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.     

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。     

我国大陆强震预测的支持向量机方法

统计学习理论是研究小样本情况下机器学习规律的理论. 支持向量机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,其预测效果通常优于人工神经网络. 我国大陆强震与全球主要板块边界的强震活动之间具有一定的关系,但是这种关系具有较强的非线性. 尽管这种关系还不清楚, 但是通过支持向量机可以很好地进行建模, 并对我国大陆强震进行预测.      

数据挖掘及其在地震预报中的应用前景

文介绍了数据挖掘的产生、任务、特点、过程和方法分类,介绍了数据挖掘的一些主要方法及其在地震预报中的应用前景。数据挖掘在地震预报中有很多应用领域,随着数据挖掘在地震预报应用领域的深入研究,必将进一步推动地震预报的进展。     

基于支持向量机回归多属性在地震应急决策中的应用探讨

地震应急是为了减轻地震灾害而采取的异于正常工作程序的紧急防灾和抢险行动。传统的震后应急决策主要依据应急条例标准以及决策者的经验,导致出队决策可能并非最优方案。随着数据挖掘和人工智能技术的发展,目前多种推荐算法在决策推荐领域正在被广泛的应用,对应急成员的基本情况按工龄、集合时间、应急次数3个属性进行分析,利用遗传算法全局最优收敛的特性,通过对支持向量机的3个属性参数进行寻优推荐,得到最优地震应急出队成员。     

支持向量机方法在地球物理学中的应用与展望

支持向量机方法是基于统计学习理论的新一代学习算法,在解决小样本、非线性和高维模式识别中表现出很多特有的优势。通过支持向量机分类的原理,以及在地震勘探、油气储层预测、大地电磁和地震监测中的应用现状进行简要的综述,说明此方法在地球物理学研究中是有效的。随着支持向量机方法不断完善和改进,在地球物理学中的应用前景将更加广泛。     

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.     

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.     

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。     

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。     

主成分分析法和遗传算法优化的支持向量机模型在地震伤亡人数预测中的应用

为有效解决地震伤亡人数预测所需影响因子多、运算量大、模型训练烦琐等问题,构建了主成分分析法(PCA)和遗传算法(GA)优化的支持向量机(SVM)模型,采用PCA对地震伤亡人数影响因子进行降维以去除贡献率较低的主成分,将贡献率较大的主成分作为支持向量机的输入变量,以地震伤亡人数作为输出变量,利用GA对SVM模型性能参数进行优化,建立基于PCA-GA-SVM的地震伤亡人数预测模型,并对测试样本进行预测,结果表明:与SVM模型、 GA-SVM模型和PCA-GA-BP模型相比, PCA-GA-SVM模型的预测准确率和运行效率分别提高4.73%、 1.14%、 9.99%和47.05%、 36.76%、 44.55%。结果显示, PCA-GA-SVM模型预测精度高,泛化能力强,能够科学合理地对地震伤亡人数作出预测。     

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。     

2003年9月27日俄蒙中边界7.9级地震的中期预测及其重要意义

2003年9月27日在俄罗斯(靠近蒙古、中国边界)发生了7．9级地震。作者在两年前对俄蒙中边界7．9级地震作过中期预测，预测意见和这一巨震的比较表明：这一预测是成功的，预测的依据是清楚和明了的。这显示了12个8级左右巨震的空间有序图象。6对对应地震的迁移速度(v)的平均值为14．50km/a，6个v值的变化范围在10—22km/a之内。从而提出：在地壳深处(甚至上地幔上部)可能存在一种巨型结构，它在控制着这些巨震的有序和重复迁移。     

地震活动性研究及其应用于地震预测的一些问题

依据20世纪上半叶的强震资料对全球地震活动性进行的研究结果显示，强震活动呈带状分布，其实质是揭示了全球大尺度地壳介质的非均匀性。地震带与板块的活动密不可分，对认识板块活动做出了应有的贡献。基于悠久的历史地震资料和地质构造活动特征划分了20多条地震带，这是对大陆内部地壳介质非均匀性的一种认识，也是统计预测方法的基础之一。     

远东地区近期强震系列及其相关性研究

远东地区的强震系列可以分为板间强震系列与板内强震系列。研究了它们的分类、特征及其适用的公式，得出远东地区板间强震系列与板内强震系列的相关性十分明显、板内强震系列常发生在板间强震系列之后的结论。