CN114063150A - 一种基于ml-knn算法的“震源-台站”速度模型选取方法 - Google Patents
一种基于ml-knn算法的“震源-台站”速度模型选取方法 Download PDFInfo
- Publication number
- CN114063150A CN114063150A CN202111355177.XA CN202111355177A CN114063150A CN 114063150 A CN114063150 A CN 114063150A CN 202111355177 A CN202111355177 A CN 202111355177A CN 114063150 A CN114063150 A CN 114063150A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- model
- label
- velocity model
- data
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 72
- 238000010187 selection method Methods 0.000 title claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 238000004519 manufacturing process Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- 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. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/303—Analysis for determining velocity profiles or travel times
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于ML‑KNN算法的“震源‑台站”速度模型选取方法,主要解决现有微地震定位算法的速度模型选取存在较大误差,导致定位误差偏大的问题。该方法包括如下步骤:(S1)收集并预处理微地震事件的主动震源数据,并按比例制作训练集数据与测试集数据;(S2)基于ML‑KNN算法对所述训练集数据进行训练及测试,并根据测试集中的到时数据对测试集中微地震事件进行速度模型选取:(S3)通过分析评价算法准确度的指标,评判预测效果;通过对比,计算算法准确度。通过上述设计,本发明通过分析微震事件到各台站的P波到时来选取最合适的速度模型,为确定其准确坐标减少了来自速度模型方面所引起的误差。能够很好的选取速度模型,大大提高定位精度。
Description
技术领域
本发明属于微地震监测技术领域,具体地说,是涉及一种基于ML-KNN(MultiLabel-K Nearest Neighbor,多标签-K近邻)算法的“震源-台站”速度模型选取方法。
背景技术
微地震监测技术是用于岩体稳定性分析的重要技术手段之一,已在矿山、深埋地下隧道、岩质边坡等的安全监测领域有着广泛的应用。微地震监测技术相较于其他监测技术的有事在于其能够通过对微地震事件的时空定位,勾勒出岩爆孕育的过程,为现场的支持和施工提供参考,同时便于研究人员分析岩爆发生的机理。因此,对微地震的准确定位尤为重要,也是目前微地震监测技术的重点和难点。
目前,影响微地震定位精度的因素有到时拾取、定位算法以及速度模型的选取,其中,影响较大的就是速度模型的选取,准确的速度模型能够极大程度的提高微地震事件的定位精度,但目前工程应用中,一般采用或单一或多个试验炮所测速度作为速度模型,往往导致定位误差偏大。为解决此问题,发明人提出了一种基于“震源-台站”速度模型的微地震事件定位方法,并获得发明专利授权(专利号:ZL201910160885.4),此方法尽管在一定程度上提高了微地震事件的定位精度,但由于速度模型的选取仍存在误差,并不能将定位精度降至算法层面的最低水平。
发明内容
本发明的目的在于提供一种基于ML-KNN算法的“震源-台站”速度模型选取方法,主要解决现有微地震定位算法的速度模型选取存在较大误差,导致定位误差偏大的问题。
为实现上述目的,本发明采用的技术方案如下:
一种基于ML-KNN算法的“震源-台站”速度模型选取方法,包括如下步骤:
(S1)收集并预处理微地震事件的主动震源数据,并按比例制作训练集数据与测试集数据;
(S2)基于ML-KNN算法对所述训练集数据进行训练及测试,并根据测试集中的到时数据对测试集中微地震事件进行速度模型选取;
(S3)通过分析评价算法准确度的指标,评判预测效果;通过对比,计算算法准确度。
进一步地,在本发明中,在所述步骤(S1)中,所收集的微地震事件的主动震源数据为采用分层速度模型,根据在震源事件发生区域内随机生成的震源坐标及台站坐标,生成的M组震源到台站的P波到时数据集。
进一步地,在本发明中,在所述步骤(S1)中,对数据的预处理包括如下步骤:
(S11)对P波到时数据集按照3:7划分训练集和测试集;
(S12)设计N个主动震源的位置,并根据主动震源与台站的距离以及主动震源的P波到时得出主动震源速度模型;并将其标记为与之相对应的1~N数字形式的标签;
(S13)采用全局最优化算法对训练集的0.3M组的P波到时数据以及N个主动震源速度模型分别进行计算,并根据处理所得的坐标位置与实际震源位置之差的大小得出每个微震事件分别对应的最优速度模型;
(S14)收集测试集中微震事件对应的坐标数据,为后续的准确度计算做准备。
进一步地,在本发明中,在所述步骤(S2)中,所述的ML-KNN算法包括如下步骤:
(S21)求取每个标签的先验概率,即各速度模型对应事件个数与训练集中微震事件个数比;
(S22)分类并寻找K近邻;即将事件A的P波到时数据与已知最优速度模型的P波到时数据组进行距离差比较,选取K个最近的标签;
(S23)利用贝叶斯公式分别计算事件A为各标签的概率,取概率最高的标签所对应的速度模型作为事件A的最优速度模型;
(S24)输出结果为一组值,该组值为测试集中所有震源事件经过ML-KNN算法后所取的最优速度模型。
进一步地,在本发明中,在所述步骤(S2)中,还设置有第二标签,具体规则如下:
最优速度模型下的坐标差在10米以下,那么将次小对应的速度模型视为第二标签;若除了最优速度模型外,其余速度模型都在误差允许范围之外,则不生成第二标签,只以最优速度模型为唯一标签。
进一步地,在本发明中,在所述步骤(S3)所述的预测效果分析中,所述评价算法准确度的指标包括最优速度模型、平均精度、海明损失、1-错误率、覆盖率、排序损失;其中平均精度越高,海明损失、1-错误率、覆盖率越小,预测效果越好。
进一步地,在本发明中,所述步骤(S3)中的算法准确度计算中,将最优速度模型对应标签与第二标签收集在一个新的数据集内,用于与ML-KNN算法所执行后所选取的最优速度模型进行比较,从而得到ML-KNN算法的准确度;其中,判断ML-KNN算法是否准确的标准是:将算法执行后所得到的最优速度模型先与最优速度模型进行对比,若相同,则视为准确;否则,将之与第二标签进行对比,若相同,则视为标准;否则,视为不标准。
与现有技术相比,本发明具有以下有益效果:
本发明通过分析微震事件到各台站的P波到时来选取最合适的速度模型,为确定其准确坐标减少了来自速度模型方面所引起的误差。根据ML-KNN算法结果分析计算,准确度为99.23%,能够很好的选取速度模型,大大提高定位精度。
附图说明
图1为本发明方法的系统流程图。
图2为本发明方法中ML-KNN算法的流程图。
图3为台站分布位置图、震源事件发生区域。
图4为主动震源位置分布图。
图5为判断算法准确度流程图。
具体实施方式
下面结合附图说明和实施例对本发明作进一步说明,本发明的方式包括但不仅限于以下实施例。
实施例
如图1、2所示,本发明公开的一种基于ML-KNN算法的“震源-台站”速度模型选取方法,首先通过对微地震事件及主动震源数据的收集及预处理,生成训练集及测试集;然后通过ML-KNN分类算法对测试集中微震到时数据进行速度模型选取;最后通过对比,计算准确度。评判ML-KNN算法准确度的相关指标包括最优速度模型、平均精度、海明损失、1-错误率、覆盖率、排序损失;其中平均精度越高,海明损失、1-错误率、覆盖率越小,预测效果越好。
在本实施例中,本发明提供将微地震事件中所生成的数据进行收集和预处理的方法,包括以下步骤:
a)生成数据集:采用分层速度模型,根据在震源事件发生区域内随机生成的震源坐标及台站坐标,生成5000组震源到台站的P波到时数据集,并按照3:7划分训练集和测试集;设计N个主动震源的位置,本发明实施例中采用9个主动震源,并根据主动震源与台站的距离以及主动震源的P波到时得出主动震源速度模型组。
b)生成训练集:训练集包括震源P波到时数据及对应的最优速度模型。其中,上述数据集中所分1500组数据为训练集中P波到时数据;利用全局最优化算法对训练集的P波到时数据以及速度模型进行处理,并根据处理所得的坐标位置与实际震源位置之差的大小得出的每个P波到时数据组分别对应的最优速度模型。为了后续算法选取的优化,将速度模型VV1~VV9处理为与之相对应的1~9数字形式的标签。
c)生成测试集:测试集为上述数据集中所分3500组震源P波到时数据。对应震源坐标数据收集为后续的准确度计算做准备。
如图2所示,描述了ML-KNN算法的原理步骤,算法步骤为:(以测试集中的事件A为例)首先,求取每个标签的先验概率,即各速度模型对应事件个数比训练集中微震事件个数;然后分类并寻找K近邻(经交叉验证,本发明实例中将K取值为6),即将事件A的P波到时数据与已知最优速度模型的P波到时数据组进行距离差比较,选取6(K=6)个最近邻的标签;利用贝叶斯公式分别计算事件A为各标签的概率,取概率最高的标签所对应的速度模型作为事件A的最优速度模型。
在ML-KNN算法中,由于全局最优化算法层面存在的误差,所以设置了第二标签。具体规则如下:最优速度模型下的坐标差在10米以下,那么将次小对应的速度模型会视为第二标签;若除了最优速度模型外,其余速度模型都在误差允许范围之外,则不生成第二标签,只以最优速度模型为唯一标签。
在ML-KNN算法准确度计算中,将最优速度模型对应标签与第二标签收集在一个新的数据集内,用于与ML-KNN算法所执行后所选取的最优速度模型进行比较,从而得到ML-KNN算法的准确度。如图5所示,判断是否准确的标准是:将算法执行后所得到的最优速度模型先与最优速度模型进行对比,若相同,则视为准确,否则,将之与第二标签进行对比,若相同,则视为标准,否则,视为不标准。
测试时,将测试集中的所有到时数据进行ML-KNN运算,最终输出结果中存在一组值,该组值即为测试集中震源事件所对应的最优速度模型。
如图3所示,理论上来讲,各向异性的速度模型是最适合微震定位的,但是现实中,由于各向异性的速度模型难以获取,受场景影响较大等原因,很难运用到微震定位中。为了能够使速度模型最适应地运用于微地震定位中,本实验采用分层速度模型,该速度模型能够体现各向异性的同时,易获取并优于均匀速度模型。由图3可知,在Z=50、Z=-100层处分层进行实验,三层层速度分别为V1=1500m/s、V2=2500m/s、V2=3500m/s;数字1~8为台站的位置,坐标分别为(0,0,0)、(0,0,100)、(100,0,0)、(100,0,100)、(0,100,0)、(0,100,100)、(100,100,0)、(100,100,100)。
如图4所示,本发明采用9个主动震源个数,位置坐标分别为(0,0,-200)、(0,50,-200)、(0,100,-200)、(50,0,-200)、(50,50,-200)、(50,100,-200)、(100,0,-200)、(100,100,-200)。
ML-KNN算法准确度与其他算法准确度比较表如表1所示,本发明实施例中将与传统NN算法、KNN算法以及加权WKNN算法进行比较,通过比较,可得出以下结论:本发明实例所提出的ML-KNN方法选取更准确,优化定位精度的效果更佳。
算法 | 准确度 |
NN算法 | 88.7% |
KNN算法 | 90.4% |
加权WKNN算法 | 93.6% |
ML-KNN算法 | 99.23% |
表1,ML-KNN算法与其他算法准确度对比表
通过上述设计,本发明通过分析微震事件到各台站的P波到时来选取最合适的速度模型,为确定其准确坐标减少了来自速度模型方面所引起的误差。根据ML-KNN算法结果分析计算,准确度为99.23%,能够很好的选取速度模型,大大提高定位精度。
上述实施例仅为本发明的优选实施方式之一,不应当用于限制本发明的保护范围,但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色,其所解决的技术问题仍然与本发明一致的,均应当包含在本发明的保护范围之内。
Claims (7)
1.一种基于ML-KNN算法的“震源-台站”速度模型选取方法,其特征在于,包括如下步骤:
(S1)收集并预处理微地震事件的主动震源数据,并按比例制作训练集数据与测试集数据;
(S2)基于ML-KNN算法对所述训练集数据进行训练及测试,并根据测试集中的到时数据对测试集中微地震事件进行速度模型选取;
(S3)通过分析评价算法准确度的指标,评判预测效果;通过对比,计算算法准确度。
2.根据权利要求1所述的一种基于ML-KNN算法的“震源-台站”速度模型选取方法,其特征在于,在所述步骤(S1)中,所收集的微地震事件的主动震源数据为采用分层速度模型,根据在震源事件发生区域内随机生成的震源坐标及台站坐标,生成的M组震源到台站的P波到时数据集。
3.根据权利要求2所述的一种基于ML-KNN算法的“震源-台站”速度模型选取方法,其特征在于,在所述步骤(S1)中,对数据的预处理包括如下步骤:
(S11)对P波到时数据集按照3:7划分训练集和测试集;
(S12)设计N个主动震源的位置,并根据主动震源与台站的距离以及主动震源的P波到时得出主动震源速度模型;并将其标记为与之相对应的1~N数字形式的标签;
(S13)采用全局最优化算法对训练集的0.3M组的P波到时数据以及N个主动震源速度模型分别进行计算,并根据处理所得的坐标位置与实际震源位置之差的大小得出每个微震事件分别对应的最优速度模型;
(S14)收集测试集中微震事件对应的坐标数据,为后续的准确度计算做准备。
4.根据权利要求3所述的一种基于ML-KNN算法的“震源-台站”速度模型选取方法,其特征在于,在所述步骤(S2)中,所述的ML-KNN算法包括如下步骤:
(S21)求取每个标签的先验概率,即各速度模型对应事件个数与训练集中微震事件个数比;
(S22)分类并寻找K近邻;即将事件A的P波到时数据与已知最优速度模型的P波到时数据组进行距离差比较,选取K个最近的标签;
(S23)利用贝叶斯公式分别计算事件A为各标签的概率,取概率最高的标签所对应的速度模型作为事件A的最优速度模型;
(S24)输出结果为一组值,该组值为测试集中所有震源事件经过ML-KNN算法后所取的最优速度模型。
5.根据权利要求4所述的一种基于ML-KNN算法的“震源-台站”速度模型选取方法,其特征在于,在所述步骤(S2)中,还设置有第二标签,具体规则如下:
最优速度模型下的坐标差在10米以下,那么将次小对应的速度模型视为第二标签;若除了最优速度模型外,其余速度模型都在误差允许范围之外,则不生成第二标签,只以最优速度模型为唯一标签。
6.根据权利要求5所述的一种基于ML-KNN算法的“震源-台站”速度模型选取方法,其特征在于,在所述步骤(S3)所述的预测效果分析中,所述评价算法准确度的指标包括最优速度模型、平均精度、海明损失、1-错误率、覆盖率、排序损失;其中平均精度越高,海明损失、1-错误率、覆盖率越小,预测效果越好。
7.根据权利要求6所述的一种基于ML-KNN算法的“震源-台站”速度模型选取方法,其特征在于,所述步骤(S3)中的算法准确度计算中,将最优速度模型对应标签与第二标签收集在一个新的数据集内,用于与ML-KNN算法所执行后所选取的最优速度模型进行比较,从而得到ML-KNN算法的准确度;其中,判断ML-KNN算法是否准确的标准是:将算法执行后所得到的最优速度模型先与最优速度模型进行对比,若相同,则视为准确;否则,将之与第二标签进行对比,若相同,则视为标准;否则,视为不标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111355177.XA CN114063150B (zh) | 2021-11-16 | 2021-11-16 | 一种基于ml-knn算法的“震源-台站”速度模型选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111355177.XA CN114063150B (zh) | 2021-11-16 | 2021-11-16 | 一种基于ml-knn算法的“震源-台站”速度模型选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114063150A true CN114063150A (zh) | 2022-02-18 |
CN114063150B CN114063150B (zh) | 2023-05-23 |
Family
ID=80272618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111355177.XA Active CN114063150B (zh) | 2021-11-16 | 2021-11-16 | 一种基于ml-knn算法的“震源-台站”速度模型选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114063150B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116256803A (zh) * | 2023-03-09 | 2023-06-13 | 中国矿业大学 | 一种融合开采信息与地质信息的煤矿微震区域定位方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU59842U1 (ru) * | 2006-10-03 | 2006-12-27 | Закрытое акционерное общество "Научно-инженерный центр "СИНАПС" | Устройство сейсмоакустического обнаружения и классификации движущихся объектов (варианты) |
CN106814391A (zh) * | 2015-11-27 | 2017-06-09 | 中国石油化工股份有限公司 | 基于菲涅尔体层析反演的地面微地震事件定位方法 |
CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
CN109212597A (zh) * | 2018-10-16 | 2019-01-15 | 中国矿业大学(北京) | 基于深度信念网络和扫描叠加的微震源自动定位方法 |
CN111551985A (zh) * | 2020-05-15 | 2020-08-18 | 广州市高速公路有限公司 | 一种基于桩锤激震和k近邻算法的地下溶洞探测方法 |
CN112101241A (zh) * | 2020-09-17 | 2020-12-18 | 西南科技大学 | 一种基于深度学习的轻量级表情识别方法 |
CN112613184A (zh) * | 2020-12-29 | 2021-04-06 | 煤炭科学研究总院 | 一种用于判定地震发生时边坡崩塌落石距离的人工智能方法 |
-
2021
- 2021-11-16 CN CN202111355177.XA patent/CN114063150B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU59842U1 (ru) * | 2006-10-03 | 2006-12-27 | Закрытое акционерное общество "Научно-инженерный центр "СИНАПС" | Устройство сейсмоакустического обнаружения и классификации движущихся объектов (варианты) |
CN106814391A (zh) * | 2015-11-27 | 2017-06-09 | 中国石油化工股份有限公司 | 基于菲涅尔体层析反演的地面微地震事件定位方法 |
CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
CN109212597A (zh) * | 2018-10-16 | 2019-01-15 | 中国矿业大学(北京) | 基于深度信念网络和扫描叠加的微震源自动定位方法 |
CN111551985A (zh) * | 2020-05-15 | 2020-08-18 | 广州市高速公路有限公司 | 一种基于桩锤激震和k近邻算法的地下溶洞探测方法 |
CN112101241A (zh) * | 2020-09-17 | 2020-12-18 | 西南科技大学 | 一种基于深度学习的轻量级表情识别方法 |
CN112613184A (zh) * | 2020-12-29 | 2021-04-06 | 煤炭科学研究总院 | 一种用于判定地震发生时边坡崩塌落石距离的人工智能方法 |
Non-Patent Citations (4)
Title |
---|
WANG, LL: "Weighted Ensemble Classification of Multi-label Data Streams", SO ADVANCES IN KNOWLEDGE DISCOVERY AND DATA MINING * |
沈统: "微地震事件定位精度优化关键技术研究", 中国优秀硕士论文辑 * |
王淑盛: "改进的K近邻方法在岩性识别中的应用", 地球物理学进展 * |
饶静: "基于有理插值的纵横波匹配方法应用研究", 中国优秀硕士论文辑 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116256803A (zh) * | 2023-03-09 | 2023-06-13 | 中国矿业大学 | 一种融合开采信息与地质信息的煤矿微震区域定位方法 |
CN116256803B (zh) * | 2023-03-09 | 2024-01-19 | 中国矿业大学 | 一种融合开采信息与地质信息的煤矿微震区域定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114063150B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN110162997B (zh) | 基于插值点的匿名隐私保护方法 | |
CN106572493A (zh) | Lte网络中的异常值检测方法及系统 | |
CN108595539A (zh) | 一种基于大数据的行迹相似对象识别方法与系统 | |
CN109215338B (zh) | 一种基于网格化的北斗gps车辆轨迹管理系统及其方法 | |
CN104093203A (zh) | 一种用于无线室内定位的接入点选择算法 | |
CN107305577B (zh) | 基于K-means的妥投地址数据处理方法和系统 | |
CN107193060B (zh) | 一种多路径台风风暴潮快速预测方法及系统 | |
CN104462184A (zh) | 一种基于双向抽样组合的大规模数据异常识别方法 | |
CN105120433A (zh) | 基于连续采样及模糊聚类处理的wlan室内定位方法 | |
CN104931960A (zh) | 动向报文与雷达目标态势信息全航迹段数据关联方法 | |
CN108520267B (zh) | 一种基于时空特征的水文遥测数据异常检测方法 | |
CN103987118B (zh) | 基于接收信号强度信号ZCA白化的接入点k‑means聚类方法 | |
CN112653991A (zh) | 一种基于深度学习的TebNet神经网络模型的WLAN室内定位方法 | |
CN115327616B (zh) | 一种海量数据驱动的矿山微震震源自动定位方法 | |
CN102967848B (zh) | 一种基于距离关系库及接收信号强度的定位方法 | |
CN114063150B (zh) | 一种基于ml-knn算法的“震源-台站”速度模型选取方法 | |
CN113436433A (zh) | 一种高效的城市交通离群值检测方法 | |
CN110197133A (zh) | 将检测波形进行对齐的方法和装置 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN112601173A (zh) | 5g定位真值检测与攻击溯源方法、系统、设备及应用 | |
CN117194995A (zh) | 基于数据挖掘的轨道车辆rams数据关联性分析方法 | |
CN111405461A (zh) | 一种优化等间隔指纹采样个数的无线室内定位方法 | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
CN107132515A (zh) | 一种基于多维信息约束的点迹筛选方法 |
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 |