粒子群优化广义回归神经网络与HHT样本熵结合的地震辨识研究

天然地震与人工爆破信号具有许多相似的特性，为实现地震类型的准确辨识，提出一种基于粒子群优化广义回归神经网络和HHT样本熵的地震类型辨识新方法．该方法先通过经验模态分解（EMD）将初始信号分解成6个本征模态函数（IMF）及1个残余向量，对前三个IMF进行Hilbert变换得到瞬时频率和瞬时能量，进而提取出样本熵并构造神经网络训练集与测试集；利用粒子群算法和训练集优化广义回归神经网络的光滑因子参数值，建立PSO-GRNN分类模型．将该模型结果与BPNN模型、GRNN模型、PNN模型及RBFNN模型等神经网络模型进行性能对照，得到该模型单次识别的准确率、MAE、MAPE、RMSE R2及MSE分别为95%、0.1604、0.1204、0.2381、0.7123、0.0567，绝大多数性能评价指标优于其他4种神经网络模型．该研究建立的PSO-GRNN模型性能较稳健，在100次循环随机试验中辨识效果仍然较突出，计算得到的上述评价指标均值为97.42、0.04、0.04、0.12、0.89、0.02，其对应的标准差为3.53、0.05、0.04、0.08、0.11、0.02，将PSO-GRNN模型...