基于遗传算法和人工神经网络的震级预测研究.pdfVIP

基于遗传算法与人工神经网络的 震级预测研究 温岩 (吉林省地震局，吉林长春130022) 摘要：由于地震预报问题的高度非线性与复杂性，使得人工神经网络方法在地震预报 分析研究中经常出现很难收敛或内符检验效果较好而外椎效果不理想的现象．本文 提出了将遗传算法与BP网络结合构成新的神经网络模型，用遗传算法来优化网络的 拓扑结构和学习参数，并筛选参与训练的预报因子，搜索出参加训练的输入参数和同 络结构参数的最佳组合，从而建立具有较好预报效果的网络模式．用东北地震实例计 算的结果表明，与未经优化的神经网络相比，具有收敛速度快，预锢4误差小等优点，具 有较高的识别能力，在地震预报中有较好的应用前景． 关键词：地震预报人工神经网络．遗传算法 O前言 人J：神经网络(ANN)是一门活跃的边缘交叉学科．它是指基于模拟人脑智能特点和结构 的一种信息处理系统或计算机，具有并行分布处理与存储、高度容错、自组织、白适应和白学 习功能．能分析较为复杂的非线性系统，且具有高度的灵活性与高速运算能力，因而可用1：一 系列预测与控制等问题当中．至今已成功地应用于诸多领域．近年来，一些地震科研人员也开 始将此方法应用于地震综合预报、震害预测、地震烈度等方面的研究．初步研究表明，一些结 果耍优丁传统的统计模式识别和模糊识别方法．由于它不要求分析对象满足一定的模型或规 律，可以通过大量样本的学习来抽取出隐含在样本中的因果关系．这与人们从大量震侧中总结 出某些规律的地震预报思路是一致的，因此将该方法用于地震分析预报也是十分有敛的．另～ 方面由丁．地震孕育的非线性和复杂性，使得在人工神经网络的地震预报的应用中也存在许多 问题．主要是网络训练经常出现收敛很慢或根本不收敛，即使收敛也会出现内附检验误差较好 而外推检验误差较大的现象．其实质是：①网络结构设计不合理：②部分输入矢量(预报因子) 与输出矢量(发生的地震)之间的因果关系不明显或关系不大． 本文拟削遗传算法和BP网络耦合获得的人工神经网络，优化网络拓扑结构和学习参数， 并筛选参与训练的预报因子．通过遗传算法，可以搜索出参加训练参数平¨网络参数的最佳组合， 从而建立具有较好预报效果的网络模式． 1遗传算法与神经网络联合的算法原理 遗传算法是一种随机概率搜索算法，源于达尔文的生物进化思想．与以往反演方法相比． 具有全局优化、隐含并行性、不用求导数等优点．通过遗传算子一选择(Selection)、交换 择．就是按一定概率将个体从父辈复制到下一代；交换是指将两个或多个父辈的特征组合起来， 产生一个或多个个体：变异是指对个体所作的小的局部改动．对适应的个体进行的选择羽咬换 推动了个体的进化，而变异刚保持了群体(Population)的多样性，弗能在更人范同山搜索解空 间． 一个串行运算的遗传算法(GeneticAlgoritm，GA)按如r过程进行： (1)对待解决问题进行编码： (2)随机初始化群体x(O)：=(xl，x2，…xn)： (3)对当前群体x(t)中每个个体xi计算其适应度F“i)，适麻度表示了该个体的性能好 坏： (4)应用选择算子产生中间代)【r(t)： (5)对Xr(t)应刚其它的算子，产生新一代群体x(t+1)，这些算子的目的在丁扩展有限个 体的覆盖面，体现全局搜索的思想： (6)t：=t+1：如果不满足终【E条件继续(3)． ’ 图1遗传算法与神经网络联合求解计算框图 #毫．， ÷-t 参考以上遗传算法的解题步骤，构造出遗传算法与神经网络相结合的网络模型，主要有4 个步骤： 1)初始化遗传算法群体中的并个体的遗传冈子，遗传算法个体的遗传冈子州二进制编码． 2)对遗传网子解码，并心所得到的网络拓扑结构参数、网络训练参数以及参与学习的样本 训练网络，计算_备个体的适应值．为了使网络既有较好的学习能力义有较好的预报能力，在计 算遗传算