基于深度学习的事件识别中快速频率重构
机器学习
2025-10-07 v1 计算物理
数据分析、统计与概率
地球物理
摘要
从正弦信号重构具有最小延迟的频率是多个领域中的常见任务；例如环形激光陀螺仪，其输出信号为干涉频率。虽然传统方法需要数秒的数据，但本文提出一种神经网络方法，能够在约10毫秒内重构数百赫兹的频率，从而实现快速触发生成。该方法优于标准傅里叶基于技术，提高频率估计精度约为2倍，适用于GINGERINO环形激光陀螺仪的运行范围。在频率估计方面，我们还引入了自动分类框架，用于识别信号中的物理干扰，如激光不稳定性和地震事件，在独立测试数据集上实现了99%至100%的地震类别准确率。这些结果标志着人工智能在地球物理信号分析中的一步进步。
引用
@article{arxiv.2510.03325,
title = {Fast frequency reconstruction using Deep Learning for event recognition in ring laser data},
author = {Giuseppe Di Somma and Giorgio Carelli and Angela D. V. Di Virgilio and Francesco Fuso and Enrico Maccioni and Paolo Marsili},
journal= {arXiv preprint arXiv:2510.03325},
year = {2025}
}