排序方式: 共有17条查询结果,搜索用时 15 毫秒
1.
2.
3.
针对影响地震伤亡人数的评价指标数量较多且各指标之间存在着复杂的非线性关系,运用机器学习理论,提出了基于支持向量机(Support Vector Machine)的地震伤亡人数预测模型;首先利用主成分分析法(Principle Component Analysis)对7个地震死亡人数影响指标进行数据降维,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预测模型的输入向量,将地震伤亡人数作为预测模型的输出向量;以27个地震伤亡实例作为学习样本进行训练,运用网格搜索法(Grid Search Method)寻优获得最优支持向量机参数,最终建立基于PCA-GSMSVM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。结果表明:PCA-GSM-SVM模型的最小误差、最大误差和平均误差分别为5.12%、15.7%和9.16%,其平均误差相比于GSM-SVM模型和SVM模型分别降低6.51%和7.11%,因此PCA-GSM-SVM模型预测精度较高,可在工程实际中推广。 相似文献
4.
通过分析MSDP二进制震相文件结构特点,利用Visual Basic语言研发震相数据提取软件,自动提取震相文件数据,并形成地震目录、地震报告以及双差定位研究等所需格式的原始数据,将研究人员从繁琐的数据格式转换中解脱出来,以大幅度提高科研进程和准确度。 相似文献
5.
本文利用川西地震台阵记录到的远震P波走时数据和非线性层析成像算法,获得龙门山地区400 km深度范围内的三维P波速度结构.为了适应川西地区复杂的地质结构,本文的层析成像方法采用了快速行进三维走时计算算法和Tarantola非线性反演算法.我们的结果揭示了川滇地块、松潘-甘孜地块和四川盆地三个不同地块构造差异及该区深部动力学特征.本文的研究表明:1)研究区地壳上地幔P波速度结构具有较为明显的分区特征,松潘-甘孜地块和川滇地块岩石圈速度较低,四川盆地岩石圈速度较高,四川盆地的岩石圈厚度从南250 km向北逐渐减薄至100 km.松潘-甘孜地块上地幔存在地幔上涌的特征.2)川滇地块和四川盆地仅是垂直接触关系,而在龙门山地区四川盆地前缘存在减薄的现象,并伴随松潘-甘孜地块上地幔低速物质有侵入四川盆地岩石圈下方的特征,这显示了四川盆地与松潘-甘孜地块和川滇地块的动力学关系的差异.3)以映秀为界,龙门山断裂带被从松潘-甘孜侵入的低速异常分为南北两段:龙门山南段和龙门山北段,汶川大地震及其余震序列均分布在龙门山断裂带的北段.在青藏高原向东挤压和地幔上涌的双重作用下造成松潘-甘孜地块隆升,由于汶川处于龙门山北段的最南端,应力容易在此集中.这些因素可能是汶川MS8.0地震的基本动力学背景.本文的结果不支持四川盆地的俯冲及层间流动的动力学模型. 相似文献
6.
基于CM4模型的中国大陆地区地磁场时空分布特征分析 总被引:1,自引:1,他引:0
本文利用第四代地磁场综合模型(Comprehensive Model 4,CM4),计算了1982-2001年中国大陆地区同一经度链和同一纬度链上地磁台站的磁层源磁场及其感应场、电离层源磁场及其感应场的地磁北向分量X、东向分量Y、垂直分量Z的模型值,分析了各场源磁场随时间和空间的变化特征。结果表明:在时间上,经度链和纬度链台站的磁层源磁场及其感应场均呈现出11年和27天周期性变化。电离层源磁场及其感应场具有明显的季节变化,不同年份相同季节变化形态一致但幅度不同。在空间分布上,经度链和纬度链台站磁层源磁场及其感应场的年变化幅度呈现出不同变化特征,电离层源磁场及其感应场在经度链上变化特征不同,而纬度链台站的数值基本一致。日变化分析显示,磁静日和磁扰日期间,模型数据与台站实测数据变化一致性较好,相关性较高。 相似文献
7.
8.
9.
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
10.
为有效解决地震伤亡人数预测所需影响因子多、 运算量大、 模型训练烦琐等问题, 构建了主成分分析法(PCA)和遗传算法(GA)优化的支持向量机(SVM)模型, 采用PCA对地震伤亡人数影响因子进行降维以去除贡献率较低的主成分, 将贡献率较大的主成分作为支持向量机的输入变量, 以地震伤亡人数作为输出变量, 利用GA对SVM模型性能参数进行优化, 建立基于PCA-GA-SVM的地震伤亡人数预测模型, 并对测试样本进行预测, 结果表明: 与SVM模型、 GA-SVM模型和PCA-GA-BP模型相比, PCA-GA-SVM模型的预测准确率和运行效率分别提高 4.73%、 1.14%、 9.99% 和47.05%、 36.76%、 44.55%。结果显示, PCA-GA-SVM模型预测精度高, 泛化能力强, 能够科学合理地对地震伤亡人数作出预测。 相似文献