الگوهای لرزه ای مختلفی شامل پیش لرزهها، سکوت لرزه‌ای، فوج لرزه ای و الگوی دونات قبل از وقوع زمین لرزه‌های بزرگ در این پایان نامه گزارش شده است. در مورد بسیاری از زمین لرزهها، این الگوهای لرزه‌ای ابتدایی در غالب خوشه هایی ظاهر می‌شوند، به طوری که الگوی واقعی در اغلب موارد بسیار پیچیده است. بنابراین نیاز به مدلهای آماری پیشرفته نظیر شبکه‌های عصبی مصنوعی و مدلهای بدون سرپرستی جهت شناسایی الگوهای لرزه ای،انکار ناپذیر است.
شبکه‌های عصبی مصنوعی که الهام گرفته شده از مغز انسان می‌باشند،از تعدادی نرون مصنوعی تشکیل شده اند که این نرونهای مصنوعی توسط تعدادی بردار وزن به هم متصل می شوند. شبکه‌های عصبی مصنوعی قادرند حجم زیادی از اطلاعات ورودی (مانند کاتالوگ زمین لرزه)را به طور هم زمان و به صورت موازی دسته‌بندی کنند و الگوهای لرزه ای را بخوبی تشخیص دهند. شبکه های عصبی مصنوعی برای یادگیری کاتالوگ زمین لرزه که داده‌های آماری با ابعاد زیاد است،دارای دو خاصیت خلاصه سازی و تعمیم هستند.
ترکیب قوانین یادگیری رقابتی و انجمنی، به پیدایش شبکه‌های عصبی رقابتی بدون ناظر (خود سازمانده) منجر می‌شود.در شبکه عصبی خود سازمانده کوهونن (SOFM)، تعدادی نرون عصبی که معمولاً در یک توپولوژی مسطح کنار یکدیگر چیده می‌شوند، با رفتار متقابل روی یکدیگر، هدف اساسی شبکه خود سازمانده کوهونن را انجام می دهند. هدف اساسی شبکه خود سازمانده کوهونن، تبدیل الگوی ورودی با ابعاداختیاری به یک نقشه گسسته یک یا دو بعدی است. هنگامی که الگوریتم شبکه عصبی کوهونن همگرا شد، نقشه مشخصات محاسبه شده بوسیله این الگوریتم، مشخصات آماری مهم فضای ورودی را نشان می دهد. به خاطر وجود این خاصیت، شبکه خود سازمانده کوهونن، قادر به خوشه‌یابی زمین لرزه‌های مشابه در یک طبقه یا دسته است.
شناسایی الگوی توزیع پسلرزه‌ها و خوشه‌یابی آنها یکی از مسائل مهم و پیچیده در زلزله شناسی است. آنچه که این امر را دشوار می‌سازد، ساختار متنوع موجود در منطقه مورد مطالعه و ماهیت تصادفی و غیرقطعی سیگنال‌های لرزه‌ای است.
در این پایان نامه برای پیش یابی توزیع مکانی و روند پسلرزه های زمین لرزه بم ایران (۲۰۰۳) و زمین لرزه چنگدو سیچوان چین(۲۰۰۸) از شبکه عصبی کوهونن استفاده خواهیم کرد. به طوری که با اعمال کاتالوگ پسلرزه های چند روز اول(به عنوان ورودی به شبکه عصبی کوهونن) می توان کانون تمرکز و روند پسلرزه‌های آینده را پیش یابی نمود.
پیش یابی توزیع مکانی پسلرزه های زلزله بم ایران (۲۰۰۳) و زلزله چنگدوسیچوان چین (۲۰۰۸) با استفاده از شبکه های عصبی مصنوعی/مداحی زاده روح اله
/توسط Arash Eslamiالگوهای لرزه ای مختلفی شامل پیش لرزهها، سکوت لرزه‌ای، فوج لرزه ای و الگوی دونات قبل از وقوع زمین لرزه‌های بزرگ در این پایان نامه گزارش شده است. در مورد بسیاری از زمین لرزهها، این الگوهای لرزه‌ای ابتدایی در غالب خوشه هایی ظاهر می‌شوند، به طوری که الگوی واقعی در اغلب موارد بسیار پیچیده است. بنابراین نیاز به مدلهای آماری پیشرفته نظیر شبکه‌های عصبی مصنوعی و مدلهای بدون سرپرستی جهت شناسایی الگوهای لرزه ای،انکار ناپذیر است.
شبکه‌های عصبی مصنوعی که الهام گرفته شده از مغز انسان می‌باشند،از تعدادی نرون مصنوعی تشکیل شده اند که این نرونهای مصنوعی توسط تعدادی بردار وزن به هم متصل می شوند. شبکه‌های عصبی مصنوعی قادرند حجم زیادی از اطلاعات ورودی (مانند کاتالوگ زمین لرزه)را به طور هم زمان و به صورت موازی دسته‌بندی کنند و الگوهای لرزه ای را بخوبی تشخیص دهند. شبکه های عصبی مصنوعی برای یادگیری کاتالوگ زمین لرزه که داده‌های آماری با ابعاد زیاد است،دارای دو خاصیت خلاصه سازی و تعمیم هستند.
ترکیب قوانین یادگیری رقابتی و انجمنی، به پیدایش شبکه‌های عصبی رقابتی بدون ناظر (خود سازمانده) منجر می‌شود.در شبکه عصبی خود سازمانده کوهونن (SOFM)، تعدادی نرون عصبی که معمولاً در یک توپولوژی مسطح کنار یکدیگر چیده می‌شوند، با رفتار متقابل روی یکدیگر، هدف اساسی شبکه خود سازمانده کوهونن را انجام می دهند. هدف اساسی شبکه خود سازمانده کوهونن، تبدیل الگوی ورودی با ابعاداختیاری به یک نقشه گسسته یک یا دو بعدی است. هنگامی که الگوریتم شبکه عصبی کوهونن همگرا شد، نقشه مشخصات محاسبه شده بوسیله این الگوریتم، مشخصات آماری مهم فضای ورودی را نشان می دهد. به خاطر وجود این خاصیت، شبکه خود سازمانده کوهونن، قادر به خوشه‌یابی زمین لرزه‌های مشابه در یک طبقه یا دسته است.
شناسایی الگوی توزیع پسلرزه‌ها و خوشه‌یابی آنها یکی از مسائل مهم و پیچیده در زلزله شناسی است. آنچه که این امر را دشوار می‌سازد، ساختار متنوع موجود در منطقه مورد مطالعه و ماهیت تصادفی و غیرقطعی سیگنال‌های لرزه‌ای است.
در این پایان نامه برای پیش یابی توزیع مکانی و روند پسلرزه های زمین لرزه بم ایران (۲۰۰۳) و زمین لرزه چنگدو سیچوان چین(۲۰۰۸) از شبکه عصبی کوهونن استفاده خواهیم کرد. به طوری که با اعمال کاتالوگ پسلرزه های چند روز اول(به عنوان ورودی به شبکه عصبی کوهونن) می توان کانون تمرکز و روند پسلرزه‌های آینده را پیش یابی نمود.