Improving diffraction pattern recognition using kNN
| dc.contributor.advisor1 | MACEDO, Daniel Leal | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/9214518175955901 | pt_BR |
| dc.creator | LIMA, Andrey Marcos Souza da Silva de | |
| dc.creator.Lattes | http://lattes.cnpq.br/3023357330513208 | pt_BR |
| dc.date.accessioned | 2018-12-17T16:27:35Z | |
| dc.date.available | 2018-12-17T16:27:35Z | |
| dc.date.issued | 2017-03-24 | |
| dc.description.abstract | This work reinforces the importance of using pattern recognition in order to classify seismic events such as diffractions, edge diffractions, reflections and void points. Their identification and processing can be used for the construction of velocity models and the imaging of geological structures. The diffraction operator responses are analyzed using an algorithm to calculate two pairs of three parameters that characterize an event. The k nearest neighbor method (kNN) is used to classify these events as diffractions, reflections, edge diffractions and void points based on their diffractor operator. Since the kNN method uses a measure of distance, this work compares the classification using Euclidean and Mahalanobis distances. The results showed that e10-e6-e3 domain using Mahalanobis distance is the best combination to better cluster and classify events. | pt_BR |
| dc.description.resumo | Este trabalho reforça a importância do reconhecimento de padrão para classificar eventos sísmicos como por exemplo difratores, difratores de canto, refletores e pontos vazios. A identificação e processamento de difrações podem ser utilizados para a construção de modelos de velocidade e imagens de estruturas geológicas. As respostas do operador de difração são analisadas usando um algoritmo para calcular dois pares de três parâmetros que caracterizam um evento. O método kNN é usado para classificar estes eventos como difratores, refletores, difrações de canto e pontos vazios baseados em seus operadores de difrações. Visto que o método kNN usa uma medida de distância, esse trabalho compara a classificação usando as distâncias Euclideana e de Mahalanobis. Os resultados mostram que o domínio e10-e6-e3 usando a distância de Mahalanobis é o melhor domínio para agrupar e classificar os eventos. | pt_BR |
| dc.identifier.citation | LIMA, Andrey Marcos Souza da Silva de. Improving diffraction pattern recognition using kNN. Orientador: Daniel Leal Macedo. 2017. 46 f. Trabalho de Curso (Bacharelado em Geofísica) - Faculdade de Geofísica, Instituto de Geociências, Universidade Federal do Pará, Belém, 2017. Disponível em: <http://bdm.ufpa.br/jspui/handle/prefix/893>. Acesso em:. | pt_BR |
| dc.identifier.uri | http://bdm.ufpa.br/jspui/handle/prefix/893 | |
| dc.rights | Acesso Aberto | pt_BR |
| dc.source | 1 CD-ROM | pt_BR |
| dc.subject | Prospecção Sísmica | pt_BR |
| dc.subject | Difração | pt_BR |
| dc.subject | Geofísica | pt_BR |
| dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOFISICA::SISMOLOGIA | pt_BR |
| dc.title | Improving diffraction pattern recognition using kNN | pt_BR |
| dc.type | Trabalho de Curso - Graduação - Monografia | pt_BR |