卷积神经网络用于地震检测
利用深度学习直接挖掘地震波形来增强地震监测能力，本研究使用数据重组方法训练具有普适性的神经网络，以便应用于不同地区的地震监测，实现实时的地震早期预警。通过应用于日本和美国加利福尼亚的地震序列，我们的模型可在触发的第一个台站后的 4 秒内可靠地报告地震位置和震级，平均误差分别为 2.6-6.3 公里和 0.05-0.17。这些普适的神经网络有助于全球实时地震早期预警的应用，消除了传统方法中通常需要复杂经验配置的要求。
Dec, 2023
提出了一种将事件检测和源位置统一到单一框架的方法，通过适应具有基于卷积神经网络骨干结构和编码器 - 解码器变压器的集合匈牙利损失，直接应用于记录的波形，实现了实时微地震监测的潜力。
Jul, 2023
提出一种使用卷积神经网络和注意力层结合的高效且具有成本效益的架构，用于检测地震结构异质性，通过利用合成数据进行迁移学习以训练和微调模型，解决有限标注数据可用性的挑战。
Apr, 2024
该研究综述了利用深度学习（DL）作为解决地震工程中存在的挑战性问题的强大工具所引起的日益浓厚的兴趣，并通过讨论方法论的进步和探索不同研究主题中的各种 DL 应用，来揭示 DL 在地震工程研究和实践中的机遇和挑战。
May, 2024
本研究提出了一种新的声音事件检测方法，使用卷积神经网络结合大的输入层来提取长时频结构特征，同时采用数据增强方法防止过拟合，实验表明该方法在声音事件检测上表现优异，超过了现有方法，取得了 16% 的绝对提升。
Apr, 2016
本研究首次应用深度学习技术来检测极端气候事件，通过开发一个基于深度卷积神经网络的分类系统和联合贝叶斯优化方案，实现了在热带气旋、大气河流和天气前沿等方面对于极端事件的检测准确率达到 89%-99%。
May, 2016
本研究通过使用 TUH EEG Seizure Corpus 数据集，评估了一种新型的循环卷积神经网络，该网络在每 24 小时内的假警报率为 7 次，灵敏度达到 30%。研究表明，深度学习结构集成空间和时间信息对于达到最先进的表现至关重要，并将推动出一代临床可接受的技术。
Dec, 2017
我们提出了一种基于人工智能的框架 WaveCastNet，用于预测大地震引起的地面运动，该框架可以通过整合卷积长表示记忆模型 (ConvLEM) 和序列到序列 (seq2seq) 预测框架来模拟空间和时间上的长期依赖关系和多尺度模式，以提高预警能力并快速预测破坏性地面运动的强度和时机。
May, 2024