共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
选用2017年4月到2019年4月乌兰浩特地震台DSQ型水管倾斜仪观测数据,总结自然环境、人为及场地干扰事件,并挑选典型干扰事件进行详细分析。结果表明,观测数据受自然环境干扰时主要表现为噪声大现象,受人为干扰时会出现数据突跳,受场地环境干扰时会出现数据畸变。通过对各类典型干扰的分析,期望为同行就DSQ型水管倾斜仪观测数据的干扰识别及处理提供参考。 相似文献
5.
6.
7.
前兆观测的方波型异常图像成因分析 总被引:1,自引:0,他引:1
《山西地震》2015,(4)
文章对前兆观测中记录到的方波型异常图像从仪器标定、环境干扰、高压直流干扰、人为干扰、震兆异常等方面进行成因分析,根据不同成因提出干扰方波资料的处理方法和相应的预防措施,对前兆观测数据预处理及异常判定有一定的参考意义。 相似文献
8.
通过梳理安徽省内2014—2017年观测系统、人为干扰等6类数据异常事件,形成背景值数据库,借此深入剖析事件的变化特征,综合研究得出:①时间变化显示,安徽省内各类异常事件条目大体呈逐年增多的趋势;②学科特征显示,地电、地磁、形变、流体观测异常事件均以某类事件为主,具有一定的学科特征;③空间分布显示,各类异常事件呈随机性分布,不具有明显的区域特征;④各类事件均形成以影响因素、变化形态为主要指标的特征库,已作为安徽省内跟踪分析工作的重要判定依据。这些研究成果不仅为安徽地区的前兆异常判定和趋势预测提供一定的科学依据,也为安徽前兆仪器运维工作提供了方法指导。 相似文献
9.
《国际地震动态》2019,(11)
通过梳理安徽省内2014—2017年观测系统、人为干扰等6类数据异常事件,形成背景值数据库,借此深入剖析事件的变化特征,综合研究得出:(1)时间变化显示,安徽省内各类异常事件条目大体呈逐年增多的趋势;(2)学科特征显示,地电、地磁、形变、流体观测异常事件均以某类事件为主,具有一定的学科特征;(3)空间分布显示,各类异常事件呈随机性分布,不具有明显的区域特征;(4)各类事件均形成以影响因素、变化形态为主要指标的特征库,已作为安徽省内跟踪分析工作的重要判定依据。这些研究成果不仅为安徽地区的前兆异常判定和趋势预测提供一定的科学依据,也为安徽前兆仪器运维工作提供了方法指导。 相似文献
10.
11.
12.
随着越来越多高压直流输电线路的投入运行, 地磁观测数据质量受到了严重影响.现有以人工或半人工方法识别高压直流输电干扰事件的工作量也随着受干扰范围的不断扩大和地磁观测仪器的增多而成倍增加.为了高效、准确地识别地磁观测数据中的高压直流干扰事件, 本文基于卷积神经网络和长短期记忆神经网络, 提出了一种高压直流输电干扰事件自动识别深度学习模型.利用2012年1月1日至2014年12月31日地磁台站原始观测数据, 结合专家标注的持续时间在2 h内的高压直流输电干扰事件记录, 制作高压直流输电干扰样本34360条, 正常样本34360条.模型在训练集上的准确率达到了94.12%, 验证集上的准确率达到了92.94%, 测试集上的准确率达到了92.86%.初步研究表明深度学习方法在识别地磁观测数据中的高压直流输电干扰事件中具有较高的准确率, 为下一步自动识别地磁观测数据中的车辆干扰、基建工程干扰、轻轨干扰等其他干扰事件提供了一种新的思路.
相似文献13.
14.
基于数据跟踪分析河北电磁台网环境干扰因素 总被引:4,自引:4,他引:0
以河北电磁台网2008—2016年地震前兆数据跟踪分析产品信息为数据源,归纳该台网主要环境干扰因素,主要干扰表现为降雨、高压直流输电、农田灌溉3种类型,约占干扰因素约88.47%。分析各类干扰因素成因、动态曲线变化特征,提取并总结电磁台网环境干扰典型实例及变化特征,为地震前兆异常变化地准确判断提供有效实例支持与技术参考;根据干扰成因和观测经验,通过同场地增加气象三要素观测可快速识别降雨干扰,通过地埋观测外线路、地磁场深井观测方式可避免或减小干扰,为排除环境干扰,探索抑制干扰的新方法服务。 相似文献
15.
16.
17.
18.
影响地电场观测数据干扰因素分析 总被引:1,自引:1,他引:0
地电场观测是地震电磁前兆观测方法之一,由于观测物理量的原因,所受到的干扰因素比较多。为了正确鉴别震前异常信息,对临汾中心地震台影响地电场观测数据的各种干扰因素做了详细的研究,并对典型干扰事件进行了举例说明。 相似文献
19.
随着受干扰地磁观测仪器数量的不断增多,现有半人工识别干扰事件的方法存在效率低、工作量大、识别结果因人而异等问题。本文利用2012年1月1日至2014年12月31日全国地磁台网原始观测数据和地磁专家标注的2小时内干扰事件记录,分别构建干扰事件样本和正常样本各51 357条,基于卷积神经网络和自注意力机制提出一种新的干扰事件识别模型,实现干扰事件的自动、快速分类。实验结果显示,该模型在验证集的准确率达到92.93%,在测试集的准确率达到93.37%。与MLP、FCN、ResNet三种模型相比,本模型在测试集上的准确率平均提高近8.76%,表明卷积神经网络和自注意力机制等深度学习算法在地磁观测数据干扰事件识别领域具有巨大潜力,为进一步精确识别各类干扰事件探索了一种新思路。 相似文献