神经网络在福建及其沿海地区地震预报中的应用

《神经网络在福建及其沿海地区地震预报中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、神经网络在福建及其沿海地区地震预报中的应用于波叶振民   地震的发生会给社会带来不同程度的破坏，造成生命、财产的损失。目前地震学只是一门观测科学，我们只能加强观测，通过各种经验方法来进行预测，确定重点监测区。由于地震学异常与地震之间存在较强的不确定性，通常一种地震学指标在一次地震中出现，而在另外的地震中不出现或不明显，因此，单一使用某一个地震学指标的预报方法就表现出它的局限性。而如何解决预测结论的权值以及各指标组合时相互间的非线性联系对最终预测结论产生影响就成为难题，神经网络技术的发展给我们提供了一个解决这个问题较

2、好的方法。它通过分析各个指标，建立其内在联系，并根据这种联系对目标进行预测，能有效地避免了采用单一指标进行预测的片面性，大大提高了预测的精度。本文就BP神经网络算法及其在地震预报中的具体运用进行初步的探讨。   一、神经网络知识介绍   人工神经网络，是一种旨在模仿人脑结构及其功能的信息处理系统。通常一个人工神经网络的功能主要是由两个方面决定的：一是网络的拓扑结构，也就是各人工神经元间相互连接的方式；二是网络的学习和运行规则，即网络中连接权值的调整规则。   1、人工神经元的结构：（图1略）   图1中x1，x2…

3、xi…xn分别代表来自其它神经元轴突的输入。wj1，wj2…wji…wjn则分别表示神经元1，2，…i…n与第j个神经元的突触联结强度，即权值。这个权值可正可负，正权值表示兴奋型突触，负权值表示抑制型突触。f(·)是转移函数,也称激活函数，其作用是模拟生物神经元所具有的非线性转移特性。   2、人工神经网络的拓扑结构   人的大脑皮层的横断面上有3～6层神经细胞，即具有多层结构。因此，人工神经网络也按层排列。多层网络由单层网络级联而成，即网络中各神经元接受前一层各神经元的输出。界于输入和输出层之间者称为隐层，它们不

4、直接与外部打交道。隐层的加入大大地提高了人工神经网络对信息的处理能力。经过训练的多层网络，具有在任意精度下，实现矩阵X转成矩阵Y的任意非线性映射的能力，其根本原因就在于引入了隐层以及非线性转移函数。   3、人工神经网络的工作过程   人工神经网络最使人们感兴趣的特性之一便是它的自学习的能力。如果要使人工神经网络具有某种智能，必须先对它进行训练，对网络来说就是要学会要它做的事情。学习就是相继给网络输入一些样本模式，并按照一定的规则（即学习算法）调整网络各层的权矩阵，待网络的各权值都收敛到一定值时，学习过程便告结束。

5、   二、误差反传播(ErrorBackPropagation)算法，BP算法   在了解了神经网络的基本知识后，我们开始介绍本文用到的BP棗误差反传播算法。BP网络是应用最广泛的网络，现已成功地应用于图像识别、预测预估、语声变换、数据压缩、模式辨识和自动控制等领域。据统计，应用BP算法的神经网络高达80%。因此本文选用它作为进行地震预测的方法。下面介绍其工作原理，并给出其在福建及其沿海这一特定区域地震预报中的应用。   BP算法的基本思想是，学习过程由信号的正向传播与误差的逆向传播两个过程组成。正向传播时，模式作

6、用于输入层，经隐层处理后，传向输出层。若输出层未能得到期望的输出，则转入误差的逆向传播阶段，将输出误差按某种子形式，通过隐层向输入层逐层返回，并“分摊”给各层的所有单元，从而获得各层单元的参考误差或称误差信号，以作为修改各单元权值的依据。这种信号正向传播与误差逆向传播的各层权矩阵的修改过程，是周而复始进行的。权值不断修改的过程，也就是网络的学习（或称训练）过程。此过程一直进行到网络输出的误差逐渐减少到可接受的程度或达到设定的学习次数为止。   每组数据有6个项目作为输入，目的是预测震级，因此选择输入层为6个节点，输

7、出层为1个节点，隐层节点采用几何金字塔规则确定为2个。因为单极性Sigmoid函数g(s)=1/(1+e-λs)s可使同一网络既能处理小信号，也能处理大信号，所以作为转换函数。   累计误差BP算法的具体步骤：   先给出P个训练对（X1，T1）…（Xi，Ti）…（Xp，Tp）   （1）预置较小的随机权矩阵；   （2）施输入模式Xp于网络，计算各层的输入；   Y(s)j=f[∑W(s)jiY(s-1)i]   Y(s)为s层上第j个神经元的输出值，W(s)ji是(s-1)层第i个神经元至第s层第j个神经元的连

8、接权；   （3）修改权值；   W(s+1)ji=W(s)ji（t）+ηe(s)jXti   Xti是该权值的输入信号，η为学习率，t为学习次数，e(s)j是s层第j个神经元的误差，   对于中间层的神经元：e(s)j=Xi(1-Xi)∑e(s)kW(s)kj；   对于实际输出:e(s)j=Yi(1-Yi)(tj-yj),tj为第j个神经元的期望输出；