人工神经网络小论文

自适应竞争神经网络地震预报MATLAB实现

一：基于人工神经网络的地震预测研究背景

地震预测是地理问题研究领域中的一个重要的课题，准确的地震预测可以帮助人们及时采取有效的措施，降低人员伤亡好经济损失，引发地震的相关因素很多，器产生机理的复杂性，孕育过程的非线性好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。对于有关的物理参数加以精确的描述，只能借助一些观测到得相关现象进行分析，总结好推理。

由于地震活动时间、空间上的随机性和复杂性，地震研究仍是当今一大科学难题。对地震灾害的评价和预测工作还停留在经验性阶段，其过程实质上是对以往震例分析总结和外推应用的过程。上世纪80年代提出的人工神经网络(Artificial Neural Network缩写为ANN)是在物理机制上模拟人脑信息处理机制的信息系统，它不但具有处理数值数据的一般计算能力，而目还具有处理知识的思维、学习、记忆能力。它采用类似于“黑箱”的方法，通过学习和记忆找出输入输出变量之间的非线性关系。把这种人工神经网络应用于具有极大模糊性和复杂性的地震灾害预测研究中有很大的优越性。本文中利用大量地震数据，建立了非线性人工神经网络。经过网络训练，获得了潜在地震灾害预测系统。同时，通过模拟预测，分析了人工神经网络在潜在地震灾害预测中的可能性和有效性。相对于传统的预报方法，神经网络在处理这方面的问题中有独特的优势，主要表现在以下几个方面：

（1）容错能力强。由于神经网络的知识信息采用分布式存储，个别元件损坏不会引起输出错误，是就使得预测过程中容错能力很强，可靠性高。

（2）预测速度快。训练好的网络在对未知样本进行预测时仅需要少量的加法好乘法，使得其运算速度明显快于其他方法。

（3）避开了特殊因素与判别目标的复杂关系描述，特别是公式的表述。网络可以自己学习好记忆各输入和输出量之间的关系。

二：模型的建立

以我国某城市以及其邻近地区，自1997年到2009年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11个预报因子和实际发生的最大地震级M作为输入和目标向量。预报因子为：

1)次数最多的地震级

2)b值

3)平均地震级数

4)平均纬度

5)平均纬度偏差

6)平均经度

7)平均经度偏差

8)ML大于115的地震次数

9)相邻两年的地震次数差，当绝对值超过均值的一个数量级时，先除以10再取整

10)相邻的两年最大地震的地震级数差，当其为负数时作乘以0.1处理

11)最大地震震级

表1地震活动指标年值

三：自适应竞争网络对地震等级进行预测

3.1数据处理

（1）输入量

P=[0.3125 0.3125 0 0 0.1875 0 1.0000 0.5000 0.1875 0.5000 ;% 次数最多的地震级

0.45 0.49 0.65 0.60 0.50 0.62 0.36 0.43 0.42 0.43 ;% b值

0.4902 0.3333 0.7647 0.0196 0.3137 0 1.0000 0.5686 0.6471 0.6078 ;% 平均地震级数

0.7639 0.8611 1.0000 0.8889 0.5972 0.8194 0 0.1528 0.7917 0.6528 ;% 平均纬度

0.93 0.57 0.96 0.94 0.80 0.96 0.53 0.70 1.12 0.89;% 平均纬度偏差

0.4643 0 0.1786 0.3214 0.1786 1.0000 0.1786 0.1429 0.2857 0.3214;% 平均经度

0.1765 0 0.0588 0.1765 0.3529 0.2353 1.0000 0.9412 0.5882 0.6471;% 平均经度偏差

0.0473 0.8581 0.2462 0.1081 0.1419 0 1.0000 1.0000 0.0405 0.0405;% ML大于115的地震数0.5 12 0.03 0.2 1.0 0.2 15 0 0.02 0;% 相邻两年的地震次数差。

0.1 2.4 0.28 0.4 1.1 0.15 2.8 0.22 1.0 0.30;% 相邻的两年最大地震的地震级数差。

3.9 6.3 3.5 3.9 5.0 3.5 6.3

4.1

5.1 5.4]; % 最大地震震级

（2）数据进行归一化

for i=1:size(P,2)

odpa(i,:)=(P(i,:)-min(P(i,:)))/(max(P(i,:))-min(P(i,:)));

end

P=odpa;%odpa只是一个中间变量

3.2自适应竞争网络设计

（1）建立自适应竞争经网络

%创建竞争性网络，竞争层神经元个数为3，学习速率为0.1

net2=newc(minmax(odp),3,0.1);

（2）初始化

% 对网络进行初始化

net2=init(net2);

（3）网络训练

net2.trainParam.epochs=100;

net2.trainParam.show=50;

net2.trainParam.goal=0.001;

%对网络进行训练

net2=train(net2,odp);

（4）网络测试

%对网络进行测试

ytso=sim(net2,odtest);

预测结果ytso =[3 3];

(5)预测分析

根据实际数据，我们可以把地震划分级别。比喻本文，第一类对应为“一般级别”，第二类对应为“中等级别”，第三类对应为“严重级别。需要特别说明的是，不是每次级别对应都与上面相同。应为初始化的不同，可能出现其他对应情况。

四：BP网络对地震的大小进行预测

4.1数据处理

（1）输入量