三、本研究使用之機器學習手段 自2017年開始,我們與台科大機械工程系的劉益宏老師合作,致力於利用機器學習演算法進行智能偵測和分類,期能避免樣板比對的高計算複雜度,並自動學習決策邊界(decision boundary)來進行偵測及分類(Liu et al., 2019)。我們想問,能否利用單站,對偵測有難度、和背景噪音振幅相仿、往往需要多站共同判釋的慢地震訊號進行分類和偵測? 本計畫分別準備地震、長微震和背景噪訊三種類別的波形,將之標籤化以進行後續資料訓練,利用的三個測站和對應的波形如圖十所示。首先選用的分類器,是傳統而簡單的kNN(k近鄰分類法),此法計算任一比未知資料「與不同類別在特徵空間的歐式距離」,找最相近的k個鄰居投票表決,來決定這個未知資料應該分到哪一類別。在訓練階段,所有的演算法參數皆須最佳化,我們採用廣泛使用的交叉驗證法(Leave-One-Out Cross Validation, LOO-CV)來進行,此方法容易實現,並且可以自動化執行。每個測站、每個類別均為204筆事件(每個事件為60-s),經由LOO-CV得到的分類表現如表三所示,在較遠離長微震震源區的YULB有最差的分類率為68%,而在較近的測站則介於86-94%間。 |
|