英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
基于物联网的地震预测技术
摘要 本文介绍了使用物联网技术发展动物监测系统的第一阶段的研究现状。使用该系统采集的动物行为数据应该证实或反驳关于某些动物物种对接近地震的迹象作出反应的能力的论点。本文回顾了关于该主题以前的工作并制定了新的任务，其解决方案将改进以前可用的使用动物作为生物传感器的方法。该系统采用惯性传感器和计算机视觉来采集动物的行为数据。数据处理和分析在中心服务器上执行。预计在系统性原因的情况下（例如，接近地震的迹象），非标准性的动物行为应该是巨大的。
关键词 物联网 地震预测 惯性传感器 大数据 计算机视觉
1 简介
每年全世界都会发生很多地震[1]，虽然他们中的大部分的力量微不足道（因此不会对人类社会造成威胁），但这些罕见但强大的地震因其毁灭性结果而出名，所以不容忽视。来自一次这样的地震事件中受害人数可以达到数十万人。为了避免这些严重后果，来自不同领域的研究人员设定了一个共同目标去找到一个预测地震的有效方法。尽管他们付出了相当大的努力，但是仍然不可能绝对精准的预测当一个地震现象将要发生的时间和日期。
这个问题的严重性不仅在于地震危险的不准确检测会导致大量人员伤亡和物质损失，而且由于误报而采取的行动可能会不必要的损害经济或对个人警告产生质疑在将来。
地震预测方法的一个重要部分是基于之前发生的地震信息，在这种情况下，数据越多，精准预测的概率就越高。而这些方法都涉及到大量信息流的处理[2-4]。明智的做法是不仅分析已经发生的事件，而且还要处理获得的实时监测地球表面结果的报告。正在被开发的新的监测方法用来跟踪所谓的地震前兆，这种预测方法包括监测地震波速度的变化、监测地下水位、或岩石中的氡和氢含量。此外，还开展了旨在寻找地震与地壳运动和电离层中离子浓度变化的相关性的研究，以及监测生物物体（动物）行为的变化作为地震事件接近[5-7]。
然而，尽管多种类型的研究和使用遍及各方面的传感器网络地震监测系统的发展，以及人工智能技术，神经网络[8，9]，这些问题仍然是开放的。
如上所述，有一种理论认为动物的行为可以成为自然灾害的一种指标。在大量观测和实验的结果的研究时，研究人员能够确定一些动物能够提前几天预测地震。其中他们中的少部分甚至可能在发生自然灾害（特别是鱼类）前几周就知道。
考虑到动物的行为（因为它与地震有关），有必要注意“头部指南针”的敏感性，即它能够捕获电磁振荡以响应不同动物物种的地震接近。
因此，在震前几天，内华达山脉的山羊从高原牧场下降到平原。其他的例子包括蜥蜴从裂缝中爬出来进入开放空间或狐狸和狼离开森林。
如果我们将“地震传感器”的响应与人和动物的电磁场或磁场的刺激进行比较，我们可以看出它们之间存在差异，主要是由于外源效应下的敏感性。对动物来说，“传感器”的灵敏度阈值远低于人类的灵敏度阈值。
可以假设，随着生物体（人类）的更高组织，其在个体发育中的功能的实现不仅通过形态功能专业化和调节系统的整合提供，而且还由于“地震传感器”的高灵敏度阈值。
许多生物有机体通过遗传决定的“行为剧目”对即将发生的地震事件作出反应，尽管事实上，鉴于其行为的复杂性，主导的行为反应是不可预测的。因此，观察和破译动物的异常行为的问题仍然是相关的。
许多因素可能会导致动物的非标准行为，甚至包括普通因素（例如对另一种动物的反应）。那么如何区分动物对局部刺激的反应以及对即将发生的地震的反应呢？为了解决这个问题，开始了项目“基于物联网的地震预测技术”的研究。该项目的主要目标是为同时监测大量动物创造技术基础。广泛的数据收集是建议方法的一个关键方面，和应该是揭示动物“非正常”行为的系统性原因，以达到最大限度地减少对普通或偶然原因的影响。
本文描述了作者进行的第一个研究和开发阶段，旨在创建一个客户端 - 服务器软件和硬件系统，允许自动分析生物对象的行为。该系统的任务是监视大量动物并在服务器上对其行为进行在线分析。要监控的参数包括电机活动，产生的噪音水平，脉冲和其他因素。
作为监测生物对象的结果获得的信息可以与用于预测地震的现有方法结合使用，从而提供更准确的结果。
本文按以下几个方面进行研究：图2简要介绍了动物行为监测技术。第3节考虑了系统的体系结构（软件）以及与现有系统的集成。第4节描述了一个使用可穿戴惯性传感器监测动物活动的子系统。第5节描述了一个基于计算机视觉（OpenCV）使用的鸟类和鱼类监测子系统。总而言之，分析了研究成果，并考虑了未来研究的想法。
2 相关工作
已经提出了许多发展来研究动物的行为。它们中的一些涉及到一种使用摄像机和算法来用于分析图像和识别各种行为模式[10-12]。这些作品之间的主要区别在于作者关注的动物类型，这使得正在开发的算法具有特异性。值得强调的是Kriti Bhargava和其他人的工作，这些工作建议使用雾计算技术对生物体进行所有必要的计算，模式识别和行为分析，以及其他研究[13]。
使用各种微型装置（放置在动物体上的传感器）已成为更经济的解决方案。假设这样的传感器可以测量参数，其变化的分析可以帮助确定与动物的正常行为的偏差。在[14]中，一种装置是一个3.2times;2.5厘米，重10.2克，电池容量为150毫安的无线加速度计，并开发了一种识别行为的算法。这种加速度计结果足够小，可用于监测实验室大鼠的活动，并作为自制背心附着在它们身上。在实验过程中，研究人员获得了三种大鼠行为模型：吃，站和理毛。作者指出，理毛是特别令人感兴趣的，因为通常，老鼠在生病时不再照顾自己。因此，借助所完成工作的结果，不仅可以监测动物的行为，而且可以监测动物的健康状况。
此外，使用无线传感器网络（WSN），可以跟踪不仅一个动物，而且整个动物群体及其社会行为的行为。Handcock和其他人[15]建议在奶牛上放置带有内置GPS模块的项圈，以便从卫星获取图像，提供群体运动的轨迹，个体之间的相互作用以及当地群体的形成。
在[16]中，与[14]中一样，它应该使用无线设备，包括加速度计和陀螺仪。本文介绍了这种装置的原型，以及计算动物活动水平的算法。根据该算法，活动水平由所有三个轴的活动水平之和确定。反过来，沿轴的活动计算为加速度计值与最近60个值在该轴上的平均值的偏差的平均值。
Chandrakant和其他人提出了一种新的地震预测系统架构。假设分析动物异常行为的系统将与所有现有系统集成，例如电磁信号探测器，火山活动加速度计探测器，空气电离探测器和卫星增强红外辐射探测图像，分析动物异常行为的系统将被整合。此外，提出了一种新算法，根据该算法可以确定危险并给出警报信号。实验结果以图形方式表示狗，猫，鸭和母鸡的活动水平，以及加速度计探测器对火山活动，空气电离探测器和增强红外辐射探测的读数。
在[17,18]中，开发基于ZigBee的网络体系结构使用神经网络进行识别从传感器导出的动物行为模式数据。还描述了神经网络[18]和执行能量消耗的模拟。
从对以往工作的分析中可以看出，研究人员在监测生物体的行为方面已经取得了相当大的成果，但在地震预测中没有足够的重要意义。在本文中，建议通过使用大数据的技术和方法来补充和改进现有的成就，这就意味着能够监视大量的对象。这将有助于在分析异常行为的结果时避免错误的结论。
3 系统的体系结构
将生物体用作地震传感器应该补充地震活动预测和新兴发展领域的现有发展。为了实现这一目标，有必要以模块化方式设计应用程序架构（图1）。这种架构允许使用标准接口轻松集成各种元素。
图1.地震预测系统的体系结构
使用物联网技术进行数据收集。数据采集方面将在图4和5中讨论。对于数据采集，可以使用现有和新兴的物联网设备和技术。为了使应用程序和网关需要都成功运行：在数据链路协议和网络级别之间转换数据，并提供更高级别的兼容性。这提供了使用各种协议的设备的互操作性。在语义级别（根据OSI模型的应用层）提供转换的设备被称为语义网关（SG）。它们允许在消息传递协议（如CoAP，MQTT，XMPP，HTTP v.1.1，HTTP / 2）之间进行转换，这些协议在物联网中得到广泛应用。在[19]中考虑了网关作为物联网互操作性的服务架构。在[20]中提出的已知原则的替代方法，使用SIP协议作为M2M数据的容器。在系统中使用SG可提供与各种类型的物联网设备（动物监控设备）的完全连接。
下一个阶段是处理和存储单元。该设备收集、分析和存储从监控设备获得的数据，并为用户（动物所有者）和地震预测服务器提供数据访问。在此分析阶段，将显示受监视对象的非典型和非标准行为。地震预测服务器使用这些数据与现有地质和环境监测系统的数据进行比较，以时间序列的形式呈现，以确定地球物理因素与动物行为之间的相关性。时间序列趋势选择是分析的第一步。将信号分成“趋势”和“余数”是基于这样的假设：平滑，低频变化是由于某些确定性因素的影响，而相对高频的振荡反映了该过程的随机成分。所确定的地理监测趋势与动物的非标准行为之间存在相关性，这可能是地震趋势的证据。
处理和存储单元的另一个功能是分析关于动物健康的数据（动物的健身追踪器），并以移动应用程序或网站的形式向动物所有者提供该分析的结果。该功能对于为动物所有者来说创建使用所提出的系统的强烈动机是有必要的。这种方法可能有助于使更多数量的动物参与数据收集过程中。
4 使用可穿戴惯性传感器监测动物活动的子系统
如图2所示，动物对外部刺激的特征反应之一是运动活动。为了监测运动活动，在时间刻度中记录运动是有必要的。这可以通过全球定位（GPS和其他）以及自主惯性定位系统的帮助来完成。这种系统基于加速度计和陀螺仪的使用。根据获得的数据，可以计算（在可接受的误差范围内）物体行进的距离，甚至可以识别特定的运动。
在可穿戴惯性传感器的帮助下开发用于监测动物活动的子系统对于收集和分析居住在人类附近的动物（如家养的狗和猫）以及像农场动物这样的动物（像马、牛和羊）活动的数据是必要的。
4.1 数据采集
为了进行数据采集实验，开发了数据采集设备的原型 ——智能项圈（图2）。该器件包含一个加速度计，一个陀螺仪，一个巨大的电池组和一个MQTT客户端NodeMCU微控制器。处理数据的服务器也是MQTT客户端，并通过MQTT代理接收它。接收的数据经过低频滤波，以便分离信号的重力分量。
在实验期间，活动数据以CSV文件的形式传送到服务器，其中包含UNIX格式的时间戳和三个轴的加速度。
图2.实验过程中用于数据采集的设备原型狗
关于将来应该使用机器学习方法的事实，数据分三个阶段采集。第一阶段：“行走”，意味着与主人一起走在街上。第二阶段：“玩耍”，是一种人为的（由主人）激烈的行动。第三阶段：“休息”，数据采集是在排除可能刺激活动的人为因素存在的条件下进行的。每条记录都有一个“活动”参数，该参数考虑了采集数据的阶段（表1）。该参数对于进一步训练神经网络是必需的。
|
时间戳 |
x轴 |
y轴 |
z轴 |
活动 |
|
1525431335253 |
0.008776 |
0.00532 |
0.013132 |
步行 |
|
1524531335307 |
-0.04818 |
-0.03654 |
0.025706 |
步行 |
|
1525431335357 |
0.067857 |
-0.03684 |
0.046965 |
步行 |
表1.呈现数据活动表
总共在生成的数据库中收集了大约262,420行记录的活动。图3显示了表征各种类型活动的活动数据的可视化图。如图中所示，数据集对于各种活动类型是完全不同的。
图3.可视化活动数据图
4.2 使用递归神经网络识别活动
为了提高动物活动分析的质量，有必要从样本中排除人工（散步，游戏）引起的活动时期。为了解决这个问题，已经使用了人工神经网络。神经网络的开发和训练是在Python的帮助下完成的。
选择具有长短期记忆（LSTM）的递归神经网络作为神经网络架构。LSTM网络具有通用性，即通过足够数量的网络元件，它可以执行传统计算机可以执行的任何计算，这需要适当的权重矩阵，可以将其视为程序。
LSTM网络接收固定长度的数据条目，因此数据被分成200行或10秒。活动标签转换为单一代码。数据分为训练集和练习集，比例为8：2。
网络模型包含2个完全连接的层和2个LSTM层，每个层包含64个隐藏节点。
学习的超参数：
- 优化者：亚当
- 时代数：50
- 每次迭代的样本数：1024
- 学习速度：0.0025
在训练期间，监测参数“准确度” - 与识别活动和参数“损失”的误差函数相反的函数 - 交叉熵确定稍微接近可预测的分布到真实的分布。如图4
图4.机器学习过程
作为学习的结果，神经网络识别出活动的类型，准确度为97％。由于程序和源代码而开发的代码可
全文共10785字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[433]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
