لیلا ده بزرگی - دانشگاه آزاد اسلامی واحد تهران مرکزی، باشگاه پژوهشگران جوان و نخبگان، تهران، ایران
زهره پازوکی - دانشگاه آزاد اسلامی واحد تهران مرکزی، باشگاه پژوهشگران جوان و نخبگان

از زمانهای قدیم، انسانها تلاش می کردند تا به کمک بعضی علایم، مانند تغییرات رفتار حیوانات زلزله را پیش بینی نمایند. نکته مهم در این موضوع پیش بینی زمان و شدت زلزله می باشد. این مطالعه ویژگی های متفاوت و غیر وابسته به علم زمین شناسی را از سیگنال لرزه استخراج می کند و سپس ماترسی ویژگی حاصل را به کمک شبکه پرسپترون چند لایه و دسته بندی کننده فازی - عصبی مورد بررسی قرار می دهد و نتایج ححاصل از هر دو دسته بندی کننده را مقایسه می نماید، تا ویژگی هایی که در شکل گیری زلزله نقش موثر تری را ایفا می کنند، استخراج نماید. این روش قادر به تشخیص بی نظمی تولید شده در فاصله زمانی 5 دقیقه قبل از وقوع زلزله با دقت قابل قبول (8406491%) به کمک دسته بندی کننده فازی - عصبی و (82.8947%) با شبکه پرسپترون چند لایه می باشد. به طور کلی ویژگی ها شامل تبدیل فوریه، آنتروپی، تبدیل ویولت گسسته، ویژگی های آشوبی، چگالی طیف توان، آماری، خط سیر سیگنال، تقسیم بندی داده ها می باشد. نهایتا، بعد از آموزش و تست شبکه های هوشمند ویژگی های موثر انتخاب می شوند که ویژگی های فرکانسی از موثرترین ویژگی های فرکانسی از موثرترین ویژگی ها در هر دو شبکه می باشد.

پردازش سیگنال، تبدیل ویولت، دسته بندی کننده فازی - عصبی، زمین لرزه، شبکه پرسپترون چند لایه