La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Seismic Events Discrimination Using a New FLVQ Clustering Model Discrimination des événements sismiques à l'aide d'un nouveau modèle de clustering FLVQ

Payam NASSERY, Karim FAEZ

  • Vues en texte intégral

    0

  • Citer

Résumé:

Dans cet article, le modèle LVQ (Learning Vector Quantization) et ses variantes sont considérés comme des outils de clustering permettant de discriminer les événements sismiques naturels (tremblements de terre) des événements artificiels (explosions nucléaires). L'étude est basée sur les six caractéristiques spectrales des spectres d'onde P calculées à partir des enregistrements télésismiques de courte période. Les modèles LVQ conventionnels proposés par Kohenen ainsi que les modèles Fuzzy LVQ (FLVQ) proposés par Sakuraba et Bezdek sont tous testés sur un ensemble de 26 tremblements de terre et 24 explosions nucléaires en utilisant le laisser-un-dehors stratégie de test. Les principaux résultats expérimentaux ont montré que les formes, le nombre ainsi que les chevauchements des clusters jouent un rôle important dans la classification sismique. Les résultats ont également montré comment un partitionnement inapproprié de l’espace des fonctionnalités affaiblirait fortement les phases de clustering et de reconnaissance. Pour améliorer les résultats numériques, un nouvel algorithme FLVQ combiné est utilisé dans cet article. L'algorithme est composé de deux sous-algorithmes imbriqués. Le sous-algorithme interne tente de générer un partitionnement flou bien défini avec les vecteurs de référence flous dans l'espace des fonctionnalités. Pour atteindre cet objectif, une fonction de coût est définie en fonction du nombre, des formes mais aussi des recouvrements des vecteurs de référence flous. La règle de mise à jour tente de minimiser cette fonction de coût dans un algorithme d'apprentissage pas à pas. D'autre part, le sous-algorithme externe tente de trouver une valeur optimale pour le nombre de clusters, à chaque étape. Pour cette optimisation dans la boucle externe, nous avons utilisé deux critères différents. Dans le premier critère, le nouveau "entropie floue" est utilisé tandis que dans le deuxième critère, un indice de performance est employé en généralisant la formule de Huntsberger pour le taux d'apprentissage, en utilisant la notion de distance floue. Les résultats expérimentaux du nouveau modèle montrent une amélioration prometteuse du taux d'erreur, un temps de convergence acceptable, ainsi qu'une plus grande flexibilité dans la prise de décision concernant les limites.

Publication
IEICE TRANSACTIONS on Information Vol.E83-D No.7 pp.1533-1539
Date de publication
2000/07/25
Publicisé
ISSN en ligne
DOI
Type de manuscrit
PAPER
Catégories
Pattern Recognition

Auteurs

Mots-clés

Table des matières