KR20200061307A - 딥러닝을 이용한 지진 분류 방법 및 장치 - Google Patents
딥러닝을 이용한 지진 분류 방법 및 장치 Download PDFInfo
- Publication number
- KR20200061307A KR20200061307A KR1020190151637A KR20190151637A KR20200061307A KR 20200061307 A KR20200061307 A KR 20200061307A KR 1020190151637 A KR1020190151637 A KR 1020190151637A KR 20190151637 A KR20190151637 A KR 20190151637A KR 20200061307 A KR20200061307 A KR 20200061307A
- Authority
- KR
- South Korea
- Prior art keywords
- earthquake
- sample data
- deep learning
- data
- processor
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 230000015654 memory Effects 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 19
- 239000000284 extract Substances 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005422 blasting Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Geology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Molecular Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
본 발명은 딥러닝을 이용한 지진 분류 방법 및 장치를 개시한다. 본 발명에 따르면, 프로세서 및 상기 프로세서에 연결되는 메모리를 포함하되, 상기 메모리는, 시계열 원시 데이터로 구성되는 지진 샘플 데이터를 입력 받고, 상기 입력된 지진 샘플 데이터를 중심화(centering) 전처리하고, n개(n은 1이상의 자연수)의 콘볼루션 레이어를 통해 상기 전처리된 지진 샘플 데이터의 특징을 추출하고, 상기 추출된 특징을 이용하여 상기 지진 샘플 데이터의 카테고리를 분류하도록, 상기 프로세서에 의해 실행되는 프로그램 명령어들을 저장하되, 제1 내지 제n 콘볼루션 레이어 중 제2 내지 제n 콘볼루션 레이어는 1x1 콘볼루션 기반 병목 구조가 적용되는 딥러닝을 이용한 지진 분류 장치가 제공된다.
Description
본 발명은 딥러닝을 이용한 지진 분류 방법 및 장치에 관한 것이다.
과거에는 관측 데이터를 수집하는 일이 비용이 많이 들고, 컴퓨터의 연산 능력이 부족하다는 한계로 인해, 특징 추출 단계에서 구분에 필요한 최소한의 정보를 추출하고, 간단한 인식 방법을 적용하기 위한 연구가 진행되어왔다. 최근, 수많은 데이터가 공유되고 있고, 병렬연산을 통한 연산능력이 대폭 증가함에 따라, 과거에는 구현이 힘들었던 다중 신경망 (Multi-layer Neural Network)을 활용하는 연구가 활발히 진행되고 있다.
관측 데이터 x로부터 목적에 맞는 결과 y를 도출하는 함수 y=f(x)를 신경망(Neural Network: NN)을 이용하여 만들 수 있다. 이때, 함수 f(x)에는 다수의 변수들이 존재하며 다수의 변수들을 관측 데이터 혹은 학습 데이터를 통해 찾아가는 과정을 “학습단계”라 한다. 학습된 다수의 변수값을 적용하여, 임의의 관측 데이터 x로부터 분류결과 y를 얻는 과정을 “테스트 단계”라 한다.
일반적인 NN 방법의 학습에서 학습 데이터의 차원이(예, 영상 입력) 증가하게 되는 경우 학습 변수의 양이 기하급수적으로 증가하며 이 변수들을 학습하기 위한 데이터의 양은 상대적으로 충분하지 못하다. 이러한 경우, 과학습으로 인해 인식 방법에 대한 일반화에 어려움이 있다.
이에 반해 CNN(Convolution Neural Network)은 local connection 과 weight sharing의 특성을 갖는 콘볼루션 연산을 통해, 소수의 학습 변수를 사용하기 때문에 학습 변수의 양을 충분히 줄일 수 있다. 또한 학습을 통해 콘볼루션 필터를 학습할 수 있는 장점을 갖고 있다. CNN은 콘볼루션 레이어, pooling layer, fully-connected layer로 3단계로 구성된다.
- 콘볼루션 레이어: 콘볼루션을 통해 의미 있는 특징들을 추출
- Pooling layer : 생성된 특징를 줄이기 위해 subsampling 하는 과정
- Fully-connected layer : 콘볼루션 레이어와 pooling layer에서 나온 feature set를 1차원 데이터로 변형한 이후, output layer와 완전히 연결된 NN를 이용하여 분류
CNN은 일반적으로 2차원 관측 데이터를 입력 받아 분류하는 문제에 적용되었다. 관측 데이터가 영상/이미지의 경우 관측 데이터를 바로 CNN에 입력하여 전파할 수 있지만, 음향과 같은 시계열 데이터의 경우 두 가지 접근법이 적용된다. 먼저, 1차원 데이터를 2차원 데이터로 변형하여 사용하는 방식으로, 예를 들면 1차원 음향 데이터를 spectrogram 영상으로 변환한 후 CNN에 입력하는 방법이 있다. 또 다른 방법은 1차원 데이터를 2차원 콘볼루션 과정을 거치는 것이 아니라 1차원 콘볼루션에 적용하는 방식이다.
한편, 기존 지진 분류 알고리즘은 다음과 같다.
STA(Short Time Average/(Long Time Average) 방식은 STA와 LTA의 비율 문턱치를 통해 지진을 탐지하는 대표적인 방식로 낮은 SNR 환경에서는 부적합하다. 다중 관측소의 STA/LTA 결과를 토대로 지진 탐지 여부 결정한다.
Auto-correlation 기반 방식은 단일 지역에서 반복되는 지진 waveform들 간의 correlation을 기반으로 지진을 탐지하는 방식으로 성능은 우수하지만 연산량 과부화 및 긴 시간의 신호에는 활용성에 한계를 갖고 있다.
Template matching 방식은 Auto-correlation 방법의 연산량 과부하 문제를 개선하기 위해 제안된 기법으로 지진 template를 설정 후 template과 입력 지진 파형과의 correlation을 통해 지진을 탐지하게 된다. Template의 숫자는 성능에 주요한 영향을 미치며 주성분 분석(Principle Component Analysis, PCA) 혹은 subspace learning을 통해 template의 숫자를 줄이는 접근 방식들이 제안되고 있다. 최근에는 template matching의 연산량을 개선하기 위한 FAST(Fingerprint And Similarity Thresholding) 방법이 제안되었다. 이 방식은 unsupervised 지진 탐지 방식으로 spectral image와 haar wavelet 변환을 통해 지문과 유사한 지진 특징을 추출하며 local sensitive hashing을 통해 유사도 측정 연산량을 감소시킨다.
기존의 지진 감지 연구는 주로 대규모 지진의 발생 후 신속하게 지진을 감지하여 알려주는 지진 조기 경보 시스템에 초점을 맞추고 있지만, 라퀼라 지진은 미소 지진 분석의 중요성도 간과해서는 안 된다는 것을 보여 주고 있다. 일반적으로 작은 지진의 발생 횟수가 늘어날수록 거대 지진이 발생할 가능성은 증가하는 경향을 나타내고 있으며 미소 지진의 발생 횟수 및 장소 파악을 통해 거대 지진의 발생 가능성을 예측하려는 기술들이 주목받고 있다. 그러나 미소 지진의 경우 잡음과의 모호성으로 인해 정확한 발생 분포 계산이 쉽지만은 않다. 또한 지표면 근처 및 얕은 심도에서 발생하는 인공 발파, 핵실험 등의 인공 지진과의 모호성은 더욱더 자연 미소지진의 분류를 힘들게 하는 요소로 작용한다. 미소 지진의 발생 분포를 정확히 추정하기 위해서는 인공 지진 및 잡음과의 모호한 상황에서도 강인하게 미소 지진을 감지할 수 있는 기술이 필요하다.
큰 규모의 지진에 비해 작은 규모의 미소 지진 감지는 낮은 SNR 환경으로 인해 잡음과의 분류 성능이 만족스럽지 못하며 인공 발파 및 핵실험 등의 인공 지진은 자연 미소 지진을 감지하는데 큰 방해 요소가 된다.
R. J. Skoumal, et al., "Optimizing multi-station earthquake template matching through re-examination of the Youngstown, Ohio, sequence," Earth and Planet Science Letters, Vol.405, pp.274-280, Nov. 2014.
상기한 종래기술의 문제점을 해결하기 위해, 본 발명은 딥러닝을 통해 다량의/복잡한 자료들 속에 내재되어 있는 핵심적인 내용을 추출하여 지진 분류할 수 있는 딥러닝을 이용한 지진 분류 방법 및 장치를 제안하고자 한다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따르면, 딥러닝을 이용한 지진 분류 장치로서, 프로세서; 및 상기 프로세서에 연결되는 메모리를 포함하되, 상기 메모리는, 시계열 원시 데이터로 구성되는 지진 샘플 데이터를 입력 받고, 상기 입력된 지진 샘플 데이터를 중심화(centering) 전처리하고, n개(n은 1이상의 자연수)의 콘볼루션 레이어를 통해 상기 전처리된 지진 샘플 데이터의 특징을 추출하고, 상기 추출된 특징을 이용하여 상기 지진 샘플 데이터의 카테고리를 분류하도록, 상기 프로세서에 의해 실행되는 프로그램 명령어들을 저장하되, 제1 내지 제n 콘볼루션 레이어 중 제2 내지 제n 콘볼루션 레이어는 1x1 콘볼루션 기반 병목 구조가 적용되는 딥러닝을 이용한 지진 분류 장치가 제공된다.
상기 제2 내지 제n 콘볼루션 레이어는 1x1, 3x1, 1x1 필터가 순차적으로 적용될 수 있다.
상기 프로그램 명령어들은, 상기 제1 내지 제n 콘볼루션 레이어에 의해 추출된 특징을 일괄 정규화하여 정규화된 특징 정보를 생성하고, 상기 정규화된 특징 정보에 대해 Relu 함수를 통해 비선형 매핑하고, fully-connected 레이어와 softmax를 통해 지진 샘플 데이터의 카테고리를 분류할 수 있다.
상기 fully-connected 레이어에는 과대적합을 방지하기 위해 드랍아웃 정규화가 적용될 수 있다.
본 발명의 다른 측면에 따르면, 프로세서 및 메모리를 포함하는 장치에서 딥러닝을 이용한 지진 분류 방법으로서, 시계열 원시 데이터로 구성되는 지진 샘플 데이터를 입력 받는 단계; 상기 입력된 지진 샘플 데이터를 중심화(centering) 전처리하는 단계; n개(n은 1이상의 자연수)의 콘볼루션 레이어를 통해 상기 전처리된 지진 샘플 데이터의 특징을 추출하는 단계; 및 상기 추출된 특징을 이용하여 상기 지진 샘플 데이터의 카테고리를 분류하는 단계를 포함하되, 제1 내지 제n 콘볼루션 레이어 중 제2 내지 제n 콘볼루션 레이어는 1x1 콘볼루션 기반 병목 구조가 적용되는 딥러닝을 이용한 지진 분류 방법이 제공된다.
본 발명에 따르면, 누적된 미소 지진 탐지 정보를 분석하여 요주의 지역을 도출할 수 있으며, 인근 지역을 집중적으로 감시하여 지진피해에 대한 빠른 경보 및 대응이 가능한 장점이 있다.
또한, 본 발명에 따르면, 지진 탐지 결과를 이용한 분석 정보를 바탕으로 공장, 발전소, 거대 상업지구 등의 주요 산업시설의 건설 계획 시 가이드라인을 제시하여 안전한 곳에 건설하도록 유도하거나 내진 설계 등의 대비를 통해 대규모 재난 사태의 발생 가능성을 줄일 수 있다.
나아가, 국민에게 좀 더 정확하고 신속한 지진 정보를 제공함으로써, 평상시 지진에 대한 불안감을 줄이고 예보, 경보의 신뢰 향상, 지진 발생 시 체계적인 대처를 통한 인적자원의 피해 최소화할 수 있다.
도 1은 본 발명의 바람직한 일 실시예에 따른 지진 분류 과정을 도시한 도면이다.
도 2는 본 실시예에 따른 딥러닝을 이용한 지진 분류 장치의 구성을 도시한 도면이다.
도 3는 병목 구조를 도시한 도면이다.
도 2는 본 실시예에 따른 딥러닝을 이용한 지진 분류 장치의 구성을 도시한 도면이다.
도 3는 병목 구조를 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명은 딥러닝을 기반으로 지진 분류 혹은 지진 탐지를 수행한다.
도 1은 본 발명의 바람직한 일 실시예에 따른 지진 분류 과정을 도시한 도면이다.
본 실시예에 따른 지진 분류 과정은 CNN을 기반으로 수행될 수 있다.
시계열(time series) 데이터를 기반으로 한 딥러닝 기법들은 크게 spectrogram 과 같은 2차원 변환 입력을 이용하는 방식과 시계열 원시 데이터(time series raw data)를 바로 이용하는 방식으로 분류할 수 있다.
또한 지진파의 경우 주파수 크기 뿐만 아니라 위상 천이 정보가 주요 정보로 적용되어야 한다. 그러나 spectrogram과 같은 2차원 변환 입력 방식의 경우 입력 데이터의 위상 변화 정보를 사용하지 않기 때문에 본 발명에서는 도 1과 같이 시계열 원시 데이터를 이용하는 1x1 병목 구조 적용 CNN 방법을 제안한다.
도 2는 본 실시예에 따른 딥러닝을 이용한 지진 분류 장치의 구성을 도시한 도면이다.
도 2에 도시된 바와 같이, 본 실시예에 따른 지진 분류 장치는 프로세서(200) 및 메모리(202)를 포함할 수 있다.
프로세서(200)는 컴퓨터 프로그램을 실행할 수 있는 CPU(central processing unit)나 그밖에 가상 머신 등을 포함할 수 있다.
메모리(202)는 고정식 하드 드라이브나 착탈식 저장 장치와 같은 불휘발성 저장 장치를 포함할 수 있다. 착탈식 저장 장치는 컴팩트 플래시 유닛, USB 메모리 스틱 등을 포함할 수 있다. 메모리(202)는 각종 랜덤 액세스 메모리와 같은 휘발성 메모리도 포함할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(100)는 메모리(102)에 저장된 프로그램 명령어들을 이용하여 데이터를 전처리하고, 전처리된 데이터를 이용하여 지진을 분류한다.
이하에서는 본 실시예에 따른 지진 분류 장치의 프로그램 명령어들이 수행하는 과정을 상세하게 설명한다.
데이터 전처리
관측소별 특성으로 인해 지진 데이터의 범위가 다른 경우가 발생할 수 있다.
이를 위해 아래의 수학식 1과 같이 중심화(Centering) 과정의 데이터 전처리 과정을 수행한다.
일반적으로 중심화 과정은 기하학적으로 데이터의 군집을 모든 차원에 대해서 원점으로 이동시키는 효과를 얻을 수 있다.
여기서, xm은 지진 샘플 데이터, ym은 중심화 변환된 지진 샘플 데이터, M은 발생 이벤트 내의 총 샘플수이다.
네트워크 구조
본 실시예에 따른 CNN 구조는 3채널 지진 샘플 데이터를 이용하며 채널당 1000 샘플의 입력 데이터를 사용한다. 1000 샘플 데이터는 100Hz 샘플링 10초 구간의 데이터를 나타낸다. 8개의 콘볼루션 레이어는 수학식 2와 같이 1D 콘볼루션을 수행하며 콘볼루션 결과는 수학식 3과 같은 Relu(Rectified Linear Unit) 함수를 통해 비선형 매핑(mapping)을 거친다. 1D 콘볼루션의 필터 크기는 3x1이며 채널 C의 크기는 각 레이어마다 32개를 적용한다.
여기서, xl-1은 입력 지진 샘플 데이터, Wl은 필터, C는 채널의 수를 나타낸다.
변환 결과는 max-pooling을 통해 down-sampling 과정을 거치게 된다.
Max-pooling의 간격은 2로 설정하여 이 과정을 거칠 때마다 입력 데이터는 1/2배로 축소된다. 8 콘볼루션 레이어의 콘볼루션 후에 생성된 특징 정보(Feature map)는 일괄 정규화를 통해 정규화된 특징 정보를 생성하며 한번 더 Relu 함수를 통해 비선형 매핑을 수행한다. 생성된 특징 정보가 fully-connected 레이어와 softmax를 거치면서 지진 샘플 데이터의 카테고리(지진 이벤트)가 분류된다.
제안 모델의 과대적합(overfitting)을 방지하기 위해 본 실시예에서는 fully-connected 레이어에 드랍아웃 정규화를 적용하였다.
병목 구조를 갖는 CNN(CNN with Bottleneck structure)
도 3는 병목 구조를 도시한 도면이다.
도 3에 도시된 바와 같이, 병목 구조는 각 레이어의 노드(Node) 수가 줄어들었다가 다시 증가하는 형태를 나타낸다.
이러한 구조는 특징의 차원 축소 후 다시 고차원으로 복원되는 과정으로 설명될 수 있다.
1x1 콘볼루션을 이용한 병목 구조는 GoogLeNet, ResNet에서 연산량 감소 및 파라미터가 증가하는 것을 방지한다. 본 발명에서는 연산량 혹은 파라미터 감소 측면 보다는 잡음 제거 효과를 얻기 위해 1x1 콘볼루션 기반 병목 구조를 적용한다.
영상 분류 문제와는 다르게 지진 이벤트 데이터들은 실측 데이터들을 기반으로 학습 과정을 거쳐야 한다. 즉 지진 이벤트 내에는 지진 이외의 잡음 성분들도 포함될 가능성이 있다. 본 발명에서는 도 1에 도시된 바와 같이, 시계열 데이터 CNN에서 하나의 콘볼루션 레이어 필터를 1x1, 3x1, 1x1 필터로 순차적으로 적용한 CNN 구조를 제안한다.
이러한 구조는 주성분 분석(PCA) 또는 오토인코더(auto-encoder)와 같이 차원 축소와 복원 과정을 통해 데이터 내의 불필요한 잡음들을 제거하는 효과를 갖게 된다. 1x1 콘볼루션을 이용한 병목 구조는 제1 내지 제8 레이어 중 제2 레이어부터 제8 레이어에 적용한다.
제1 레이어에서는 콘볼루션 후 제8 레이어에서는 콘볼루션과 max-pooling을 거친 후 일괄 정규화를 수행한다.
일괄 정규화(Batch Normalization)
네트워크 레이어(Network layer)가 증가하면서 경사도 사라짐(Gradient vanishing) 및 폭발(Exploding) 문제는 딥네트워크(deep network)의 주요 쟁점 사항이다. 이러한 문제는 활성화(Activation) 함수의 변화, 초기화(Initialization), 학습률(Learning rate)을 통해 해결하려는 다양한 시도가 있었다. 일괄 정규화는 경사도 사람짐 및 폭발의 문제를 훈련(Training) 과정 안에서 해결하려는 접근을 취한다. 일괄 정규화는 각 레이어마다 입력 분포가 상이해지는 내부 공분산 이동 현상을 막기 위해 각 레이어의 입력 분포를 평균 0, 표준편차 1이 형태로 정규화시키는 whitening 방법을 착안하여 고안되었다. 각 특징에 대해서 평균과 분산을 구한 후 정규화를 거치며 정규화된 값들에 대해서 스케일 요소(scale factor)와 이동 요소(shift factor)를 더해 주는 변환 과정을 거치게 된다. 스케일 요소와 이동 요소 파라미터는 mini-batch 단위로 훈련 과정에서 유도한다.
드랍아웃 정규화(Dropout regularization)
dropout 기법은 과대접합(overfitting)을 방지하기 위한 정규화 기법이다. dropout은 각 뉴런들을 확률 값에 따라 활성화하여 학습에 적용하게 된다. 본 발명에서는 fully connected layer에서 p = 0.5를 설정하여 네트워크를 훈련한다.
모의 실험
본 발명에서는 2018년 1월1일부터 2018년 7월 31일까지의 대한민국에서 발생하는 지진 데이터 정보들을 이용하여 지진 데이터 및 잡음 데이터를 수집하였다. 기상청에서 제공되는 24시간 지진 관측 데이터 및 지진 이벤트 목록 파일을 토대로 지진 이벤트 및 잡음 데이터베이스가 구축되었다.
지진 데이터는 100Hz로 기록된 E,N,Z 채널 데이터를 이용하고 있으며 지진 이벤트 클래스는 강진(규모 2.0 이상), 미소지진(규모 2.0 미만), 인공지진, 잡음 카테고리로 구분된다. 수집 기간에 발생한 지진 이벤트의 횟수 및 각 지진 이벤트를 관측한 관측소의 개수는 표 1과 같다.
| 지진 이벤트 | 발생 횟수 | 관측소 개수 |
| 강진 | 71 | 250 |
| 미소지진 | 189 | 671 |
| 인공지진 | 73 | 179 |
본 발명에서 훈련 및 테스트에 이용될 지진 이벤트의 개수는 관측소 개수와 동일하며 기본적인 지진 이벤트의 수집 방식은 각 관측소별 지진이 관측된 시점부터 10초 구간의 데이터를 추출하고 있다.
수집 데이터의 양을 늘리기 위해 본 실험에서는 각 관측소에 지진을 처음 관측한 시점 보다 3초 앞에서부터 10초 구간의 데이터를 수집하고 있으며 1초 간격 sliding 방식을 적용하여 데이터의 양을 4배 증가시켰다. 잡음 이벤트의 경우 지진 이벤트 목록에 기록되지 않은 날짜에서 임의적으로 10초 구간의 샘플을 2,469개 추출하였다. 모의 실험에서 사용하는 데이터셋 구성은 표 2와 같다. 데이터 균형을 맞추기 위해 미소 이벤트의 개수는 각 데이터셋 별로 상이하다.
표 2는 본 실험에서의 데이터셋 구성을 나타낸다.
| 데이터셋 | 총개수 | 세부 개수 |
| 지진vs잡음 | 6,357 | 지진(3888),잡음(2469) |
| 강진vs잡음 | 2,576 | 강진(876),잡음(1700) |
| 미소vs잡음 | 4,809 | 미소(2340), 잡음(2469) |
| 인공vs잡음 | 2,072 | 인공(672), 잡음(1,400) |
| 지진vs인공 | 1,376 | 미소(704), 인공(672) |
표 2의 데이터셋은 모의 실험에서 훈련 70%, validation 15%, 테스트 15%의 비율로 사용하였다.
NVIDIA Geforce GTX 1080Ti GPU와 Tensorflow 기반으로 모의 실험을 수행하였으며 네트워크 훈련 iteration은 총 30,000을 수행하였다. 모델 훈련 시 최적화는 ADAM 방법을 이용하였으며 학습율은 10-4 을 주었다.
본 발명의 성능 분석을 위해 ConvNetQuake와의 비교 분석을 수행하였으며 성능 측정은 수학식 4와 같이 accuracy 지수를 사용한다. Accuracy는 총 테스트 개수 중에서 정확하게 추정된 결과(TP:true positive,TN:true negative) 개수의 비로 정의된다.
표 3은 본 발명과 ConvNetQuake의 성능 비교 결과(단위 %)를 나타낸 것이다.
| 지진vs잡음 | 강진vs잡음 | 미소vs잡음 | 인공vs잡음 | 지진vs인공 | |
| ConvNetQuake | 84 | 84 | 85 | 81 | 81 |
| 본 발명 | 93 | 95 | 93 | 96 | 96 |
기존 ConvNetQuake 방법의 경우 각 데이터셋 별로 80% 초중반대의 성능을 나타내고 있다. 1x1 병목 구조가 적용된 방법은 기존 ConvNetQuake 방법보다 평균적으로 11.6% 향상된 성능을 보여주고 있다. 1x1 병목 구조, 일괄 정규화와 드랍아웃 정규화를 적용함으로써 L2 정규화만이 적용된 ConvNetQuake 보다 우수한 성능을 얻을 수 있었다.
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.
Claims (5)
- 딥러닝을 이용한 지진 분류 장치로서,
프로세서; 및
상기 프로세서에 연결되는 메모리를 포함하되,
상기 메모리는,
시계열 원시 데이터로 구성되는 지진 샘플 데이터를 입력 받고,
상기 입력된 지진 샘플 데이터를 중심화(centering) 전처리하고,
n개(n은 1이상의 자연수)의 콘볼루션 레이어를 통해 상기 전처리된 지진 샘플 데이터의 특징을 추출하고,
상기 추출된 특징을 이용하여 상기 지진 샘플 데이터의 카테고리를 분류하도록,
상기 프로세서에 의해 실행되는 프로그램 명령어들을 저장하되,
제1 내지 제n 콘볼루션 레이어 중 제2 내지 제n 콘볼루션 레이어는 1x1 콘볼루션 기반 병목 구조가 적용되는 딥러닝을 이용한 지진 분류 장치. - 제1항에 있어서,
상기 제2 내지 제n 콘볼루션 레이어는 1x1, 3x1, 1x1 필터가 순차적으로 적용되는 딥러닝을 이용한 지진 분류 장치. - 제1항에 있어서,
상기 프로그램 명령어들은,
상기 제1 내지 제n 콘볼루션 레이어에 의해 추출된 특징을 일괄 정규화하여 정규화된 특징 정보를 생성하고,
상기 정규화된 특징 정보에 대해 Relu 함수를 통해 비선형 매핑하고,
fully-connected 레이어와 softmax를 통해 지진 샘플 데이터의 카테고리를 분류하는 딥러닝을 이용한 지진 분류 장치. - 제1항에 있어서,
상기 fully-connected 레이어에는 과대적합을 방지하기 위해 드랍아웃 정규화가 적용되는 딥러닝을 이용한 지진 분류 장치. - 프로세서 및 메모리를 포함하는 장치에서 딥러닝을 이용한 지진 분류 방법으로서,
시계열 원시 데이터로 구성되는 지진 샘플 데이터를 입력 받는 단계;
상기 입력된 지진 샘플 데이터를 중심화(centering) 전처리하는 단계;
n개(n은 1이상의 자연수)의 콘볼루션 레이어를 통해 상기 전처리된 지진 샘플 데이터의 특징을 추출하는 단계;
상기 추출된 특징을 이용하여 상기 지진 샘플 데이터의 카테고리를 분류하는 단계를 포함하되,
제1 내지 제n 콘볼루션 레이어 중 제2 내지 제n 콘볼루션 레이어는 1x1 콘볼루션 기반 병목 구조가 적용되는 딥러닝을 이용한 지진 분류 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20180146206 | 2018-11-23 | ||
| KR1020180146206 | 2018-11-23 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200061307A true KR20200061307A (ko) | 2020-06-02 |
Family
ID=71090484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190151637A KR20200061307A (ko) | 2018-11-23 | 2019-11-22 | 딥러닝을 이용한 지진 분류 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20200061307A (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113807305A (zh) * | 2021-09-27 | 2021-12-17 | 宫雪峰 | 基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法 |
| KR20220005413A (ko) | 2020-07-06 | 2022-01-13 | 고려대학교 산학협력단 | 멀티태스크 딥러닝을 이용한 지진 이벤트 분류 방법 및 장치 |
| KR20220011572A (ko) * | 2020-07-21 | 2022-01-28 | 고려대학교 산학협력단 | 딥러닝을 이용한 지진 데이터 생성 방법 및 그 장치 |
-
2019
- 2019-11-22 KR KR1020190151637A patent/KR20200061307A/ko not_active IP Right Cessation
Non-Patent Citations (1)
| Title |
|---|
| R. J. Skoumal, et al., "Optimizing multi-station earthquake template matching through re-examination of the Youngstown, Ohio, sequence," Earth and Planet Science Letters, Vol.405, pp.274-280, Nov. 2014. |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220005413A (ko) | 2020-07-06 | 2022-01-13 | 고려대학교 산학협력단 | 멀티태스크 딥러닝을 이용한 지진 이벤트 분류 방법 및 장치 |
| KR20220011572A (ko) * | 2020-07-21 | 2022-01-28 | 고려대학교 산학협력단 | 딥러닝을 이용한 지진 데이터 생성 방법 및 그 장치 |
| CN113807305A (zh) * | 2021-09-27 | 2021-12-17 | 宫雪峰 | 基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11947061B2 (en) | Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method | |
| CN110020623B (zh) | 基于条件变分自编码器的人体活动识别系统及方法 | |
| Sugiartawan et al. | Prediction by a hybrid of wavelet transform and long-short-term-memory neural network | |
| Zahin et al. | Sensor-based human activity recognition for smart healthcare: A semi-supervised machine learning | |
| KR20200061307A (ko) | 딥러닝을 이용한 지진 분류 방법 및 장치 | |
| CN113392931B (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
| Lara et al. | A deep learning approach for automatic recognition of seismo-volcanic events at the Cotopaxi volcano | |
| Arul et al. | Data anomaly detection for structural health monitoring of bridges using shapelet transform | |
| CN112580486A (zh) | 一种基于雷达微多普勒信号分离的人体行为分类方法 | |
| Dessouky et al. | Feature extraction of the Alzheimer’s disease images using different optimization algorithms | |
| KR102635610B1 (ko) | 딥러닝을 이용한 지진 데이터 생성 방법 및 그 장치 | |
| Na et al. | Stick-slip classification based on machine learning techniques for building damage assessment | |
| Padmaja | Performance Analysis of Different Architectures on Face Mask Detection | |
| Grycuk et al. | A novel method for solar image retrieval based on the parzen kernel estimate of the function derivative and convolutional autoencoder | |
| KR102635608B1 (ko) | 멀티태스크 딥러닝을 이용한 지진 이벤트 분류 방법 및 장치 | |
| Cuoco et al. | Wavelet-based classification of transient signals for gravitational wave detectors | |
| CN115700104B (zh) | 基于多尺度原型学习的本身可解释的脑电信号分类方法 | |
| CN116304735A (zh) | 基于相依性度量的钢轨表面损伤诊断方法、系统及设备 | |
| CN115017939A (zh) | 一种飞机燃油泵故障智能诊断方法、装置和存储介质 | |
| CN114706054A (zh) | 一种人体运动微多普勒信号识别的方法 | |
| Ojeda et al. | Multivariate time series imaging for short-term precipitation forecasting using convolutional neural networks | |
| Manimegalai et al. | Deep Learning Based Approach for Identification of Parkinson’s Syndrome | |
| KR102323118B1 (ko) | 주의 기반 뉴럴네트워크를 이용한 지진 이벤트 분류 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
| Natarajan et al. | Earthquake Damage Prediction and Rapid Assessment of Building Damage Using Deep Learning | |
| Wang | PCA-LSTM: An Impulsive Ground-Shaking Identification Method Based on Combined Deep Learning. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X601 | Decision of rejection after re-examination |