地震大数据网络化分析系统的实现及在地震预测上的应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究理论背景 | 第11-12页 |
| 1.2 课题的研究现状和意义 | 第12-13页 |
| 1.2.1 地震网络的研究现状 | 第12页 |
| 1.2.2 课题的研究意义 | 第12-13页 |
| 1.3 贝叶斯网络在地震中的研究现状 | 第13-14页 |
| 1.4 本文的研究内容 | 第14-15页 |
| 1.5 本文的组织结构 | 第15-17页 |
| 第2章 系统中相关的理论基础 | 第17-25页 |
| 2.1 地震网络的引入 | 第17-19页 |
| 2.1.1 复杂网络和地震网络 | 第17页 |
| 2.1.2 时空影响域的构造方法 | 第17-19页 |
| 2.2 地震网络特征参数 | 第19-21页 |
| 2.3 贝叶斯网络的应用 | 第21-24页 |
| 2.3.1 贝叶斯网络概念 | 第21页 |
| 2.3.2 贝叶斯网络参数学习 | 第21-22页 |
| 2.3.3 贝叶斯网络推断 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 系统的需求分析和总体设计 | 第25-33页 |
| 3.1 分析工具简介 | 第25-26页 |
| 3.2 可行性分析 | 第26页 |
| 3.3 需求分析 | 第26-27页 |
| 3.3.1 功能需求 | 第26-27页 |
| 3.3.2 非功能需求 | 第27页 |
| 3.4 设计原则 | 第27-28页 |
| 3.5 系统整体设计 | 第28-30页 |
| 3.6 本章小结 | 第30-33页 |
| 第4章 概率推理模块的核心思想和算法 | 第33-43页 |
| 4.1 地震网络向贝叶斯网络的转换 | 第33-35页 |
| 4.2 地震网络中节点参数的学习 | 第35-38页 |
| 4.2.1 参数学习算法的选择及使用 | 第35-36页 |
| 4.2.2 样本统计 | 第36-38页 |
| 4.3 地震网络的推理 | 第38-41页 |
| 4.3.1 推理方式 | 第38-40页 |
| 4.3.2 评价指标 | 第40-41页 |
| 4.4 本章小结 | 第41-43页 |
| 第5章 地震大数据网络化分析系统的实现 | 第43-55页 |
| 5.1 数据处理模块的实现 | 第43-46页 |
| 5.2 特征参数求解模块的实现 | 第46-47页 |
| 5.3 相关参数模块的实现 | 第47-48页 |
| 5.4 参数演化模块的实现 | 第48-50页 |
| 5.5 概率推理模块的实现 | 第50-53页 |
| 5.6 本章小结 | 第53-55页 |
| 第6章 地震网络拓扑特征演化和概率推理分析 | 第55-71页 |
| 6.1 无尺度特性 | 第55页 |
| 6.2 小世界特性 | 第55-56页 |
| 6.3 地震网络特征参数演化分析 | 第56-62页 |
| 6.3.1 网络规模的分析 | 第56-57页 |
| 6.3.2 熵值的分析 | 第57-58页 |
| 6.3.3 聚集系数的分析 | 第58页 |
| 6.3.4 平均路径长度的分析 | 第58-59页 |
| 6.3.5 模块度的分析 | 第59-60页 |
| 6.3.6 多参数演化分析 | 第60-62页 |
| 6.4 概率推理实验分析 | 第62-70页 |
| 6.4.1 一年地震数据的概率推理 | 第62-64页 |
| 6.4.2 测试集的震级影响 | 第64-65页 |
| 6.4.3 训练集的时间范围的影响 | 第65-68页 |
| 6.4.4 重要节点与全网节点的实验对比 | 第68-69页 |
| 6.4.5 2015年加州地区的实证测试 | 第69-70页 |
| 6.5 本章小结 | 第70-71页 |
| 第7章 总结与展望 | 第71-73页 |
| 7.1 本文工作及贡献 | 第71-72页 |
| 7.2 不足与展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 攻读硕士期间发表的论文 | 第79页 |
