人工智能地震预警方法
【专利摘要】本发明公开了一种人工智能地震预警方法，用于一地震侦测系统，该人工智能地震预警方法包含有根据多个向量，并利用一支撑向量回归（support?vector?regression，SVR）方法建立一地震侦测模型，该多个向量中的每一向量是由多个地震信息组成并对应于一地震动强度参数；当一新地震发生时，侦测该新地震的多个新地震信息，并根据该多个新地震信息，组成一特定向量；以及根据该特定向量及该地震侦测模型，侦测该新地震的一新地震动强度参数。
【专利说明】人工智能地震预警方法
【技术领域】
[0001]本发明涉及一种人工智能地震预警方法，尤指一种根据前数秒的地震初达波特征，并利用支撑向量法回归方法所建立的地震侦测模型，以早期预测地震的地震动强度参数的人工智能地震预警方法。
【背景技术】
[0002]在一地震发生时，区域型强震实时警报技术可以在强震波到达之前数秒至数十秒，预估在各地可能产生的影响(震度)及发生的时间(離震央愈远，发生时间愈晚)，提前发布地震警报，以便实时采取必要的应变措施。然而，因为需要多个地震测站及前数十秒的地震初达波信息，现有区域型强震实时警报技术发布警报所需的时间约为20秒，以地震波传递速度每秒3km估算，即震央半径至少约60km以内为警报盲区。
[0003]另一方面，现有强震实时警报技术选择少数地震规模较具代表性的地震记录，作为验证所提出侦测方法的数据，仅能验证该方法在特定地震的使用性，无法得知实际应用时可能获得的成效，造成实务应用上可能的误报机率。有鉴于此，现有技术实有改进的必要。
【发明内容】
[0004]因此，本发明主要提供一种可根据前数秒的地震初达波特征，并利用支撑向量法回归方法所建立的地震侦测模型，以侦测地震的地震动强度参数的人工智能地震预警方法。
[0005]本发明公开一种人工智能地震预警方法，用于一地震侦测系统，该人工智能地震预警方法包含有根据多个向量，并利用一支撑向量回归(support vector regress1n,SVR)方法建立一地震侦测模型，该多个向量中的每一向量是多个地震信息组成并对应于一地震动强度参数；当一新地震发生时，侦测该新地震的多个新地震信息，并根据该多个新地震信息，组成一特定向量；以及根据该特定向量及该地震侦测模型，侦测该新地震的一新地震动强度参数。
[0006]本发明另公开一种地震侦测系统，该地震侦测系统包含有一运算模块，用来根据多个向量，并利用支撑向量回归建立一地震侦测模型，该多个向量中的每一向量是由多个地震信息组成并对应于一地震动强度参数；一地震侦测模块，用来当一新地震发生时，侦测该新地震的多个新地震信息，并根据该多个新地震信息，组成一特定向量；以及一地震动强度参数计算模块，用来根据该特定向量及该地震侦测模型，侦测该新地震的一新地震动强度参数。
【专利附图】
【附图说明】
[0007]图1为本发明实施例一地震侦测系统的示意图。
[0008]图2为地震侦测模型所计算的最大地表加速度与实际地震最大地表加速度的比较图。
[0009]图3为地震侦测模型所计算的震度与实际震度误差在正负一级内的比例与观察垂直向初达波的时间比较图。
[0010]图4为本发明实施例一地震侦测流程的示意图。
[0011]其中，附图标记说明如下:
[0012]10地震侦测系统
[0013]100运算模块
[0014]110地震侦测模块
[0015]120地震动强度参数计算模块
[0016]150地震警报模块
[0017]Xnew特定向量
[0018]f(x)地震侦测模型
[0019]ynew新震度
【具体实施方式】
[0020]在说明书及权利要求书当中使用了某些词汇来指称特定的组件。本领域的技术人员应可理解，制造商可能会用不同的名词来称呼同样的组件。本说明书及权利要求书并不以名称的差异来作为区别组件的方式，而是以组件在功能上的差异来作为区别的基准。在通篇说明书及权利要求书当中所提及的「包含」是一开放式的用语，故应解释成「包含但不限定于」。
[0021]请参考图1，图1为本发明实施例一地震侦测系统10的示意图。地震侦测系统10包含有一运算模块100、一地震侦测模块110、一地震动强度参数计算模块120及一地震警报模块150。运算模块100根据向量V1~Vn并利用支撑向量回归(support vectorregress1n, SVR)方法建立一地震侦测模型f (x)，接着，将建立完成的地震侦测模型f (x)储存于地震动强度参数计算模块120，其中向量X1~xm中的每一向量xn (I f n f m)由地震信息Qnl~Qnk组成并对应于一震度Yj,地震侦测模型f (X)的输入X为与向量X1~xm维度相同的向量。地震侦测模块110于一新地震NE发生时，侦测新地震NE的新地震信息N1~Nk，并根据新地震信息N1~Nk，组成一特定向量X卿，再将特定向量xMW传输至地震动强度参数计算模块120。地震动强度参数计算模块120以特定向量Xnrat为输入，代入地震侦测模型f(x)中并计算出新地震NE的一新震度ynew。地震警报模块150则用来根据新震度ynew，决定是否发出地震警报。
[0022]详细来说，支撑向量回归方法将向量X1~Xm投射到一高维度特征空间H，并在高维度特征空间H进行线性回归，故运算模块100假设地震侦测模型f (X)为下列方程式:
[0023]f (X) =<w, g (X) >+b:(式 I)
[0024]其中w为高维度特征空间H的一向量，g(x)为一非线性映像将X投射至高维度特征空间H，〈>为向量内积运算，b为一常数。运算模块100通过导入松弛变量(slackvariable)及回归误差(regress1n risk),可得求解式I即为求解以下目标函数:[0025]
【权利要求】
1.一种人工智能地震预警方法，用于一地震侦测系统，其特征在于，该人工智能地震预警方法包含有: 根据多个向量，并利用一支撑向量回归方法建立一地震侦测模型，该多个向量中的每一向量是由多个地震信息组成并对应于一地震动强度参数； 当一新地震发生时，侦测该新地震的多个新地震信息，并根据该多个新地震信息，组成一特定向量；以及 根据该特定向量及该地震侦测模型，侦测该新地震的一新地震动强度参数。
2.如权利要求1所述的人工智能地震预警方法，其特征在于，根据该多个新地震信息及该地震侦测模型侦测该新地震的该新地震动强度参数系符合下列方程式:
3.如权利要求2所述的人工智能地震预警方法，其特征在于，该核函数如下:
k (Xi, Xj) =exp (-1 I X1-Xj I 12/2 σ 2)， 其中，σ为一常数。
4.如权利要求2所述的人工智能地震预警方法，其特征在于，αι~απ、^^是根据求解一二次规划问题而得，该二次规划问题如下:
5.如权利要求4所述的人工智能地震预警方法，其特征在于，该二次规划问题是通过一目标函数并导入拉格郎奇乘算子(Lagrange multipliers)而得,该目标函数如下:
6.如权利要求1所述的人工智能地震预警方法，其特征在于，该多个向量中的每一向量对应的该多个地震信息是多个地震初达波的特征数值。
7.如权利要求1所述的人工智能地震预警方法，其特征在于，当该新地震发生时，于一特定时间内侦测该新地震的该多个新地震信息，并根据该多个新地震信息组成该特定向量。
8.如权利要求1所述的人工智能地震预警方法，其特征在于，地震动强度参数及该新地震动强度参数为震度、最大地表加速度、最大地表速度、最大地表位移、累积绝对速度、爱氏震度、频谱震度、地震反应谱之中的一者。
9.如权利要求1所述的人工智能地震预警方法，另包含有根据该新地震动强度参数，决定是否发出地震警报。
10.一种地震侦测系统，包含有: 一运算模块，用来根据多个向量，并利用支撑向量回归方法建立一地震侦测模型，该多个向量中的每一向量是由多个地震信息组成并对应于一地震动强度参数； 一地震侦测模块，用来当一新地震发生时，侦测该新地震的多个新地震信息，并根据该多个新地震信息，组成一特定向量；以及 一地震动强度参数计算模块，用来根据该特定向量及该地震侦测模型，侦测该新地震的一新地震动强度参数。
11.如权利要求10所述的地震侦测系统，其特征在于，该地震动强度参数计算模块根据该特定向量及该地震侦测模型，侦测该新地震的该新地震动强度参数系符合下列方程式:
12.如权利要求10所述的地震侦测系统，其特征在于，该核函数如下:
k (Xi, Xj) =exp (-1 I X1-Xj I 12/2 σ 2)， 其中，σ为一常数。
13.如权利要求10所述的地震侦测系统，其特征在于，αι~απ、^^是根据求解一二次规划问题而得，该二次规划问题如下:
14.如权利要求13所述的地震侦测系统，其特征在于，该二次规划问题是通过一目标函数并导入拉格郎奇乘算子而得，该目标函数如下:
15.如权利要求10所述的地震侦测系统，其特征在于，该多个向量中的每一向量对应的该多个地震信息是多个地震初达波的特征数值。
16.如权利要求10所述的地震侦测系统，其特征在于，当该新地震发生时，于一特定时间内侦测该新地震的该多个新地震信息，并根据该多个新地震信息组成该特定向量。
17.如权利要求10所述的地震侦测系统，其特征在于，地震动强度参数及该新地震动强度参数为震度、最大地表加速度、最大地表速度、最大地表位移、累积绝对速度、爱氏震度、频谱震度、地震反应谱之中的一者。
18.如权利要求10所述的地震侦测系统，另包含有一地震警报模块，用来根据该新地震动强度参数，决定是否发出地震警报。
【文档编号】G01V1/28GK104035130SQ201310068245
【公开日】2014年9月10日 申请日期:2013年3月4日 优先权日:2013年3月4日
【发明者】许丁友, 黄谢恭 申请人:财团法人国家实验研究院