试点论坛
shi dian lun tan
297BP神经网络在滑坡位移预测中的应用
◎王锡斐
摘要：本文针对降雨型滑坡位移预测问题，采用基于神经网络的位移预测算法。采用60d的数据作为样本训练，采用60d-70d的数据对预测结果进行检验，最终位移预测精度MAE达到0.05mm，故本文建立的方法具有一定的实用性，是较为合理的。关键词：降雨型滑坡；位移预测；神经网络
滑坡是一种常见的且危害巨大的地质灾害，尤其在我国西南地区，由于地形的起伏以及地势落差为滑坡孕育带来了天然的条件，给当地居民生命财产安全带来了严重的威胁，因此整治滑坡的意义非常重大。针对滑坡的位移进行分析，预测其发生与发展，对滑坡的认识与防治产生很大的意义，许强等人认为目前常用的阈值预警方法误报、漏报率较高，应将预警的重心转移到对历史数据的统计分析和基于变形、雨量等关键指标的预警模型和判据研究[1]。在滑坡早期识别方面，李云君等人使用逻辑回归方法结合地形因子及降雨因素对大范围滑坡进行动态判断，及时发现灾害隐患点[2]。时间序列、支持向量机回归SVR等回归预测模型均是在滑坡位移预测方面大量使用的模型[3-5]。然而，滑坡受多方面内外因素影响，如何实现及时、高精度的预测是目前面临的主要问题。滑坡是一个极其复杂的结构，传统的统计算法由于参数过少，导致预测的精度不高，神经网络通过大量神经元带来的计算优势可以适用于滑坡预测。一、模型设计在模型中，神经网络负责对数据进行拟合。神经网络拥有大量的神经单元，通过前向传播计算滑坡位移预测值，通过反向传递根据式2修正滑坡位移预测值，不断的对预测结果进行优化，直到预测结果逼近实际测得的滑坡位移值。 （2）其中分别为滑坡位移实际值与滑坡位移预估值；为样本含量，为神经网络中的权重参数。 （一）神经网络设置BP神经网络搭建的过程主要包括了学习率超参数设置、损失函数设置、Batch-size批次大小设置，优化算法设置以及自身的结构设置。本文在多次试验后将神经网络结构设置为9层（不包括输入层），各层单元数量分别为25，45，60，75，60，45，30，20，1；学习率根据每次结果进行调试，最终确定为0.0049；代价函数常用的为均方差损失函数（MSELoss）；Batch-size设置为25个样本，即25个样本为一个批次；优化算法选择批次随机梯度下降算法。（二）模型精度评估本文对预测模型采用MAE的方法进行精度评估：平均绝对误差（Mean Absolute Error，MAE）： （11）
第５卷第２期 ２００８年４月 工程 球物理荸赧
ＣＨＩＮ『ＥＳＥ ＪＯＵＲＮＡＬ ＯＦ ＥＮＧＩＮＥＥＲＩＮＧ ＧＥＯＰＨＹＳＩＣＳ Ｖｏ１．５。Ｎｏ．２ Ａｐｒ．，２００８
文章编号：１６７２—７９４０（２００８）０２—０２２２—０５
基于ＢＰ神经网络的爆破振动峰值
及主频预测
张艺峰，姚道平，谢志招
（厦门地震勘测研究中心，厦门３６１０２１）
摘 要：针对当前爆破振动安全评价实践现状及不足，建立了基于ＢＰ神经网络理论的爆破振动模型。该模
型可根据各工程实际情况选取影响爆破振动的主要因素作为输入层参数，可同时预测爆破振动峰值和主振 频率。工程实例表明：基于ＢＰ神经网络的爆破振动模型比常规经验公式更简单实用，预测精度高，更符合 《爆破安全规程》（ＧＢ７２２—２００３）的评价要求。 关键词：爆破振动；ＢＰ神经网络；预测
中图分类号：Ｐ６３１．４ 文献标识码：Ａ 收稿日期：２００８一ｏ２—１２
Ｔｈｅ Ｐｒｅｄｉｃｔｉｏｎ ｏｆ Ｂｌａｓｔｉｎｇ Ｖｉｂｒａｔｉｏｎ Ｐｅａｋ Ｖａｌｕｅ＆Ｍａｉｎ
Ｆｒｅｑｕｅｎｃｙ ｂｙ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ
Ｚｈａｎｇ Ｙｉｆｅｎｇ，Ｙａｏ Ｄａｏｐｉｎｇ，Ｘｉｅ Ｚｈｉｚｈａｏ
（Ｘｉａｍｅｎ Ｓｅｉｓｍｉｃ Ｓｕｒｖｅｙ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ，Ｘｉａｍｅｎ ３６１０２１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｖｉｅｗ ｏｆ ｔｈｅ ｓｈｏｒｔａｇｅ ｏｆ ｃｕｒｒｅｎｔ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｓａｆｅｔｙ ａｐｐｒａｉｓａｌ，ｔｈｅ ｐａｐｅｒ ａｓ～ ｔａｂｌｉｓｈｅｓ ｍｏｄｅｌ ｏｆ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ ｂａｓｅｄ ｏｎ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｈｅｏｒｙ．Ａｃｃｏｒｄｉｎｇ ｔｏ
ｔｈｅ ａｃｔｕａｌ ｐｒｏｊｅｃｔ ｓｉｔｕａｔｉｏｎ，ｔｈｉｓ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｃａｎ ｔａｋｅ ｔｈｅ ｐｒｉｍａｒｙ ｆａｃｔｏｒｓ ｗｈｉｃｈ ｉｎｆｌｕ—
第３１卷第７期 ２０１１年７月 计算机应用 Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ Ｖｏ１．３１ Ｎｏ．７ Ｊｕｌｙ ２０１１
文章编号：１００１—９０８１（２０１１）０７—１７９３—０４ ｄｏｉ：１０．３７２４／ＳＰ．Ｊ．１０８７．２０１ １．０１７９３
神经网络和改进粒子群算法在地震预测中的应用
苏义鑫，沈俊，张丹红，胡孝芳
（武汉理工大学自动化学院，武汉４３００７０）
（ｐｒｏｅｖｏｌｕｔｉｏｎ＠１６３．ｃｏｉｎ）
摘要：提出了一种基于神经网络与改进粒子群算法的地震预测方法，该方法采用前向神经网络作为地震震级 的预测模型，引入改进的粒子群算法对前向网络的连接权值进行修正。为了设计在全局搜索和局部搜索之间取得最
佳平衡的惯性权重，基于粒子动态变异思想对粒子群优化算法进行改进，提出了一种动态变异粒子群优化算法，并将
其应用于地震震级预测神经网络模型优化。在仿真实验中，将所提出的方法与另外两个采用不同算法的前向网络预 测方法进行了比较。结果表明所提出的优化算法收敛速度最快，所得模型的预测误差最小，泛化能力最强，对地震的
中期预测有很好的参考作用。
关键词：地震预测；前馈神经网络；粒子群优化算法；ＢＰ算法
中图分类号：ＴＰ３１１ 文献标志码：Ａ
Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ａｎｄ ｉｍｐｒｏｖｅｄ
ＰＳＯ ａｌｇｏｒｉｔｈｍｓ ｔｏ ｅａｒｔｈｑｕａｋｅ ｐｒｅｄｉｃｔｉｏｎ
ＳＵ Ｙｉ－ｘｉｎ，ＳＨＥＮ Ｊｕｎ，ＺＨＡＮＧ Ｄａｎ—ｈｏｎｇ。ＨＵ Ｘｉａｏ．ｆａｎｇ
（Ｃｏｌｌｅｇｅ ｏｆＡｕｔｏｍａｔｉｏｎ，Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ Ｈｕｂｅｉ ４３００７０，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａｎ ｅａｒｔｈｑｕａｋｅ ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ａｎｄ ａｎ ｉｍｐｒｏｖｅｄ ｐａｒｔｉｃｌｅ
RI地震预测模型的分析及其验证
李炜;潘作舟;杨静
【摘 要】The movement of crust of the earth is an extremely complex and
chaotic phenomenon. It is very hard to make a prediction by surveying the
movement of crust. In order to make an accurate prediction,statistic as a
tool is a good choice. RI ( Relative-Intensity) al-gorithm builds an
earthquake forecast model which can make a prediction about the number
of earthquakes that will occur in the future af-ter learning the data of
earthquakes in the past. RI algorithm is based on an assumption that
earthquakes are considered likely to occur where earthquakes occurred
frequently in the past. RI divides model into several same-sized
boxes,calculates with the data within the bo-xes,and make a prediction of
every boxes. The sum of predictions of boxes in the target area is the
prediction of the target area. RI shows superior performance and accuracy
