典型文献
应用卷积神经网络和自注意力机制识别地磁场干扰事件
文献摘要：
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51357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.
文献关键词：
地磁场观测数据;干扰事件识别;深度学习;卷积神经网络;自注意力机制
中图分类号：
作者姓名：
单维锋;李志扬;陈俊;刘海军;张秀霞;邢丽莉;胡秀娟;夏庆新;夏金铸
作者机构：
中国廊坊 065201 防灾科技学院;中国合肥 230031 安徽省地震局;中国南京 210014 江苏省地震局;中国邢台 054000 河北红山巨厚沉积与地震灾害国家野外科学观测研究站;中国廊坊 065201 华北科技学院计算机学院
文献出处：
引用格式：
[1]单维锋;李志扬;陈俊;刘海军;张秀霞;邢丽莉;胡秀娟;夏庆新;夏金铸-.应用卷积神经网络和自注意力机制识别地磁场干扰事件)[J].地震地磁观测与研究,2022(05):49-63
A类：
干扰事件识别,地磁场观测数据
B类：
自注意力机制,机制识别,磁场干扰,地磁观测,观测仪器,人工识别,果因,因人而异,台网,识别模型,快速分类,验证集,测试集,MLP,FCN,ResNet,深度学习算法,数据干扰,巨大潜力,精确识别
AB值：
0.240173
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
