共被期刊论文引用了4次
您的检索式：您选中1篇文献正在查看引证文献汇总
|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于EEMD和关联维数的矿山微震信号特征提取和分类显示文摘针对岩体工程中岩体破裂信号与爆破振动信号难以自动区分的问题,提出了一种基于集合经验模态分解(EEMD)关联维数与机器学习相结合的微震信号特征提取和分类方法。利用EEMD将微震信号分解为本征模态函数(IMF)分量,并从得到的IMF分量中筛选出主分量IMF1~IMF4,再通过相空间重构计算出各个主分量的关联维数,最后将所得到的关联维数作为特征向量,使用SVM方法进行微震信号自动识别,并与其他机器学习方法进行对比分析。试验结果表明:该方法对微震信号的自动识别具有较高的准确率,且基于高斯核函数的SVM的识别效果明显优于逻辑回归(LR)和K-近邻算法(KNN)判别法的识别结果,其准确率达到93.7%。 | 廖智勤 王李管 何正祥 | 2020 | 黄金科学技术2020，28，4： | 7 |
| 2 | 基于改进EWT和LogitBoost集成分类器的地震事件分类识别算法显示文摘快速、准确地识别天然地震和人工爆破事件是地震台网监测的重要工作之一,也是提高地震观测记录质量、开展地震研究工作的重要基础。针对反向传播神经网络、支持向量机等主流分类识别方法在地震事件分类识别应用上的不足,提出一种基于改进EWT和LogitBoost集成分类器的地震事件分类识别算法。首先,基于S谱能量曲线对传统经验小波变换进行改进,将信号自适应分解为按频率和能量分布的本征模函数;其次,提取P波与S波最大振幅比,前4个本征模函数的香农熵、对数能量熵,以及去噪后重构信号主频等特征;最后,采用基于集成学习LogitBoost的决策树集成分类器进行分类。实验结果表明,所提算法具有较高的鲁棒性,能有效解决样本不足的问题,识别准确率达93.1%以上,比集成学习AdaBoost、反向传播神经网络和支持向量机等方法提高了1%以上,且分类识别效果好。 | 孟娟 张家声 李亚南 | 2022 | 地震工程学报2022，44，5： | 2 |
| 3 | 基于RBF神经网络的地震与爆破识别技术显示文摘利用天然地震震源和人工爆破震源之间信号能量分布的差异,结合RBF神经网络技术,对2类事件进行分类,具体步骤如下:使用8个带通滤波器对事件波形进行滤波,并划分为4个波形段:P波、P波尾波、S波和S波尾波,分别计算每个滤波器信道和波形段的能量特征值,以所得32个特征参数作为输入向量,利用RBF神经网络,对地震和爆破事件进行分类识别。结果表明,基于RBF神经网络的地震事件识别方法,识别率为88.1%,具有较高的准确性,可作为地震与爆破事件识别的一个重要依据。 | 毛世榕 史水平 苏梅艳 蒋志峰 玉壮基 | 2020 | 地震地磁观测与研究2020，41，3： | 1 |
| 4 | 基于识别算法的水泥矿山岩性分析(英文)显示文摘在任何工业原料场地特征的研究中,对水泥原材料进行岩性评价的研究均包括其物理特征、粒度和化学组成的相关描述。为了按照要求规格提供水泥组分,需要对水泥原料坑进行分类。采用监督模式识别分析法在采石场阶段的空间系统中进行识别。通过使用四种识别分析算法,基于主要化学成分如氧化钙(CaO)、氧化铝(Al_2O_3)、二氧化硅(SiO_2)和铁(Fe_2O_3),在石灰石,泥灰质石灰岩(钙质泥灰岩)和泥灰岩三个层面进行岩性分类。结果表明:识别算法可以作为水泥采石场识别中的强分类器,而且该条件和混合分类器比传统的识别算法效果更好。 | Bulent TUTMEZ | 2019 | Journal of Central South University2019，26，3： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员