国产自产21区,亚洲97,免费毛片网,国产啪视频,青青青国产在线观看,国产毛片一区二区三区精品

運用類神經網絡的現地型地震即時分析系統及其方法
【專利摘要】本發明公開了一種運用類神經網絡的現地型地震即時分析系統及其方法，對在某檢測地點擷取一地震的初達波加速度信號進行即時分析。此系統包含一嵌入式運算主機與一信號預處理模塊，其信號預處理模塊對其初達波加速度信號進行硬件預處理，嵌入式運算主機可將預處理后的加速度信號輸入類神經網絡模塊中，以計算該地震的多個地震特性參數，其中該類神經網絡模塊包含形成四層且彼此連結的多個神經元，各該神經元具有一連結權重對應于與次層另一該神經元的連結，各該連結權重以實際測量的多個歷史地震數據輸入該類神經網絡模塊中反復調校而成。計算所得的地震特性參數包含樓層放大參數及/或樓層地震參數，對應于位在該檢測地點的一建筑物上一特定樓層。
【專利說明】運用類神經網絡的現地型地震即時分析系統及其方法
【技術領域】
[0001]本發明關于一種地震數據分析技術，尤指一種運用類神經網絡模塊的現地型地震即時分析系統及其方法。
【背景技術】
[0002]臺灣處于太平洋地震帶上，位于歐亞板塊與菲律賓海板塊的交界處，每年約有四千余筆的地震發生，其中包含兩百多起的有感地震，又本島人口密度為639(單位:人/平方公里)且有73%的地區為山坡地，因地狹人稠是以都市化程度高且都市區域新建建筑多為超高樓層建筑，而高樓層建物可能因其本身頻率和地震波頻率共振而加強其晃動程度，對該層住戶的居住環境及生命安全造成威脅。
[0003]地震波于地球體內經由各地層介質傳遞時，在穿透各相異介質面將產生折射與反射效應，其從震源出發至地表的過程中，為高度復雜性的線性及非線性行為，其非線性行為對于傳統線性數學模式是一項極大的挑戰。因此，為了在短時間內即時分析出高準確度的地震特性參數，地震分析系統的硬件設計與分析方式的搭配與建置極其重要。

【發明內容】

[0004]有鑒于現有技術問題，本發明的一實施例提供一種現地型地震即時分析系統，SP時分析一地震于一檢測地點檢測到的一初達波(Primary Wave)，以預測到達該檢測地點的該地震的一剪切波(Shear Wave)，該系統包含:一信號預處理模塊，接收于該檢測地點擷取該初達波的多個加速度信號，并對其進行一硬件預處理(hardware pre-processing)；及一嵌入式運算主機，包含一運算處理器，接收來自該信號預處理模塊的這些加速度信號，并輸入內建的一類神經網絡模塊中，以計算該地震的多個地震特性參數，其中該類神經網絡模塊包含形成四層且彼此連結的多個神經元(Neuron)，各該神經元具有一連結權重(Linkffeighting)對應于與次層(next layer)另一該神經元的連結,各該連結權重以實際測量的多個歷史地震數據輸入該類神經網絡模塊中反復調校而成。本發明的一實施例中，該歷史地震數據選自多個歷史地震個別的多個歷史加速度信號、一歷史震源距離、一歷史峰值地表加速度、一歷史地震規模、一歷史地震主頻與一歷史初達波/次達波時間差的群組或其任意組合。
[0005]本發明的一實施例中，類神經網絡模塊包含一輸入層、一二階隱藏層、一三階隱藏層與一輸出層，該輸入層包含至少33個一階神經元，該二階隱藏層包含至少30個二階神經元分別連結各該一階神經元，該三階隱藏層包含至少30個三階神經元分別連結各該二階神經元，該輸出層包含多個四階神經元分別連結各該三階神經元，各該四階神經元分別輸出一四階輸出值，且這些四階輸出值包含這些地震特性參數。
[0006]本發明的一實施例中，該輸入層的各該一階神經兀分別接收于一分析時段內的這些加速度信號，各該一階神經元分別輸出一一階輸出值，各該一階輸出值分別為所接收的各該加速度信號值；該二階隱藏層的各該二階神經元分別接收各該一階神經元的該一階輸出值、并分別輸出一二階輸出值，各該二階輸出值為各該二階神經元與各該一階神經元連結的 階連結權重，分別乘上各該一階神經兀的各該一階輸出值后之和、再加上一第一誤差修正常數；該三階隱藏層的各該三階神經元分別接收各該二階神經元的各該二階輸出值、并分別輸出一三階輸出值，各該三階輸出值為各該三階神經元與各該二階神經元連結的一二階連結權重，分別乘上各該二階神經元的各該二階輸出值后之和、再加上一第二誤差修正常數；及該輸出層的各該四階神經元分別接收各該三階神經元的各該三階輸出值，各該四階神經元分別輸出一四階輸出值，各該四階輸出值為各該四階神經元與各該三階神經元連結的一三階連結權重，分別乘上所接收各該三階神經元的各該三階輸出值后之和、再加上一第三誤差修正常數。
[0007]本發明的一實施例中，該分析時段為于該檢測地點檢測到該初達波起1-10秒內。
[0008]本發明的一實施例中，該嵌入式運算主機的該運算處理器篩選該歷史峰值地表加速度小于500 (gal)、該歷史初達波/次達波時間差小于50 (秒)的這些歷史地震數據，以輸入該類神經網絡模塊中進行反復調校。
[0009]本發明的一實施例中，該嵌入式運算主機的該運算處理器將篩選后的這些歷史加速度信號先進行數據轉換，再輸入該類神經網絡模塊中，以得到多個預測地震特性參數，并比對實際測量的這些歷史地震數據，以調校各該神經元的各該連結權重。前述數據轉換包含將特定時間間隔取得的歷史加速度信號數據(執行即時分析任務時則為及時地表加速度信號數據)，經過正規化轉換，輸入該輸入層中對應的一階神經元。前述正規化轉換可為線性正規化轉換、指數正規化結合線性正規化轉換、或傅立葉正規化結合線性正規化轉換。
[0010]本發明的一實施例中，該信號預處理模塊包含一濾波電路與一偏移值去除電路，該濾波電路對這些加速度信號執行該硬件濾波程序，該偏移值去除電路對這些加速度信號執行該硬件去除偏移值程序。
[0011]本發明的一實施例中，該信號預處理模塊包含一積分電路，該積分電路對這些加速度信號執行一硬件積分程序，以將這些加速度信號轉換為該初達波的該地表速度與該地表位移。
[0012]本發明的一實施例中，該嵌入式運算主機執行一積分運算程序，以將這些加速度信號轉換為該初達波的該地表速度與該地表位移。
[0013]本發明的一實施例中，該嵌入式運算主機包含至少一運算處理器，該運算處理器在本身的一固件中、或在一磁盤操作系統(Disk Operating System)環境中執行至少一演算法程序以分析該地震。
[0014]本發明的一實施例中，該嵌入式運算主機的運算處理器通過類神經網絡模塊計算的這些地震特性參數包含至少一樓層放大參數及/或至少一樓層地震參數,對應于位在該檢測地點的一建筑物上一特定樓層。該歷史地震數據選自多個歷史地震個別的多個歷史加速度信號、一歷史震源距離、一歷史峰值地表加速度、一歷史地震規模、一歷史地震主頻與一歷史初達波/次達波時間差，以及對應該建筑物的多個歷史樓層放大系數與多個歷史樓層地震參數的群組或其任意組合。
[0015]本發明的一實施例中，提供一種現地型地震即時分析系統，即時分析一地震于一檢測地點檢測到的一初達波(Primary Wave)，以預測該地震到達該檢測地點上一建筑物的一剪切波(Shear Wave)，該系統包含:一信號預處理模塊，接收于該檢測地點擷取該初達波的多個加速度信號，并對其進行一硬件預處理(hardware pre-processing) '及一嵌入式運算主機，包含一運算處理器，接收來自該信號預處理模塊的這些加速度信號，并輸入內建的一類神經網絡模塊中，以計算該地震的多個地震特性參數，其中該類神經網絡模塊包含形成四層且彼此連結的多個神經元(Neuron),各該神經元具有一連結權重(Link Weighting)對應于與次層(next layer)另一該神經元的連結，各該連結權重以實際測量的多個歷史地震數據輸入該類神經網絡模塊中反復調校而成；其中，這些地震特性參數包含至少一樓層放大參數及/至少一樓層地震參數，對應于位在該檢測地點的一建筑物上一特定樓層。
[0016]本發明的一實施例中，提供一種現地型地震即時分析方法，即時分析一地震于一檢測地點檢測到的一初達波(Primary Wave)，以預測到達該檢測地點的該地震的一剪切波(Shear Wave)，該方法包含:對于該檢測地點擷取的多個加速度信號進行一硬件預處理；傳送經硬件預處理后的這些加速度信號至一嵌入式運算主機；及將這些加速度信號輸入內建于該嵌入式運算主機上的一類神經網絡模塊中進行計算；及輸出該類神經網絡模塊所計算出該地震的多個地震特性參數；其中該類神經網絡模塊包含形成四層且彼此連結的多個神經元(Neuron),各該神經元具有一連結權重(Link Weighting)對應于與次層(nextlayer)另一該神經元的連結，各該連結權重以實際測量的多個歷史地震數據輸入該類神經網絡模塊中反復調校而成。
[0017]本發明的一實施例中，通過該類神經網絡模塊計算的這些地震特性參數包含至少一樓層放大參數及/或至少一樓層地震參數，對應于位在該檢測地點的一建筑物上一特定樓層。
[0018]本發明的一實施例中，該硬件預處理包含一硬件濾波程序與一硬件去除偏移值程序。
[0019]本發明的一實施例中，更包含執行一積分運算程序，以將這些加速度信號轉換為該初達波的一地表速度與一地表位移。本發明的一實施例中，該硬件預處理包含一硬件積分程序，以將這些加速度信號轉換為該初達波的一地表速度與一地表位移。
[0020]于本發明的一實施例，其中更包含通過該嵌入式運算主機篩選該歷史峰值地表加速度小于500 (gal)、該歷史初達波/次達波時間差小于50 (秒)的這些歷史地震數據，以輸入該類神經網絡模塊中進行反復調校。
[0021]本發明的現地型地震即時分析系統與方法具有以下特點:
[0022](一)即時快速:在地表強震預警方面，本發明可于當地收錄地震數據的短時間內，通過訓練及驗證后的類神經網絡地表分析模塊而得推估解，其預警震度若達警戒值則進行后續避難動作。就建物強震預警方面，通過訓練及驗證后的類神經網絡建物分析模塊而得推估解，相對一般需經結構動力的力學分析流程，其運算速度較快，符合結構物快速反應評估的強震預警需求。
[0023]( 二)準確性高:其類神經網絡的分析數據，包含長期觀測的歷史地震數據庫，和使用有限元素法建置的建物受震數據庫。前者為長期觀測的實際成果，又后者的參考值與建物實際受震測量的相關數據大多相符，故通過此兩種數據庫，分取各20%驗證本法與實際對應的地表受震情形和建物反應參考解，約80%的數據和其誤差小于20%。
【專利附圖】

【附圖說明】[0024]圖1是本發明一實施例中現地型地震即時分析系統的系統架構方塊圖；
[0025]圖2是本發明另一實施例中另一現地型地震即時分析系統的系統架構方塊圖；
[0026]圖3A是本發明另一實施例中現地型地震即時分析方法的流程圖；
[0027]圖3B是本發明另一實施例中現地型地震即時分析系統的類神經網絡模塊的示意圖；
[0028]圖3C是本發明另一實施例中(第0-3秒)峰值地表加速度的實際測量值與本發明系統分析值的比較圖；
[0029]圖3D是本發明另一實施例中(第0-5秒)峰值地表加速度的實際測量值與本發明系統分析值的比較圖；
[0030]圖4A是本發明另一實施例中現地型地震即時分析系統的類神經網絡模塊的示意圖；
[0031]圖4B是本發明另一實施例中對于特定建筑物某樓層的(第0-3秒)峰值地表加速度的實際測量值與本發明系統分析值的比較圖；
[0032]圖4C是本發明另一實施例中對于特定建筑物某樓層的(第0-10秒)峰值地表加速度的實際測量值與本發明系統分析值的比較圖；
[0033]圖4D是本發明另一實施例中對于特定建筑物某樓層的峰值樓層加速度到達時間的實際測量值與本發明系統分析值的比較圖(X軸)；
[0034]圖4E是本發明另一實施例中對于特定建筑物某樓層的峰值樓層加速度到達時間的實際測量值與本發明系統分析值的比較圖(Y軸)；
[0035]圖4F是本發明另一實施例中對于特定建筑物某樓層的峰值樓層加速度到達時間的實際測量值與本發明系統分析值的比較圖(Z軸)。
[0036]其中，附圖標記:
[0037]10................................................................現
地型地震即時分析系統
[0038]100.............................................................嵌入
式運算模塊
[0039]110.............................................................運算
處理器
[0040]111、112........................................................類神經
網絡模塊
[0041]1111a、112a................................................輸入層
[0042]111b、112b.................................................二階隱藏層
[0043]111c、112c.................................................三階隱藏層
[0044]llld、112d.................................................輸出層
[0045]120........................................................系統存儲器
[0046]130........................................................儲存單元
[0047]140........................................................信號接口
[0048]150.........................................................總、線
[0049]200........................................................信號預處理模塊
[0050]210........................................................濾波電路
[0051]220........................................................偏移值去除
電路
[0052]230........................................................積分電路
[0053]nlOl、nl02、nl03、nl04….nlxxx...................................—階神
經元
[0054]n201、n202、n203、n204....n230....................................二階神
經元
[0055]n301、n302、n303、n304....n330....................................三階神
經元
[0056]η401、η402、η403、η404....n411...................................四階神
經元
【具體實施方式】
[0057]以下結合附圖和具體實施例對本發明進行詳細描述，但不作為對本發明的限定。
[0058]本發明為藉由初達波(P波)與剪切波(S波)其兩者傳遞速度差異的物理特性開發強震即時警報系統(Earthquake Early Warning System, EEWS),主要通過預先建置的類神經網絡模塊，并根據先到達的初達波(P波)加速度信號，來預測后續剪切波(S波)可能造成的相關地表及建物受震情形。可解析地震波加速度歷時資訊，經數據轉換至類神經網絡進行分析以判識地震預警資訊供防災決策之用。所得的地震歷時愈長則地震預警經度也越高，然應變時間也相應減少，故本發明逐秒建置對應的類神經網絡分析模塊，其具有獨立的類神經網絡架構及連結權重，當地震發生當下，可分秒更新地震預警資訊，以達更佳減傷防災之效。可輸出的資訊包括:(1)地震特性參數(如峰值地表加速度[PGA;Peak GroundAcceleration]及剪切波[S波]到達時間)，以及⑵樓層地震參數(如建筑物特定建物樓層的樓層放大參數、最大樓層加速度[PFA ;Peak Floor Acceleration]和剪切波[S波]到達時間)，提前預警并進行減災策略，以減少該地震對于該區域所帶來的危害。再者，本發明現地型地震即時分析系統的建置目標為隨著地震進行，每秒鐘都要能輸出既有累積地表加速度信號的運算結果，其即時運算并輸出預測值所需的運算需求極其龐大。
[0059]基于對地震信號特性及過去分析過程遭遇的障礙，本發明的下列實施例提供現地型地震分析所需的數種最佳化硬件架構與最佳化運作程序，以便以短時間擷取的初達波(P波)數據、準確預測剪切波(S波)于檢測地點的峰值地表加速度，達到現地即時預警效果。本發明中軟件硬件系統的整合設計、硬件元件的選擇、類神經網絡模塊的搭配與建置至關重要，需經大量實驗數據驗證方能得到本發明所揭露最優化的現地型地震即時分析系統與方法。根據本發明的系統與方法，若擷取測站所檢測的初達波前段3秒數據演算出地震相關參數并提出預警，則可將預警范圍由距震央70公里外大幅拉近，例如降至為距震央10-50公里外；但實際數據仍受限于實際采用的硬件/軟件/固件、地震波傳遞路徑的地層特性以及其他可能變數。
[0060]請參閱圖1，其是本發明一實施例中現地型地震即時分析系統的系統架構方塊圖。圖中現地型地震即時分析系統10包括嵌入式運算主機100與信號預處理模塊200 ;其中主要由信號預處理模塊200進行原始初達波加速度信號的信號預先處理，而由嵌入式運算主機100進行類神經網絡模塊的計算程序。
[0061]由于系統設計的其中一個目標在于縮短地震參數的運算時間以便提前預警，在軟件開發方面，為能使整體系統于各數據截取時間點完成該步驟的迭代運算，將類神經網絡分析拆解為分散運算，其能逐步存放運算過程的迭代數值并于初達波后1-10秒內逐秒計算地震特性參數。而硬件的配置上必須有效降低類神經網絡模塊運算端的運算負擔。視不同的實際硬件組件配置方式，于一實施例中嵌入式運算主機100與信號預處理模塊200可藉由一特制主機板串聯所有必要硬件元件、輔以適當的總線與信號接口(連接器)而實現。于另一實施例中，嵌入式運算主機100與信號預處理模塊200可由獨立的硬件組件分別實現，再以合適的信號纜線與信號接口串聯。
[0062]于一實施例中，地震初達波的加速度信號來源為設置于某檢測地點的地表強震儀(圖未示)。檢測地點的選擇可以為人口稠密處或重要建筑物附近；強震儀例如可選用Kinemetrics 公司的 EpiSensor 震力平衡加速度計(Force Balance Accelerometer)(型號FBA ES-T)，能測量地表上的微小震動、并輸出X、Y、Z三個軸向的加速度信號。強震儀擷取輸出加速度信號的時間間隔通常可以自行設定，但于一實施例中，合適的擷取或輸出頻率為每秒200次。
[0063]于圖1中，信號預處理模塊200具有濾波電路210及偏移值去除電路220。濾波電路210對檢測地點所設強震儀輸出的初達波加速度信號執行硬件濾波程序，意即通過濾波電路210濾除初達波加速度信號中不必要的環境噪聲，一則降低后端需分析的數據量、一則提高分析準確率。偏移值去除電路220對該初達波加速度信號執行一硬件去除偏移值程序，意即通過偏移值去除電路220將初達波加速度信號進行偏移調整，使初達波加速度信號的基礎值回到零；一個例子為先取長分析時段(例如擴11秒)的初達波加速度信號的平均值作為信號偏移植修正參數，即能將擷取的加速度信號或數據進行偏移修正。
[0064]整體而言，信號預處理模塊200接收于檢測地點擷取的多個初達波加速度信號，并對其進行一硬件預處理(hardware pre-processing),即以硬件電路手段對初達波加速度信號進行信號預先處理。硬件預處理可包括一硬件濾波程序與一硬件去除偏移值程序，或其他硬件電路可執行的信號處理程序。不過，由于在本發明的方法中，初達波加速度信號需要被轉換為初達波的地表速度(Ground Velocity)與地表位移(Ground Displacement)數據，且此過程需要對初達波加速度信號或數據執行“積分”處理，因此如欲進一步降低后端嵌入式運算主機100中類神經網絡模塊111的運算負擔，可在一實施例中，令信號預處理模塊的硬件預處理包含一硬件積分程序。于此，如圖2所示，另一實施例中的信號預處理模塊200可進一步具備一積分電路230，以對初達波加速度信號執行前述硬件積分程序，意即對初達波加速度信號進行硬件積分，而將初達波加速度信號轉換為初達波的地表速度與地表位移；后續實施例將有相關說明。
[0065]圖1中，嵌入式運算主機100具有運算處理器110、系統存儲器120、儲存單元130、信號接口 140與總線150。經過信號預處理模塊200進行硬件預處理后的初達波加速度信號，將通過信號接口 140與總線150傳輸至運算處理器110進行運算。本實施例中儲存單元130可儲存任意地震數據或數據、以及類神經網絡模塊111必要的演算程序，嵌入式運算主機100的運算處理器1101包含類神經網絡模塊111，類神經網絡模塊111可將必要的演算程序加載至系統存儲器120，以便進行各種地震特性參數的運算。前述運算處理器110的類神經網絡模塊111所需執行演算程序，屬于本發明現地型地震即時分析方法的其中一部分。
[0066]于一實施例中，嵌入式運算主機100可由以磁盤作業系統(Disk OperatingSystem ；D0S)為基礎的電腦系統實現；所采用的磁盤作業系統可為微軟公司的MS-DOS或其他合適的版本。一個實驗中采用的例子為:以(1)鈦思科技公司(TeraSoft Inc.)開發的“Micro-Box x86Based 即時控制平臺”(簡稱 Micro-Box),搭配(2)MathWorks 公司(TheMathfforks, Inc.)的Simulink工具軟件作為類神經網絡模塊演算程序開發工具。
[0067]其中，欽思科技公司型號Micro-Box 3000 (PCI Interface [即指 PeripheralComponent Interconnect interface,周邊兀件互連接口])的 Micro-Box 系統具有以下主要的硬件規格:處理器Celeron? M 1GHz ;系統存儲器為256MB DDRDRAM ;儲存單元可為64MB Compact Flash card ;標準PCI擴充總線等。換言之,于一實施例中，嵌入式運算主機100的硬件部分可由鈦思科技公司型號Micro-Box 3000所實現。
[0068]前述Simulink工具軟件是則是MathWorks公司開發的用于動態系統和嵌入式系統的多領域模擬和基于模塊的設計工具。于一實施例中，嵌入式運算主機100中類神經網絡模塊111的演算程序乃以Simulink工具軟件進行編寫，并于鈦思科技公司前述Micro-Box系統上的DOS環境中執行，以實現本發明的現地型地震即時分析方法的至少其中一部份。換言之，此實施例類神經網絡模塊111的一或多個演算程序須能在DOS環境中執行；意即，此類嵌入式運算主機100的運算處理器110的類神經網絡模塊111須執行以DOS為基礎(DOS-based)演算程序。
[0069]于另一實施例中，嵌入式運算主機的運算處理器可具有內建存儲器，通過特定的固件(Firmware)編輯平臺，可將本發明所需類神經網絡模塊111的演算法程序編寫于該運算處理器110的固件中，而能以固件執行方式進行高速運算。換言之，此實施例類神經網絡模塊111的一或多個演算法程序須能在該運算處理器110的固件環境中執行，如圖1與圖2 ;意即，此類嵌入式運算主機100的運算處理器110須在本身固件中執行類神經網絡模塊111所需的演算程序。一例為采用德國dSPACE公司的DS1103PPC控制器板(ControllerBoard)，本發明的類神經網絡模塊演算程序仍可藉由Simulink工具軟件進行編寫，最后轉換成機械語言以植入其運算處理器(lGHz)PPC 750GX的固件中，如此即能以固件執行方式進行聞速運算。
[0070]有關嵌入式運算主機100所執行類神經網絡模塊111的演算程序、以及整個現地型地震即時分析系統10所執行的現地型地震即時分析方法，請合并參考后續的流程圖與相關說明。
[0071]請參閱圖3A，其是本發明另一實施例中現地型地震即時分析方法的流程圖。雖然以下是以具有順序的步驟及流程圖，說明現地型地震即時分析方法的各構成部分；但除非特別予以限定，本發明的方法各構成部分之間并無絕對的前后順序關系。
[0072]請一并參考圖1與圖3A，本發明一實施例中，現地型地震即時分析方法包括以下部分:
[0073]步驟S310:對于一檢測地點擷取的一地震的初達波加速度信號進行硬件預處理。本實施例中硬件預處理包括硬件濾波程序與硬件去除偏移值程序，由信號預處理模塊200的濾波電路210與偏移值去除電路220，分別對檢測地點現地擷取的地震初達波加速度信號進行處理；于一實施例中，初達波加速度信號擷取頻率為每秒200次。
[0074]步驟S320:傳送經硬件預處理后的加速度信號至嵌入式運算主機。經信號預處理模塊200進行硬件預處理后的加速度信號，乃經信號接口 140傳輸至嵌入式運算主機100 ；這些加速度信號可以經總線150儲存到儲存單元130等待被存取，也可被運算處理器110直接讀取運算，或暫存系統存儲器120等待被存取、運算。
[0075]前述部分于現地型地震即時分析系統的信號預處理模塊200執行，下列部分則由嵌入式運算主機100的執行。
[0076]步驟S330:將加速度信號輸入內建于嵌入式運算主機上的類神經網絡模塊中進行計算。步驟S340:輸出類神經網絡模塊所計算出地震的地震特性參數。有關類神經網絡模塊的定義、運作方式及計算過程將介紹如后。
[0077]生物學習新知時神經細胞接收外物的刺激而影響彼此連接的突觸，類神經網絡以神經元(neuron)、連結(link)、各連結權重(weight)及大量的并聯網絡層來模擬此現象，神經元可視為人類神經細胞的處理系統，包含簡單的數學運算；各神經元彼此的連結可視為人類神經細胞彼此相連的突觸；而連結權重則模擬神經細胞連結的強弱程度。本發明類神經網絡模塊的類神經網絡由大量互相聯系的神經元及連結所構成，神經元的數量、連結方式及各連結權重共同架構此網絡模型，通過大量的訓練樣本，令類神經網絡學習輸入端與輸出端數據間的規則，其接收輸入端數據經過神經網絡運算后得出一結果值，將此值與輸出端目標值的誤差反向 傳遞回類神經網絡修正連結權重，經由大量的學習次數逐步降低類神經網絡計算結果值與實際目標值兩者的誤差，可稱之為“倒傳遞類神經網絡”。
[0078]本發明的類神經網絡模塊經過數據轉換，將每一擷取時點的地震波加速度信號轉換至介于0-1的數值數據，并輸入至輸入層中對應的一階神經元。同時，考量全島區域的通用特性及小區域的在地特征，依據地震歷時數據逐秒調整各層各階神經元數量及對應的連結權重，以適應實務上的需求。類神經網絡模塊的建置方式，首先取符合(I)地震規模0-8、(2)初達波與剪切波的時間差0-50秒內及(3)三軸向的峰值地表加速度PGA介于O-1OOOgal間等三類條件的地震歷時數據作為類神經網絡的分析數據，以期建立所輸入初達波的地表加速度信號數據與該地震參數(震央規模、初達波與剪切波的時間差、各向峰值地表加速度PGA值及各向峰值地表加速度PGA觸發時間等)的關聯性。為能快速預警及最大化使用歷史數據，本研究以每秒50點的取樣頻率針對初達波10秒內數據依時間長度分別建立輸入端數據；如令P波觸發時間為TO時，則分取TO-Tl (第0-1秒)、T0-T2 (第0-2秒)、Τ0-Τ3 (第0-3秒)…Τ0-Τ10 (第0-10秒)等數種相異時間間隔作為類神經網絡模塊中輸入層不同的一階神經元的輸入數據，再以該時間間隔的地震參數為目標值來建立兩者的映射關系。本發明是以四層倒傳遞類神經網絡，依不同的初達波取樣值的時間間隔長度各別建立模型化的類神經網絡模塊，以找到最佳化的類神經網絡模塊版本。
[0079]不同的正規化方法其類神經網絡模塊的模型化方式也有所差異。同時，因相異的數據正規化方式會影響類神經網絡的學習能力和使用的數據量，而龐大的數據量雖仍提高模型預測精確度但也令運算時間增加，為能在數據選用及運算耗時上取得較佳整體效果，根據現地實務需求所分別建立的數種模塊范例列舉如下:[0080](一 )線性正規化
[0081]將地震初達波后10秒內的地表加速度信號數據依時間長度分為垂直向、南北向、東西向等三軸向，若輸入層的一個一階神經元代表可輸入一個地表加速度信號值，因每秒取樣頻率為50點，加上在三軸向取得的資訊，每秒所需輸入的一階神經元個數為150個。以此類推，T0-T1 (第0-1秒)、T0-T2 (第0-2秒)...T0-T10 (第0-10秒)分別需要輸入對應的150、300...1500個一階神經元。其中，以-500和500作為門檻值將各種時間間隔內的地表加速度信號值進行線性正規化。
[0082]而在輸出層的四階神經元方面，以(1)地震規模(門檻值0-8)、(2)初達波與剪切波的時間差(門檻值0-50)、(3)垂直向上的峰值地表加速度PGA(門檻值0-1000)、(4)垂直向下的峰值地表加速度PGA(門檻值0-1000)、(5)向南的峰值地表加速度PGA(門檻值0-1000)、(6)向北的峰值地表加速度PGA(門檻值0-1000)、(7)向東的峰值地表加速度PGA(門檻值0-1000)、⑶向西的峰值地表加速度PGA(門檻值0-1000)、(9)垂直向的峰值地表加速度PGA的到達時間(門檻值0-250)、(10)南北向的峰值地表加速度PGA(門檻值0-250)的到達時間與(11)東西向的峰值地表加速度PGA(門檻值0-250)的到達時間等11個物理量，做為原始物理量的目標值。原始物理量的目標值經由線性正規化轉化為0-1的值域內后，即能作為類神經網絡模塊的輸出層其四階神經元的輸出目標值，用以修正調整各階神經元的個數與連結權重。
[0083]一般而言，地表加速度信號數據除了經任何一種正規化轉換之外，亦可搭配進行一向量轉換，即將某一地表加速度信號數據的正值或負值，轉為1或0的數值、并輸入一個對應的額外一階神經元中。
[0084]( 二 )指數正規化結合線性正規化
[0085]除直接使用地震加速度信號數據之外，地震加速度信號數據亦可區分為垂直、南北、東西等三軸六向的分量數據，故可將數據解析為垂直向上、垂直向下、向南、向北、向東及向西等六個方向，各以一個一階神經元作為數據輸入端，則各方向每秒的數據取樣數為50點，整體而言一秒的時間間隔中其對應的輸入層一階神經元個數為300個。各方向的表加速度信號數據若有缺值部分即予補零，考量加速度數據記錄精度至小數點第四位，而對于非零值部分經10000倍的放大后再以loglO進行處理，最后使用門檻值0-8過濾并輔以線性正規化至0-1間，即能將地表加速度信號數據由物理量轉換為適合類神經網絡模塊運算的輸入值。
[0086]在輸出目標值方面，針對地震規模、P波與S波的時間差、垂直向峰值地表加速度PGA的到達時間、南北向峰值地表加速度PGA的到達時間與東西向峰值地表加速度PGA等四個參數分別以0-8、0-50、0-250、0-250、0-250作為門檻值進行線性正規化，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、向東峰值地表加速度PGA、向西峰值地表加速度PGA等個6參數則先放大1000倍再經loglO轉換并以0_6為門檻值進行線性正規化，壓縮值域為0-1內，即能將實際測得的歷史物理量轉換為輸出層的四階神經元的輸出目標值。此外，在指數正規化過程中，為避免小于或等于0的數值經指數計算后會呈現負值或0，可將所有地表加速信號值全部平移加1后再進行指數正規化轉換。
[0087][例一][0088](I)輸入層一階神經元個數:100-1000 ；⑵輸出層四階神經元數:11[0089]假設直接取用地表加速度信號數據、每秒取樣50點、并將地表加速度信號正負值進行向量轉換，欲輸入第0-1秒數據即需要100個一階神經元。以此類推，欲輸入第0-2秒數據即需要200個一階神經元；欲輸入第0-5秒數據即需要500個一階神經元；欲輸入第0-10秒數據即需要1000個一階神經元。
[0090][例二]
[0091](I)輸入層一階神經元個數:300-3000 ； (2)輸出層四階神經元數:11
[0092]假設取用地表加速度信號的六軸分量數據、每秒取樣50點，欲輸入第0-1秒數據即需要300個一階神經元。以此類推，欲輸入第0-2秒數據即需要600個一階神經元；欲輸入第0-5秒數據即需要1500個一階神經元；欲輸入第0-10秒數據即需要3000個一階神經
J Li ο
[0093](三)傅立葉正規化結合線性正規化
[0094]將地震初達波的地表加速度信號數據分類為TO-Tl (第0-1秒)、Τ0-Τ2 (第0_2秒)…、Τ0-Τ10 (第0-10秒)等數種類別。由于傅立葉正規化所需數據量與2的乘冪相關，因取樣限制造成數據不足部分，可通過增加零值方式增加所需數據數據。另外，由于經由快速傅立葉轉換化為時頻域型式時，考量傅立葉頻譜數據具有對稱性，故只取前半部資訊作為輸入端數據，并取各模型的極值運用線性正規化轉化值域為0-1間。
[0095]在輸出端方面，針對描述各向峰值地表加速度PGA的六個地震參數，我們先以1000進行倍率放大再藉由1glO運算轉化其分布的值域，最后以0-5.7為門檻值進行線性正規化。而對于初達波波與剪切波的時間差及垂直、南北、東西等軸向峰值地表加速度PGA到達時間等四個時間性質的地震參數，則分別以0-50、0-250、0-250、0-250為門檻值進行線性正規化。置于地震規模則運用0-8為門檻值和線性正規化方式進行轉換。
[0096][例三]
[0097](I)輸入層一階神經元個數:33~257 ； (2)輸出層四階神經元數:11
[0098]假設直接取用地表加速度信號數據、每秒取樣50點、并采用傅立葉轉換，欲輸入第0-1秒數據即需要(26/2)+1即33個一階神經元。以此類推，欲輸入第0-2秒數據即需要65個一階神經元；欲輸入第0-3、0-4、0-5秒數據即需要129個一階神經元；欲輸入第0_6、0-7、0-8、0-9、0-10秒數據即需要257個一階神經元。
[0099][例四]
[0100](I)輸入層一階神經元個數:9^771 ； (2)輸出層四階神經元數:11
[0101]假設取用三軸地表加速度信號數據、每秒取樣50點、并采用傅立葉轉換，欲輸入第ο-1秒數據即需要[(26/2)+1]*3即33*9=99個一階神經元。以此類推，欲輸入第0_2秒數據即需要65*3=195個一階神經元；欲輸入第0-3、0-4、0-5秒數據即需要129*3=387個一階神經元；欲輸入第0-6、0-7、0-8、0-9、0-10秒數據即需要257*3=771個一階神經元。本發明的類神經網絡模塊為高度非線性動態系統，其以并聯神經元平行處理大量的輸入數據，誤差容忍性高，各個神經元包含部分的動態信息和簡易的計算能力。當類神經網絡模塊由輸入層讀取數據后，各神經元加總前一層所傳遞的值(如式I)經由活化函數(sigmoid)(如式2)計算再傳遞給后一層神經元直至輸出層而得此次分析的結果值，再通過結果值與目標值來修正調節誤差。[0102]
【權利要求】
1.一種現地型地震即時分析系統，即時分析一地震于一檢測地點檢測到的一初達波，以預測到達該檢測地點的該地震的一剪切波，其特征在于，該系統包含:一信號預處理模塊，接收于該檢測地點擷取該初達波的多個加速度信號，并對其進行一硬件預處理 '及一嵌入式運算主機，包含一運算處理器，接收來自該信號預處理模塊的所述加速度信號，并輸入內建的一類神經網絡模塊中，以計算該地震到達該檢測地點的多個地震特性參數，其中該類神經網絡模塊包含形成四層且彼此連結的多個神經元，各該神經元具有一連結權重對應于與次層另一該神經元的連結，各該連結權重以實際測量的多個歷史地震數據輸入該類神經網絡模塊中反復調校而成。
2.根據權利要求1所述的現地型地震即時分析系統，其特征在于，該類神經網絡模塊包含一輸入層、一二階隱藏層、一三階隱藏層與一輸出層，該輸入層包含至少33個一階神經元，該二階隱藏層包含至少30個二階神經元分別連結各該一階神經元，該三階隱藏層包含至少30個三階神經元分別連結各該二階神經元，該輸出層包含多個四階神經元分別連結各該三階神經元，各該四階神經元分別輸出一四階輸出值，且所述四階輸出值包含所述地震特性參數。
3.根據權利要求2所述的現地型地震即時分析系統，其特征在于，:該輸入層的各該一階神經元分別接收于一分析時段內的所述加速度信號，各該一階神經元分別輸出一一階輸出值，各該一階輸出值分別為所接收的各該加速度信號值；該二階隱藏層的各該二階神經元分別接收各該一階神經元的該一階輸出值、并分別輸出一二階輸出值，各該二階輸出值為各該二階神經元與各該一階神經元連結的一一階連結權重，分別乘上各該一階神經元的各該一階輸出值后之和、再加上一第一誤差修正常數；該三階隱藏層的各該三階神經`元分別接收各該二階神經元的各該二階輸出值、并分別輸出一三階輸出值，各該三階輸出值為各該三階神經元與各該二階神經元連結的一二階連結權重，分別乘上各該二階神經元的各該二階輸出值后之和、再加上一第二誤差修正常數；及該輸出層的各該四階神經元分別接收各該三階神經元的各該三階輸出值，各該四階神經元分別輸出一四階輸出值，各該四階輸出值為各該四階神經元與各該三階神經元連結的一三階連結權重，分別乘上所接收各該三階神經元的各該三階輸出值后之和、再加上一第三誤差修正常數。
4.根據權利要求1所述的現地型地震即時分析系統，其特征在于，該類神經網絡模塊接收一分析時段內的所述加速度信號，該分析時段為于該檢測地點檢測到該初達波起第1-10秒內，且該輸出層自該第1秒起每秒鐘輸出該四階輸出值。
5.根據權利要求1所述的現地型地震即時分析系統，其特征在于，該歷史地震數據選自多個歷史地震個別的多個歷史加速度信號、一歷史震源距離、一歷史峰值地表加速度、一歷史地震規模、一歷史地震主頻與一歷史初達波/次達波時間差的群組或其任意組合。
6.根據權利要求5所述的現地型地震即時分析系統，其特征在于，該嵌入式運算主機的該運算處理器篩選該歷史峰值地表加速度小于500 (gal)、該歷史初達波/次達波時間差小于50 (秒)的所述歷史地震數據，以輸入該類神經網絡模塊中進行反復調校。
7.根據權利要求6所述的現地型地震即時分析系統，其特征在于，該嵌入式運算主機的該運算處理器將篩選后的所述歷史加速度信號先進行數據轉換，再輸入該類神經網絡模塊中，以得到多個預測地震特性參數，并比對實際測量的所述歷史地震數據，以調校各該神經元的各該連結權重。
8.根據權利要求1所述的現地型地震即時分析系統，其特征在于，該嵌入式運算主機將所接收該地震的所述加速度信號先進行數據轉換，再輸入該類神經網絡模塊中，以得到所述地震特性參數；其中該數據轉換選自指數正規化搭配線性正規化轉換、或傅立葉正規化搭配線性正規化轉換。
9.根據權利要求1所述的現地型地震即時分析系統，其特征在于，通過該類神經網絡模塊計算的所述地震特性參數包含至少一樓層放大參數及/或至少一樓層地震參數，對應于位在該檢測地點的一建筑物上一特定樓層。
10.根據權利要求9所述的現地型地震即時分析系統，其特征在于，該類神經網絡模塊輸出的所述地震特性參數，包含對應該特定樓層的至少一峰值樓層加速度與至少一峰值樓層加速度到達時間。
11.一種現地型地震即時分析方法，即時分析一地震于一檢測地點檢測到的一初達波，以預測到達該檢測地點的該地震的一剪切波，其特征在于，該方法包含: 對于該檢測地點擷取的多個加速度信號進行一硬件預處理； 傳送經硬件預處理后的所述加速度信號至一嵌入式運算主機； 將所述加速度信號輸入內建于該嵌入式運算主機上的一類神經網絡模塊中進行計算；及 輸出該類神經網絡模塊所計算出該地震的多個地震特性參數； 其中該類神經網絡模塊包含形成四層且彼此連結的多個神經元，各該神經元具有一連結權重對應于與次層另一該神經元的連結，各該連結權重以實際測量的多個歷史地震數據輸入該類神經網絡模塊中反復調校而成。
12.根據權利要求11所述的現地型地震即時分析方法，其特征在于，該類神經網絡模塊包含一輸入層、一二階隱藏層、一三階隱藏層與一輸出層，該輸入層包含至少33個一階神經元，該二階隱藏層包含10-50個二階神經元分別連結各該一階神經元，該三階隱藏層包含10-500個三階神經元分別連結各該二階神經元，該輸出層包含多個四階神經元分別連結各該三階神經元，各該四階神經元分別輸出一四階輸出值，且所述四階輸出值包含所述地震特性參數。
13.根據權利要求12所述的現地型地震即時分析方法，其特征在于，: 該輸入層的各該一階神經元分別接收于一分析時段內的所述加速度信號，各該一階神經元分別輸出一一階輸出值，各該一階輸出值分別為所接收的各該加速度信號值； 該二階隱藏層的各該二階神經元分別接收各該一階神經元的該一階輸出值、并分別輸出一二階輸出值，各該二階輸出值為各該二階神經元與各該一階神經元連結的一一階連結權重，分別乘上各該一階神經元的各該一階輸出值后之和、再加上一第一誤差修正常數； 該三階隱藏層的各該三階神經元分別接收各該二階神經元的各該二階輸出值、并分別輸出一三階輸出值，各該三階輸出值為各該三階神經元與各該二階神經元連結的一二階連結權重，分別乘上各該二階神經元的各該二階輸出值后之和、再加上一第二誤差修正常數；及該輸出層的各該四階神經元分別接收各該三階神經元的各該三階輸出值，各該四階神經元分別輸出一四階輸出值，各該四階輸出值為各該四階神經元與各該三階神經元連結的一三階連結權重，分別乘上所接收各該三階神經元的各該三階輸出值后之和、再加上一第三誤差修正常數。
14.根據權利要求11所述的現地型地震即時分析方法，其特征在于，該類神經網絡模塊接收一分析時段內的所述加速度信號，該分析時段為于該檢測地點檢測到該初達波起第1-10秒內，且該輸出層自該第1秒起每秒鐘輸出該四階輸出值。
15.根據權利要求11所述的現地型地震即時分析方法，其特征在于，該類神經網絡模塊輸出的所述地震特性參數，選自該地震的一地震震度、一初達波-剪切波時間間隔、至少一組對應三坐標軸的峰值地表加速度及一峰值地表加速度到達時間的群組及其任意組合。
16.根據權利要求11所述的現地型地震即時分析方法，其特征在于，該嵌入式運算主機將所接收該地震的所述加速度信號先進行數據轉換，再輸入該類神經網絡模塊中，以得到所述地震特性參數；其中該數據轉換選自指數正規化搭配線性正規化轉換、或傅立葉正規化搭配線性正規化轉換。
17.根據權利要求11所述的現地型地震即時分析方法，其特征在于，更包含通過該嵌入式運算主機篩選該歷史峰值地表加速度小于500 (gal)、該歷史初達波/次達波時間差小于50 (秒)的所述歷史地震數據，以輸入該類神經網絡模塊中進行反復調校。
18.根據權利要求17所述的現地型地震即時分析方法，其特征在于，該嵌入式運算主機將篩選后的所述歷史加速度信號先進行數據轉換，再輸入該類神經網絡模塊中，以得到多個預測地震特性參數，并比對實際測量的所述歷史地震數據，以調校各該神經元的各該連結權重。
19.根據權利要求11所述`的現地型地震即時分析方法，其特征在于，通過該類神經網絡模塊計算的所述地震特性參數包含至少一樓層放大參數及/或至少一樓層地震參數，對應于位在該檢測地點的一建筑物上一特定樓層。
20.根據權利要求19所述的現地型地震即時分析方法，其特征在于，該類神經網絡模塊輸出的所述地震特性參數，包含對應該特定樓層的至少一峰值樓層加速度與至少一峰值樓層加速度到達時間。
【文檔編號】G01V1/30GK103675914SQ201210337469
【公開日】2014年3月26日 申請日期:2012年9月12日 優先權日:2012年9月12日
【發明者】林主潔, 林沛旸, 沈哲平, 黃謝恭, 江宏偉 申請人:林沛旸