@inproceedings{Hennige2019,
  author    = {Hennige, Julian},
  title     = {Zeitliche Vorhersage von Erdbeben durch Klassifikation mittels Convolutional Neural Networks},
  series = {Experience(IT) : Informatik-Konferenz an der Hochschule Reutlingen, 8. Mai 2019. - (Informatics Inside ; 19)},
  booktitle = {Experience(IT) : Informatik-Konferenz an der Hochschule Reutlingen, 8. Mai 2019. - (Informatics Inside ; 19)},
  publisher = {Hochschule Reutlingen},
  address   = {Reutlingen},
  url       = {https://nbn-resolving.org/urn:nbn:de:bsz:rt2-opus4-27147},
  pages     = {11 -- 20},
  year      = {2019},
  abstract  = {In dieser Ausarbeitung wird eine zeitliche Vorhersage von Erdbeben getroffen. Hierf{\"u}r werden mit einem Datensatz aus Labor-Erdbeben Convolutional Neural Networks (CNN) trainiert. Die trainierten Netzwerke geben Vorhersagen, indem sie einen Input an seismischen Daten klassifizieren. Durch das Klassifizieren kann das CNN die zeitliche Entfernung zum n{\"a}chsten Erdbeben vorhersagen. Es werden hierf{\"u}r zwei Ans{\"a}tze miteinander verglichen. Beim ersten Ansatz werden die Originaldaten in ein CNN gegeben. Beim zweiten Ansatz wird vor dem CNN eine Vorverarbeitung der Daten mit den Mel Frequency Cepstral Coefficients (MFCC) durchgef{\"u}hrt. Es zeigt sich, dass mit beiden Ans{\"a}tzen eine gute Klassifikation m{\"o}glich ist. Die Kombination aus MFCC und CNN liefert die besseren quantitativen Ergebnisse. Hierbei konnte eine Genauigkeit von 65 \% erreicht werden.},
  language  = {de}
}