Труды КНЦ вып.8 (ГЕЛИОФИЗИКА вып. 7/2017(8))

3. Получившаяся кривая растягивается или сжимается и смещается так, чтобы первый отсчет соответствовал вступлению P-волны, а двадцать шестой — S-волны. 4. Первые пятьдесят из получившихся отсчетов подаются на вход нейронной сети. Процедура сжатия/растяжения необходима для работы алгоритма, так как перцептрон не устойчив к переносу, но также порождает определенные проблемы, описанные ниже. Возможно использование нейронных сетей инвариантных к переносу и сжатию/растяжению, таких как, например, конволюционные сети глубокого обучения [2], конволюционные глубокие сети доверия [3], позволит избавиться от необходимости данной процедуры. Классификация ошибок Ошибки работы данного алгоритма, в целом, делятся на два типа: первого рода — когда ложное событие помечается как реальное, и второго рода — когда реальное событие отмечается как ложное. Минимизация количества последних значительно более важна вследствие того, что события, помеченные как ложные, как правило, далее не рассматриваются. Было выявлено, что ошибки второго рода в результате работы программы достаточно отчетливо делятся на четыре класса: 1. Ошибки обучения, вызванные недостаточностью набора данных, использованного при обучении нейронной сети. В данном случае имеет значение не количество примеров, используемых при обучении, а наличие в обучающем наборе всех типичных классов сейсмических событий, могущих встретиться нейронной сети во время ее работы. Ошибки данного рода, очевидно, можно устранить, переобучив нейронную сеть на более полном наборе данных. 2. Ошибки, вызванные слабовыраженностью события. В таких случаях часто даже специалисту бывает трудно выделить событие на фоне шума. Количество ошибок данного рода, возможно, удастся снизить, включив во входные данные сведения о поляризации сигнала [4]. Также с большой вероятностью такие события не несут большой смысловой нагрузки и ими можно пренебречь. 3. Ошибки растяжения, вызванные невозможностью отличия от шума близких событий, сильно растянутых вследствие близкого расположения вступлений фаз. Данный класс ошибок может быть уменьшен с помощью переобучения нейронной сети ценой пропуска ложных срабатываний. Но представляется более рациональным использование отдельного алгоритма для событий с неразделенными фазами. 4. Ошибки, вызванные появлением сильного всплеска шума или нового события в хвосте рассматриваемого. Методы борьбы с ошибками данного рода на данный момент не найдены. Результаты На данный момент нейронная сеть обучена на небольшом (150 огибающих) наборе данных, и точность ее работы проверена на другом, также небольшом (200 огибающих) массиве данных и оценивается как: 149