典型文献
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
文献摘要：
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.
文献关键词：
主成分分析法;粒子群算法;广义回归神经网络;地震震级
中图分类号：
作者姓名：
王晨晖;袁颖;刘立申;陈凯南;吴鹤帅
作者机构：
河北红山巨厚沉积与地震灾害国家野外科学观测研究站, 邢台054000;河北省地震局邢台地震监测中心站, 邢台054000;河北地质大学城市地质与工程学院,石家庄050031;河北省地下人工环境智慧开发与管控技术创新中心, 石家庄050031
文献出处：
引用格式：
[1]王晨晖;袁颖;刘立申;陈凯南;吴鹤帅-.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)[J].科学技术与工程,2022(29):12733-12738
A类：
B类：
广义回归神经网络,地震震级,测地,general,regression,neural,network,GRNN,频度,释放能量,地震群,地震条带,principal,component,analysis,降维处理,分作,模型输入,粒子群算法,particle,swarm,optimization,PSO,光滑因子,训练样本,并同,反向传播,back,propagation,平均误差,决定系数,方相,平均绝对误差,运行时间
AB值：
0.27073
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
