共查询到18条相似文献,搜索用时 109 毫秒
1.
应用小波变换和最小二乘支持向量机(LSSVM)相结合的方法(小波-LSSVM)预测华南地震区年度最大地震。先用小波变换将地震序列分解成不同尺度水平(频率段)的子序列,再用LSSVM方法分别对各子序列建模预测,最后重构各子序列的预测结果并得到最终预测结果。经与周期图方法和LSSVM预测方法比较研究表明:模型输入量中包含地球自转速率变化的小波-LSSVM方法预测效果很好,可以用于华南地区年度最大地震预测研究,且地球自转变化与华南地震时间序列的低频部分(趋势)和高频部分(短期变化)之间存在很强的、互不相同的非线性关系。 相似文献
2.
中国大陆强震时间序列预测的支持向量机方法 总被引:12,自引:2,他引:12
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。 相似文献
3.
水库诱发地震震级(M)的预测是在地震工程中的一项重要任务。本文采用支持向量机(SVM)和高斯过程回归(GPR)模型根据水库的参数预测了水库诱发地震震级(M)。综合参数(E)和最大的水库深度(H)作为支持向量机和高斯过程回归模型的输入参数。我们给出一个方程确定水库诱发地震震级(M)。将本文开发的支持向量机和建立的高斯过程回归方法与人工神经网络(ANN)方法相比。结果表明,本文研发的支持向量机和高斯过程回归方法是预测水库诱发地震震级(M)的有效工具。 相似文献
4.
5.
6.
7.
8.
地震前兆综合预测支持向量机模型研究 总被引:4,自引:0,他引:4
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。 相似文献
9.
10.
介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法,建立了地震序列分类模型。通过试算和分析比较得到了地震序列最佳分类模型,最佳模型的分类结果与实际地震序列分类基本一致。综合分析认为支持向量机算法无论在学习或者预测精度方面都具有很大的优越性,其获得的地震序列分类知识库可以较为准确地实现地震序列类型的分类,因此基于支持向量机理论建立的地震序列分类模型应该是可行的。 相似文献
11.
快速、准确地识别天然地震和人工爆破事件是地震台网监测的重要工作之一,也是提高地震观测记录质量、开展地震研究工作的重要基础.针对反向传播神经网络、支持向量机等主流分类识别方法在地震事件分类识别应用上的不足,提出一种基于改进 EWT 和 LogitBoost集成分类器的地震事件分类识别算法.首先,基于S谱能量曲线对传统经验小波变换进行改进,将信号自适应分解为按频率和能量分布的本征模函数;其次,提取 P波与S波最大振幅比,前4个本征模函数的香农熵、对数能量熵,以及去噪后重构信号主频等特征;最后,采用基于集成学习 LogitBoost的决策树集成分类器进行分类.实验结果表明,所提算法具有较高的鲁棒性,能有效解决样本不足的问题,识别准确率达93.1%以上,比集成学习 AdaBoost、反向传播神经网络和支持向量机等方法提高了1%以上,且分类识别效果好. 相似文献
12.
ProbabilityforecastofearthquakemagnitudeinChinesemainlandbeforeA.D.2005XIAO-QINGWANG(王晓青),ZHENG-XIANGFU(傅征祥)andMINGJIANG(蒋铭)... 相似文献
13.
利用小波变换具有的多分辨率特点,将时域信号通过小波分解与重构,分解到不同的频带上.分解步长的确定,采用不同尺度近似信号标准差变化平缓段的最小尺度值,从而避免了人为选择分解阶数可能造成的不完全分解或过度分解.分解后的信号不仅在频率成分上较单一,且平稳性较好.然后对小波分解重构后不同尺度的信号分别采用自回归滑动平均混合模型进行预测,再合成原始信号的预测值.对半年尺度的最大震级序列和地震总释放能量序列的一步预测,结果表明这样做有效地提高了预测精度,一步预测结果与实际观测结果不仅相关性高,而且两者的残差曲线离散性小,以此对未来地震形势的判断较目前常用的方法更为可靠. 相似文献
14.
15.
2021年5月21日及5月22日,云南漾濞县与青海玛多县分别发生破坏性地震,主震震级分别为Ms6.4级与Ms7.4级。本文基于机器学习中的支持向量机方法,以多类型特征参数为输入建立地震预警震级估算模型SVM-M,离线模拟云南漾濞Ms5.6级前震、Ms6.4级主震以及青海玛多Ms7.4级主震的连续震级估算。结果表明:对于云南漾濞Ms5.6级前震,支持向量机方法在首台触发后1s可估算震级为5.6级,且随着首台触发时间的增加,估算震级一直在实际震级附近波动;对于云南漾濞Ms6.4级主震和青海玛多Ms7.4级主震,随着首台触发时间的增加,支持向量机方法对于大震低估问题得到了有效的改善,且震级估算结果逐渐接近实际震级。同时,这3次地震的震级估算离线模拟表明:引入震源距的支持向量机方法(SVM-M1模型)对于震级估算有更好的稳定性,且在地震预警系统的震级估算中有着潜在的应用前景。 相似文献
16.
17.
为准确预测地震死亡人数,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对地震死亡人数7个影响因子中的6个进行数据降维,同时对第7个发震时刻因子单独进行区间分类,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为支持向量机的输入向量,通过粒子群算法寻优获得最优支持向量机模型参数,最终建立基于PCA-PSO-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测,同时对比分析包含和不包含发震时刻因子的2种情况下的模型预测效果。结果表明:在不考虑发震时刻因子的情况下,使用PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.85%、20%、10%,其平均误差相比PSO-SVM、SVM模型分别降低2.08%、2.28%;输入向量加入发震时刻因子分类数据后,PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.25%、20%、7.18%,其平均误差相比PSO-SVM、SVM模型分别降低3.34%、3.50%。因此,加入发震时刻因子后3种模型的平均误差明显降低,同时由于PCA-PSO-SVM模型进行主成分降维处理,能够明显提高运行效率和预测精度,故降低了模型复杂度。 相似文献