چکیده

برداشت داده‌های لرزه‌ای همواره با نوفه‌ همراه است. در پاره ای از کاربردها در پردازش و تفسیر داده های لرزه ای لازم است محل سیگنال در داده آلوده به نوفه شناسایی گردد. در این مقاله الگوریتم خوشه‌بندی سلسله مراتبی جهت تشخیص خودکار داده از نوفه استفاده‌شده است. این ‌الگوریتم یکی از روش‌های یادگیری ماشین غیر نظارتی هست. در این روش مجموعه داده‌ها با استفاده از چهار نشانگر به دو گروه سیگنال و غیر سیگنال تقسیم‌بندی می شوند. در این مقاله چهار پارامتر نسبت انرژی میانگین در پنجره کوتاه‌مدت به بلندمدت پیشرو، نسبت انرژی میانگین کوتاه ‌مدت به بلندمدت پس‌رو، همپوشانی و پنجره متحرک واریانس به‌عنوان نشانگر جهت خوشه‌بندی سیگنال و از معیار فاصله Chebyshev استفاده‌شده است. برای برآورد کارایی الگوریتم تشخیص سیگنال لرزه‌ای، دو شاخص آماری یعنی نرخ بین انرژی کل سیگنال‌های اصلی و شناسایی‌شده (RTE) و نرخ بین انرژی‌های متوسط سیگنال‌های اصلی و شناسایی‌شده پیشنهاد می‌شود.عملکرد روش روی داده های مصنوعی ارزیابی و نتایج ارایه می شود.

کليدواژه ها

خوشه‌بندی سلسله مراتبی، نشانگر ، نسبت انرژی میانگین در پنجره کوتاه‌ مدت به بلند مدت، یادگیری ماشین

کد مقاله / لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است :

نحوه استناد به مقاله

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
امیر جاماسب , 1400 , تشخیص سیگنال لرزه‌ای به کمک روش یادگیری ماشین غیر نظارتی , دومین همایش ملی پردازش سیگنال و تصویر در ژئوفیزیک