1、“.....重复添加次，共得到组数据作为网络为日本伊豆群岛新岛台年的观测数据由于地电场数据常常受到不同噪声的干扰，实际观测难以获得理想的无噪声数据为便于对比数据处理效果，有必要利用合成数据来开展研究本文基于年日本伊豆群岛的新岛台的实测数据来建立合成数据，合成数据包含理想无噪声数据以及添加噪声数据图给出了新岛台第条测线两年实际观测数据的频谱分析结果，从图中可以明显发现在周期为均具有很大的幅值，对应不同周期的潮汐成分作为例子，图给出了年月日的地电场时间序列和它的频谱分析图可以看出，天的数据也具有明显的频谱特征因输入数据添加的高斯噪声泊松噪声和特定频率噪声与其他神经元网络相比，长短时记忆神经网络能够对时间序列数据建立长短期记忆体系为进步验证该方法的实用性和有效性，本文将训练所得网络对日本伊豆群岛新岛台地电场实际观测数据进行处理......”。

2、“.....对同时期数据分析得到的地电场潮汐响应日变半日变半月地电场数据处理中长短时记忆神经网络的研究分析电磁学论文地电场中的地铁干扰陈全利用扩张因果卷积网络对地电场模拟信号进行预测及提取地电场实际观测数据中的特征，但网络模型构建和参数设计仍需优化，陈全同时也利用奇异谱方法去除地铁高压直流输电线空间电磁环境中的高频干扰但此类方法多基于地电场信号和噪声信号的频率特征不同，通常对频率较高的噪声信号进行滤除，因而去除噪声后的信号高频部分损失严重，容易丢失相关频段的信息在处理些非线性问题时，这些方法也存在定的局限性神经元网络方法是目前最流行的机器学习方法之，在时间序列数据处理上取得了显著的成噪声波动特点不同等也将独立成分分析方法应用至地电场数据，从位于长野县松代台站的数据中分离出可能的地震电信号......”。

3、“.....分析了意大利南部朱利亚诺台站地电场数据，发现地震前主成分呈现出变大的特征安张辉等将希尔伯特黄变换方法应用于北京市通州区西集镇地电场台站的实际观测数据处理，在定程度上抑制了轨道交通产生的噪声李伟等利用小波变量提取和分析后发现，潮汐响应包含周期为的全日分潮的半日分潮等不同周期的频率成分，并且不同成分的潮汐响应也呈现出半月变半年变等周期活动规律谭大诚等，在讨论地电场周期性变化的产生机理和变化特征时同样发现地电场信号包含和等谐波信号，靠近海洋和大型湖泊的台站的日变现象更加明显，呈现出类似固体潮的变化形态叶青等指出地电场日变幅度呈现出明显的季节性变化以上研究表明，在没有地电场异常和干扰较小的情况下，地电场信号可以通过不同频率谐波来拟合随着城市化现代化进程加快，大型工业摘要作为深度学习方法的种......”。

4、“.....对特定结构的长短时记忆神经网络进行训练，将训练所得网络对测试集数据进行测试后，将网络应用至实际观测数据结果显示，经过训练的网络很好地学到了训练集样本的特征，对测试集数据的信噪比压制了约，并过滤了人为添加的特定频率的干扰成分，对实际观测数据处理后得到明显的日变半日变以及半月变月变半年变年变等潮汐响应，表明长短时记忆神经网络可以有效应用于地电场数据处理研究关致的结论神经元网络经过训练后可重复使用，还可以使用新的合成数据进行补充训练，处理数据不依赖相关背景知识，虽然训练比较耗时，但应用到实际数据处理的耗时非常短由于实际地电场数据质量参差不齐，数据量大，神经元网络方法可以摆脱人工挑选特征的繁琐过程，为海量地电场数据的处理提供了便捷的新方法图不同周期潮汐成分随时间变化，图中潮汐响应谱分析参考文献安张辉，杜学彬，元丽华等方法在受城市轨道交通干扰地电场观测数据中的应用地震学报......”。

5、“.....魏中具有重要的意义在这里，我们将训练所得网络对新岛台第条测线年的实际数据进行处理，得到实际数据的去噪结果，其中年月数据因泥石流发生存在缺失为评价网络训练的质量，我们将网络处理后的年实际数据进行频谱分析，如图所示，所得数据具有明显的潮汐成分图均方差随循环周期变化，绝对平均误差随循环周期变化，余弦相似度随循环周期变化图网络去噪数据与测试集理想无噪声数据及输入数据添加噪声数据对比的个示例图连续十天合成数据频谱分析，网络处理后数据频谱分析图训练所得网络对年实际观测网络训练的过程中，随着训练循环周期的次数增加，训练集的种误差不断缩小，然后随着循环周期的次数增加，种误差趋于稳定除了对输出数据进行种误差计算，本文也计算了网络处理前后信号信噪比的大小，从另个角度分析网络的有效性网络对合成数据处理评价经过定次数的循环周期后......”。

6、“.....我们将训练得到的网络对占比的测试集数据进行测试，来评价网络的有效性作为例子，图给出了网络去噪后的数据与测试集对应理想无噪声数据及添加噪声数据的对比图中失函数的缩小不再变的明显时，认为网络已经学会处理此类数据的能力将训练所得的网络对测试集输入数据添加噪声数据进行处理得到的去噪数据和测试集原有输出数据理想无噪声数据进行对比，可初步判断训练所得网络的有效性训练所得网络对实际数据进行处理我们最终的目的是将训练完的网络应用至实际数据中，将实际数据中与我们训练集中特征类似的噪声去除因此，本文将节训练得到的网络对实际数据进行处理，提取去噪数据的信号特征，进步判断训练所得网络的有效性值得注意的是，我们在训练网络过程中所使用的是采样间地电场数据处理中长短时记忆神经网络的研究分析电磁学论文胜，朱肖雄等地球物理学报，冯红武，颜文华......”。

7、“.....黄清华，刘涛地球物理学报，李伟，马钦忠，宋志平等地震学报，谭大诚，赵家骝，席继楼等地球物理学报，谭大诚，王兰炜，赵家骝等地球物理学报，席继楼地震地磁观测与研究，叶青，杜学彬，周克昌等地震学报，朱肖雄，崔益安，李溪阳等中南大学学报自然科学版，汪凯翔，黄清华，吴思弘长短时记忆神经网络在地电场数据处理中的应用地球物理学报，基金国家自然科学基金项目资助地电场数据处理中长短时记忆神经网络的研究分析电磁学论文，耗时仅，虽然网络训练的过程较为耗时，但经过训练的网络在实际数据处理时的效率很高结论本文通过基于新岛台观测到的地电场实际数据谐波拟合得到的数据对具有特定结构的长短时记忆神经网络进行训练，将训练得到的网络对合成数据中的测试集进行测试，能够很好地去除测试集中不同种类的噪声将经过测试的网络应用至实际地电场数据，通过对处理后数据的频谱分析......”。

8、“.....其表现出明显的日变半日变，以及半月变月变半年变年变等特征，得到与黄清华和刘涛关于新岛台地电场的潮汐响率噪声后数据高斯噪声，高斯噪声，高斯噪声，高斯噪声用训练集对网络进行训练如图所示，本文采用了个层的长短时记忆神经网络，包含个输入层个输出层和个隐藏层由于计算机运算内存限制，在合成数据中每个点提取出个点作为训练数据，即每天的输入和输出添加噪声数据和理想无噪声数据的向量长度由采样间隔为的变为采样间隔为的等提出的栈式自编码器中对称的编码和解码结构，经多种结构网络测试比较，本文长短时记忆神经网络选取的拓扑结构为，权重矩阵和偏臵据处理后结果频谱分析为进步评价经过网络处理后的实际数据的质量，我们对不同成分潮汐响应进行定量分析，从频谱分析中分别提取出周期为的潮汐成分，并对其幅度进行频谱分析图给出了不同周期成分幅度随时间的变化和对不同潮汐成分幅度的频谱分析......”。

9、“.....与黄清华和刘涛得到致结论，验证了长短时记忆神经网络在地电场实际数据处理中的有效性网络耗时对于本文选取的长短时记忆神经网络拓扑结构和现有数据量，网络训练耗时的网络应用到年实际数据的处晰的可以看到，经过网络去噪后的数据与测试集理想无噪声数据非常致换言之，经过网络处理的去噪数据，很好地完成了对输入数据中噪声的去除信噪比由处理前的提升到，噪声得到了约的压制为进步验证该网络的有效性，我们用训练好的网络处理连续十天的合成数据含泊松噪声高斯噪声和特定频率噪声，并对处理前后的数据进行频谱分析，从图可以明显看出，作为噪声加入的的周期成分被过滤，其他周期等成分依然保留将网络应用至实际数据后潮汐特征对比长短时记忆神经网络的去噪能力在地电场实际观测数据处为的数据因此，在对实际数据进行测试之前，需要对实际数据进行同样的处理，即把数据的采样间隔从抽稀为......”。