地震预测中的数据挖掘应用 2005年12月.pptVIP

数据挖掘在地震预测中的应用 1、关联规则 2、时间序列的相似性 3、神经网络及其集成 4、支持向量机 5、粗糙集 6、主成分分析 7、因子分析 8、数据挖掘在地震领域中的应用研究展望 3. 神经网络集成 比较实验和结果 单个RBFNN 外推精度为68.33%，内符精度77.12% 固定集成结构和训练参数 外推精度65%，内符精度69.64% 均匀设计确定集成结构和参数 外推精度78.33%，内符精度81.36% 提出了一种自动确定神经网络集成结构和参数调整的构造选择性RBF神经网络集成算法CSERBF 前兆及地震学异常的持续时间和种类多少与未来地震震级大小有一定关系 震级预报 3.3 基于特征加权的神经网络集成 FWEART 地震序列类型判断中的应用 4.1 我国大陆强震预测的支持向量机方法 表1 使用支持向量机和BP神经网络对14个待检验样本的检验结果 4.2 中国大陆强震时间序列预测的支持向量机方法 4.2.1 地震时间序列预测方法（1） 依次取前13年中我国大陆每年的最大地震震级 Mi+1,Mi+2,…,Mi+13，预测第14年的我国大陆最大地震震级Mi+14, (i=1,2,…m)。这样支持向量机的输入项为前13年中每年的最大地震 Mi+1,Mi+2,…,Mi+13 ；输出项为1个，即为第14年的我国大陆最大地震震级 Mi+14。 表1 预测方法（１）的预测样本检验结果 4.2.2 地震时间序列预测方法（2） 支持向量机的输入项为前13年中每年的最大地震震级 Mi+1,Mi+2,……,Mi+13。还增加8个输入项，它们分别是全球地震活动第12和13年的年频次，第13年的年释放能量，第12和13年与前一年的释放能量的差分值，第13年的太阳年平均黑子数，第12和13年与前一年的太阳黑子数差分值。这样支持向量机的输入项共为21个；输出项为1个，仍为所预测的我国大陆第14年的最大地震震级。 表2 预测方法（2）的预测样本检验结果 支持向量机与神经网络预测方法预测检验结果比较 使用ODMA分析地震预报指标与地震的关系 决策表的构造 111项预测指标 (41项测震学预报指标, 70项前兆指标) 地震预报情况 结果 41项测震学预报指标中17项指标是绝对必要彼此独立的 70项前兆指标中只有12项指标是绝对必要彼此独立的 应用ODMA算法的属性约简结果 得到下列五组属性约简集： {1, 2, 3, 4, 6, 10, 11, 12, 13, 14, 15, 17, 26, 28, 29, 31, 33} {1, 2, 3, 4, 6, 10, 11, 12, 13, 14, 15, 17, 21, 26, 28, 29, 33} {1, 2, 3, 4, 6, 10, 11, 12, 13, 14, 15, 17, 20, 26, 28, 29, 33} {1, 2, 3, 4, 6, 10, 11, 12, 13, 14, 15, 17, 18, 26, 28, 29, 33} {1, 2, 3, 4, 6, 10, 11, 12, 13, 14, 15, 16, 17, 26, 28, 29, 33}。 5组中都不出现的属性 5，7，8，9，19，22，23，24，25，27，30，32，34，35，36，37，38，39，40和41为冗余属性。 在每组均出现的核属性 1，2，3，4，6，10，11，12，13，14，15，17，26，28，29和33则为属性核，为最有必要属性。 5.2 基于粗集约简的支持向量机集成方法使用RRESVM判断地震序列类型 1:ΔM 2:Em/EΣ 3:P 4:b值 5:k值 6:Mmax 7:T2.0 使用RRESVM判断地震序列类型 8.1 数据挖掘在地震预报中的可能应用 前兆干扰因素的排除 (数据清洗、属性约简、关联规则) 地震异常的识别 (分类、聚类、离群数据挖掘、关联规则) 异常地震活动异常识别 (关联规则、序贯模式、分类、聚类、神经网络、 SVM) 地震综合预报 (分类、聚类、神经网络、粗集) 地震序列类型判定和强余震预报的研究 地震序列的相似性研究 如 前震序列的相似性研究 地震序列类型判定的研究 (分类树、神经网络、SVM) 地震预报知识的学习和地震异常的发现 (分类、聚类、关联规则、离群数据挖掘) 地震主要预报指标的提取和无用指标的排除 (属性约简) 前兆干扰因素的排除（数据清洗）数字化动水位的固体潮汐效应 聊古一井气氡影响因素分析 8.