地震早期P波与地震动峰值特征参数关系研究

论文摘要

在目前的地震研究中,由于地震预测在防震减灾方面具有重要意义,被广大研究人员所重视。即当台站检测出地震波早期的相关参数后,能够通过运算预测出在地震波到达预警区时的大小,从而对预警区做出地震预报,以便减少人员伤亡。但是地震波早期的参数与后续峰值之间的关系存在着不明确的关系,造成在建立合理有效的预测模型上存在难度。人工神经网络在解决复杂网络方面具有明显优势,被广泛地应用于各个领域。所以在面对这种不明确关系模型的建立上,人工神经网络技术能够提供较好的解决方法。本文把人工神经网络的思路引入到地震后续特征参数的预测中,应用MATLAB进行仿真研究,以期得到地震波早期数据记录与地震波峰值之间的关系。本文核心内容在于利用地震波早期特征参数预测地震波的峰值加速度。结合前人在研究震级预测时的方法,采用P波早期的峰值加速度、峰值速度、峰值位移、卓越周期、峰值比等五个参数作为预测研究的基础。通过神经网络建立它们与峰值加速度之间关系,对后者进行预测。采用主成分分析法对相关参数进行筛选,以达到降维的目的。对降维后的参数预测结果与之前的预测结果进行比较分析。通过MATLAB建立BP神经网络模型,对地震数据进行仿真分析。通过分析比较可得幅值参数和周期参数结合共同预测时结果较为可靠。在进行主成分分析后,确定包含信息量最大的三个影响参数：早期峰值加速度、峰值速度、峰值位移。但结果逊于采用五个参数预测。

论文目录

• 致谢
• 中文摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景及意义
• 1.2 震级研究
• 1.3 P波拾取研究
• 1.3.1 时域分析法
• 1.3.2 频域分析法
• 1.3.3 时频分析法
• 1.4 本文主要研究内容和方法
• 2 地震特征参数预测
• 2.1 引言
• 2.2 P波数据拾取
• 2.3 考虑单因素预测
• 2.3.1 最小二乘法拟合
• 2.3.2 早期峰值加速度、速度和位移
• 2.3.3 早期卓越周期
• 2.3.4 早期峰值比
• 2.4 小结
• 3 神经网络在特征参数预测中的应用
• 3.1 引言
• 3.2 人工神经网络
• 3.2.1 BP算法原理
• 3.2.2 模型建立
• 3.2.3 网络训练
• 3.2.4 仿真
• 3.2.5 输出结果
• 3.3 考虑多因素预测
• 3.3.1 早期峰值加速度与卓越周期
• 3.3.2 早期峰值加速度与峰值比
• 3.3.3 早期卓越周期与峰值比
• 3.3.4 早期峰值速度与卓越周期
• 3.3.5 早期峰值速度与峰值比
• 3.3.6 早期峰值位移与卓越周期
• 3.3.7 早期峰值位移与峰值比
• 3.3.8 早期特征参数综合预测
• 3.3.9 误差比较
• 3.4 主成分分析的应用
• 3.4.1 主成分分析法
• 3.4.2 主成分导出
• 3.4.3 贡献率和累计贡献率
• 3.4.4 数据标准化
• 3.4.5 主成分确定
• 3.4.6 主成分仿真
• 3.5 小结
• 4 结语及展望
• 4.1 结论
• 4.2 展望
• 参考文献
• 作者简历
• 学位论文数据集