基于主成分分析法优化广义回归神经网络的地震震级预测

摘要：

为科学有效预测地震震级,提出了基于广义回归神经网络(general regression neural network,GRNN)的地震震级预测模型.选取地震累计频度、累计释放能量、b值、异常地震群数、地震条带个数、活动周期、相关区震级等7个指标作为地震震级影响因子,利用主成分分析法(principal component analysis,PCA)对7个影响因子进行降维处理,以新生成的4个主成分作为模型输入变量,地震震级为输出变量,运用粒子群算法(particle swarm optimization,PSO)寻优得到GRNN模型最优光滑因子,最终建立基于PCA-PSO-GRNN的地震震级预测模型,利用建立的模型对训练样本进行回判检验,并对测试样本进行预测,并同传统反向传播(back propagation,BP)神经网络模型和单一GRNN模型预测结果进行对比,结果表明:PCA-PSO-GRNN模型预测结果的平均误差为5.17％,均方根误差为0.1000,决定系数为0.9868,均方相对误差为0.0073,平均绝对误差为0.1000,运行时间为5.2 s,预测精度和运行效率均优于BP模型和单一GRNN模型.

关键词：主成分分析法、粒子群算法、广义回归神经网络、地震震级

所属期刊栏目：22

分类号：P315(大地（岩石界）物理学（固体地球物理学）)

资助基金：国家自然科学基金;河北地质大学科技创新团队项目;河北省地震科技星火项目

在线出版日期：2022-11-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：12733-12738