算法神经网络能识别哪些自然灾害

‘壹’ 神经网络到底有什么作用，具体是用来干什么的

神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
神经网络可以用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用定将更加深入。

‘贰’ 神经网络算法可以解决的问题有哪些

人工神经网络（Artificial Neural Networks，ANN）系统是 20 世纪 40 年代后出现的。它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信 息存储、良好的自组织自学习能力等特点。BP（Back Propagation）算法又称为误差 反向传播算法，是人工神经网络中的一种监督式的学习算法。BP 神经网络算法在理 论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许 多领域都有着广泛的应用前景。

工作原理
人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。
神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。
树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。每个神经元的突触数目正常，最高可达10个。各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。
人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。
人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。
与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对于写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。

‘叁’ 什么是蚁群算法，神经网络算法，遗传算法

蚁群算法又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法,初步的研究表明该算法具有许多优良的性质.针对PID控制器参数优化设计问题,将蚁群算法设计的结果与遗传算法设计的结果进行了比较,数值仿真结果表明,蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。

神经网络
思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。
逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面：
（1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。
（2）建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。
（3）网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机馍拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。
（4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。
纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。
遗传算法，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专着《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。

‘肆’ 本人毕设题目是关于神经网络用于图像识别方面的，但是很没有头续~我很不理解神经网络作用的这一机理

我简单说一下，举个例子，比如说我们现在搭建一个识别苹果和橘子的网络模型：
我们现在得需要两组数据，一组表示特征值，就是网络的输入（p），另一组是导师信号，告诉网络是橘子还是苹果（网络输出t）：
我们的样本这样子假设（就是Sampledata1.txt）：
p t
1 0 3 1
2 1 4 2
这两组数据是这样子解释的：
我们假设通过3个特征来识别一个水果是橘子还是苹果：形状，颜色，味道，第一组形状、颜色、味道分别为：1 0 3（当然这些数都是我随便乱编的，这个可以根据实际情况自己定义），有如上特征的水果就是苹果（t为1），而形状、颜色、味道为：2 1 4的表示这是一个橘子（t为2）。
好了，我们的网络模型差不多出来了，输入层节点数为3个（形状、颜色，味道），输出层节点为一个（1为苹果2为橘子），隐藏层我们设为一层，节点数先不管，因为这是一个经验值，还有另外的一些参数值可以在matlab里设定，比如训练函数，训练次数之类，我们现在开始训练网络了，首先要初始化权值，输入第一组输入：1 0 3 ,网络会输出一个值，我们假设为4，那么根据导师信号（正确的导师信号为1，表示这是一个苹果）计算误差4-1=3，误差传给bp神经网络，神经网络根据误差调整权值，然后进入第二轮循环，那么我们再次输入一组数据：2 0 4（当仍然你可以还输入1 0 3，而且如果你一直输入苹果的特征，这样子会让网络只识别苹果而不会识别橘子了，这回明白你的问题所在了吧），同理输出一个值，再次反馈给网络，这就是神经网络训练的基本流程，当然这两组数据肯定不够了，如果数据足够多，我们会让神经网络的权值调整到一个非常理想的状态，是什么状态呢，就是网络再次输出后误差很小，而且小于我们要求的那个误差值。
接下来就要进行仿真预测了t_1=sim(net,p)，net就是你建立的那个网络，p是输入数据，由于网络的权值已经确定了，我们这时候就不需要知道t的值了，也就是说不需要知道他是苹果还是橘子了，而t_1就是网络预测的数据，它可能是1或者是2，也有可能是1.3，2.2之类的数（绝大部分都是这种数），那么你就看这个数十接近1还是2了，如果是1.5，我们就认为他是苹果和橘子的杂交，呵呵，开玩笑的，遇到x<=0,5、x=1.5、x>=2.5，我一般都是舍弃的，表示未知。

总之就是你需要找本资料系统的看下，鉴于我也是做图像处理的，我给你个关键的提醒，用神经网络做图像处理的话必须有好的样本空间，就是你的数据库必须是标准的。至于网络的机理，训练的方法什么的，找及个例子用matlab仿真下，看看效果，自己琢磨去吧，这里面主要是你隐含层的设置，训练函数选择及其收敛速度以及误差精度就是神经网络的真谛了，想在这么小的空间给你介绍清楚是不可能的，关键是样本，提取的图像特征必须带有相关性，这样设置的各个阈值才有效。OK，好好学习吧，资料去matlab中文论坛上找，在不行就去bau文库上，你又不需要都用到，何必看一本书呢！祝你顺利毕业！

‘伍’ BP神经网络的核心问题是什么其优缺点有哪些

人工神经网络,是一种旨在模仿人脑结构及其功能的信息处理系统,就是使用人工神经网络方法实现模式识别.可处理一些环境信息十分复杂,背景知识不清楚,推理规则不明确的问题,神经网络方法允许样品有较大的缺损和畸变.神经网络的类型很多,建立神经网络模型时,根据研究对象的特点,可以考虑不同的神经网络模型. 前馈型BP网络,即误差逆传播神经网络是最常用,最流行的神经网络.BP网络的输入和输出关系可以看成是一种映射关系,即每一组输入对应一组输出.BP算法是最着名的多层前向网络训练算法,尽管存在收敛速度慢,局部极值等缺点,但可通过各种改进措施来提高它的收敛速度,克服局部极值现象,而且具有简单,易行,计算量小,并行性强等特点,目前仍是多层前向网络的首选算法.

• 多层前向BP网络的优点：

• 网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题；

• 网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力；

• 网络具有一定的推广、概括能力。

• 多层前向BP网络的问题：

• 从数学角度看，BP算法为一种局部搜索的优化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败；

• 网络的逼近、推广能力同学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。

• 难以解决应用问题的实例规模和网络规模间的矛盾。这涉及到网络容量的可能性与可行性的关系问题，即学习复杂性问题；

• 网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验选定。为此，有人称神经网络的结构选择为一种艺术。而网络的结构直接影响网络的逼近能力及推广性质。因此，应用中如何选择合适的网络结构是一个重要的问题；

• 新加入的样本要影响已学习成功的网络，而且刻画每个输入样本的特征的数目也必须相同；

• 网络的预测能力（也称泛化能力、推广能力）与训练能力（也称逼近能力、学习能力）的矛盾。一般情况下，训练能力差时，预测能力也差，并且一定程度上，随训练能力地提高，预测能力也提高。但这种趋势有一个极限，当达到此极限时，随训练能力的提高，预测能力反而下降，即出现所谓“过拟合”现象。此时，网络学习了过多的样本细节，而不能反映样本内含的规律

• 由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象”，这使得BP算法低效；

• 存在麻痹现象，由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿；

• 为了使网络执行BP算法，不能用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这种方法将引起算法低效。

‘陆’ 五种预报地震的方法

地震监测预报是防震减灾的一个重要环节，也是整个防震减灾工作的基础。破坏性地震给人类造成的灾难，使地震预报成为人们长期以来追求的目标，成为当代地球科学中最富有魅力的一项前沿性课题。近代科学技术的进步逐渐为实现这种目标提供了可能。特别是经过近40年来艰辛的探索，人们在认识地震发生过程，掌握和应用地震预报理论、技术、方法等方面已经取得了长足进步。在地震预报的实际应用中所获得的某些成功，对减轻地震灾害的经济损失和鼓舞人们实现预报地震的信心起了积极的作用。

地震科技工作者经过长期的辛勤劳动，特别是地震监测预报“清理攻关”、“实用化攻关”、“深入攻关”以及“七五”、“八五”科技攻关。使测震学分析预报方法、地壳形变分析预报方法、电磁学分析预报方法、地下流体地震预报方法、地震宏观异常预报方法、地震综合分析预报方法等取得了丰硕成果。

地震学地震预报方法就是利用前期发生的地震（包括大、中、小地震）的信息来预报其后的较大地震。地震是应力和构造活动的产物，地震活动的时、空、强分布图像及地震波特征正是地壳应力场、构造活动格局及地壳介质变化的反映。因此，通过对已发生地震的分析，寻找大地震前由震源区附近应力的集中、增强所产生的各类前兆，正是地震学预报方法所研究的对像。地震学预报方法所获得的大震前兆信息可称为“震兆”。与各类前兆预报方法相比，地震学预报方法在目前研究得最深入，预报方法最丰富，在实际应用尤其在中长期预报中使用得最为广泛。地震学预报方法分为：1、空间图像方法；2、时间进程方法；3、地震序列方法；、4、地震相关方法；、5、震源及介质参数方法；6、合成方法。

地壳形变是地壳介质在内生的构造应力和外生的天体引力以及地表荷载力的作用下发生变形的一种表现形式。而与地震有关的地壳形变则是在孕震过程中，随着构造应力的不断积累，直到岩石发生破裂前后的一种最直接的伴随现象，这种构造应力积累直到岩石快速破裂，一般需要十年甚至更长的时间，因此与其伴生的地壳形变呈现出长、中、短、临的时空变化图像。

近几年我国地壳形变观测技术有了长足进展，主要表现在两方面：一是在时空尺度上把地壳形变观测的各个手段联成一个整体的观测系统，从而有可能获得真实的地壳运动图像；二是几何观测和物理（重力）观测相结合，使地壳形变研究工作由几何学向运动学、动力学方面发展，使我们有可能定量化的研究地壳形变动力学过程，从而可以对地壳形变进行一定的预测，推动地震预报及地震灾害的预测研究工作。

实验和理论研究表明，在应变积累过程中由于地壳介质的不均匀性，会在破裂（地震）之前出现明显的在时间上分阶段性的不同周期的地壳形变，这就是目前采用大面积形变测量，跨断层形变测量和固体潮汐形变测量方法进行地震预报的理论基础。

将电和磁两种现象密切联系起来的电磁学理论体系是麦克斯韦于1862年建立起来的电磁场理论。地球电磁学是在现代电磁学的基础上推进和发展的，他的基础是电磁理论在地球介质条件下的应用，形成了特定的地球电磁学学科。地震是发生在地球内部的一种自然现象，是地球内部介质相互作用的结果，地震的孕育和发生将伴随有介质电磁性质的改变或电磁场的变化，因此地球地磁学方法应用于地震研究的基本任务就是利用地球地磁学的理论和技术，探索与孕震过程有关的地球介质的电磁性质及电磁场本身的变化，为地震预报以及孕震过程提供理论依据和有效方法。

我国地震电、磁前兆的观测是分开的，其观测方法有以下四种分类划分法：

（1）按使用场源的种类划分，可分为被动场源（天然场源）和主动场源（人工场源）；

（2）按场源频率划分，可分直流、交流电磁场法，使用的频率有：

DC—超低频（ULF），频率在10Hz以下；极低频（FLF）、甚低频（VLF），频率从0.01到30KHz。

（3）按观测的物理量划分，可分为岩层（岩石）的物理性质和场强的观测。

（4）按测量方式划分，可分为固定台站（定点）测量，定点定期重复测量和不定时不定点测量（面积和剖面线测量）等等。

地下流体的异常动态变化与地震的孕育和发生过程之间有着密切的成因上的联系，这是利用地下流体方法预报地震的基本依据。地下流体是构成地壳介质的一种特殊的、最活跃的组成成分，能够灵活地反映地震孕育过程中岩石的应力应变；同时，地下流体的动态变化，对岩石的应力应变过程还要产生促进作用。

地下流体动态变化能够灵活地反映岩石的应力应变，已为大量资料所证实。地下水位对固体潮引起的地壳体应变反映的灵敏度可高达10-10。流体中含有的丰富多样的化学元素组分，尤其是其中的气体组分，也能灵敏地反映岩石的变形破坏，且显示出多种测项的异常变化，从而可提供丰富多样的地震前兆信息。

地下流体的动态观测，是流体方法预报地震的基础。观测内容包括：水位、流量、水温、水化、气体及断层气等。目前，我国已建成多层次、多项目、立体式的流体观测体系，积累了十分丰富的流体前兆资料，为流体前兆理论研究和实际地震预报提供了可靠的依据。

宏观异常现象一般是指人们在日常生活中仅凭感官就能观察或感觉到的与正常现象不同的自然现象。地震宏观异常现象则指在地震发生前后出现，且与地震的孕育、发生和发展有密切关系的宏观异常现象。常见的宏观异常现象有：

（1）地下流体异常

A、地下水异常：水位升降异常、物理性质异常、化学组分异常；B、地下气体异常：气体溢出异常、翻花冒泡异常、燃气火球异常；C：地下油、七异常：石油产量异常、深井喷油异常。

（2）生物异常

A、动物异常：a.动物分类：穴居动物、水生动物、禽类、畜类、昆虫、其他野生动物；b.异常形式分类：行为异常、习性异常、迁徙异常。

B、植物异常：重花重果、再生或死亡。

（3）地球物理场异常

A、地光异常：大气发光、器物发光、燃气火球发光、地裂缝闪光；

B、电磁现象异常：电磁干扰、静电干扰；

C、地声；

D、有感地震‘

（4）地质现象异常

地裂缝、滑坡、坍塌。

（5）气象异常

旱涝异常、增湿异常、风异常。

地震宏观异常的出现是重要的临震指标。宏观异常大多出现在震前3-5天、几小时乃至10多分钟。只有个别出现在震前10多天甚至一个月以上。因此，宏观异常的出现是重要的临震异常显示。所以，在完成对地震形势趋势估计的背景下，及时发现、收集、分析宏观异常现象，是实现地震短临预报的关键措施。

‘柒’ 神经网络算法实例说明有哪些

在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人、复杂系统控制等等。

纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。

‘捌’ 哈佛大学人工智能可以预测地震余震吗

近日，来自谷歌人工智能部门和哈佛大学的研究人员已经建立了一个人工智能模型，能够预测大地震后长达一年的余震位置。该模型训练了近几十年来的199次大地震以及之后带来的13万次余震，并发现比目前用于预测余震的方法更精确。

虽然大多数神经网络都非常难以解释，有时也被称为黑匣子，但我认为，因为我们对可能牵涉其中的物理学有了一些概念，所以我们了解到通过弹性传递应力是重要的，结论证明我们的结果是可以接受的。我们能够看到这个模型计算出的结果是有意义的，它实际上为我们指出了一些可能引发地震的不同的物理理论，因此它正引导我们走向一个令人兴奋的新方向。

该模型无法对由火山爆发等其他重大自然灾害所产生的地震产生影响。

任何机器学习应用，不管神经网络是否具有推理能力，不仅取决于算法结构，而且取决于它所使用的训练集，而且我们没有使用与火山有关的训练集或诸如此类的东西，所以我们根本没有理由相信它会对所有的地震预测起作用。

这个模型是利用过去几年大地震的历史数据来训练的，但接下来，会加入将来的地震数据。