共查询到10条相似文献，搜索用时 19 毫秒
1.
2.
3.
4.
5.
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
6.
统计分析了1962—2017年全球强震活动与地球自转角加速度变化过程的关系, 结果显示, 全球8级以上地震发生在地球自转角加速度下降期的概率相对自然概率高出12%, 达到64%, 统计结果具有显著性, 但7.5级和7.8级以上地震的统计结果没有显著性。 分区统计结果表明, 全球强震活动具有明显的区域性特征: 在地球自转角加速度上升期, 高于自然概率的强震主要分布在阿尔卑斯带中西段、 环太平洋地震带的琉球—菲律宾地区以及中国东部; 在地球自转角加速度下降期, 高于自然概率的强震主要分布在环太平洋地震带、 阿尔卑斯带中段(喜马拉雅弧)、 阿尔卑斯带东段(印尼岛弧海沟)以及中亚大陆地区。 分析认为地球自转角加速度变化过程与全球区域地震活动之间存在较强的相关性, 可能与地球自转角加速度变化引起板块间相互作用的强弱有关。 相似文献
7.
8.
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
9.
利用1963—2017年间中国大陆地区29次M_S≥7.0地震和全球范围内42次M_S≥8.0地震资料,根据地球自转速率季节性变化计算了它们的相位角,分析了它们的相位角分布,利用统计检验方法对它们与地球自转季节性变化之间的关系进行了检验。结果是:中国大陆地区M_S≥7.0地震,约81%的地震发生在地球自转速度季节性变化加速初期和高值点附近-减速初期,在α=0.001显著性水平下通过显著性检验。全球范围发生的M_S≥8.0地震,约68%的地震发生在地球自转速度季节性变化低值点附近,在α=0.001显著性水平下通过显著性检验。 相似文献
10.
利用1963—2017年间中国大陆地区29次MS≥7.0地震和全球范围内42次MS≥8.0地震资料，根据地球自转速率季节性变化计算了它们的相位角，分析了它们的相位角分布，利用统计检验方法对它们与地球自转季节性变化之间的关系进行了检验。结果是:中国大陆地区MS≥7.0地震，约81%的地震发生在地球自转速度季节性变化加速初期和高值点附近-减速初期，在α=0.001显著性水平下通过显著性检验。全球范围发生的MS≥8.0地震，约68%的地震发生在地球自转速度季节性变化低值点附近，在α=0.001显著性水平下通过显著性检验。 相似文献