مدلي جديد در شبيه سازي سيگنال تاريخچه زماني زلزله به كمك شبكه هاي عصبي مصنوعي و الگوريتم هاي تكاملي

امروزه بدليل استفاده روز افزون از تحليل ديناميكي تاريخچه زماني براي محاسبه پاسخ سيستم ها، توليد شتاب نگاشت هاي مصنوعي مناسب، به علت كمبود ركوردهاي ثبت شده زلزله و همچنين محدوديت و اشكالات موجود در آنها، ضروري بوده و مي تواند بسيار مفيد باشد. در روش پيشنهادي اين مقاله ابتدا تعدادي شتاب نگاشت آموزشي بر اساس سرعت موج برشي زير ايستگاه ثبت كننده به دو گروه خاك و سنگ تقسيم مي شوند؛ سپس با استفاده از تبديل ويولت به آناليز آنها مي پردازيم. در اين مقاله از توانايي يادگيري شبكه هاي عصبي مصنوعي براي نگاشت معكوس از طيف پاسخ به ضرايب تبديل ويولت استفاده مي شود، به موازات استفاده از الگوريتم هاي آموزشي موجود براي شبكه هاي عصبي مصنوعي از توانايي الگوريتم هاي تكاملي براي جستجو در يك فضاي گسترده استفاده شده تا ماتريس هاي وزن و باياس شبكه ها بهينه شوند و از همگرا شدن شبكه ها در نقاط بهينه محلي جلوگيري گردد. در روش پيشنهادي از الگوي ضرائب MFCC( Mel Frequency Cepstral Coefficients) جهت فشرده سازي اطلاعات سيگنال هاي زلزله، استفاده خواهد شد . در پايان اين شبكه ها توسط ركوردهاي موجود زلزله هاي ايران آموزش داده مي شوند، بعد از آموزش شبكه ها بر اساس طيف پاسخ موجود، شتاب نگاشت نظير هر طيف پاسخ را بدست مي آوريم.