学习向量量化(LVQ)在地震和爆破识别中的应用

介绍了竞争神经网络和学习向量量化（LVQ）算法。此算法应用于对北京及周围地区地震和爆破的识别中，在对38个事件的应用中，得到的结果是，误识为3个，结果较好，说明在识别中是有效的。     

基于遗传神经网络的砂土液化判别模型

针对BP人工神经网络具有易陷入局部极小等缺陷，本文提出了将遗传算法与神经网络相结合，同时优化网络结构与权值、阈值的思想。根据地震液化的实测资料，建立了砂土液化判别的遗传神经网络模型，比较计算结果证明了该模型的科学性、高效性。文中并进行主成分分析，提出液化影响的主要因素。     

支持向量机在地震与爆破识别中的应用

为研究天然地震事件和爆破事件识别算法,对上海测震台网记录的上海周边区域天然构造地震和爆破事件记录进行小波包分解,并提取特征向量,提出用支持向量机（SVM）识别天然构造地震和人工爆破的算法。结果表明,基于SVM算法的向量识别分类方法,在天然地震和爆破识别中是可用的,准确率预计达85%以上。     

遗传BP网络在地震和爆破识别中的应用

将遗传算法(GA)和反向传播算法(BP算法)相结合成为GA-BP算法,以此建立了遗传BP神经网络．并将以BP算法为基础的BP神经网络及以GA-BP算法为基础的遗传BP神经网络用于对地震和爆破的识别中．得到的结果表明：遗传BP网络比BP网络对事件的识别能力略好些．     

遗传优化神经网络方法在桥梁震害预测中的应用

本文将遗传算法与神经网络相结合,从而建立了一种高效的、实用的桥梁震害预测方法。根据遗传算法具有局部寻优的特点,为避免BP神经网络陷入局部极小值,本文将二者结合起来形成GA-BP混合算法,以GA优化神经网络的初始权值和阈值,对网络进行训练。在大量收集梁式桥震害资料的基础上,将此算法引入桥梁的震害预测中,并与传统的单独BP神经网络相比较,结果表明该方法能够有效、准确地对桥梁结构进行震害预测。     

Demarcation of potential seismic sources on integration of genetic algorithm and BP algorithm

Introduction Potential seismic sources are the areas where destructive earthquakes will probably occur. Being an important work in probability approach of seismic zonation, the determination of potential seismic sources is based on the study of seismicity, seismic tectonics and seismic zone. It has strong effects on the final results of seismic zonation (State Seismological Bureau, 1996). For the different observing view, there are various demarcations in the same region for different resear…     

Risk evaluation of heavy snow disasters using BP artificial neural network: the case of Xilingol in Inner Mongolia

According to disaster and risk evaluation theory, we proposed an indicator system containing environmental possibilities with hazard, disaster inducing factors and disaster bearing bodies to analyze the risk of heavy snow disaster in Xilingol, Inner Mongolia, based on the analysis of heavy snow events that have occurred in the last several decades. A risk evaluation model of heavy snow disaster was established using back-propagation artificial neural network (BP-ANN). Data obtained from a number of heavy snow events samples were used to train artificial neural network (ANN). The objective of this study is to produce a new evaluation model using BP-ANN for heavy snow risk analysis. As a result, BP-ANN model showed an advantage in heavy snow risk evaluation in Xilingol compared to the conventional method of evaluation criteria equation (ECE) introduced by Inner Mongolia Municipality Animal Husbandry Bureau. Thus, the BP-ANN model provides an alternative method for heavy snow risk analysis in the area.     

Application of Fisher method to discriminating earthquakes and explosions using criterion m_b/M_S

Introduction Earthquake magnitude is a measurement of earthquake intensity, which is one of the basic seismic parameters. The body-wave magnitude mb and surface-wave magnitude MS are based re- spectively on different wave spectrum amplitudes, therefore, the magnitude used as a criterion has its sound physical basis, which is in fact to distinguish the frequency components of seismic waves excited by explosion and earthquake. The magnitude criterion has a very clear physical meaning. Proposed …     

Efficacy of neural network and genetic algorithm techniques in simulating spatio‐temporal fluctuations of groundwater

Groundwater modelling has emerged as a powerful tool to develop a sustainable management plan for efficient groundwater utilization and protection of this vital resource. This study deals with the development of five hybrid artificial neural network (ANN) models and their critical assessment for simulating spatio‐temporal fluctuations of groundwater in an alluvial aquifer system. Unlike past studies, in this study, all the relevant input variables having significant influence on groundwater have been considered, and the hybrid ANN technique [ANN‐cum‐Genetic Algorithm (GA)] has been used to simulate groundwater levels at 17 sites over the study area. The parameters of the ANN models were optimized using a GA optimization technique. The predictive ability of the five hybrid ANN models developed for each of the 17 sites was evaluated using six goodness‐of‐fit criteria and graphical indicators, together with adequate uncertainty analyses. The analysis of the results of this study revealed that the multilayer perceptron Levenberg–Marquardt model is the most efficient in predicting monthly groundwater levels at almost all of the 17 sites, while the radial basis function model is the least efficient. The GA technique was found to be superior to the commonly used trial‐and‐error method for determining optimal ANN architecture and internal parameters. Of the goodness‐of‐fit statistics used in this study, only root‐mean‐squared error, r² and Nash–Sutcliffe efficiency were found to be more powerful and useful in assessing the performance of the ANN models. It can be concluded that the hybrid ANN modelling approach can be effectively used for predicting spatio‐temporal fluctuations of groundwater at basin or subbasin scales. Copyright © 2014 John Wiley & Sons, Ltd.     

一种基于神经网络的探地雷达信号解释研究

运用人工神经网络理论和方法,建立了用于隧道衬砌厚度探地雷达探测信号解释的BP神经网络模型,对某公路隧道衬砌检测厚度进行了分析应用,并与钻孔取芯结果进行比较,实践证明,该方法可提高探地雷达信号解释精度和工作效率．     

基于BP神经网络的波阻抗反演及应用

人工神经网络是近期发展最快的人工智能领域研究成果之一.本文在介绍BP神经网络的有关原理的基础上,提出一种基于BP神经网络模型的波阻抗反演方法,该方法克服了常规基于模型的波阻抗反演方法严重依赖于初始模型的选择和易陷入局部最优等局限性.利用该方法对实际地震剖面进行了波阻抗参数反演处理,结果表明人工神经网络方法在波阻抗反演中的应用是可行的并且是有效的.     

基于改进的BP神经网络构建区域精密对流层延迟模型

利用神经网络算法挖掘海量数据的规律已成为科技发展的一种趋势,本文针对卫星信号的天顶对流层延迟进行建模.对流层延迟是影响卫星定位精度的重要因素之一,建立精密区域对流层模型对高精度定位有着重要的意义.对区域测站对流层延迟数据的分析,考虑到实时建模中传统BP（Back Propagation）神经网络计算量大,易出现"过拟合"现象、不稳定等因素,通过改进的BP神经网络建立了区域精密对流层模型.详细介绍了新模型的建立过程,并与常用的对流层区域实时模型进行了对比.还讨论了建模测站数目对预报精度的影响.相比现有的其他对流层延迟模型,基于改进的BP神经网络构建的区域精密对流层延迟模型无论在拟合和预报方面都有较好的精度,且随着测站数目的增加模型精度趋于平稳.改进的模型参数较少,可以进行实时的区域精密对流层延迟改正;需要播发的信息量小,适用于连续运行参考站系统（Continuously Operating Reference Stations,CORS）的应用.研究表明：改进的BP神经网络模型能够更好的充分利用大规模历史数据描述卫星信号对流层延迟的空间分布情况,适用于实时大区域精密对流层建模.基于日本地区2005年近1000多个测站的NCAR（National Center Atmospheric Research）对流层数据进行区域对流层延迟建模,结果表明改进的BP神经网络模型在拟合和预报精度上都有较大提升,RMSE（Root Mean Square Error）分别为：7.83 mm和8.52 mm,而四参数模型拟合、预报RMSE分别18.03 mm和16.60 mm.     

基于遗传神经网络的大地电磁反演

为进一步提高大地电磁非线性反演的稳定性、运算效率及准确度,将遗传神经网络算法引入大地电磁反演.首先针对大地电磁二维地电模型建立BP（Back Propagation）神经网络基本框架进行学习训练,网络输入为已知地电模型的视电阻率参数,输出为该地电模型参数;再利用遗传算法对神经网络学习训练过程进行优化,计算出多种地电模型网络连接权值和阈值的最优解;最后将最优连接权值和阈值对未知模型进行反演测试,网络输入为未知地电模型的视电阻率参数,输出为该地电模型参数.模型实验表明：遗传神经网络算法充分结合了遗传算法的全局寻优性和神经网络的局部寻优性,相比单一神经网络算法,在网络学习训练中提高了解的收敛成功率和计算速度,在反演测试中能更准确地逼近真实模型.将遗传神经网络算法与最小二乘正则化反演进行对比,理论模型和实测数据都验证了遗传神经网络算法在大地电磁反演中的可行性和有效性.

     

人工神经网络系统在接收函数反演中的应用

为使接收函数的反演更为简便,本文提出了一种基于人工神经网络误差反传(BP)算法的接收函数反演新方法,该方法采用人工神经网络反演系统,避免了接收函数反演过程中复杂的地震响应计算及耗时的雅可比矩阵计算,只需经过学习训练就能够解决复杂的实际问题,而且具有记忆功能,这使接收函数的反演工作具有延续性和可继承性.理论数据的反演计算结果表明,该方法是切实可行的.     

爆破震害预测的神经网络模型

人工神经网络是近期发展最快的人工智能领域研究成果之一.通过分析国内外爆破震害预测研究现状和不足,提出一种基于BP神经网络模型的爆破地震效应预测方法,该方法能克服基于最小二乘法的回归公式的局限性,可选取影响爆破振动的多个影响因素作为输入层参数,达到爆破峰值和主频同步预测之目的.利用该方法对实际爆破监测数据进行预测,结果表明人工神经网络方法在爆破地震效应预测中应用是可行的并且是有效的.这为爆破震害预测研究提供了新途径.     

模糊神经网络控制系统优化的实整数混合编码遗传算法

本文提出了采用实数整数混合编码的遗传算法来优化模糊神经网络控制系统的方法,内容包括：增益、输入和输出变量、控制规则的编码、解码、交叉算子和变异算子以及系统优化的实施步骤。用此方法,可以优化确定系统输入和输出变量的隶属函数以及模糊控制规则,此外,针对框架结构地震反应的主动控制,采用本文方法优化建设了模糊神经网络控制系统,并进行了仿真试验和分析。结果表明,本文方法优化的控制系统具有很好的控制效果,而且优于LQ控制算法。     

基于改进遗传算法优化BP神经网络的单体建筑物震害评估方法

结合机器学习算法最新研究进展,提出一种基于改进遗传算法优化BP神经网络的单体建筑物震害评估方法。以四川地区为例,通过改进遗传算法优化BP神经网络建立评估模型,输出评估区域内不同结构类型单体建筑物在各震害影响因素综合作用下的破坏等级,并通过实际算例分析对模型的有效性进行验证。结果表明,该方法可快速、准确地评估单体建筑物震害情况。     

集成遗传算法及BP算法的潜在震源区划分

以华南沿海地区为例,集成遗传算法与BP算法进行潜在震源区的划分. 用遗传算法辅助人工神经网络的设计,在无限的解空间中快速找到人工神经网络的最佳参数组合. 结果表明：由该分类系统划分出的不同震级上限的潜在震源区分布,反映了华南沿海地区地震环境与地震发生的内在规律性,从而减少了人的主观判断影响.     

基于IGA算法的电阻率神经网络反演成像研究

为满足地球物理资料反演解释的高精度、快速、稳定的要求,本文结合免疫遗传算法寻优速度快和BP神经网络反演不依赖初始模型等优点,设计了一种将BP神经网络和免疫遗传算法进行有机结合的全局优化反演策略,并将该策略成功地应用于二维高密度电法数据反演.利用免疫遗传算法（Immune Genetic Algorithm,简称IGA）对神经网络的反演参数进行同步优化,提高了电阻率反演的精度.仿真和实验结果验证设计的全局优化反演策略取得了较好的效果,通过与线性反演方法和BP法以及遗传神经网络法等反演方法进行比较,得出该方法具有反演精度更高,反演时间更短等显著优势的结论.     

基于遗传优化神经网络的高速公路路基沉降量预测

控制路基沉降是公路工程中的一个关键技术问题,而路基沉降与其影响因素之间存在着线性、非线性关系。当输入自变量较多时,用传统神经网络建模容易出现过拟合现象,导致网络模型预测精度较低。针对此问题,本文用遗传算法对神经网络模型的权值和阈值进行优化,同时讨论遗传参数的设定对输出结果的影响。通过对成南高速的实测数据进行仿真,试验结果表明:优化后的BP神经网络具有较高的预测精度,预测效果明显优于传统神经网络模型的输出结果,该预测方法可作为高速公路路基长期沉降预测的一种有效辅助手段。