پیش بینی زلزله مبتنی بر شبکه های عصبی مصنوعی با استفاده از تشخیص الگوهای الکتریکی تک قطبی (MEFM)
Publish place: 1st Earthquake Prediction Conference
Publish Year: 1387
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,909
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
EP2008_012
تاریخ نمایه سازی: 8 فروردین 1387
Abstract:
این مطالعه به اندازه گیری میدان الکتریکی انحصاری (MEFM:Monopolar Electric Field) است که وابسته به خطا در فشار و ارزیابی الگوهای شکل داده شده بوسیله ی اطلاعات گرفته شده از جاهای مختلف می پردازد . الگوها در یک کامپیوتر مرکزی که اطلاعات ان لاین را از 11 ایستگاه در شمال غربی ترکیه از طریق FTP از اینترنت دریافت میکند وساخته میشود .یک شبکه عصبی خود سازماندهی شده برای تشخیص الگوهای غیر عادی از قبل تعیین شده بعنوان اطلاعات در این مدل استفاده شده است . اطلاعات فوق پس از تجزیه و تحلیل برای پیشبینی زلزله ها
استفاده شده است . قوانین Hebbian برای پیش پردازش داده ها قبل از طبقه بندی و کلاس بندی توسط شبکه های عصبی چند لایه پرسپترن مورد استفاده قرار می گیرد . مکانیرم خود فراگیر نیز برای ایجاد رابطه مدل پذیرفته شده نا معلوم و طبقه بندی ویژگی زلزله های واقعی در کنار رشته اطلاعات اندازه گیری شده ذخیره می شوند . اگر یک ارتباط بین مقادیراندازه گیری شده و وقایع وجود داشته باشد، خروجی شبکه عصبی شروع به همگرا شدن به سمت ویژگیهای فیزیکی زلزله در حال وقوع می کند . شبکه عصبی پرسپترن با 1 لایه ورودی ، 2 لایه مخفی و 1 لایه خروجی و روش آموزش پس انتشار خطا برای پردازش داده های MEFM ، به منظور پیش بینی زلزله مورد استفاده قرار گرفته است .
Keywords:
Authors
امیر عزیزی
دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیک دانشگاه آزاد قزوین – مسئول
ابوالقاسم باغبان نژاد
مشاور شهردار مشهد و مدیر ساماندهی و مهندسی بحران شهرداری مشهد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :