应用人工神经元网络方法识别近震与远震

应用人工神经元网络方法识别近震与远震

ID:11847303

大小:218.00 KB

页数:5页

时间:2018-07-14

应用人工神经元网络方法识别近震与远震_第1页
应用人工神经元网络方法识别近震与远震_第2页
应用人工神经元网络方法识别近震与远震_第3页
应用人工神经元网络方法识别近震与远震_第4页
应用人工神经元网络方法识别近震与远震_第5页
资源描述:

《应用人工神经元网络方法识别近震与远震》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、华南地震SOUTHCHINAJOURNALOFSEISMOLOGY第20卷第4期2000年12月Vol120,No14Dec1,2000应用人工神经元网络方法识别近震与远震李慧婷,黄文辉,陈贵美(广东省地震局,广东广州510070)摘要:利用人工神经元网络方法,提出了一种在实时系统中识别近震与远震的算法,并用广东省台网记录的地震波形数据进行训练和测试。结果表明,该算法能准确可靠地识别远、近震,可以应用于台网的实时处理系统。主题词:震相识别;人工神经元网络;实时系统中图分类号:TP183,P315163文献标识码:A文章编号:1001-8662(20

2、00)04-0071-051引言在测震台网实时处理系统中,实时自动定位是其中一个重要的组成部分,而近震和远震的区分则是自动定位的关键之一。赵仲和等曾用Wash变换和预加权白噪声区分近震和远震。和一般事件检测算法一样,如何定义特征函数和阈值的选择是比较困难的,同时还涉及到不同台站应有不同长期噪声的确定,所以,Wash变换较难应用且不容易推广。本文从区域台网实际需要出发,充分利用台网的现有波形资料和地震的区域特点,应用人工神经元网络(ANN)方法,提出一种在实时处理系统中识别近震和远震的算法。人工神经元网络(ANN)方法ANN是80年代中期迅速兴起的一

3、门非线性科学,已证明在模式识别方面非常有用。与某些统计模式识别方法和专家系统相比,ANN并不需要精确的概率分布模型,而且可以更好地处理数值数据。ANN是由一些简单的神经元(多实自变量的实值函数),及其层次组织的大规模并行连接构成的网络。一般包括3个主要因素:网络的拓扑结构、神经元传递函数和学习算法或训练规则。目前有许多种ANN,其中反向传播神经网络(BPNN)最为成熟和流行。BPNN网络由输入层节点、输出层节点和隐含层节点组成。隐含层节点可以是一层,也可以是多层。在BPNN网络中,学习过程由正向传播和反向传播组成。节点的传递函数通常2选用S型函数如

4、logSigmoid函数:logsig(x)=1/(1+exp(-x))。在正向传播中,输入信号从输入层经隐含层逐层处理并传向输出层,每层神经元的状态只影响下一层的神经元状态。如果输出层不能得到期望的输出,则转向误差反向传播,将输出信号的误差沿原来的连接路径返回,修正各层神经元的权值,使得误差信号最小。BPNN网络具有很强的自组织和自学习收稿日期:2000-06-12作者简介:李慧婷(1973-),女,助理工程师.从事测震分析工作.能力,通过对有代表性样本学习,能识别复杂的非线性系统。近震和远震识别是一个非线性的模式识别问题,利用BPNN解决是适合

5、的。3近震和远震的区分311预处理本算法应用于实时系统,选用P波震相附近的地震波作为研究对象。选取地震波的窗长为2~5s。识别近震和远震的基本原则是:近震的卓越频率较高,能量集中在高频端;远震图110次远(a)近震(b)P波的FFT归一化频谱值Fig11a.NormalizedspectralvaluesofP-waveoftenfarearthquakesb.NormalizedspectralvaluesofP-waveoftennearearthquakes的卓越频率较低,能量集中在低频端。为了突出地震波能量随频率的变化,同时降低输入层的节点

6、,有必要对原始地震波作快速傅立叶变换(FFT),并对频谱幅值作归一化处理(图1)。312BPNN的结构和参数选择BPNN在实际应用之前必须要经过训练和优化。虽然BPNN应用广泛,但目前网络的结图2人工神经元的训练结果a1网络输出残差平方和、网络数值平方和与有效使用的数值个数随训练次数的变化;b1网络实际输出与期望值的比较Fig12ThetrainedresultbyBPNNa1Thecurvesofsquaredsumofnetworkoutputerror,squaredsumofweightsandeffectivenumberofparame

7、tersversusthenumberoftrainingoutput;b1Thecomparisonofactualnetworkoutputandtheexpectedvalue构和参数的选取没有理论性的原则,通常是考察它们在测试集上的表现来决定。BPNN的输入层和输出层的节点个数可由问题本身特征决定。然而,隐含层的节点个数则是一个由设计者决定的参数。本算法的输入层共有64个节点,节点的输入对应于FFT的归一化幅值。输出层有一个节点,节点输出接近0时为远震,接近1时为近震。我们用4个节点构成隐含层,在训练方法一节中将说明选择4个节点的原因。31

8、3训练集的选择选择合适的训练集是BPNN能成功应用的关键步骤之一。由1999212~2000203广东省210级以上地震的

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。