共查询到20条相似文献,搜索用时 78 毫秒
1.
2.
地震前兆综合预测支持向量机模型研究 总被引:4,自引:0,他引:4
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。 相似文献
3.
《应用地球物理》2016,(2)
勘探开发初期海上油田钻井少、井间距离大,在应用地震多属性分析技术预测储层参数的过程中,直接采用监督最小二乘支持向量机算法预测精度较低。本文将最小二乘支持向量机与半监督学习理论结合,提出基于最小二乘支持向量机协同训练的半监督回归模型,并在模型训练过程中引入矩阵迭代求逆的方法,提高模型训练速度。利用UCI数据集实验研究,对比了半监督与监督最小二乘支持向量机模型,结果表明,半监督学习机制能够有效地提高最小二乘支持向量机的泛化性能,且随着训练样本的减小,效果更加明显;同时对比了半监督最小二乘支持向量机与半监督k-临近算法,结果显示,在小样本建模中,半监督最小二乘支持向量机有着更高的预测精度。最终将半监督最小二乘支持向量机运用于锦州工区,预测该区的砂体及储层孔隙度的分布,获得了较好的地质效果。 相似文献
4.
针对目前电法勘探预测地下含水层单孔单位涌水量方法中存在要求大样本、易出现过学习和局部极小等缺陷,基于支持向量回归机(Support vector regression,SVR)具有小样本、推广能力强、全局最优算法等优点,又可避免现有预测模型中的过学习和推广能力差等问题.本文利用支持向量回归机模型,由电测深法观测到的电阻率和激发极化等参数建立了预测地下含水层单孔单位涌水量模型,在已知抽水试验的井孔上与以往预测模型对比表明,该预测模型不但提高了预测精度,而且还具有很好推广能力和应用前景. 相似文献
5.
6.
7.
8.
水库诱发地震最大震级的预测 总被引:4,自引:1,他引:4
水库蓄水诱发地震虽然是水利工程建设伴生的少见现象,但有时会诱发6级以上地震,加之震中距小,震源浅,成为水利工程抗震设防的重要因素。已有震例还证明,水库规模越大,诱震的可能性越大,诱震的最大震级Mmax(以下简写M)也越高。我们曾提出用水库的“综合影响参数E”来表征水库的“规模”,并给出了M~E回归关系式。本文在补充了部分震例资料,并把M和E以及最大库深Hmax(以下简写H)都视为随机量,经模式识别的分类判别后把所用震例分为两组(第一组为M≥4.5的21个震例:第二组为全部37个震例),把变量E取为确定量或取为随机量和把变量E、lnH取为两个随机量与M进行了回归。回归结果:第一组的双随机量(M、E)模型的回归标准差为口σ_M=0.610,变异系数V=0.118,三随机量(M,E,H)σ_M=0.576。V=0.111;第二组的双随机量的σ_M=1.028,V=0.234,三随机量时σ_M=1.032,V=0.235。说明第一组三随机量模型对可能发生M≥4.5级的新建水库的最大诱震震级的预测是可用的。 相似文献
9.
总有机碳(TOC)含量是评价烃源岩品质和生烃潜力的重要参数,通常在实验室利用岩石热解仪器对岩心分析化验获得,由于实验费用高和钻井取心难,无法获取随深度连续变化的TOC数据.传统TOC测井评价方法利用有限的测井信息构造物理模型,但在复杂储层中计算精度低.人工智能算法综合多条测井曲线信息预测TOC,但预测结果存在不稳定性.本文提出基于Bagging和Adaboost集成学习预测TOC,采用支持向量回归机作为基学习器,综合多条测井曲线作为输入参数,有效提高预测结果的精确性和泛化性.利用鄂尔多斯盆地姬塬地区的岩心实验测量数据和测井数据验证了模型性能,相比于Schmoker方法、ΔlogR方法、改进ΔlogR方法及支持向量回归机,集成学习具有更高的预测精度.通过处理实际测井资料,进一步验证了方法的可行性和有效性. 相似文献
10.
11.
12.
水库“规模”与水库地震震级的关系 总被引:4,自引:0,他引:4
水库诱发地震是水利工程建设的难题之一。水库本身不仅对于诱发地震起“触发器”的作用,而且水库的“规模”对于诱发地震震级也有重要影响。不同的作者用“库深”、“库容”或“水库面积”来表征水库的“规模”。根据30个震例资料对于上述三个表征水库“规模”的参数分别与最大诱震震级M进行相关分析,发现它们的相关系数都很低.因此作者提出联系上述三个参数并代替它们的“综合影响参数E”,并证明E—M之间相关系数较高.给出的E—M统计关系式证明水库地震的可能最大震级是7级左右。 相似文献
13.
本文利用一元回归、多元逐步回归及灰色系统理论的关联度分析了30个诱发震例,证明水库要素综合影响参数E与水库诱发地震最大震级的相关性最高。利用E与震级的关系对30座水库的诱发震级进行了预测。 文中还对预测震级进行了误差分析,发现容许误差系数为20%(震级误差小于0.7级)时,成功率达63%。作者认为对水库诱发地震初步预测来说。这种预测办法和结果是可以接受的。 相似文献
14.
为了借助容易获取的地震相关因素间接预测地震震级,提出基于相关向量机(Relevance Vector Machine,RVM)方法的地震震级预测模型。通过样本学习建立地震震级与地震累积频度、累积释放能量、平均震级、b值、η值和相关区震级等6个主要影响因素之间的非线性映射关系,利用已知影响因素预测地震震级。结果表明:RVM模型预测结果均优于BP神经网络及SOM-BP神经网络预测结果;通过敏感因子分析比较各因素的敏感程度,b值和η值最为突出,在震级研究中应重点分析。综合分析,RVM模型具有精度高和离散性小等优点,对地震震级预测有较好的推广价值。 相似文献
15.
16.
水库地震主震发生时间的预测 总被引:1,自引:2,他引:1
水利工程对水库地震的抗震设防要求事先对水为地震进行预测。预测内容包括蓄水后诱发地震的危险性(可能性、)最大震级、最大震的地占紧及不库地震对场址地震动参数的影响。除主震时间的预测外,本文第一作者都曾提出过初步的预测方法。本文认为,水库地震前震波速比异常、非线性灰色模型以及前震系列回归等方法,是预测主震时间的有前途的方法。 相似文献
17.
18.
19.
20.
中国大陆强震时间序列预测的支持向量机方法 总被引:12,自引:2,他引:12
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。 相似文献