部分内容展示

地震是在极为复杂的地质环境下发生的一种自然现象，地震过程是高度非线性的、极为复杂的物理过程。地震预测主要受到地震物理过程复杂性、大地震的“非频发性”、以及地球内部的“不可入性”等困难的制约，在地震科学领域出现的有些困难利用传统方法已经很难解决，如顾及时、空、强三要素的地震预测、地震短临预报等问题，而在用传统理论和方法难以解决的这些问题方面，神经网络技术与传统方法相比具有明显优势^[1]。如果能准确地预测未来大地震发生的时间、地点和强度，无疑可以挽救生活在地震危险区的人民生命。同时，如果能预先采取防范措施，就有可能最大限度地减少地震造成的经济损失，保障社会稳定。因此，地震预测研究具有重要的科学意义，其研究成果必将产生巨大的社会效益和经济效益。目前，地震预报仍是世界公认的科学难题，在国内外都处于探索阶段，所观测到的各种可能与地震相关的现象都表现出极大的复杂性;所做出的预报主要是经验性的。因此，本文尝试利用BP神经网络技术提出区域地震预测思路，希望对攻克地震预测研究这项世界级科学难题有一定的参考价值及现实意义。
在地震预报中，地震参数已被广泛的应用于地震预报的研究和实践中。研究表明，每种地震参数在不同区域能够反映所在区域的地震活动性强弱也是有差别的，选择哪些参数用于地震预测仍然有待深入研究，所以在建立不同区域的地震预测模型时应该尽量挑选出最能反映地震活动性且能使预测模型具有较好的预测能力的地震参数。本文使用几种常见的能够描述地震时、空、强活动特性的地震参数(b值、η值、A(b)值、YH值、C值、D值、Mf值、A值、GL值、AC值与N值)进行地震预测研究^[2]。
AC值等地震参数，从不同侧面反应了地震活动时间、空间和强度特征。在实际预测中，常常在用地震参数进行地震预测时，会遇到不同参数得到不同结果的问题，这时，我们必须要考虑地震参数在地震预测中的权重，通过权值来综合分析这些参数，最终建立预测效果较好的模型。本文利用因子分析方法进行地震参数的筛选，通过因子分析法能够达到揭示原始变量之间的内在联系、合理解释原始变量与主要因子关系的目的。同时，因子分析方法能够最大限度地保留原有信息，并客观地确定各个原始变量的权数，避免主观随意性。
因子分析法是在为数众多的因素中，在减少丢失原来参数信息的基础上，利用对参数的相关矩阵的关系进行研究，将多个参数指标综合为少量的几个公共因子以简约参数指标，最后得到各个样本参数的定量评价的统计分析方法^[3]。其中最主要的是建立和分析正交因子模。假设地震参数为指标变量xi (i =1,2,..., p)这些地震参数其中某些参数之间有或多或少的相关性。先对每个地震参数进行标准化，本文的正交因子模型:存在m(m ≤p)个公共因子Fi(i =1,2,..., p)，使用地震参数xi线性组合表示为:
X=AF+ε
式中，X=(x1,x2,..., xp)是误差，ε=(ε1，ε2，…εp);F是公共因子，F=(F1,F2,..., Fm);A是因子载荷矩阵A=(aij)pxm。aij称为第i个指标在第j个公共因子上的载荷，这是第i个变量与第j个公共因子的相关系数。
对每个地震参数的140个原始数据进行标准化处理, 通过因子分析方法得到的各因子的特征值与贡献率，对初始因子载荷矩阵进行方差最大正交旋转后得到的因子载荷，计算出地震参数在各因子中的系数（特征向量）、特征值与贡献率，然后将全部6个公共因子累加计算得到综合得分模型，综合得分模型中每个地震参数所对应的系数即每个地虔参数的权重。