基于SVR算法與BP神經網絡的地震預測對比研究

盛 濤,謝異同，曲高峰 (西安建筑科技大學土木工程學院，陜西 西安 710055)

基于SVR算法與BP神經網絡的地震預測對比研究

盛 濤,謝異同，曲高峰 (西安建筑科技大學土木工程學院，陜西 西安 710055)

針對地震誘發(fā)因素的多樣性和難預測性，采用了支持向量機回歸算法(Support Vecfor Regressive，SVR)，同時考慮多種因素，構建仿真模型，對震級進行了準確的預測。對比分析SVR和BP神經網絡預測結果，證明了SVR預測結果速度更快、更準確、精確度更高。

支持向量機回歸算法；BP神經網絡；震級；地震預測

2008年5月12日，發(fā)生在四川汶川的8.0級特大地震，給當?shù)厝嗣裨斐删薮蟮纳敭a損失，引起了黨和國務院的高度重視，同時也震驚了世界。而地震的預報工作卻還有很長的路要走，是地理問題研究領域中一個重要的課題，也是一個世界難題。目前，地震預報的方法有很多，其中，利用預測學的理論研究地震發(fā)生的規(guī)律，從而預測地震的方法簡單有效，逐步為人們重視。1995年,Vapnik V 等人提出了以有限樣本統(tǒng)計學習理論為基礎的支持向量機(Support Vector Machine，SVM)[1]。由于其堅實的理論基礎和良好的泛化性能,使得它的出現(xiàn)受到了廣泛的關注,在一些領域如圖像識別、人臉檢測實驗、孤立點檢測等[2,3]中得到很好的應用。筆者旨在將地震預測中的SVM的回歸算法(SVR)與BP神經網絡方法進行比較，研究SVR算法的可行性和性能。

1 支持向量機回歸算法(SVR)

給定k個樣本數(shù)據(jù)，其值表示為：

{xk,yk}

式中，xk∈Rn的n維向量；yk∈R為相應的輸出變量。

回歸算法的基本思想[4]如下：

1)通過一個基本映射φ，將非線性的數(shù)據(jù)集映射到高維空間H，并在這個空間進行線性回歸，具體的函數(shù)表達式為：

f(x)=(w,φ(xk))+bφ:Rn→Hw∈Rn

(1)

式中，b為偏置量。通過這種巧妙的特征映射方法, 將線性分類計算框架，擴展到非線性分類的領域。

2)通過引入核函數(shù)K(v1,v2)的概念，將復雜的高維空間內積計算，轉換為了一般函數(shù)的代入計算。再根據(jù)分類間隔最小原則，建立回歸模型：

(2)

(3)

式中，ε為精度系數(shù)；拉格朗日系數(shù)(α*-α)不為0的那些訓練樣本就是“支持向量”。然后再應用該回歸模型進行數(shù)據(jù)擬合和預測。

2 數(shù)據(jù)處理

以我國西南某地震常發(fā)地區(qū)的地震資料作為樣本來源,以40年為活動周期，依據(jù)期間的地震次數(shù)N和震級M的關系[5]：

lgN=a-bM

統(tǒng)計b值和累計頻度lgN,再根據(jù)每次地震中主震和余震的累計釋放能量ET和當?shù)氐牡卣饤l帶個數(shù)，以及所處的地震活動期(1：活躍期，0：平靜期)[5]等,搜集了10個訓練樣本,數(shù)據(jù)經過歸一化處理后,如表1所示。

3 SVR和BP神經網絡預測結果

3.1預測結果

提取出5個預報因子和實際發(fā)生的震級作為輸入和目標向量，如表2所示，以實現(xiàn)基于SVR算法的地震預報(數(shù)據(jù)引自文獻[6])。

表1 訓練震例(10組)

表2 測試數(shù)據(jù)(5組)

3.2對比分析

在Matlab7.0的環(huán)境下，應用SVM工具箱進行訓練和測試。作為比較，應用標準的BP神經網絡進行預測分析，采用3層網絡結構，用快速BP算法訓練前向網絡，輸入層神經元為7個，隱含層神經元為15個，輸出層神經元為1個，最大訓練次數(shù)為1000，期望誤差為0.001，初始學習率為0.01。2種方法預測的效果對比如表3和表4所示。

表3 支持向量機與BP神經網絡預測效果比較

表4 支持向量機與BP神經網絡性能比較

通過對比發(fā)現(xiàn),在訓練和測試誤差方面，基于SVR算法的預測方法相對于BP神經網絡，誤差均方值減少了49.9%。雖然這2種預測結果都存在奇異值，但是BP神經網絡預測的奇異值明顯偏大，相對誤差達到了77.50%，而SVR算法僅為32.25%，這種精度上的優(yōu)勢在大數(shù)據(jù)量預測時將得到更充分的體現(xiàn)。在訓練時間方面，SVR算法的優(yōu)勢體現(xiàn)的更為明顯，其CPU訓練時間僅0.1s，僅為BP神經網絡方法的4.85%，非常適合于大數(shù)據(jù)量的重復運算。

這些優(yōu)點主要是由于支持向量機本身是以結構風險最小化為基礎的統(tǒng)計方法，它解決了神經網絡方法中易陷入局部最小值、精度和泛化難以調和的矛盾，因此SVR算法在訓練效率方面具有著明顯的優(yōu)勢。同時因其具有明確的表達式，有較好的穩(wěn)定性，相對于BP神經網絡方法的結構選擇和類型過分依賴于經驗等固有缺陷而言，SVR算法的泛化能力更強，其理論上對于任何一類數(shù)據(jù)都能得到滿意的結果。

4 結 語

筆者通過對SVR算法和BP神經網絡預測地震的對比，說明SVR算法在精確性和效率方面比BP神經網絡具有明顯的優(yōu)勢，然而，由于SVR的應用研究起步較晚，在地震預測方面還是普遍偏重于BP神經網絡的預測方法，因此基于SVR的地震預測的研究前景還相當廣闊。

[1]Vapnik V. The Nature of Satistical Learning Theory[M]. New York:Springer Verlag, 1995.

[2]夏國恩，曾紹華，金煒東. 支持向量回歸機在鐵路客運量時間序列預測中的應用[J].計算機應用研究，2006， (10):180～182.

[3]Osuna E, Freund R, Girosi F. Training Support Vector Machines:An Application to Face Detection[C]. Proceedings of 1997 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, LosAlamitos, CA, USA: IEEE Computer Society, 1997.130～136.

[4]Nello Cristianini, John Shawe-Taylor. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods[M].Cambridge:Cambridge University Press,2000.

[5]胡聿賢. 地震工程學[M]. 第2版. 北京：地震出版社，2006.15～16.

[6]楊居義，易永宏. 基于BP神經網絡的地震預測[J]. 微電子與計算機學報，2008，25(10):129～132.

[編輯] 易國華

TP183；TP301.6

A

1673-1409(2009)01-N063-02

2008-12-24

盛濤(1984-)，男，2007年大學畢業(yè)，碩士生，現(xiàn)主要從事地震工程方面的研究工作。