文摘gydF4y2Ba

本研究调查的可行性使用metaheuristic算法结合自适应neurofuzzy系统来预测地震活动和地震。不同的metaheuristic算法结合一个人工智能(AI)算法。受到地震活动是一种很有前途的因素。新老传感器有很多优势,更让人印象深刻的,一般包括(a)测量值之间的线性关系和真实地面运动(如上所述),(b)的能力来衡量地面运动的三个正交组件在一个单一的单位,(c)对一个非常广泛的频率,和高动态范围(d),它允许的检测非常小的和相当大的震动。接受作为一种自适应的混合模型获得的结果neurofuzzy推理系统与粒子群优化(PSO),遗传算法(GA)和极端机器学习(ELM) (ANFIS-PSO-GA-ELM)实现的。根据数据集,所有方法产生优秀的和现实的预测地震载荷;然而,该方法ANFIS-PSO产生更好的结果。所有的策略表现出很高的可预测性。最后,本研究要求研究者调查三重混合MT算法的性能使用各种混合metaheuristic方法,而不是现有的双混合MT算法。gydF4y2Ba

1。介绍gydF4y2Ba

地震是地球表面的振动导致地震波的能量突然释放岩石圈。该地区的地震活动频率定义,类型,大小地震经历的时间。创造积极的电荷在地面板块运动的结果由岩石压缩可以解释为奇数地震前电磁信号。时间、震中距离和峰值地面加速度是三个最重要的输入变量确定震级。地震检波器工具使用最常见的测量地震的震级,震级。许多研究小组正在努力关注地震的风险,但地震预报和预测是困难的。近年来地震更常见,导致人们的生活和经济的恐惧。作者和结构工程师试图防止地震的破坏,但唯一的解决方案是准确和及时的预测地震的大小。最近的技术进步,进步地震学注重关于地震的关键信息。模糊逻辑(FL)和神经网络(NN)是人类推理的专家系统有能力和生产技术的方法。 Earthquake forecasting and prediction is a subfield of seismology related with the magnitude, time, and area of future earthquakes [1gydF4y2Ba]。软计算的文献表明,软计算不确定性问题提供了一种优秀的解决方案(gydF4y2Ba2gydF4y2Ba]。模糊逻辑处理不确定性通过提供以人为本的知识表示和人工神经网络(ANN)自学习和规则泛化(gydF4y2Ba3gydF4y2Ba]。NN和FL集成创建neurofuzzy系统(NFS),其中包括学习和推理能力,分别合并的简称ANFIS提供卓越的预测能力。(gydF4y2Ba4gydF4y2Ba]。用于解决许多复杂问题的神经网络在不同的学科。(gydF4y2Ba5gydF4y2Ba- - - - - -gydF4y2Ba10gydF4y2Ba)神经网络用于调查项目和形象。人工神经网络混合群算法,例如果蝇优化算法(失落),已被证明有效的方法确定最佳的分类器。对于地震数据,神经网络作为分类器采用RBF (gydF4y2Ba11gydF4y2Ba]。分类与安,挑战是解决支持向量机(SVM),分类树(CT) (gydF4y2Ba12gydF4y2Ba]。分类问题解决方法包括逻辑回归贝叶斯网络,区别的分析、模糊逻辑、线性回归,gydF4y2Ba - - - - - -gydF4y2Ba意味着集群方法,而进化算法。混合动力技术,如neurofuzzy-based分类、模糊概率神经网络和递归分区多数类的算法,已被使用。使用神经网络和aFOA,建立分类器的分类(gydF4y2Ba13gydF4y2Ba]。安和简称ANFIS展示地震发生在伊朗可以用在各种各样的方式(gydF4y2Ba14gydF4y2Ba]。他们的研究观察地震活动的时空变化参数在伊朗neurofuzzy-based分类。在伊朗地震,主成分分析对数据进行规范化简称ANFIS预测地震的震级。简称ANFIS系统被用来解释网格分区;未来的地震预测、减法聚类和模糊gydF4y2Ba - - - - - -gydF4y2Ba意味着是简称ANFIS建模中使用的算法使用数据从伊朗地震预测地震(gydF4y2Ba15gydF4y2Ba]。在印度喜马拉雅地区,地面加速度峰值的预测相比,使用输入作为地区的地震和地震的时刻的输出两安和简称ANFIS模型(gydF4y2Ba16gydF4y2Ba]。几个研究人员利用软计算技术来评估相关研究的特点,以及研究人员报道地震的损害发生之前的映射使用遥感与软计算策略gydF4y2Ba17gydF4y2Ba]。神经系统相比,neurofuzzy系统的一个关键优势是他们思考的能力一个特定的条件。研究人员在这项研究中提出了一个比较为了预测地震的大小。因此,比较大小的方法将帮助未来地震的预测。根据上述的研究活动,简称ANFIS的这项工作提出了一个比较另类的方法预测地震加速度并提出了三重混合模型。gydF4y2Ba

2。文献综述gydF4y2Ba

在这个研究[gydF4y2Ba18gydF4y2Ba令Kamat Kamath),并提出了简称ANFIS技术在安达曼尼科巴预测地震的震级。协同效应是由结合安和FIS系统。欧洲地中海地震中心提供了一个956 -地震数据集从10月1日,2004年2月20日,2016年。主要变量是深度,先前的地震震级,纬度和经度计算震级的地震研究中。简称ANFIS模型,结合安与模糊系统来计算数字语言学习能力等级评估。模型训练,简称ANFIS架构由模糊减法聚类的节点(接受比率:0.5,影响范围:0.2,废品率:0.15,和南瓜因素:1.25)和混合算法与八个模糊规则。简称ANFIS模型产生精确的结果快速输入数据集,和模型的性能测试使用根均方误差(RMSE)。本研究得出结论:使用简称ANFIS,震级的预测可能会建立一个聪明的方法。在这个研究gydF4y2Ba19gydF4y2Ba),阮等人使用PSO优化地面响应的安来解决问题。本研究是要计算挠度的建筑以水平方式相当大的地震后加载使用混合PSO-based ANN方法(例如,输入数据取自集集地震数据库)。执行的一系列有限元(FE),训练和测试被PSO-ANN完成。有限元仿真占总额80%和20%的数据集,数据集有2081和8324测试培训测试数据集,分别。输入包括集集地震土弹性模量(gydF4y2Ba ),gydF4y2Ba动态时间(gydF4y2Ba ),gydF4y2Ba扩张角(),摩擦角()、抗弯刚度(EI),结构轴向刚度(EA)、单位重量(),和泊松比(gydF4y2Ba ),gydF4y2Ba与产出水平偏转(用户体验)。结果解释的可靠性PSO-ANN更在评估地面响应和水平位移地震发生后简而言之结构。研究[gydF4y2Ba20.gydF4y2Ba]Hasanipanah等人使用粒子群优化的结合,简称ANFIS来说明预测岩石碎片。在这个模型中,岩石碎片的价值观,负担,间距,具体负责,最大的费用,每延迟测量和阻止使用72年的爆炸事件。研究工作主要集中在两个混合动力技术(gydF4y2Ba21gydF4y2Ba];预测峰值地面加速度(PGA),参数研究。简称ANFIS方法的准确性已经改良,简称ANFIS的实现算法和遗传算法。发达混合模型是实现在太平洋地震工程研究中心(同行)数据。在这种混合模型,大小,源站点距离、断裂机制和横波平均速度的地震。相比,简称ANFIS和一些软计算技术,生成的模型PSO-ANFIS-PSO和GA-ANFIS-GA表现良好。开发模型估计PGA参数根据获得的结果,但PSO-ANFIS-PSO模型能更有效和更好的结果。简称ANFIS PSO和GA (gydF4y2Ba22gydF4y2Ba)是在这项研究中开发混合模型用于地面振动预测。创建的数据样本86年从两个采石场在伊朗开发预测模型。输入参数是负担,间距,阻止,距离爆炸地点,粉因素,每延迟和马克斯(MCD)而粒子速度峰值(PPV)的输出值。根据敏感性分析的结果,PPV MCD被发现是最有效的参数。评估模型的适用性和有效性,决定系数(gydF4y2Ba )gydF4y2Ba和均方根误差(RMSE)。ANFIS-GA和ANFIS-PSO结果证明模型准确地预测地面的振动的能力。与简称ANFIS模型相比,ANFIS-GA展出RMSE(百分比)减少61%,增加百分之十gydF4y2Ba ,gydF4y2Ba而模型ANFIS-PSO解释RMSE(百分比)减少53%,增长了百分之九gydF4y2Ba 。gydF4y2Ba与GA算法,简称ANFIS的性能已得到改进。gydF4y2Ba

3所示。分析技术进行gydF4y2Ba

分析技术提出了,他们的体系结构显示了更好的理解。gydF4y2Ba

3.1。地震设备/传感器gydF4y2Ba

地震的频率和严重程度在全球都在上升。全球地质科学家已经证实,喜马拉雅山是由于毁灭性的地震。重要结构应配有地震传感器和单孔位微吹气扰动传感器(测量3 d偏转、振动、应力、应变)。图gydF4y2Ba1gydF4y2Ba展示了地震传感器和SHM的工作。科学家可以评估造成的损失甚至中等地震的地震监测设备和设备。然后,利用数学模型,我们可以推断和预测的程度可以被大地震破坏建筑物。地震的地震活动可以由地震仪记录。他们是全球地震学的网络的一部分,地下在地球的位置部署。地震仪记录仪器放置的地面运动。地震检波器主要包括四个部分:地震传感器,数据采集和存储单元,电力系统和遥测数据实时传输数据中心。后者两个系统通常使用现成的部件构造,如电池、充电器、能源系统和太阳能电池板,和互联网服务硬件、细胞调制解调器,收音机,和/或微波遥测的链接。通常被称为“数据记录器,”这些设备配备有数字转换器,一个时间戳机制,在一个统一的格式和软件传输数据遥测网络。地震传感器代表站的最高水平的专业化。 What if the sensor is affixed to the ground, how would you detect any ground motion? The inertia of a mass is exploited by two types of measuring instruments known by distinct names: seismometers and accelerometers. The basic idea is to use a spring or pendulum to swing a heavy object back and forth. In spite of the fact that the ground is shifting, the mass has not yet budged, not until the spring or pendulum has been extended far enough. In order to keep track of the instrument’s readings, we will need to secure a writing implement to the mass and some sort of paper to the ground. The seismometers and accelerometers available today are far superior to their predecessors. To prevent the mass from shifting with respect to the ground, they employ feedback loops. In order to store and telemeter the data, they use magnets and capacitors to generate voltages and currents that can be easily monitored by digitizers. We can utilize physics to precisely match the measured values to what the ground actually did because the seismometer’s or accelerometer’s mechanical system never really leaves its “rest position.” The addition of the word “meter” to the name of these instruments reflects the fact that they are, in fact, a meter, a device that measures and displays values over time, rather than a pen and paper. The new sensors have many advantages over the older, more impressive-looking ones, including (a) a generally linear relationship between the measured values and real ground motion (described above), (b) the ability to measure three orthogonal components of ground movement in a single unit, (c) sensitivity to a very broad range of frequencies, and (d) high dynamic range, which allows for the detection of both very small and fairly large tremors. Think about how old recording paper was: maybe 1 ft (30 cm) in height. From the smallest to the greatest ground motions, a current sensor would need a sheet of paper roughly 3 miles (5 km) tall to record everything. That is not really useful. The data logger is an important advance because it makes the data digitally available, enables them to be transmitted via contemporary telemetry options, and enables them to be immediately processed in computers to provide earthquake information rapidly and even earthquake early warnings. Excellent in both sound and appearance, these instruments are a real find. Both seismometers and accelerometers suffer from a single major flaw. The gap between a little earthquake (M0) and the greatest quakes we have ever recorded (M9.5) is on the order of 3,000,000,000, while the smallest to largest signal any of them can measure is on the order of 10,000,000 (10 million) (3 billion). Therefore, we set up both locations jointly. An earthquake between magnitudes M-1 and M-4 can be recorded accurately by the seismometer in the vicinity. All the way from magnitude three (M3) to magnitude eight and a half (M8.5) can be detected by an accelerometer. When the earthquake is large enough and far enough away from the station, both sensors will pick it up. To capture the full picture of what is going on, we set up seismometers and accelerometers wherever possible.

3.2。简称ANFIS:自适应Neurofuzzy推理系统gydF4y2Ba

Neurofuzzy推理系统,也被称为一个简称ANFIS(基于自适应网络模糊推理系统)的一种安(gydF4y2Ba23gydF4y2Ba- - - - - -gydF4y2Ba25gydF4y2Ba]。简称ANFIS是neurofuzzy技术融合与神经网络和模糊推理系统。在功能方面,简称ANFIS模型类似于径向基函数网络(RBFN) [gydF4y2Ba26gydF4y2Ba]。在数据驱动技术简称ANFIS网络的整合,一组训练数据样本的聚类函数近似。基于规则的管理流程、模式识别、分类任务,和其他各种挑战都有效地解决了使用简称ANFIS网络。FIS Takagi-Sugeno-Kang结合的模糊模型(gydF4y2Ba27gydF4y2Ba,gydF4y2Ba28gydF4y2Ba)来定义系统的方式产生模糊规则的输入数据和输出数据。基于规则的系统,其先行词是由语言变量和结果都表示为一个函数的输入变量。它的推理方法是基于一组模糊规则(if - then)通过学习逼近非线性函数的能力。以下步骤生成算法开发的TSK模糊模型。模糊聚类迭代算法开始的数据。在每个迭代中,输入和输出数据集群增加集群的数量。结构识别和参数识别的步骤。gydF4y2Ba

3.3。简称ANFIS架构gydF4y2Ba

让我们假设FIS有两个输入变量(gydF4y2Ba和gydF4y2Ba )gydF4y2Ba和一个输出(gydF4y2Ba )。gydF4y2Ba高木涉的模糊规则和Sugeno [gydF4y2Ba29日gydF4y2Ba规则库中包括:gydF4y2Ba

在先行词,gydF4y2Ba和gydF4y2Ba设置模糊,随之而来的,gydF4y2Ba 是一个清爽的函数。gydF4y2Ba和gydF4y2Ba输入变量,gydF4y2Ba 是多项式。gydF4y2Ba

当gydF4y2Ba 是常数,零出现Sugeno模糊模型,可以作为Mamdani FIS特殊例子gydF4y2Ba30.gydF4y2Ba),每个规则的结果通过模糊单例。如果gydF4y2Ba 一阶一阶多项式,Sugeno。gydF4y2Ba

一阶Takagi-Sugeno模糊方法如下:gydF4y2Ba

对于Takagi-Sugeno模型,给出图推理方法gydF4y2Ba2gydF4y2Ba,图gydF4y2Ba3gydF4y2Ba解释了简称ANFIS模型架构,比较相似的层节点执行相同的功能。gydF4y2Ba

第一层:每个节点gydF4y2Ba函数节点适应性强:gydF4y2Ba

如果gydF4y2Ba输入节点gydF4y2Ba ,gydF4y2Ba 是语言变量与函数节点,gydF4y2Ba的成员函数gydF4y2Ba 。gydF4y2Ba

通常被选为gydF4y2Ba 在哪里gydF4y2Ba 参数集的前提和gydF4y2Ba是输入。gydF4y2Ba

2层:计算每个固定节点发射的力量gydF4y2Ba 。gydF4y2Ba产品的所有输入信号的输出节点,提供如下:gydF4y2Ba

节点功能gydF4y2Ba - - - - - -gydF4y2Ba规范操作,执行模糊和一般。gydF4y2Ba

第三层:只有固定节点。的比例gydF4y2Ba^thgydF4y2Ba射击规则的和每一个发射强度计算每一个优势gydF4y2Ba^thgydF4y2Ba节点。归一化发射强度gydF4y2Ba^thgydF4y2Ba节点的输出,这是由gydF4y2Ba

为了方便,输出是指正常发射的优点在这一层。gydF4y2Ba

第4层:自适应节点与节点定义的函数gydF4y2Ba 简称ANFIS发射强度的归一化,第三层的输出是什么gydF4y2Ba ,gydF4y2Ba和合成的一组参数gydF4y2Ba 。gydF4y2Ba

这一层作为后续参数的参数参考。gydF4y2Ba

第五层:固定节点,使整体输出和输入信号,也就是说,gydF4y2Ba

结果,我们已经开发一个功能类似于Sugeno模糊自适应网络。gydF4y2Ba

前提参数值可以作为后续参数的线性组合简称ANFIS架构。gydF4y2Ba

下面是一个示例的输出:gydF4y2Ba 在以下参数gydF4y2Ba 和gydF4y2Ba ,gydF4y2Ba的gydF4y2Ba是线性的乐趣。gydF4y2Ba

最小二乘法确定后续参数传球前进的学习过程,推导出平方误差和错误信号输出在向后传递,每一个节点的输出层输入层传播落后。一步的向后传播,前提是由梯度下降方法更新的参数(gydF4y2Ba31日gydF4y2Ba]。gydF4y2Ba

3.4。简称ANFIS和粒子群优化算法gydF4y2Ba

进行肯尼迪和埃伯哈特发明的算法,一个智能的进化,随机优化方法,复制社会行为的植绒鸟(1997)。每一个解决方案在PSO是一个“鸟”在空间搜索,称为“粒子”[gydF4y2Ba32gydF4y2Ba]。优化、多目标规划、组合优化、集群、min-max缺点,分类、预测等工程的其他应用程序都应该解决使用PSO应用程序(gydF4y2Ba33gydF4y2Ba]。算法已有效地应用于许多工程问题解决(gydF4y2Ba34gydF4y2Ba- - - - - -gydF4y2Ba36gydF4y2Ba)由于与其他算法的收敛速度比较快。ANFIS-PSO是全球性的最小化处理并返回点或缺陷gydF4y2Ba - - - - - -gydF4y2Ba维空间。这个概念是基于人口是随机生成和群众运动的建模与仿真的鱼。粒子在同一通信集团加快对颗粒具有更高的能力。尽管每种方法的性能优良的挑战,与巨大的成功连续优化问题得到解决。ANFIS-PSO善于解决预测和预报问题。gydF4y2Ba

算法进行迭代,更新速度和位置如下:gydF4y2Ba

在哪里gydF4y2Ba维度的nos. (1、2,gydF4y2Ba )。gydF4y2Ba

人口规模是gydF4y2Ba(1、2、,gydF4y2Ba )。gydF4y2Ba

惯性的重量是gydF4y2Ba 。gydF4y2Ba

和gydF4y2Ba是两个积极的常量。gydF4y2Ba

和gydF4y2Ba随机值的范围gydF4y2Ba 。gydF4y2Ba

的gydF4y2Ba^thgydF4y2Ba粒子是新的速度计算使用第一个方程(gydF4y2Ba11gydF4y2Ba),考虑三个条件:gydF4y2Ba(我)gydF4y2Ba前粒子速度gydF4y2Ba(2)gydF4y2Ba粒子之间的差异之前和现在最好的位置gydF4y2Ba(3)gydF4y2Ba群之间的距离最好的粒子gydF4y2Ba

方程(gydF4y2Ba12gydF4y2Ba)计算粒子的新位置。gydF4y2Ba

3.5。简称ANFIS和遗传算法gydF4y2Ba

获得初始模糊模型、进化算法与模糊逻辑系统,类似于简称ANFIS模型。模糊成立的初始模型,利用遗传算法通过生成模糊规则更新后续参数开发ANFIS-GA系统[gydF4y2Ba37gydF4y2Ba]。进化算法被用来微调模糊模型通过更新后续产生的第一个模糊模型参数。模糊模型的进化算法寻找最适合的后续参数全部解空间。横向负载的输出结果更可靠ANFIS-GA方法,第一输出,没有区别的两个阶段的结果测试和培训。图gydF4y2Ba4gydF4y2Ba显示了一个基于遗传模糊模型为预测和地震数据流程图。在图gydF4y2Ba5gydF4y2Ba的技术ANFIS-GA模型解释了如何处理培训和测试数据集和ANFIS-GA模型结果位于网络。gydF4y2Ba

3.6。极端的学习机器结构(ELM)gydF4y2Ba

榆树安学习方法。机器学习独特的层直接喂榆树提供的神经网络结构,采用随机投影的概念和早期感知器模型解决问题的方法。榆树,或者只有单隐层前馈网,是一个前馈安有一个隐藏层神经元。为了提高性能,避免耗时的迭代训练过程中,榆树(gydF4y2Ba38gydF4y2Ba,gydF4y2Ba39gydF4y2Ba)使用一个单层或多层作为机器学习系统。榆树是直接前馈方法为集群,稀疏近似,回归,压缩、分类、和学习的功能,不调整隐藏节点设置,并使用它们来解释其他的发现,成为一个真正的算法。图gydF4y2Ba6gydF4y2Ba显示了榆树模型的结构,划分为输入、输出和隐藏层。榆树学习方法开发缓解前馈神经网络的缺点,尤其是在学习方面速度。gydF4y2Ba

4所示。计算模型的发展gydF4y2Ba

4.1。ANFIS-PSO-GA-ELM模型gydF4y2Ba

地震地面加速度峰值的计算级,震源深度,震源,横波速度(avg)。简称ANFIS进化算法,算法和遗传算法技术开发使用过滤数据库包含18964条记录。训练数据被选中的18964数据点,有15171(80%)作为训练数据集和其他3793作为测试数据集来评估模型的性能。ANFIS-GA, ANFIS-PSO和榆树是用来估计峰值地面加速度参数一旦数据集被安排。表gydF4y2Ba1gydF4y2Ba和gydF4y2Ba2gydF4y2Ba显示算法的参数和GA算法,分别在时代的数量停止标准。表中列出的ANFIS-PSO和ANFIS-GA参数被选为试错过程。此外,图gydF4y2Ba7gydF4y2Ba描述了混合的RMSE值进化的方法来估测PGA的时代。gydF4y2Ba

这项工作将采用ANFIS-PSO-GA方法来隐藏层和权重的优化参数的输入层,如图gydF4y2Ba8gydF4y2Ba。隐藏层产生抵消使用榆树以随机的方式。加强榆树的稳定性和准确性,使用最优权重和偏移量被作为隐层重量偏差和输入。榆树网络结构不稳定;本研究提高了榆树算法使用ANFIS-PSO-GA算法优化gydF4y2Ba组随机生成输入重量和偏见gydF4y2Ba隐藏层,使用最优和偏见,榆树提高网络的稳定性和算法的准确性。创建gydF4y2Ba作为输入集和重量gydF4y2Ba随机偏见隐藏层。粒子群中粒子的位置向量集,特别gydF4y2Ba (gydF4y2Ba ,gydF4y2Ba 是尺寸的总和gydF4y2Ba和gydF4y2Ba 。gydF4y2Ba它发现每个粒子靠近了最佳位置和最佳粒子群通过迭代技术,导致的最优解,b被发现。更新粒子的位置和速度在每一次迭代:gydF4y2Ba

的gydF4y2Ba 是粒子p飞行速度,价值范围gydF4y2Ba ,gydF4y2Ba粒子速度设置和gydF4y2Ba 范围;gydF4y2Ba和gydF4y2Ba学习因素,随机数字吗gydF4y2Ba和gydF4y2Ba之间的gydF4y2Ba 时间间隔。位置范围gydF4y2Ba ;gydF4y2Ba最优位置gydF4y2Ba发现的粒子;最优位置gydF4y2BaggydF4y2Ba_psgydF4y2Ba发现整个粒子群;gydF4y2Ba惯性权重,最大最小重量吗gydF4y2Ba_{马克斯gydF4y2Ba}和gydF4y2Ba_{最小值gydF4y2Ba}值为0.7和0.3。gydF4y2Ba是时代的总数,gydF4y2Ba是时代的最大数量。gydF4y2Ba

4.2。应用程序的模型gydF4y2Ba

本文的数据属于记录数据的喜马偕尔邦的喜马拉雅山脉。样本的数据表所示gydF4y2Ba3gydF4y2Ba。gydF4y2Ba

假设输入gydF4y2Ba 和输出gydF4y2Ba ,gydF4y2Ba基于方法的地震预报实验步骤ANFIS-PSO-GA-ELM如下:gydF4y2Ba(我)gydF4y2Ba步骤1:确定样本训练,测试数据和预测数据集。维护技术将用于训练ANFIS-PSO-GA-ELM网络在这个研究gydF4y2Ba(2)gydF4y2Ba步骤2:增加APSO-ELM算法的收敛速度,正常样本集gydF4y2Ba(3)gydF4y2Ba步骤3:使用Python编程库,创建一个三层ANFIS-PSO-GA-ELM网络结构,然后在每一层,确定神经元的激励函数和数字,选择乙状结肠作为激发函数gydF4y2Ba(iv)gydF4y2Ba第四步:优化榆树参数用于ANFIS-PSO-GA获得网络的最优参数值,如隐层的输入层的最优值与体重(gydF4y2Ba )。gydF4y2Ba重量和偏见,与隐层输出层gydF4y2Ba(v)gydF4y2Ba步骤5:ANFIS-PSO-GA-ELM的训练效果与其他方法相比,数据使用经典反向传播神经网络训练和榆树模型,然后,ANFIS-PSO-GA-ELM的训练精度,榆树模型,反向传播神经网络相比gydF4y2Ba(vi)gydF4y2Ba步骤6:对地震预测模型ANFIS-PSO-GA-ELM,榆树是用于输入数据和比较反向传播神经网络精度gydF4y2Ba

5。讨论和结果gydF4y2Ba

在训练和测试的阶段,相关系数(gydF4y2Ba ),gydF4y2Ba误差指标分析,均方根误差(RMSE)和平均绝对误差(MAE)可以以这种方式定义[gydF4y2Ba39gydF4y2Ba]。gydF4y2Ba 测量值是表示为在哪里gydF4y2Ba ,gydF4y2Ba预测的值被表示为gydF4y2Ba ,gydF4y2Ba数据点表示为数量gydF4y2Ba ,gydF4y2Ba观测值被表示为gydF4y2Ba ,gydF4y2Ba和预测中值被表示为gydF4y2Ba(gydF4y2Ba40gydF4y2Ba- - - - - -gydF4y2Ba43gydF4y2Ba]。表gydF4y2Ba4gydF4y2Ba显示的结果ANFIS-PSO-GA-ELM、ANFIS-GA ANFIS-PSO阶段期间的训练和测试。相比其他生成模型,ANFIS-PSO-GA-ELM模型给更高的性能和精度(gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba和gydF4y2Ba )gydF4y2Ba在训练阶段。相比其他创建模型,ANFIS-PSO网络预测峰值地面加速度参数有更好的准确性(gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba和gydF4y2Ba )gydF4y2Ba在测试阶段。PGA的观测值和预测值的散点图显示两个阶段的训练和测试使用构造模型如图gydF4y2Ba9(一个)gydF4y2Ba和gydF4y2Ba9 (b)gydF4y2Ba为更大的插图。ANFIS-PSO-GA-ELM模型减少了PGA散射观测值与预测值比其他发达模型演示。值得注意的是,发达ANFIS-PSO, ANFIS-GA和ANFIS-ELM模型是非常准确的。然而,ANFIS-PSO-GA-ELM三重混合模型执行比混合模型。gydF4y2Ba

生成的模型的性能也比某些知名软computing-based模型,如ANFIS-PSO, ANFIS-GA, ANFIS-ELM, ANN-SA,医生,和GP-SA算法。表gydF4y2Ba5gydF4y2Ba解释的结果统计误差参数给定的方法以及构建模型。gydF4y2Ba

有较强的预测能力,预测模型的误差是独立的输入因素。因此,图gydF4y2Ba10gydF4y2Ba显示预计PGA的比率参数观测值数创建模型级,震源深度和Avg横波速度。模型的准确性会恶化的散射这个数字增长。ANFIS-PSO-GA-ELM模型的预测是准确的输入参数,可以看到在这些图表。gydF4y2Ba

因此,如图gydF4y2Ba(11日)gydF4y2Ba和gydF4y2Ba11 (b)gydF4y2Ba使用布伦模型,计算实现ANFIS-PSO-GA-ELM模型优化的数据。这一结果也有助于计算地震的源参数估计。gydF4y2Ba

6。结论gydF4y2Ba

很难做出准确的预测地震荷载的最重要的组件。在这项研究中,一个软计算方法来克服的预测问题,删除一些不需要的参数输入。具体地说,研究以下的参数包括:简称ANFIS方法用于选择相关特性的预测为目的的组件是最重要的地震荷载。然而,ANFIS-PSO-GA-ELM方法生成最准确和可靠的预测地震加载中所有的方法都是利用这个工作。所有的方法都是利用了杰出的和现实的预测地震载荷。此外,榆树网时显示最好的结果的预测gydF4y2Ba值作为参数。因此,ANFIS-GA和ANFIS-PSO方法一直被认为是有效的;然而,这个地震预测的实验结果表明,极端学习机(ELM)方法结合ANFIS-PSO-GA方法产生优越的结果。因此,建议ELM方法被用于神经网络以达到最好的结果。ANFIS-PSO-GA-ELM模型的预测是准确的,与这一趋势不太明显的输入参数。未来的研究应该专注于算法的性能,利用混合metaheuristic技术。特别要注意三重混合方法。gydF4y2Ba

数据可用性gydF4y2Ba

数值数据收集来自各种站用于本研究的发现。gydF4y2Ba

的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

确认gydF4y2Ba

这项研究支持公主Nourah少女阿大学研究员支持项目PNURSP2023R195数量,公主Nourah少女阿大学,利雅得,沙特阿拉伯。gydF4y2Ba