演算法神經網路能識別哪些自然災害

『壹』 神經網路到底有什麼作用，具體是用來干什麼的

神經網路（Artificial Neural Networks，簡寫為ANNs）也簡稱為神經網路（NNs）或稱作連接模型（Connection Model），它是一種模仿動物神經網路行為特徵，進行分布式並行信息處理的演算法數學模型。這種網路依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。
神經網路可以用於模式識別、信號處理、知識工程、專家系統、優化組合、機器人控制等。隨著神經網路理論本身以及相關理論、相關技術的不斷發展，神經網路的應用定將更加深入。

『貳』 神經網路演算法可以解決的問題有哪些

人工神經網路（Artificial Neural Networks，ANN）系統是 20 世紀 40 年代後出現的。它是由眾多的神經元可調的連接權值連接而成，具有大規模並行處理、分布式信 息存儲、良好的自組織自學習能力等特點。BP（Back Propagation）演算法又稱為誤差 反向傳播演算法，是人工神經網路中的一種監督式的學習演算法。BP 神經網路演算法在理 論上可以逼近任意函數，基本的結構由非線性變化單元組成，具有很強的非線性映射能力。而且網路的中間層數、各層的處理單元數及網路的學習系數等參數可根據具體情況設定，靈活性很大，在優化、信號處理與模式識別、智能控制、故障診斷等許 多領域都有著廣泛的應用前景。

工作原理
人工神經元的研究起源於腦神經元學說。19世紀末，在生物、生理學領域，Waldeger等人創建了神經元學說。人們認識到復雜的神經系統是由數目繁多的神經元組合而成。大腦皮層包括有100億個以上的神經元，每立方毫米約有數萬個，它們互相聯結形成神經網路，通過感覺器官和神經接受來自身體內外的各種信息，傳遞至中樞神經系統內，經過對信息的分析和綜合，再通過運動神經發出控制信息，以此來實現機體與內外環境的聯系，協調全身的各種機能活動。
神經元也和其他類型的細胞一樣，包括有細胞膜、細胞質和細胞核。但是神經細胞的形態比較特殊，具有許多突起，因此又分為細胞體、軸突和樹突三部分。細胞體內有細胞核，突起的作用是傳遞信息。樹突是作為引入輸入信號的突起，而軸突是作為輸出端的突起，它只有一個。
樹突是細胞體的延伸部分，它由細胞體發出後逐漸變細，全長各部位都可與其他神經元的軸突末梢相互聯系，形成所謂「突觸」。在突觸處兩神經元並未連通，它只是發生信息傳遞功能的結合部，聯系界面之間間隙約為（15～50)×10米。突觸可分為興奮性與抑制性兩種類型，它相應於神經元之間耦合的極性。每個神經元的突觸數目正常，最高可達10個。各神經元之間的連接強度和極性有所不同，並且都可調整、基於這一特性，人腦具有存儲信息的功能。利用大量神經元相互聯接組成人工神經網路可顯示出人的大腦的某些特徵。
人工神經網路是由大量的簡單基本元件——神經元相互聯接而成的自適應非線性動態系統。每個神經元的結構和功能比較簡單，但大量神經元組合產生的系統行為卻非常復雜。
人工神經網路反映了人腦功能的若干基本特性，但並非生物系統的逼真描述，只是某種模仿、簡化和抽象。
與數字計算機比較，人工神經網路在構成原理和功能特點等方面更加接近人腦，它不是按給定的程序一步一步地執行運算，而是能夠自身適應環境、總結規律、完成某種運算、識別或過程式控制制。
人工神經網路首先要以一定的學習准則進行學習，然後才能工作。現以人工神經網路對於寫「A」、「B」兩個字母的識別為例進行說明，規定當「A」輸入網路時，應該輸出「1」，而當輸入為「B」時，輸出為「0」。
所以網路學習的准則應該是：如果網路作出錯誤的的判決，則通過網路的學習，應使得網路減少下次犯同樣錯誤的可能性。首先，給網路的各連接權值賦予(0，1)區間內的隨機值，將「A」所對應的圖象模式輸入給網路，網路將輸入模式加權求和、與門限比較、再進行非線性運算，得到網路的輸出。在此情況下，網路輸出為「1」和「0」的概率各為50%，也就是說是完全隨機的。這時如果輸出為「1」(結果正確)，則使連接權值增大，以便使網路再次遇到「A」模式輸入時，仍然能作出正確的判斷。

『叄』 什麼是蟻群演算法，神經網路演算法，遺傳演算法

蟻群演算法又稱螞蟻演算法，是一種用來在圖中尋找優化路徑的機率型演算法。它由Marco Dorigo於1992年在他的博士論文中提出，其靈感來源於螞蟻在尋找食物過程中發現路徑的行為。蟻群演算法是一種模擬進化演算法,初步的研究表明該演算法具有許多優良的性質.針對PID控制器參數優化設計問題,將蟻群演算法設計的結果與遺傳演算法設計的結果進行了比較,數值模擬結果表明,蟻群演算法具有一種新的模擬進化優化方法的有效性和應用價值。

神經網路
思維學普遍認為，人類大腦的思維分為抽象（邏輯）思維、形象（直觀）思維和靈感（頓悟）思維三種基本方式。
邏輯性的思維是指根據邏輯規則進行推理的過程；它先將信息化成概念，並用符號表示，然後，根據符號運算按串列模式進行邏輯推理；這一過程可以寫成串列的指令，讓計算機執行。然而，直觀性的思維是將分布式存儲的信息綜合起來，結果是忽然間產生想法或解決問題的辦法。這種思維方式的根本之點在於以下兩點:1.信息是通過神經元上的興奮模式分布儲在網路上;2.信息處理是通過神經元之間同時相互作用的動態過程來完成的。
人工神經網路就是模擬人思維的第二種方式。這是一個非線性動力學系統，其特色在於信息的分布式存儲和並行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網路系統所能實現的行為卻是極其豐富多彩的。
神經網路的研究內容相當廣泛，反映了多學科交叉技術領域的特點。目前，主要的研究工作集中在以下幾個方面：
（1）生物原型研究。從生理學、心理學、解剖學、腦科學、病理學等生物科學方面研究神經細胞、神經網路、神經系統的生物原型結構及其功能機理。
（2）建立理論模型。根據生物原型的研究，建立神經元、神經網路的理論模型。其中包括概念模型、知識模型、物理化學模型、數學模型等。
（3）網路模型與演算法研究。在理論模型研究的基礎上構作具體的神經網路模型，以實現計算機饃擬或准備製作硬體，包括網路學習演算法的研究。這方面的工作也稱為技術模型研究。
（4）人工神經網路應用系統。在網路模型與演算法研究的基礎上，利用人工神經網路組成實際的應用系統，例如，完成某種信號處理或模式識別的功能、構作專家系統、製成機器人等等。
縱觀當代新興科學技術的發展歷史，人類在征服宇宙空間、基本粒子，生命起源等科學技術領域的進程中歷經了崎嶇不平的道路。我們也會看到，探索人腦功能和神經網路的研究將伴隨著重重困難的克服而日新月異。
遺傳演算法，是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法，它最初由美國Michigan大學J.Holland教授於1975年首先提出來的，並出版了頗有影響的專著《Adaptation in Natural and Artificial Systems》，GA這個名稱才逐漸為人所知，J.Holland教授所提出的GA通常為簡單遺傳演算法（SGA）。

『肆』 本人畢設題目是關於神經網路用於圖像識別方面的，但是很沒有頭續~我很不理解神經網路作用的這一機理

我簡單說一下，舉個例子，比如說我們現在搭建一個識別蘋果和橘子的網路模型：
我們現在得需要兩組數據，一組表示特徵值，就是網路的輸入（p），另一組是導師信號，告訴網路是橘子還是蘋果（網路輸出t）：
我們的樣本這樣子假設（就是Sampledata1.txt）：
p t
1 0 3 1
2 1 4 2
這兩組數據是這樣子解釋的：
我們假設通過3個特徵來識別一個水果是橘子還是蘋果：形狀，顏色，味道，第一組形狀、顏色、味道分別為：1 0 3（當然這些數都是我隨便亂編的，這個可以根據實際情況自己定義），有如上特徵的水果就是蘋果（t為1），而形狀、顏色、味道為：2 1 4的表示這是一個橘子（t為2）。
好了，我們的網路模型差不多出來了，輸入層節點數為3個（形狀、顏色，味道），輸出層節點為一個（1為蘋果2為橘子），隱藏層我們設為一層，節點數先不管，因為這是一個經驗值，還有另外的一些參數值可以在matlab里設定，比如訓練函數，訓練次數之類，我們現在開始訓練網路了，首先要初始化權值，輸入第一組輸入：1 0 3 ,網路會輸出一個值，我們假設為4，那麼根據導師信號（正確的導師信號為1，表示這是一個蘋果）計算誤差4-1=3，誤差傳給bp神經網路，神經網路根據誤差調整權值，然後進入第二輪循環，那麼我們再次輸入一組數據：2 0 4（當仍然你可以還輸入1 0 3，而且如果你一直輸入蘋果的特徵，這樣子會讓網路只識別蘋果而不會識別橘子了，這回明白你的問題所在了吧），同理輸出一個值，再次反饋給網路，這就是神經網路訓練的基本流程，當然這兩組數據肯定不夠了，如果數據足夠多，我們會讓神經網路的權值調整到一個非常理想的狀態，是什麼狀態呢，就是網路再次輸出後誤差很小，而且小於我們要求的那個誤差值。
接下來就要進行模擬預測了t_1=sim(net,p)，net就是你建立的那個網路，p是輸入數據，由於網路的權值已經確定了，我們這時候就不需要知道t的值了，也就是說不需要知道他是蘋果還是橘子了，而t_1就是網路預測的數據，它可能是1或者是2，也有可能是1.3，2.2之類的數（絕大部分都是這種數），那麼你就看這個數十接近1還是2了，如果是1.5，我們就認為他是蘋果和橘子的雜交，呵呵，開玩笑的，遇到x<=0,5、x=1.5、x>=2.5，我一般都是舍棄的，表示未知。

總之就是你需要找本資料系統的看下，鑒於我也是做圖像處理的，我給你個關鍵的提醒，用神經網路做圖像處理的話必須有好的樣本空間，就是你的資料庫必須是標準的。至於網路的機理，訓練的方法什麼的，找及個例子用matlab模擬下，看看效果，自己琢磨去吧，這裡面主要是你隱含層的設置，訓練函數選擇及其收斂速度以及誤差精度就是神經網路的真諦了，想在這么小的空間給你介紹清楚是不可能的，關鍵是樣本，提取的圖像特徵必須帶有相關性，這樣設置的各個閾值才有效。OK，好好學習吧，資料去matlab中文論壇上找，在不行就去bau文庫上，你又不需要都用到，何必看一本書呢！祝你順利畢業！

『伍』 BP神經網路的核心問題是什麼其優缺點有哪些

人工神經網路,是一種旨在模仿人腦結構及其功能的信息處理系統,就是使用人工神經網路方法實現模式識別.可處理一些環境信息十分復雜,背景知識不清楚,推理規則不明確的問題,神經網路方法允許樣品有較大的缺損和畸變.神經網路的類型很多,建立神經網路模型時,根據研究對象的特點,可以考慮不同的神經網路模型. 前饋型BP網路,即誤差逆傳播神經網路是最常用,最流行的神經網路.BP網路的輸入和輸出關系可以看成是一種映射關系,即每一組輸入對應一組輸出.BP演算法是最著名的多層前向網路訓練演算法,盡管存在收斂速度慢,局部極值等缺點,但可通過各種改進措施來提高它的收斂速度,克服局部極值現象,而且具有簡單,易行,計算量小,並行性強等特點,目前仍是多層前向網路的首選演算法.

• 多層前向BP網路的優點：

• 網路實質上實現了一個從輸入到輸出的映射功能，而數學理論已證明它具有實現任何復雜非線性映射的功能。這使得它特別適合於求解內部機制復雜的問題；

• 網路能通過學習帶正確答案的實例集自動提取「合理的」求解規則，即具有自學習能力；

• 網路具有一定的推廣、概括能力。

• 多層前向BP網路的問題：

• 從數學角度看，BP演算法為一種局部搜索的優化方法，但它要解決的問題為求解復雜非線性函數的全局極值，因此，演算法很有可能陷入局部極值，使訓練失敗；

• 網路的逼近、推廣能力同學習樣本的典型性密切相關，而從問題中選取典型樣本實例組成訓練集是一個很困難的問題。

• 難以解決應用問題的實例規模和網路規模間的矛盾。這涉及到網路容量的可能性與可行性的關系問題，即學習復雜性問題；

• 網路結構的選擇尚無一種統一而完整的理論指導，一般只能由經驗選定。為此，有人稱神經網路的結構選擇為一種藝術。而網路的結構直接影響網路的逼近能力及推廣性質。因此，應用中如何選擇合適的網路結構是一個重要的問題；

• 新加入的樣本要影響已學習成功的網路，而且刻畫每個輸入樣本的特徵的數目也必須相同；

• 網路的預測能力（也稱泛化能力、推廣能力）與訓練能力（也稱逼近能力、學習能力）的矛盾。一般情況下，訓練能力差時，預測能力也差，並且一定程度上，隨訓練能力地提高，預測能力也提高。但這種趨勢有一個極限，當達到此極限時，隨訓練能力的提高，預測能力反而下降，即出現所謂「過擬合」現象。此時，網路學習了過多的樣本細節，而不能反映樣本內含的規律

• 由於BP演算法本質上為梯度下降法，而它所要優化的目標函數又非常復雜，因此，必然會出現「鋸齒形現象」，這使得BP演算法低效；

• 存在麻痹現象，由於優化的目標函數很復雜，它必然會在神經元輸出接近0或1的情況下，出現一些平坦區，在這些區域內，權值誤差改變很小，使訓練過程幾乎停頓；

• 為了使網路執行BP演算法，不能用傳統的一維搜索法求每次迭代的步長，而必須把步長的更新規則預先賦予網路，這種方法將引起演算法低效。

『陸』 五種預報地震的方法

地震監測預報是防震減災的一個重要環節，也是整個防震減災工作的基礎。破壞性地震給人類造成的災難，使地震預報成為人們長期以來追求的目標，成為當代地球科學中最富有魅力的一項前沿性課題。近代科學技術的進步逐漸為實現這種目標提供了可能。特別是經過近40年來艱辛的探索，人們在認識地震發生過程，掌握和應用地震預報理論、技術、方法等方面已經取得了長足進步。在地震預報的實際應用中所獲得的某些成功，對減輕地震災害的經濟損失和鼓舞人們實現預報地震的信心起了積極的作用。

地震科技工作者經過長期的辛勤勞動，特別是地震監測預報「清理攻關」、「實用化攻關」、「深入攻關」以及「七五」、「八五」科技攻關。使測震學分析預報方法、地殼形變分析預報方法、電磁學分析預報方法、地下流體地震預報方法、地震宏觀異常預報方法、地震綜合分析預報方法等取得了豐碩成果。

地震學地震預報方法就是利用前期發生的地震（包括大、中、小地震）的信息來預報其後的較大地震。地震是應力和構造活動的產物，地震活動的時、空、強分布圖像及地震波特徵正是地殼應力場、構造活動格局及地殼介質變化的反映。因此，通過對已發生地震的分析，尋找大地震前由震源區附近應力的集中、增強所產生的各類前兆，正是地震學預報方法所研究的對像。地震學預報方法所獲得的大震前兆信息可稱為「震兆」。與各類前兆預報方法相比，地震學預報方法在目前研究得最深入，預報方法最豐富，在實際應用尤其在中長期預報中使用得最為廣泛。地震學預報方法分為：1、空間圖像方法；2、時間進程方法；3、地震序列方法；、4、地震相關方法；、5、震源及介質參數方法；6、合成方法。

地殼形變是地殼介質在內生的構造應力和外生的天體引力以及地表荷載力的作用下發生變形的一種表現形式。而與地震有關的地殼形變則是在孕震過程中，隨著構造應力的不斷積累，直到岩石發生破裂前後的一種最直接的伴隨現象，這種構造應力積累直到岩石快速破裂，一般需要十年甚至更長的時間，因此與其伴生的地殼形變呈現出長、中、短、臨的時空變化圖像。

近幾年我國地殼形變觀測技術有了長足進展，主要表現在兩方面：一是在時空尺度上把地殼形變觀測的各個手段聯成一個整體的觀測系統，從而有可能獲得真實的地殼運動圖像；二是幾何觀測和物理（重力）觀測相結合，使地殼形變研究工作由幾何學向運動學、動力學方面發展，使我們有可能定量化的研究地殼形變動力學過程，從而可以對地殼形變進行一定的預測，推動地震預報及地震災害的預測研究工作。

實驗和理論研究表明，在應變積累過程中由於地殼介質的不均勻性，會在破裂（地震）之前出現明顯的在時間上分階段性的不同周期的地殼形變，這就是目前採用大面積形變測量，跨斷層形變測量和固體潮汐形變測量方法進行地震預報的理論基礎。

將電和磁兩種現象密切聯系起來的電磁學理論體系是麥克斯韋於1862年建立起來的電磁場理論。地球電磁學是在現代電磁學的基礎上推進和發展的，他的基礎是電磁理論在地球介質條件下的應用，形成了特定的地球電磁學學科。地震是發生在地球內部的一種自然現象，是地球內部介質相互作用的結果，地震的孕育和發生將伴隨有介質電磁性質的改變或電磁場的變化，因此地球地磁學方法應用於地震研究的基本任務就是利用地球地磁學的理論和技術，探索與孕震過程有關的地球介質的電磁性質及電磁場本身的變化，為地震預報以及孕震過程提供理論依據和有效方法。

我國地震電、磁前兆的觀測是分開的，其觀測方法有以下四種分類劃分法：

（1）按使用場源的種類劃分，可分為被動場源（天然場源）和主動場源（人工場源）；

（2）按場源頻率劃分，可分直流、交流電磁場法，使用的頻率有：

DC—超低頻（ULF），頻率在10Hz以下；極低頻（FLF）、甚低頻（VLF），頻率從0.01到30KHz。

（3）按觀測的物理量劃分，可分為岩層（岩石）的物理性質和場強的觀測。

（4）按測量方式劃分，可分為固定台站（定點）測量，定點定期重復測量和不定時不定點測量（面積和剖面線測量）等等。

地下流體的異常動態變化與地震的孕育和發生過程之間有著密切的成因上的聯系，這是利用地下流體方法預報地震的基本依據。地下流體是構成地殼介質的一種特殊的、最活躍的組成成分，能夠靈活地反映地震孕育過程中岩石的應力應變；同時，地下流體的動態變化，對岩石的應力應變過程還要產生促進作用。

地下流體動態變化能夠靈活地反映岩石的應力應變，已為大量資料所證實。地下水位對固體潮引起的地殼體應變反映的靈敏度可高達10-10。流體中含有的豐富多樣的化學元素組分，尤其是其中的氣體組分，也能靈敏地反映岩石的變形破壞，且顯示出多種測項的異常變化，從而可提供豐富多樣的地震前兆信息。

地下流體的動態觀測，是流體方法預報地震的基礎。觀測內容包括：水位、流量、水溫、水化、氣體及斷層氣等。目前，我國已建成多層次、多項目、立體式的流體觀測體系，積累了十分豐富的流體前兆資料，為流體前兆理論研究和實際地震預報提供了可靠的依據。

宏觀異常現象一般是指人們在日常生活中僅憑感官就能觀察或感覺到的與正常現象不同的自然現象。地震宏觀異常現象則指在地震發生前後出現，且與地震的孕育、發生和發展有密切關系的宏觀異常現象。常見的宏觀異常現象有：

（1）地下流體異常

A、地下水異常：水位升降異常、物理性質異常、化學組分異常；B、地下氣體異常：氣體溢出異常、翻花冒泡異常、燃氣火球異常；C：地下油、七異常：石油產量異常、深井噴油異常。

（2）生物異常

A、動物異常：a.動物分類：穴居動物、水生動物、禽類、畜類、昆蟲、其他野生動物；b.異常形式分類：行為異常、習性異常、遷徙異常。

B、植物異常：重花重果、再生或死亡。

（3）地球物理場異常

A、地光異常：大氣發光、器物發光、燃氣火球發光、地裂縫閃光；

B、電磁現象異常：電磁干擾、靜電干擾；

C、地聲；

D、有感地震『

（4）地質現象異常

地裂縫、滑坡、坍塌。

（5）氣象異常

旱澇異常、增濕異常、風異常。

地震宏觀異常的出現是重要的臨震指標。宏觀異常大多出現在震前3-5天、幾小時乃至10多分鍾。只有個別出現在震前10多天甚至一個月以上。因此，宏觀異常的出現是重要的臨震異常顯示。所以，在完成對地震形勢趨勢估計的背景下，及時發現、收集、分析宏觀異常現象，是實現地震短臨預報的關鍵措施。

『柒』 神經網路演算法實例說明有哪些

在網路模型與演算法研究的基礎上，利用人工神經網路組成實際的應用系統，例如，完成某種信號處理或模式識別的功能、構作專家系統、製成機器人、復雜系統控制等等。

縱觀當代新興科學技術的發展歷史，人類在征服宇宙空間、基本粒子，生命起源等科學技術領域的進程中歷經了崎嶇不平的道路。我們也會看到，探索人腦功能和神經網路的研究將伴隨著重重困難的克服而日新月異。

『捌』 哈佛大學人工智慧可以預測地震餘震嗎

近日，來自谷歌人工智慧部門和哈佛大學的研究人員已經建立了一個人工智慧模型，能夠預測大地震後長達一年的餘震位置。該模型訓練了近幾十年來的199次大地震以及之後帶來的13萬次餘震，並發現比目前用於預測餘震的方法更精確。

雖然大多數神經網路都非常難以解釋，有時也被稱為黑匣子，但我認為，因為我們對可能牽涉其中的物理學有了一些概念，所以我們了解到通過彈性傳遞應力是重要的，結論證明我們的結果是可以接受的。我們能夠看到這個模型計算出的結果是有意義的，它實際上為我們指出了一些可能引發地震的不同的物理理論，因此它正引導我們走向一個令人興奮的新方向。

該模型無法對由火山爆發等其他重大自然災害所產生的地震產生影響。

任何機器學習應用，不管神經網路是否具有推理能力，不僅取決於演算法結構，而且取決於它所使用的訓練集，而且我們沒有使用與火山有關的訓練集或諸如此類的東西，所以我們根本沒有理由相信它會對所有的地震預測起作用。

這個模型是利用過去幾年大地震的歷史數據來訓練的，但接下來，會加入將來的地震數據。