基于SOM和BP神經網絡的地震預報技術

項月文饒 泓湯蘭榮羅 麗曾文敬

1）中國南昌330039江西省地震局

2）中國江西330031南昌大學

基于SOM和BP神經網絡的地震預報技術

項月文1）饒 泓2）湯蘭榮1）羅 麗1）曾文敬1）

1）中國南昌330039江西省地震局

2）中國江西330031南昌大學

選取閩粵贛交界地區及東南沿海作為研究對象，以測震學前兆指標作為預報因子，使用SOM網絡對地震預報因子進行分類，分別構建BP網絡進行學習和預測，克服評測樣本數量有限且分布不均勻給測試帶來的困難。結果表明，該方法的預測精度優于單一采用BP網絡的精度，對地震預報具有一定應用價值。

地震預報；人工神經網絡； SOM神經網絡； BP神經網絡

0 引言

中國是世界上地震活動強烈的國家之一，地震災害嚴重威脅社會經濟發展和人民生命財產安全。引發地震的因素很多，強震的孕育和發生會經歷復雜的過程，使得地震活動具有高度非線性、信息非完備性、不可逆性和難以用動力學方程描述等特點。

人工神經網絡具有較強的非線性處理能力，在模式識別、信號處理、預測評估、自動化控制等領域已得到廣泛應用，取得較好的效果。近年來，一些地震科研人員在地震綜合預報（陳以等，2011；李煒等，2011；蘇義鑫等，2011）、震害預測（李焱等，2011）、地震分析（邊銀菊，2002）、地震工程（王虎栓，1993）等領域引入神經網絡理論，開展了一些研究。初步研究表明，一些結果優于傳統的統計模式識別方法，具有獨特優勢。

本文運用人工神經網絡模型，對閩粵贛交界及東南沿海未來半年內可能發生的最大地震震級進行建模和預測，以測震學前兆指標為基礎，對該區域中強地震進行研究，取得較好的預測效果，為預報未知地震提供參考信息，對地震預報工作有一定應用價值。

1 人工神經網絡理論

1.1 自組織特征映射（SOM）神經網絡

SOM網絡模擬大腦神經系統的聚類、自組織、自學習功能，是一種由全互連的神經元陣列組成的自組織、無監督的競爭式學習網絡，通過對輸入樣本的自組織學習，可以在無教師示范情況下對輸入樣本實現自動聚類。因此，該網絡被廣泛應用于優化問題、圖像壓縮、語言識別、機器人控制等領域。

SOM網絡為輸入層和競爭層（輸出層）的雙層結構，競爭層可以在一維或二維網絡矩陣上，形成輸入信號的特征拓撲分布，從而實現提取輸入信號模式特征的能力。圖1為二維網絡結構，輸入層有p個輸入節點，競爭層上q個輸出節點按二維形式構成一個節點矩陣，輸入節點和輸出節點之間均有權值連接，且競爭層上輸出節點之間也可能局部互連。

網絡輸入層接受樣本輸入模式后，分成不同區域，各區域中鄰近的神經元通過相互競爭與輸入模式進行匹配，最終競爭層某個神經元可產生最大響應而成為競爭的勝者，并確定獲勝鄰域，進而調整與其有關的各連接權值。經過多次迭代學習，SOM網絡以自組織方式調整網絡權值，自適應形成對輸入模式的不同響應檢測器，從而實現對輸入模式的聚類（張德豐等，2012）。

1.2 BP神經網絡

BP網絡是一種單向傳播的多層前向型神經網絡，利用非線性可微分函數進行權值訓練，是實際應用廣泛的神經網絡模型之一，結構簡單、可塑性強。因此，該網絡在函數逼近、模式識別、數據壓縮、信息分類等領域得到廣泛應用。

BP網絡通常由輸入層、中間層（隱含層）和輸出層組成，上下層之間為全連接，每層的神經元之間無連接，見圖2。BP算法建立在梯度下降法的基礎上，由信號的正向傳遞和誤差的反向傳播兩部分組成。當輸入信號進入網絡后，從輸入層經中間層（隱含層）逐層處理后向輸出層傳播，每一層神經元輸出只對下一層神經元輸出產生影響。如果目標輸出與實際誤差達不到期望值，則轉為反向傳播，從輸出層經中間層（隱含層）逐層修正各層間的權值和閾值，最終回到輸入層，經多次誤差逆傳播修正，直至網絡的預測輸出達到期望值（飛思科技產品研發中心，2005）。

圖1 SOM網絡結構Fig.1 SOM network structure

圖2 BP網絡結構Fig.2 BP network structure

2 地震數據選取

結合江西省歷年地震發生頻次及分布，將閩粵贛交界及東南沿海地區（21.0°—27.0°N，112.0°—119.9°E）作為研究區域，以保證地震樣本足夠多。選取1970年1月1日至2014年3月31日該區域地震目錄中大于等于ML5.0地震，共23條震例進行研究，見表1。

3 預報因子選取和計算

測震學前兆是指利用地震學方法揭示的地震記錄（地震目錄、地震圖等）中所包含的強震前兆信息，也稱震兆，主要包括地震活動圖像異常和地震波異常（張國民等，2001）。震兆研究在地震前兆與預報方法系統研究及地震預報方法實用研究中，工作比較系統詳細。

因此，本文選取測震學前兆指標作為神經網絡的預報因子，分別為半年內ML≥2.0地震累計頻度及能量釋放累計值、b值、異常震群個數、地震條帶個數、是否處于活動期、相關地震區震級。23條震例的震前變化值見表2。從表2可知，7個預報因子數據在不同數量級上，有的差別較大，會導致神經網絡訓練時間增加，甚至無法收斂（魏紅梅等，2007）。因此，事先對數據進行歸一化處理，可以簡化樣本分布，提高網絡的訓練速度和準確度。結合本文使用神經網絡模型的特點，將各輸入向量歸一化到［0.1 0.9］區間更為適宜。按式（1）對預報因子作歸一化處理。

表1 23條震例地震目錄Table1 Earthquake catalogue of 23 seismic samples

表2 預報因子匯總及歸一化處理后預報因子Table2 Predictor summary sheet and the normalized predictor

其中，x為原始值，y為歸一化后的值（即神經網絡輸入），Valuemax和Valuemin分別為樣本的最大值和最小值。歸一化處理后的預報因子數據見表2。

將上述經歸一化處理的數據通過神經網絡進行預測仿真后，要得到真實震級數據，必須按式（2）對網絡輸出向量進行反歸一化處理。

其中，z為歸一化后預測值（即神經網絡輸出），x為反歸一化后預測值。

4 神經網絡在地震預報中的應用

4.1 人工神經網絡預測原理

人工神經網絡是一種具有高度自適應、自組織、自學習、高度容錯、大規模并行處理和分布式信息存儲功能的非線性動力學系統，可以自動對大量已知樣本進行學習，并獲得隱含在樣本中的非線性關系，無需分析對象滿足一定規律或數學模型。因此，將人工神經網絡理論應用于地震預報將是有效的。

利用人工神經網絡預測時，需要大量樣本數據才能得到較高精確度。針對本文評測樣本數量有限且分布不均勻的情況，依據樣本點越類似、密度越大，則鄰域預測精度越高的網絡特性（王杰等，2004），提出首先使用SOM網絡對地震預報因子進行聚類，再對各樣本類分別構建BP網絡進行學習和預測方法，工作流程見圖3。通過對預報因子的聚類，使得內在規律較為相似的樣本能夠集中到各自樣本類，從而克服評測樣本數量有限且分布不均勻給測試帶來的困難，有效提高預測精度。

圖3 基于SOM和BP網絡模型的地震預報流程Fig.3 Flow chart of earthquake prediction based on SOM and BP network model

4.2 神經網絡模型Matlab實現

Matlab是由美國MathWorks公司開發的用于建模仿真、算法開發、實時實現、概念設計的理想集成環境，是目前最好的工程計算和仿真軟件。伴隨Matlab軟件的快速發展，為神經網絡理論的實現提供了一種便捷的仿真手段。本文采用Matlab R2011a作為仿真測試平臺，對所選23條震例進行仿真實驗。

（1）樣本數據分類。構建SOM網絡模型，對23組樣本數據進行分類。利用Matlab神經網絡工具箱提供的函數newsom，創建一個SOM網絡模型，網絡競爭層神經元的組織結構為1×3，其實現代碼為net=newsom（minmax（y），［1，3］）；。經過300次訓練后，樣本被自適應分為3類，分類結果見表3。

表3 樣本及訓練樣本和測試樣本分類Table3 The classifi cation table of the samples and training samples and test samples

（2）BP網絡模型構建。根據SOM網絡分類結果，構建3組BP網絡模型，采用單隱含層的網絡結構進行震級預測。由于選取7個測震學前兆指標作為輸入因子（預報因子），故輸入層有7個神經元。輸出因子為地震的實際震級，則輸出層有1個神經元。根據Kolmogorov定理，中間層神經元個數可在10—20之間選取，具體取值需在訓練仿真過程中通過觀察不同神經元個數對網絡性能的影響確定。利用Matlab神經網絡工具箱提供的函數newff，創建BP網絡模型，由于輸入和輸出向量已被歸一化到［0.1 0.9］區間，故中間層神經元傳遞函數采用S型正切函數tansig，輸出層神經元傳遞函數采用S型對數函數logsig。網絡訓練函數采用traingdx，利用動量及自適應lrBP的梯度遞減算法，對網絡進行訓練。其實現代碼為net=newff（threshold，［a（i），1］，｛'tansig'，'logsig'｝，'traingdx'）；。

（3）BP網絡訓練與仿真。按表3給出的3類訓練樣本和測試樣本，分別對3組BP網絡進行訓練和仿真。通過對網絡中間層神經元個數不同取值時網絡性能的比較，確定網絡中間層神經元數目的最佳值分別為：第Ⅰ組15個，第Ⅱ組20個，第Ⅲ組15個。對3個樣本類共8個測試樣本進行預測仿真，經反歸一化處理后，得到對應的震級預測結果及誤差。測試樣本預測震級及誤差見表4，3組BP網絡的訓練誤差曲線見圖4。

根據地震學家對地震預報的定義，震級誤差范圍應該在0.5級內（陳運泰，2007）。從表4可見，8個測試震例中，除第13、14號震例的誤差超出0.5級，其他均小于0.3級。其中第14號震例誤差較大，主要是由于第3組訓練樣本過少，導致網絡的泛化能力較差。由此可見，SOM神經網絡和BP神經網絡組合的預測效果比較理想，可以滿足實際應用要求。

表4 SOM+BP神經網絡與BP神經網絡預測結果對比Table4 Comparison of predicted results of SOM+BP neural network with BP neural network

圖4 BP網絡訓練誤差曲線（a）第Ⅰ組；（b）第Ⅱ組；（c）第Ⅲ組Fig.4 Training error curve of BP network

（4）預測結果對比分析。將本文SOM+BP神經網絡組合的預測效果與單一采用BP神經網絡（網絡結構為7×20×1）的預測效果進行對比，結果見表4。預測誤差對比曲線見圖5。由表4和圖5可知，單一采用BP神經網絡的8個測試震例中，第13、15、16、23號震例誤差超過0.5級（圖5中虛線），最大預測誤差1.162 2級，平均預測誤差0.488 7級，而采用SOM+BP神經網絡僅有第13、14號震例誤差超出0.5級（圖5中實線），最大預測誤差0.645 2級，平均預測誤差0.281 2級。無論是最大預測誤差還是平均預測誤差，SOM+BP神經網絡的預測效果明顯優于單一BP神經網絡。因此，采用將地震預報因子先聚類再分類建模和預測的方法，能有效提高預測精度。

圖5 SOM+BP神經網絡與BP神經網絡的預測誤差曲線Fig.5 Predicted error curve of SOM+BP and BP neural networks

5 結束語

本文以地震目錄作為數據來源，從中提取出相關的測震學前兆指標用作預報因子，以人工神經網絡理論為基礎，采用Matlab軟件的神經網絡工具箱函數構建網絡模型，并將SOM和BP兩種神經網絡模型相結合，實現了對未來半年內最大地震震級的預測。通過閩粵贛交界及東南沿海地區的地震數據檢驗表明，該方法通過對預報因子的聚類，克服了評測樣本數量有限且分布不均勻給測試帶來的困難，預測效果明顯優于單一BP神經網絡，有效提高預測精度，對地震預報工作具有一定應用價值。

邊銀菊.遺傳BP網絡在地震和爆破識別中的應用［J］.地震學報，2002，24（5）： 516-524.

陳以，王穎，張晉魁.組合人工神經網絡在地震預測中的應用研究［J］.計算機仿真，2011，28（1）： 190-193.

陳運泰.地震預測——進展、困難與前景［J］.地震地磁觀測與研究，2007，28（2）： 1-24.

飛思科技產品研發中心.神經網絡理論與Matlab7實現［M］.北京：電子工業出版杜，2005.

李煒，蔣阿芳，邱劍鋒.基于Matlab的BP神經網絡模型在地震預報中的應用［J］.井岡山大學學報（自然科學版），2011，32（1）： 76-80.

李焱，杜廣環.改進的BP算法在地震災害損失預測中的應用［J］.科學技術與工程，2011，11（9）： 1 902-1 905.

蘇義鑫，沈俊等.神經網絡和改進粒子群算法在地震預測中的應用［J］.計算機應用，2011，31（1）： 1 793-1 796.

王虎栓.基于人工神經元網絡的峰值地震動物理參數的智能判別［J］.地震學報，1993，15（2）： 208-216.

王杰，閆東偉.提高預測精度的ELMAN和SOM神經網絡組合［J］.系統工程與電子技術，2004，26（12）：1 943-1 945.

魏紅梅，黃世源，賀曼秋.基于Matlab工具箱的地震預測模型［J］.東北地震研究，2007，23（3）： 64-68.

張德豐，等.Matlab神經網絡應用設計第2版［M］.北京：機械工業出版社，2012.

張國民，傅征祥，桂燮泰，等.地震預報引論［M］.北京：科學出版社，2001.

Research on earthquake prediction based on SOM and BP neural networks

Xiang Yuewen1），Rao Hong2），Tang Lanrong1），Luo Li1）and Zeng Wenjing1）
1）Earthquake Administration of Jiangxi Province，Nanchang 330039，China
2）Nanchang University，Jiangxi Province 330031，China

The border area among Fujian，Guangdong and Jiangxi provinces and southeastern coast area are chosen as the research object.The indices of seismological precursor are used as predictors.Firstly，SOM neural network is used to classify the predictors and then the samples are studied and predicted by establishing BP neural network respectively，which can overcome the problems of the limitation and unevenly distribution of the number of samples.Simulation results show that the prediction accuracy of this method is better than that of just one of BP network，which is quite valuable to the prediction of earthquake.

earthquake prediction，artifi cial neural network，SOM neural network，BP neural network

10.3969/j.issn.1003-3246.2015.04.026

項月文（1983—），男，工程師，碩士，主要從事地震監測與系統管理工作

中國地震局三結合課題（課題編號：141402）

本文收到日期：2015-01-13