神经网络参数对地震类型识别的影响

由于震源识别模型判据选取不当或关键参数设置不合理，现有地震辨识模型的性能受到一定制约。为了改善地震类型识别效果，优化反向传播(back propagation, BP)神经网络参数设置，提出了一种经验模态分解(empirical mode decomposition, EMD)多尺度近似熵(multi-scale approximate entropy)判据，并讨论训练函数、激活函数、隐藏层神经元数目与学习速率等网络参数对地震辨识的影响。首先，针对多组天然地震事件及人工爆破事件波形进行关键信息提取与归一化，利用EMD算法提取6个本征模态函数(intrinsic mode function, IMF)和1个剩余分量(residual),然后分别计算近似熵得到EMD多尺度近似熵向量；再次，设计一系列BP神经网络调参实验，研究BP神经网络参数对地震类型识别的影响。结果表明，训练函数、激活函数、隐藏层数目等参数对地震辨识产生了明显的影响，辨识效果较好的参数组合为：训练函数采用共轭梯度法，输出层激励函数为purelin函数，隐层激励函数为logsig函数，隐层节点数和学习率分别设置为10和0.0...

Effect of Neural Network Parameters on Earthquake Type Recognition