TWI636276B - 人工智能地震判斷方法及地震偵測系統 - Google Patents
人工智能地震判斷方法及地震偵測系統 Download PDFInfo
- Publication number
- TWI636276B TWI636276B TW103117363A TW103117363A TWI636276B TW I636276 B TWI636276 B TW I636276B TW 103117363 A TW103117363 A TW 103117363A TW 103117363 A TW103117363 A TW 103117363A TW I636276 B TWI636276 B TW I636276B
- Authority
- TW
- Taiwan
- Prior art keywords
- seismic
- earthquake
- seismic data
- event
- new
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 title 1
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/01—Measuring or predicting earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
Abstract
一種地震判斷方法,用於一地震偵測系統,該方法包含有在複數個地震資料中,取出相關於每一地震資料的至少一初達波特徵;根據該至少一初達波特徵,利用一支撐向量分類(Support Vector Classification,SVC)法建立一地震判斷模型;以及當接收一新地震資料時,根據該地震判斷模型,判斷該新地震資料屬於一地震事件或一非地震事件。
Description
本發明係指一種地震判斷方法及地震偵測系統,尤指一種可根據地震的初達波特徵來判斷所接收的地震資料屬於地震事件或非地震事件的地震判斷方法及其相關地震偵測系統。
近年來,由於地震學、數位通訊、自動化處理及演算法等科技的進步,早期地震預警(Earthquake Early Warning,EEW)技術的發展逐漸成熟。根據所使用的地震資訊的不同,早期地震預警技術可分類為以下二種方式:區域型預警(regional warning)及現地型預警(on-site warning)。一般來說,由於區域型地震預警系統可同時參考震央附近數個地震偵測站的資訊以進行地震參數的預估,因此,相較於現地型地震預警系統而言,區域型地震預警系統具有較高的準確度。然而,由於震央附近的區域通常會產生較高震度,且和震央的距離近,因此在毀滅性的震波到來之前,區域型地震預警系統可預先計算出地震參數預估值的時間非常有限。另一方面,由於現地型地震預警系統只參考單一地震偵測站的資訊,因此可更快速地提供地震參數預估,特別是在震央附近的位置,可達到較迅速的早期預警。
近期的研究發現,現地型地震預警系統可能會被某些非地震事件所造成的訊號觸發,因而產生錯誤的地震警報。因此,真實地震與非地震事件的分辨已成為一個重要問題。一種習知的解決方式是採用二個地震感測器
分別放置在不同位置,以進行重複確認。然而,上述方式不僅成本較高,也提高了地震偵測站建置及維護的難度。因此,實有必要提出一種更有效且節省成本的方法,以提高現地型地震預警系統的準確度,進而提升地震預警效果。
因此,本發明之主要目的即在於提供一種可根據地震的初達波特徵,並利用支撐向量分類(Support Vector Classification,SVC)法所建立之地震判斷模型來判斷所接收的地震資料屬於地震事件或非地震事件的地震判斷方法及其相關地震偵測系統。
本發明揭露一種地震判斷方法,用於一地震偵測系統,該方法包含有在複數個地震資料中,取出相關於每一地震資料的至少一初達波特徵;根據該至少一初達波特徵,利用一支撐向量分類法建立一地震判斷模型;以及當接收一新地震資料時,根據該地震判斷模型,判斷該新地震資料屬於一地震事件或一非地震事件。
本發明另揭露一種地震偵測系統,包含有一地震偵測模組,用來在複數個地震資料中,取出相關於每一地震資料的至少一初達波特徵;一運算模組,根據該至少一初達波特徵,利用一支撐向量分類法建立一地震判斷模型;以及一地震判斷模組,用來於該地震偵測模組接收一新地震資料時,根據該地震判斷模型,判斷該新地震資料屬於一地震事件或一非地震事件。
10‧‧‧地震偵測系統
102‧‧‧地震偵測模組
104‧‧‧運算模組
106‧‧‧地震判斷模組
Q 1~Q l ‧‧‧地震資料
QN‧‧‧新地震資料
f(x)‧‧‧地震判斷模型
40‧‧‧流程
400~408‧‧‧步驟
第1圖為本發明實施例一地震偵測系統之示意圖。
第2圖為屬於地震事件的地震資料透過本發明之地震判斷模型進行判斷
之示意圖。
第3圖為屬於非地震事件的地震資料透過本發明之地震判斷模型進行判斷之示意圖。
第4圖為本發明實施例一地震判斷流程之示意圖。
請參考第1圖,第1圖為本發明實施例一地震偵測系統10之示意圖。如第1圖所示,地震偵測系統10包含有一地震偵測模組102、一運算模組104及一地震判斷模組106。地震偵測模組102係用來在複數個地震資料Q 1~Q l 中,取出相關於每一地震資料的至少一初達波特徵。此初達波特徵可為任何相關於初達波的物理量,如速度、加速度或位移等,其目的在於透過初達波的特徵,在主震波到達之前實現早期預警。在一實施例中,初達波特徵包含在初達波到達之後一段時間之內所偵測到地震動的累積絕對速率(Cumulative Absolute Velocity,CAV)、絕對速率積分(Integral of Absolute Velocity,IAV)及絕對位移積分(Integral of Absolute Displacement,IAD)。初達波特徵可作為判斷是否發生地震的臨界值,舉例來說,當地震偵測系統10所偵測到的地震動的累積絕對速率超過一臨界值時,即表示可能有地震發生。在一實施例中,為求地震偵測的即時性並節省地震動感測器的數目,可僅採用地震動的垂直分量,以在初達波到達時,測量地震動在與地表垂直方向的各種特性作為初達波特徵,如累積絕對速率、絕對速率積分及絕對位移積分等。然而,在另一實施例中,亦可採用地震動在其它方向的分量作為初達波特徵,而不限於此。此外,為求地震統計資料的完整性,也可使用多個地震動感測器,同時測量地震動在多個方向的分量作為初達波特徵。
請繼續參考第1圖。運算模組104可根據由地震偵測模組102所取得的初達波特徵,利用一支撐向量分類(Support Vector Classification,SVC)
法建立一地震判斷模型。根據此地震判斷模型,當地震偵測模組102接收到一新地震資料QN時,地震判斷模組106即可判斷新地震資料QN屬於一地震事件或一非地震事件。透過支撐向量分類法,可提高現地型地震預警系統判斷地震事件的準確度。如此一來,除了可保有現地型地震預警系統的即時性之外,也可避免非地震事件造成地震的誤判。
詳細來說,在支撐向量分類法中,相關於地震資料Q 1~Q l 的初達波特徵可對應至複數個向量x 1~x l ,其中,每一向量x i 皆可對應至一目標值y i 且y i {1,-1}。若相對應於x i 的地震資料Q i 係地震事件所造成時,其目標值可設定為y i =1;若相對應於x i 的地震資料Q i 係非地震事件所造成時,其目標值可設定為y i =-1。一般來說,關於地震資料Q 1~Q l 由地震事件或非地震事件所造成是來自於歷史資料的統計結果,支撐向量分類法即是根據歷史資料取出地震事件或非地震事件所對應到的初達波特徵,透過訓練(training)產生一地震判斷模型,進而在接收到新地震資料QN時,根據地震判斷模型判斷新地震資料QN的初達波特徵較接近於歷史資料中地震事件的初達波特徵或是非地震事件的初達波特徵,進而判斷新地震資料QN為地震事件或非地震事件所造成。
根據支撐向量分類法,向量x 1~x l 可投射到一高維度特徵空間H,並在高維度特徵空間H進行分類,而運算模組104可定義地震判斷模型為函數f(x),用來判斷新地震資料QN屬於地震事件或非地震事件:
其中,K為對應於高維度特徵空間H之一核函數且K(x i ,x j )≡(x i ) T (x j )。α1~α l 及b皆為常數,可根據支撐向量分類法,由對應於地震資料Q 1~Q l 的向量x 1~x l 及目標值y 1~y l 推算而得。在支撐向量法中,參數α1~α l 及b可透過求解以下目標函數取得:
受限於
其中,w為高維度特徵空間H中一向量,ξ1~ξ l 及b為目標函數之變數,而為將向量x 1~x l 對應至高維度特徵空間H之一函數。此目標函數之對偶型式如下:
受限於
其中,e為一單位向量,C>0且為α i 的上限,Q為一l×l正半定矩陣且Q ij ≡y i y j K(x i ,x j )。根據上述公式,輸入新地震資料QN的初達波特徵所對應到的向量進行計算,可取得f(x)=1或f(x)=-1兩種結果,當f(x)=1時,代表新地震資料QN屬於地震事件,當f(x)=-1時,代表新地震資料QN屬於非地震事件。
換句話說,根據歷史資料中相關於地震資料Q 1~Q l 的初達波特徵,運算模組可根據支撐向量分類法,透過以上公式計算出參數α1~α l 及b,進而建立地震判斷模型f(x)。當地震偵測模組102偵測到新地震資料QN時,可將新地震資料QN的初達波特徵轉換為特定向量,地震判斷模組106即可根據此特定向量及地震判斷模型f(x),計算出f(x)=1或-1,進而判斷新地震資料QN是由一地震事件或由一非地震事件所造成,以避免非地震事件產生的地震動被誤判為地震。
值得注意的是,在地震偵測系統10中,地震偵測模組102、運算模組104及地震判斷模組106可能分別位於不同地區,並透過有線或無線網路傳遞資訊。舉例來說,地震偵測模組102不限於單一地震偵測站或地震偵
測裝置,其亦可能包含複數個位於不同地點的地震偵測站或地震偵測裝置的組合。一般來說,地震偵測模組102中的地震偵測站或地震偵測裝置係設置於容易發生地震的地區,以便迅速偵測新地震資料QN。運算模組104可能位於地震資料中心以便取得大量之地震資料Q 1~Q l ,以增加地震判斷模型f(x)的精準度。地震判斷模組106可能位於警報中心,以便在判斷出新地震資料QN屬於一地震事件時,立即決定是否發佈地震警報。
除此之外,上述相關於支撐向量分類法的公式僅為本發明眾多實施例當中的一種,非用以限制本發明的範疇。本領域具通常知識者當可使用其他數學公式並搭配支撐向量分類法而解得可判斷新地震資料是否屬於地震事件的公式。
為進一步說明本發明之功效,可藉由模擬分析取得地震判斷模型f(x)判斷地震資料及非地震資料的準確度。一般來說,運算模組104用來訓練地震判斷模型f(x)的地震資料Q 1~Q l 須同時包含屬於地震事件的地震資料以及屬於非地震事件的地震資料。屬於地震事件的地震資料可來自於中華民國中央氣象局所記錄之實際發生地震的資料,或者是由一地震早期預警系統(Earthquake Early Warning System,EEWS)所取得並已確認為實際發生地震的資料。而屬於非地震事件的地震資料則可能包含地震早期預警系統取得的類地震資料或非地震資料,或者是來自於地震早期預警系統的地震資料但未被中華民國中央氣象局視為地震事件的相關資料。值得注意的是,在台灣地區,由於中華民國中央氣象局具有完整的地震偵測站佈局及地震偵測系統,可取得準確度極高的地震資料,因此,中華民國中央氣象局記錄的地震資料皆可視為實際有地震事件發生的情況。
在一實施例中,地震偵測系統10採用地震資料Q 1~Q l 中,每一地
震資料的初達波出現後前3秒的加速度之垂直分量,再將其進行積分產生速度及位移資訊,並以這些物理量作為初達波特徵,進而建立地震判斷模型f(x)。接著,由中華民國中央氣象局的地震記錄取得西元1992年7月29日到西元2006年12月31日之間總共91142筆資料,再收集數個地震偵測站中已證實屬於地震事件及非地震事件的地震資料,分別為54及6743筆。因此,總共有91196筆屬於地震事件的資料以及6743筆屬於非地震事件的資料,透過本發明所建立的地震判斷模型f(x)來進行模擬驗證。
請參考第2圖,第2圖為屬於地震事件的地震資料透過本發明之地震判斷模型f(x)進行判斷之示意圖。為了取得不同震度(Intensity,I)之地震的判斷結果,此實施例同時搭配相關於震度大小的最大地表加速度(Peak Ground Acceleration,PGA)資料進行分析。如第2圖所示,根據地震判斷模組106的判斷,當地震判斷模型f(x)輸出f(x)=1時,代表地震資料被判斷為地震事件;當地震判斷模型f(x)輸出f(x)=-1時,代表地震資料被判斷為非地震事件。在上述91196筆屬於地震事件的地震資料中,總共有90652筆(約99.4035%)地震資料被正確判斷為地震事件,而544筆(約0.59652%)地震資料被錯誤地判斷為非地震事件。因此,針對屬於地震事件的地震資料,本發明的地震判斷模型f(x)具有高達99.4%的正確率。此外,針對最大地表加速度超過200伽(gal)的所有地震資料,本發明的地震判斷模型f(x)皆可正確地判斷為地震事件。
請參考第3圖,第3圖為屬於非地震事件的地震資料透過本發明之地震判斷模型f(x)進行判斷之示意圖。同樣地,此實施例亦搭配了最大地表加速度資料進行分析。如第3圖所示,根據地震判斷模組106的判斷,當地震判斷模型f(x)輸出f(x)=1時,代表地震資料被判斷為地震事件;當地震判斷模型f(x)輸出f(x)=-1時,代表地震資料被判斷為非地震事件。在上
述6743筆屬於非地震事件的地震資料中,總共有6196筆(約91.8879%)地震資料被正確判斷為非地震事件,而547筆(約8.1121%)地震資料被錯誤地判斷為地震事件。因此,針對屬於非地震事件的地震資料,本發明的地震判斷模型f(x)具有大約91.89%的準確率。換句話說,針對過去在地震偵測站測得的6743筆非地震事件的地震資料,本發明的地震判斷模型f(x)可判斷出其中91.89%的地震資料屬於非地震事件,進而避免地震警報的誤發。
根據上述判斷結果可知,即使只透過初達波出現後前3秒的加速度垂直分量,本發明的地震判斷模型f(x)仍可達到極高的準確度。由於只需要偵測垂直地表方向的地震動參數,地震偵測模組102所使用的地震動感測器數量較少,進而降低地震偵測站的建置成本。另一方面,新地震資訊所轉換而得的向量仍可用於地震判斷模型f(x)的訓練,以提高地震判斷模型f(x)的準確度。
上述關於地震偵測系統10之運作可進一步歸納為一地震判斷流程40,如第4圖所示。地震判斷流程40包含以下步驟:
步驟400:開始。
步驟402:在地震資料Q 1~Q l 中,取出相關於每一地震資料的至少一初達波特徵。
步驟404:根據初達波特徵,利用支撐向量分類法建立一地震判斷模型f(x)。
步驟406:當接收一新地震資料QN時,根據地震判斷模型f(x),判斷新地震資料QN屬於一地震事件或一非地震事件。
步驟408:結束。
地震判斷流程40之詳細運作方式及變化可參考前述,於此不贅
述。
在習知技術中,現地型地震預警系統可能會被某些非地震事件所造成的震動訊號觸發,因而產生錯誤的地震警報。若使用二個地震感測器分別放置在不同位置以進行重複確認的方式,不僅成本較高,也提高了地震偵測站建置及維護的難度。相較之下,本發明之地震判斷方法及地震偵測系統可利用支撐向量分類法所建立之地震判斷模型來判斷所接收的新地震資料屬於地震事件或非地震事件。根據歷史資料的模擬結果,在只使用初達波的地震動參數之垂直分量的情況下,對於屬於地震事件的地震資料判斷,可達到99.4%的準確率,對於屬於非地震事件的地震資料判斷,可達到91.89%的準確率。如此一來,本發明除了可達到高準確率的地震判斷之外,還同時具有低成本的優點。
以上所述僅為本發明之較佳實施例,凡依本發明申請專利範圍所做之均等變化與修飾,皆應屬本發明之涵蓋範圍。
Claims (14)
- 一種地震判斷方法,用於一地震偵測系統,該方法包含有:在複數個地震資料中,取出相關於每一地震資料的至少一初達波特徵;根據該至少一初達波特徵,利用一支撐向量分類(Support Vector Classification,SVC)法建立一地震判斷模型;以及當接收一新地震資料時,根據該地震判斷模型,判斷該新地震資料屬於一地震事件或一非地震事件;其中,相關於該複數個地震資料之該至少一初達波特徵係對應於複數個向量,其中每一向量相對應於該複數個地震資料中一地震資料,並對應至一目標值;其中,當接收該新地震資料時,根據該地震判斷模型,判斷該新地震資料屬於該地震事件或該非地震事件之步驟係使用下列函數f(x)進行判斷:
- 如請求項1所述之地震判斷方法,其中該至少一初達波特徵包含一初達波到達時偵測到的一地震動的一垂直分量。
- 如請求項2所述之地震判斷方法,其中該至少一初達波特徵包含該地震動之一累積絕對速率(Cumulative Absolute Velocity,CAV)、一絕對速率 積分(Integral of Absolute Velocity,IAV)及一絕對位移積分(Integral of Absolute Displacement,IAD)。
- 如請求項1所述之地震判斷方法,其中當該新地震資料屬於該地震事件時,該函數輸出1,當該新地震資料屬於該非地震事件時,該函數輸出-1。
- 如請求項1所述之地震判斷方法,其中α1~α l 及b係根據求解一目標函數而得,該目標函數如下:
- 如請求項5所述之地震判斷方法,其中該目標函數轉換為一對偶型式如下:
- 如請求項6所述之地震判斷方法,其中該核函數表示為K(x i ,x j )≡(x i ) T (x j )。
- 一種地震偵測系統,包含有:一地震偵測模組,用來在複數個地震資料中,取出相關於每一地震資料的至少一初達波特徵;一運算模組,根據該至少一初達波特徵,利用一支撐向量分類(Support Vector Classification,SVC)法建立一地震判斷模型;以及一地震判斷模組,用來於該地震偵測模組接收一新地震資料時,根據該地震判斷模型,判斷該新地震資料屬於一地震事件或一非地震事件;其中,相關於該複數個地震資料之該至少一初達波特徵係對應於複數個向量,其中每一向量相對應於該複數個地震資料中一地震資料,並對應至一目標值;其中,該地震判斷模組係使用下列函數f(x)判斷該新地震資料屬於該地震事件或該非地震事件:
- 如請求項8所述之地震偵測系統,其中該至少一初達波特徵包含一初達波到達時該地震偵測模組偵測到的一地震動的一垂直分量。
- 如請求項9所述之地震偵測系統,其中該至少一初達波特徵包含該地震動之一累積絕對速率(Cumulative Absolute Velocity,CAV)、一絕對速率積分(Integral of Absolute Velocity,IAV)及一絕對位移積分(Integral of Absolute Displacement,IAD)。
- 如請求項8所述之地震偵測系統,其中當該新地震資料屬於該地震事件時,該函數輸出1,當該新地震資料屬於該非地震事件時,該函數輸出-1。
- 如請求項8所述之地震偵測系統,其中α1~α l 及b係根據求解一目標函數而得,該目標函數如下:
- 如請求項12所述之地震偵測系統,其中該目標函數轉換為一對偶型式如下:
- 如請求項13所述之地震偵測系統,其中該核函數表示為K(x i ,x j )≡(x i ) T (x j )。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103117363A TWI636276B (zh) | 2014-05-16 | 2014-05-16 | 人工智能地震判斷方法及地震偵測系統 |
US14/490,659 US11022707B2 (en) | 2014-05-16 | 2014-09-18 | Method of determining earthquake event and related earthquake detecting system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103117363A TWI636276B (zh) | 2014-05-16 | 2014-05-16 | 人工智能地震判斷方法及地震偵測系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201544830A TW201544830A (zh) | 2015-12-01 |
TWI636276B true TWI636276B (zh) | 2018-09-21 |
Family
ID=54538337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW103117363A TWI636276B (zh) | 2014-05-16 | 2014-05-16 | 人工智能地震判斷方法及地震偵測系統 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11022707B2 (zh) |
TW (1) | TWI636276B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11615689B2 (en) * | 2020-11-02 | 2023-03-28 | Pro-teq Systems, Inc. | System and method for a warning device with validation and independent operation |
CN113009559B (zh) * | 2021-03-02 | 2022-02-18 | 中国科学院地质与地球物理研究所 | 基于多类型地球物理数据的地震评价方法 |
CN113053064B (zh) * | 2021-03-15 | 2022-11-04 | 中国地震局地球物理研究所 | 一种面向区域性地震预警系统评测方法及评测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5490062A (en) * | 1994-05-11 | 1996-02-06 | The Regents Of The University Of California | Real-time neural network earthquake profile predictor |
TW201248562A (en) * | 2010-12-17 | 2012-12-01 | Seismic Warning Systems Inc | Earthquake warning system |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3201075B2 (ja) * | 1993-06-30 | 2001-08-20 | オムロン株式会社 | 地震判別推論装置および方法 |
AUPQ684400A0 (en) * | 2000-04-11 | 2000-05-11 | Telstra R & D Management Pty Ltd | A gradient based training method for a support vector machine |
JP5322710B2 (ja) * | 2009-03-06 | 2013-10-23 | 特許機器株式会社 | サーボ型振動センサ及び振動制御装置 |
JP5957876B2 (ja) | 2011-12-26 | 2016-07-27 | 富士通株式会社 | 通信システム、中継装置、地震情報通知装置及び経路切替方法 |
JP2013142642A (ja) | 2012-01-12 | 2013-07-22 | Hochiki Corp | 地震警報システム |
CN105008964B (zh) * | 2013-02-25 | 2018-04-13 | 东海旅客铁道株式会社 | 地震预测装置 |
TWI464443B (zh) * | 2013-03-04 | 2014-12-11 | Nat Applied Res Laboratories | 人工智慧地震預警方法與地震偵測系統 |
TWI553327B (zh) * | 2014-05-14 | 2016-10-11 | 財團法人國家實驗研究院 | 地震偵測系統及方法 |
CN105093285A (zh) * | 2014-05-16 | 2015-11-25 | 许丁友 | 人工智能地震判断方法及地震侦测系统 |
-
2014
- 2014-05-16 TW TW103117363A patent/TWI636276B/zh active
- 2014-09-18 US US14/490,659 patent/US11022707B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5490062A (en) * | 1994-05-11 | 1996-02-06 | The Regents Of The University Of California | Real-time neural network earthquake profile predictor |
TW201248562A (en) * | 2010-12-17 | 2012-12-01 | Seismic Warning Systems Inc | Earthquake warning system |
Also Published As
Publication number | Publication date |
---|---|
TW201544830A (zh) | 2015-12-01 |
US20150331120A1 (en) | 2015-11-19 |
US11022707B2 (en) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103761748B (zh) | 异常行为检测方法和装置 | |
CN107784276B (zh) | 微震事件识别方法和装置 | |
TWI464443B (zh) | 人工智慧地震預警方法與地震偵測系統 | |
CN103473540B (zh) | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 | |
CN110633643A (zh) | 一种面向智慧社区的异常行为检测方法及系统 | |
CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
TWI636276B (zh) | 人工智能地震判斷方法及地震偵測系統 | |
CN109753906B (zh) | 基于域迁移的公共场所异常行为检测方法 | |
CN110398775B (zh) | 隧道突涌水灾害微震事件信号波动初至拾取方法及系统 | |
CN112036269A (zh) | 跌倒检测方法、装置、计算机设备和存储介质 | |
US20240193946A1 (en) | Bird detection and species determination | |
CN109060393A (zh) | 一种桥梁结构恒载响应时域融合分析方法 | |
CN107818135A (zh) | 一种基于灰色关联法的维诺图电力大数据异常检测方法 | |
CN110808995A (zh) | 安全防护方法和装置 | |
CN105160285A (zh) | 基于立体视觉的自动人体跌倒识别方法及系统 | |
Lydon et al. | Development and testing of a composite system for bridge health monitoring utilising computer vision and deep learning | |
CN117671887A (zh) | 一种基于大数据的智慧安防预警管理方法和系统 | |
CN105930430B (zh) | 一种基于非累积属性的实时欺诈检测方法及装置 | |
CN105093285A (zh) | 人工智能地震判断方法及地震侦测系统 | |
CN113408916B (zh) | 基于智能ai和移动app的消防设施检测及现场验收评定系统 | |
CN112418313B (zh) | 一种大数据在线噪声过滤系统与方法 | |
EP3234632B1 (en) | Detection of acoustic events | |
CN115130496A (zh) | 基于Bagging和RM-LOF集成单分类器的管道压力信号异常检测方法 | |
CN105069467B (zh) | 车辆油位数据的筛选方法和装置 | |
CN110717466B (zh) | 一种基于人脸检测框回归安全帽位置的方法 |