基于混沌-RBF神经网络预测ENPEMF信号包络趋势的方法及系统与流程

本发明涉及非平稳数据的分析及预测处理，研究地震前地球天然脉冲电磁场信号的混沌特性，属于地学非平稳信号处理领域。

背景技术：

本发明属于地震前兆研究与地震预测领域，地震给人类的生活带来了巨大的灾难，据统计，全球的自然灾害之中，地震造成的死亡人数占全部自然灾害死亡人数的54％，堪称自然灾害之最。如何预测地震一直以来都是一个热门敏感的话题。然而，因地震预测有着地球内部的“不可入性”、大地震的“非频发性”、“地震物理过程的复杂性”三大困难，地震预测成为了公认的世界性难题。本发明采用混沌-rbf神经网络算法研究并预测短期enpemf数据，从方法上解决了地球天然脉冲电磁场信号数据的预测分析问题，为从算法分析角度出发研究地震前兆信息提供了必备的理论基础。该算法也可应用于其他非平稳信号领域的多项研究，有较好的市场应用前景。

技术实现要素：

本发明要解决的技术问题在于，针对现有技术的缺陷，提供基于混沌-rbf神经网络预测enpemf信号包络趋势的方法及系统。

本发明解决其技术问题所采用的技术方案是：构造一种基于混沌-rbf神经网络预测enpemf信号包络趋势的方法，包括以下步骤：

s1、采集若干个enpemf信号，利用混沌理论来验证采集到的enpemf信号是否具有混沌特性；将所有具有混沌特性的enpemf信号，应用到步骤s2；

s2、利用假邻近法和自相关函数法，求解每个具有混沌特性的enpemf信号的嵌入维数和时间延迟；其中，根据所求的两项参数，来反映地震之前enpemf信号强度数据隐藏的变化特点；

s3、将具有混沌特性的enpemf信号分成训练数据和预测数据；以训练数据作为待优化的rbf神经网络的输入，对所述待优化的rbf神经网络进行优化训练；其中，将步骤s2所求的嵌入维数，作为所述待优化的rbf神经网络中输入层的输入节点个数；隐含层的隐节点个数，根据训练结果进一步确定；输出层的输出节点个数固定为1；

s4、将预测数据作为优化后的rbf神经网络的输入，根据输出结果预测enpemf信号的包络趋势。

进一步的，步骤s2中，利用假邻近法求解enpemf信号的嵌入维数的步骤包括：

s21、构造m维第一重构向量ym(n)；

s22、采用欧式度量确定第一重构向量ym(n)的第一紧邻点y'm(n)；

s23、构造m+1维第二重构向量ym+1(n)；

s24、采用欧式度量决定第二重构向量ym+1(n)的第二紧邻点y'm+1(n)；

s25、当m+1维空间中确定的第二紧邻点y'm+1(n)等于m维空间中确定的第一紧邻点y'm(n)时，选择当前第一重构向量ym(n)的维数m作为嵌入维数，并执行步骤s3；其他情况下，返回步骤s21对第一重构向量的维数进行调整，直到输出嵌入维数时，则执行步骤s3。

进一步的，步骤s2中，对于一个enpemf信号，其自相关函数的数学表达式为：

针对上述给定的自相关函数表达式，做出其关于时间t的函数图像；其中，参数τ为时间延迟，且时间延迟τ取函数第一次经过零点时，所对应的时间t0；参数n为enpemf时间序列长度。

进一步的，步骤s3中在对rbf神经网络进行训练的过程中，首先预先设定一个训练精度值a，针对rbf神经网络的输入层，将步骤s2中得到的嵌入维数作为输入层的输入节点个数，在将训练数据输入到输入层后，对rbf神经网络进行预训练，在网络的输出值趋近训练精度值a时，停止训练，并将当前训练所得的网络作为优化后的rbf神经网络，来对每个enpemf信号的包络趋势进行预测；

其中，每次训练过程中，隐含层的隐节点个数由小到大增加，直到rbf神经网络的输出值达到预设的训练精度值a时，将当前设定的节点个数作为rbf神经网络中隐含层的隐节点个数。

进一步的，由于性能指标的选取会影响到rbf神经网络的输出精度，为了得到合适的精度又不出现过拟合的负面效果，将性能指标设定为0.01。

本发明提出的一种基于混沌-rbf神经网络来预测enpemf信号包络趋势的系统，包括以下模块：

混沌信号验证模块，用于采集若干个enpemf信号，利用混沌理论来验证采集到的enpemf信号是否具有混沌特性；

参数计算模块，用于利用假邻近法和自相关函数法，求解每个具有混沌特性的enpemf信号的嵌入维数和时间延迟；其中，根据所求的两项参数，来反映地震之前enpemf信号强度数据隐藏的变化特点；

rbf神经网络训练模块，用于将具有混沌特性的enpemf信号分成训练数据和预测数据；以训练数据作为待优化的rbf神经网络的输入，对所述待优化的rbf神经网络进行优化训练；其中，将参数计算模块所求的嵌入维数，作为所述待优化的rbf神经网络中输入层的输入节点个数；

包络趋势预测模块，用于将预测数据作为优化后的rbf神经网络的输入，根据输出结果预测enpemf信号的包络趋势。

进一步的，参数计算模块中，利用假邻近法求解enpemf信号的嵌入维数的步骤包括：

s21、构造m维第一重构向量ym(n)；

s22、采用欧式度量确定第一重构向量ym(n)的第一紧邻点y'm(n)；

s23、构造m+1维第二重构向量ym+1(n)；

s24、采用欧式度量决定第二重构向量ym+1(n)的第二紧邻点y'm+1(n)；

s25、当m+1维空间中确定的第二紧邻点y'm+1(n)等于m维空间中确定的第一紧邻点y'm(n)时，选择当前第一重构向量ym(n)的维数m作为嵌入维数；其他情况下，返回步骤s21对第一重构向量的维数进行调整，直到输出嵌入维数时。

进一步的，参数计算模块中，对于一个enpemf信号，其自相关函数的数学表达式为：

针对上述给定的自相关函数表达式，做出其关于时间t的函数图像；其中，参数τ为时间延迟，且时间延迟τ取函数第一次经过零点时，所对应的时间t0；参数n为enpemf时间序列长度。

进一步的，rbf神经网络训练模块中在对rbf神经网络进行训练的过程中，首先预先设定一个训练精度值a，针对rbf神经网络的输入层，将参数计算模块中得到的嵌入维数作为输入层的输入节点个数，在将训练数据输入到输入层后，对rbf神经网络进行预训练，在网络的输出值趋近训练精度值a时，停止训练，并将当前训练所得的网络作为优化后的rbf神经网络，来对每个enpemf信号的包络趋势进行预测；

其中，每次训练过程中，隐含层的隐节点个数由小到大增加，直到rbf神经网络的输出值达到预设的训练精度值a时，将当前设定的节点个数作为rbf神经网络中隐含层的隐节点个数。

进一步的，，rbf神经网络训练模块中，由于性能指标的选取会影响到rbf神经网络的输出精度，为了得到合适的精度又不出现过拟合的负面效果，将性能指标设定为0.01。

本发明的研究数据为地球天然脉冲电磁场采集到的，由于数据量较多，且enpemf的波动是一个复杂的非线性系统，需要先用混沌理论对数据进行预处理，通过假邻近法和自相关函数法确定参数m(嵌入维数)和τ(最优延迟时间)，然后再结合rbf神经网络算法对信号进行训练及预测。

实施本发明公开的enpemf信号强度趋势预测方法及系统，不仅在计算时间延迟及嵌入维数方面有不错的效果，在预测短期enpemf信号强度趋势方面也有较明显的结果。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是enpemf信号强度趋势预测的方法流程图；

图2是enpemf信号强度趋势预测的系统结构图；

图3是采用假邻近法求lorenz混沌时间序列嵌入维数的实验效果图；

图4是采用自相关函数法求lorenz混沌时间序列时间延迟的实验效果图；

图5是采用假邻近法及自相关函数法求rossler混沌时间序列嵌入维数及时间延迟的实验效果图；

图6是混沌-rbf神经网络算法预测rossler混沌时间序列结果的实验效果图；

图7是采用假邻近法及自相关函数法求enpemf信号的嵌入维数及时间延迟的实验效果图；

图8是enpemf信号强度数据的预测结果实验效果图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

请参考图1，其为enpemf信号强度趋势预测的方法流程图，本发明公开的一种基于混沌-rbf神经网络预测enpemf信号包络趋势的方法，包括以下步骤：

s1、采集若干个enpemf信号，由于混沌并不是纯粹的无序，而是不具备周期性和其他明显对称特征的有序态，地球天然脉冲电磁场-enpemf信号是一种典型的非平稳信号，由于它的场源比较复杂，含有较多的内部信息，因此，在对enpemf信号进行包络预测时，首先需要利用混沌理论判定enpemf信号是否为混沌信号；

其中，在enpemf的混沌特性中，主要的混沌特征不变量为关联维数，那么如果认为一个时间序列是混沌的，则该时间序列需具有有限的关联维数；因此根据以上条件，通过混沌理论得到enpemf信号的混沌特性具体为：利用关联维数算法计算出enpemf信号的关联维数，在随着嵌入维数的增加情况下，若关联维数趋向饱和，则证明enpemf信号是混沌的；即通过对实测enpemf时间序列的关联维数计算，来验证enpemf内在的混沌动态特性。

s2、由于引发地震的相关性因素很多，震前enpemf信号的产生机理的复杂性、孕育过程的非线性和认识问题的困难性使得震前enpemf信号强度数据变化复杂，而一定时间段内震前enpemf信号强度与当前以及其他数据点存在一定的联系，因此可以通过引入混沌理论对其数据点变化的关系进行挖掘，找到其中隐藏的变化特点。其中嵌入维数用于描述多个数据点与当前数据之间存在的联系；

因此当前利用假邻近法和自相关函数法，求解每个具有混沌特性的enpemf信号的嵌入维数和时间延迟；其中，根据所求的两项参数，来反映地震之前enpemf信号强度数据隐藏的变化特点；

当前步骤中，利用假邻近法求解enpemf信号的嵌入维数的步骤包括：

s21、构造m维第一重构向量ym(n)；

s22、采用欧式度量确定第一重构向量ym(n)的第一紧邻点y'm(n)；

s23、构造m+1维第二重构向量ym+1(n)；

s24、采用欧式度量决定第二重构向量ym+1(n)的第二紧邻点y'm+1(n)；

s25、当m+1维空间中确定的第二紧邻点y'm+1(n)等于m维空间中确定的第一紧邻点y'm(n)时，选择当前第一重构向量ym(n)的维数m作为嵌入维数，并执行步骤s3；其他情况下，返回步骤s21对第一重构向量的维数进行调整，直到输出嵌入维数时，则执行步骤s3。

当前步骤中，对于一个enpemf信号，其自相关函数的数学表达式为：

针对上述给定的自相关函数表达式，做出其关于时间t的函数图像；其中，参数τ为时间延迟，且时间延迟τ取函数第一次经过零点时，所对应的时间t0；参数n为enpemf时间序列长度。

s3、将具有混沌特性的enpemf信号分成训练数据和预测数据；以训练数据作为待优化的rbf神经网络的输入，对所述待优化的rbf神经网络进行优化训练；

当前步骤中在对rbf神经网络进行训练的过程中，首先预先设定一个训练精度值a，针对rbf神经网络的输入层，将步骤s2中得到的嵌入维数作为输入层的输入节点个数，在将训练数据输入到输入层后，对rbf神经网络进行预训练，在网络的输出值趋近训练精度值a时，停止训练，并将当前训练所得的网络作为优化后的rbf神经网络，来对每个enpemf信号的包络趋势进行预测；

其中，每次训练过程中，隐含层的隐节点个数由小到大增加，且输出层的输出节点个数固定为1，直到rbf神经网络的输出值达到预设的训练精度值a时，将当前设定的节点个数作为rbf神经网络中隐含层的隐节点个数。

而在选取该网络对应的性能指标是，由于性能指标的选取会影响到rbf神经网络的输出精度，为了得到合适的精度又不出现过拟合的负面效果，将性能指标设定为0.01。

s4、将预测数据作为优化后的rbf神经网络的输入，根据输出结果预测enpemf信号的包络趋势。本实施例中，所述训练数据和预测数据，选用的为2013年4月10日-4月20日，中国四川省的芦山地震中收集的enpemf数据；后续的仿真对比试验也是基于以上数据。

请参考图2，其为enpemf信号强度趋势预测的系统结构图，本发明公开的一种基于混沌-rbf神经网络预测enpemf信号包络趋势的系统，具体包括混沌信号验证模块l1、参数计算模块l2、rbf神经网络训练模块l3和包络趋势预测模块l4，其中：

混沌信号验证模块l1用于采集若干个enpemf信号，利用混沌理论来验证采集到的enpemf信号是否具有混沌特性；

参数计算模块l2用于利用假邻近法和自相关函数法，求解每个具有混沌特性的enpemf信号的嵌入维数和时间延迟；其中，根据所求的两项参数，来反映地震之前enpemf信号强度数据隐藏的变化特点；

rbf神经网络训练模块l3用于将具有混沌特性的enpemf信号分成训练数据和预测数据；以训练数据作为待优化的rbf神经网络的输入，对所述待优化的rbf神经网络进行优化训练；其中，将参数计算模块所求的嵌入维数，作为所述待优化的rbf神经网络中输入层的输入节点个数；

包络趋势预测模块l4用于将预测数据作为优化后的rbf神经网络的输入，根据输出结果预测enpemf信号的包络趋势。

下面通过实验验证结果，来说明本发明提供的enpemf信号强度趋势预测方法及系统的优势，具体请参考图3-图5；其中，在对比仿真实验中，设计了多组仿真实验分别加以证明，可作为对后面实际信号分析可靠性的支持，本章通过对不同信号的处理结果进行分析，证明了混沌-rbf神经网络算法应用的广泛性以及有效性。

通过下面引入的lorenz混沌时间序列仿真信号、来对混沌-rbf神经网络算法进行对比，从而来验证混沌-rbf神经网络算法在处理不同信号时的优越性。

实验对比案例1：

请参考图3-图4，其为采用假邻近法及自相关函数法求lorenz混沌时间序列嵌入维数及时间延迟的实验效果图，首先，在实验过程中，采用lorenz混沌时间序列，对lorenz信号的嵌入维数和时间延迟进行分析，其中，lorenz混沌时间序列具体表示为：

其中，参数的取值为：a＝16，b＝4，c＝45.92，初值x(0)＝-1，y(0)＝0，z(0)＝1，积分时间步长h＝0.01。

图3中，(a)为lorenz混沌时间序列；(b)为通过假邻近法得到的嵌入维数；(c)为通过自相关函数法求lorenz混沌时间序列的时间延迟。通过假邻近法处理lorenz混沌时间序列得到嵌入维数结果从(b)可以看出，当嵌入维数未达到理想值时，虚假临近点的百分比下降的很快，仿真以虚假临近点的百分比不再增加时得到的嵌入维数为理想嵌入维数，实验结果为嵌入维数m＝3。从(c)可以看出水平直线为初始值的(1-1/e)，曲线为自相关函数曲线，进一步求得lorenz混沌时间序列的延迟时间τ为12。

请参考图4，其为利用混沌-rbf神经网络算法预测lorenz混沌时间序列的实验效果图；其中，(a)为混沌-rbf神经网络算法预测lorenz混沌时间序列的预测值及真实值；(b)为利用混沌-rbf神经网络算法的预测误差。图中，可以看出基于混沌-rbf神经网络的预测模型对lorenz混沌时间序列的预测效果很好，且预测误差较小。

实验对比案例2：

请参考图5-图6，其为采用假邻近法及自相关函数法求rossler混沌时间序列嵌入维数及时间延迟的实验效果图；首先，在实验过程中，采用的rossler混沌时间序列具体表示为：

其中，参数选取为a＝b＝0.2，c＝5，初值x(0)＝-1，y(0)＝0，z(0)＝1，积分时间步长h＝0.05，生成长度为3000。

图5为采用假邻近法及自相关函数法求rossler混沌时间序列嵌入维数及时间延迟的实验效果图；其中，(a)rossler混沌时间序列；(b)通过假邻近法得到的嵌入维数，(c)通过自相关函数法求rossler混沌时间序列的时间延迟，横线为初始值的(1-1/e)，曲线为自相关函数曲线。从图5(b)中可以看出嵌入维数未达到理想值时，虚假临近点的百分比下降的很快，仿真以虚假临近点的百分比不再增加时得到的嵌入维数为理想嵌入维数，实验结果为嵌入维数m＝5。由图5(c)可知lorenz混沌时间序列的延迟时间τ为16。

图6为混沌-rbf神经网络算法预测rossler混沌时间序列结果的实验效果图；其中(a)为混沌-rbf神经网络算法预测rossler混沌时间序列的预测值及真实值；(b)为混沌-rbf神经网络算法预测误差。从(b)中可以看出基于混沌-rbf神经网络的预测模型对lorenz混沌时间序列的预测效果很好，且预测误差较小。

总结：

在通过对lorenz混沌时间序列及rossler混沌时间序列的实验结果发现，通过混沌-rbf神经网络算法对其进行预测，得到的预测结果相比真实值误差较小，总的来说明了混沌-rbf神经网络算法的预测优越性。

本实施例中，选取2013年芦山地震期间的enpemf信号进行预测分析，最后根据得到的预测结果来研究芦山地震期间地球天然脉冲电磁场信号的特点。

下面通过混沌-rbf神经网络算法来对芦山地震期间的enpemf信号进行处理。数据来源于4月20日的芦山地震(2013年4月20日，中国四川省的芦山地震中收集)。表1中显示了4月20日通道2的部分ah数据。

表120^thapril(cn2)部分ah数据

选取4月17日到4月21日的ah数据，进行数据预处理后采用假邻近法计算嵌入维数m，自相关函数法计算时间延迟τ，可以得到如图7所示的结果，从中了解震前enpemf信号数据的混沌特性。

请参考图7，其为采用假邻近法及自相关函数法求enpemf信号的嵌入维数及时间延迟；其中，(a)为通过假邻近法得到的嵌入维数；(b)为通过自相关函数法求enpemf信号的时间延迟，横线为初始值的(1-1/e)，曲线为自相关函数曲线。

从(a)中发现，在采用假邻近法求enpemf信号数据的嵌入维数m，且当嵌入维数未达到理想值时，虚假临近点的百分比下降的很快，当虚假邻近点的百分比不再增加时得到的即为理想嵌入维数，实验结果为m＝4，即enpemf信号数据的理想嵌入维数为4。

从(b)中发现，在采用自相关函数法求enpemf信号数据的时间延迟τ，选取值为自相关函数下降到初始值的(1-1/e)，在此实验中τ＝5，即enpemf信号数据的时间延迟为5。

以上述求得的两项参数，对enpemf信号强度数据进行相空间重构，进而对重构后的数据通过rbf神经网络进行预测。其中，图8是预测模型的仿真结果。

由图8可看出enpemf信号强度数据的预测值和真实值变化趋势是一致的，模型拟合时效果较好，可以模拟出实际enpemf信号强度的波动。对于预测实验结果，从图8可以看出，虽然enpemf信号的具体数值未能很好地预测出来，但是整个enpemf信号强度的趋势变化能很好地预测。实验预测结果能够很好的反映强震前enpemf信号强度变化的趋势和规律，可以满足对强震前enpemf信号强度趋势的预测需要。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。