课件：B神经网络bp设计.ppt

以我国西南某地震常发地区的地震资料作为样本来源，实现基于神经网络的地震预测。根据这些地震资料，提取出7个预测因子和实际发生的震级M作为输入和目标向量。预测因子为：（1）半年内M大于等于3的地震累计频度；（2）半年内能量释放积累值；（3）b值；（4）异常地震带个数；（5）地震条带个数；（6）是否处于活动期内；（7）相关地震区地震震级。 四、实际应用 一共收集10个学习样本，如表1所示 地震累计频度 累计释放能量 b值 异常地震群个数 地震条带个数 活动周期 相关区震级 实际震级 0 0 0.62 0 0 0 0 0 0.3915 0.4741 0.77 0.5 0.5 1 0.3158 0.5313 0.2835 0.5402 0.68 0 0.5 1 0.3158 0.5938 0.6210 1.0000 0.63 1 0.5 1 1.0000 0.9375 0.4158 4183 0.67 0.5 0 1 0.7368 0.4375 0.2160 0.4948 0.71 0 0 1 0.2632 0.5000 0.9990 0.0383 0.75 0.5 1 1 0.9474 1.0000 0.5805 0.4925 0.71 0 0 0 0.3684 0.3750 0.0810 0.0692 0.76 0 0 0 0.0526 0.3125 0.3915 0.1230 0.98 0.5 0 0 0.8974 0.6563 表1 学习震例 表1 中的前7项为学习样本的输入因子，输出因子为实际震级，利用上表中的学习震例对网络进行训练。在训练前，应对数据进行归一化处理。表1中的数据已经是归一化后的数据了。2、BP网络设计 在这里采用单隐层的BP网络进行地震预测。在三层BP网络中隐含层神经元个数a和输入层神经元个数b之间有以下近似关系：a=2b+1。由于输入样本为7维向量，因此，输入层一共有7个神经元，则中间层应该有15个神经元。网络只有1个输出数据，则输出层只有1个神经元，因此，网络应该为7*15*1的结构。 按照BP网络的一般设计原则，中间层神经元的传递函数为S型正切函数。由于输出已被归一化到区间[0，1]中，因此，输出层神经元的传递函数可以设定为S型对数函数。3、 BP网络训练与测试 对于上面得到的BP网络，利用表1中的数据进行训练。训练后的网络才有可能满足实际应用的要求。训练参数的设定：训练次数为10000，训练目标为0.01，其他参数取默认值。 经过3768次训练后，网络的目标误差达到要求，如图2所示 图2 训练结果 表2 测试数据 地震累 计频度 累计释 放能量 B值 异常地震 群个数 地震条 带个数 活动 周期 相关区 震级 实际 震级 0.0270 0.0742 0.62 0 0 0 0.2105 0.1875 0.1755 0.3667 0.77 0 0.5 1 0.7368 0.4062 0.4320 0.3790 0.68 0.5 0 1 0.2632 0.4375 0.4995 0.4347 0.63 0 0 1 0.6842 0.5938 0.6885 0.5842 0.67 0.5 0.5 1 0.4211 0.6250 0.5400 0.8038 0.71 0.5 0.5 1 0.5789 0.7187 0.1620 0.2565 0.75 0 0 1 0.4737 0.3750 输出结果经过反归一化处理后得到预测震级，和实际震级相比较可得到网络的预测误差，反归一化处理采用公式：x^=(x-xmin)/(xmax-xmin) 。 实际 震级 预测 震级 预测 误差 4.4 4.6070 0.2070 5.1 5.0888 0.0788 5.2 5.3783 0.1783 5.7 5.6417 0.0583 5.8 5.8983 0.0983 6.1 5.7546 0.3454 5.0 5.1462 0.1462 表3 预测误差 训练误差曲线 训练与测试结果的比较 训练结果 测试结果 网络输出 实际输出 实际输出 测试输出 针对地震预测，传统的非线性系统辨识在理论研究和实际应用方面都存在极大的困难。而ＢＰ网络具有逼近任意非线性影射的能力，可以不受非线性模型的限制 ,并且学习算法简单。因此，可以将ＢＰ网络应用于地震预测,通过仿真图可以看到ＢＰ网络在地震预测系统中预测效果也是比较好的，满足实际要求。 五、总结 参考文献： [1]罗