Геосистемы переходных зон / Geosistemy perehodnykh zon = Geosystems of Transition Zones
Контент доступен по лицензии Creative Commons Attribution License 4.0 International (CC BY 4.0)

2024, том 8, № 4, с. 343–356

URL: http://journal.imgg.ru/archive.html, https://elibrary.ru/title_about.asp?id=64191,
https://doi.org/10.30730/gtrz.2024.8.4.343-356, http://journal.imgg.ru/web/full/f2024-4-6.pdf (In Russian)


Методика обнаружения аномалий в вариациях величины геомагнитного поля на основе искусственной нейронной сети
@Имашев Санжар Абылбекович, https://orcid.org/0000-0003-3293-3764, sanzhar.imashev@gmail.com

Научная станция Российской академии наук в г. Бишкеке, Бишкек, Киргизия

Резюме PDF RUS. .PDF ENG Полный текст PDF RUS. .PDF ENG

Резюме. Предложена методика обнаружения аномалий в геомагнитных данных, основанная на архитектуре классического автоэнкодера. В качестве обучающих данных выбраны суточные изменения величины геомагнитного поля в спокойные дни за 2020, 2021 и 2022 гг. по базовой станции Ак-Суу сети геомагнитного мониторинга Научной станции РАН в г. Бишкеке. Нейронная сеть имеет 5 скрытых слоев с общим количеством обучаемых параметров, равным ≈3.5·106 Обученная модель хорошо воспроизводит типичные признаки нормальных данных, тогда как в случае данных, содержащих различные аномалии, демонстрирует ухудшение качества восстановления. Это свойство автоэнкодера использовалось для разделения данных на два класса: норма и аномалия. Ошибка восстановления в виде средней абсолютной погрешности (MAE) служила мерой аномальности. В частности, значение MAE, равное 0.109, использовалось в качестве границы раздела классов. Проверка модели на тестовых данных по станции Ак-Суу за 2017, 2018 и 2019 гг. показала хорошие результаты. В частности, такие метрики бинарной классификации, как полнота (recall) и F1-мера, имели высокие значения: 0.965, 0.918 для данных 2017 г., 0.982, 0.933 для 2018 г. и 0.970, 0.935 для 2019 г. соответственно.


Ключевые слова:
аномалия, геомагнитное поле, вариационные ряды, нейросеть, автоэнкодер, матрица ошибок

Для цитирования: Имашев С.А. Методика обнаружения аномалий в вариациях величины геомагнитного поля на основе искусственной нейронной сети [Электронный ресурс]. Геосистемы переходных зон, 2024, т. 8, № 4. 14 с.
http://journal.imgg.ru/web/full/f2024-4-6.pdf, https://doi.org/10.30730/gtrz.2024.8.4.343-356

For citation: Imashev S.A. Method for detecting anomalies in geomagnetic field variations based on artificial neural network. Geosistemy perehodnykh zon = Geosystems of Transition Zones, 2024, vol. 8, No. 4, pp. 343–356.
https://doi.org/10.30730/gtrz.2024.8.4.343-356, https://www.elibrary.ru/fhzskv


Список литературы

1. Мухамадеева В.А., Воронцова Е.В., Лазарева Е.А. 2015. Опыт проведения геомагнитных наблюдений на Бишкекском геодинамическом полигоне. Вестник Кыргызско-Российского Славянского университета, 15(3): 130–133.

2. Campbell W.H. 2003. Introduction to Geomagnetic Fields. Cambridge Univ. Press, 337 p. https://doi.org/10.1017/cbo9781139165136

3. Hawkins D.M. 1980. Identification of outliers. Springer, 188 p. https://doi.org/10.1007/978-94-015-3994-4

4. Chandola V., Banerjee A., Kumar V. 2009. Anomaly detection: A survey. ACM Computing Surveys, 41(3): 1–58. https://doi.org/10.1145/1541880.1541882

5. Pang G., Shen C., Cao L., Hengel A. 2020. Deep learning for anomaly detection: A review. ACM Computing Surveys, 54(2): 1–38. https://doi.org/10.1145/3439950

6. Goodfellow I., Bengio Y., Courville A. 2016. Deep learning. MIT Press, 800 p.

7. Yildirim O., Tan R.S., Rajendra Acharya U. 2018. An efficient compression of ECG signals using deep convolutional autoencoders. Cognitive Systems Research, 52: 198–211. https://doi.org/10.1016/j.cogsys.2018.07.004

8. Marchi E., Vesperini F., Squartini S., Schuller B. 2017. Deep recurrent neural network-based autoencoders for acoustic novelty detection. Computational Intelligence and Neuroscience, 1(4694860). 14 p. https://doi.org/10.1155/2017/4694860

9. Valentin M.B., Bom C.R., Martins Compan A.L., Correia M.D., Menezes de Jesus C., de Lima Souza, de Albuquerque Marcio P., de Albuquerque Marcelo P., Faria E.L. 2018. Estimation of permeability and effective porosity logs using deep autoencoders in borehole image logs from the brazilian pre-salt carbonate. Journal of Petroleum Science and Engineering, 170: 315–330. https://doi.org/10.1016/j.petrol.2018.06.038

10. Fraiwan L., Lweesy K. 2017. Neonatal sleep state identification using deep learning autoencoders. 2017 IEEE 13th International Colloquium on Signal Processing & Its Applications (CSPA), Penang, Malaysia. https://doi.org/10.1109/cspa.2017.8064956

11. Wang L., Zhang Z., Xu J., Liu R. 2018. Wind turbine blade breakage monitoring with deep autoencoders. IEEE Transactions on Smart Grid, 9(4): 2824–2833. https://doi.org/10.1109/tsg.2016.2621135

12. Pal A., Baskar S. 2015. Speech emotion recognition using deep dropout autoencoders. 2015 IEEE International Conference on Engineering and Technology, Penang, Malaysia. https://doi.org/10.1109/icetech.2015.7275003

13. Gao S., Zhang Y., Jia K., Lu J., Zhang Y. 2015. Single sample face recognition via learning deep supervised autoencoders. IEEE Transactions on Information Forensics and Security, 10(10): 2108–2118. https://doi.org/10.1109/tifs.2015.2446438

14. Gomes T.A., Carvalho R.N., Carvalho R.S. 2017. Identifying anomalies in parliamentary expenditures of Brazilian chamber of deputies with deep autoencoders. 2017 16th IEEE International Conference on Machine Learning and Applications, Cancun, Mexico. https://doi.org/10.1109/icmla.2017.00-33

15. Имашев С.А., Рыбин А.К. 2023. Сейсмические и геоакустические отклики земной коры на зондирования мощными электрическими импульсами на территории Бишкекского геодинамического полигона. Наука и технологические разработки, 102(2-3): 63–88. https://doi.org/10.21455/std2023.2-3-3

16. Chen S., Meng Z., Zhao Q. 2018. Electrocardiogram recognization based on variational autoencoder. Machine Learning and Biometrics. https://doi.org/10.5772/intechopen.76434

17. Sakurada M., Yairi T. 2014. Anomaly detection using autoencoders with nonlinear dimensionality reduction. Proceedings of the MLSDA 2014 2nd Workshop on Machine Learning for Sensory Data Analysis. https://doi.org/10.1145/2689746.2689747

18. Bishop C.M., Bishop H. 2024. Deep learning: Foundations and concepts. Cham: Springer Intern. Publ., 649 p. https://doi.org/10.1007/978-3-031-45468-4

19. Imashev S.A. 2021. Extended isolation forest – Application to outlier detection in geomagnetic data. IOP Conference Series: Earth and Environmental Science, 929, 012022. https://doi.org/10.1088/1755-1315/929/1/012022

20. Nair V., Hinton G.E. 2010. Rectified linear units improve restricted Boltzmann machines. In: Proceedings of the 27th International Conference on International Conference on Machine Learning. Madison, USA: Omnipress, p. 807–814.

21. Glorot X., Bordes A., Bengio Y. 2011. Deep sparse rectifier neural networks. Proceedings of the Fourteenth International Conference on Artificial Intelligence and Statistics. Fort Lauderdale, FL, USA, 15: 315–323.

22. Kingma D., Ba J. 2015. Adam: A method for stochastic optimization. In: International Conference on Learning Representations. San Diego, USA. p. 13.

23. Bishop C.M. 2006. Pattern recognition and machine learning. New York: Springer, 778 p. https://doi.org/10.1007/978-0-387-45528-0

24. Имашев С.А., Лазарева Е.А. 2022. Пространственное распределение составляющих главного геомагнитного поля на основе модели IGRF-13 для территории Кыргызстана. Вестник Кыргызско-Российского Славянского университета, 22(4): 192–198. https://doi.org/10.36979/1694-500X-2022-22-4-192-198