Geri Dön

An unsupervised learning approach to seismic waveform classification via representation learning

Gösterim öğrenme yoluyla seismik dalga formu sınıflandırması için denetimsiz öğrenme yaklaşımı

PDF İndir

  1. Tez No: 881096
  2. Yazar: ONUR EFE
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ARKADAŞ İNAN ÖZAKIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Fizik Ana Bilim Dalı
  12. Bilim Dalı: Fizik Bilim Dalı
  13. Sayfa Sayısı: 102

Özet

Sismoloji, gözlem odaklı bir araştırma alanıdır ve sınırlarını genişletmek için doğru sınıflandırılmış sismik sinyallere ihtiyaç duyar. En temel sınıflandırma problem- lerinden biri de önemli sismik aktiviteyi arka plan gürültüsünden ayırmaktır. Yakın za- manda Makine Öğrenmesi algoritmaları bu problemin çözümü için önerilmiştir. Çeşitli özel durumlar (belirli seismik olaylar, zaman dilimleri ve coğrafi bölgeler vb.) için uygulanmış olan denetimsiz öğrenme tabanlı algoritmalar olmakla birlikte, önerilen al- goritmaların çoğu denetimli öğrenmeye dayalıdır. Sonuç olarak genel amaçlı kullanıma uygun denetimsiz öğrenme algoritmaları henüz geliştirilmemiştir. Denetimli öğrenmeye dayalı modeller, eğitimde kullanılan verisetinden kaynaklı eğilimlere sahip olabilir ve bu da gözlemsel amaçlar için kötü sonuçlara yol açabilir. Sismik sinyallerin şuanki bilgilerin ışığında etiketlendiğini düşünürsek modellerin bu etiketlere göre eğitilmesinin potansiyel keşiflerin önüne geçebileceği açıktır. Tamamlayıcı eğilimlere sahip metotlar geliştirmek denetimli öğrenmeye dayalı modellerin kör noktalarını doldurmak için önemlidir. Bu tezdeki temel motivasyon- umuz, arka plan gürültüsü ile deprem kaynaklı sismik aktiviteyi ayırt edebilen dene- timsiz öğrenme tabanlı ve genel amaçlı kullanıma uygun yöntemler oluşturmaktır. Bu motivasyon temelinde, bir veya birden fazla istasyon verisi kullanarak sınıflandırma yapabilen Derin Öğrenme tabanlı yöntemler geliştirilmiştir.

Özet (Çeviri)

Seismology is an observation-based science and requires well-classified seismic signals to expand its boundaries. One of the most basic classification problems is to separate earthquake-based seismic activity from background noise. Machine learning algorithms are recently introduced as a solution to this problem. Although unsupervised learning-based algorithms have been used for specific cases (certain seismic events, time intervals, geographical regions, etc.), most proposed algorithms are supervised learning-based. Consequently, general-purpose unsupervised learning algorithms have not been developed yet. Supervised learning-based models may have biases due to the dataset used in training, which can lead to poor results for observational purposes. Considering that the seismic waveforms are labeled in the light of current information, it's clear that training the models using these labels could block potential discoveries. Developing methods with complementary biases is important to fill the blind spots of supervised learning-based models. Our primary motivation in this thesis is to develop unsupervised learning-based general-purpose detection methods that distinguish earthquake-based seismic activity from background noise. Based on this motivation, deep learning-based methods that can classify waveforms using one or more stations have been developed.

Benzer Tezler

  1. Tez No

    797264

    Novel clustering algorithms: entropy based neighborhood merging (ENM) and simultaneous feature selective clustering (SFSC)

    Özgün kümeleme algoritmaları: Entropi tabanlı komşuluk birleştirme ve eş zamanlı öznitelik seçici kümeleme

    MUSTAFA ÜNVER

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. NİHAL ERGİNEL

  2. Tez No

    571118

    A multi-objective approach to cluster ensemble selection problem

    Kümeleme topluluğu seçimi problemine çok amaçlı yaklaşım

    DİLAY AKTAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik Üniversitesi

    Yöneylem Araştırması Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BANU LOKMAN

    DOÇ. DR. TÜLİN İNKAYA

  3. Tez No

    757191

    Liquidity risk in Islamic banks: A machine learning approach

    İslam bankalarında likidite riski: Bir makine öğrenme yaklaşımı

    HALAH AHMED BAHANSHAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı

    Assist. Prof. Dr. RUSTU MURAT DEMIRER

  4. Tez No

    476034

    Clustering functional mri data using a robust unsupervised learning algorithm

    Fonksiyonel mrı verilerinin gürbüz denetimsiz algoritması ile kümelendirilmesi

    HADEEL KASSIM WADI AL-JOBOURI

    Doktora

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik MühendisliğiYıldırım Beyazıt Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLYAS ÇANKAYA

  5. Tez No

    667445

    LTE-A kablosuz ağlarda kötü niyetli röle ataklarının makine öğrenmesi yöntemleri ile tespiti

    Detection of malicious relay attacks in LTE-A wireless networks by machine learning methods

    YELİZ YENGİ

    Doktora

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADNAN KAVAK

Geri Dön