《应用人工神经元网络方法识别近震与远震.doc》由会员分享，可在线阅读，更多相关《应用人工神经元网络方法识别近震与远震.doc（5页珍藏版）》请在三一文库上搜索。
1、华南地震SO U T H C HINA J O U RNAL O F S EISM OL O G Y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 : T
2、P183 , P315163 文献标识码 :A 文章编号 :1001 - 8662 (2000) 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
3、 , 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
4、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 log Sigmoid 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 -
5、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 25 s 。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 1 10 次远 (a) 近震 ( b) P 波的 FFT 归一化频谱值Fig11 a . Normalized spectral values
6、of P - wave of ten far earthquakesb. Normalized spectral values of P - wave of ten near earthquakes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 ,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
7、训练次数的变化 ;b1 网络实际输出与期望值的比较Fig12 The trained result by BPNNa1 The curves of squared sum of network output error , squared sum of weights and effective number of parameters versus the number of training output ;b1The comparison of actual network output and the expected value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
8、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 。313 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 P 波震相波形数据组成本次训练集数据 , 但不包括信噪比非常低的波形数 据 。训
9、练集中远震样本有 565 个 , 近震样本有 729 个 , 覆盖面较广 , 具有代表性 。314 训练方法为了使 BPNN 较 为 简 单 和 一 般 化 ( Generalization) , 我 们 采 用 自 动 正 则 化 ( AutomatedRegularization) BP 算法 。该算法的目标函数为msereg = r 3 mse + (1 + r) 3 msw其中 , 正则化参数为 r , 0 r 1 ; mse 为网络残差的平方和均值 ; msw 为网络权值的平方和 均值 。采用这种目标函数可以使网络具有较小的权值 , 网络输出更平稳 , 避免训练过度 。选取正确的 r
10、 很重要 , r 太大 , 可能训练过度 ; r 太小 , 网络将不能与训练集很好地拟合 。在自动正则化 BP 算法中 ,网络权值为贝叶斯分布的随机数 , r 则与贝叶斯分布的方差相关 , 因此我们 可以用统计方法来估计正则化参数 r 。自动正则化 BP 算法的最显著特点是提供了被网络有 效使用的权值个数的衡量 。不管网络有多大 , 有效使用的权值的个数应保持基本不变 。图 2 是本次训练集的训练结果 。图 2a 中 3 个子图从上至下分别表示网络输出残差平方 和 、网络平方权值和与有效使用的权值个数随训练次数的变化 。训练 70 次后 , 各个参数基 本不变 。其中有效使用的权值个数为 12
11、0 个左右 。隐含层共有 8 个节点时 , 权值个数 529 个 , 有效使用的权值个数占 20 %左右 , 网络过于复杂 ; 隐含层共有 2 个节点时 , 权值个数 为 133 个 , 有效使用的权值个数占 90 % , 但训练集输出较差 ; 隐含层共有 4 个节点时 , 权值个数 265 个 , 有效使用的权值个数占 46 % 。因此我们认为隐含层共有 4 个节点最合适 。图2b 为隐含层共有 4 个节点的网络输出对比图 。小圆圈为实际网络输出 , 折线为期望值 , 左 半部分为近震 , 右半部分为远震 。训练集只有 1 个近震和 2 个远震判断错误 , 这 3 个样本的 信噪比相对较低
12、, 震中距在 900 km 左右 , 可见网络训练结果令人满意 。315 测试结果为了 BPNN 的实用性 , 必须使用独立的地震波形数据测试 。我们已把本次训练的结果应 用于实时系统 。结果表明 : 从 2000 年 3 月至 9 月期间 , 广东省台网记录到 215 级以上的地震178 次 , 其中远震 97 次 , 近震 81 次 , 实时系统均成功地将地震正确地分类 。4结语本文的计算结果表明 :(1) 应用 BPNN 方法识别远震和近震是比较成功的 ;(2) 隐含层的节点个数可参考网络有效使用的权值个数来确定 ;(3) 由于地震波波形的区域性和不同台网使用的地震仪的差异 , 一个台网
13、应用本算法前 , 必须用本台网记录的地震波形数据训练 BPNN ;(4) BPNN 在实时系统中的应用前景广阔 , 如事件检测和震相识别等 。更进一步的研究将可以提高台网自动定位的能力 。参考文献 :12史忠植. 神经计算 M.北京 : 电子工业出版社 , 1993 . 65 - 66 .Goforth T , Heririn E. An automatic seismic signal detection algorithm based on the walsh transform J . Bull . Seism. Soc . Am.1981 , 71 , 1351 - 1360 .Wan
14、g Jin , Teng Ta Liang. Artifical neural network - based seismic etector J Bull . Seism. Soc . Am. 1995 , 85 , 308 - 319 .3Recognition of near and far earthqua ke by artif icial neural net workL I Hui2ting , HUANG Wen2hui , CHEN Gui2mei( Seismological B ureau of Guandong Province , Guangzhou 510070 ,
15、 China)Abstract : In this paper , an algorithm based on artificial neural network (ANN) is given for automaticrecognizing near and far earthquake . This algorithm can recognize near and far earthquake accurately through training and testing many samples of seismograms of GDDSN. The result shows that it can beapplied to real time seismic data process system.Key words : pha se identif ication ;artificial neural network , real time system