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PCA-GSM-SVM的地震伤亡人数预测

针对影响地震伤亡人数的评价指标数量较多且各指标之间存在着复杂的非线性关系,运用机器学习理论,提出了基于支持向量机(Support Vector Machine)的地震伤亡人数预测模型;首先利用主成分分析法(Principle Component Analysis)对7个地震死亡人数影响指标进行数据降维,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预测模型的输入向量,将地震伤亡人数作为预测模型的输出向量;以27个地震伤亡实例作为学习样本进行训练,运用网格搜索法(Grid Search Method)寻优获得最优支持向量机参数,最终建立基于PCA-GSM-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。结果表明:PCA-GSM-SVM模型的最小误差、最大误差和平均误差分别为5.12%、15.7%和9.16%,其平均误差相比于GSM-SVM模型和SVM模型分别降低6.51%和7.11%,因此PCA-GSM-SVM模型预测精度较高,可在工程实际中推广。     

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。     

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。     

主成分分析法在辽宁地区地震预测中的应用

采用多因子分析的主成分分析法,选择与地震活动强度有关的地震频次N(ML≥3.0)、b值、η值、Mf值、A(b)值和Ac值等6个参量进行分析,实现对上述参量的有效约简,得到反映地震强度特征的综合指标W.发现指标W在辽宁海城7.3级、岫岩5.4级地震前出现明显的异常变化,震后恢复.表明综合指标W可以较好的反映地震活动的异常特征.     

支持向量机在储层厚度预测和计算中的应用

本文通过对油田储层结构的分析,运用支持向量机的理论和方法,建立了用于预测和计算储层厚度的支持向量机回归模型,并对该模型从参数变化范围、核函数选择、误差评价的标准等多方面进行了探讨,找出了建立储层厚度预测模型的一种有效方法,通过对实际储层厚度的预测,证明该方法在预测和计算储层厚度中具有较高的参考价值.     

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.     

支持向量机在地震与爆破识别中的应用

为研究天然地震事件和爆破事件识别算法,对上海测震台网记录的上海周边区域天然构造地震和爆破事件记录进行小波包分解,并提取特征向量,提出用支持向量机（SVM）识别天然构造地震和人工爆破的算法。结果表明,基于SVM算法的向量识别分类方法,在天然地震和爆破识别中是可用的,准确率预计达85%以上。     

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。     

基于主成分分析及BP神经网络分析的地震人员伤亡预测模型研究

影响地震人员伤亡的因素众多,且彼此之间存在着复杂的交互作用。本文在综合考虑各种因素后选取地震发生时刻、人口密度、地震预报与否、建筑物破坏率、设防水准、震级、烈度等因素作为评价指标,首先运用主成分分析算出其主成分,然后运用神经网络分析方法建立预测模型。实例验证预测效果良好。     

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。     

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。     

基于主成分分析的遥感震害变化检测方法与应用

本文详细介绍了基于主成分分析的变化检测方法, 根据地震应急工作的实际要求设计合理的变化检测流程, 以阿尔及利亚地震QuickBird震前震后影像为试验数据, 使用该方法对地震引起的建筑物倒塌进行变化检测应用。 结果证明设计的变化检测方法流程具有一定的实用性, 能较为准确地标示出震后损毁区域, 是对变化检测技术应用于地震应急工作的有益尝试。     

基于PCA的地震官方微博影响力评价研究

随着政务微博用户规模及影响力的不断提升,微博作为地震部门传播平台,在地震信息传播方面发挥着巨大的作用。本文在充分考虑地震部门行业特点的基础上,对30个地震官方微博数据进行收集,利用主成分分析法(PCA)归纳出3种地震微博的主要影响指标,即服务力主成分、交互力主成分和创作力主成分,并由此构建出地震官方微博影响力评估指标体系,在此基础上计算得出各地震官方微博的主成分指标得分和影响力综合得分,最后根据得分情况对地震官方微博影响力提出了具可行性的提升策略。