基于SOM网DEMETER卫星电场数据聚类异常探析.docVIP

基于SOM网DEMETER卫星电场数据聚类异常探析 　　摘 要：为提取汶川大地震前的电离层异常信息，特选取汶川大地震前10天的DEMETER卫星电场数据作为研究对象，以均值、均方差、偏度和峰度等四类随机信号数字特征作为输入层，经过若干次样本训练建立SOM网聚类模型。结果表明，汶川地震前卫星采集的震区信号存在若干异常数据，可能与震前电磁波辐射引起电离层扰动有关 关键词关键词：SOM网络；聚类；DEMETER卫星；异常分析；超低频电场数据 DOIDOI：10.11907/rjdk.161986 中图分类号：TP319 文献标识码：A 文章编号：1672-7800（2016）008-0140-03 0 引言 近年来，伴随着国际地震电磁卫星研究的迅速发展，利用卫星观测数据提取地震电离层前兆信息成为地震预测研究中倍受关注的新手段[1]。法国于2004年发射的DEMETER卫星是一颗专门用于地震监测的电磁卫星，其科学目标是观测地震或者火山活动引起的空间电离层扰动现象以及电场、磁场等变化情况，吸引了大批科学家参与其中的研究工作。Pulinets、Chuo等[2-3]的研究表明，由地震活动引起的电离层变化不仅确实存在，而且在5级以上地震发生前的几个小时到几天会发生电离层扰动。闫相相等[4]利用GPS和DEMETER数据分析汶川地震前电离层变化，对基于岩石圈―大气层―电离层耦合的地震电离层异常机理进行了研究分析 颜蕊等[5]利用DEMETER卫星数据分析了强震前后的电离层异常，认为异常可能与地震发生的关系较大。温岩等[6]将SOM网络模型应用在地震预报研究中，得到了较好的聚类结果。项月文等[7]将人工神经网络应用在未来地震震级预测中，并将SOM与RBF两种模型相结合，有效提高了预测精度。竞争SOM网络不需要学习样本，能够通过自动寻找数据中的内在规律和本质属性，自组织、自适应地改变网络参数与结构，适合对海量地震电磁监测卫星数据进行聚类，分析预测区电磁数据与地震发生的相关性，为进一步的地震监测预报提供科学依据 本文利用DEMETER电场数据研究汶川大地震前10天的数据变化特征，采用SOM网对电磁卫星数据进行聚类分析 1 SOM神经网络 1.1 工作原理 SOM神经网络模拟大脑神经系统的自组织特征映射的功能，是一种由全互连的神经元阵列组成的自组织、无监督的竞争式学习网络，通过对输入样本的自组织学习，可以在无教师示范情况下对输入样本实现自动聚类[8]。此网络在数据聚类、模式分类、故障诊断方面应用广泛 SOM神经网络的网络结构分为输入层和输出层，输出层即竞争层，两层之间实现全连接。输入层通过权向量将外界信息汇集到输出层的各神经元。输出层的神经元排列组合有多种多样，常用的是一维线阵和二维平面阵。输出层是一维线阵是最简单的，其结构如图1（a）所示，输出层的每个神经元之间都有侧向连接。而输出层是二维平面阵结构，更加类似大脑皮层，输出层每个神经元和它附近的每个神经元均侧向连接，构成棋盘状平面，其结构如图1（b）所示 SOM神经网络在训练时，随机选取训练集中的样本作为输入向量，通过计算，寻找与之距离最短的输出层节点，对其更新，此过程即寻找获胜神经元的过程。与此同时，获胜神经元临近的神经元权值也按照某个临近的函数进行更新。经过学习训练，得到一个以最终获胜的权值向量为中心，周围分布着与之相关数据的网络，如此反复迭代以后，本身有联系的数据就会聚集到一起，形成一类，这就是SOM的聚类过程 1.2 训练过程 SOM网训练过程如下： （1）初始化网络。初始化输出层权向量以及学习率，归一化输入向量和输出层权向量，设置初始优胜邻域 （2）检索获胜神经元。将当前输入向量与输出层权向量按照欧氏距离进行相似性比较，距离最小者为获胜神经元 （3）权值调整。调整获胜神经元邻域区内的所有权值，使其向输入向量靠拢 （4）结束。继续提供新的输入向量进行训练，收缩邻域半径、减小学习率、重复以上过程，直到小于学习率的允许值，输出聚类结果 2 数据来源及特征提取 本文选择2008年5月2日至2008年5月12日的DEMETER地震电磁卫星轨道数据进行分析。在此期间，电磁卫星记录到13条半轨数据，其中7条升轨和6条降轨，总数据量为69.3MB，每256个数据为一组，共计4086组，录入数据库保存。相关数据可以从 DEMETER 卫星中心网站上下载 DEMETER卫星采集的超低频电场数据是以时间为参变量的随机序列。随机信号序列的数字特征包括均值（mean value）、均方差（mean square error）、偏度（skewness）和峰度（kurtosis）等4??数字特征[1]。均方差反映数