基于BP-神經(jīng)網(wǎng)絡(luò)的地震預(yù)測(cè)

1、基于BP神經(jīng)網(wǎng)絡(luò)的地震預(yù)測(cè)以我國西南某地震常發(fā)地區(qū)的地震資料作為樣本來源，實(shí)現(xiàn)基于神經(jīng)網(wǎng)絡(luò)的地震預(yù)測(cè)。根據(jù)這些地震資料，提取出7個(gè)預(yù)測(cè)因子和實(shí)際的震級(jí)M作為輸入和目標(biāo)向量。預(yù)測(cè)因子為：（1）半年內(nèi)M大于等于3的地震累計(jì)頻度；（2）半年內(nèi)能量釋放積累值；（3）b值；（4）異常地震帶個(gè)數(shù)；（5）地震條帶個(gè)數(shù)；（6）是否處于活動(dòng)期內(nèi)；（7）相關(guān)地震區(qū)地震震級(jí)。通過數(shù)據(jù)的收集并對(duì)10個(gè)樣本進(jìn)行歸一化處理，如表1：表1累計(jì)釋放b值異常地震地震條帶活動(dòng)周相關(guān)區(qū)實(shí)際震級(jí)地震累計(jì)能量群個(gè)數(shù)個(gè)數(shù)期震級(jí)頻度00.39150.28350.62100.41580.21600.99900.58050.08100.391

2、500.47410.54021.000041830.49480.03830.49250.06920.12300.620.770.680.630.670.710.750.710.760.9800.5010.500.5000.500.50.50.5001000011111100000.31580.31581.00000.73680.26320.94740.36840.05260.897400.53130.59380.93750.43750.50001.00000.37500.31250.6563根據(jù)以上數(shù)據(jù)對(duì)這一地區(qū)的地震進(jìn)行預(yù)測(cè)，其中待測(cè)數(shù)據(jù)如表2，并對(duì)該地區(qū)的地震定級(jí)。表2地震累計(jì)頻度累計(jì)釋放

3、能量B值異常地震群個(gè)數(shù)地震條帶個(gè)數(shù)活動(dòng)周期相關(guān)區(qū)震級(jí)實(shí)際震級(jí)0.02700.17550.43200.49950.68850.54000.16200.07420.36670.37900.43470.58420.80380.25650.620.770.680.630.670.710.75000.500.50.5000.5000.50.5001111110.21050.73680.26320.68420.42110.57890.47370.18750.40620.43750.59380.62500.71870.3750一、問題重述以我國西南某地震常發(fā)地區(qū)的地震資料作為樣本來源，基于BP神經(jīng)網(wǎng)絡(luò)對(duì)該地

4、的地震進(jìn)行預(yù)測(cè)。通過對(duì)該地區(qū)地震的統(tǒng)計(jì)，從中提取出7個(gè)預(yù)測(cè)因子作為輸入向量，實(shí)際的震級(jí)作為輸出向量，對(duì)已有的數(shù)據(jù)進(jìn)行歸一化處理，建立一個(gè)BP神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練、仿真，滿足允許的一定誤差后，對(duì)該地區(qū)震級(jí)進(jìn)行預(yù)測(cè)（待測(cè)數(shù)據(jù)如表2）。二、問題分析引發(fā)地震的相關(guān)性因素很多，其產(chǎn)生機(jī)理的復(fù)雜性、孕育過程的非線性和認(rèn)識(shí)問題的困難性使得人們很難建立較完善的物理理論模型。對(duì)有關(guān)物理參數(shù)加以精確的描述，只能借助一些觀測(cè)到的相關(guān)現(xiàn)象進(jìn)行分析、總結(jié)和推理。相對(duì)于傳統(tǒng)的預(yù)報(bào)方法，神經(jīng)網(wǎng)絡(luò)以其容錯(cuò)能力強(qiáng)、預(yù)測(cè)與識(shí)別速度快和避開了特征因素與判別目標(biāo)的復(fù)雜關(guān)系描述，特別是公式的描述等特性能夠?qū)?fù)雜系統(tǒng)模型進(jìn)行很好的預(yù)測(cè)。因此

5、根據(jù)已知的資料實(shí)現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)的地震預(yù)測(cè),利用已知的數(shù)據(jù)通BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練，在這里采用單層隱的BP網(wǎng)絡(luò)進(jìn)行地震預(yù)測(cè)。初步確定隱含層，在三層BP網(wǎng)絡(luò)中隱含層神經(jīng)元個(gè)數(shù)a和輸層神經(jīng)元個(gè)數(shù)b之間有以下近似關(guān)系：a=2b+1。由于輸入樣本為7維向量，因此，輸入層一共有7個(gè)神經(jīng)元，則中間層應(yīng)該有15個(gè)神經(jīng)元。網(wǎng)絡(luò)只有1個(gè)輸出數(shù)據(jù)，則輸出層只有1個(gè)神經(jīng)元，因此，網(wǎng)絡(luò)應(yīng)該為7，15，1的結(jié)構(gòu)。按照BP網(wǎng)絡(luò)的一般設(shè)計(jì)原則，由于輸出已被歸一化到區(qū)間0，1中，因此，隱含層神經(jīng)的激活函數(shù)可設(shè)定為tansig；輸出層神經(jīng)元的傳遞函數(shù)可以設(shè)定為S型對(duì)數(shù)函數(shù)即logsig函數(shù)。三、模型假設(shè)1、神經(jīng)網(wǎng)絡(luò)在外界輸入

6、樣本的刺激下不斷改變網(wǎng)絡(luò)的連接權(quán)值,以使網(wǎng)絡(luò)的輸出不斷地接近期望的輸出。2、對(duì)各連接權(quán)值的動(dòng)態(tài)調(diào)整。3、權(quán)值調(diào)整規(guī)則，即在學(xué)習(xí)過程中網(wǎng)絡(luò)中各神經(jīng)元的連接權(quán)變化所依據(jù)的一定的調(diào)整規(guī)則。4、學(xué)習(xí)是有有導(dǎo)師學(xué)習(xí)法。四、符號(hào)說明BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建格式及其使用函數(shù)1、net=newff(PR，S1S2.SN1，TF1TF2.TFN1，BTF，BLF，PF)，2、net為創(chuàng)建的新BP神經(jīng)網(wǎng)絡(luò)；3、PR為網(wǎng)絡(luò)輸入取向量取值范圍的矩陣；4、S1S2SNl表示網(wǎng)絡(luò)隱含層和輸出層神經(jīng)元的個(gè)數(shù)；5、TFlTF2TFN1表示網(wǎng)絡(luò)隱含層和輸出層的傳輸函數(shù)，默認(rèn)為tansig；6、BTF表示網(wǎng)絡(luò)的訓(xùn)練函數(shù)，默認(rèn)為trai

7、nlm；7、BLF表示網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)函數(shù)，默認(rèn)為learngdm；8、PF表示性能數(shù)，默認(rèn)為mse。9、a=logsig():對(duì)數(shù)Sigmoid激活函數(shù),對(duì)數(shù)Sigmoid函數(shù)把神經(jīng)元的輸入范圍從(-，+)映射到(0，1)。它是可導(dǎo)函數(shù)，適用于BP訓(xùn)練的神經(jīng)元。10、Net=train()：神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)。11、Net=sim():神經(jīng)網(wǎng)絡(luò)仿真函數(shù)。如圖1所示，一個(gè)具有n個(gè)輸入的神經(jīng)元模型X(x,x,.x)為12、a=postmnmx():數(shù)據(jù)的反歸一化處理。五、模型建立1、BP神經(jīng)網(wǎng)絡(luò)模型12n神經(jīng)元的輸入,為可調(diào)的輸入權(quán)值,W(w,w,.w)為偏移信號(hào),用12n于建模神經(jīng)元的興奮閾值.u

8、和f分別表示神經(jīng)元的基函數(shù)和激活函數(shù).基函數(shù)u是一個(gè)多輸入單輸出函數(shù),u=u();激活函數(shù)f的一般作用是對(duì)基函數(shù)的輸出進(jìn)行“擠壓”:y=f(u),即通過非線性函數(shù)f()將u變換到指定范圍內(nèi).xx12w1w2ufYx.wnn圖1神經(jīng)網(wǎng)絡(luò)模型本題中用到的訓(xùn)練樣本P為10組,每組7個(gè)數(shù)據(jù),分別是與震級(jí)有關(guān)的7個(gè)預(yù)告因子。在三層BP網(wǎng)絡(luò)中隱含層神經(jīng)元個(gè)數(shù)a和輸層神經(jīng)元個(gè)數(shù)b之間有以下近似關(guān)系：a=2b+1。因此輸入層一共有7個(gè)神經(jīng)元，則中間層應(yīng)該有15個(gè)神經(jīng)元。網(wǎng)絡(luò)只有1個(gè)輸出數(shù)據(jù)，則輸出層只有1個(gè)神經(jīng)元，因此，網(wǎng)絡(luò)應(yīng)該為7，15，1的結(jié)構(gòu)，如圖2，放能量b值震群數(shù)帶個(gè)數(shù)地震累計(jì)累計(jì)釋異常地地震條頻數(shù)

9、活動(dòng)周期相關(guān)區(qū)震級(jí).震級(jí)圖2地震預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型用輸入的10組訓(xùn)練樣本P對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,使它能夠根據(jù)輸入數(shù)據(jù),預(yù)測(cè)實(shí)際震級(jí).網(wǎng)絡(luò)的實(shí)際輸出用Y表示。六、模型求解利用表1的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練后的網(wǎng)絡(luò)才有可能滿足于實(shí)際應(yīng)用的要求，網(wǎng)絡(luò)的訓(xùn)練次數(shù)如圖3。由于本題所給的數(shù)據(jù)已經(jīng)是經(jīng)過歸一化處理的，在數(shù)據(jù)反歸一化時(shí)，不能確定原數(shù)據(jù)的最大值與最小值。根據(jù)我們查閱資料，在此題中我們采用的最大與最小值4.46.1。通過訓(xùn)練后的震級(jí)Y=0.00870.53130.59380.93770.43750.50000.99500.37500.31220.6563；實(shí)際的震級(jí)Y1=00.53130.59380.93

10、750.43750.50001.00000.37500.31250.6563;誤差值e=0.00870.00000.00000.00020.00000.00000.00500.00000.00030.000；對(duì)表2數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)測(cè)試：網(wǎng)絡(luò)輸出=0.01200.72660.35150.66310.65540.75700.5027；實(shí)際的震級(jí)=0.18750.40620.43750.59380.62500.71870.3750；對(duì)表2的數(shù)據(jù)的輸出結(jié)果經(jīng)過反歸一化處理后得到預(yù)報(bào)震級(jí)和實(shí)際震級(jí)相比較可得到網(wǎng)絡(luò)的預(yù)報(bào)誤差(如圖4，如表3所示)。圖3訓(xùn)練次數(shù)0.350.30.250.20.150.10.05

11、01234567圖4誤差值表3預(yù)測(cè)誤差實(shí)際震級(jí)預(yù)測(cè)震級(jí)預(yù)測(cè)誤差5.40945.26020.14925.59535.86760.27235.62195.54880.07315.75475.81370.05895.78135.80710.02595.86095.89340.03255.56875.67730.1086接著對(duì)隱含層的層數(shù)進(jìn)行調(diào)整，分別調(diào)為3,10,20,13等對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，然后與15時(shí)的預(yù)測(cè)結(jié)果的誤差進(jìn)行對(duì)比(如圖5)。使用不同層數(shù)與實(shí)際震級(jí)的對(duì)比（如圖4），雖然網(wǎng)絡(luò)訓(xùn)練的精度提高，并不意味著層數(shù)越多預(yù)測(cè)的效果越好，相反取3層得效果要好于20層，但是與15層相比而言，他的精確

12、度要小一些。所以對(duì)于BP神經(jīng)網(wǎng)絡(luò)的隱含層的層數(shù)而言，不是越多越好。1.51實(shí)際值15層3層10層20層13層0.501234567圖5不同層數(shù)之間對(duì)比七、參考文獻(xiàn)1.楊居義,易永宏，基于BP神經(jīng)網(wǎng)絡(luò)的地震預(yù)測(cè)研究J，微電子學(xué)與計(jì)算機(jī)，1000-7180(2008)10-012904。2.劉洪海陳晨,基于BP神經(jīng)網(wǎng)絡(luò)的地震預(yù)測(cè)J,中國科技信息,2009年第7期.八、附錄7.1、clearallclccloseallA=xlsread(dizhenxuexi.xls)%讀表一的數(shù)據(jù)P=A(:,1:7);T=A(:,8);%建立7*15*1結(jié)構(gòu)的BP網(wǎng)絡(luò)net=newff(01;01;01;01;0

13、1;01;01,7,15,1,tansig,logsig,purelin,traingdx)net.trainParam.goal=0.0001%設(shè)定誤差net.trainParam.epochs=10000%設(shè)定最大迭代次數(shù)net=train(net,P,T)%對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練aa=sim(net,P)%對(duì)網(wǎng)絡(luò)進(jìn)行訪真%畫圖像，將表一的實(shí)際震級(jí)與預(yù)測(cè)震級(jí)進(jìn)行對(duì)比，-*表示實(shí)際震級(jí)，-+表示預(yù)測(cè)震級(jí)figureX=1:10;plot(X,T,-*,X,aa,R-+)a=xlsread(dizhenceshi.xls)%讀表二的數(shù)據(jù)p=a(:,1:7);an=sim(net,p)%對(duì)表二的數(shù)據(jù)進(jìn)行

14、仿真%對(duì)表二的地震預(yù)測(cè)值反歸一處理ant=postmnmx(an,4.4,6.1)%對(duì)表二的地震實(shí)際值進(jìn)行反歸一處理ann=a(:,8);x_min=min(ann(1,:);x_max=max(ann(1,:);tt=postmnmx(ann,4.4,6.1)%畫圖像，將表二的實(shí)際震級(jí)與預(yù)測(cè)震級(jí)進(jìn)行對(duì)比，-表示實(shí)際震級(jí)，-+表示預(yù)測(cè)震級(jí)figurex=1:7;plot(x,tt,-,x,ant,R-+)%誤差圖像c=tt-ant%預(yù)測(cè)誤差;figureplot(x,tt-ant)7.2clearallclccloseall%*隱含層的層數(shù)為15層*A=xlsread(dizhenxuexi.

15、xls)%讀表一的數(shù)據(jù)P=A(:,1:7);T=A(:,8);%建立7*15*1結(jié)構(gòu)的BP網(wǎng)絡(luò)net=newff(01;01;01;01;01;01;01,7,15,1,tansig,logsig,logsig,traingdx)net.trainParam.goal=0.00001%設(shè)定誤差net.trainParam.epochs=10000%設(shè)定最大迭代次數(shù)net=train(net,P,T)%對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練aa=sim(net,P)%對(duì)網(wǎng)絡(luò)進(jìn)行訪真%畫圖像，將表一的實(shí)際震級(jí)與預(yù)測(cè)震級(jí)進(jìn)行對(duì)比，-*表示實(shí)際震級(jí)，-+表示預(yù)測(cè)震級(jí)X=1:10;figure(1)plot(X,T,-*,X,

16、aa,R-+)%*對(duì)表2數(shù)據(jù)進(jìn)行預(yù)測(cè)*a=xlsread(dizhenceshi.xls)%讀表二的數(shù)據(jù)p=a(:,1:7);an=sim(net,p)%對(duì)表二的數(shù)據(jù)進(jìn)行仿真m=1:7;t=a(:,8);figure(2)plot(m,t,-,m,an,-);%對(duì)表二的地震預(yù)測(cè)值反歸一處理ant=postmnmx(an,4.4,6.1)%對(duì)表二的地震實(shí)際值進(jìn)行反歸一處理ann=a(:,8);x_min=min(ann(1,:);x_max=max(ann(1,:);tt=postmnmx(ann,4.4,6.1)c=abs(tt-ant)%預(yù)測(cè)誤差;%*隱含層的層數(shù)為3層*A=xlsread(

17、dizhenxuexi.xls)%讀表一的數(shù)據(jù)P=A(:,1:7);T=A(:,8);%建立7*3*1結(jié)構(gòu)的BP網(wǎng)絡(luò)net=newff(01;01;01;01;01;01;01,7,3,1,tansig,logsig,logsig,traingdx)net.trainParam.goal=0.00001%設(shè)定誤差net.trainParam.epochs=10000%設(shè)定最大迭代次數(shù)net=train(net,P,T)%對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練aa=sim(net,P)%對(duì)網(wǎng)絡(luò)進(jìn)行訪真a=xlsread(dizhenceshi.xls)p=a(:,1:7);an1=sim(net,p)%對(duì)表二的數(shù)據(jù)進(jìn)行

18、仿真%對(duì)表二的地震預(yù)測(cè)值反歸一處理ant=postmnmx(an,4.4,6.1)%對(duì)表二的地震實(shí)際值進(jìn)行反歸一處理ann=a(:,8);x_min=min(ann(1,:);x_max=max(ann(1,:);tt=postmnmx(ann,4.4,6.1)c1=abs(tt-ant)%預(yù)測(cè)誤差;%*隱含層的層數(shù)為10層*A=xlsread(dizhenxuexi.xls)%讀表一的數(shù)據(jù)P=A(:,1:7);T=A(:,8);%建立7*10*1結(jié)構(gòu)的BP網(wǎng)絡(luò)net=newff(01;01;01;01;01;01;01,7,10,1,tansig,logsig,logsig,traingdx

19、)net.trainParam.goal=0.00001%設(shè)定誤差net.trainParam.epochs=10000%設(shè)定最大迭代次數(shù)net=train(net,P,T)%對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練aa=sim(net,P)%對(duì)網(wǎng)絡(luò)進(jìn)行訪真a=xlsread(dizhenceshi.xls)p=a(:,1:7);an2=sim(net,p)%對(duì)表二的數(shù)據(jù)進(jìn)行仿真%對(duì)表二的地震預(yù)測(cè)值反歸一處理ant=postmnmx(an,4.4,6.1)%對(duì)表二的地震實(shí)際值進(jìn)行反歸一處理ann=a(:,8);x_min=min(ann(1,:);x_max=max(ann(1,:);tt=postmnmx(ann,4

20、.4,6.1)c2=abs(tt-ant)%預(yù)測(cè)誤差;%*隱含層的層數(shù)為20層*A=xlsread(dizhenxuexi.xls)%讀表一的數(shù)據(jù)P=A(:,1:7);T=A(:,8);%建立7*20*1結(jié)構(gòu)的BP網(wǎng)絡(luò)net=newff(01;01;01;01;01;01;01,7,20,1,tansig,logsig,logsig,traingdx)net.trainParam.goal=0.00001%設(shè)定誤差net.trainParam.epochs=10000%設(shè)定最大迭代次數(shù)net=train(net,P,T)%對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練aa=sim(net,P)%對(duì)網(wǎng)絡(luò)進(jìn)行訪真a=xlsread(dizhenceshi.xls)p=a(:,1:7);an3=sim(net,p)%對(duì)表二的數(shù)據(jù)進(jìn)行仿真%對(duì)表二的地震預(yù)測(cè)值反歸一處理ant=postmnmx(an,4.4,6.1)%對(duì)表二的地震實(shí)際值進(jìn)行反歸一處理ann=a(:,8);x_min=min(ann(1,:);x_max=max(ann(