【论文阅读记录】一篇关于地震预测的论文

前言：

{

这几天开始忙了，可能时间没有之前充裕，但是我尽量3天一更吧。

这篇论文的名称是《Machine Learning Predicts Laboratory Earthquakes》（机器学习预测实验室地震）[1]，读一读扩充一下视野。

}

正文：

{

在第一节，作者先介绍了经典的地震预测方法：基于地震的间隔时间来预测。但是，这种方法在最近的一段时间开始不靠谱了。而且受仪器进步的影响，最近10几年的发现了之前未被识别的地震新现象：慢滑移，低频地震和地球震颤[2]，这些新发现可能对预测地震有帮助。并且随着仪器越来越先进，也许最终我们能发现所有地震的先兆。

第二节的标题是材料与方法。在实验室中，当材料受力并接近失效时，它会显示出临界受力形态的相关特征，包括许多小的剪切失效，而从这种不稳定的状态可以推断出一次实验室地震。作者试图使用音频信号来预期失效剩余时间（即在最近一次失效前所剩的时间）。

在图1中，a部分的红线代表要预测的失效剩余时间；b部分的黑线代表用于训练的音频数据，黑线上面的虚线方框代表计算特征的移动窗口，黑线下面的三条线代表三种特征数据，每一个特征数据点由上面的音频数据根据对应的移动窗口而得到；c部分是预测用的随机森林，其对于每个移动窗口输出1000个决策树的预测的平均；d部分是结果对比，蓝线是预测值。

很显然，预测比较成功。不过图1只给出了部分特征数据，实际上作者一共计算过差不多100种特征数据（比如均值，方差，峰度和自相关性），并且之后做了特征筛选。

在[2]中，作者详细介绍了使用的特征和随机森林模型的结构。

使用的特征为：均值、方差、倾斜度、峰度、7个高阶矩、18个百分位数（1-9和91-99）、10个阈值特征（阈值分别为0.000000001、0.000000005、0.00000001、0.00000005、0.0000001和它们*-1）最大幅值和最小幅值、3个傅立叶频域特征（所属频段分别为19.65-20.65kHz、39.8-40.8kHz和80.1-81.1kHz）和2个自相关特征。更详细的特征信息请看[2]。另外，每个移动窗口的数据都被分为两份，所以对于每个训练数据点，都可以得到42*2=84个特征值。

随机森林模型的超参数是由基于3折交叉验证的网格搜索（我还不清楚网格搜索的意思，也许下一次的博客就介绍这个）得到的。随机森林包含1000个树，每个树的每个分支或叶子至少有30个样本，每次特征划分最多考虑40个特征。更详细的模型结构请看[2]。

在第三节，作者总结了实验。作者指出，上述模型只使用对应窗口中的数据来预测，而没有使用这前后的数据。作者发现，能够量化输入数据的幅度分布的统计数据（比如方差和高阶矩）对失效预测有很效果，其中方差在最初的时间（离地震还有点时间）是最强特征，替他特征在之后慢慢接近地震发生时间时也渐渐变得有用。

再放一张图。图4是由方差和峰值特征得到的随机森林模型（的输入输出）。

}

结语：

{

可以看到，作者在特征工程上还是下了功夫的，并没有使用深度学习。其实通过搜索（比如在谷歌学术里搜索“deep learning failure prediction”），你也能看到使用深度学习预测灾难或故障的例子，比如使用循环神经网络（门循环单元，GRUs）来预测心衰发作[3]，使用循环神经网络（长短期记忆，LSTM）来预测IT系统故障[4]。

很多都是自己的理解，如有错误欢迎指出。

参考资料：

{

[1] https://agupubs.onlinelibrary.wiley.com/doi/full/10.1002/2017GL074677

[2] https://agupubs.onlinelibrary.wiley.com/action/downloadSupplement?doi=10.1002%2F2017GL074677&file=grl56367-sup-0001-supinfo.pdf

[3] http://mp2893.com/docs/jamia2016.pdf

[4] https://sci-hub.tw/https://ieeexplore.ieee.org/abstract/document/7840733

}

【论文阅读记录】一篇关于地震预测的论文相关推荐

计算机论文指导记录范本,论文指导内容记录怎么写 3篇论文指导记录20篇
论文指导内容记录怎么写 3篇论文指导记录20篇论文指导内容记录怎么写 3篇论文指导记录20篇精品文档,仅供参考论文指导内容记录怎么写 3篇论文指导记录20篇指导是一个汉语词语,读音为zhdo, ...
深度学习论文阅读目标检测篇（四）中英文对照版：YOLOv1《 You Only Look Once: Unified, Real-Time Object Detection》
深度学习论文阅读目标检测篇(四)中英文对照版:YOLOv1< You Only Look Once: Unified, Real-Time Object Detection> Abstra ...
深度学习论文阅读目标检测篇（一）：R-CNN《Rich feature hierarchies for accurate object detection and semantic...》
深度学习论文阅读目标检测篇(一):R-CNN<Rich feature hierarchies for accurate object detection and semantic segmen ...
深度学习论文阅读目标检测篇（三）：Faster R-CNN《 Towards Real-Time Object Detection with Region Proposal Networks》
深度学习论文阅读目标检测篇(三):Faster R-CNN< Towards Real-Time Object Detection with Region Proposal Networks&g ...
Life Long Learning论文阅读记录之LwF
Life Long Learning论文阅读记录之LwF 写在前面获取原文问题难点目标符号说明现有方法不使用旧数据集的方法 Learning without Forgetting(LwF ...
深度学习论文阅读目标检测篇（七）中英对照版：YOLOv4《Optimal Speed and Accuracy of Object Detection》
深度学习论文阅读目标检测篇(七)中英对照版:YOLOv4<Optimal Speed and Accuracy of Object Detection> Abstract 摘要 1. In ...
深度学习论文阅读目标检测篇（四）中文版：YOLOv1《 You Only Look Once: Unified, Real-Time Object Detection》
深度学习论文阅读目标检测篇(四)中文版:YOLOv1<YouOnlyLookOnce:Unified,Real-TimeObjectDetection> 摘要 1.引言 2. 统一的检测 ...
深度学习论文阅读目标检测篇（二）：Fast R-CNN《Fast R-CNN》
深度学习论文阅读目标检测篇(二):Fast R-CNN<Fast R-CNN> Abstract 摘要 1. Introduction 引言 1.1 RCNN and SPPnet 1.2 ...
深度学习论文阅读目标检测篇（六）中文版：YOLOv3《 An Incremental Improvement》
深度学习论文阅读目标检测篇(六)中文版:YOLOv3< An Incremental Improvement> 摘要 1. 引言 2. 方案 2.1. 边界框预测 2.2. Class P ...
深度学习论文阅读目标检测篇（五）中文版：YOLOv2《 YOLO9000: Better, Faster, Stronger》
深度学习论文阅读目标检测篇(五)中文版:YOLOv2< YOLO9000: Better, Faster, Stronger> 摘要 1.引言 2. 更好 3. 更快 4. 更强 5. 结 ...

【论文阅读记录】一篇关于地震预测的论文

【论文阅读记录】一篇关于地震预测的论文相关推荐

最新文章

热门文章