[논문]합성곱 순환 신경망 구조를 이용한 지진 이벤트 분류 기법

구본화; 김관태; 장수; 고한석

doi:10.7776/ask.2020.39.6.592

합성곱 순환 신경망 구조를 이용한 지진 이벤트 분류 기법
Earthquake events classification using convolutional recurrent neural network 원문보기

한국음향학회지= The journal of the acoustical society of Korea, v.39 no.6, 2020년, pp.592 - 599

구본화 (고려대학교 전기전자전파 공학부) , 김관태 (고려대학교 전기전자전파 공학부) , 장수 (고려대학교 전기전자전파 공학부) , 고한석 (고려대학교 전기전자전파 공학부)

초록
AI-Helper

본 논문은 다양한 지진 이벤트 분류를 위해 지진 데이터의 정적인 특성과 동적인 특성을 동시에 반영할 수 있는 합성곱 순환 신경망(Convolutional Recurrent Neural Net, CRNN) 구조를 제안한다. 중규모 지진뿐만 아니라 미소 지진, 인공 지진을 포함한 지진 이벤트 분류 문제를 해결하려면 효과적인 특징 추출 및 분류 방법이 필요하다. 본 논문에서는 먼저 주의 기반 합성곱 레이어를 통해 지진 데이터의 정적 특성을 추출 하게 된다. 추출된 특징은 다중 입력 단일 출력 장단기메모리(Long Short-Term Memory, LSTM) 네트워크 구조에 순차적으로 입력되어 다양한 지진 이벤트 분류를 위한 동적 특성을 추출하게 되며 완전 연결 레이어와 소프트맥스 함수를 통해 지진 이벤트 분류를 수행한다. 국내외 지진을 이용한 모의 실험 결과 제안된 모델은 다양한 지진 이벤트 분류에 효과적인 모습을 보여 주었다.

Abstract ▼ AI-Helper

This paper proposes a Convolutional Recurrent Neural Net (CRNN) structure that can simultaneously reflect both static and dynamic characteristics of seismic waveforms for various earthquake events classification. Addressing various earthquake events, including not only micro-earthquakes and artificial-earthquakes but also macro-earthquakes, requires both effective feature extraction and a classifier that can discriminate seismic waveform under noisy environment. First, we extract the static characteristics of seismic waveform through an attention-based convolution layer. Then, the extracted feature-map is sequentially injected as input to a multi-input single-output Long Short-Term Memory (LSTM) network structure to extract the dynamic characteristic for various seismic event classifications. Subsequently, we perform earthquake events classification through two fully connected layers and softmax function. Representative experimental results using domestic and foreign earthquake database show that the proposed model provides an effective structure for various earthquake events classification.

주제어

표/그림 (10)

그림 Fig. 1. (Color available online) Proposed CRNN structure.
그림 Fig. 2. Attention based ConvNet.
그림 Fig. 3. SENET structure.
그림 Fig. 4. LSTM Net.
그림 Fig. 5. (Color available online) Classifier.
표 Table 1. Datasets.
그림 Fig. 6. (Color available online) Confusion matrix.
표 Table 2. Performance comparison of CNN and CRNN. [%]
표 Table 3. Performance Comparison according to pre-processing. [%]
표 Table 4. Performance comparison according to time step. [%]

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

추출된 특징맵은 분리되어 순차적으로 장단기메모리(Long Short-Term Memory, LSTM)^[15]셀에 입력되어 지진 데이터의 동적인 특성을 추출하며 완전 연결 레이어와 소프트맥스(Softmax) 함수를 통해서 지진 이벤트를 분류하게 된다. LSTM 네트워크에서 셀의 개수는 합성곱 레이어의 개수에 따라서 변동되며 본 논문에서는 지진 이벤트 분류에 적합한 셀의 개수를 제시하였다. 본 논문에서는 2016년부터 2019년도에 발생한 한반도 지진을 대상으로 제안한 알고리즘의 학습 및 테스트를 진행하였으며 다양한 실험을 통해 제안한 방법의 우수성을 입증하였다.
LSTM 네트워크에서 셀의 개수는 합성곱 레이어의 개수에 따라서 변동되며 본 논문에서는 지진 이벤트 분류에 적합한 셀의 개수를 제시하였다. 본 논문에서는 2016년부터 2019년도에 발생한 한반도 지진을 대상으로 제안한 알고리즘의 학습 및 테스트를 진행하였으며 다양한 실험을 통해 제안한 방법의 우수성을 입증하였다.
본 논문에서는 다양한 지진 이벤트 분류를 위한 CRNN 모델을 제안하였다. 지진 파형의 정적 특성과 더불어 동적 특성을 반영하기 위해 적합한 ConvNet 과 LSTM Net를 순차적으로 사용하는 구조를 적용하였으며 전체 모델의 안정적인 학습을 위해서 배치정 규화 및 dropout 기법이 적용되었다.
본 논문에서는 다양한 지진 이벤트를 분류할 수 있는 합성곱 순환신경망(Convolutional Recurrent Neural Net, CRNN)구조를 제안한다. 지진 데이터의 정적인 특성과 동적인 특성을 모두 반영한 모델을 통해 지진 여부 및 지진의 종류를 분류할 수 있는 모델을 제안한다.

제안 방법

이 모델은 2-D CNN을 사용한 특징 추출, 순환신경망(Recurrent Neural Net, RNN)을 통한 데이터 시퀀스 학습 및 완전 연결 레이어를 사용한 분류로 구성되었다. ConvQuakeNet 방법과는 달리 100 Hz로 기록된 30s의 원시 지진 데이터를 스펙트로그램으로 변환하고 2-D CNN을 사용하여 특징을 추출하였다.
Sigmoid 함수를 통해 계산된 가중치들은 특징맵과의 요소별 곱셈을 통해 원래의 특징맵을 보정한다. SENET을 향상시키기 위해서는 본 논문에서는 압축 연산 부분을 강화시키는 방식을 채택하였다. 기존 SENET과는 다르게 본 논문에서는 특징맵의 선명도를 높이기 위해 영상 개선에 사용되는 대조비 펼침(Contrast stretching)^[17] 기법을 통해 가중치를 적용하는 Global Weighted Average Pooling(GWAP) 압축 연산을 적용한다.
[6] CNN 모델과 CRNN 모델 모두 전처리를 거친 지진 데이터를 이용하여 학습 및 테스트를 진행하였다. 고주파 필터링의 차단주파수는 2 Hz로 설정하였다.
이와 더불어 수집 데이터의 양을 늘리기 위해 각 관측소별 지진 관측 시점 보다 5s 앞에서부터 1s까지 1s 간격의 sliding 방식을 적용하여 데이터를 추출하였다. 그러나 중간 규모 지진의 경우 국내지진 데이터가 충분하지 않았으며 STEAD 데이터셋의 국외 지진 데이터를 이용하여 부족한 훈련 및 테스트셋을 보충하였다. STEAD 데이터셋으로부터 임의 추출 방식을 통해 약 40,000개를 훈련에 사용하였으며 약 2,900개를 추출하여 테스트에 이용하였다.
지진 파형의 정적 특성과 더불어 동적 특성을 반영하기 위해 적합한 ConvNet 과 LSTM Net를 순차적으로 사용하는 구조를 적용하였으며 전체 모델의 안정적인 학습을 위해서 배치정 규화 및 dropout 기법이 적용되었다. 또한 정적인 특징을 보다 세밀하게 추출하기 위해 주의 모듈이 적용된 ConvNet 구조를 제안하였다. 제안된 CRNN 구조는 기존의 CNN 구조보다 향상된 분류 성능을 보여 주었으며 동적 특성을 통하여 지진 이벤트 사이의 오분류를 감소시키는 결과를 얻을 수 있었다.
주의 모듈에서 자극 조정 연산의 감소율 r은 4로 설정하였으며 drop-out 정규화에서는 뉴런을 임의로 50 % 만 사용하도록 설정하였다. 모델 최적화 기법은 ADAM 방법을 이용하였으며 학습률, L₂ 정규화 매개 변수 및 배치 크기는 각각 10^-3, 10^-5, 128로 설정하였다. 시뮬레이션은 NVIDIA Geforce GTX 1080Ti 2xGPU 및 Tensorflow에서 수행되었으며 네트워크 학습은 300번의 에포크(Epoch)를 수행하였다.
본 논문에서 제안하는 CRNN 모델은 Fig. 1과 같이 3채널(HHE, HHN, HHZ) 지진 원시 데이터를 입력으로 전처리, 합성곱 블럭, LSTM 블럭, 분류기 블럭으로 구성된다.
주의 모듈은 특징맵 중에서 주요한 구성 요소를 파악하여 특징맵을 향상시키는 기법이다. 본 논문에서는 Fig. 3과 같이 Squeeze Excitation Networks(SENET)에 기반하여 개선된 주의 모듈을 적용한다. SENET은 특징맵의 채널간 상호 종속성을 모델링하여 네트워크의 표현 능력을 향상시킨다.
LSTM은 RNN의 개선된 모델 중 하나로 long-term dependency 문제를 완화시켜 다양한 분야의 순차적 데이터 처리 모델로 사용되고 있다. 본 논문에서는 Fig. 4와 같은 다중 순차적 데이터를 입력 받아 단일 상태를 출력하는 LSTM Net를 이용하여 지진 이벤트의 동적 특징들을 추출한다. Fig.
주의 기법은 학습 모델이 중요한 특징에 더 초점을 맞출 수 있도록 특징맵을 구분성 있게 만들어 준다. 본 논문에서는 Squeeze Excitation(SE)^[14] 주의 모듈을 개선한 형태의 주의 기반 모듈이 적용된 합성곱 과정을 거치게 된다. 추출된 특징맵은 분리되어 순차적으로 장단기메모리(Long Short-Term Memory, LSTM)^[15]셀에 입력되어 지진 데이터의 동적인 특성을 추출하며 완전 연결 레이어와 소프트맥스(Softmax) 함수를 통해서 지진 이벤트를 분류하게 된다.
잡음 성분을 포함한 지진 이벤트를 효과적으로 분류하기 위해서는 지진 데이터에 공통적으로 포함되어 있는 저주파 잡음을 필터링을 통해 제거할 필요가 있다. 본 논문에서는 차단 주파수 2Hz, 5차 Finite Impulse Response(FIR) 형태의 고역 통과 필터를 적용하였다.
Conv 레이어의 개수가 증가할 수록 LSTM 셀의 개수는 줄어드는 역관계를 가진다. 본 실험에서는 LSTM의 셀 개수를 125(Conv 레이어 4개 적용), 63(Conv 레이어 5개 적용)로 변화해 가며 분류 성능 결과를 알아보았다. Table 4는각 설정에 따른 지진 이벤트 분류 성능 결과이다.
모델 최적화 기법은 ADAM 방법을 이용하였으며 학습률, L₂ 정규화 매개 변수 및 배치 크기는 각각 10^-3, 10^-5, 128로 설정하였다. 시뮬레이션은 NVIDIA Geforce GTX 1080Ti 2xGPU 및 Tensorflow에서 수행되었으며 네트워크 학습은 300번의 에포크(Epoch)를 수행하였다. 성능 측정은 Eq.
훈련 및 테스트에 이용될 지진 이벤트의 수집 방식은 기본적으로 각 관측소에서 지진을 관측한 시점부터 20s 구간의 데이터를 추출하였다. 이와 더불어 수집 데이터의 양을 늘리기 위해 각 관측소별 지진 관측 시점 보다 5s 앞에서부터 1s까지 1s 간격의 sliding 방식을 적용하여 데이터를 추출하였다. 그러나 중간 규모 지진의 경우 국내지진 데이터가 충분하지 않았으며 STEAD 데이터셋의 국외 지진 데이터를 이용하여 부족한 훈련 및 테스트셋을 보충하였다.
압축 연산은 공간상에서 평균을 취하는 Global Average Pooling(GAP)을 주로 사용한다. 자극 조정 연산은 2개의 완전 연결된 레이어와 sigmoid 활성화 함수의 학습을 통해 추출된 특징맵 채널의 중요성을 적응적으로 찾아간다. 자극 조정 연산에서 첫번째 완전 연결 레이어는 감소율 r을 갖는 차원 감소 역할을 수행하며 두 번째 완전 연결 레이어는 특징맵의 채널 차원을 복원하는 역할을 수행한다.
2와 같다. 제안된 구조에서 L개의 Conv 레이어로 구성하였으며 각 Conv 레이어는 공통적으로 합성곱, 비선형 변환 ReLU, 주의 모듈, max pooling의 과정을 수행한다. 합성곱 레이어는 Eq.
제안한 모델의 효용성을 분석하기 위해 Table 1의 훈련 데이터셋은 학습 80%, 검증 20%의 비율로 사용하여 모델 학습을 수행하였다. 모델 학습에 필요한 하이퍼파라메터는 다음과 같다.
또한 풀링 크기는 2 × 1, 간격이 2인 최대 풀링을 사용하였다. 주의 모듈에서 자극 조정 연산의 감소율 r은 4로 설정하였으며 drop-out 정규화에서는 뉴런을 임의로 50 % 만 사용하도록 설정하였다. 모델 최적화 기법은 ADAM 방법을 이용하였으며 학습률, L₂ 정규화 매개 변수 및 배치 크기는 각각 10^-3, 10^-5, 128로 설정하였다.
본 논문에서는 다양한 지진 이벤트를 분류할 수 있는 합성곱 순환신경망(Convolutional Recurrent Neural Net, CRNN)구조를 제안한다. 지진 데이터의 정적인 특성과 동적인 특성을 모두 반영한 모델을 통해 지진 여부 및 지진의 종류를 분류할 수 있는 모델을 제안한다. 먼저 합성곱 레이어서는 3 채널 미가공 지진파 데이터를 입력값으로 다양한 지진 이벤트 분류에 적합한 정적 특징들을 추출한다.
본 논문에서는 다양한 지진 이벤트 분류를 위한 CRNN 모델을 제안하였다. 지진 파형의 정적 특성과 더불어 동적 특성을 반영하기 위해 적합한 ConvNet 과 LSTM Net를 순차적으로 사용하는 구조를 적용하였으며 전체 모델의 안정적인 학습을 위해서 배치정 규화 및 dropout 기법이 적용되었다. 또한 정적인 특징을 보다 세밀하게 추출하기 위해 주의 모듈이 적용된 ConvNet 구조를 제안하였다.

대상 데이터

그러나 중간 규모 지진의 경우 국내지진 데이터가 충분하지 않았으며 STEAD 데이터셋의 국외 지진 데이터를 이용하여 부족한 훈련 및 테스트셋을 보충하였다. STEAD 데이터셋으로부터 임의 추출 방식을 통해 약 40,000개를 훈련에 사용하였으며 약 2,900개를 추출하여 테스트에 이용하였다. 잡음 이벤트의 경우 지진 이벤트 목록에 기록되지 않은 날짜에서 임의적으로 20s 구간의 샘플을 추출하였다.
본 논문에서는 2016년부터 2019년까지의 대한민국에서 발생하여 국내 관측소에서 측정한 지진 데이터와 1984년부터 2018년도까지 국외에서 발생하여 국외 관측소에서 측정한 지진 데이터베이스 STEAD를 이용하여 지진 이벤트 데이터 및 잡음 데이터를 수집하였다.^[19,20] 국내 지진데이터의 경우 기상청에서 제공되는 24h 지진 관측 데이터 및 지진 이벤트 목록 파일을 토대로 훈련 데이터셋과(2016 ~ 2017년, 2019년) 테스트셋을(2018년도) 구성하였다.
5와 같은 2개의 완전 연결된 레이어와 소프트맥스 함수를 통해 지진 이벤트 분류를 수행한다. 입력 레이어는 128개의 노드로 구성되었으며 은닉 레이어는 32개의 노드로 구성한다. 최종 출력 레이어는 4종의 지진 분류 결과를 출력한다.
^[11-13]ConvQuakeNet^[11]에서는 10s의 3채널 미가공 지진파 데이터를 사용하여 지진 이벤트 분류를 위한 합성곱신경망 모델을 제안하였다. 제안된 방식의 구조는 1-D 합성곱과 비선형 변환 Rectified Linear Unit(ReLU)을 가진 8개의 합성곱 레이어로 구성되어 있다. 합성곱 레이어를 통해 128차원의 특징을 추출하며 완전 연결 레이어를(fully-connected layer) 통해 지진/소음 분류 및 위치 추정이 수행된다.
제안한 CRNN 모델의 분류 성능을 알아보기 위해 본 실험에서는 CNN 기반의 지진 분류 모델을 비교 평가 대상으로 하였다.^[6] CNN 모델과 CRNN 모델 모두 전처리를 거친 지진 데이터를 이용하여 학습 및 테스트를 진행하였다.
^[19,20] 국내 지진데이터의 경우 기상청에서 제공되는 24h 지진 관측 데이터 및 지진 이벤트 목록 파일을 토대로 훈련 데이터셋과(2016 ~ 2017년, 2019년) 테스트셋을(2018년도) 구성하였다. 지진 데이터는 HH 유형 속도계 센서, 100 샘플 데이터만을 이용하고 있으며 데이터베이스는 중간규모(규모 3.0 이상), 미소지진(규모 3.0 미만), 인공지진, 잡음 카테고리로 구분하였다. 훈련 및 테스트에 이용될 지진 이벤트의 수집 방식은 기본적으로 각 관측소에서 지진을 관측한 시점부터 20s 구간의 데이터를 추출하였다.
0 미만), 인공지진, 잡음 카테고리로 구분하였다. 훈련 및 테스트에 이용될 지진 이벤트의 수집 방식은 기본적으로 각 관측소에서 지진을 관측한 시점부터 20s 구간의 데이터를 추출하였다. 이와 더불어 수집 데이터의 양을 늘리기 위해 각 관측소별 지진 관측 시점 보다 5s 앞에서부터 1s까지 1s 간격의 sliding 방식을 적용하여 데이터를 추출하였다.

이론/모형

LSTM 셀은 2-레이어로 구성된 다중 레이어 셀 구조를 지니며 은닉 상태(Hidden state, h_K)의 크기는 128차원으로 설정한다. LSTM Net 모델 훈련시 과적합을 방지하기 위해 본 논문에서는 입력과 은닉 상태에 대한 dropout^[18] 훈련 방식을 적용한다.
SENET을 향상시키기 위해서는 본 논문에서는 압축 연산 부분을 강화시키는 방식을 채택하였다. 기존 SENET과는 다르게 본 논문에서는 특징맵의 선명도를 높이기 위해 영상 개선에 사용되는 대조비 펼침(Contrast stretching)^[17] 기법을 통해 가중치를 적용하는 Global Weighted Average Pooling(GWAP) 압축 연산을 적용한다. GWAP는 Eq.
먼저 합성곱 레이어서는 3 채널 미가공 지진파 데이터를 입력값으로 다양한 지진 이벤트 분류에 적합한 정적 특징들을 추출한다. 정교한 특징맵을 추출하기 위해 본 논문에서는 주의(attention) 기반 합성곱 레이어를 적용하였다. 주의 기법은 학습 모델이 중요한 특징에 더 초점을 맞출 수 있도록 특징맵을 구분성 있게 만들어 준다.

성능/효과

저주파 대역에 존재하는 저주파 잡음 요소를 제거함으로써 전체적으로 분류 성능이 향상되는 것을 볼 수 있었다. (인공 vs 미소), (인공 vs잡음) 사이의 오분류 부분이 전처리로 인해 줄어드는 결과를 얻을 수 있었다. 특히 인공 지진의 경우 전처리를 하게 되면 TPR이 10 % 정도 향상되는 모습을 볼 수 있었다.
제안된 CRNN 구조는 기존의 CNN 구조보다 향상된 분류 성능을 보여 주었으며 동적 특성을 통하여 지진 이벤트 사이의 오분류를 감소시키는 결과를 얻을 수 있었다. 또한 전처리 적용을 통해서 오분류가 발생했던 부분들이 감소되는 모습을 확인할 수 있었으며 전처리 비사용 모델에 비해 안정적인 분류 성능 결과를 얻을 수 있었다.
Table 4는각 설정에 따른 지진 이벤트 분류 성능 결과이다. 모든 이벤트의 분류 성능을 고려할 때 LSTM의 개수가 125인 모델이 LSTM 개수가 63인 모델보다 우수한 성능을 나타내었다.
Table 3은 고주파 필터 적용 유무에 따른 지진 이벤트 분류 결과이다. 저주파 대역에 존재하는 저주파 잡음 요소를 제거함으로써 전체적으로 분류 성능이 향상되는 것을 볼 수 있었다. (인공 vs 미소), (인공 vs잡음) 사이의 오분류 부분이 전처리로 인해 줄어드는 결과를 얻을 수 있었다.
Table 2에서 Mi/Ma/Art/Noi는 미소지진/중간규모지진/인공지진/ 잡음을 나타낸다. 전반적으로 데이터의 동적 특성을 반영한 CRNN 모델이 CNN 모델보다 우수한 성능을 보여주었으며 동적 특성 반영을 통하여 Fig. 6과 같이(인공 vs 미소) 사이의 오분류 부분이 소폭 향상되는 결과를 얻을 수 있었다. 특히 CNN 모델에서 부족했던 인공지진 분류 성능을 90 % 대까지 향상시키는 결과를 얻을 수 있었다.
또한 정적인 특징을 보다 세밀하게 추출하기 위해 주의 모듈이 적용된 ConvNet 구조를 제안하였다. 제안된 CRNN 구조는 기존의 CNN 구조보다 향상된 분류 성능을 보여 주었으며 동적 특성을 통하여 지진 이벤트 사이의 오분류를 감소시키는 결과를 얻을 수 있었다. 또한 전처리 적용을 통해서 오분류가 발생했던 부분들이 감소되는 모습을 확인할 수 있었으며 전처리 비사용 모델에 비해 안정적인 분류 성능 결과를 얻을 수 있었다.
제안한 CRNN 모델에서 embedding 특징 및 LSTM의 셀 개수는 밀접한 관련이 있다. Conv 레이어의 개수가 증가할 수록 LSTM 셀의 개수는 줄어드는 역관계를 가진다.
6과 같이(인공 vs 미소) 사이의 오분류 부분이 소폭 향상되는 결과를 얻을 수 있었다. 특히 CNN 모델에서 부족했던 인공지진 분류 성능을 90 % 대까지 향상시키는 결과를 얻을 수 있었다.

참고문헌 (20)

H. I. Fawaz, G. Forestier, J. Weber, L. Idoumghar, and P.-A. Muller, "Deep learning for time series classification: a review," arXiv: 1809.04356 (2018).
Z. Cui, W. Chen, and Y. Chen, "Multi-scale convolutional neural networks for time series classification," arXiv:1603.06995 (2016).
J. Lee, J. Park, K. L. Kim, and J. Nam, "SampleCNN : End-to-end deep convolutional neural networks using very small filter for music classifications," Applied Science, 8, 150 (2018).

상세보기
X. Zeng, D. Zhou, and X. Zeng, "HeartID: A multiresolution convolutional neural network for ECGbased biometric human identification in smart health applications," IEEE Access, 5, 11805-11816 (2017).

상세보기
K. Choi, G. Fazekas, M. Sandler, and K. Cho, "Convolutional recurrent neural networks for music classification," arXiv:1609.04243v3 (2016).
B. Ku, J. Min, J.-K. Ahn, J. Lee, and H. Ko, "Earthquake event classification using multitasking deep learning," IEEE Geoscience and Remote Sensing Letters, early access, 1-5 (2020).
M. Withers, R. Aster, C. Young, J. Beiriger, M. Harris, S. Moore, and J. Trujillo, "A comparison of select trigger algorithms for automated global seismic phase and event detection," Bull. Seismol. Soc. Am. 88, 95-106, (1998).

상세보기
S. J. Gibbons and F. Ringdal, "The detection of low magnitude seismic events using array-based waveform correlation," Geophys. J. Int. 165, 149-166 (2006).

상세보기
J. Skoumal, M. R. Brudzinski, B. S. Currie, and J. Levy, "Optimizing multi-station earthquake template matching through re-examination of the Youngstown, Ohio, sequence," Earth and Planet Science Letters, 405, 274-280 (2014).

상세보기
C. E. Yoon, O. O'Reilly, P. J. Bergen, and G. C. Beroza, "Earthquake detection through computationally efficient similarity search," Science Advances, 1, e1501057 (2015).

상세보기
T. Perol, M. Gharbi, and M. Denolle, "Convolutional neural network for earthquake detection and location," Science Advances, 4, e1700578 (2018).

상세보기
S. M. Mousavi, W. Zhu, Y. Sheng, and G. C. Beroza, "CRED: A deep residual network of convolutional and recurrent units for earthquake signal detection," arXiv:1810.01965 (2018).
A. Mignan and M. Broccardo, "Neural network applications in earthquake prediction (1994-2019): Metaanalytic insight on their limitations," arXiv:1910.011 78 [cs.NE] (2019).
J. Hu, L. Shen, S. Albanie, G. Sun, and E. Wuf, "Squeeze-and-excitation networks," arXiv:1709.01507 (2017).
S. Hochreiter and J. Schmidhuber, "Long short-term memory," Neural Computation, 9, 1735-1780 (1997).

상세보기
S. Ioffe and C. Szegedy, "Batch normalization: Accelerating deep network training by reducing internal covariate shift," arXiv:1502.03167 (2015).
R. E. Woods and R. C. Gonzalez, Digital Image Processing (Pearson, New York, 2018), pp. 129-130.
N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, "Dropout: A simple way to prevent neural networks from overfitting," J. Machine Learning Research, 15, 1929-1958 (2014).
NECIS, http://necis.kma.go.kr//, (Last viewed March 31, 2020).
S. M. Mousavi, Y. Sheng, W. Zhu, and G. C. Beroza, "STanford EArthquake Dataset (STEAD): A global data set of seismic signals for AI," IEEE Access, 7, 179464-179476 (2019).

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증