资源描述：
《基于matlab工具箱的地震预测模型》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、第23卷第3期东北地震研究Vol.23No.32007年9月SEISMOLOGICALRESEARCHOFNORTHEASTCHINASep.2007基于MATLAB工具箱的地震预测模型魏红梅,黄世源,贺曼秋(重庆市地震局,重庆401147)摘要:地震分析和预测对未来地震趋势有一定预见性。本文建立了基于MATLAB工具箱的地震预测模型,通过建模、局限性分析,认为多元线性和非线性回归方法不适合地震预测,基于BP神经网络的方法在地震预报中有一定应用价值。关键词:多元线性回归;非线性回归;BP神经网络;地震预测
2、中图分类号:P315.7文献标识码:A文章编号:1004-2865(2007)03-64-050引言MATLAB工具箱函数以其强大的功能广泛应用于各个领域,包括数字信号处理、数据分析和统计以及算法建模和仿真等。前人已利用MATLAB工具箱函数成功实现了电力负荷预测、地下水质预测、GDP预测、降水量预报、地震预报等。本文通过分析认为地震各预报因子和未来地震震级之间存在强非线性,因此,传统的多元线性回归模型不再适用,而BP神经网络因其具有高度容错性、自组织、自适应和自学习功能,能分析较为复杂的非线性问题,在地
3、震预报中应用效果较好。1预测因子的选取引发地震的相关因素很多,本文以重庆地区地震资料作为样本来源,并根据这些地震资料提取出6个预测因子,即时间扫描窗长为2年,滑动步长为1年,ML2.0的地震b值、频次、能量释放、缺震、断层总面积和值,总共12个样本,并以在其后1年内发生的最大地震作为目标输出因子(表1)。2预测模型2.1多元线性回归方法分析以表1中前9个样本的次年最大震级为因变量,用6个预测因子为自变量,利用MATLAB工具箱的regress函数求得回归方程和检验参数为:1)回归方程:Y=-8.8158+
4、3.9911X1-0.0047X2-0.0021X3+2.9763X4-0.0033X5-0.3842X62)判定系数:R=0.9393,接近于1,说明拟合效果较好。收稿日期:2007.07作者简介:魏红梅(1980-),汉族,重庆市合川县人.2006年毕业于重庆大学,硕士.现从事地震预报工作.3期魏红梅等:基于MATLAB工具箱的地震预测模型653)F检验:F=2.497,与统计量F对应的概率P=0.313,远大于0.05,所以不能通过置信区间为0.95的F检验,回归模型不成立。4)残差分布图(图1):
5、5号和7号样本拟合效果不好。5)拟合和预测图(图2):预测效果差。表1预测因子样本编号b值频次能量释放缺震断层总面积!值次年最大震级10.931902894.43562.534.321.252641634.164253.274.331.191901714.243413.175.041.041205654.343433.344.051.26935244.282644.314.961.181033193.761663.034.070.935903213.81642.394.080.9790423.91952.
6、624.690.756611193.761241.943.5100.8651771534.183522.34.6111.22342344.263883.284.5120.858911284.021962.354.25目标输出1+拟合值o预测值0.54.50残差4次年最大震级-0.5-13.5123456789024681012样本数样本点图1残差分布图图2拟合、预测图Fig.1DistributionoftheresidualerrorFig.2Sketchofthefittingandforecast2
7、.2非线性回归方法分析MATLAB软件中非线性回归可由命令nlinfit来实现,函数调用过程中需要事先给出输入与输出之间的非线性函数关系,因此该方法适合于输入与输出间关系已知的情况,例如,在化工生产中获得的氯气的级分y随生产时间x下降关系为y=a+(0.49-a)e-b(x-8)。然而,地震产生机理的复杂性、孕育过程的非线性和认识问题的困难性使得我们很难建立各预测因子和目标输出间的理论模型,所以非线性回归方法在地震预测应用过程中存在局限性。2.3基于BP神经网络的分析神经网络输入的一维代表一个特征,当神经
8、网络的输入是多维时,要识别的模式就有多个特征,因为文中给出的6个特征的数据相差两个数量级,也就是说样本存在奇异性,而奇异样本数据66东北地震研究23卷会引起网络训练时间增加,并可能导致网络无法收敛,所以建立BP网络之前首先需要对样本数据做归一化处理,以防止某些数值低的特征被淹没。一般将各输入量归一化到[01]区间,但由于Sigmold函数在[00.1]和[0.91]区间内变化极为缓慢,容易陷入神经网络的饱和区,因而将各输入量均
