基于机器学习算法的脉冲型地震动识别
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 课题研究背景和意义 | 第8-10页 |
| 1.2 脉冲型地震动的研究现状 | 第10-14页 |
| 1.3 S变换的研究现状 | 第14-15页 |
| 1.4 机器学习的研究现状 | 第15-17页 |
| 1.5 本文主要研究内容 | 第17-18页 |
| 第2章 脉冲型地震的产生机制和样本选取 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 脉冲型地震动的产生机制 | 第18-20页 |
| 2.3 训练和评估模型的地震动样本选取 | 第20-27页 |
| 2.3.1 基于小波变换的识别方法 | 第20-24页 |
| 2.3.2 基于能量特征的识别方法 | 第24-26页 |
| 2.3.3 地震动样本选取 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于支持向量机的识别方法 | 第28-52页 |
| 3.1 引言 | 第28页 |
| 3.2 基于S变换重构脉冲时程 | 第28-36页 |
| 3.3 特征提取与降维 | 第36-45页 |
| 3.3.1 特征提取 | 第36-40页 |
| 3.3.2 基于主成分分析降低特征的冗余度 | 第40-45页 |
| 3.4 基于支持向量机识别脉冲型地震动 | 第45-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 基于深度神经网络的识别方法 | 第52-69页 |
| 4.1 引言 | 第52页 |
| 4.2 深度神经网络模型的构建 | 第52-58页 |
| 4.3 基于深度神经网络模型识别脉冲型地震动 | 第58-67页 |
| 4.3.1 数据预处理 | 第58-60页 |
| 4.3.2 模型训练与评估 | 第60-66页 |
| 4.3.3 两种方法识别效果对比 | 第66-67页 |
| 4.4 本章小结 | 第67-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 附录 | 第77-82页 |
| 致谢 | 第82页 |
