BP神经网络预测地震组员：曹龙陈勇彭开连摘要由于引发地震的相关性因素较多，且生机理也比较复杂，又欠窍咝谓峁梗?ＢＰ神经网络具有通过学习逼近任意非线性影射的力，可以不受非线性模型的限制，在此我们用BP神经网络来实现地震的预测。关键字：BP神经网络问题的重述地震预测是地理问题研究领域中的一个重要课题，准确的地震预测可以帮助人们即使采取有效措施，降低人员伤亡和经济损失。引发地震的相关性因素很多，结构复杂又是非线性结构，建立完善的物理理论模型对有关物理参数精确地描述，只能借助一些观测到的相关现象进行分析、总结和推理。模型假设1.我们选用样本的资料比较合理；2.我们搜集到的数据值与实际值的误差不大；3.我们选用的预测因子具有较大的代表性。问题分析以我国西南某地震常发地区的地震资料作为样本来源，实现基于神经网络的地震预测。根据这些地震资料，提取出7个预测因子和实际发生的震级M作为输入和目标向量。预测因子为：（1）半年内M大于等于3的地震累计频度；（2）半年内能量释放积累值；（3）b值；（4）异常地震带个数；（5）地震条带个数；（6）是否处于活动期内；（7）相关地震区地震震级。2.搜集的十个学习样本表（一）学习例震地震累累计释b值计频度放能量异常地地震条活动周相关区实际震震群个带个数期震级级数00.39150.28350.6210.41580.2160.9990.58050.0810.391500.47410.5402141830.49480.03830.49250.06920.1230.620.770.680.630.670.710.750.710.760.9800.5010.500.5000.500.50.50.5001000011111100000.31580.315810.73680.26320.94740.36840.05260.897400.53130.59380.93750.43750.510.3750.31250.6563我们把表（一）的前7项为学习样本的输入因子，输出因子为实际震级，利用表（一）中的学习震例对网络进行训练；该数据以为归一化数据，训练时不必对数据归一化处理。模型建立在这里我们采用单隐层的BP网络进行地震预测，输入层有含层有n个神经元，p个神经元,输出层有q个神经元；三层BP网络中隐含层神经元个=2p+1p和输入层神经元个数n之间有以下近:p而我们的网络只有1个输出数据，则输出层只有1个神经元由于输入样本为7维向量，输入层一共有7个神经元，则中间层应该有15个神经元。网络只有1个输出数据，则输出层只有1个神经元；所以我们建立的网络应该为7×15×1的结构。模型求解由上面得到的BP网络，利用表（一）中的数据进行训练。训练后的网络才有可能满足实际应用的要求。训练参数的设定：训练最大次数为30000，训练目标精度为0.01，自适应度为：0.05，显示间隔次数：100，其他参数取默认值。(程序见附录1)经过24次训练后，网络的目标误差达到要求，如图(1)所示图(1)训练结果训练后的函数与原函数的对比,如图(2)经经经经经经经经1.2经经经经经经经原原经经10.80.60.40.20-0.212345678910图(2)在网络训练结束后，我们用仿真函数来对另外一组地震数据来对网络进行测试,检查输出和实际测量值之间的误差是否满足要求,(程序见附录2)数据如表2所示表(二)数据地震累累计释b值计频度放能量异常地地震条活动周相关区实际震震群个带个数期震级级数000.500.500110.21050.73680.26320.18750.40620.43750.0270.17550.4320.07420.36670.3790.620.770.680.49950.68850.540.1620.43470.58420.80380.25650.630.670.710.7500.50.5000.50.5011110.68420.42110.57890.47370.59380.6250.71870.375输出结果经过反归一化(程序见附录3)处理后得到预测震级，和实际震级相可得到网络的预测误差，如表(三)所示表(三)实际震级5.40945.59535.62195.75475.78135.86095.5687预测震级和实际震级相比较预测误差-0.15910.1810-0.0204-0.0355-0.02070.0259-0.0717预测震级5.27415.74915.60455.78495