A deep neural networks approach to automatic recognition systems for volcano-seismic events

Abstract

Las redes neuronales profundas (DNNs, por sus siglas en inglés) podrían ayudar a identificar las fuentes internas de eventos sismo-volcánicos. Sin embargo, la aplicación directa de las DNNs es desafiante debido a la multiplicidad de fuentes sísmicas y al tamaño reducido de los conjuntos de datos disponibles. En este artículo, proponemos un enfoque novedoso en el campo de la sismología volcánica para clasificar eventos sismo-volcánicos utilizando DNNs totalmente conectadas. Se estudian dos arquitecturas de DNN con diferentes esquemas de inicialización de pesos: autoencoders apilados para eliminación de ruido y redes de creencias profundas. Usando un vector combinado de características de coeficientes de predicción lineal y propiedades estadísticas, evaluamos el rendimiento de clasificación en siete clases diferentes de eventos sísmicos aislados. Estas arquitecturas propuestas se comparan con perceptrones multicapa, máquinas de soporte vectorial y bosques aleatorios. Los resultados experimentales muestran que las DNNs pueden capturar eficientemente relaciones complejas en los datos sismo-volcánicos y logran un mejor rendimiento de clasificación con una convergencia más rápida en comparación con los modelos clásicos.

Deep neural networks (DNNs) could help to iden- tify the internal sources of volcano-seismic events. However, direct applications of DNNs are challenging, given the multiple seismic sources and the small size of available datasets. In this paper, we propose a novel approach in the field of volcano seismology to clas- sify volcano-seismic events based on fully connected DNNs. Two DNN architectures with different weights scheme initialization are studied: stacked denoising autoencoders and deep belief networks. Using a combined feature vector of linear prediction coefficients and statistical properties, we evaluate classification performance on seven different classes of isolated seismic events. These proposed architectures are compared to multilayer perceptron, support vec- tor machine, and random forest. Experimental results show that DNNs can efficiently capture complex relationships of volcano- seismic data and achieve better classification performance with faster convergence when compared to classical models