资源描述：
《基于人工神经网络的地震经济损失评估.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、23卷1期世界地震工程Vol.23,No.12007年3月WORLDEARTHQUAKEENGINEERINGMar.,2007文章编号:100726069(2007)0120146205基于人工神经网络的地震经济损失评估1,321马亚杰李永义韩秀丽(1.河北理工大学资源与环境学院,河北唐山063009;2.河北省唐山市广播电视大学,河北唐山063000;3.中国矿业大学资源与安全工程学院,北京100083)摘要:地震经济损失估计是涉及多方面、多级次的复杂指标体系的非线性动力问题。其指标体系的选取以具有代表性、可靠、易获取、易于定量化为
2、原则。应用MATLAB6.5神经网络工具箱,建立了适用于震后经济损失快速评估的三层BP神经网络地震灾害经济评估模型。关键词:地震经济损失;地震经济损失评估指标;人工神经网络中图分类号:P315文献标识码:AEarthquakeeconomiclossestimationbasedontheANN1,321MAYa2jieLIYong2yiHANXu2li(1.SchoolofResourcesandEnvironmentengineering,HebeiPolytechnicUniversity,Tangshan063009,China
3、;2.TangshanRadioandBroadcastingUniversity,Tangshan063000,China;3.SchoolofResourcesandSafetyEngineering,ChinaUniversityofMiningandTechnology,Beijing100083,China)Abstract:Theestimationofearthquakeeconomiclossisanon2lineardynamicproblemwhichinvolvesacomplexin2dexsystemrepre
4、sentingtheimpactofseveraldifferentaspectsandseveraldifferentlevelfactors.Representation,reliabilityandwitheaseachievingandquantifingareregardedastherulesoftheindexchoosing.WiththeANNtoolboxofMATLAB6.5,athree2layerBPnetworkmodelforearthquakeeconomiclossestimationisbuiltup
5、.Thismodelisapplicabletofastestimationofpost2quakeeconomicloss.Keywords:earthquakeeconomicloss;indexforearthquakeeconomiclossestimation;ANN1引言地震经济损失估计是减轻地震灾害的核心问题之一。统计资料表明,20世纪以来,随着减灾策略的实施,多次地震灾害中人员伤亡的数目有效减少,而经济损失却在不断刷新记录,例如1994年美国北岭地震、[1]1999年台湾集集地震及2001年印度古杰拉特邦7.7级地震等。
6、减轻地震灾害经济损失,维护社会可持续发展,应成为城市防震减灾主要的任务。地震经济损失估计为减灾策略实施、防震减灾决策重要的基础工作。近些年来,国内学者提出了一些地震灾害经济损失的评估模型。其中,尹之潜提出的地震经济损失计算方法广为应用。陈颙,刘杰等人采用统计学的方法,初步确定了GDP损失率与地震烈度的相关关系。此外[2～4]模糊数学、地理信息系统(GIS)等方法也被应用于地震经济损失的评估。地震经济损失取决于地面运动特征、工程结构特征和社会经济的发展情况。地震经济损失估计是一项考虑诸多影响因素的非线性复杂问题,这些影响因素具有不确定性、
7、离散性、随机性及相互之间的复杂关联性。神经网络可通过大量神经元简单处理单元构成非线性动力学系统,实现与人脑相似的学习、识别、记忆收稿日期:2006-08-12;修订日期:2006-11-17作者简介:马亚杰(1975-),女,讲师,主要从事地质灾害机理、灾害评估等方面研究.1期马亚杰等:基于人工神经网络的地震经济损失评估147等信息处理能力,并具有很强的自学习性、自组织性、容错性、高度非线性、高的鲁棒性、联想记忆功能和推理意识功能等。人工神网络从非线性的角度进行地震经济损失估计具有重要前景。2BP神经网络概述神经网络的种类很多,而反向误
8、差传播算法(backpropagation,以下简称BP网络)是应用最广泛、效果最好的方法,与其他传统模型相比,有更好的持久性和适时预报性。已经证明:由一个单隐层和非线性兴奋函数组成的BP网络,是通用的分类
