深度学习及其在地电场异常检测中的应用研究
| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第一章 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 地电场异常信号提取研究现状 | 第12-13页 |
| 1.2.2 深度学习对时间序列异常检测研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14-16页 |
| 1.4 研究工作的创新性 | 第16-17页 |
| 第二章 地电场简介 | 第17-22页 |
| 2.1 地电场变化分类 | 第17-20页 |
| 2.1.1 自然电场 | 第17-19页 |
| 2.1.2 大地电场 | 第19-20页 |
| 2.2 地电场观测方法 | 第20-21页 |
| 2.3 地电场观测应用 | 第21-22页 |
| 第三章 深度学习相关理论 | 第22-28页 |
| 3.1 神经网络基础理论 | 第22-24页 |
| 3.1.1 网络训练 | 第23-24页 |
| 3.2 循环神经网络 | 第24-26页 |
| 3.3 长短期记忆网络 | 第26-27页 |
| 3.4 扩张因果卷积网络 | 第27-28页 |
| 第四章 奇异谱分析去噪方法 | 第28-35页 |
| 4.1 基本理论介绍 | 第28-29页 |
| 4.2 仿真实验分析 | 第29-31页 |
| 4.3 地电场观测数据去噪分析 | 第31-35页 |
| 4.3.1 地铁运行干扰去噪分析 | 第31-32页 |
| 4.3.2 高压直流输电干扰去噪分析 | 第32-33页 |
| 4.3.3 空间电磁环境干扰去噪分析 | 第33-34页 |
| 4.3.4 小结 | 第34-35页 |
| 第五章 异常检测 | 第35-38页 |
| 5.1 预测模型 | 第35-37页 |
| 5.1.1 长短期记忆网络 | 第35页 |
| 5.1.2 扩张卷积网络 | 第35-36页 |
| 5.1.3 模型参数设置 | 第36-37页 |
| 5.1.4 模型评估 | 第37页 |
| 5.2 检测规则 | 第37-38页 |
| 第六章 方法验证及地电场观测资料分析实例 | 第38-61页 |
| 6.1 模拟实验 | 第38-42页 |
| 6.2 实际数据分析及结果 | 第42-56页 |
| 6.2.1 南京地电场观测台 | 第43-45页 |
| 6.2.2 海安地电场观测台 | 第45-46页 |
| 6.2.3 高邮地电场观测台 | 第46-48页 |
| 6.2.4 平凉地电场观测台 | 第48-52页 |
| 6.2.5 嘉峪关地电场观测台 | 第52-55页 |
| 6.2.6 山丹地电场观测台 | 第55-56页 |
| 6.3 结果讨论 | 第56-61页 |
| 第七章 研究结论与展望 | 第61-63页 |
| 7.1 研究结论 | 第61-62页 |
| 7.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-72页 |
| 致谢 | 第72-74页 |
| 附录 | 第74-79页 |
| 作者简介 | 第79-80页 |
