基于支持向量机的信号自动检测算法

STA/LTA算法是信号自动检测中的经典算法. 这种算法中检测阈值的分布范围在0~infin;之间， 合适的检测阈值不但要根据实验反复调试， 而且要在误检率和漏检率之间取得平衡. 针对这一问题， 从模式识别的角度出发， 给出了一种基于支持向量机的信号检测算法. 讨论了该算法中数据预处理和模式特征提取的方法， 以及支持向量机中核函数的选择问题. 利用实际地震数据， 分析了这种算法的检测性能. 结果表明, 这种算法简化了检测阈值的选择. 在准确检测信号的同时，其误检率相对于STA/LTA算法可以降低约85％， 并且具有较强的抗噪性能.      

Application of support vector machine to synthetic earthquake prediction

This paper introduces the method of support vector machine (SVM) into the field of synthetic earthquake pre-diction, which is a non-linear and complex seismogenic system. As an example, we apply this method to predict the largest annual magnitude for the North China area (30°E-42°E, 108°N-125°N) and the capital region (38°E-41.5°E, 114°N-120°N) on the basis of seismicity parameters and observed precursory data. The corresponding prediction rates for the North China area and the capital region are 64.1% and ...     

基于近似支持向量机的流体识别因子融合

通过叠前反演获得的单参数或组合参数都有一定的流体识别能力,但如何将多种流体识别因子有效融合是目前进行流体识别的一个难题.利用人工参与进行流体性质的综合解释是目前流体识别因子融合的主要途径,但这种方法人为干扰较大,不确定性强.鉴于此,本文提出了一种基于近似支持向量机的流体识别方法.该方法首先以实际工区测井资料为依据,优选出对工区内储层所含流体特征敏感的流体识别因子作为输入参数,然后通过近似支持向量机进行流体性质的判别,实例证明该方法的识别结果客观准确,是一种可靠的流体识别方法.     

地震预警现地PGV连续预测的最小二乘支持向量机模型

为提升现地仪器地震烈度预测的准确性与连续性,研究面向地震预警的PGV连续预测模型.以中国仪器地震烈度标准的计算参数：0.1~10 Hz带通滤波三分向矢量合成速度峰值PGV为预测目标,利用日本K-net与KiK-net台网P波触发后1~10 s强震数据,基于人工智能中的机器学习方法-最小二乘支持向量机,选取7种特征参数作为输入构建最小二乘支持向量机PGV预测模型LSSVM-PGV.结果表明,本文建立的LSSVM-PGV模型在训练数据集与测试数据集上的预测误差标准差变化趋于一致,具备泛化性能;P波触发后3 s预测PGV与实测PGV即可整体符合1：1关系,随着时间窗的增长,PGV预测的误差标准差显著减小、并在P波触发后6 s趋向收敛,具备准确连续预测能力;对比同为P波触发后3 s的常用Pd-PGV模型,LSSVM-PGV模型的PGV预测误差标准差明显减小,"小值高估"与"大值低估"现象明显改善,预测准确性得到提升.熊本地震序列的震例分析表明,对于6.5级以下地震,LSSVM-PGV模型最多在P波触发后3 s即可预测出与实测PGV整体符合1：1关系的PGV;对于7.3级主震,由于其破裂过程的复杂性,P波触发后3 s的预测结果出现一定程度的低估,但随着时间窗增长至6 s时,预测PGV与实测PGV符合1：1关系、并直到10 s整体趋势保持一致.本文构建的LSSVM-PGV模型可用于现地地震预警仪器地震烈度的预测.     

基于支持向量机的地震体波震相自动识别及到时自动拾取

面对海量地震资料,自动准确地拾取震相并确定其到时的需求非常迫切.基于支持向量机技术,本文提出了使用两个分类器SSD和SPS自动识别地震体波震相并自动拾取其到时的方法.相比于传统的自动拾取方法,本文方法能够更准确地识别震相并区分P波和S波.进一步地,我们提出了利用台阵资料辅助识别震相的方案,有效地提高了地震震相拾取的准确率.

     

基于支持向量机的非线性AVO反演

本文提出了一种新的AVO非线性反演方法,即利用支持向量机来求解AVO非线性反演问题.文中先对支持向量机的原理进行了阐述,然后建立了适合AVO反演的支持向量机模型.最后利用该方法对模型数据和实际资料进行了反演计算,反演结果表明,该方法在没有牺牲反演效果的情况下较好的解决了传统反演方法所具有的局限性,可以直接从合成记录中提取地层的弹性参数,反演速度快、稳定性好.     

基于支持向量机的2021年2月13日日本福岛近海Mj7.3级地震震级估算

2021年2月13日日本福岛县近海发生M_j7.3级地震,触发了日本气象厅地震预警系统,系统在首台触发后5.6s发出震级为M_j6.3级的预警第1报,首台触发后10s对公众发布警报、预警震级为M_j6.4级。基于多类型特征参数输入的机器学习支持向量机震级估算模型（SVM-M）,利用2021年2月13日日本福岛县近海M_j7.3级地震获取的日本K-net强震动观测数据,分析SVM-M模型在该次地震中首台触发初期（首台触发后1~10s）的震级估算效能。结果表明:SVM-M震级估算模型,在首台触发后1s即可给出M_j6.3级的震级估算结果,与日本气象厅在首台触发后5.6s发布的预警第1报震级相同;随着时间窗的增加,首台触发后5s和10s,SVM-M模型的震级估算结果分别是M_j6.7级和M_j6.6级,均大于日本气象厅首台触发后10s对公众发布警报的预警震级。该次地震的离线模拟结果表明:SVM-M模型可在地震发生初期有效提高地震预警震级确定的准确性和时效性。     

地震前兆综合预测支持向量机模型研究

该文介绍了支持向量机算法的原理与回归方法。 采用支持向量机中的非线性回归算法与理论公式产生的多维样本, 对其进行了数值仿真实验。 利用该方法和地震前兆异常建立了最佳地震综合预测模型, 对获得的最佳模型进行了内符检验, 得出最佳模型的预测结果与实际震例的地震震级基本一致。 综合分析认为, 支持向量机无论在学习或者预测精度方面不但具有很大的优越性和具有较强的外推泛化能力, 而且基于支持向量机回归算法建立的地震前兆综合预测模型是可行的, 其获得的知识可较为准确地实现对主震震级的综合预测。     

基于改进多分类孪生支持向量机的测井岩性识别方法研究与应用

岩性识别是认识地层及求解储层参数的基础,受地质环境复杂性和非均质性影响,测井曲线间存在着大量的信息冗余,数据集类间分布不平衡,常用的分类算法无法满足实际需求.针对常用分类算法容错性差,识别岩性单一和无法有效解决类间不平衡的问题,本文改进合成少数过采样技术(Synthetic Minority Over Sampling Technique,SMOTE)来处理数据集,可得到类间平衡的新数据集,并提出一种新的模糊隶属度函数改进模糊孪生支持向量机,在北美Hugoton油气田实际测井数据的基础上,用改进多分类孪生支持向量(Improve Multi Class Twin Support Vector Machine, IMCTSVM)综合自然伽马(GR)、电阻率(RL)、光电效应(PE)、中子密度孔隙度差异(DPHI)和平均中子密度孔隙度(PHIND)五种测井参数,以及相对位置(RELPOS)和非海洋/海洋指标(NM_M)两种地质约束变量,识别出9种岩性.将识别结果与传统支持向量机、深度神经网络等方法进行对比与分析,发现IMCTSVM算法优于上述两种分类算法,取得了较好的识...     

Support vector machine method for forecasting future strong earthquakes in Chinese mainland

Statistical learning theory is for small-sample statistics. And support vector machine is a new machine learning method based on the statistical learning theory. The support vector machine not only has solved certain problems in many learning methods, such as small sample, over fitting, high dimension and local minimum, but also has a higher generalization （forecasting） ability than that of artificial neural networks. The strong earthquakes in Chinese mainland are related to a certain extent to the intensive seismicity along the main plate boundaries in the world, however, the relation is nonlinear. In the paper, we have studied this unclear relation by the support vector machine method for the purpose of forecasting strong earthquakes in Chinese mainland.     

Streamflow forecasting using least-squares support vector machines

Abstract

This paper investigates the ability of a least-squares support vector machine (LSSVM) model to improve the accuracy of streamflow forecasting. Cross-validation and grid-search methods are used to automatically determine the LSSVM parameters in the forecasting process. To assess the effectiveness of this model, monthly streamflow records from two stations, Tg Tulang and Tg Rambutan of the Kinta River in Perak, Peninsular Malaysia, were used as case studies. The performance of the LSSVM model is compared with the conventional statistical autoregressive integrated moving average (ARIMA), the artificial neural network (ANN) and support vector machine (SVM) models using various statistical measures. The results of the comparison indicate that the LSSVM model is a useful tool and a promising new method for streamflow forecasting.

Editor D. Koutsoyiannis; Associate editor L. See

Citation Shabri, A. and Suhartono, 2012. Streamflow forecasting using least-squares support vector machines. Hydrological Sciences Journal, 57 (7), 1275–1293.     

应用最小二乘支持向量机识别广利油田沙四段储层岩性

广利油田沙四段储层岩性以为粉砂岩、细砂岩和不等粒砂岩为主,岩性非均质性较强,应用常规测井交会图识别岩性难度大.本文介绍了最小二乘支持向量机的原理及实现流程,利用网格搜索法确定的参数对δ2(C,δ)=(2000,0.707)开展了广利油田沙四段储层岩性的测井识别.应用效果表明,测井识别岩性与岩心分析资料的符合率达到了86％,可满足广利油田沙四段储层岩性识别的需要.     

2021年5月21日云南漾濞地震及5月22日青海玛多地震的支持向量机震级估算

2021年5月21日及5月22日,云南漾濞县与青海玛多县分别发生破坏性地震,主震震级分别为M_s6.4级与M_s7.4级。本文基于机器学习中的支持向量机方法,以多类型特征参数为输入建立地震预警震级估算模型SVM-M,离线模拟云南漾濞M_s5.6级前震、M_s6.4级主震以及青海玛多M_s7.4级主震的连续震级估算。结果表明:对于云南漾濞M_s5.6级前震,支持向量机方法在首台触发后1s可估算震级为5.6级,且随着首台触发时间的增加,估算震级一直在实际震级附近波动;对于云南漾濞M_s6.4级主震和青海玛多M_s7.4级主震,随着首台触发时间的增加,支持向量机方法对于大震低估问题得到了有效的改善,且震级估算结果逐渐接近实际震级。同时,这3次地震的震级估算离线模拟表明:引入震源距的支持向量机方法（SVM-M1模型）对于震级估算有更好的稳定性,且在地震预警系统的震级估算中有着潜在的应用前景。     

支持向量机在储层厚度预测和计算中的应用

本文通过对油田储层结构的分析,运用支持向量机的理论和方法,建立了用于预测和计算储层厚度的支持向量机回归模型,并对该模型从参数变化范围、核函数选择、误差评价的标准等多方面进行了探讨,找出了建立储层厚度预测模型的一种有效方法,通过对实际储层厚度的预测,证明该方法在预测和计算储层厚度中具有较高的参考价值.     

地下水观测数据拟合与预测的支持向量机方法

影响地下水位变化因素有很多,在正常情况下,地下水位的变化实际上反应了气压、固体潮和降雨这些因素的变化,但是这些影响因子与地下水位之间有着较强的非线性关系。该文使用支持向量机方法建立起崇明中学观测站地下水位与气压、固体潮和降雨这些因素之间的非线性关系模型,并用于地下水观测数据拟合与预测,得到了较理想的结果,明显优于逐步回归方法。研究结果表明,支持向量机方法在地震前兆数据处理中有着广泛的应用前景。文中还对支持向量机方法在实际应用中的有关问题进行了讨论。     

基于支持向量机分类的嘉陵江草街水库甲藻水华预警

嘉陵江草街水库自建成后2011-2013年连续3年发生甲藻水华现象,给当地经济发展和生态安全带来影响.根据2011年5月至2013年7月草街水库大坝上、下游8个断面的逐月调查数据,利用支持向量机在处理小样本问题、非线性分类问题和泛化推广方面的优势,构建了基于支持向量机分类的草街水库甲藻水华预警模型.结果表明,利用本月理化数据和本月倪氏拟多甲藻(Peridiniopsis niei)密度数据建立的模型,对测试样本取得了80%以上的判别正确率,且对甲藻水华样本的判别正确率为100%.因此,支持向量机作为新兴的机器学习方法,可以为环境管理部门发布水华预警信息提供科学依据,并在环境保护领域具有广阔的应用前景.     

Automatic event detection in low SNR microseismic signals based on multi-scale permutation entropy and a support vector machine

Microseismic monitoring is an effective means for providing early warning of rock or coal dynamical disasters, and its first step is microseismic event detection, although low SNR microseismic signals often cannot effectively be detected by routine methods. To solve this problem, this paper presents permutation entropy and a support vector machine to detect low SNR microseismic events. First, an extraction method of signal features based on multi-scale permutation entropy is proposed by studying the influence of the scale factor on the signal permutation entropy. Second, the detection model of low SNR microseismic events based on the least squares support vector machine is built by performing a multi-scale permutation entropy calculation for the collected vibration signals, constructing a feature vector set of signals. Finally, a comparative analysis of the microseismic events and noise signals in the experiment proves that the different characteristics of the two can be fully expressed by using multi-scale permutation entropy. The detection model of microseismic events combined with the support vector machine, which has the features of high classification accuracy and fast real-time algorithms, can meet the requirements of online, real-time extractions of microseismic events.     

中国大陆强震时间序列预测的支持向量机方法

统计学习理论（Statistical Learning Theory或SLT）是研究有限样本情况下机器学习规律的理论。支持向量机（Support Vector Machines或SVM）是基于统计学习理论框架下的一种新的通用机器学习方法。它不但较好地解决了以往困扰很多学习方法的小样本、过学习、高维数、局部最小等实际难题，而且具有很强的泛化（预测）能力。文中使用支持向量机对中国大陆最大地震时间序列进行预测，预测次年的我国大陆最大地震震级，结果表明该方法具有较好的预报效果。研究结果还表明我国大陆强震活动除了与强震时间序列本身有关外，还与全球的强震活动、太阳黑子活动等有密切的关系。尽管这种关系还不清楚，但是通过支持向量机可以很好地反应出这种非线性关系。     

地震震级预测的相关向量机模型

为了借助容易获取的地震相关因素间接预测地震震级,提出基于相关向量机（Relevance Vector Machine,RVM）方法的地震震级预测模型。通过样本学习建立地震震级与地震累积频度、累积释放能量、平均震级、b值、η值和相关区震级等6个主要影响因素之间的非线性映射关系,利用已知影响因素预测地震震级。结果表明:RVM模型预测结果均优于BP神经网络及SOM-BP神经网络预测结果;通过敏感因子分析比较各因素的敏感程度,b值和η值最为突出,在震级研究中应重点分析。综合分析,RVM模型具有精度高和离散性小等优点,对地震震级预测有较好的推广价值。     

基于离散Gabor变换的磁暴识别

以地磁秒数据为研究对象,通过离散Gabor变换将时域的地磁数据转换至二维时频面,提取Gabor变换谱图的均值和方差作为特征值,使用支持向量机实现地磁正常数据与磁暴干扰数据的自动分类识别。对5个地磁台的200组地磁秒数据进行计算分析,结果表明该方法对测试样本数据的识别率可达94%。