中国大陆强震时间序列预测的支持向量机方法

统计学习理论（Statistical Learning Theory或SLT）是研究有限样本情况下机器学习规律的理论。支持向量机（Support Vector Machines或SVM）是基于统计学习理论框架下的一种新的通用机器学习方法。它不但较好地解决了以往困扰很多学习方法的小样本、过学习、高维数、局部最小等实际难题，而且具有很强的泛化（预测）能力。文中使用支持向量机对中国大陆最大地震时间序列进行预测，预测次年的我国大陆最大地震震级，结果表明该方法具有较好的预报效果。研究结果还表明我国大陆强震活动除了与强震时间序列本身有关外，还与全球的强震活动、太阳黑子活动等有密切的关系。尽管这种关系还不清楚，但是通过支持向量机可以很好地反应出这种非线性关系。     

支持向量机及其在地震预报中的应用前景

统计学习理论(SLT)是研究小样本情况下机器学习规律的理论。支持向量机(SVM)基于统计学习理论,可以处理高度非线性分类和回归等问题,不但较好地解决了小样本、过学习、高维数、局部最小等实际难题,而且具有很强的泛化(预测)能力。本文介绍了支持向量机的分类、回归方法,分析了这一方法的特点,讨论了该方法在地震预报中的应用前景。     

支持向量机在地震综合预测中的初步应用

统计学习理论是一种专门研究小样本情况下机器学习规律的理论,在其基础上发展的支持向量机学习方法能较好地解决小样本、非线性、高维数、局部极小点等实际问题,并已在函数逼近、模式识别、信号处理、时间序列分析和预测等领域得到了广泛应用.本文将支持向量机方法引入具有非线性特征和复杂孕震系统的地震综合预测领域,以华北地区(30°～42°E,108°～125°N)为例,基于地震活动参数研究从有限的地震样本中挖掘更多有效的地震信息,探索地震统计综合预测的新途径.     

支持向量机方法在地震短期预测中的应用

支持向量机方法是基于统计学习理论提出的一种机器学习方法,在处理小样本、非线性问题方面有着很强的优势。而地震的孕育发生过程是一个复杂的非线性动力学系统,地震数据时间序列的变化更呈现非线性、不规则等特征。本文系统地分析了天津及其周边地区多种前兆现象,选取反映2至3个月短期情况的前兆测项,使用支持向量机分类方法建立地震综合预测模型,初步结果表明这种方法在地震短期预测中有一定的应用前景。     

基于小波变换和支持向量机的中国大陆强震预测

将小波变换和支持向量机用于中国大陆年度最大地震震级预测。 先用小波变换把中国大陆年度最大地震序列分解成几个不同尺度水平(频率)的子序列, 然后使用支持向量机对分解后的子序列分别进行预测, 最后通过重构几个子序列的支持向量机预测结果得到最终预测结果, 预测次年中国大陆最大地震震级。 与支持向量机和神经网络方法对比, 结果表明小波变换和支持向量机相结合方法具有更高的预测精度, 预测效果很好, 说明此方法可用于地震时间序列预测。     

支持向量机方法在地球物理学中的应用与展望

支持向量机方法是基于统计学习理论的新一代学习算法,在解决小样本、非线性和高维模式识别中表现出很多特有的优势。通过支持向量机分类的原理,以及在地震勘探、油气储层预测、大地电磁和地震监测中的应用现状进行简要的综述,说明此方法在地球物理学研究中是有效的。随着支持向量机方法不断完善和改进,在地球物理学中的应用前景将更加广泛。     

地震前兆综合预测支持向量机模型研究

该文介绍了支持向量机算法的原理与回归方法。 采用支持向量机中的非线性回归算法与理论公式产生的多维样本, 对其进行了数值仿真实验。 利用该方法和地震前兆异常建立了最佳地震综合预测模型, 对获得的最佳模型进行了内符检验, 得出最佳模型的预测结果与实际震例的地震震级基本一致。 综合分析认为, 支持向量机无论在学习或者预测精度方面不但具有很大的优越性和具有较强的外推泛化能力, 而且基于支持向量机回归算法建立的地震前兆综合预测模型是可行的, 其获得的知识可较为准确地实现对主震震级的综合预测。     

利用相关因子预测中国大陆强震的支持向量机方法

中国大陆地震活动与太阳活动、地球自转和全球地震活动之间存在较强的非线性关系。文中以太阳黑子数、地球自转速率变化数据和全球7级以上地震总应变释放量作为预测因子,使用支持向量机分类方法建模预测中国大陆年度地震强度,预测效果较好,表明支持向量机分类方法是一种较好的预测中国大陆地震活动强度的方法。     

基于支持向量机的砂土液化预测分析

将支持向量机方法应用于砂土地震液化预测问题.考虑影响砂土液化的因素,选用震级、标贯击数、相对密实度、土层埋深、地震历时、地面运动峰值加速度和震中距7个影响因子作为液化判别指标,建立了砂土液化预测的支持向量机模型.以砂土液化实测数据作为学习样本进行训练,建立相应函数对待判样本进行分类.研究结果表明:支持向量机模型分类性能良好,是砂土地震液化预测的一种有效方法,可以在实际工程中进行推广.     

基于支持向量机的地震序列分类

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法,建立了地震序列分类模型。通过试算和分析比较得到了地震序列最佳分类模型,最佳模型的分类结果与实际地震序列分类基本一致。综合分析认为支持向量机算法无论在学习或者预测精度方面都具有很大的优越性,其获得的地震序列分类知识库可以较为准确地实现地震序列类型的分类,因此基于支持向量机理论建立的地震序列分类模型应该是可行的。     

Support vector machine method for forecasting future strong earthquakes in Chinese mainland

Statistical learning theory is for small-sample statistics. And support vector machine is a new machine learning method based on the statistical learning theory. The support vector machine not only has solved certain problems in many learning methods, such as small sample, over fitting, high dimension and local minimum, but also has a higher generalization （forecasting） ability than that of artificial neural networks. The strong earthquakes in Chinese mainland are related to a certain extent to the intensive seismicity along the main plate boundaries in the world, however, the relation is nonlinear. In the paper, we have studied this unclear relation by the support vector machine method for the purpose of forecasting strong earthquakes in Chinese mainland.     

中国大陆强震时空分布特征及2021年玛多7.4级地震后趋势分析

对中国大陆强震活动的时空分布特征进行分析, 有助于中国大陆强震趋势的判定。 由于地震目录完整性的限制, 目前对中国大陆强震时间间隔的分析多基于1900年以来地震目录。 因为记录时长相对较短, 难以排除当前强震时序特征基于偶然的可能性, 并且可能导致过拟合而影响预测效果。 针对上述问题, 本文根据2021—2030年中国大陆地震重点危险区确定工作中的相关资料, 对合成地震目录进行了分析, 结果表明区域地震活动强弱交替是一种普遍现象, 当假设中国大陆活动断层具有准周期复发特征时, 合成地震目录时序特征与当前目录最为接近。 基于上述认识, 使用适用范围更广的单参数指数分布拟合了中国大陆强震间隔, 并结合相邻强震构造关联随时间的变化对2021年5月22日玛多7.4级地震后中国大陆的强震趋势进行了分析。 结果表明, 继玛多7.4级地震之后, 未来两年中国大陆再次发生7级以上地震的概率较大, 下次强震发生在2022年年底之前的概率为61.81%。 下次强震发生在2021年的概率为30.58%, 最有可能的发震区域是巴颜喀拉地块; 下次强震发生在2022年的概率为44.97%, 重点关注南北地震带中南段。     

地下水观测数据拟合与预测的支持向量机方法

影响地下水位变化因素有很多,在正常情况下,地下水位的变化实际上反应了气压、固体潮和降雨这些因素的变化,但是这些影响因子与地下水位之间有着较强的非线性关系。该文使用支持向量机方法建立起崇明中学观测站地下水位与气压、固体潮和降雨这些因素之间的非线性关系模型,并用于地下水观测数据拟合与预测,得到了较理想的结果,明显优于逐步回归方法。研究结果表明,支持向量机方法在地震前兆数据处理中有着广泛的应用前景。文中还对支持向量机方法在实际应用中的有关问题进行了讨论。     

中国大陆西部及邻区各地震活动区地震活动关系研究

利用相关函数分析方法对1900年以来缅甸转换构造区、滇西南旋转构造域和兴都库什中深源地震区的7．0级以上地震与中国大陆西部及邻区的其它各地震活动区7．0级以上地震的相互关系进行研究。结果表明：缅甸转换构造区、滇西南旋转构造域和兴都库什中深源地震区的地震活动与其它各地震活动区的地震活动在时间和空间上存在一定的对应关系。这一结果对中国大陆西部及邻区强震的预报有一定的意义。     

基于最小二乘支持向量机算法的高层建筑结构的强震抗毁性估计模型

采用现有的估计模型对混凝土建筑结构的抗毁性进行估计时,存在估计精度低、耗时长等问题。为此,提出一种基于最小二乘支持向量机的强震作用下混凝土高层建筑结构的抗毁性估计模型。该模型采用最小二乘支持向量机对混凝土结构强震损伤程度相关数据的训练样本进行训练,创建混凝土结构抗毁性估计模型;为了减少可能存在的模型误差,采用KLASSO调参模型对结构抗毁性估计模型中的参数进行调节和优化,得出可靠、稳定的强震作用下混凝土高层建筑结构抗毁性估计模型。仿真实验证明,该模型估计精度相对较高,可节省估计用时,为更好地提升建筑行业的安全检测工作效率提供很好的依据。     

The Newest Developments of Load-Unload Response Ratio (LURR)

The Load Unload Response Ratio (LURR) method is an intermediate-term earthquake prediction approach that has shown considerable promise. It is inspiring that its predictions using LURR have been improving. Since 2004 we have made a major breakthrough in intermediate-term earthquake forecasting of the strong earthquakes on the Chinese mainland using LURR and successfully predicted the Pakistan earthquake with magnitude M 7.6 on October 8, 2005. The causes for improving the prediction in terms of LURR have been discussed in the present paper.     

中国大陆地震低活动异常及其在中期预测中的效能研究

在对中国大陆地震活动的分析研究中发现, 在某些大地震发生前的一、 两年中, 中国大陆往往出现地震活动显著平静的低活动异常。 本文应用最近100 a(1918—2017年)间5级以上地震资料, 分析地震低活动异常与未来一、 两年中国大陆地震活动的关系。 从M≥5.0地震的年频度、 年度最大地震震级、 6级以上地震的平静等方面建立了地震低活动异常的判据指标, 并从概率增益指数β、 预测效能比α、 地震预测R值评分等方面对地震低活动异常与未来大震关系作了多参数检验。 初步研究结果显示, 地震低活动异常与未来一、 两年中国大陆地震活动有一定的关系, 主要表现为其与8级左右(M≥7.8)巨大地震具有一定的相关性, 但其关联度较低, 概率增益指数β与预测效能比α为3左右, R值评分为0.2左右。 对于M＜7.5的地震, 地震低活动异常未显示, 其概率增益β, R值评分接近于0, 似呈现为近于随机关系。 M7.5是开始显示地震低活动异常与其有一定相关性的转折点。