中国大陆强震时间序列预测的支持向量机方法

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。     

中国西南地区强震预测的支持向量机方法

以太阳黑子数、地球自转速率变化数据和全球7级以上地震个数作为预测因子,使用支持向量机分类方法建模,预测了中国西南地区年度地震强度,预测效果较好,说明此方法有一定的实用性。     

基于小波变换和支持向量机的中国大陆强震预测

将小波变换和支持向量机用于中国大陆年度最大地震震级预测。 先用小波变换把中国大陆年度最大地震序列分解成几个不同尺度水平(频率)的子序列, 然后使用支持向量机对分解后的子序列分别进行预测, 最后通过重构几个子序列的支持向量机预测结果得到最终预测结果, 预测次年中国大陆最大地震震级。 与支持向量机和神经网络方法对比, 结果表明小波变换和支持向量机相结合方法具有更高的预测精度, 预测效果很好, 说明此方法可用于地震时间序列预测。     

利用相关因子预测中国大陆强震的支持向量机方法

中国大陆地震活动与太阳活动、地球自转和全球地震活动之间存在较强的非线性关系。文中以太阳黑子数、地球自转速率变化数据和全球7级以上地震总应变释放量作为预测因子,使用支持向量机分类方法建模预测中国大陆年度地震强度,预测效果较好,表明支持向量机分类方法是一种较好的预测中国大陆地震活动强度的方法。     

基于支持向量机的非线性AVO反演

本文提出了一种新的AVO非线性反演方法,即利用支持向量机来求解AVO非线性反演问题.文中先对支持向量机的原理进行了阐述,然后建立了适合AVO反演的支持向量机模型.最后利用该方法对模型数据和实际资料进行了反演计算,反演结果表明,该方法在没有牺牲反演效果的情况下较好的解决了传统反演方法所具有的局限性,可以直接从合成记录中提取地层的弹性参数,反演速度快、稳定性好.     

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.     

支持向量机及其在地震预报中的应用前景

统计学习理论(SLT)是研究小样本情况下机器学习规律的理论。支持向量机(SVM)基于统计学习理论,可以处理高度非线性分类和回归等问题,不但较好地解决了小样本、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。本文介绍了支持向量机的分类、回归方法,分析了这一方法的特点,讨论了该方法在地震预报中的应用前景。     

支持向量机方法在地震短期预测中的应用

支持向量机方法是基于统计学习理论提出的一种机器学习方法,在处理小样本、非线性问题方面有着很强的优势。而地震的孕育发生过程是一个复杂的非线性动力学系统,地震数据时间序列的变化更呈现非线性、不规则等特征。本文系统地分析了天津及其周边地区多种前兆现象,选取反映2至3个月短期情况的前兆测项,使用支持向量机分类方法建立地震综合预测模型,初步结果表明这种方法在地震短期预测中有一定的应用前景。     

预测华北地区年度地震趋势的支持向量机分类方法

以太阳黑子数、地球自转速率变化数据和全球7级以上地震应变释放量作为预测因子,使用支持向量机分类方法建模预测中国华北地区年度地震强度,预测准确率为0.93,表明该方法具有较好的预测效果.     

基于支持向量机的信号自动检测算法

STA/LTA算法是信号自动检测中的经典算法. 这种算法中检测阈值的分布范围在0~infin;之间， 合适的检测阈值不但要根据实验反复调试， 而且要在误检率和漏检率之间取得平衡. 针对这一问题， 从模式识别的角度出发， 给出了一种基于支持向量机的信号检测算法. 讨论了该算法中数据预处理和模式特征提取的方法， 以及支持向量机中核函数的选择问题. 利用实际地震数据， 分析了这种算法的检测性能. 结果表明, 这种算法简化了检测阈值的选择. 在准确检测信号的同时，其误检率相对于STA/LTA算法可以降低约85％， 并且具有较强的抗噪性能.      

Support vector machine method for forecasting future strong earthquakes in Chinese mainland

Statistical learning theory is for small-sample statistics. And support vector machine is a new machine learning method based on the statistical learning theory. The support vector machine not only has solved certain problems in many learning methods, such as small sample, over fitting, high dimension and local minimum, but also has a higher generalization （forecasting） ability than that of artificial neural networks. The strong earthquakes in Chinese mainland are related to a certain extent to the intensive seismicity along the main plate boundaries in the world, however, the relation is nonlinear. In the paper, we have studied this unclear relation by the support vector machine method for the purpose of forecasting strong earthquakes in Chinese mainland.     

中国大陆强地震的成组活动和概率预报

根据到１９９１年底为止能够搜集到的资料，整理出大陆东部（λ≥１０８°Ｅ）及邻区Ｍ≥６地震目录、中国大陆西部（λ＜１０８°Ｅ）及邻区Ｍ≥７地震目录。东部收入地震２６１次，其中含邻区地震１００次；西部收入地震１５３次，其中含邻区地震５８次。这些地震被称作强地震。对它们的时空分布进行了全面分析，发现中国大陆有史以来强地震的大多数，在时间和空间中频繁地同时出现相对密集，构成各个地震组，在时空一体中表现出发生强地震的高概率。论述了划分地震组的原则和方法。根据历史地震资料情况，对中国大陆东部取１６００年，西部取１９００年为界，把地震活动分为早期活动和后期活动。早期资料有所丢失，地震活动的成组性表现得不如后期充分，在中国大陆东部自７７７年至１９８４年不包括东北深震的强地震之中，划分出２４个组。这２４个组占用时间的和为４３５年，占总时间跨度的３６．０％，而组内地震数之和为１１３，占同期同区地震总数的８４．３％。在中国大陆西部自公元前１９３年至公元１９８８年的强地震之中，划分出２１个组。这２１个组占用时间的和为２７０年，占总时间跨度的１２．４％；而组内地震数之和为６４，占同期同区地震总数的６８．１％。在后期的强地震中，中国大     

使用人工神经网络进行我国大陆强震时间序列预测

使用人工神经网络对中国大陆最大地震时间序列进行预测，预测次年的中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。还表明中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非线性关系。     

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。     

中国大陆中强地震序列类型的空间分布特征

利用中国大陆1970年以来记录相对完备的294次5.0级以上的地震序列,研究地震序列类型的空间分布特征. 结果表明: 在西南地区,川滇菱形地块及其所控制的鲜水河——安宁河——小江地震带及金沙江——红河地震带以主余型序列活动为主, 滇西和怒江——澜沧江断裂带以西腾冲——保山块体的龙陵、 澜沧等地分布着较多的多震型地震,极少数孤立型地震主要分布于川西北地区,云南地区无孤立型地震. 在西北地区,新疆南天山西段以主余型为主,其中柯坪块体与普昌断裂交汇区发生过多震型地震, 天山中段则以孤立型地震居多;祁连山地震带以主余型序列活动为主;青海地区以主余型地震居多,但序列类型的区域特征不明显. 在华北地区,阴山——燕山——渤海地震带、河北平原地震带及下扬子断块以主余型地震为主, 山西地震带北段与NW向阴山——燕山地震带的交汇部位发生过5～6级多震型地震, 华北地区南部北纬35deg;线附近以孤立型地震居多. 序列类型空间分布与区域构造运动形式有关,断层内部闭锁单元或障碍体的破裂以及新生的、彼此分离的断裂段的破裂,大多产生主余型序列;多震型地震往往与共轭构造或多组构造交汇相联系;简单断层端部的进一步扩展一般产生孤立型地震. 序列类型空间分布与区域深部介质环境也有一定关系,主余型地震大多发生在上地壳高速区或高、 低速过渡带内, 而多震型地震则较多地发生在上地壳低速区内.       

中国大陆西部及邻区强震活动特征的初步研究

主要分析中国大陆与周边板块边界,尤其是西部大三角地区强震活动特点及其相互关系。研究结果表明,西部大三角内与中国大陆的强震活动之间存在相互关系,同时具有持续稳定的关系,并对这种互动关系的可能机制和我国大陆未来地震活动的发展趋势进行了探讨。     

基于支持向量机的地震序列分类

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法,建立了地震序列分类模型。通过试算和分析比较得到了地震序列最佳分类模型,最佳模型的分类结果与实际地震序列分类基本一致。综合分析认为支持向量机算法无论在学习或者预测精度方面都具有很大的优越性,其获得的地震序列分类知识库可以较为准确地实现地震序列类型的分类,因此基于支持向量机理论建立的地震序列分类模型应该是可行的。     

1979年加州凯奥蒂湖地震序列震源机制分析:美国加州地震比中国大陆地震破裂过程简单的证据

本文详细分析了1979年美国加利福尼亚凯奥蒂湖地震序列在时间和空间之中发展的非常有序的过程.对凯奥蒂湖地震序列,在三种情况下分别做出34次地震的断层面解.分析了美国地质调查局观测报告中地震初动的可信性.论证了伯克利加利福尼亚大学的地壳模型与美国地质调查局的地壳模型对于求断层面解的等效性.与唐山地震序列相比,凯奥蒂湖地震序列表现出4个主要特点:1.震中分布呈规则的狭长条带,与断层的关系密切;2.断层面解中出现的矛盾初动少;3.断层面解之间的一致性好;4.断层面解随时间没有明显的变化.这些都表明,凯奥蒂湖地震序列比唐山地震序列特征简单,前者基本上是沿卡拉维拉斯断层发生的面破裂,而后者却是在一定震源区中发生的体破裂.唐山地震序列的特征在中国大陆是有代表性的.若凯奥蒂湖地震序列的这些特点,在加州也具有代表性,则这两个地震序列的差别,可以作为美国加州地震比中国大陆地震发生环境和发生过程都简单的一个证据.     

1979年加州凯奥蒂湖地震序列震源机制分析:美国加州地震比中国大陆地震破裂过程简单的证据

本文详细分析了1979年美国加利福尼亚凯奥蒂湖地震序列在时间和空间之中发展的非常有序的过程.对凯奥蒂湖地震序列,在三种情况下分别做出34次地震的断层面解.分析了美国地质调查局观测报告中地震初动的可信性.论证了伯克利加利福尼亚大学的地壳模型与美国地质调查局的地壳模型对于求断层面解的等效性.与唐山地震序列相比,凯奥蒂湖地震序列表现出4个主要特点:1.震中分布呈规则的狭长条带,与断层的关系密切;2.断层面解中出现的矛盾初动少;3.断层面解之间的一致性好;4.断层面解随时间没有明显的变化.这些都表明,凯奥蒂湖地震序列比唐山地震序列特征简单,前者基本上是沿卡拉维拉斯断层发生的面破裂,而后者却是在一定震源区中发生的体破裂.唐山地震序列的特征在中国大陆是有代表性的.若凯奥蒂湖地震序列的这些特点,在加州也具有代表性,则这两个地震序列的差别,可以作为美国加州地震比中国大陆地震发生环境和发生过程都简单的一个证据.