下步骤:
S3.1、根据天然地震和核爆炸地震在时域上特征的差异,计算波形复杂度判据数值C:
其中X(t)为S2中截取的时间序列数据,L为短时时间窗长度;H为长时时间窗长度;
S3.2、根据天然地震和核爆炸地震在频域上特征的差异,计算波形谱比值判据数值SR:
其中X(f)为时间序列数据X(t)的振幅谱,L1和H1是低频的起、止频率,L2和H2是高频的起、止频率。
S3.3、根据天然地震和核爆炸地震在时频域的综合特征差异,计算综合比值判据数值SRC:SRC=SR/C。
S5中,根据D-S证据理论的计算公式,首先得出其中两个判据联合后的天然地震概率、爆炸地震概率和不确定概率,然后将联合后的各概率与第三个判据进行联合,得出最终的天然地震概率、爆炸地震概率和不确定概率。
所述D-S证据理论的计算公式如下式所示:
其中为冲突因子,反映了证据的冲突程度,m()为基本概率赋值函数;A、B分别为用于联合计算的两个判据,Z为两个判据的相交结果,包括天然地震、爆炸地震和不确定三种结果。
A∩B=Φ的组合情形包括:A判据地震概率×B判据爆炸概率、B判据地震概率×A判据爆炸概率。
天然地震的组合情形包括:A判据地震概率×B判据地震概率、A判据地震概率×B判据不确定概率、A判据地震概率×B判据不确定概率;
爆炸地震的组合情形包括:A判据爆炸概率×B判据爆炸概率、A判据爆炸概率×B判据不确定概率、A判据爆炸概率×B判据不确定概率;
不确定的组合情形包括:A判据不确定概率×B判据不确定概率。
有益效果:本发明通过采用D-S证据理论的证据组合方法,能够正确、有效的给出核爆炸地震事件的识别结果,而且在单个判据失效的条件下,本发明仍然可以给出正确的识别结论。
具体实施方式
为使本发明的目的、内容和优点更加清楚,下面结合实施例,对本发明的具体实施方式作进一步详细描述。
本发明提供一种识别核爆炸地震事件的方法,其特殊之处在于:其包括以下步骤:
S1、根据特定地区范围及地震监测台网选取合适的地震监测台站作为核爆炸地震事件识别台站,特定地区为地震事件发生的地区;具体步骤如下:
S1.1、计算地震监测台网中第i个台站到特定地区范围内的最大距离Di:
Di=max(distance(stai,range)) (1)
式中stai为第i个台站的经纬度坐标,range为特定地区经纬度范围,distance为台站和特定地区之间距离计算函数,max为取最大值函数。
S1.2、选取距离在给定距离D内的台站作为核爆炸地震事件识别台站:
Di<D (2)
S2、根据选取的台站垂向通道记录到地震事件的初至波时刻T,截取台站垂向通道时间段为[T-t1,T+t2]的时间序列数据X(t);
t1、t2为数据的时间段长度,根据地震波列的持续时间设定;
S3、选取波形复杂度判据、谱比值判据和综合比值判据作为基础判据:
S3.1、根据天然地震和核爆炸地震在时域上特征的差异,计算波形复杂度判据数值C:
其中X(t)为S2中截取的时间序列数据,L为短时时间窗长度,单位为秒;H为长时时间窗长,单位为秒。
S3.2、根据天然地震和核爆炸地震在频域上特征的差异,计算波形谱比值判据数值SR:
其中X(f)为时间序列数据X(t)的振幅谱,L1和H1是低频的起、止频率,L2和H2是高频的起、止频率。
S3.3、根据天然地震和核爆炸地震在时频域的综合特征差异,计算综合比值判据数值SRC:
SRC=SR/C (5)
其中,SR为S3.2中计算的谱比值判据数值,C为S3.1中的计算的波波形复杂度判据数值。
S4、利用已知性质的核爆炸地震和天然地震对波形复杂度判据、谱比值判据和综合比值判据进行人工神经网络训练,确定各判据使用的人工神经网络模型及参数,各判据所使用的人工神经网络输入为判据计算数值,分别输出各判据的天然地震概率Pc_eq、Psr_eq、Psrc_eq、爆炸地震概率Pc_ex、Psr_ex、Psrc_ex和不确定概率Pc_un、Psr_un、Psrc_un。
S5、由D-S证据理论的计算公式得出各判据联合后的概率,包括天然地震概率、爆炸地震概率和不确定概率,如下公式(6)所示:
其中为冲突因子,反映了证据的冲突程度,m为基本概率赋值函数;A、B分别为用于联合计算的两个判据,Z为两个判据的相交结果;
S5.1、将波形复杂度判据与谱比值判据进行证据组合,形成组合1,见表1:
表1 组合1证据组合方式
由表1可知,公式(6)中K值计算如下:
K=Pc_eq×Psr_ex+Pc_ex×Psr_eq
组合1条件下给出的地震概率Pzh1_eq、爆炸概率Pzh1_ex和不确定概率Pzh1_un计算如下:
Pzh1_eq=(Pc_eq×Psr_eq+Pc_eq×Psr_un+Psr_eq×Pc_un)/(1-K)
Pzh1_ex=(Pc_ex×Psr_ex+Pc_ex×Psr_un+Psr_ex×Pc_un)/(1-K)
Pzh1_un=Pc_un×Psr_un/(1-K)
S5.2、将组合1的结果与综合比值判据的证据组合形成组合2,如表2所示:
表2 组合1结果与综合比值判据的证据组合
由表2可知,公式(6)中K值计算如下:
K=Pzh1_eq×Psrc_ex+Pzh1_ex×Psrc_eq
组合2条件下给出的地震概率Pzh2_eq、爆炸概率Pzh2_ex和不确定概率Pzh2_un计算如下:
Pzh2_eq=(Pzh1_eq×Psrc_eq+Pzh1_eq×Psrc_un+Psrc_eq×Pzh1_un)/(1-K)
Pzh2_ex=(Pzh1_ex×Psrc_ex+Pzh1_ex×Psrc_un+Psrc_ex×Pzh1_un)/(1-K)
Pzh2_un=Pzh2_un×Psrc_un/(1-K)
由组合2给出的事件识别地震概率Pzh2_eq、爆炸概率Pzh2_ex和不确定概率Pzh2_un即为基于D-S证据理论的最终综合判定结果,通过比较各类事件概率的大小,由此给出事件识别结论。
实施例:
按照上述方法,对某地区的核爆炸地震和天然地震事件进行了识别测试。先根据事件位置及地震监测台网选取了某地震台站作为核爆炸地震事件识别台站;由台站记录到的两次事件的初至波到时时刻截取了垂向通道的时间序列数据;计算波形复杂度判据、谱比值判据和综合比值判据等判据的计算结果,并分别代入到各自的人工神经网络模型中计算天然地震、爆炸地震和不确定的概率;对各判据计算的天然地震、爆炸地震和不确定的概率进行基于D-S证据理论的证据组合,最终给出了事件的识别结论。表3为判据联合方法对天然地震事件的识别结果,表4为判据联合方法对核爆炸地震事件的识别结果,可以看到,在单个判据失效的条件下,判据联合方法仍然给出了正确的识别结论。
表3 对某地区天然地震事件的识别结果
判据类型 | 地震概率 | 爆炸概率 | 不确定概率 | 结论 |
波形复杂度 | 69.85% | 8.38% | 21.77% | 天然地震 |
谱比值 | 0.00% | 51.26% | 48.74% | 爆炸 |
综合比值 | 75.22% | 1.77% | 23.01% | 天然地震 |
联合结果 | 84.72% | 10.28% | 4.99% | 天然地震 |
表4 对某地区核爆炸地震事件的识别结果
判据类型 | 地震概率 | 爆炸概率 | 不确定概率 | 结论 |
波形复杂度 | 73.13% | 7.67% | 19.20% | 天然地震 |
谱比值 | 3.36% | 79.58% | 17.06% | 爆炸 |
综合比值 | 6.69% | 67.24% | 26.07% | 爆炸 |
联合结果 | 18.01% | 79.10% | 2.89% | 爆炸 |
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种识别核爆炸地震事件的方法,其特征在于:包括以下步骤:
S1、根据特定地区范围及地震监测台网选取合适的地震监测台站作为核爆炸地震事件识别台站;
S2、根据选取的台站垂向通道记录到地震事件的初至波时刻T,截取台站垂向通道一定时间段的时间序列数据X(t);
S3、根据天然地震和核爆炸地震在时域、频域上特征的差异以及在时频域的综合特征差异,选取波形复杂度判据、谱比值判据和综合比值判据作为基础判据:
S4、利用已知性质的核爆炸地震和天然地震,将波形复杂度判据、谱比值判据和综合比值判据的计算数值分别代入到各自的人工神经网络模型中训练,得到波形复杂度判据、谱比值判据和综合比值判据各自对应的天然地震概率、爆炸地震概率和不确定概率;
S5、对各判据计算的天然地震、爆炸地震和不确定的概率进行基于D-S证据理论的证据组合,最终得出各判据联合后的概率,通过比较各类事件概率的大小,确定事件的类型。
2.根据权利要求1所述的一种识别核爆炸地震事件的方法,其特征在于:S1具体包括以下步骤:
S1.1、计算地震监测台网中第i个台站到特定地区范围内的最大距离Di:
Di=max(distance(stai,range)) (1)
式中stai为第i个台站的经纬度坐标,range为特定地区经纬度范围,distance为台站和特定地区之间距离计算函数,max为取最大值函数;
S1.2、选取距离在给定距离D内的台站作为核爆炸地震事件识别台站。
3.根据权利要求2所述的一种识别核爆炸地震事件的方法,其特征在于:S2中,所述时间段为[T-t1,T+t2];t1、t2为数据的时间段长度,根据地震波列的持续时间设定。
4.根据权利要求3所述的一种识别核爆炸地震事件的方法,其特征在于:S3具体包括以下步骤:
S3.1、根据天然地震和核爆炸地震在时域上特征的差异,计算波形复杂度判据数值C:
其中X(t)为S2中截取的时间序列数据,L为短时时间窗长度;H为长时时间窗长度;
S3.2、根据天然地震和核爆炸地震在频域上特征的差异,计算波形谱比值判据数值SR:
其中X(f)为时间序列数据X(t)的振幅谱,L1和H1是低频的起、止频率,L2和H2是高频的起、止频率;
S3.3、根据天然地震和核爆炸地震在时频域的综合特征差异,计算综合比值判据数值SRC:SRC=SR/C。
5.根据权利要求4所述的一种识别核爆炸地震事件的方法,其特征在于:S5中,根据D-S证据理论的计算公式,首先得出其中两个判据联合后的天然地震概率、爆炸地震概率和不确定概率,然后将联合后的各概率与第三个判据进行联合,得出最终的天然地震概率、爆炸地震概率和不确定概率。
6.根据权利要求5所述的一种识别核爆炸地震事件的方法,其特征在于:所述D-S证据理论的计算公式如下式所示:
其中为冲突因子,反映了证据的冲突程度,m() 为基本概率赋值函数;A、B分别为用于联合计算的两个判据,A∩B=Φ表示A、B判据的交集为空集,Z为两个判据的相交结果,包括天然地震、爆炸地震和不确定三种结果。
7.根据权利要求6所述的一种识别核爆炸地震事件的方法,其特征在于:A∩B=Φ的组合情形包括:A判据地震概率×B判据爆炸概率、B判据地震概率×A判据爆炸概率。
8.根据权利要求6所述的一种识别核爆炸地震事件的方法,其特征在于:天然地震的组合情形包括:A判据地震概率×B判据地震概率、A判据地震概率×B判据不确定概率、A判据不确定概率×B判据地震概率;
爆炸地震的组合情形包括:A判据爆炸概率×B判据爆炸概率、A判据爆炸概率×B判据不确定概率、A判据不确定概率×B判据爆炸概率;
不确定的组合情形包括:A判据不确定概率×B判据不确定概率。
9.根据权利要求1~8任一项所述的一种识别核爆炸地震事件的方法,其特征在于:特定地区为地震事件发生的地区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710481292.9A CN107300715B (zh) | 2017-06-22 | 2017-06-22 | 一种识别核爆炸地震事件的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710481292.9A CN107300715B (zh) | 2017-06-22 | 2017-06-22 | 一种识别核爆炸地震事件的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107300715A CN107300715A (zh) | 2017-10-27 |
CN107300715B true CN107300715B (zh) | 2018-12-11 |
Family
ID=60135606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710481292.9A Active CN107300715B (zh) | 2017-06-22 | 2017-06-22 | 一种识别核爆炸地震事件的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107300715B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376245B (zh) * | 2018-02-02 | 2022-02-11 | 广西师范大学 | 基于ud通道的时空序列图像震源识别方法 |
CN110488351A (zh) * | 2019-08-15 | 2019-11-22 | 东北大学 | 基于机器学习的地震波震动性质识别方法 |
CN110501742A (zh) * | 2019-08-22 | 2019-11-26 | 东北大学 | 一种采用Boosting集成学习算法对地震事件进行区分的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5373486A (en) * | 1993-02-03 | 1994-12-13 | The United States Department Of Energy | Seismic event classification system |
CN102928877A (zh) * | 2012-11-14 | 2013-02-13 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 基于d-s证据理论的地震属性融合方法 |
CN104459784A (zh) * | 2014-12-11 | 2015-03-25 | 中国科学院地质与地球物理研究所 | 基于单台、双台和双事件数据二维Lg波Q值层析成像方法 |
CN105572738A (zh) * | 2016-01-29 | 2016-05-11 | 禁核试北京国家数据中心 | 一种采用单个台站检测特定地区核爆炸地震事件的方法 |
CN105676287A (zh) * | 2016-01-29 | 2016-06-15 | 禁核试北京国家数据中心 | 一种检测特定地区核爆炸地震事件的方法 |
CN105738950A (zh) * | 2016-01-29 | 2016-07-06 | 禁核试北京国家数据中心 | 一种针对特定地区的指向性聚束检测方法 |
CN106199683A (zh) * | 2016-07-04 | 2016-12-07 | 曾雄飞 | 一种基于共振包波谱监测数据的地震预测方法 |
-
2017
- 2017-06-22 CN CN201710481292.9A patent/CN107300715B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5373486A (en) * | 1993-02-03 | 1994-12-13 | The United States Department Of Energy | Seismic event classification system |
CN102928877A (zh) * | 2012-11-14 | 2013-02-13 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 基于d-s证据理论的地震属性融合方法 |
CN104459784A (zh) * | 2014-12-11 | 2015-03-25 | 中国科学院地质与地球物理研究所 | 基于单台、双台和双事件数据二维Lg波Q值层析成像方法 |
CN105572738A (zh) * | 2016-01-29 | 2016-05-11 | 禁核试北京国家数据中心 | 一种采用单个台站检测特定地区核爆炸地震事件的方法 |
CN105676287A (zh) * | 2016-01-29 | 2016-06-15 | 禁核试北京国家数据中心 | 一种检测特定地区核爆炸地震事件的方法 |
CN105738950A (zh) * | 2016-01-29 | 2016-07-06 | 禁核试北京国家数据中心 | 一种针对特定地区的指向性聚束检测方法 |
CN106199683A (zh) * | 2016-07-04 | 2016-12-07 | 曾雄飞 | 一种基于共振包波谱监测数据的地震预测方法 |
Non-Patent Citations (4)
Title |
---|
The Verification of a Comprehensive Nuclear Test Ban;Lynn R.Sykes et al.;《SCIENTIFIC AMERICAN》;19891231;第3-11页 * |
台阵地震学、地震台阵与禁核试条约监测系统;郝春月,等;《中国地震》;20070930;第233-244页 * |
法理地震学与全面禁止核试验条约;David Bowers et al.;《国际地震动态》;20091031;第1-22页 * |
禁试条约中的地震事件筛选判据分析;刘哲函,等;《核电子学与探测技术》;20111031;第1115-1119页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107300715A (zh) | 2017-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107300715B (zh) | 一种识别核爆炸地震事件的方法 | |
CN107276707B (zh) | 一种基于多属性分析的黑广播自动化分析方法及智能化识别装置 | |
CN106658590A (zh) | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 | |
CN101478534B (zh) | 一种基于人工免疫原理的网络异常检测方法 | |
CN106382981B (zh) | 一种单站次声波信号识别提取方法 | |
CN105372723B (zh) | 基于卷积神经网络模型的太阳耀斑预报方法 | |
CN103812577A (zh) | 非正常无线电信号的自动识别系统及其方法 | |
CN102263410A (zh) | 一种安全风险评估模型、评估方法及评估参数确定方法 | |
CN105679313A (zh) | 一种音频识别报警系统及方法 | |
CN110730473B (zh) | 面向WiFi活动识别的信号特征提取方法 | |
CN107257419B (zh) | 一种基于贝叶斯分析人际关系量化估值方法 | |
Deshpande et al. | How backward are the other backward classes? Changing contours of caste disadvantage in India | |
CN104954210A (zh) | 配电通信网中的不同业务类型与无线通信方式的匹配方法 | |
CN105572738B (zh) | 一种采用单个台站检测特定地区核爆炸地震事件的方法 | |
CN109473119A (zh) | 一种声学目标事件监控方法 | |
CN105389979A (zh) | 一种基于手机定位数据的综合客运枢纽客流实时监测方法 | |
CN104568113B (zh) | 一种基于模型的海洋声传播调查爆炸波自动截取方法 | |
Mizunuma et al. | Twitter bursts: Analysis of their occurrences and classifications | |
CN105716707A (zh) | 一种超低频次声异常信号判别方法 | |
CN103826241B (zh) | 一种无线网络中室内外区分方法 | |
CN101833843A (zh) | 一种基于声纹认证的监控系统 | |
CN111898385A (zh) | 一种地震灾害评估方法及系统 | |
CN102638466B (zh) | 一种基于免疫的动态实时网络异常检测方法 | |
CN105488260B (zh) | 一种航空噪声识别及非航空噪声过滤方法 | |
Donohue et al. | Quantifying areality: A study of prenasalisation in Southeast Asia and New Guinea |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |