Please use this identifier to cite or link to this item: http://hdl.handle.net/2122/9067
DC FieldValueLanguage
dc.contributor.authorallEsposito, A. M.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione OV, Napoli, Italiaen
dc.contributor.authorallD’Auria, L.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione OV, Napoli, Italiaen
dc.contributor.authorallGiudicepietro, F.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione OV, Napoli, Italiaen
dc.contributor.authorallCaputo, T.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione OV, Napoli, Italiaen
dc.contributor.authorallMartini, M.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione OV, Napoli, Italiaen
dc.date.accessioned2014-07-30T14:48:10Zen
dc.date.available2014-07-30T14:48:10Zen
dc.date.issued2013en
dc.identifier.urihttp://hdl.handle.net/2122/9067en
dc.description.abstractThe computing techniques currently available for the seismic monitoring allow advanced analysis. However, the correct event classification remains a critical aspect for the reliability of real time automatic analysis. Among the existing methods, neural networks may be considered efficient tools for detection and discrimination, and may be integrated into intelligent systems for the automatic classification of seismic events. In this work we apply an unsupervised technique for analysis and classification of seismic signals recorded in the Mt. Vesuvius area in order to improve the automatic event detection. The examined dataset contains about 1500 records divided into four typologies of events: earthquakes, landslides, artificial explosions, and “other” (any other signals not included in the previous classes). First, the Linear Predictive Coding (LPC) and a waveform parametrization have been applied to achieve a significant and compact data encoding. Then, the clustering is obtained using a Self-Organizing Map (SOM) neural network which does not require an a-priori classification of the seismic signals, groups those with similar structures, providing a simple framework for understanding the relationships between them. The resulting SOM map is separated into different areas, each one containing the events of a defined type. This means that the SOM discriminates well the four classes of seismic signals. Moreover, the system will classify a new input pattern depending on its position on the SOM map. The proposed approach can be an efficient instrument for the real time automatic analysis of seismic data, especially in the case of possible volcanic unrest.en
dc.language.isoEnglishen
dc.publisher.nameIstituto Nazionale di Geofisica e Vulcanologiaen
dc.relation.ispartofAnnals of Geophysicsen
dc.relation.ispartofseries4/56 (2013)en
dc.subjectMt. Vesuviusen
dc.subjectNeural analysisen
dc.titleNeural analysis of seismic data: applications to the monitoring of Mt. Vesuviusen
dc.typearticleen
dc.description.statusPublisheden
dc.type.QualityControlPeer-revieweden
dc.description.pagenumberS0446en
dc.identifier.URLhttp://www.annalsofgeophysics.eu/index.php/annals/article/view/6452en
dc.subject.INGV04. Solid Earth::04.06. Seismology::04.06.08. Volcano seismologyen
dc.identifier.doi10.4401/ag-6452en
dc.description.obiettivoSpecifico5V. Sorveglianza vulcanica ed emergenzeen
dc.description.journalTypeJCR Journalen
dc.description.fulltextopenen
dc.relation.issn1593-5213en
dc.contributor.authorEsposito, A. M.en
dc.contributor.authorD’Auria, L.en
dc.contributor.authorGiudicepietro, F.en
dc.contributor.authorCaputo, T.en
dc.contributor.authorMartini, M.en
dc.contributor.departmentIstituto Nazionale di Geofisica e Vulcanologia, Sezione OV, Napoli, Italiaen
dc.contributor.departmentIstituto Nazionale di Geofisica e Vulcanologia, Sezione OV, Napoli, Italiaen
dc.contributor.departmentIstituto Nazionale di Geofisica e Vulcanologia, Sezione OV, Napoli, Italiaen
dc.contributor.departmentIstituto Nazionale di Geofisica e Vulcanologia, Sezione OV, Napoli, Italiaen
dc.contributor.departmentIstituto Nazionale di Geofisica e Vulcanologia, Sezione OV, Napoli, Italiaen
item.openairetypearticle-
item.cerifentitytypePublications-
item.languageiso639-1en-
item.grantfulltextopen-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.fulltextWith Fulltext-
crisitem.author.deptIstituto Nazionale di Geofisica e Vulcanologia (INGV), Sezione OV, Napoli, Italia-
crisitem.author.deptIstituto Nazionale di Geofisica e Vulcanologia (INGV), Sezione OV, Napoli, Italia-
crisitem.author.deptIstituto Nazionale di Geofisica e Vulcanologia (INGV), Sezione OV, Napoli, Italia-
crisitem.author.deptIstituto Nazionale di Geofisica e Vulcanologia (INGV), Sezione OV, Napoli, Italia-
crisitem.author.orcid0000-0003-2192-3720-
crisitem.author.orcid0000-0001-6198-8655-
crisitem.author.orcid0000-0003-3473-4697-
crisitem.author.orcid0000-0001-9934-9218-
crisitem.author.parentorgIstituto Nazionale di Geofisica e Vulcanologia-
crisitem.author.parentorgIstituto Nazionale di Geofisica e Vulcanologia-
crisitem.author.parentorgIstituto Nazionale di Geofisica e Vulcanologia-
crisitem.author.parentorgIstituto Nazionale di Geofisica e Vulcanologia-
crisitem.classification.parent04. Solid Earth-
crisitem.department.parentorgIstituto Nazionale di Geofisica e Vulcanologia-
crisitem.department.parentorgIstituto Nazionale di Geofisica e Vulcanologia-
crisitem.department.parentorgIstituto Nazionale di Geofisica e Vulcanologia-
crisitem.department.parentorgIstituto Nazionale di Geofisica e Vulcanologia-
crisitem.department.parentorgIstituto Nazionale di Geofisica e Vulcanologia-
Appears in Collections:Article published / in press
Files in This Item:
File Description SizeFormat
EspositoEtAl_Annals_6448-13046-1-PB.pdf2.66 MBAdobe PDFView/Open
Show simple item record

WEB OF SCIENCETM
Citations 20

8
checked on Feb 10, 2021

Page view(s) 20

544
checked on Mar 27, 2024

Download(s) 50

256
checked on Mar 27, 2024

Google ScholarTM

Check

Altmetric