运用类神经网络的现地型地震即时分析系统及其方法
【专利摘要】本发明公开了一种运用类神经网络的现地型地震即时分析系统及其方法，对在某检测地点撷取一地震的初达波加速度信号进行即时分析。此系统包含一嵌入式运算主机与一信号预处理模块，其信号预处理模块对其初达波加速度信号进行硬件预处理，嵌入式运算主机可将预处理后的加速度信号输入类神经网络模块中，以计算该地震的多个地震特性参数，其中该类神经网络模块包含形成四层且彼此连结的多个神经元，各该神经元具有一连结权重对应于与次层另一该神经元的连结，各该连结权重以实际测量的多个历史地震数据输入该类神经网络模块中反复调校而成。计算所得的地震特性参数包含楼层放大参数及/或楼层地震参数，对应于位在该检测地点的一建筑物上一特定楼层。
【专利说明】运用类神经网络的现地型地震即时分析系统及其方法
【技术领域】
[0001]本发明关于一种地震数据分析技术，尤指一种运用类神经网络模块的现地型地震即时分析系统及其方法。
【背景技术】
[0002]台湾处于太平洋地震带上，位于欧亚板块与菲律宾海板块的交界处，每年约有四千余笔的地震发生，其中包含两百多起的有感地震，又本岛人口密度为639(单位:人/平方公里)且有73%的地区为山坡地，因地狭人稠是以都市化程度高且都市区域新建建筑多为超高楼层建筑，而高楼层建物可能因其本身频率和地震波频率共振而加强其晃动程度，对该层住户的居住环境及生命安全造成威胁。
[0003]地震波于地球体内经由各地层介质传递时，在穿透各相异介质面将产生折射与反射效应，其从震源出发至地表的过程中，为高度复杂性的线性及非线性行为，其非线性行为对于传统线性数学模式是一项极大的挑战。因此，为了在短时间内即时分析出高准确度的地震特性参数，地震分析系统的硬件设计与分析方式的搭配与建置极其重要。
【发明内容】
[0004]有鉴于现有技术问题，本发明的一实施例提供一种现地型地震即时分析系统，SP时分析一地震于一检测地点检测到的一初达波(Primary Wave)，以预测到达该检测地点的该地震的一剪切波(Shear Wave)，该系统包含:一信号预处理模块，接收于该检测地点撷取该初达波的多个加速度信号，并对其进行一硬件预处理(hardware pre-processing)；及一嵌入式运算主机，包含一运算处理器，接收来自该信号预处理模块的这些加速度信号，并输入内建的一类神经网络模块中，以计算该地震的多个地震特性参数，其中该类神经网络模块包含形成四层且彼此连结的多个神经元(Neuron)，各该神经元具有一连结权重(Linkffeighting)对应于与次层(next layer)另一该神经元的连结,各该连结权重以实际测量的多个历史地震数据输入该类神经网络模块中反复调校而成。本发明的一实施例中，该历史地震数据选自多个历史地震个别的多个历史加速度信号、一历史震源距离、一历史峰值地表加速度、一历史地震规模、一历史地震主频与一历史初达波/次达波时间差的群组或其任意组合。
[0005]本发明的一实施例中，类神经网络模块包含一输入层、一二阶隐藏层、一三阶隐藏层与一输出层，该输入层包含至少33个一阶神经元，该二阶隐藏层包含至少30个二阶神经元分别连结各该一阶神经元，该三阶隐藏层包含至少30个三阶神经元分别连结各该二阶神经元，该输出层包含多个四阶神经元分别连结各该三阶神经元，各该四阶神经元分别输出一四阶输出值，且这些四阶输出值包含这些地震特性参数。
[0006]本发明的一实施例中，该输入层的各该一阶神经兀分别接收于一分析时段内的这些加速度信号，各该一阶神经元分别输出一一阶输出值，各该一阶输出值分别为所接收的各该加速度信号值；该二阶隐藏层的各该二阶神经元分别接收各该一阶神经元的该一阶输出值、并分别输出一二阶输出值，各该二阶输出值为各该二阶神经元与各该一阶神经元连结的 阶连结权重，分别乘上各该一阶神经兀的各该一阶输出值后之和、再加上一第一误差修正常数；该三阶隐藏层的各该三阶神经元分别接收各该二阶神经元的各该二阶输出值、并分别输出一三阶输出值，各该三阶输出值为各该三阶神经元与各该二阶神经元连结的一二阶连结权重，分别乘上各该二阶神经元的各该二阶输出值后之和、再加上一第二误差修正常数；及该输出层的各该四阶神经元分别接收各该三阶神经元的各该三阶输出值，各该四阶神经元分别输出一四阶输出值，各该四阶输出值为各该四阶神经元与各该三阶神经元连结的一三阶连结权重，分别乘上所接收各该三阶神经元的各该三阶输出值后之和、再加上一第三误差修正常数。
[0007]本发明的一实施例中，该分析时段为于该检测地点检测到该初达波起1-10秒内。
[0008]本发明的一实施例中，该嵌入式运算主机的该运算处理器筛选该历史峰值地表加速度小于500 (gal)、该历史初达波/次达波时间差小于50 (秒)的这些历史地震数据，以输入该类神经网络模块中进行反复调校。
[0009]本发明的一实施例中，该嵌入式运算主机的该运算处理器将筛选后的这些历史加速度信号先进行数据转换，再输入该类神经网络模块中，以得到多个预测地震特性参数，并比对实际测量的这些历史地震数据，以调校各该神经元的各该连结权重。前述数据转换包含将特定时间间隔取得的历史加速度信号数据(执行即时分析任务时则为及时地表加速度信号数据)，经过正规化转换，输入该输入层中对应的一阶神经元。前述正规化转换可为线性正规化转换、指数正规化结合线性正规化转换、或傅立叶正规化结合线性正规化转换。
[0010]本发明的一实施例中，该信号预处理模块包含一滤波电路与一偏移值去除电路，该滤波电路对这些加速度信号执行该硬件滤波程序，该偏移值去除电路对这些加速度信号执行该硬件去除偏移值程序。
[0011]本发明的一实施例中，该信号预处理模块包含一积分电路，该积分电路对这些加速度信号执行一硬件积分程序，以将这些加速度信号转换为该初达波的该地表速度与该地表位移。
[0012]本发明的一实施例中，该嵌入式运算主机执行一积分运算程序，以将这些加速度信号转换为该初达波的该地表速度与该地表位移。
[0013]本发明的一实施例中，该嵌入式运算主机包含至少一运算处理器，该运算处理器在本身的一固件中、或在一磁盘操作系统(Disk Operating System)环境中执行至少一演算法程序以分析该地震。
[0014]本发明的一实施例中，该嵌入式运算主机的运算处理器通过类神经网络模块计算的这些地震特性参数包含至少一楼层放大参数及/或至少一楼层地震参数,对应于位在该检测地点的一建筑物上一特定楼层。该历史地震数据选自多个历史地震个别的多个历史加速度信号、一历史震源距离、一历史峰值地表加速度、一历史地震规模、一历史地震主频与一历史初达波/次达波时间差，以及对应该建筑物的多个历史楼层放大系数与多个历史楼层地震参数的群组或其任意组合。
[0015]本发明的一实施例中，提供一种现地型地震即时分析系统，即时分析一地震于一检测地点检测到的一初达波(Primary Wave)，以预测该地震到达该检测地点上一建筑物的一剪切波(Shear Wave)，该系统包含:一信号预处理模块，接收于该检测地点撷取该初达波的多个加速度信号，并对其进行一硬件预处理(hardware pre-processing) '及一嵌入式运算主机，包含一运算处理器，接收来自该信号预处理模块的这些加速度信号，并输入内建的一类神经网络模块中，以计算该地震的多个地震特性参数，其中该类神经网络模块包含形成四层且彼此连结的多个神经元(Neuron),各该神经元具有一连结权重(Link Weighting)对应于与次层(next layer)另一该神经元的连结，各该连结权重以实际测量的多个历史地震数据输入该类神经网络模块中反复调校而成；其中，这些地震特性参数包含至少一楼层放大参数及/至少一楼层地震参数，对应于位在该检测地点的一建筑物上一特定楼层。
[0016]本发明的一实施例中，提供一种现地型地震即时分析方法，即时分析一地震于一检测地点检测到的一初达波(Primary Wave)，以预测到达该检测地点的该地震的一剪切波(Shear Wave)，该方法包含:对于该检测地点撷取的多个加速度信号进行一硬件预处理；传送经硬件预处理后的这些加速度信号至一嵌入式运算主机；及将这些加速度信号输入内建于该嵌入式运算主机上的一类神经网络模块中进行计算；及输出该类神经网络模块所计算出该地震的多个地震特性参数；其中该类神经网络模块包含形成四层且彼此连结的多个神经元(Neuron),各该神经元具有一连结权重(Link Weighting)对应于与次层(nextlayer)另一该神经元的连结，各该连结权重以实际测量的多个历史地震数据输入该类神经网络模块中反复调校而成。
[0017]本发明的一实施例中，通过该类神经网络模块计算的这些地震特性参数包含至少一楼层放大参数及/或至少一楼层地震参数，对应于位在该检测地点的一建筑物上一特定楼层。
[0018]本发明的一实施例中，该硬件预处理包含一硬件滤波程序与一硬件去除偏移值程序。
[0019]本发明的一实施例中，更包含执行一积分运算程序，以将这些加速度信号转换为该初达波的一地表速度与一地表位移。本发明的一实施例中，该硬件预处理包含一硬件积分程序，以将这些加速度信号转换为该初达波的一地表速度与一地表位移。
[0020]于本发明的一实施例，其中更包含通过该嵌入式运算主机筛选该历史峰值地表加速度小于500 (gal)、该历史初达波/次达波时间差小于50 (秒)的这些历史地震数据，以输入该类神经网络模块中进行反复调校。
[0021]本发明的现地型地震即时分析系统与方法具有以下特点:
[0022](一)即时快速:在地表强震预警方面，本发明可于当地收录地震数据的短时间内，通过训练及验证后的类神经网络地表分析模块而得推估解，其预警震度若达警戒值则进行后续避难动作。就建物强震预警方面，通过训练及验证后的类神经网络建物分析模块而得推估解，相对一般需经结构动力的力学分析流程，其运算速度较快，符合结构物快速反应评估的强震预警需求。
[0023]( 二)准确性高:其类神经网络的分析数据，包含长期观测的历史地震数据库，和使用有限元素法建置的建物受震数据库。前者为长期观测的实际成果，又后者的参考值与建物实际受震测量的相关数据大多相符，故通过此两种数据库，分取各20%验证本法与实际对应的地表受震情形和建物反应参考解，约80%的数据和其误差小于20%。
【专利附图】
【附图说明】[0024]图1是本发明一实施例中现地型地震即时分析系统的系统架构方块图；
[0025]图2是本发明另一实施例中另一现地型地震即时分析系统的系统架构方块图；
[0026]图3A是本发明另一实施例中现地型地震即时分析方法的流程图；
[0027]图3B是本发明另一实施例中现地型地震即时分析系统的类神经网络模块的示意图；
[0028]图3C是本发明另一实施例中(第0-3秒)峰值地表加速度的实际测量值与本发明系统分析值的比较图；
[0029]图3D是本发明另一实施例中(第0-5秒)峰值地表加速度的实际测量值与本发明系统分析值的比较图；
[0030]图4A是本发明另一实施例中现地型地震即时分析系统的类神经网络模块的示意图；
[0031]图4B是本发明另一实施例中对于特定建筑物某楼层的(第0-3秒)峰值地表加速度的实际测量值与本发明系统分析值的比较图；
[0032]图4C是本发明另一实施例中对于特定建筑物某楼层的(第0-10秒)峰值地表加速度的实际测量值与本发明系统分析值的比较图；
[0033]图4D是本发明另一实施例中对于特定建筑物某楼层的峰值楼层加速度到达时间的实际测量值与本发明系统分析值的比较图(X轴)；
[0034]图4E是本发明另一实施例中对于特定建筑物某楼层的峰值楼层加速度到达时间的实际测量值与本发明系统分析值的比较图(Y轴)；
[0035]图4F是本发明另一实施例中对于特定建筑物某楼层的峰值楼层加速度到达时间的实际测量值与本发明系统分析值的比较图(Z轴)。
[0036]其中，附图标记:
[0037]10................................................................现
地型地震即时分析系统
[0038]100.............................................................嵌入
式运算模块
[0039]110.............................................................运算
处理器
[0040]111、112........................................................类神经
网络模块
[0041]1111a、112a................................................输入层
[0042]111b、112b.................................................二阶隐藏层
[0043]111c、112c.................................................三阶隐藏层
[0044]llld、112d.................................................输出层
[0045]120........................................................系统存储器
[0046]130........................................................储存单元
[0047]140........................................................信号接口
[0048]150.........................................................总、线
[0049]200........................................................信号预处理模块
[0050]210........................................................滤波电路
[0051]220........................................................偏移值去除
电路
[0052]230........................................................积分电路
[0053]nlOl、nl02、nl03、nl04….nlxxx...................................—阶神
经元
[0054]n201、n202、n203、n204....n230....................................二阶神
经元
[0055]n301、n302、n303、n304....n330....................................三阶神
经元
[0056]η401、η402、η403、η404....n411...................................四阶神
经元
【具体实施方式】
[0057]以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
[0058]本发明为藉由初达波(P波)与剪切波(S波)其两者传递速度差异的物理特性开发强震即时警报系统(Earthquake Early Warning System, EEWS),主要通过预先建置的类神经网络模块，并根据先到达的初达波(P波)加速度信号，来预测后续剪切波(S波)可能造成的相关地表及建物受震情形。可解析地震波加速度历时资讯，经数据转换至类神经网络进行分析以判识地震预警资讯供防灾决策之用。所得的地震历时愈长则地震预警经度也越高，然应变时间也相应减少，故本发明逐秒建置对应的类神经网络分析模块，其具有独立的类神经网络架构及连结权重，当地震发生当下，可分秒更新地震预警资讯，以达更佳减伤防灾之效。可输出的资讯包括:(1)地震特性参数(如峰值地表加速度[PGA;Peak GroundAcceleration]及剪切波[S波]到达时间)，以及⑵楼层地震参数(如建筑物特定建物楼层的楼层放大参数、最大楼层加速度[PFA ;Peak Floor Acceleration]和剪切波[S波]到达时间)，提前预警并进行减灾策略，以减少该地震对于该区域所带来的危害。再者，本发明现地型地震即时分析系统的建置目标为随着地震进行，每秒钟都要能输出既有累积地表加速度信号的运算结果，其即时运算并输出预测值所需的运算需求极其庞大。
[0059]基于对地震信号特性及过去分析过程遭遇的障碍，本发明的下列实施例提供现地型地震分析所需的数种最佳化硬件架构与最佳化运作程序，以便以短时间撷取的初达波(P波)数据、准确预测剪切波(S波)于检测地点的峰值地表加速度，达到现地即时预警效果。本发明中软件硬件系统的整合设计、硬件元件的选择、类神经网络模块的搭配与建置至关重要，需经大量实验数据验证方能得到本发明所揭露最优化的现地型地震即时分析系统与方法。根据本发明的系统与方法，若撷取测站所检测的初达波前段3秒数据演算出地震相关参数并提出预警，则可将预警范围由距震央70公里外大幅拉近，例如降至为距震央10-50公里外；但实际数据仍受限于实际采用的硬件/软件/固件、地震波传递路径的地层特性以及其他可能变数。
[0060]请参阅图1，其是本发明一实施例中现地型地震即时分析系统的系统架构方块图。图中现地型地震即时分析系统10包括嵌入式运算主机100与信号预处理模块200 ;其中主要由信号预处理模块200进行原始初达波加速度信号的信号预先处理，而由嵌入式运算主机100进行类神经网络模块的计算程序。
[0061]由于系统设计的其中一个目标在于缩短地震参数的运算时间以便提前预警，在软件开发方面，为能使整体系统于各数据截取时间点完成该步骤的迭代运算，将类神经网络分析拆解为分散运算，其能逐步存放运算过程的迭代数值并于初达波后1-10秒内逐秒计算地震特性参数。而硬件的配置上必须有效降低类神经网络模块运算端的运算负担。视不同的实际硬件组件配置方式，于一实施例中嵌入式运算主机100与信号预处理模块200可藉由一特制主机板串联所有必要硬件元件、辅以适当的总线与信号接口(连接器)而实现。于另一实施例中，嵌入式运算主机100与信号预处理模块200可由独立的硬件组件分别实现，再以合适的信号缆线与信号接口串联。
[0062]于一实施例中，地震初达波的加速度信号来源为设置于某检测地点的地表强震仪(图未示)。检测地点的选择可以为人口稠密处或重要建筑物附近；强震仪例如可选用Kinemetrics 公司的 EpiSensor 震力平衡加速度计(Force Balance Accelerometer)(型号FBA ES-T)，能测量地表上的微小震动、并输出X、Y、Z三个轴向的加速度信号。强震仪撷取输出加速度信号的时间间隔通常可以自行设定，但于一实施例中，合适的撷取或输出频率为每秒200次。
[0063]于图1中，信号预处理模块200具有滤波电路210及偏移值去除电路220。滤波电路210对检测地点所设强震仪输出的初达波加速度信号执行硬件滤波程序，意即通过滤波电路210滤除初达波加速度信号中不必要的环境噪声，一则降低后端需分析的数据量、一则提高分析准确率。偏移值去除电路220对该初达波加速度信号执行一硬件去除偏移值程序，意即通过偏移值去除电路220将初达波加速度信号进行偏移调整，使初达波加速度信号的基础值回到零；一个例子为先取长分析时段(例如扩11秒)的初达波加速度信号的平均值作为信号偏移植修正参数，即能将撷取的加速度信号或数据进行偏移修正。
[0064]整体而言，信号预处理模块200接收于检测地点撷取的多个初达波加速度信号，并对其进行一硬件预处理(hardware pre-processing),即以硬件电路手段对初达波加速度信号进行信号预先处理。硬件预处理可包括一硬件滤波程序与一硬件去除偏移值程序，或其他硬件电路可执行的信号处理程序。不过，由于在本发明的方法中，初达波加速度信号需要被转换为初达波的地表速度(Ground Velocity)与地表位移(Ground Displacement)数据，且此过程需要对初达波加速度信号或数据执行“积分”处理，因此如欲进一步降低后端嵌入式运算主机100中类神经网络模块111的运算负担，可在一实施例中，令信号预处理模块的硬件预处理包含一硬件积分程序。于此，如图2所示，另一实施例中的信号预处理模块200可进一步具备一积分电路230，以对初达波加速度信号执行前述硬件积分程序，意即对初达波加速度信号进行硬件积分，而将初达波加速度信号转换为初达波的地表速度与地表位移；后续实施例将有相关说明。
[0065]图1中，嵌入式运算主机100具有运算处理器110、系统存储器120、储存单元130、信号接口 140与总线150。经过信号预处理模块200进行硬件预处理后的初达波加速度信号，将通过信号接口 140与总线150传输至运算处理器110进行运算。本实施例中储存单元130可储存任意地震数据或数据、以及类神经网络模块111必要的演算程序，嵌入式运算主机100的运算处理器1101包含类神经网络模块111，类神经网络模块111可将必要的演算程序加载至系统存储器120，以便进行各种地震特性参数的运算。前述运算处理器110的类神经网络模块111所需执行演算程序，属于本发明现地型地震即时分析方法的其中一部分。
[0066]于一实施例中，嵌入式运算主机100可由以磁盘作业系统(Disk OperatingSystem ；D0S)为基础的电脑系统实现；所采用的磁盘作业系统可为微软公司的MS-DOS或其他合适的版本。一个实验中采用的例子为:以(1)钛思科技公司(TeraSoft Inc.)开发的“Micro-Box x86Based 即时控制平台”(简称 Micro-Box),搭配(2)MathWorks 公司(TheMathfforks, Inc.)的Simulink工具软件作为类神经网络模块演算程序开发工具。
[0067]其中，钦思科技公司型号Micro-Box 3000 (PCI Interface [即指 PeripheralComponent Interconnect interface,周边兀件互连接口])的 Micro-Box 系统具有以下主要的硬件规格:处理器Celeron? M 1GHz ;系统存储器为256MB DDRDRAM ;储存单元可为64MB Compact Flash card ;标准PCI扩充总线等。换言之,于一实施例中，嵌入式运算主机100的硬件部分可由钛思科技公司型号Micro-Box 3000所实现。
[0068]前述Simulink工具软件是则是MathWorks公司开发的用于动态系统和嵌入式系统的多领域模拟和基于模块的设计工具。于一实施例中，嵌入式运算主机100中类神经网络模块111的演算程序乃以Simulink工具软件进行编写，并于钛思科技公司前述Micro-Box系统上的DOS环境中执行，以实现本发明的现地型地震即时分析方法的至少其中一部份。换言之，此实施例类神经网络模块111的一或多个演算程序须能在DOS环境中执行；意即，此类嵌入式运算主机100的运算处理器110的类神经网络模块111须执行以DOS为基础(DOS-based)演算程序。
[0069]于另一实施例中，嵌入式运算主机的运算处理器可具有内建存储器，通过特定的固件(Firmware)编辑平台，可将本发明所需类神经网络模块111的演算法程序编写于该运算处理器110的固件中，而能以固件执行方式进行高速运算。换言之，此实施例类神经网络模块111的一或多个演算法程序须能在该运算处理器110的固件环境中执行，如图1与图2 ;意即，此类嵌入式运算主机100的运算处理器110须在本身固件中执行类神经网络模块111所需的演算程序。一例为采用德国dSPACE公司的DS1103PPC控制器板(ControllerBoard)，本发明的类神经网络模块演算程序仍可藉由Simulink工具软件进行编写，最后转换成机械语言以植入其运算处理器(lGHz)PPC 750GX的固件中，如此即能以固件执行方式进行闻速运算。
[0070]有关嵌入式运算主机100所执行类神经网络模块111的演算程序、以及整个现地型地震即时分析系统10所执行的现地型地震即时分析方法，请合并参考后续的流程图与相关说明。
[0071]请参阅图3A，其是本发明另一实施例中现地型地震即时分析方法的流程图。虽然以下是以具有顺序的步骤及流程图，说明现地型地震即时分析方法的各构成部分；但除非特别予以限定，本发明的方法各构成部分之间并无绝对的前后顺序关系。
[0072]请一并参考图1与图3A，本发明一实施例中，现地型地震即时分析方法包括以下部分:
[0073]步骤S310:对于一检测地点撷取的一地震的初达波加速度信号进行硬件预处理。本实施例中硬件预处理包括硬件滤波程序与硬件去除偏移值程序，由信号预处理模块200的滤波电路210与偏移值去除电路220，分别对检测地点现地撷取的地震初达波加速度信号进行处理；于一实施例中，初达波加速度信号撷取频率为每秒200次。
[0074]步骤S320:传送经硬件预处理后的加速度信号至嵌入式运算主机。经信号预处理模块200进行硬件预处理后的加速度信号，乃经信号接口 140传输至嵌入式运算主机100 ；这些加速度信号可以经总线150储存到储存单元130等待被存取，也可被运算处理器110直接读取运算，或暂存系统存储器120等待被存取、运算。
[0075]前述部分于现地型地震即时分析系统的信号预处理模块200执行，下列部分则由嵌入式运算主机100的执行。
[0076]步骤S330:将加速度信号输入内建于嵌入式运算主机上的类神经网络模块中进行计算。步骤S340:输出类神经网络模块所计算出地震的地震特性参数。有关类神经网络模块的定义、运作方式及计算过程将介绍如后。
[0077]生物学习新知时神经细胞接收外物的刺激而影响彼此连接的突触，类神经网络以神经元(neuron)、连结(link)、各连结权重(weight)及大量的并联网络层来模拟此现象，神经元可视为人类神经细胞的处理系统，包含简单的数学运算；各神经元彼此的连结可视为人类神经细胞彼此相连的突触；而连结权重则模拟神经细胞连结的强弱程度。本发明类神经网络模块的类神经网络由大量互相联系的神经元及连结所构成，神经元的数量、连结方式及各连结权重共同架构此网络模型，通过大量的训练样本，令类神经网络学习输入端与输出端数据间的规则，其接收输入端数据经过神经网络运算后得出一结果值，将此值与输出端目标值的误差反向 传递回类神经网络修正连结权重，经由大量的学习次数逐步降低类神经网络计算结果值与实际目标值两者的误差，可称之为“倒传递类神经网络”。
[0078]本发明的类神经网络模块经过数据转换，将每一撷取时点的地震波加速度信号转换至介于0-1的数值数据，并输入至输入层中对应的一阶神经元。同时，考量全岛区域的通用特性及小区域的在地特征，依据地震历时数据逐秒调整各层各阶神经元数量及对应的连结权重，以适应实务上的需求。类神经网络模块的建置方式，首先取符合(I)地震规模0-8、(2)初达波与剪切波的时间差0-50秒内及(3)三轴向的峰值地表加速度PGA介于O-1OOOgal间等三类条件的地震历时数据作为类神经网络的分析数据，以期建立所输入初达波的地表加速度信号数据与该地震参数(震央规模、初达波与剪切波的时间差、各向峰值地表加速度PGA值及各向峰值地表加速度PGA触发时间等)的关联性。为能快速预警及最大化使用历史数据，本研究以每秒50点的取样频率针对初达波10秒内数据依时间长度分别建立输入端数据；如令P波触发时间为TO时，则分取TO-Tl (第0-1秒)、T0-T2 (第0-2秒)、Τ0-Τ3 (第0-3秒)…Τ0-Τ10 (第0-10秒)等数种相异时间间隔作为类神经网络模块中输入层不同的一阶神经元的输入数据，再以该时间间隔的地震参数为目标值来建立两者的映射关系。本发明是以四层倒传递类神经网络，依不同的初达波取样值的时间间隔长度各别建立模型化的类神经网络模块，以找到最佳化的类神经网络模块版本。
[0079]不同的正规化方法其类神经网络模块的模型化方式也有所差异。同时，因相异的数据正规化方式会影响类神经网络的学习能力和使用的数据量，而庞大的数据量虽仍提高模型预测精确度但也令运算时间增加，为能在数据选用及运算耗时上取得较佳整体效果，根据现地实务需求所分别建立的数种模块范例列举如下:[0080](一 )线性正规化
[0081]将地震初达波后10秒内的地表加速度信号数据依时间长度分为垂直向、南北向、东西向等三轴向，若输入层的一个一阶神经元代表可输入一个地表加速度信号值，因每秒取样频率为50点，加上在三轴向取得的资讯，每秒所需输入的一阶神经元个数为150个。以此类推，T0-T1 (第0-1秒)、T0-T2 (第0-2秒)...T0-T10 (第0-10秒)分别需要输入对应的150、300...1500个一阶神经元。其中，以-500和500作为门槛值将各种时间间隔内的地表加速度信号值进行线性正规化。
[0082]而在输出层的四阶神经元方面，以(1)地震规模(门槛值0-8)、(2)初达波与剪切波的时间差(门槛值0-50)、(3)垂直向上的峰值地表加速度PGA(门槛值0-1000)、(4)垂直向下的峰值地表加速度PGA(门槛值0-1000)、(5)向南的峰值地表加速度PGA(门槛值0-1000)、(6)向北的峰值地表加速度PGA(门槛值0-1000)、(7)向东的峰值地表加速度PGA(门槛值0-1000)、⑶向西的峰值地表加速度PGA(门槛值0-1000)、(9)垂直向的峰值地表加速度PGA的到达时间(门槛值0-250)、(10)南北向的峰值地表加速度PGA(门槛值0-250)的到达时间与(11)东西向的峰值地表加速度PGA(门槛值0-250)的到达时间等11个物理量，做为原始物理量的目标值。原始物理量的目标值经由线性正规化转化为0-1的值域内后，即能作为类神经网络模块的输出层其四阶神经元的输出目标值，用以修正调整各阶神经元的个数与连结权重。
[0083]一般而言，地表加速度信号数据除了经任何一种正规化转换之外，亦可搭配进行一向量转换，即将某一地表加速度信号数据的正值或负值，转为1或0的数值、并输入一个对应的额外一阶神经元中。
[0084]( 二 )指数正规化结合线性正规化
[0085]除直接使用地震加速度信号数据之外，地震加速度信号数据亦可区分为垂直、南北、东西等三轴六向的分量数据，故可将数据解析为垂直向上、垂直向下、向南、向北、向东及向西等六个方向，各以一个一阶神经元作为数据输入端，则各方向每秒的数据取样数为50点，整体而言一秒的时间间隔中其对应的输入层一阶神经元个数为300个。各方向的表加速度信号数据若有缺值部分即予补零，考量加速度数据记录精度至小数点第四位，而对于非零值部分经10000倍的放大后再以loglO进行处理，最后使用门槛值0-8过滤并辅以线性正规化至0-1间，即能将地表加速度信号数据由物理量转换为适合类神经网络模块运算的输入值。
[0086]在输出目标值方面，针对地震规模、P波与S波的时间差、垂直向峰值地表加速度PGA的到达时间、南北向峰值地表加速度PGA的到达时间与东西向峰值地表加速度PGA等四个参数分别以0-8、0-50、0-250、0-250、0-250作为门槛值进行线性正规化，而垂直向下峰值地表加速度PGA、向南PGA峰值地表加速度、向北峰值地表加速度PGA、向东峰值地表加速度PGA、向西峰值地表加速度PGA等个6参数则先放大1000倍再经loglO转换并以0_6为门槛值进行线性正规化，压缩值域为0-1内，即能将实际测得的历史物理量转换为输出层的四阶神经元的输出目标值。此外，在指数正规化过程中，为避免小于或等于0的数值经指数计算后会呈现负值或0，可将所有地表加速信号值全部平移加1后再进行指数正规化转换。
[0087][例一][0088](I)输入层一阶神经元个数:100-1000 ；⑵输出层四阶神经元数:11[0089]假设直接取用地表加速度信号数据、每秒取样50点、并将地表加速度信号正负值进行向量转换，欲输入第0-1秒数据即需要100个一阶神经元。以此类推，欲输入第0-2秒数据即需要200个一阶神经元；欲输入第0-5秒数据即需要500个一阶神经元；欲输入第0-10秒数据即需要1000个一阶神经元。
[0090][例二]
[0091](I)输入层一阶神经元个数:300-3000 ； (2)输出层四阶神经元数:11
[0092]假设取用地表加速度信号的六轴分量数据、每秒取样50点，欲输入第0-1秒数据即需要300个一阶神经元。以此类推，欲输入第0-2秒数据即需要600个一阶神经元；欲输入第0-5秒数据即需要1500个一阶神经元；欲输入第0-10秒数据即需要3000个一阶神经
J Li ο
[0093](三)傅立叶正规化结合线性正规化
[0094]将地震初达波的地表加速度信号数据分类为TO-Tl (第0-1秒)、Τ0-Τ2 (第0_2秒)…、Τ0-Τ10 (第0-10秒)等数种类别。由于傅立叶正规化所需数据量与2的乘幂相关，因取样限制造成数据不足部分，可通过增加零值方式增加所需数据数据。另外，由于经由快速傅立叶转换化为时频域型式时，考量傅立叶频谱数据具有对称性，故只取前半部资讯作为输入端数据，并取各模型的极值运用线性正规化转化值域为0-1间。
[0095]在输出端方面，针对描述各向峰值地表加速度PGA的六个地震参数，我们先以1000进行倍率放大再藉由1glO运算转化其分布的值域，最后以0-5.7为门槛值进行线性正规化。而对于初达波波与剪切波的时间差及垂直、南北、东西等轴向峰值地表加速度PGA到达时间等四个时间性质的地震参数，则分别以0-50、0-250、0-250、0-250为门槛值进行线性正规化。置于地震规模则运用0-8为门槛值和线性正规化方式进行转换。
[0096][例三]
[0097](I)输入层一阶神经元个数:33~257 ； (2)输出层四阶神经元数:11
[0098]假设直接取用地表加速度信号数据、每秒取样50点、并采用傅立叶转换，欲输入第0-1秒数据即需要(26/2)+1即33个一阶神经元。以此类推，欲输入第0-2秒数据即需要65个一阶神经元；欲输入第0-3、0-4、0-5秒数据即需要129个一阶神经元；欲输入第0_6、0-7、0-8、0-9、0-10秒数据即需要257个一阶神经元。
[0099][例四]
[0100](I)输入层一阶神经元个数:9^771 ； (2)输出层四阶神经元数:11
[0101]假设取用三轴地表加速度信号数据、每秒取样50点、并采用傅立叶转换，欲输入第ο-1秒数据即需要[(26/2)+1]*3即33*9=99个一阶神经元。以此类推，欲输入第0_2秒数据即需要65*3=195个一阶神经元；欲输入第0-3、0-4、0-5秒数据即需要129*3=387个一阶神经元；欲输入第0-6、0-7、0-8、0-9、0-10秒数据即需要257*3=771个一阶神经元。本发明的类神经网络模块为高度非线性动态系统，其以并联神经元平行处理大量的输入数据，误差容忍性高，各个神经元包含部分的动态信息和简易的计算能力。当类神经网络模块由输入层读取数据后，各神经元加总前一层所传递的值(如式I)经由活化函数(sigmoid)(如式2)计算再传递给后一层神经元直至输出层而得此次分析的结果值，再通过结果值与目标值来修正调节误差。[0102]
【权利要求】
1.一种现地型地震即时分析系统，即时分析一地震于一检测地点检测到的一初达波，以预测到达该检测地点的该地震的一剪切波，其特征在于，该系统包含:一信号预处理模块，接收于该检测地点撷取该初达波的多个加速度信号，并对其进行一硬件预处理 '及一嵌入式运算主机，包含一运算处理器，接收来自该信号预处理模块的所述加速度信号，并输入内建的一类神经网络模块中，以计算该地震到达该检测地点的多个地震特性参数，其中该类神经网络模块包含形成四层且彼此连结的多个神经元，各该神经元具有一连结权重对应于与次层另一该神经元的连结，各该连结权重以实际测量的多个历史地震数据输入该类神经网络模块中反复调校而成。
2.根据权利要求1所述的现地型地震即时分析系统，其特征在于，该类神经网络模块包含一输入层、一二阶隐藏层、一三阶隐藏层与一输出层，该输入层包含至少33个一阶神经元，该二阶隐藏层包含至少30个二阶神经元分别连结各该一阶神经元，该三阶隐藏层包含至少30个三阶神经元分别连结各该二阶神经元，该输出层包含多个四阶神经元分别连结各该三阶神经元，各该四阶神经元分别输出一四阶输出值，且所述四阶输出值包含所述地震特性参数。
3.根据权利要求2所述的现地型地震即时分析系统，其特征在于，:该输入层的各该一阶神经元分别接收于一分析时段内的所述加速度信号，各该一阶神经元分别输出一一阶输出值，各该一阶输出值分别为所接收的各该加速度信号值；该二阶隐藏层的各该二阶神经元分别接收各该一阶神经元的该一阶输出值、并分别输出一二阶输出值，各该二阶输出值为各该二阶神经元与各该一阶神经元连结的一一阶连结权重，分别乘上各该一阶神经元的各该一阶输出值后之和、再加上一第一误差修正常数；该三阶隐藏层的各该三阶神经`元分别接收各该二阶神经元的各该二阶输出值、并分别输出一三阶输出值，各该三阶输出值为各该三阶神经元与各该二阶神经元连结的一二阶连结权重，分别乘上各该二阶神经元的各该二阶输出值后之和、再加上一第二误差修正常数；及该输出层的各该四阶神经元分别接收各该三阶神经元的各该三阶输出值，各该四阶神经元分别输出一四阶输出值，各该四阶输出值为各该四阶神经元与各该三阶神经元连结的一三阶连结权重，分别乘上所接收各该三阶神经元的各该三阶输出值后之和、再加上一第三误差修正常数。
4.根据权利要求1所述的现地型地震即时分析系统，其特征在于，该类神经网络模块接收一分析时段内的所述加速度信号，该分析时段为于该检测地点检测到该初达波起第1-10秒内，且该输出层自该第1秒起每秒钟输出该四阶输出值。
5.根据权利要求1所述的现地型地震即时分析系统，其特征在于，该历史地震数据选自多个历史地震个别的多个历史加速度信号、一历史震源距离、一历史峰值地表加速度、一历史地震规模、一历史地震主频与一历史初达波/次达波时间差的群组或其任意组合。
6.根据权利要求5所述的现地型地震即时分析系统，其特征在于，该嵌入式运算主机的该运算处理器筛选该历史峰值地表加速度小于500 (gal)、该历史初达波/次达波时间差小于50 (秒)的所述历史地震数据，以输入该类神经网络模块中进行反复调校。
7.根据权利要求6所述的现地型地震即时分析系统，其特征在于，该嵌入式运算主机的该运算处理器将筛选后的所述历史加速度信号先进行数据转换，再输入该类神经网络模块中，以得到多个预测地震特性参数，并比对实际测量的所述历史地震数据，以调校各该神经元的各该连结权重。
8.根据权利要求1所述的现地型地震即时分析系统，其特征在于，该嵌入式运算主机将所接收该地震的所述加速度信号先进行数据转换，再输入该类神经网络模块中，以得到所述地震特性参数；其中该数据转换选自指数正规化搭配线性正规化转换、或傅立叶正规化搭配线性正规化转换。
9.根据权利要求1所述的现地型地震即时分析系统，其特征在于，通过该类神经网络模块计算的所述地震特性参数包含至少一楼层放大参数及/或至少一楼层地震参数，对应于位在该检测地点的一建筑物上一特定楼层。
10.根据权利要求9所述的现地型地震即时分析系统，其特征在于，该类神经网络模块输出的所述地震特性参数，包含对应该特定楼层的至少一峰值楼层加速度与至少一峰值楼层加速度到达时间。
11.一种现地型地震即时分析方法，即时分析一地震于一检测地点检测到的一初达波，以预测到达该检测地点的该地震的一剪切波，其特征在于，该方法包含: 对于该检测地点撷取的多个加速度信号进行一硬件预处理； 传送经硬件预处理后的所述加速度信号至一嵌入式运算主机； 将所述加速度信号输入内建于该嵌入式运算主机上的一类神经网络模块中进行计算；及 输出该类神经网络模块所计算出该地震的多个地震特性参数； 其中该类神经网络模块包含形成四层且彼此连结的多个神经元，各该神经元具有一连结权重对应于与次层另一该神经元的连结，各该连结权重以实际测量的多个历史地震数据输入该类神经网络模块中反复调校而成。
12.根据权利要求11所述的现地型地震即时分析方法，其特征在于，该类神经网络模块包含一输入层、一二阶隐藏层、一三阶隐藏层与一输出层，该输入层包含至少33个一阶神经元，该二阶隐藏层包含10-50个二阶神经元分别连结各该一阶神经元，该三阶隐藏层包含10-500个三阶神经元分别连结各该二阶神经元，该输出层包含多个四阶神经元分别连结各该三阶神经元，各该四阶神经元分别输出一四阶输出值，且所述四阶输出值包含所述地震特性参数。
13.根据权利要求12所述的现地型地震即时分析方法，其特征在于，: 该输入层的各该一阶神经元分别接收于一分析时段内的所述加速度信号，各该一阶神经元分别输出一一阶输出值，各该一阶输出值分别为所接收的各该加速度信号值； 该二阶隐藏层的各该二阶神经元分别接收各该一阶神经元的该一阶输出值、并分别输出一二阶输出值，各该二阶输出值为各该二阶神经元与各该一阶神经元连结的一一阶连结权重，分别乘上各该一阶神经元的各该一阶输出值后之和、再加上一第一误差修正常数； 该三阶隐藏层的各该三阶神经元分别接收各该二阶神经元的各该二阶输出值、并分别输出一三阶输出值，各该三阶输出值为各该三阶神经元与各该二阶神经元连结的一二阶连结权重，分别乘上各该二阶神经元的各该二阶输出值后之和、再加上一第二误差修正常数；及该输出层的各该四阶神经元分别接收各该三阶神经元的各该三阶输出值，各该四阶神经元分别输出一四阶输出值，各该四阶输出值为各该四阶神经元与各该三阶神经元连结的一三阶连结权重，分别乘上所接收各该三阶神经元的各该三阶输出值后之和、再加上一第三误差修正常数。
14.根据权利要求11所述的现地型地震即时分析方法，其特征在于，该类神经网络模块接收一分析时段内的所述加速度信号，该分析时段为于该检测地点检测到该初达波起第1-10秒内，且该输出层自该第1秒起每秒钟输出该四阶输出值。
15.根据权利要求11所述的现地型地震即时分析方法，其特征在于，该类神经网络模块输出的所述地震特性参数，选自该地震的一地震震度、一初达波-剪切波时间间隔、至少一组对应三坐标轴的峰值地表加速度及一峰值地表加速度到达时间的群组及其任意组合。
16.根据权利要求11所述的现地型地震即时分析方法，其特征在于，该嵌入式运算主机将所接收该地震的所述加速度信号先进行数据转换，再输入该类神经网络模块中，以得到所述地震特性参数；其中该数据转换选自指数正规化搭配线性正规化转换、或傅立叶正规化搭配线性正规化转换。
17.根据权利要求11所述的现地型地震即时分析方法，其特征在于，更包含通过该嵌入式运算主机筛选该历史峰值地表加速度小于500 (gal)、该历史初达波/次达波时间差小于50 (秒)的所述历史地震数据，以输入该类神经网络模块中进行反复调校。
18.根据权利要求17所述的现地型地震即时分析方法，其特征在于，该嵌入式运算主机将筛选后的所述历史加速度信号先进行数据转换，再输入该类神经网络模块中，以得到多个预测地震特性参数，并比对实际测量的所述历史地震数据，以调校各该神经元的各该连结权重。
19.根据权利要求11所述`的现地型地震即时分析方法，其特征在于，通过该类神经网络模块计算的所述地震特性参数包含至少一楼层放大参数及/或至少一楼层地震参数，对应于位在该检测地点的一建筑物上一特定楼层。
20.根据权利要求19所述的现地型地震即时分析方法，其特征在于，该类神经网络模块输出的所述地震特性参数，包含对应该特定楼层的至少一峰值楼层加速度与至少一峰值楼层加速度到达时间。
【文档编号】G01V1/30GK103675914SQ201210337469
【公开日】2014年3月26日 申请日期:2012年9月12日 优先权日:2012年9月12日
【发明者】林主洁, 林沛旸, 沈哲平, 黄谢恭, 江宏伟 申请人:林沛旸