基于自组织竞争神经网络的地震预测.docVIP

PAGE PAGE 1 基于自组织竞争神经网络的地震预测 　　【摘要】引发地震的相关因素很多，其产生机理的复杂性，孕育过程的非线性和认识问题的困难性使得人们很难建立较完善的物理理论模型。相对于传统的预测方法，神经网络在处理这方面问题有着独特的优势。目前大多数有关地震的预测采用BP神经网络。自组织竞争神经网络与BP神经网络相比，它的自组织、自适应的学习能力进一步拓宽了人工神经网络在模式识别、分类方面的应用。 　　【关键词】自组织神经网络；MATLAB；震级；地震预测 　　1.引言 　　地震是一种会给人类社会带来巨大灾难的自然现象。在众多的自然灾害中，特别是在造成人员伤亡方面，全球地震灾害造成的死亡人数占全球各类自然灾害造成的死亡人数总数的54%，可以堪称群灾之首[1].地震预报是地理问题研究领域中的一个重要课题，准确的地震预报可以帮助人们及时采取有效措施，降低人员伤亡和经济损失[2]。 　　神经网络是一种大规模并行分布处理的非线性系统，具有高度的非线性运算能力和良好的自学习能力[3]。近年来，受到了广大预测科学工作者的关注。神经网络这方面的优势，主要体现在： 　　（1）容错能力强。由于网络知识信息采用的是分布式存储，个别单元损坏就不会引起输出错误。这使得预测、识别过程时容错力强，可靠性高。 　　（2）预测、识别速度快。训练好的网络对样本预测、识别的时候仅需要少量的算法，这使得其运算速度比其他算法更快。 　　（3）避免了特征因素与判别目标复杂关系，尤其是公式的叙述。网络可以自己学习和记忆各个输入量与输出量间的关系[4]。 　　2.自组织竞争神经网络 　　在地震的预报中，有的时候需要根据不同地震活动指标将发生在不同时间、空间和强度的地震进行分类研究，然后根据这些特征对其他的样本进行预报。自组织竞争神经网络能够对输入模式进行自组织训练和判断，并将其最终分为不同的类型[5]。 　　自组织竞争型网络预报的原理：通过采集的训练样本对网络训练，训练好的网络记忆了所有分类模式。当输入新样本会激发对应神经元就可以对新样本进行分类。自组织竞争网络基本上为输入层和映射层的双层结果，映射层的神经元互相连接，每个输出神经元连接至所有输入神经元[5]，其结构图如图1所示。 　　图1自组织竞争神经网络结构图 　　3.数据样本的采集及预处理 　　利用自组织竞争神经网络进行地震预报，首先应该提取有关地震预报的重要指标，确定网络结构。样本数目的确定没有通用的方法，一般认为，样本过少可能使得网络的表达不够充分，从而导致网络外推的能力不够；而样本过多可能会出现样本冗余现象，既增加了网络的训练负担，也有可能出现信息量过剩。 　　这里测取了我国某地区连续12年的地震趋势作为检验实例，研究时间1年，所选取的11项地震活动指标：最多次数的地震震级、b值、平均震级、平均纬度、平均纬度偏差、平均经度、平均经度偏差、最大地震震级、ML大于115的地震次数、相邻两年地震次数差、相邻两年的最大地震震级差。 　　获得输入变量后除了大地震震级指标将其余指标数据处理为区间[01]之间的数据[4]。公式如下： 　　处理后的数据如表1所示。 　　4.自组织竞争神经网络的设计 　　上述数据按照震级的大小分为：一般地震、中等地震、严重地震3类，因此这里需要设置的神经元数为3个。最后一年的数据作为测试样本其余均参加竞争训练。由于输入有11个向量所以输入层神经元数目为11。为了增快学习速度将学习速率设定为0.1。其建立网络代码如下： 　　本程序建立的自组织竞争神经网络结构图，如图2所示： 　　5.网络训练 　　网络训练后才可用于地震预测的实际应用。训练代码如下： 　　根据代码的输出结果可知，表1中的第1、3、4、6、11组数据属于一类；第2、7组数据属于一类；第5、8、9、10组数据属于一类。直接检验表中的数据，可以很容易的发现同一类数据比较相近，这同样验证了上述的分类结果。 　　6.网络的测试 　　根据训练好的自组织竞争神经网络输入测试样本，得到的输出结果与实际结果进行比对。这里输入测试代码： 　　P_test=[0.31250.450.50010.785310.42360.18254.10.05010.40.12]’； 　　y1=sim（net，P_test）； 　　y1=vec2ind（y1）； 　　代码的输出结果为：y1=1。 　　通过直接进行数据对比我们认为第12组数据和第1组数据非常的接近，所以网络的运行结果是正确的。由上述可以得知，此网络有着相当好的预报精度。 　　7.结语 　　通过实验基于自组织竞争神经网络的地震预测精度很高，并且可以有效的克服数据含噪声的因素，此外本文所使用的竞争神经网络结构简单、易于实现。综上所述，该自组织竞争神经网络可以被广泛的用于地震分类的预测系统中。