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。     

基于粒子群优化算法与厄米多项式构建地震综合预测投影寻踪回归模型

在地震综合预测投影寻踪研究工作中,投影寻踪回归算法是其中应用最多的一种方法．但一般投影寻踪回归算法构造技术较为复杂,采用多次局部光滑回归,计算量较大,外推较为繁杂,容易陷于局部解．在综合考虑传统投影寻踪回归算法特点的基础上,针对投影寻踪回归计算中存在的一些不利因素,给出了一定的解决思路:采用粒子群优化算法代替高斯 牛顿算法优化投影方向;采用厄米多项式代替分段线性光滑回归来拟合岭函数,以简化优化过程;参数优化无需分组,获得全局优化的岭函数．利用数值仿真技术进行基于粒子群优化算法与厄米多项式构建的投影寻踪回归模型建模能力与计算精度的检验,再将其应用于多维地震时间序列和一般多维无序地震样本回归综合建模预测中．通过计算和分析表明,基于粒子群优化算法与厄米多项式构建的投影寻踪回归模型具有简单、快速、有效的特点,在实际地震综合预测建模中取得了满意的效果,可作为地震预测的一种综合分析方法．      

地震地质灾害综合评价的PSO-BP神经网络方法及应用

结合汶川8.0级地震资料,利用神经网络原理和粒子群优化算法,提出了基于PSO-BP神经网络的地震地质灾害综合评价模型.该模型选取地震灾害、斜坡灾害、地面变形、斜坡分布特征4个指标作为输入,选用地质灾害危险度和分级2个指标为输出,引入粒子群算法对BP网络的权值和阈值进行优化,获得了BP网络模型参数.研究结果表明,PSO-BP网络模型不但能克服BP算法收敛速度慢和易陷于局部极小的缺陷,而且计算精度高,泛化能力强;对地质灾害的评价、防范和灾后重建具有一定的参考作用.     

基于粒子群优化最小二乘向量机的地震预测模型

为解决地震预测中最小二乘向量机(LSSVM)模型的参数难以确定的问题,利用粒子群算法(PSO)的收敛速度快和全局优化能力,优化LSSVM模型的惩罚因子和核函数参数,建立了PSO-LSSVM地震预测模型.通过对地震实例的预测仿真及其相关分析表明该方法的有效性.该方法优于传统的神经网络和支持向量机的地震预测方法,可以有效提高预测效能.     

天然地震与人工爆破波形信号HHT特征提取和SVM识别研究

天然地震和人工爆破信号属于非线性非平稳信号,而传统信号分析方法是针对线性系统平稳信号的,本文采用希尔伯特—黄变换(Hilbert-Huang Transform,简称HHT)试图提取可明确区分天然地震和人工爆破事件的波形特征.通过经验模态分解(Empirical Mode Decomposition,简称EMD)把原信...     

基于MFCC样本熵和灰狼算法优化支持向量机的天然地震与人工爆破自动识别

针对天然地震与人工爆破波形特征相似、难以区分的情况,结合灰狼优化算法和支持向量机,提出一种地震事件性质辨识新方法。通过梅尔频率倒谱系数法对2013年四川芦山地震地震事件信号和人工爆破信号进行分析,进过预加重、FFT、梅尔滤波及离散余弦变换等步骤,提取静态系数样本熵、一阶差分系数样本熵和二阶差分系数样本熵等作为样本特征集。使用灰狼算法优化支持向量机径向基核函数RBF中的惩罚系数和核函数半径形成新的GWO-SVM分类器,然后对事件进行辨识。结果表明：GWO-SVM分类器辨识效果明显优于SVM、RobustBoost集成学习、LDA、PLDA等分类器,其在1 000次循环识别实验下的准确率均值相对SVM提高了9.2个百分点,标准差降低了3.2以上;t检验证明MFCC样本熵各特征具有可靠的地震事件分类效果;GWO-SVM与MFCC样本熵可作为天然地震事件与人工爆破事件的辨识方法与分类判据。