@techreport{oai:jaxa.repo.nii.ac.jp:00001850,
 author = {加藤, 広大 and 菊池, 栞 and 山田, 竜平 and 山本, 幸生 and 廣田, 雅春 and 横山, 昌平 and 石川, 博 and Kato, Kodai and Kikuchi, Shiori and Yamada, Ryuhei and Yamamoto, Yukio and Hirota, Masaharu and Yokoyama, Shohei and Ishikawa, Hiroshi},
 month = {Mar},
 note = {NASA が行ったアポロミッションによって, 約7年半分に及ぶ月地震データが収集された. これらのデータは, 月の内部構造の推定や, 月震の発生メカニズムの解明において非常に重要であり, 現在も解析が行なわれている. 月震は, その発生要因から, 深発月震, 浅発月震, 熱月震, 隕石衝突などに分類されており, 検出された月震の約半数は深発月震である. 月震解析のひとつに, 深発月震の震源分類がある. 深発月震の震源分類は従来, 波形の相互比較から分類が行われてきた. 近年の研究によって, これまでの月震波形の検出手法や, 震源分類の分類基準を、機械学習を用いて改良可能である事が示唆されている. 震源の分類基準を改良するためには, それぞれの震源を分類するのに有効な特徴量を発見することが必要であるが, これらは従来, 専門家の知見に基づくものであった. そこで, 本研究では, 機械学習を用いて, 半自動的に震源を分類するのに有効な特徴量を発見する. 結果として, 月震のパワースペクトルや, 月-地球間の距離が震源に適した特徴量であることを示し, 深発月震の分類基準を再考するための特徴量発見に機械学習を用いることの有用性を示した., NASA had obtained the moonquake data for about 7 years. The data is available to study the lunar internal structure and the focal mechanisms of moonquakes. Classification of sources of the deep moonquakes is one of important issues. The conventional method to classify deep moonquake sources is mutual comparison among waveforms. Recent machine learning approach enables us to improve the detection of moonquake, and classification of the sources. In this paper, we investigate the effective features to classify the moonquake sources. As a result, we showed that power spectral density of moonquake, and distance between the moon and the earth are effective features to classify the deep moonquake sources using the machine learning approach., 形態: カラー図版あり, Physical characteristics: Original contains color illustrations, 資料番号: AA1630049004, レポート番号: JAXA-RR-16-007},
 title = {SVMによる深発月震分類のための有効な特徴量の分析},
 year = {2017}
}