ES2207529T3 - Sistema de inteligencia artificial para la casificacion de eventos, de objetos o de situaciones. - Google Patents
Sistema de inteligencia artificial para la casificacion de eventos, de objetos o de situaciones.Info
- Publication number
- ES2207529T3 ES2207529T3 ES00946034T ES00946034T ES2207529T3 ES 2207529 T3 ES2207529 T3 ES 2207529T3 ES 00946034 T ES00946034 T ES 00946034T ES 00946034 T ES00946034 T ES 00946034T ES 2207529 T3 ES2207529 T3 ES 2207529T3
- Authority
- ES
- Spain
- Prior art keywords
- sqbullet
- events
- diffuse
- signals
- seismic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
- Radar Systems Or Details Thereof (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Devices For Executing Special Programs (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Feedback Control In General (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Sistema de inteligencia artificial de clasificación de eventos, de objetos o de situaciones a partir de señales y de parámetros discriminantes provenientes de modelos, que incluye al menos una rama de tratamiento que comprende un sistema experto difuso (SEF) que toma una decisión a partir de propiedades de alto nivel y de parámetros discriminantes de más bajo nivel extraídos de las señales por medio de procedimientos de tipo tratamiento de señal, y capacitado para explicar su decisión al usuario por medio de reglas, que se caracteriza porque estás reglas son clasificadas por orden de aplicabilidad, haciendo que una clasificación de este tipo sea posible en virtud de la provisión por el citado sistema experto difuso de un criterio de activación de cada regla que permite estimar su adecuación al caso tratado.
Description
Sistema de inteligencia artificial para la
clasificación de eventos, de objetos o de situaciones.
La presente invención se refiere a un sistema de
inteligencia artificial para la clasificación de eventos, de objetos
o de situaciones a partir de señales y de parámetros discriminantes
emitidos desde modelos.
La invención se aplica en particular a la
clasificación de eventos sísmicos. Una clasificación de este tipo va
a ser considerada a título de ejemplo no limitativo en lo que sigue
de la descripción.
La clasificación automática de eventos sísmicos
es un problema relativamente reciente, debido a que el problema no
ha sido verdaderamente abordado más que en los años 1980. Estos
trabajos están mayoritariamente orientados hacia la búsqueda de
parámetros discriminantes (es decir, susceptibles de permitir la
clasificación) en las señales sísmicas. Se han propuesto numerosas
características potenciales con vistas a una futura clasificación
automática. A partir de 1990, se ha empezado a encontrar en los
artículos publicados tentativas de clasificación automática, ya sea
por medio de técnicas neuronales o ya sea por medio de sistemas a
base de reglas. Estos trabajos buscan separar los seísmos de origen
natural de las explosiones. Ninguno de estos artículos trata de la
discriminación de hundimientos mineros ("cortes de
terreno").
Debido a la complejidad del problema, estos
artículos ponen claramente de manifiesto la necesidad de poner a
punto sistemas automáticos capacitados para el aprendizaje. Los
métodos neuronales han sido así propuestos con frecuencia para
realizar la discriminación automática de eventos sísmicos, pero con
las limitaciones que se analizan más adelante. Los modelos
propuestos más habitualmente, son los perceptrones
multi-capa de conexiones completas entre capas
sucesivas.
Todos estos artículos pretenden determinar el
origen a partir de características extraídas únicamente de las
señales. Los datos de más alto nivel (fecha, hora, latitud,
longitud, magnitud, ...) no han sido empleados jamás para la
clasificación. Sin embargo, los sismólogos conocen la dificultad de
discriminar las señales sísmicas únicamente mediante tratamientos de
bajo nivel.
Los trabajos de Baumgardt y de sus colaboradores
descritos en el documento referenciado con [1], son sin duda los que
han permitido los mayores avances en la búsqueda de parámetros
discriminantes.
Las variaciones de cepstro, siendo el cepstro de
una señal x la transformada de Fourier inversa del logaritmo de la
transformada de Fourier de x, han sido utilizadas con frecuencia. Se
puede mostrar así que el cepstro permite visualizar el fenómeno de
micro-retardos presentes en las señales de campo
caracterizadas por una variación más grande. El documento
referenciado con [2] observa también esta propiedad señalando sin
embargo que la ausencia de esta característica no permite ninguna
deducción en cuanto a la clase de evento.
Las relaciones de las amplitudes de los
diferentes tipos de ondas, pueden servir también como
discriminantes. El documento referenciado con [3] estudia toda una
serie de relaciones de amplitudes (P_{n}/Lg, Pg/Lg, Lg/Rg). Estas
relaciones son consideradas como que pueden permitir una buena
discriminación.
Los mismos autores introducen también las
relaciones de las densidades espectrales de potencia de los
diferentes tipos de ondas detectadas. Al igual que para las
relaciones de amplitud, estos discriminantes son utilizados para
todos los estudios que buscan discriminantes en las señales
sísmicas. Para caracterizar las explosiones, se han utilizado
igualmente las relaciones de las densidades espectrales de potencia
de un tipo de onda, indicada aquí como S, en bandas de frecuencias
diferentes, es decir, la relación de la densidad espectral de
potencia de S en la gama de 1-2 Hz respecto a la
densidad espectral de potencia de esta misma fase en la banda de
7-20 Hz. La relación entre las densidades
espectrales de potencia de la onda S antes y después de 10 Hz, se
presenta como un buen separador entre las explosiones y los
seísmos.
El documento referenciado con [4] pone de
manifiesto que el tiempo de propagación de las señales provenientes
de una mina, tiene un tiempo t_{sg}-t_{pg}
constante para una estación de registro dada. Este tiempo de
propagación está presente como característica potencial para una
mina, siendo no obstante menos fiable que las características
citadas anteriormente.
El documento referenciado con [5] propone
utilizar la presencia de la onda de superficie de los seísmos para
discriminar explosiones nucleares a distancias regionales. La
caracterización de la presencia de una onda de superficie se efectúa
indirectamente comparando las magnitudes m_{b} y M_{s}. Para dos
eventos sísmicos de igual magnitud m_{b}, la magnitud de la onda
de superficie M_{s} es por lo general más elevada en el caso de un
seísmo motivado por la presencia de una onda de superficie que en el
caso de una explosión. En efecto, esta onda de Rayleigh de corteza
interviene en el cálculo de la magnitud M_{s}, y su presencia está
supeditada al fenómeno de cizallamiento ausente en el caso de
explosiones nucleares. La representación de la diferencia
(m_{b}-M_{s}) en función de m_{b}, permite
verificar esta hipótesis. No obstante, el cálculo de la magnitud
M_{s} depende de la periodicidad de la señal registrada y no es
posible, con todo rigor, para eventos regionales. Por el contrario,
la presencia de una onda de superficie, correspondiente a una onda
de Rayleigh sedimentaria en señales sísmicas próximas, caracteriza
eventos de naturaleza artificial. Un método de detección de este
segundo tipo de onda de superficie consiste en buscar directamente
su presencia en el espectrograma de la señal, siendo su frecuencia
conocida (entre 0,5 y 1,5 Hz), y pudiendo ser calculada su supuesta
hora de llegada a partir de su velocidad media de propagación y de
la distancia que separa el epicentro de la estación de registro.
Los sistemas descritos en los documentos de la
técnica conocida no son creíbles operacionalmente por varias
razones:
- \bullet
- Los estudios llevados a cabo por los geofísicos, con frecuencia ricos y detallados en materia de proposición de parámetros discriminantes, no proponen ningún método fiable de aprovechamiento automático de estos parámetros.
- \bullet
- Los estudios realizados por informáticos proponen sistemas que no sacan partido suficiente de la complementariedad de los datos y de los conocimientos geofísicos.
La mayor parte de los estudios de la técnica
conocida, utilizan bases de datos de eventos sísmicos de magnitud
extremadamente reducida, lo que tiene como consecuencia no permitir
el aprendizaje estadístico correcto. La clasificación se hace, con
frecuencia, sobre bases que tienen menos de una centena de eventos,
como se describe en los documentos referenciados con [2] y [6]. Una
de las bases más importantes encontrada en los documentos de la
técnica conocida, está compuesta por 312 eventos solamente, según se
describe en el documento [4]. La consecuencia directa consiste en
que los márgenes de error sobre los resultados presentados son muy
elevados, lo que no permite depositar mucha confianza en estos
resultados.
La repartición geográfica de los ejemplos de la
base de datos, es un elemento muy importante. La mayor parte de las
bases reagrupan los eventos que tienen lugar en regiones de tamaño
restringido (algunas decenas de kilómetros de lado), donde las
propiedades del sub-suelo están poco diversificadas.
La búsqueda de discriminantes generales se encuentra por tanto
sesgada, siendo los discriminantes eficaces solamente para una
región dada.
Además, según se describe en el documento
referenciado con [1], los eventos de las dos clases que se han de
discriminar pueden provenir de dos regiones geográficas claramente
distintas, a veces alejadas una de otra por varios cientos de
kilómetros. Entonces resulta imposible saber en qué medida no es más
que la "coloración" de las señales para las capas geológicas
atravesadas lo que permite la discriminación, más que las señales en
sí mismas. Sin embargo, los sismólogos saben que esa coloración está
lejos de ser omisible y que la información de localización es muy
importante.
Con frecuencia, se utiliza un número muy limitado
de estaciones de registro. Las señales son registradas por medio de
dos o tres estaciones a lo sumo, pero con frecuencia se permite una
sola estación. El evento sísmico está entonces representado por una
sola señal, lo que reduce considerablemente la información
utilizable.
Por último, los eventos integrados en la base de
datos se seleccionan de forma muy general según un criterio
previamente definido: magnitud superior a un umbral, relación
señal/ruido superior a un umbral, según se describe en el documento
referenciado con [2]. Pero esta selección sesga por completo los
resultados.
Aunque los estudios de la técnica conocida han
permitido contrastar de nuevo una gran gama de discriminantes
potencialmente útiles para la clasificación, se hace muy difícil
encontrar discriminantes globales eficaces en función del elevado
número de tipos de tiros y de seísmos distintos.
La mayor parte del tiempo, los clasificadores
propuestos revelan ser ineficaces debido a que son demasiado simples
(separadores lineales) o imposibles de regular en virtud de su
complejidad. Aquellos imponen un enorme trabajo de
pre-tratamiento sobre los datos, lo que hace que los
sistemas propuestos no sean generalizables.
El laboratorio de detección y de geofísica (LDG)
del CEA vigila de forma continuada la actividad sísmica de la tierra
desde 1962. Cuando se produce un evento sísmico en un lugar del
globo, se registra en Francia por medio de una red de cuarenta y dos
sismómetros verticales situados en el territorio metropolitano,
según se ilustra en la Figura 1, siendo las estaciones CP estaciones
de períodos cortos, y las estaciones LP estaciones de períodos
largos. Una descripción detallada de la red de sismómetros y de la
propagación de las ondas sísmicas en Francia, se proporciona en el
documento referenciado con [7].
Esta red, que utiliza desde su creación la
transmisión por vías horizontales, ha pasado recientemente a una
transmisión digital por satélite. Un filtro y una ganancia adaptados
de la señal, permiten detectar los seísmos próximos, o por el
contrario, los seísmos lejanos de período más largo, conocidos como
tele-seísmos. La regulación de los parámetros de
filtrado y de ganancia debe permitir encontrar un compromiso entre
la detección de los eventos sísmicos de magnitud relativamente débil
y el ruido de fondo.
La Figura 2 muestra señales registradas por los
sismómetros del laboratorio LDG situados entre 84 y 146 kilómetros
(a saber, SBF: 84 km; PGF: 110 km; FRF: 127 km; LMR: 136 km, y LRG:
148 km) del epicentro estimado de un seísmo de magnitud 1,9
localizado a 10 kilómetros al sur de Imperia en Italia, el 9 de Mayo
de 1996 (hora: la 1 hora, 0 minutos, 59 segundos; latitud: 43,34;
longitud: 8,19; magnitud: 1,9).
En cada señal se han repertoriado diferentes
fases sísmicas que servirán durante el análisis detallado del
evento.
Cada año, se detectan así alrededor de 9000
eventos sísmicos próximos, de los que 800 a 1200 seísmos son
naturales.
Los sismólogos del laboratorio LDG examinan y
analizan diariamente los datos registrados por las estaciones de la
red francesa. Publican un boletín semanal que contiene el conjunto
de los seísmos naturales acaecidos en Francia o en las regiones
limítrofes. Se publica un boletín similar para los
tele-seísmos. La tabla I, dada a efectos de la
descripción, es un extracto del boletín relativo al período del 9 al
15 de Septiembre de 1998. En esta tabla se consideran las siguientes
abreviaturas:
HORA OR: hora de origen (TU);
LAT: latitud del epicentro (grados);
LON: longitud del epicentro (grados);
PRO: profundidad del epicentro (km);
ML: magnitud local;
RMS: residuo cuadrático medio (s).
Esta tabla incluye, por lo tanto, los seísmos
próximos detectados durante esa semana y las características de cada
evento: fecha y hora originales, posición y profundidad del
epicentro, magnitud, residuo cuadrático medio de localización y
región de localización deducida.
En función del fuerte desequilibrio entre el
número de eventos artificiales y el de eventos naturales (en
Francia, los eventos sísmicos de origen artificial son diez veces
más frecuentes que los eventos sísmicos naturales), solamente los
eventos estimados que son seísmos o los eventos de clase
indeterminada, son desprovistos del ruido de fondo por los
sismólogos para ser analizados a continuación de forma más precisa
mediante una lógica de localización. Las otras señales (eventos
artificiales en su mayor parte) son archivados durante seis
meses.
El procedimiento de aprovechamiento de las
señales consiste en una localización ya automatizada, seguida de una
fase de caracterización (determinación del evento en el origen de
las señales).
El aprovechamiento de las señales se efectúa con
la ayuda del sistema global ilustrado en la Figura 3.
El documento referenciado con [11] describe un
procedimiento de recuento de primera llegada, que es un
procedimiento de reconocimiento de forma, en cuanto al tratamiento
de datos sísmicos. Este procedimiento utiliza aquí los sistemas de
lógica difusa. Éste tiene en cuenta atributos sísmicos como
características.
El documento referenciado con [12] describe un
procedimiento de puesta en práctica de un sistema experto basado en
una red neuronal de acción directa, de estado entrenada en continuo.
Esta red comprende una capa de elementos de tratamiento de entrada
representativos de las variables de entrada, una capa de elementos
de tratamiento de salida representativos de las variables de salida,
y una o varias capas de elementos de tratamiento difusos.
El documento referenciado con [13] describe un
sistema multi-expertos para la vigilancia sísmica
operativa, cuyo origen reside en:
- a)
- La opción de construir las tomas de decisión fusionando informaciones de estados diferentes: índices de bajo nivel (discriminantes extraídos de las señales sísmicas por aprendizaje) e índices de nivel más alto calculados mediante modelos geofísicos (hora del evento, posición del epicentro, magnitud, ...).
- b)
- La capacidad del sistema para funcionar en presencia de datos imperfectos (incompletos, imprecisos, ...). A este efecto, se ha desarrollado una codificación específica de los datos que permite el aprovechamiento eficaz de datos incompletos e imprecisos.
- c)
- La posibilidad de que el usuario interprete las decisiones tomadas por el sistema por medio de un sistema-experto difuso interactivo que genere automáticamente reglas de decisión inteligibles.
La invención tiene por objeto subsanar estos
inconvenientes de los sistemas de la técnica conocida, proponiendo
un nuevo sistema de inteligencia artificial para la clasificación de
eventos, de objetos o de situaciones a partir de señales y de
parámetros discriminantes provenientes de modelos.
La presente invención se refiere a un sistema de
inteligencia artificial para la clasificación de eventos, objetos o
situaciones a partir de señales y de parámetros discriminantes
provenientes de modelos, que incluye al menos una rama de
tratamiento que comprende un sistema experto difuso (experto SEF)
que toma una decisión a partir de propiedades de alto nivel y de
parámetros discriminantes de nivel más bajo extraídos mediante
procedimientos de tipo tratamiento de señal, y capaz de explicar su
decisión al usuario por medio de reglas, que se caracteriza porque
estas reglas son clasificadas por orden de aplicabilidad, siendo
posible una clasificación de este tipo en virtud de la provisión por
el sistema experto difuso de un criterio de activación de cada regla
que permita estimar su adecuación con el caso tratado.
En este sistema experto difuso se efectúa un
descenso de gradiente sobre los parámetros:
- \sqbullet x = y/\sigma
- \sqbullet s = 1n(2\sigma^{2})
- \sqbullet r = 1n(\rho)
- \sqbullet d
con:
- \sqbullet y: posición de los conjuntos difusos de premisas
- \sqbullet\sigma: anchura de los conjuntos difusos de premisas
- \sqbullet\rho: peso de las reglas
- \sqbullet d: grado de activación de cada clase para cada regla
Ventajosamente, el sistema de la invención es un
sistema multi-experto constituido por al menos dos
ramas de tratamiento independientes, que se configura
automáticamente por aprendizaje estadístico sobre las bases de
datos, que tienen propiedades particulares, y fusionadas por medio
de un sistema de toma de decisión de alto nivel. Ventajosamente, una
rama comprende un clasificador neuro-difuso (experto
CNF) que toma sus decisiones a partir de propiedades de alto nivel y
de parámetros discriminantes de nivel más bajo extraídos de las
señales por medio de procedimientos de tipo tratamiento de señal.
Ventajosamente, otra rama comprende una red neuronal con conexiones
locales y pesos repartidos (experto TDNN) constituidos por bancos de
filtros adaptativos no lineales, que extrae por sí misma
informaciones discriminantes de representación
tiempo-frecuencia de las señales correspondientes al
evento.
La invención puede ser utilizada en diferentes
sectores aplicativos, y en especial en:
El sistema se aplica en este caso al análisis de
cualquier evento geofísico observable por medio de las señales
recogidas por las estaciones:
- - señales sísmicas;
- - infrasonidos;
- - ondas hidro-acústicas.
Estos eventos pueden ser eventos próximos
(llamados regionales) o lejanos (por ejemplo,
tele-seísmos).
La función que se ha de asegurar puede ser:
- - un filtrado para eliminar los eventos no pertinentes para los tratamientos de más abajo;
- - una detección de eventos particulares;
- - una clasificación exhaustiva en un conjunto de grupos de eventos de la misma naturaleza.
El sistema se aplica igualmente al análisis de
objetos o de procesos industriales, en cuanto se disponga de señales
o de imágenes recogidas por medio de captadores. He aquí algunos
ejemplos:
- \sqbullet
- Control de calidad de objetos o de productos manufacturados: el objetivo consiste en controlar la forma y/o la posición de objetos, detectar y caracterizar los defectos. Los expertos CNF y SEF utilizan mediciones realizadas mediante tratamiento de imágenes. El experto TDNN utiliza una o varias imágenes de la pieza.
- \sqbullet
- Mantenimiento predictivo de eventos: el objetivo consiste en prever un fallo futuro de máquinas, ordenadores, equipos electrónicos, captadores, con el fin de dar la alerta y poder poner en práctica un procedimiento de corrección con anterioridad a la avería. Los expertos CNF y SEF utilizan mediciones de coeficientes de alto nivel de las correlaciones. El experto TDNN utiliza las señales.
- \sqbullet
- Vigilancia de procesos complejos: el objetivo consiste en vigilar el buen funcionamiento de una cadena de producción.
Los expertos CNF y SEF utilizan mediciones de
coeficientes de alto nivel. El experto TDNN utiliza mediciones de
coeficientes de bajo nivel.
En el sector geofísico, las propiedades de alto
nivel pueden consistir en la localización, la magnitud, la hora y la
fecha. El sistema de la invención permite realizar la clasificación
automática de eventos sísmicos en tres conjuntos:
- - seísmos naturales;
- - explosiones (campos de minas y ensayos militares);
- - cortes de terreno (hundimiento de capas mineras).
El sistema se integra también en una cadena de
tratamientos automáticos para operar una función de filtrado de los
eventos sísmicos. Sus características principales son:
- -
- una fiabilidad máxima: el sistema está capacitado para la toma de decisiones incluso con datos degradados o imprecisos, incluso en ausencia de determinadas informaciones;
- -
- el acceso a la explicación de las decisiones con el fin de resolver una duda eventual sobre una decisión.
La Figura 1 ilustra la red de sismómetros del
laboratorio de detección y de geofísica (LDG) del CEA en 1998.
La Figura 2 ilustra ejemplos de señales sísmicas
registradas por la red de la Figura 1.
La Figura 3 ilustra un sistema global de
aprovechamiento de señales geofísicas de la técnica anterior.
La Figura 4 ilustra el esquema de principio del
sistema multi-expertos de discriminación de eventos
sísmicos de la invención.
La Figura 5 ilustra el esquema general de
aprendizaje del sistema de la invención a partir de ejemplos.
La Figura 6 ilustra una neurona artificial.
La Figura 7 ilustra una red de neuronas
artificiales.
La Figura 8 ilustra un clasificador
neuro-difuso.
La Figura 9 ilustra un mecanismo de activación de
células de codificación.
La Figura 10 ilustra ejemplos de activación de
las células de codificación.
La Figura 11 ilustra un sistema experto difuso
para la discriminación de eventos sísmicos.
Las Figuras 12A a 12D ilustran
pre-tratamientos sucesivos aplicados a una señal
sísmica.
La Figura 13 es una arquitectura de una red de
neuronas con conexiones locales y pesos repartidos.
La Figura 14 ilustra la representación de los
epicentros de los eventos sísmicos desde 1962 hasta 1996.
El sistema de la invención incluye al menos una
rama de tratamiento que contiene un sistema experto difuso. Cuando
comprende varias ramas de tratamiento independientes, se habla de
sistema multi-expertos.
El principio de la toma de decisión
multi-expertos, que es por tanto uno de los modos de
realización de la invención, consiste en el aprovechamiento de la
sinergia entre varias ramas de tratamiento complementarias. Esta
complementariedad reside en:
- A.
- Los comportamientos generales: una rama es más bien generalista (comportamientos bastante buenos en la mayor parte de los casos), otra es más bien especialista (comportamientos muy buenos sobre ciertos casos difíciles, tasa de errores más elevada sobre los casos que no revelan ser de su competencia).
- B.
- Los comportamientos según el caso tratado: una rama puede estar más capacitada que otra para tratar un caso particular.
- C.
- La naturaleza de las entradas (señales o datos de alto nivel).
- D.
- La naturaleza de las salidas (dato simple de la clase, la estimación de la certeza de la decisión, explicación formal de la decisión).
La Figura 4 ilustra el esquema de principio del
sistema multi-expertos de discriminación de eventos
sísmicos de la invención. Este sistema está constituido por varias
ramas de tratamiento independientes, cada de las cuales tiene
propiedades particulares, fusionadas por un sistema de toma de
decisión de alto nivel.
Estas ramas son:
- -
- un clasificador neuro-difuso, llamado CNF, que toma sus decisiones a partir de propiedades de alto nivel de los eventos (por ejemplo, para los eventos sísmicos: localización, magnitud, hora, día de la semana) y de parámetros de nivel más bajo extraídos de las señales mediante procedimientos de tipo tratamiento de la señal;
- -
- un sistema experto difuso, llamado SEF, que toma una decisión de forma independiente a partir de las mismas informaciones, y capaz de explicar su decisión al usuario por medio de reglas clasificadas por orden de aplicabilidad al evento tratado;
- -
- una red neuronal con conexiones locales y pesos repartidos, llamada TDNN, constituida por bancos de filtros adaptativos no lineales, que extraen en sí mismos informaciones pertinentes de representaciones tiempo-frecuencia de las señales correspondientes al evento.
Estas tres ramas se configuran automáticamente
mediante aprendizaje estadístico sobre las bases de datos de eventos
sísmicos.
El aprendizaje a partir de ejemplos consiste en
construir un modelo de sistema de toma de decisión por ajuste
progresivo de parámetros a partir de datos. Este modelo debe ser
capaz de asociar la buena decisión (salida) a un conjunto de datos
que se derivan del caso tratado (entradas). Esto se hace
progresivamente, por presentación iterativa de los casos disponibles
en la base de ejemplos a la entrada del sistema. Un procedimiento de
este tipo ha sido ilustrado en el organigrama de la Figura 5.
En la invención, el modelo que aprende puede ser,
o bien una red de neuronas artificiales, o bien un sistema experto
difuso.
Una vez que el sistema ha terminado su fase de
aprendizaje, son fijados sus parámetros internos, y el sistema está
listo para ser utilizado.
Una red de este tipo de neuronas artificiales, de
tipo "Percepción multicapa", es un modelo particular de red de
neuronas que puede ser utilizado como sistema de toma de decisión.
Aquella está constituida por una red de autómatas de cálculo
simples, las "neuronas artificiales".
\newpage
Una neurona N^{j}, según se ha ilustrado en la
Figura 6, es una entidad constituida por un vector peso
W_{j}={w_{ij}} y por una función de transferencia no lineal
\phi. Aquella admite a la entrada un vector X-{x_{i}} y efectúa
una transformación de estas entradas de tipo:
y_{j} = \phi
\left(\sum\limits_{i}w_{ij}x_{i}
\right).
Por similitud con el vocabulario empleado en
neurofisiología, se dice que cada entrada x_{i} está conectada a
la neurona N^{j} mediante una conexión sináptica. Un peso
sináptico w_{ij} modula la eficacia de esta conexión.
En una red de neuronas artificiales, según se ha
ilustrado en la Figura 7, las neuronas están reunidas en capas
sucesivas. Una capa se define como un conjunto de neuronas que no
tienen conexiones entre sí, pero que pueden tener conexiones con
neuronas de las capas anteriores (entradas) o siguientes (salidas).
En general, no se conectan más que las neuronas de capas
sucesivas.
El aprendizaje consiste en modificar
progresivamente los valores de los pesos w_{ij} hasta que las
salidas de la red, que está constituida por un número determinado de
capas de neuronas, correspondan con las salidas deseadas.
Para ello, se define un error de clasificación
que se intenta reducir al mínimo. El error utilizado más
habitualmente es el error cuadrático, definido como:
E=\sum\limits_{k=1}^{N_{SALIDAS}}(Z_{k}-Z_{k}^{deseada})^{2}.
El método consiste en hacer una disminución de
gradiente sobre los pesos de la ecuación
\Deltaw_{ij}=-\alpha(\partialE/\partialw_{ij})
con \alpha>0. Esta ecuación, cuando se desarrolla, proporciona
la fórmula de corrección para cada peso de la red.
Un sistema experto difuso es otro modelo de
sistema de toma de decisión. El mismo presenta la ventaja sobre la
red de neuronas de proporcionar una forma de explicación de sus
decisiones. Está constituido por un conjunto de unidades de cálculo,
las "reglas de inferencia difusa".
Una regla de inferencia difusa es una entidad de
la forma "si <premisa> entonces <conclusión>". La
premisa es la parte que se pretende poner en correspondencia con los
datos de entrada.
En efecto, un conjunto difuso es un conjunto
cuyas fronteras son progresivas, al contrario que un conjunto
clásico en el que las fronteras son netas. Un elemento forma
entonces más o menos parte de cada conjunto difuso. Cuando los datos
son de dimensión 1, un conjunto clásico puede estar representado por
un rectángulo (pertenencia = 1 en el interior, o 0 por fuera).
También un conjunto difuso puede ser un triángulo, un trapecio, una
gausiana, ....
Al igual que en lo que antecede, el aprendizaje
consiste en modificar progresivamente los valores de los parámetros
hasta que las salidas del sistema experto difuso correspondan con
las salidas deseadas.
Se calculan cuatro tipos de parámetros por
aprendizaje: la posición y la anchura de los conjuntos difusos de
premisas, los pesos de las reglas y el grado de activación de cada
clase para cada regla.
En fase de utilización operacional, el sistema
experto difuso proporciona, además de la clase atribuida al evento
sísmico, la lista de reglas aplicables por orden decreciente de
pertenencia. Algunas de estas reglas pueden estar en contradicción
con otras, lo que permite examinar las soluciones alternativas, pero
esto es la suma del resultado de todas las reglas que proporciona el
resultado global.
El usuario tiene así a su disposición:
- la decisión bruta (seísmo, explosión, corte del
terreno);
- la lista de reglas aplicables;
- la lista de reglas que aportan una
contradicción a esta decisión;
- la razón de la decisión de cada regla (por
examen de la coherencia entre los datos y los conjuntos difusos
correspondientes).
\newpage
Un ejemplo de regla de decisión encontrado por el
sistema es el siguiente:
si (La hora es a media tarde)
y (La latitud es muy próxima a
43,5º N)
y (La longitud es muy próxima a
5,5º E)
y (La magnitud es de alrededor de
2,7)
y (La fecha es con preferencia
sábado)
entonces (con nivel de confianza =
0,8)
(el seísmo es improbable)
(la explosión es probable)
(el corte del terreno es improbable)
En la invención, por razones de convergencia
difícil, se parametra este descenso de gradiente introduciendo las
variables intermedias. Si se desea efectuar un descenso de gradiente
sobre un parámetro p, con p = \phi(s), siendo \phi una
función derivable, estrictamente monótona, independiente de p y de
los valores de los ejemplos que sirven para el aprendizaje, se
tienen las mismas soluciones finales efectuando una disminución de
gradiente sobre s. La ventaja de un cambio de variable de este tipo
consiste en que resulta posible cambiar la forma de alcanzar la
solución, y en particular facilitar la convergencia en los casos
difíciles.
En la invención, se optimizan los parámetros
siguientes:
- (1)
- la posición y los conjuntos difusos de premisas: cuando se aplica el descenso de gradiente directamente sobre este parámetro, se obtiene generalmente una convergencia difícil. Esto se explica en virtud de que la variación de la posición y de los conjuntos difusos de premisas no es una función creciente de la distancia en el ejemplo. Se corrige este fenómeno planteando x = y/\sigma.
- (2)
- La anchura \sigma de los conjuntos difusos de premisas: cuando los datos están estructurados en grupos de tamaños muy diferentes, el algoritmo no puede converger. Estudiando la variación relativa \Delta\sigma/\sigma, se descubre que ésta no se encuentra acotada (es decir, que no hay nada que impida que tienda hacia valores infinitos). Cuando los datos están muy agrupados, esta variación toma, en efecto, valores muy elevados. Para tener una modificación relativa más baja cuando los datos son aproximados, se plantea s=1n(2\sigma^{2}).
- (3)
- El peso p de las reglas: éste es el parámetro más difícil de regular. Con un descenso de gradiente directo, los pesos más bajos disminuyen y se hacen negativos, lo que les hace perder todo significado y hace que el algoritmo diverja. Se elige así una función de activación imponiendo una limitación suplementaria: para diferentes ejemplos con el mismo nivel de activación de la regla, la variación de este nivel debe ser la misma si las conclusiones son iguales. La consecuencia es que la variación relativa de los pesos de las reglas debe ser constante cuando los ejemplos tienen el mismo grado de pertenencia a los conjuntos difusos. Esto se realiza planteando r = ln(\rho).
- (4)
- El grado de activación d de cada clase para cada regla.
El descenso de gradiente no se efectúa sobre y,
\sigma y \rho, sino sobre:
- \sqbullet x = y/\sigma
- \sqbullet s = ln(2\sigma^{2})
- \sqbullet r = ln(\rho)
Para d, no se efectúa cambio de variable. Estos
cambios de variables aseguran muy buena calidad de convergencia y
permiten la obtención de sistemas expertos difusos muy eficaces.
La base de ejemplos utilizada debe cumplir dos
principios fundamentales:
- -
- ser cualitativamente representativa del problema real (distribución de ejemplos conformes con la distribución real);
- -
- ser cuantitativamente representativa del problema (número de ejemplos suficiente para constituir un muestreo satisfactorio).
Existen varias metodologías de aprendizaje y
validación. En el procedimiento más simple, se divide la base de
ejemplos en dos bases separadas: la base de aprendizaje y la base de
prueba. El sistema se entrena por aprendizaje con la primera y se
verifica su buen funcionamiento con la segunda. Una base de ejemplos
que no cumple conjuntamente las dos propiedades enunciadas en lo que
antecede, corre el riesgo de conducir a un sistema incapaz de
generalizar correctamente, es decir, de funcionar sobre ejemplos
nuevos, no representados en el curso de la fase de aprendizaje.
Cualquiera que sean las redes de neuronas
artificiales, los sistemas expertos difusos o más generalmente
cualquier sistema concebido por aprendizaje estadístico sobre datos
experimentales, resulta primordial utilizar una base de ejemplo
suficiente en cuanto a calidad y cantidad, y validar el sistema
puesto a punto mediante procedimientos rigurosos.
Un evento sísmico que ha de ser identificado,
puede ser descrito mediante:
- -
- la provisión de las señales procedentes de la red de estaciones sísmicas, o
- -
- las propiedades de más alto nivel, directamente medibles o calculadas mediante modelos geofísicos. Se puede utilizar, por ejemplo, la localización del evento (latitud y longitud), su magnitud y el momento en que sobrevino (hora y día de la semana). Por ejemplo, las informaciones de alto nivel son las siguientes: el jueves 7 de Abril de 1966, a las 12 horas, un seísmo de magnitud 1,4 se produjo a 02º35'06" de longitud este y 49º12'25" de latitud norte.
El clasificador neuro-difuso
(experto CNF), según se ha ilustrado en la Figura 8, está
constituido por una codificación neuro-difusa de los
datos, seguida de un perceptrón multicapa. Se aplica a los datos de
alto nivel.
La codificación neuro-difusa
consiste en asociar varias células de codificación a cada variable
(o grupo de variables) de entrada, teniendo cada célula una región
de influencia modelizada por medio de una función que define su
mecanismo de activación. La presentación de un vector de valores
genera entonces un esquema de activación de las células de
codificación asociadas.
La Figura 9 ilustra este mecanismo de activación
de las células de codificación. La presentación de un valor genera
un esquema de activación correspondiente a la respuesta impulsional
de cada función de activación al valor presentado. Los niveles de
grises asociados a los centros de las células, indican su nivel de
activación comprendido entre 0 y 1 (negro: 1, blanco: 0).
La Figura 10 muestra ejemplos de esquemas de
activación generados por la separación de valores típicos. Se trata
de una codificación de tipo cursor. Los valores bajos
(respectivamente elevados), activan preferentemente las células de
la izquierda (respectivamente de la derecha).
El interés de esta codificación es múltiple:
- -
- por su naturaleza misma, permite representar los datos incompletos, imprecisos o inciertos, y utilizarlos eficazmente para la toma de decisión;
- -
- por sus propiedades de acondicionamiento no lineal de los datos, facilita los tratamientos posteriores (en este caso, la clasificación).
Esta codificación neuro-difusa se
realiza en varias etapas sucesivas: definición de
sub-grupos de características, elección y colocación
de las células de codificación afectadas en cada grupo,
determinación de los parámetros de la zona de influencia de cada
célula. Los detalles de este procedimiento están expuestos en el
documento referenciado con [8].
Una vez que los datos han sido codificados, se
analizan mediante el perceptrón multicapa, que calcula la clase.
En un modo de realización, el sistema de la
invención comporta una sola rama de tratamiento, basada en un
sistema experto difuso de este tipo.
El sistema experto difuso (experto SEF) se aplica
igualmente a los datos de alto nivel.
En la Figura 11, se representa un sistema experto
difuso de cinco reglas (una regla por línea).
Para cada línea, las cinco columnas de la
izquierda representan las premisas y corresponden a cinco entradas:
la hora, la latitud, la longitud, la magnitud y la fecha. Las
premisas están compuestas por conjuntos difusos en forma de
gausianas, que recubren los campos de la variable de entrada que
conducen a un refuerzo de la actividad de la regla.
Se calculan cuatro tipos de parámetros mediante
aprendizaje: la posición y la anchura de los conjuntos difusos de
premisas (columnas 1 a 5), los pesos de las reglas (columna 6), que
permiten especificar el grado de importancia de cada regla en el
proceso de decisión, y el grado de activación de cada clase (seísmo
natural, explosión o corte de terreno), para cada regla (columnas 7
a 9).
Con cada presentación de un ejemplo que se ha de
clasificar, se calcula el contenido de la columna 10 y de la columna
6:
- \sqbullet
- La columna 10 proporciona la activación de cada regla (y permite así estimar su adecuación con el caso tratado).
- \sqbullet
- La línea 6 es la síntesis de las decisiones de las cinco reglas, y proporciona la respuesta global del sistema experto difuso (en este caso, la decisión es "explosión"). Esta síntesis se realiza calculando el baricentro de las decisiones de todas las reglas (columnas 7 a 9) ponderadas por el nivel de activación correspondiente (columna 10). En la Figura 11, la posición del baricentro para cada clase está simbolizada por un trazo vertical, línea 6, columnas 7 a 9.
El aprendizaje se realiza en dos tiempos:
- -
- una primera fase consiste en posicionar los conjuntos difusos (centros y anchuras), por ejemplo mediante un algoritmo llamado de las C medias difusas, según se describe en el documento referenciado con [9];
- -
- una segunda fase consiste en realizar una disminución de gradiente sobre los cuatro tipos de parámetros.
Al contrario que en las dos ramas anteriores, la
red de neuronas con conexión local y pesos repartidos (experto
TDNN), admite a la entrada señales sísmicas en sí mismas, y aprende
a extraer, por aprendizaje, no sólo el procedimiento de decisión,
sino también los parámetros discriminantes que han de servir de base
a esta decisión. Esta red neuronal es de tipo perceptrón multicapa
con conexiones locales y pesos repartidos, que toma a la entrada los
espectrogramas pre-tratados de las señales sísmicas,
según se describe en el documento referenciado con [10]. Estos
espectrogramas se obtienen por aplicación de una transformada de
Fourier de ventana deslizante sobre la señal.
Las Figuras 12A a 12D ilustran los
pre-tratamientos sucesivos aplicados a cada señal
sísmica que conducen a un espectrograma final de 15 bandas de
frecuencia: la Figura 12A ilustra la señal inicial; la Figura 12B
ilustra el espectrograma deducido de dicha señal con 50 bandas de
frecuencia; la Figura 12C ilustra el espectrograma "sin
ruidos"; la Figura 12D ilustra el espectrograma tras la reducción
de 50 a 15 bandas de frecuencia.
El espectrograma obtenido se
pre-trata a continuación, y después se presenta a la
entrada de una red de neuronas de tipo TDNN. Cada red está
especializada en el tratamiento de las señales registradas por una
estación dada.
La Figura 13 ilustra la arquitectura de una red
TDNN especializada en la clasificación de los espectrogramas
deducidos de las señales registradas por un sismómetro dado,
incluyendo esta red cuatro capas de neuronas. La capa de entrada
tiene conexiones locales y pesos repartidos (4 tramos con un
decalaje de 2 tramos), con la primera capa oculta. Ésta tiene
asimismo conexiones locales de pesos repartidos (9 tramos con un
decalaje de 5 tramos), con segunda capa oculta, conectada
completamente a la última capa.
Los pesos repartidos hacen que la arquitectura
sea más robusta frente a los pequeños decalajes de los recuentos de
las fases o de los tramos faltantes o erróneos. Sin embargo, a causa
de la velocidad de propagación de las ondas P (compresión) y S
(cizallamiento), el período entre la llegada de la fase P y de la
fase S varía en función de la distancia entre la estación de
registro del epicentro del evento, lo que complica el aprendizaje.
La solución adoptada consiste en alinear el recuento de la fase P
sobre el tramo 10º, y el de la fase S sobre el tramo 60º.
Para la toma de decisión final, se supone que
todas las salidas están comprendidas en el intervalo real [-1, 1].
Esta toma de decisión consiste en una asociación de respuestas
proporcionadas por las tres ramas con el fin de aumentar la
fiabilidad. Se puede realizar mediante un cálculo de medias
aritméticas sobre las salidas homólogas de cada una de las tres
ramas. Para cada una de las tres salidas Si del sistema global, se
tiene entonces:
La certeza sobre la respuesta se evalúa mediante
un coeficiente calculable solamente si el sistema está en situación
de toma de decisión (es decir, si existe una y solamente una salida
estrictamente positiva). Este coeficiente es entonces igual a la
media de los valores absolutos de las salidas:
K=\frac{1}{3}
\sum\limits_{i=1}^{3}|S_{i}|.
- \sqbullet
- K < 0,2: duda
- \sqbullet
- K \in [0,2, 0,4]: prudencia
- \sqbullet
- K \in [0,4, 0,6]: certeza razonable
- \sqbullet
- K \in [0,6, 0,8]: gran certeza
- \sqbullet
- K > 0,8: certeza casi absoluta
Así, se puede tener, por ejemplo:
| Sistema | Clase elegida | Detalle de respuestas por clase | Grado de certeza |
| 1 | Clase 3 | (-0,9 \hskip2mm -0,4 \hskip2mm +0,8) | 0,7: gran certeza |
| 2 | Indeterminación 1 ó 3 | (+0,1 \hskip2mm -0,5 \hskip2mm +0,3) | Incertidumbre completa |
| 3 | Clase 1 | (+0,2 \hskip2mm -0,6 \hskip2mm -0,2) | 0,3: prudencia |
| Fusión | Clase 3 | (-0,2 \hskip2mm -0,5 \hskip2mm +0,3) | 0,3: prudencia |
La discriminación "evento natural / evento
artificial" es una etapa importante de la vigilancia sísmica,
realizada rápidamente después de la lectura de la señales durante la
fase de examen, y afinada posteriormente en el transcurso de cada
nuevo tratamiento. Se evalúa en alrededor de siete años el tiempo
que necesitan los analistas para que sean verdaderamente operativos.
A estos analistas, que son verdaderos expertos, les resulta difícil
expresar claramente sus métodos de razonamiento basados a la vez en
conocimientos expertos y en un razonamiento por caso.
La localización de un evento sísmico se obtiene
después de una sucesión de idas y vueltas entre dos fases
principales:
- -
- el recuento de las diferentes fases sísmicas efectuado sobre las señales registradas por las estaciones que hayan detectado el evento, y el cálculo de la magnitud;
- -
- la localización misma, realizada con la ayuda de un modelo matemático concebido por los sismólogos.
Al final de la fase de recuento, la localización
del evento puede ser efectuada con la ayuda de una lógica de
simulación conocida por el experto en la materia. Hay que recurrir a
modelos sismológicos que contienen informaciones sobre la velocidad
de las ondas, los diferentes tipos de ondas y su modo de
propagación, correcciones de altitud según las estaciones, ... Se
han propuesto diversas hipótesis de localización, asociadas a un
grado de coherencia de los datos. Si no convienen al experto, éste
modifica sus recuentos de fases, y a continuación activa una
localización. Este ciclo se repite hasta la obtención de un
resultado que se estime satisfactorio.
La calidad de la localización depende del número
y de la calidad de las estaciones que hayan servido para la
localización del evento, así como de su repartición azimutal. Los
eventos situados en Francia están así, por regla general, mejor
localizados que los eventos extranjeros. Para afinar la localización
en este último caso, los expertos acceden regularmente a los datos
extranjeros. Con los únicos datos franceses, la precisión de
localización de los eventos que suceden en Francia está en una media
de cinco kilómetros. Ésta se estima en alrededor de un kilómetro en
el mejor de los casos.
La tabla II que está al final de la descripción,
da un ejemplo de resultados proporcionados por el procedimiento de
localización. La parte superior resume los resultados obtenidos: a
cada valor de hora de origen, de magnitud y de localización
(latitud-longitud), se ha asociado el nivel de
imprecisión estimado. La parte inferior indica las estaciones que
han servido para la localización y los errores medios cuadráticos
(RMS) obtenidos en función de la hipótesis de profundidad del
epicentro. En el caso de los cortes de terreno, la profundidad se
fija arbitrariamente en un kilómetro.
Se tiene aquí interés sobre los eventos sísmicos
y regionales, es decir, que han sobrevenido en la Francia
metropolitana o en las regiones limítrofes. Estos eventos se
califican, con frecuencia, como próximos, en oposición a los
tele-seísmos lejanos (epicentro situado a varios
millares de kilómetros del captador).
Se deben discriminar tres tipos de eventos
sísmicos:
- -
- los seísmos, eventos sísmicos de origen natural;
- -
- las explosiones terrestres (tiros de minas, de canteras, de obras de construcción, ...), o marinas (limpieza de minas, ensayos con armas, ...);
- -
- los cortes de terrenos correspondientes al hundimiento de una capa minera y asociados a la explotación de la mina.
El análisis del estado de la técnica ha
demostrado el fracaso de las alternativas basadas en una
discriminación a partir de señales sísmicas únicamente. Se aprovecha
así el conjunto de datos disponibles adoptando una alternativa
basada en la fusión multi-expertos y
multi-fuentes. La concepción del sistema de
discriminación automática de eventos sísmicos se basa en tres
módulos:
- -
- los dos primeros (expertos CNF y SEF) son módulos que efectúan una discriminación a partir de únicamente datos de alto nivel, deducidos por el modelo inverso del laboratorio LDG. Ninguna señal sísmica es así directamente tomada en cuenta a este nivel;
- -
- el tercero (experto TDNN) está basado en el análisis de las señales sísmicas.
Los eventos sísmicos que han de ser analizados se
reparten por el conjunto del territorio francés y por un perímetro
próximo. Los epicentros de los eventos registrados por el
laboratorio LDG desde 1962 hasta 1996, se han ilustrado en la Figura
14.
Cada evento sísmico está caracterizado por las
informaciones siguientes: la fecha y la hora de origen del evento,
la latitud y la longitud del epicentro, y su magnitud.
La hora y la fecha son mantenidos en función de
las reglas que rigen los tiros de canteras o de minas en Francia,
prohibiendo los tiros nocturnos o durante los fines de semana y días
festivos. No obstante, se han acordado determinadas derogaciones a
algunas obras de construcción, por ejemplo para evitar los
perjuicios a la circulación.
La magnitud se mantiene aunque los cortes de
terreno tengan una magnitud típica según los sismólogos (alrededor
de 3). Además, solamente los seísmos pueden proporcionar las
magnitudes más fuertes. Se toman en cuenta varios valores de
magnitud cuando están disponibles.
La localización del epicentro, caracterizado por
su latitud y su longitud, es asimismo una característica importante.
Existen no obstante ciertas minas situadas en regiones de fuerte
sismicidad y susceptibles de ocasionar cortes de terreno.
Los datos de bajo nivel son las señales
provenientes de las 42 estaciones sísmicas del laboratorio LDG
(véase la Figura 1). Los pre-tratamientos llevan
esencialmente a la creación de espectrogramas de las señales
sísmicas, las cuales son no estacionarias. Estos espectrogramas se
obtienen por aplicación de una transformada de Fourier de ventana
deslizante sobre la señal. En un primer momento, la señal,
escalonada a 50 Hz, es segmentada en tramos de dos segundos
decalados en un segundo por medio de una ventana de Hamming. Se
calcula a continuación la densidad espectral de energía sobre 50
bandas de frecuencia con eliminación de la componente continua. A
continuación, se aplica una transformación logarítmica con
sustracción del ruido, cuyo modelo se supone logarítmico, en cada
banda, según la ecuación:
máx(ln(1+x)-\mu(ruido)-\sigma(ruido),0),
en la que: \mu(ruido) y \sigma(ruido) corresponden
con la separación media y la separación tipo del ruido, estimadas en
un período anterior al recuento de la onda P. Por último, se reduce
el número de bandas de frecuencia de 50 a 15 mediante una compresión
seudo logarítmica de las altas frecuencias.
El sistema descrito en lo que antecede, clasifica
los eventos sísmicos regionales franceses con los siguientes
resultados:
- - 86% para los seísmos;
- - 91% para las explosiones;
- - más del 99% para los cortes de terreno.
Los rendimientos globales son de alrededor del
90%.
(Tabla pasa a página
siguiente)
\newpage
10596
\hskip0.5cmprobul.dat
\hskip0.5cm/data/sismic/exploit/dat/P19190.131.tou37:06 METDST 1 número de estaciones utilizadas 11 - Res en el boletín: sí
preloc. lat: 43,2 long: 5,4 ho: 19 19 53,1
[1] D.R. Baumgardt y K.A. Ziegler,
"Special evidence form source multiplicity in explosions:
application to regional discriination of earthquake and
explosion" (Bulletin of Seismological Society of America,
vol. 78, pp. 1773-1795, 1988).
[2] P.S. Dysart y J.J. Pulli,
"Regional seismic event classification at the NORESS array:
seismological measurement and the use of trained neural networks"
(Bulletin of Seismological Society of America, vol. 80, pp.
1910-1933, 1990).
[3] P.W. Pomeroy, W.J. Best y T.V.
McEvilly, "Test ban treaty verification with regional data:
a review" (Bulletin of Seismological Society of America,
vol. 72, núm. 6, pp. S89-S129, 1982).
\newpage
[4] M. Musil y A. Plesinger,
"Discimination between local microearthquakes and quarry blast by
multilayer perceptrons and Kohonen maps" (Bulletin of
Seismological Society of America, vol. 86, núm. 4, pp.
1077-1090, 1996).
[5] S.R. Taylor, "Discrimination between
nuclear explosions and earthquakes" (Energy and Earth
Sciences, pp. 56-57, 1990).
[6] F.U. Dowla, S.R. Taylor y R.
Anderson, "Seismic descrimination with artificial neural
networks: preliminary results with regional spectral data"
(Bulletin of Seismological Society of America, vol. 80, núm.
5, pp. 1346-1373, 1990).
[7] M. Nicolas, J.-P. Santoire y
P.-Y. Delpech, "Intraplate seismicity: new seismotectonic
data in western europ" (Tectonophysics, núm. 179, pp.
27-53, 1990).
[8] S. Muller, P. Garda, J.-D-
Muller, Y. Cansi, "Seismic events discrimination by
neuro-fuzzy merging of signal and catalogue
features" (Physics Chemistry of The Earth (A), vol. 24,
núm. 3, pp. 201-206, 1999).
[9] B.T. Cheng, D.B. Goldgof, L.O.
Hall, "Fast fuzzy clustering" (Fuzzy Sets and Systems
93, 49-56, 1998).
[10] A. Klaasen, X. Driancourt, S.
Muller, J.-D. Muller, "Classifying regional seismic
signals using TDNN-alike neural networks"
(International Conference On Artificial Neural Networks' 98, Skövde,
Suecia, 2-4 Septiembre 1998).
[11] Chu et al: "First break refraction
event picking using fuzzy logic systems" (IEEE Transactions on
Fuzzy Systems, US, IEEE Inc. New York, vol. 2, núm. 4, 1
Noviembre 1994, páginas 255-266).
[12] EP-A-0 468
229.
[13] J.D. Muller, Y. Cansi y S.
Muller, "RAMSES, un sistema multi-expertos
para vigilancia sísmica operativa" (ISAI'99, Junio
1999).
Claims (7)
1. Sistema de inteligencia artificial de
clasificación de eventos, de objetos o de situaciones a partir de
señales y de parámetros discriminantes provenientes de modelos, que
incluye al menos una rama de tratamiento que comprende un sistema
experto difuso (SEF) que toma una decisión a partir de propiedades
de alto nivel y de parámetros discriminantes de más bajo nivel
extraídos de las señales por medio de procedimientos de tipo
tratamiento de señal, y capacitado para explicar su decisión al
usuario por medio de reglas, que se caracteriza porque estás
reglas son clasificadas por orden de aplicabilidad, haciendo que una
clasificación de este tipo sea posible en virtud de la provisión por
el citado sistema experto difuso de un criterio de activación de
cada regla que permite estimar su adecuación al caso tratado.
2. Sistema según la reivindicación 1, en el que,
en el sistema experto difuso (SEF), se realiza una disminución de
gradiente sobre los parámetros:
- \sqbullet x = y/\sigma
- \sqbullet s = ln(2\sigma^{2})
- \sqbullet r = ln(\rho)
- \sqbullet d
siendo:
- \sqbullet y: posición de los conjuntos difusos de premisas
- \sqbullet\sigma: anchura de los conjuntos difusos de premisas
- \sqbullet\rho: peso de las reglas
- \sqbullet d: grado de activación de cada clase para cada regla.
3. Sistema según la reivindicación 1, que
consiste en un sistema multi-expertos constituido
por al menos dos ramas de tratamiento independientes, que se
configuran automáticamente por aprendizaje estadístico en bases de
datos, que tienen propiedades particulares, y que se fusionan
mediante un sistema de decisión de alto nivel.
4. Sistema según la reivindicación 3, en el que
una rama comprende un clasificador neuro-difuso
(CNF) que toma sus decisiones a partir de propiedades de alto nivel
y de parámetros discriminantes de nivel más bajo extraídos de las
señales por medio de procedimientos de tipo tratamiento de
señal.
5. Sistema según una cualquiera de las
reivindicaciones 3 ó 4, en el que una rama comprende una red
neuronal de conexiones locales y pesos repartidos (TDNN)
constituidos por bancos de filtros adaptativos no lineales, que
extraen por sí mismos informaciones discriminantes de representación
tiempo-frecuencia de las señales
correspondientes.
6. Sistema según una cualquiera de las
reivindicaciones anteriores, el cual consiste en un sistema de
clasificación de eventos geofísicos.
7. Sistema según la reivindicación 6, en el que
las propiedades de alto nivel son la localización, la magnitud, la
hora y la fecha.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR9908472 | 1999-07-01 | ||
| FR9908472A FR2795848B1 (fr) | 1999-07-01 | 1999-07-01 | Systeme d'intelligence artificielle pour la classification d'evenements, d'objets ou de situations a partir de signaux et de parametres discriminants issus de modeles |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2207529T3 true ES2207529T3 (es) | 2004-06-01 |
Family
ID=9547579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES00946034T Expired - Lifetime ES2207529T3 (es) | 1999-07-01 | 2000-06-28 | Sistema de inteligencia artificial para la casificacion de eventos, de objetos o de situaciones. |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US7233936B1 (es) |
| EP (1) | EP1192596B1 (es) |
| JP (1) | JP2003504737A (es) |
| AT (1) | ATE250251T1 (es) |
| CA (1) | CA2377029C (es) |
| DE (1) | DE60005350T2 (es) |
| ES (1) | ES2207529T3 (es) |
| FR (1) | FR2795848B1 (es) |
| WO (1) | WO2001003064A1 (es) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7409374B1 (en) * | 2004-12-06 | 2008-08-05 | The United States Of America As Represented By The Secretary Of The Army | Explosive event discrimination method |
| DE102005004786A1 (de) * | 2005-02-01 | 2006-09-21 | Käufer, Rolf | Verfahren und Vorrichtung zum Erkennen von Gefahren |
| DE102007055117A1 (de) | 2007-03-26 | 2008-10-02 | Boris Kaplan | Ein System von Künstlicher Intelligenz von einem Cyborg oder einem Android für das zeigerorientierte Objekterfassungsverfahren von Informationen basierend auf einer natürlichen Sprache und das Arbeitsverfahren von dem System |
| CN101883970A (zh) * | 2007-11-06 | 2010-11-10 | 南非科学和工业研究会 | 用来评估岩体完好性的方法和设备 |
| US20100112500A1 (en) * | 2008-11-03 | 2010-05-06 | Maiello Dennis R | Apparatus and method for a modulating burner controller |
| US8511145B1 (en) * | 2009-09-03 | 2013-08-20 | The United States Of America As Represented By The Secretary Of The Army | Explosive event discrimination |
| DE102014016968A1 (de) | 2014-11-18 | 2015-01-22 | Boris Kaplan | Ein Computersystem von einer Künstlichen Intelligenz von einem Cyborg oder einem Android, wobei eine aufgenommene Signal-Reaktion des Computersystems von der Künstlichen Intelligenz von dem Cyborg oder dem Android, eine entsprechende Assoziation des Computersystems von der Künstlichen Intelligenz von dem Cyborg oder dem Android, und ein entsprechender Gedanke des Computersystems von der Künstlichen Intelligenz von dem Cyborg oder dem Android in dem Computersystem physisch gebaut werden, und ein Arbeitsverfahren von dem Computersystem von der Künstlichen Intelligenz von dem Cyborg oder dem Android |
| US9978374B2 (en) | 2015-09-04 | 2018-05-22 | Google Llc | Neural networks for speaker verification |
| US10956821B2 (en) | 2016-11-29 | 2021-03-23 | International Business Machines Corporation | Accurate temporal event predictive modeling |
| US12346432B2 (en) * | 2018-12-31 | 2025-07-01 | Intel Corporation | Securing systems employing artificial intelligence |
| CN112180430B (zh) * | 2020-09-23 | 2021-08-20 | 中国矿业大学 | 一种存在干扰信号下的矿震p波初至识别方法 |
| CN112884134B (zh) * | 2021-04-01 | 2022-04-26 | 山西云芯新一代信息技术研究院有限公司 | 面向地震震相识别的基于时域的卷积神经网络模型及应用 |
| DE102021005701A1 (de) | 2021-11-17 | 2023-05-17 | Boris Kaplan | Ein Computersystem von einer Künstlichen Intelligenz von einem Cyborg oder einem Android, wobei eine aufgenommene Signal-Reaktion des Computersystems von der Künstlichen Intelligenz von dem Cyborg oder dem Android, eine entsprechende Assoziation des Computersystems von der Künstlichen Intelligenz von dem Cyborg oder dem Android, und ein entsprechender Gedanke des Computersystems von der Künstlichen Intelligenz von dem Cyborg oder dem Android in dem Computersystem physisch gebaut werden, und ein Arbeitsverfahren von dem Computersystem von der Künstlichen Intelligenz von dem Cyborg oder dem Android |
| US20230281310A1 (en) * | 2022-03-01 | 2023-09-07 | Meta Plataforms, Inc. | Systems and methods of uncertainty-aware self-supervised-learning for malware and threat detection |
| DE102023000489A1 (de) | 2023-02-14 | 2023-04-13 | Boris Kaplan | Ein Computersystem von einer Künstlichen Intelligenz von einem Cyborg oder einem Android, wobei eine aufgenommene Signal-Reaktion des Computersystems von der Künstlichen Intelligenz von dem Cyborg oder dem Android, eine entsprechende Assoziation des Computersystems von der Künstlichen Intelligenz von dem Cyborg oder dem Android, und ein entsprechender Gedanke des Computersystems von der Künstlichen Intelligenz von dem Cyborg oder dem Android in dem Computersystem physisch gebaut werden, und ein Arbeitsverfahren von dem Computersystem von der Künstlichen Intelligenz von dem Cyborg oder dem Android. |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5267348A (en) * | 1990-03-09 | 1993-11-30 | Hitachi, Ltd. | Method and system for evaluating and modifying fuzzy knowledge |
| EP0468229A3 (en) * | 1990-07-27 | 1994-01-26 | Hnc Inc | A neural network with expert system functionality |
| JPH0588900A (ja) * | 1991-09-30 | 1993-04-09 | Hitachi Ltd | 学習型フアジイ制御装置および制御方法 |
| JPH05314357A (ja) * | 1992-05-12 | 1993-11-26 | Omron Corp | 防犯装置 |
| JPH0756740A (ja) * | 1993-08-20 | 1995-03-03 | Mitsubishi Electric Corp | 監視・診断推論装置 |
| US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
| US5784534A (en) * | 1995-03-31 | 1998-07-21 | Motorola, Inc. | Circuit and method for representing fuzzy rule weights during a fuzzy logic operation |
| JP3535263B2 (ja) * | 1995-06-07 | 2004-06-07 | パシフィックシステム株式会社 | 知的工程管理装置及び知的工程管理方法 |
| JPH11118939A (ja) * | 1997-10-17 | 1999-04-30 | Toshiba Corp | 地震観測システム |
-
1999
- 1999-07-01 FR FR9908472A patent/FR2795848B1/fr not_active Expired - Lifetime
-
2000
- 2000-06-28 AT AT00946034T patent/ATE250251T1/de not_active IP Right Cessation
- 2000-06-28 DE DE60005350T patent/DE60005350T2/de not_active Expired - Lifetime
- 2000-06-28 JP JP2001508777A patent/JP2003504737A/ja active Pending
- 2000-06-28 EP EP00946034A patent/EP1192596B1/fr not_active Expired - Lifetime
- 2000-06-28 US US10/009,335 patent/US7233936B1/en not_active Expired - Lifetime
- 2000-06-28 ES ES00946034T patent/ES2207529T3/es not_active Expired - Lifetime
- 2000-06-28 CA CA002377029A patent/CA2377029C/fr not_active Expired - Lifetime
- 2000-06-28 WO PCT/FR2000/001804 patent/WO2001003064A1/fr not_active Ceased
Also Published As
| Publication number | Publication date |
|---|---|
| JP2003504737A (ja) | 2003-02-04 |
| WO2001003064A1 (fr) | 2001-01-11 |
| DE60005350T2 (de) | 2004-07-08 |
| CA2377029A1 (fr) | 2001-01-11 |
| US7233936B1 (en) | 2007-06-19 |
| FR2795848B1 (fr) | 2001-08-17 |
| EP1192596A1 (fr) | 2002-04-03 |
| ATE250251T1 (de) | 2003-10-15 |
| EP1192596B1 (fr) | 2003-09-17 |
| FR2795848A1 (fr) | 2001-01-05 |
| CA2377029C (fr) | 2009-06-02 |
| DE60005350D1 (de) | 2003-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2207529T3 (es) | Sistema de inteligencia artificial para la casificacion de eventos, de objetos o de situaciones. | |
| Bodin et al. | Transdimensional inversion of receiver functions and surface wave dispersion | |
| Yoon et al. | Seismicity during the initial stages of the Guy‐Greenbrier, Arkansas, earthquake sequence | |
| Zhang et al. | Extracting dispersion curves from ambient noise correlations using deep learning | |
| Dahlman et al. | Detect and deter: can countries verify the nuclear test ban? | |
| Scotto di Uccio et al. | Comparing and integrating artificial intelligence and similarity search detection techniques: application to seismic sequences in Southern Italy | |
| Kim et al. | Development of a high-performance seismic phase picker using deep learning in the Hakone volcanic area | |
| Zuccarello et al. | Volcanic tremor tracks changes in multi‐vent activity at Mt. Etna, Italy: Evidence from analyses of seismic array data | |
| Lee et al. | Towards automated real‐time detection and location of large‐scale landslides through seismic waveform back projection | |
| Ho et al. | Evaluating automated seismic event detection approaches: An application to Victoria Land, East Antarctica | |
| Choi et al. | Transfer learning-based seismic phase detection algorithm for distributed acoustic sensing microseismic data | |
| Ronac Giannone et al. | Deep multimodal learning for seismoacoustic fusion to improve earthquake‐explosion discrimination within the Korean Peninsula | |
| Sukhovich et al. | Automatic recognition of T and teleseismic P waves by statistical analysis of their spectra: An application to continuous records of moored hydrophones | |
| Wang et al. | Detecting slow slip events in the Cascadia subduction zone from GNSS time series using deep learning | |
| Fernández‐Carabantes et al. | RNN‐DAS: A new deep learning approach for detection and real‐time monitoring of volcano‐tectonic events using distributed acoustic sensing | |
| Maher et al. | Automated detection of volcanic seismicity using network covariance and image processing | |
| Adhaityar et al. | Multi-target regression using convolutional neural network-random forests (CNN-RF) for early earthquake warning system | |
| Acharya | Regional scale landslide hazard assessment using machine learning methods in Nepal | |
| Asming et al. | System for automatic recognition of types of sources of regional seismic events | |
| Kiszely et al. | Discrimination between local earthquakes and quarry blasts in the Vértes Mountains, Hungary | |
| Nurtas et al. | Development of a long short-term memory (LSTM)-based statistical model for earthquake forecasting in Central Asia | |
| Aydin et al. | Modelling the seismic activity of Kahramanmaraş, Türkiye with recurrent neural network (RNN) and long short-term memory (LSTM) methods | |
| Lai et al. | Travel time and waveform measurements of global multibounce seismic waves using virtual station seismogram stacks | |
| Liu et al. | Investigation of single‐station classification for short tectonic tremor in Taiwan | |
| Siddiquee et al. | Septor: Seismic depth estimation using hierarchical neural networks |