基于PCA-PSO-SVM的地震死亡人数预测模型研究

为准确预测地震死亡人数,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对地震死亡人数7个影响因子中的6个进行数据降维,同时对第7个发震时刻因子单独进行区间分类,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为支持向量机的输入向量,通过粒子群算法寻优获得最优支持向量机模型参数,最终建立基于PCA-PSO-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测,同时对比分析包含和不包含发震时刻因子的2种情况下的模型预测效果。结果表明:在不考虑发震时刻因子的情况下,使用PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.85%、20%、10%,其平均误差相比PSO-SVM、SVM模型分别降低2.08%、2.28%;输入向量加入发震时刻因子分类数据后,PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.25%、20%、7.18%,其平均误差相比PSO-SVM、SVM模型分别降低3.34%、3.50%。因此,加入发震时刻因子后3种模型的平均误差明显降低,同时由于PCA-PSO-SVM模型进行主成分降维处理,能够明显提高运行效率和预测精度,故降低了模型复杂度。     

主成分分析法和遗传算法优化的支持向量机模型在地震伤亡人数预测中的应用

为有效解决地震伤亡人数预测所需影响因子多、运算量大、模型训练烦琐等问题,构建了主成分分析法(PCA)和遗传算法(GA)优化的支持向量机(SVM)模型,采用PCA对地震伤亡人数影响因子进行降维以去除贡献率较低的主成分,将贡献率较大的主成分作为支持向量机的输入变量,以地震伤亡人数作为输出变量,利用GA对SVM模型性能参数进行优化,建立基于PCA-GA-SVM的地震伤亡人数预测模型,并对测试样本进行预测,结果表明:与SVM模型、 GA-SVM模型和PCA-GA-BP模型相比, PCA-GA-SVM模型的预测准确率和运行效率分别提高4.73%、 1.14%、 9.99%和47.05%、 36.76%、 44.55%。结果显示, PCA-GA-SVM模型预测精度高,泛化能力强,能够科学合理地对地震伤亡人数作出预测。     

发布地震告警的一个判据—各类地震死亡人数预测

本文根据对地震死亡因素的分析,计算了近年中国大陆强烈地震的直接死亡人数与倒塌房屋数量的关系,求出了直接死亡人数指数;分析了地震的随机性死亡因素,建立了推算地震死亡人数的公式。文中给出一种从预测地震震级到预测地震死亡人数的方法,制订了由预测的地震死亡人数来判定是否应发布地震告警的判据,并用以往地震震害数据对此判据进行使用检验,证明了它的可用性。     

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.     

基于RS-PCA-GA-SVM的砂土液化预测方法研究

砂土液化是一种危害性比较大的自然灾害,对砂土液化进行判定预测在地质灾害防治领域中有重要的研究意义。通过粗糙集理论(Rough Set,RS)对影响砂土液化的6个初始评价指标(包括震级、土深、震中距、地下水位、标贯击数和地震持续时间)进行属性约简,去掉冗余或干扰信息,得到基于4个核心预测指标的数据集。通过主成分分析法(Principal Component Analysis,PCA)从核心评价指标中提取出主成分,采用支持向量机(Support Vector Machine,SVM)对数据集进行训练,用遗传算法(Genetic Algorithm,GA)优化参数,建立砂土液化的RS-PCA-GA-SVM预测模型。并结合砂土液化实际数据将预测结果与基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做比较。实例计算表明:基于RS-PCA-GA-SVM模型得到的砂土液化预测结果精度较LM-BP神经网络有很大的提高,判别结果与实际情况比较吻合,可在实际工程中应用。     

地震和地震海啸中报道死亡人数随时间变化的一个简单模型

在防灾减灾工作中，避免人员伤亡是需要考虑的最重要问题之一。正因为如此，人们对地震伤亡的规律进行了不同角度的研究（例如Lomnitz，1970；Tsai，et al．，2001；Samardjieva and Badal，2002；贾艳等，2004）。     

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.     

以减少地震死亡人数为目标的地震统计决策

在地震统计预测研究的基础上,本文提出一种以减少地震死亡人数为目标的统计决策方法,力图把经验性的地震决策引向定量化的地震决策,减少在实际工作中的决策失误。文中用已发生过的地震的资料进行检验,说明该方法的可用性。     

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。     

基于支持向量机的多维地震时间序列建模

文中首先介绍了支持向量机回归方法,然后对其进行了数值仿真实验,最后利用该方法对首都圈地区的地震活动进行回归建模与内符检验。分析认为,利用该方法可以获得较强的多维地震样本学习、建模与外推泛化能力,具有较高的中长期地震危险性估计能力。     

主成分分析法在2013年灯塔M_S 5.1地震预测中的应用

以2013年1月23日灯塔M_S 5.1地震为研究对象,计算地震发生区域的地震频次N、b值、η值、A(b)值、M_f值、AC值、C值、D值、R_m值、能量E、响应比Y等11个地震活动性参数,并应用主成分分析方法,进行参数约简和数据挖掘,得到综合参数W,发现W在灯塔地震发生前有明显异常变化,说明主成分分析法在地震活动性参数的信息再挖掘中可以发挥巨大作用。     

基于地震预报的防震减灾决策研究

将地震预报与防震决策从机制上融为一个动态整体，对提高预报精度、降低决策等做了深入探讨，并建立起一个实用性很强的操作系统，使防震对策的生成有了更科学的基础，可供各级政府及防震指挥部门试用。     

基于最小二乘支持向量机的砂土液化预测方法

使用最小二乘支持向量机分类方法建立了两个砂土液化预测模型,预测结果与野外实际情况全部相符,表明该分类方法用于预测砂土液化是可行的,且预测准确率高。     

地震预报探讨中的地磁学手段

地磁手段地地震预测研究中的许多方面发挥了重要作用。在地震前兆的探讨方面占有一席之地；在探测地下构造中有许多贡献。我们可以开展许多与地震预测基础研究有关的地磁研究，例如地磁模型研究、地磁脉动研究、地球深部研究，等等。对地磁场变化规律性的研究也是提取地震地磁前兆的基础。     

从九江-瑞昌5.7级地震与人员伤亡所想到的

简要介绍了九江—瑞昌地震的基本情况与特点。针对此次地震波及范围广、社会影响大与人员伤亡重的现象,与日本的抗震减灾对策及新疆近年几次中强地震的快速应急反应进行比较分析。初步探讨了几种灾害类型与地震灾害的预防。最后给出几点结论。     

云南地震应急快速评估模型本地化集成研究

通过评估模型库建立,对策建议模板设计,利用COM技术将模型库与GIS系统进行无缝集成,研发了云南地震应急快速评估软件系统,实现震后地震影响场速判,人员伤亡、经济损失评估、专题图输出、对策建议生成等功能。经过2012~2014年云南6次5.0级以上破坏性地震检验,系统评估结果满足灾情速判和应急辅助决策需求。     

主成分分析法在地震预测中的应用研究

用1979年7月9日江苏溧阳6．0级地震前后震中附近地区的地震资料，选择与地震活动强度有关的3级以上地震的频次N、b值、η值、A（b）值、Mf值和Ac值等6个参量进行主成分分析，实现对上述参量的有效约减。这6个参量之间具有一定的相关性，各参量在不同时段的变化各有所异，预报效果并不理想。但是根据主成分分析可以得到反应地震强度异常特征的综合指标形，发现该指标在2次溧阳地震前出现明显的异常变化，震后异常恢复。表明综合指标形可以较好地反映地震活动异常增强的特征。文章还对与主成分分析所得结论的有关问题进行了讨论。