【KDD2020论文阅读总结】基于深度学习的用于地震检测的低耗传感器网络系统
【Title】CrowdQuake: A Networked System of Low-Cost Sensors for Earthquake Detection via Deep Learning
【文章要点】
1. CrowdQuake – a networked system of hundreds to thousands of low-cost acceleration sensors, empowered by deep learning, for real-time earthquake detection。CrowdQuake的具体解释，使用深度学习的地震实时检测系统。
2. 处理大量sensors采集到的的实时流数据
3. 自动发现异常的sensor，防止其影响检测性能
4. 提出一个convolutional-recurrent neural network (CRNN)
5. 传感器连续记录三分量加速度波形并将其发送到网关，网关然后处理加速数据并利用深度学习模型
6. 传感器采样频率：100Hz
7. 传感器记录的三个数据分量：(i) cumulative absolute velocity (CAV， 累计重力加速度), (ii) interquartile range (IQR，四分位差),
and (iii) zero crossing count (ZC，零交叉次数？)
8. ANN网络模型回顾
9. CRNN网络
10. 将三分量看成图像的RGB三通道，或是一个1通道2维图像
11. 滑动时间窗口为2s， 采样频率为100hz，那么每次输入的数据为200*3，可以看成3通道的200*1图像，也可以看成200*3的图像。
12. 输入时拆成两部分，S(t,1)和S(t,2) ,即100*3，即前后秒的数据，循序输入网络中。两部分用于递归网络
13. 第一层是一个1D卷积层，激活函数为Relu， 共包含64个3*3的卷积核，那么会输出64个feature map, 每个map为98*1， 即为98*64
14. 第二层是另一个1D卷积层，激活函数为Relu，共包含64个3*64的卷积核，那么会输出64个feature map, 每个map为96*1，即为 96*64
15. 第三层是一个maxpooling，max filter的步长为2，那么每个feature map输出为48*1的向量，即为48*64
16. 将vector flatten后得到3072*1的向量
17. 第五层是递归层
18. 第六层是全连接层
19. 第7层是激活函数
