地震前兆综合预测支持向量 - 中国地震信息网.pdf

地震前兆综合预测支持向量 - 中国地震信息网.pdf

  1. 1、本文档共6页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
维普资讯第卷第期地震年月地震前兆综合预测支持向量机模型研究武安绪张永仙张晓东李平安穆会泳鲁亚军北京市地震局北京中国地震台网中心北京摘要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

维普资讯 第 28卷 第 3期 地 震 VOI.28,No.3 2008年 7月 EARTHQUAKE JuI.,2008 地震前兆综合预测支持 向量 机模型研究 武安绪 ,张永仙。,张晓东。,李平安 ,穆会泳 ,鲁亚军 (1.北京市地震局 ,北京 100080;2.中国地震 台网中心 ,北京 100045) 摘要 :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 。 关键词 :支持 向量机 ;地震前兆 ;典型震例 ;综合预测 中图分类号:P315.7 文献标识码 :A 文章编号:1000—3274(2008)03—0055—06 引言 利用多种观测方法进行地震综合预测在整个防震减灾工作 中占据着十分重要的地 位[1],也是提高地震预测水平的技术方法之一 。在以往 的研究中大多采用统计分析方法, 虽然取得了一定成效 ,但 由于地震的复杂性关 系,效果不佳 ]。在实际地震预报 中,地震 前兆异常的持续时间和种类多少与未来地震震级大小有一定关系。但是 ,异常与地震之间 具有较强的不确定性和不可重复性。同样,一些异常出现后 ,其后也不一定发生较强地震。 因此 ,地震前 的各类异常与未来地震的震级之间具有较强的非线性关系 ,其很难通过某种 解析表达式进行表达[2]。而近年发展的支持向理机是一种高度 自适应的非线性动力系统, 其最显著特点适合于小样本事件 ,通过支持向理机学习可以获得输入与输出之间的高度非 线性映射,因此使用支持 向理机可很好地建立起输入与输 出之间的非线性不确定复杂关 系[5]l[。本文运用支持向量机算法 ,以实际发生的震例为支持 向量机 的训练和预测样本 , 建立起地震各类前兆与地震震级之间的非线性映射关系 ,形成地震预测综合模型,探讨利 用前兆异常进行地震震级综合预测的实用方法。 * 收稿 日期 :2007—09—27;修 改回日期 :2007—12—21 基金项 目:国家科技攻关项 目(2006BAC01B03—04—04;03—02—03);地震科学联合基金 (A07058) 作者简介 :武安绪(1967-),男 ,河南邓州人 ,副研究员 ,主要从事地震预测与系统等研究 。 维普资讯 地 震 1 支持向量机(SVM)与回归算法 1.1 支持向量机的基本原理 支持向量机 (SupportVectorMachines,SVM)是由Vapnik等_5于 1995年在统计学习 理论的基础上首次提 出的一种新学习算 法 ,根据 Vapnik Chervonenkis的统计学习理 论 ,如果数据服从某个 (固定但未知的)分布 ,要使机器的实际输出与理想输出之间的偏差 尽可能小 ,则机器应当遵循结构风险最小化原理 ,而不是经验风险最小化原理,支持向量 机正是这一理论的具体实现,即在有限样本条件下对统计学习中的VC维理论和结构风险 最小原理 的实现。与传统的神经网络学习方法相比,支持向量机方法以最小结构风险代替 了传统的经验风险,求解的是一个二次型寻优问题 ,从理论上说,得到的将是全局最优点, 解决了在神经网络方法中无法避免的局部极值问题嘲 ;支持向量机拓扑结构 由支持 向 量决定 ,避免了传统神经网络拓扑结构需要经验试凑的方法_l5]。

文档评论(0)

wangsux + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档