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.     

基于小波包分形和神经网络的地震与岩溶塌陷识别

本文以近年来广西地震台网中心记录的天然地震和岩溶塌陷为例,尝试利用基于小波包的分形和径向基函数神经网络技术对这两类事件的波形进行识别,以期有效地识别地震与岩溶塌陷。结果表明,基于小波包分形与神经网络相结合的事件识别方法对天然地震和岩溶塌陷事件的识别率高达89.5%,可作为识别天然地震与岩溶塌陷的一个有效方法。      

基于地震属性的煤层火成岩侵入预测

煤层火成岩侵入给煤矿生产以及经济效益带来了极大的影响,属于亟待解决的问题.本文充分发挥测井信息的作用,基于测井数据建立正演模型,获得不同侵入模型叠加记录,并提取多种地震属性;利用灰色关联和模糊聚类方法对提取的地震属性进行分类和优化,得到与地质目标相关性较好,且相互独立的4种地震属性;利用井旁道地震记录和井信息作为BP神经网络的学习样本进行训练,在训练好的BP神经网络中输入从地震数据中提取的优化后的地震属性,预测煤层火成岩侵入区的分布情况.从实际测区的预测情况看,该方法准确性和可靠性较高,可对实际生产进行理论指导.     

基于热异常信息与BP神经网络的中强地震预测试验

地震预测是地震科学研究的主要领域之一。震前热异常现象(地表温度异常升高)普遍存在并且与地震三要素有复杂的非线性关系。文中结合神经网络的优点,提出将热异常信息作为地震预测的信息源,通过构建神经网络,进行地震预测的思路,并进行了试验。基于8d合成的1km分辨率的MODIS数据,利用RST算法提取震前热异常信息,在分析震前热异常信息时空变化的基础上,确定出BP神经网络的结构,利用该网络对中国及周边100个5级以上震例,以及70个随机无震样本进行训练和仿真。试验结果表明,通过RST算法提取的震前热异常指数值,用于BP神经网络地震预测是可行的,其预测的试验结果刻画出了地震要素与热异常值间的非线性相关性。未来预测区域范围的选取以及神经网络中隐层神经元的数量将对地震预测效果产生较大的影响。     

基于RS与PSO-LSSVR的地震伤亡人数预测

通过对地震伤亡资料的综合考察研究,本文构建了影响地震伤亡人数的指标集,利用粗糙集理论约简此指标结构,建立最小二乘支持向量回归机预测模型预测伤亡人数,并用粒子群优化算法对模型参数进行优化。最后,将模型运用于云南地震伤亡人数预测,结果和RS-BP神经网络预测模型对比分析,验证了该模型预测的有效性。又将模型应用于芦山和玉树地震死亡人数的预测,验证了模型的适用性。实验结果表明该模型能在地震发生后,给决策者提供人员救护、安置以及应急物资供应、统筹调度的有效依据。     

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。     

基于GA-BP神经网络的地震预报技术

概述遗传算法(GA)和BP神经网络的原理,利用遗传算法具有全局搜索能力且不易陷入局部极小点的特性,优化BP神经网络的连接权值和阈值,使得计算结果全局最优,以弥补BP算法的不足。选取闽粤赣交界及东南沿海地区的地震目录作为研究样本,提取出7个测震学前兆指标作为预报因子,构建GA-BP神经网络进行训练和仿真。震例检验结果显示,该优化方法的震级预测精度较BP神经网络有较大提升,具有对地震震级预测的可行性。     

一种神经网络改进小波的地震数据随机噪声去除方法

地震资料的有效信号反射弱,且易受多次波的影响,不可避免地存在随机噪声干扰。提出一种基于神经网络改进小波的地震数据随机噪声去除方法,采用神经网络模型,识别出随机噪声信号,对该信号进行小波包分解,获取多类别随机噪声信号,采用级联BP神经网络模型提取出多类别随机噪声信号,实现地震数据的随机信号压制。实验结果显示,这种改进小波方法对地震数据随机噪声信号的去噪效果较好,在复杂沉积地质结构被探测介质的地震数据随机噪声压制方面具有较强的适用性。     

基于卷积神经网络的断层预测方法

针对传统相干体属性在预测断层时存在断层假象以及易受噪声影响等缺点,本文提出一种利用卷积神经网络进行断层预测的方法。首先构建适合实际工区断层特征的卷积神经网络模型,然后利用部分分频地震数据和人工解释出的断层标签进行网络模型训练,最后把训练好的模型应用到整个三维地震数据中进行断层预测。实际地震数据预测结果表明基于卷积神经网络断层预测结果与地震数据吻合较好,并且在断层细节刻画上要优于传统地震相干体属性方法。      

使用Mf值,C值,D值异常资料进行地震短期预测的神经网络方法

介绍了神经网络的一些基本概念，ＢＰ神经网络及其算法，使用地震强度因子Ｍｆ值，地震空间集中度Ｃ值，地震危险度Ｄ值对华北地区１９７２￣１９９２年期间进行空间扫描的中期和短期异常资料，通过ＢＰ神经网络进行学习并进行地震短期预测。研究结果表明：利用这３类资料的多项因子进行短期预测的效果较为理想。文章还对使用ＢＰ神经网络的一些具体问题进行了讨论。     

基于小波神经网络的ODP1148A井岩性预测

为对大洋钻探计划(ODP)1148A井岩性收获率低的层位和涂片分析之外的井段进行岩性预测,得到更全面的岩性信息,设计出了一个以"morlet"小波为隐含层传递函数的三层小波神经网络.将总样本中的一部分作为学习样本,用于小波神经网络的训练,另一部分作为测试样本,用于检验小波神经网络预测岩性正确与否以及预测结果的误差评价.经过对该小波神经网络反复测试和调整,最终得到了一个误差最小的神经网络,其测试结果显示岩性预测符合率60%以上的占总体的60%以上.在没有岩心资料或取芯收获率低的层段,可将其用于粗略的岩性参考.将经测试后较满意的小波神经网络应用于整口井的岩性预测,得到该井的详细岩性信息.该岩性预测结果弥补了岩心涂片分析数椐较少,以及该井岩心收获率低的层位的岩性空白.本文将小波神经网络应用于测井岩性预测方法的探讨可为人工智能与地球物理测井相结合提供新的思路.     

基于小波分析和最小二乘支持向量机的中国大陆地震震级预测研究

利用小波分析方法分析百年来中国大陆地震资料, 得到了地震活动在不同时间尺度上的特征, 同时利用各种尺度的小波系数得出地震活动主要周期, 并把此周期值作为参数应用于最小二乘支持向量机预测中。 结果表明, 此方法报准率较高, 平均误差与均方差较小。     

基于主成分分析与BP神经网络相融合的云南砖木结构房屋地震破坏评估方法

针对如何选取合适的影响因素进行砖木结构房屋地震破坏合理评估的问题,提出了一种基于主成分分析与BP神经网络相融合的云南砖木结构房屋地震破坏评估方法,通过灰色关联度模型剔除对砖木结构房屋发生地震破坏影响较小的因素得到关键因子,采用主成分分析法从关键因子中提取主要成分,最后利用BP神经网络模型对处理后的主要成分进行训练,建立砖木结构房屋地震破坏比例预测模型,并利用实际震例进行验证。结果表明：本文方法相较于传统脆弱性曲线拟合方法和BP神经网络模型,其预测的砖木结构房屋地震破坏比例的预测精度更高、普适性更好。     

粗集理论在地震储层预测中的应用

在地震储层预测中,可采用的地震属性种类繁多,但太多地震属性常常会起到干扰作用,影响储层的预测精度,因此,为提高地震储层预测精度,把粗糙集理论融入到地震属性的优化中,利用粗糙集理论所具有的提取有用属性、简化信息处理的能力,优选出地震属性中的敏感属性是本文的研究目的,本文采用了一种基于属性方差的自组织神经网络量化方法,并运用基于区别矩阵的属性频率约简算法对地震属性进行优选,实例分析表明:该方法可行有效,可以最大限度地删除冗余地震属性,用优选出的敏感属性组合对多种储层参数进行预测均已取得了较好的效果.     

多尺度奇异性检测及其在地震相分析中的应用

本文从地震道的奇异属性出发,利用连续小波变换求取地震道的小波变换模极大值曲线,并沿此曲线提取地震道的小波变换系数,称之为小波变换模极大值连线振幅.此属性不仅可以代表信号本身,而且可以最大程度的区别于相邻道,并且具有地震道多尺度的特征,即兼具时频域的特征.由此结合自组织神经网络,我们提出了一种新的地震相分析方法.通过模型合成地震记录实验分析,证明此方法是可行的,且对地质层位的解释误差具有一定的容许度.最后,将此方法应用于了实际资料,取得了良好的效果.     

小波变换在东北地震趋势分析中的应用

本文在多年对东北地震大形势研究基础上,根据1900年以来东北地区地震目录资料,按年最大震级、地震频度和地震活动度分别建立三个时间序列f(t),利用离散小波变换对其进行分解,结果发现三个序列的小波变换细节系数均显示平均约20年周期的时序特征,并与该区地震活跃期符合得较好。依此,对该区地震活动发展趋势作了预测,认为当前地震活跃期大约在2008年结束。     

基于SOM和PSO的非监督地震相分析技术

地震相分析技术是储层预测的一种重要方法,可以用来描述有利沉积相带的分布规律.传统的地震相聚类分析方法对大数据的处理运算速度较慢,且容易陷入局部极小值,造成聚类分析的结构不准确.本文提出基于自组织神经网络(SOM)和粒子群优化方法(PSO)相结合的地震相分析技术,利用自组织神经网络能够保持原始地震数据的拓扑结构特性的特点,将大量冗余样本压缩为小样本数据,再通过粒子群的全局寻优能力改善K均值聚类的效果.理论模型和实际应用表明该方法能既有效实现数据压缩,又能提供较为准确的全局解,在地震相预测中兼顾计算效率和计算精度.     

地震油气储层的小样本卷积神经网络学习与预测

地震储层预测是油气勘探的重要组成部分,但完成该项工作往往需要经历多个环节,而多工序或长周期的研究分析降低了勘探效率.基于油气藏分布规律及其在地震响应上所具有的特点,本文引入卷积神经网络深度学习方法,用于智能提取、分类并识别地震油气特征.卷积神经网络所具有的强适用性、强泛化能力,使之可以在小样本条件下,对未解释地震数据体进行全局优化提取特征并加以分类,即利用有限的已知含油气井段信息构建卷积核,以地震数据为驱动,借助卷积神经网络提取、识别蕴藏其中的地震油气特征.将本方案应用于模型数据及实际数据的验算,取得了预期效果.通过与实际钻井信息及基于多波地震数据机器学习所预测结果对比,本方案利用实际数据所演算结果与实际情况有较高的吻合度.表明本方案具有一定的可行性,为缩短相关环节的周期提供了一种新的途径.     

基于BP神经网络的地下水位预测系统设计

为了解四川德阳地下水位动态,进而分析地震前兆动态,本文设计了一个基于BP神经网络的地下水位预测系统。采用SWY-Ⅱ数字式水位仪对德阳地下水位数据进行采集。根据采集的2015年水位数据,利用BP神经网络对地下水位变化进行预测,以一年的采集数据进行训练和测试,采用3个输入节点、1个输出节点设计了BP神经网络结构。为了进一步验证本预测系统,本文对2017年7月1日—10月26日地下水位情况进行了预测。实验表明：该方案能有效实现地下水位的预测,为地震前兆工作提供可靠数据。     

基于模糊Modular神经网络的官厅水库及邻区的地震危险性估计

首先介绍了模糊Modular神经网络的原理、建模方法与仿真实验,然后利用该方法把一些常用的地震学指标作为神经网络的输入,未来50年最大震级则作为网络的期望输出,对官厅水库及邻区的地震活动进行学习与最大震级序列建模,进行危险性预测.通过分析,认为该方法在一定程度上具有学习、建模与外推预测泛化能力,具有很好的中长期地震危险性预测效果,可以作为中长期地震危险性分析的工具.