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。     

基于遗传算法的分类体系在地震预报中的应用探索

采用模似自然界生物进化过程的遗传算法的分类体系,并以首都圈地区为例,利用地震活动性资料的8种时空参数在地震预报中进行了应用探索．通过对1967—1992年间信息的学习演化,获得了20条拥有不同适应度的具有层次结构的地震预报规则集．对首都圈地区中等地震活动的预报规则进行了初步的分析讨论,发现了人们以往难于考虑周全的可能具有重要预报意义的异常组配.应用探索表明：在地震预报研究中应用具有自适应和潜在学习能力的基于遗传算法的分类体系,将可能推动人们对地震前兆及其物理机制的研究和探讨．     

基于遗传算法的分类体系在地震预报中的应用探索

采用模似自然界生物进化过程的遗传算法的分类体系，并以首都圈地区为例，利用地震活动性资料的8种时空参数在地震预报中进行了应用探索．通过对1967-1992年间信息的学习演化，获得了20条拥有不同适应度的具有层次结构的地震预报规则集．对首都圈地区中等地震活动的预报规则进行了初步的分析讨论，发现了人们以往难于考虑周全的可能具有重要预报意义的异常组配.应用探索表明：在地震预报研究中应用具有自适应和潜在学习能力的基于遗传算法的分类体系，将可能推动人们对地震前兆及其物理机制的研究和探讨．     

应用遗传算法建立地震预报的分类体系初探

本文对模拟自然界生物进化过程的遗传算法和用它所建立的分类体系进行了简要介绍，并将它们应用于地震预报探索研究，建立了初步的地震预报分类体系，结果表明：采用具有自动学习和自相适应的方法，结合现有的研究成果，可以将地震活动性的时空参数结合起来综合考虑，获得较为优化的地震预报规则集。     

基于遗传算法地震短期综合预报分类系统在天山地震带的应用

应用“基于遗传算法的地震预报分类系统”建立天山地震带8个区的地震短期综合预报模型。在前人研究基础上对此分类系统的应用方法做了以下改进：以半年或一年样本窗内的地震活动资料预报未来3个月最大地震;采用阈值划分异常,区分高值和低值异常两类参数,再用异常持续时间进行地震环境信息编码;在研究区内,根据一年和半年样本窗和震级错半级的分档形式,形成4种地震环境信息编码方式。计算机自动运行此系统程序,寻找各自的预报模型。对预留样本的检验按震级区间进行规则对应率、虚报率和地震对应率、漏报率的效能评价,结果表明南天山各区检验情况好于北天山;对北天山预测出5级以上、南天山6级以上地震以及能给出有效重叠震级区间的模型加权后认为南天山中西段、柯坪块体区检验情况较好。结果还表明半年样本窗检验效能普遍高于一年窗,对较低震级的检验情况一般要好于较高震级。     

基于遗传算法地震短期综合预报分类系统在祁连山及海原地震带的应用

应用“基于遗传算法的地震预报分类系统”,建立祁连山及海原地震带3个区的以预报未来3个月最大地震为目标的地震短期综合预报模型。结果表明,能预测出5级以上地震,给出的有效重叠震级区间的模型在祁连西段、祁连中东段检验情况较好,而在海原断裂带应用检验较差。另外对较低震级的检验情况一般要好于较高震级。对2003年lO月25日甘肃民乐、山丹间6．1、5．8级地震进行了实际的应用检验。     

基于遗传算法的广义回归神经网络在地震预测中的应用

提出了利用基于遗传算法结合广义回归神经网络（GRNN）进行地震预测的新方法。利用遗传算法的全局搜索能力、不易陷入局部极小点等优点来优化GRNN的径向基函数中心、宽度以及输出层的权值,使得计算结果全局最优。在实际地震数据中选取了100组样本数据进行仿真实验,并利用MATLAB进行仿真。仿真结果表明,本文提出的方法具有较高的精度和一定的理论指导意义。     

实数编码遗传算法在大地电磁测深二维反演中的应用

作为全局非线性优化的新方法之一的遗传算法,近年来已从生物工程流行到大地电磁测深资料解释中.然而,大地电磁反演问题具有不适定性,解的非唯一性.通过结合求解不适定问题的Tikhonov正则化方法,本文采用实数编码遗传算法求解大地电磁二维反演问题.此算法在构建目标函数时引入正则化的思想,利用遗传算法求解最优化问题.常规的基于局部线性化的最优化反演方法易使解陷入局部极小值,而且严重的依赖初始模型的选择.与传统线性化的迭代反演方法相比,实数编码遗传算法能够克服传统方法的不足且能获得更好的反演结果.通过对大地电磁测深理论模型进行计算,结果表明:该算法具有收敛速度快、解的精度高和避免出现早熟等优点,可用于大地电磁资料解释.     

量子遗传算法在大地电磁反演中的应用

量子遗传算法（QGA）以量子理论为基础,通过利用量子位编码代替经典遗传算法的二进制位编码,利用量子旋转门定向更新种群来代替传统方法中种群的选择、交叉和变异过程,使得算法具有一定的内在并行运算能力和量子的隧道效应,从而加快了搜索速度,改善了收敛速度,并具有更强的全局寻优能力.本文针对地球物理反演问题的非线性、多极值特点提出一套实现方案,通过理论模型和实测数据试验对比研究,表明量子遗传方法在大地电磁反演中的寻优质量和效果明显优于传统遗传算法.     

遗传算法的改进及其在应力场反演中的应用

利用人工方法产生多样化的初始群体，引入“移民”机制并采用小种群搜索，运用自动调整交换概率与变异概率的方法将遗传算法进行了改进，改进后的遗传算法在防止早熟，提高收敛速度方面有一定改善。最后利用改进的遗传算法反演了青藏高原的应力场，其结果与地质结果有一定的相似性。     

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.

     

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.     

Self-organizing feature map neural network classification of the ASTER data based on wavelet fusion

Remote sensing classification methods can be classified as supervised and unsupervised catalogs. The maximum likelihood method (MLH) is a super-vised classification method,which is widely used in the remote sensing data classification and produces good results[1]. In the MLH, the parameters are esti-mated, assuming that the samples are normally dis-tributed in spectral space, to determine the mean vec-tor and covariance matrix of all classes. In most cases, however, the samples are not norma…     

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.     

Application of the normalized surface magnetic charge model to UXO discrimination in cases with overlapping signals

This paper presents an application of the normalized surface magnetic charge (NSMC) model to discriminate objects of interest, such as unexploded ordnance (UXO), from innocuous items in cases when UXO electromagnetic induction (EMI) responses are contaminated by signals from other objects. Over the entire EMI spectrum considered here (tens of Hertz up to several hundreds of kHz), the scattered magnetic field outside the object can be produced mathematically by equivalent magnetic charges. The amplitudes of these charges are determined from measurement data and normalized by the excitation field. The model takes into account the scatterer's heterogeneity and near- and far-field effects. For classification algorithms, the frequency spectrum of the total NSMC is proposed and investigated as a discriminant. The NSMC is combined with the differential evolution (DE) algorithm in a two-step inversion procedure. To illustrate the applicability of the DE–NSMC algorithm, blind test data are processed and analyzed for cases in which signals from nearby objects frequently overlap. The method was highly successful in distinguishing UXO from accompanying clutter.