基于bp神经网络地震灾害人员伤亡预测模型.docxVIP

基于bp神经网络地震灾害人员伤亡预测模型 数学模型中的地震灾害管理的必要性 近年来，中国科学家提出了评价地震害相关人员死亡的模型。从地震时人员的时空分布,人员伤亡数量与地震发生时刻、震级以及地震烈度、房屋破坏状态、次生灾害的关系等分别建立了数学模型。这些模型大多是依据单一因素或少量因素建立的。但,地震灾害人员伤亡是地震发生过程中多种因素综合作用的结果,各种因素之间又存在比较复杂的相关性。因此,探讨多种因素作用下的地震灾害人员伤亡预测模型,对于提高预测准确性有重要意义。 1 预测p-sen网络 1.1 yk和y构造层网络输出的输出函数最优 BP神经网络通常为三层前馈结构,如图1所示。 BP网络的学习算法称为误差反向传播算法或BP学习算法,是一种迭代算法,一次学习过程由输入数据的正向传播和误差的反向传播两个子过程组成。设有N个学习实例样本(Xk,Y*k),k=1,2,3,…,N,对实例(Xk,Y*k),在正向传播过程中,实例k的输入向量Xk=(x1k,x2k,…,xnk)从输入层的n个节点输入,经隐含层逐层处理,由输出层的m个节点输出端得到实例k的网络计算输出向量Yk=(y1k,y2k,…,ymk),比较Yk和实例k的期望输出向量Y*k=(y*1k,y*2k,…,y*mk),若N个学习实例的计算输出都达到期望的结果,则学习过程结束;否则,将进入误差的反向传播过程,把Yk和Y*k的误差由网络输出层向输入层反向传播,在反向传播过程中,修改各层神经元的连接权值。 BP算法具有理论依据充分、推导过程严谨、物理概念清晰、通用性好等优点,是神经网络学习的一种主要算法。但BP算法的收敛速度慢,对于提供的N个学习实例需要反复学习,迭代次数t通常为几百次至几千次,所有输出节点的误差才能小于指定的允许误差ε。为提高BP学习算法的收敛速度,已提出各种改进的方法,主要有变学习率法和附加冲量法。对学习率及惯性冲量系数进行动态调整,可以大幅度加快网络的学习速度。 1.2 bp网络模型 地震发生时刻、地震震级、震中烈度、建筑物破坏程度、抗震设防水准、地震预报、人口密度、地震灾害应急措施的有效性、地震知识普及程度和建筑场地类型等是影响地震灾害人员伤亡的主要因素。这些因素之间存在非线性性、不确定性、离散性、随机性。神经网络适用于解决具有这些特征的问题。因此,根据地震灾害的实际情况,建立了由一个输入层、一个隐层、一个输出层构成的三层BP网络模型(见图2)。 网络参数的确定: (1)确定网络层数。在闭区间的任何一个连续函数都可以用一个隐层的BP网络逼近,一个 3层的BP网络可以完成任意的N维到M维的映射。本模型采用3层网络。 (2)确定网络输入层节点数i。输入层的节点多少与预测指标个数相对应。选择地震发生时刻、地震震级、震中烈度、建筑物倒塌及严重破坏率、人口密度、抗震设防水准、地震预报7个参数作为输入层的预测指标。其中后4种因素具有人为可控性。 (3)确定隐含层(中间层)节点数j。考虑到单隐含层网络的非线性映射能力较弱,为了达到预定的映射关系,隐含层节点宜适量增加,以增加网络的可调参数。最终确定隐含层节点为8个。 (4)确定输出层节点数k。在地震数据统计中,一般用人员的伤亡数量表示地震造成的人员损失,为与统计资料相一致,本文采用人员伤亡率作为网络的输出,即输出层节点为1个。 (5)确定转换函数。第一层的传输函数选用LOGSIG函数,第二层的则选用PURELINE函数。 2 样本组的选择与网络教育 2.1 筑物破坏程度与人口密度 选取近50年国内外发生的20次地震作样本,主要数据如表1所示。 表1中,地震发生时刻,1表示白天,2表示夜间;建筑物破坏程度是指在倒塌和严重破坏的建筑物面积占建筑物总面积的百分比;抗震设防水准按照建筑物抗震设计规范要求确定;人口密度是地震灾害发生时地震受灾人口与地震烈度Ⅵ度以上地区面积之比(人/km2),其中部分数据是根据现有人口数据及地区人口的增长率进行推算的结果;地震预报的信息取自文献记载,1表示震前有地震预报,0表示震前没有地震预报。 2.2 各指标量值的处理 对指标的原始数据进行无量纲化处理,以解决指标值的不可公度。在确定的预测指标中,有些指标的量值用绝对数表示,如人口密度(人/km2)等;有些指标量值用相对数表示,如建筑物倒塌及严重破坏率(%)等。这些评价数据应进行无量纲化处理,并转化为无量纲(0,1)值。本项研究采用极值法对指标(Xj)进行无量纲化转换,公式为: Xj=Xj-minXjmaxXj-minXj(1≤j≤7)(1)Xj=Xj?minXjmaxXj?minXj(1≤j≤7)(1) 2.3 bp网络的训练集 网络在一个较好的学习训练集上训练,系统误差将随迭代次数的增加而减少,最终收敛于一组稳定的权值。进一步的学习,权值将仅