8 基于主成分分析和BP神经网络的因素与地震及其预测方法探讨

·PAGE4· 数学建模30个案例分析 第2章 ·PAGE5·第28章基于主成分分析和BP神经网络的因素与地震及其预测方法探讨——因素与地震分析28.1案例背景地震是地壳快速释放能量过程中造成的振动。虽然预测地震是世界性难题，但当今科学界普遍认为，有可能反映地震前兆特征的指标不少于10个。已经有专业仪器在多个定点实时按秒记录这些指标的数据，期望通过对记录数据的分析研究找到地震的前兆特征。现已采集到某地2005年1月1日至2010年6月30日按小时观测的10多个指标的数据，和该地区该时期内已发生地震的时刻、经纬度、震级及震源深度的数据。这些数据中隐藏着地震发生的前兆特征。科学地截取这些数据的有用片段，对数据进行合理地预处理，用数学方法揭示地震前兆的数据特征，是一项很有意义的研究工作。案例所给数据中的这10多个指标，究竟哪些与地震的发生有关，有何种关系，是单一关系还是复合关系；除这10多个指标外还有哪些因素，以及题给指标中的哪些指标的哪种数学模型更能反映地震的前兆特征等等，人们迄今仍不很清楚，需要进行深入研究。地震数据的观测是持续进行的，随着时间的推移数据的规模会不断扩大。从中挖掘地震的前兆特征，必须有合理的数学模型，也必须有科学高效的算法分析平台。因此，本案例要求结合附件中给出的实际记录数据，尝试完成以下任务。任务一：分析数据特征，建立数学模型以度量各指标对地震发生的敏感程度。任务二：构造由某些或全部指标构成的综合指标，使其尽可能地集中反映地震发生前的数据特征的统计规律。任务三：结合题给数据，广泛查阅与地震相关的其它指标的数据和分析方法，建立数学模型来研究地震发生前的数量特征。28.2.模型建立本案例的研究背景是地震预报，这是一个目前的世界范围内尚未解决的科学难题。当前人们的科学技术水平尚未达到完全掌握地震的自身规律的程度。目前的地震预报主要是在对地震活动及相关测震指标的历史资料的基础上进行模型建立与分析预报的。28.2.1任务一指标对地震敏感程度分析将指标的敏感度定量为有震报准率，是许绍燮提出的R值评分多指标的其中之一，但又有所改进，具体认为，有震报准率值如下：(28-1)本案例中，数据的异常与平均值相比较，将各数据标准化如下：(28-2)式中：——指标标准化的数值；——原始数据；——一列数据的最小值；——一列数据的最大值。本章利用VB程序（程序详见28.3.1）统计在平均值上下10%~100%之外数据个数，除以有效数据总数，若满足如下公式，则认为异常：(28-3)统计满足此异常标准的幅度，即偏离平均的百分比，由于各个指标的分布情况不同，故不同，选取满足的百分比。在异常指标中找寻预测有效的数据，与异常数据之比即为最终敏感度，由于选取不同，的结果不同，根据实际情况，地震预报的不准确性，选择值较小的，比较各个数据的报准率，得出结论。最终统计结果如表28.1。表28.1：12个指标对地震敏感度的统计表指标标准化的平均值有效数据总数异常数据总数预测有效的数据总数异常度报准率幅度电磁波幅度EW0.7610594816841310.0085740.00242110%电压0.659286463567513710.1620720.0094510%气压0.46155248168495120.0102770.02424260%水温0.033444813923160.0047990.02597410%水位0.6739694816867862810.1408820.04140940%电磁波幅度NS0.64390448168573340.0118960.05933710%雨量0.103117481681600.00033200%气温0.4990124816848813780.1013330.07744370%气氡0.064624816864368320.0172730.12927380%地温0.84935748165175240.0036330.13714340%倾斜仪NS0.4516541947530465840.1564060.191727100%倾斜仪EW0.370851071617984870.1677860.270857100%根据以上分析得出则各指标对地震发生的敏感度比较排序如下：倾斜仪EW>倾斜仪NS>地温>气氡>气温>电磁波幅度NS>水位>水温>气压>电压>电磁波幅度EW>雨量。28.2.2任务二基于主成分分析法的综合指标模型对题中所给的有可能反映地震活动前兆特征的12个指标（电压、电磁波幅度EW、电磁波幅度NS、地温、水位、气温、气压、水温、气氡、雨量、倾斜仪NS、倾斜仪EW）的分析发现，这些指标可以从不同的侧面反映了地震活动的相关特征。这12个指标中，两两之间还可能存在一定的相关性。此外，在实际的地震预报计算分析过程中发现，常常有些指标参数在某些地震前会出现比较明显的异常，而另一些指标参数并并没有表现出较大的异常；而在正常情况下（无震），也常常会发生某些指标参数出现明显异常的现象，而其他一些指标参数并不出现异常变化。正是指标测量数据的这些特点，给地震预报分析带来的很大的困难。为解决指标参数数据异常变化不一致而带来预报意见不同的影响，构造由全部指标构成一个综合预报指标，并尽可能反映地震发生前指标数据数量特征的统计规律，本章拟采用主成分分析法简化多项预报指标参数，构建地震预报研究的综合指标。28.2.2.1主成分分析法原理主成分分析法可以把多个描述样本特征的、并且可能具有一定相关性的多个指标参数化简为少数几个综合指标的一种统计分析方法。因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。故主成分分析法利用降维的思想，能够在力保原始数据信息，最大限度地减少信息丢失的基础上，对高维变量空间进行降维处理，能够对原始变量系统进行最佳的综合与简化，它可以客观地确定各个指标参数的权重，避免主观判别带来的随意性。在原始数据的基础上，利用主成分分析法经过线性变换和舍弃部分信息，可以找出由若干指标组合而成的综合指标，即若干个主成分。而这些主成分就可以尽可能地反映原来指标的特征与信息，同时彼此间相互独立。设原始变量为，进行主成分分析后得到的主成分（综合变量）为（），它们是的线性组合。新变量构成的坐标系是在原坐标系经平移和正交旋转后得到的，称空间为维主超平面。在主超平面上，第一主成分对应于数据变异（贡献率）最大的方向。对于，依次有。因此，是携带原始数据信息最多的一维变量，而维主超平面是保留原始数据信息量最大的维子空间。主成分分析法的步骤如下：（1）为了排除数量级和量纲不同带来的影响，首先对原始数据进行标准化处理，标准化处理公式如下：（）（28-4）式中位第个指标第个样本的原始数据；和分别为第个指标的样本均值和标准差。（2）根据标准化数据表，计算相关系数矩阵，其中（28-5）（3）计算R的特征值和特征向量。根据特征方程，计算特征根，并使其从大到小排列：，同时可得对应的特征向量，它们标准正交。称为主轴。这里的I为单位矩阵。（4）计算贡献率和累计贡献率（28-6）（28-7）（5）计算主成分（28-8）这时，各主成分相互独立。（6）综合分析。一个维主超平面究竟以多大的精度来近似代替原始变量系统，才能确保尽可能多的原始数据信息？这可以通过求累计贡献率来判断。一般取的最小变量（），就可以确定主超平面的维数，从而可对个主成分进行综合分析。（7）根据主成分分析得到的主成分和相应的权值（贡献率），计算本文定义的反映地震活动表现异常特征的综合指标：（28-9）由于个主成分已基本保留了这些预报指标参数的数据信息，所以综合指标包含了这些指标参数从不同方面反映地震活动的基本特征。本章选择题给全部指标参数（12个）进行主成分分析计算。28.2.2.2基于主成分分析法的综合指标模型由于题中所给测量数据的不完整性，本章选取2005年10月29日1:00—2008年12月31日23：00的12个指标的27839组数据进行分析计算，此段之间内发生地震6次。做出12个指标数据随时间的变化过程曲线，结合6次地震发生时间，可以看到虽然地震发生前某些指标参数出现异常，但并不是每次地震前均会出现明显异常，而且各指标参数的异常变化各有所异，大部分指标参数的变化也并不显著。运用主成分分析法的理论，本章编写Matlab程序（程序详见28.3.2）对附件2（12个指标的27839组数据）进行主成分分析计算，得到12个指标参量在个各主成分中的系数（特征向量）及特征值与贡献率，见表28.2。图28.1为6次地震发生前后的一些参量随时间变化的曲线，参数计算的累积时间为30个月，滑动步长为1个月，从图中和一些文献可以看到，一些参量出现较为明显的异常，另一些参量的异常变化则不明显。图28.16次地震气温、倾斜仪EW、电压、地温随时间的变化表28.2为通过主成分分析法得到的上述参量在各主成分中的系数（特征参量）即特征值与贡献率。表5-2各参量在各主成分的系数（特征向量）、特征与贡献率主成分1主成分2主成分3主成分4主成分5主成分6电压-0.01703-0.275080.0556690.6301050.155404-0.38662电磁波幅度EW0.360851-0.44905-0.28043-0.020840.0448260.108391电磁波幅度NS0.364195-0.4391-0.27993-0.004590.0472040.101636地温0.2437290.294381-0.06040.1817930.2460450.36811水位0.3564470.379839-0.099650.2242820.033099-0.07456气温0.158494-0.071990.68592-0.0846-0.07488-0.08253气压-0.323860.379344-0.374770.174520.0836820.052405水温-0.10236-0.118640.3127290.2649110.3548080.711377气氡0.3109220.1841550.1869920.4402020.042456-0.24689雨量0.0206790.0367740.019224-0.365780.868816-0.32486倾斜仪NS-0.42272-0.196920.1908570.0828210.037748-0.05093倾斜仪EW0.3662270.2484580.214058-0.27738-0.11580.051783特征值2.9322.20191.74011.2010.97850.8853贡献率24.43%18.35%14.50%10.01%8.15%7.38%累积贡献率24.43%42.78%57.29%67.29%75.45%82.83%续表5-2主成分7主成分8主成分9主成分10主成分11主成分12电压0.103456-0.55580.156938-0.041360.064989-0.009917721电磁波幅度EW0.003580.0919190.0933860.055016-0.124290.73461098电磁波幅度NS-0.002220.1158050.1227610.119419-0.31508-0.664516287地温0.778985-0.01982-0.10775-0.042180.023215-0.007533865水位-0.2814-0.04712-0.197330.7310310.0798640.025515694气温0.103182-0.09016-0.238010.109176-0.620920.082132464气压-0.10859-0.054720.265591-0.04426-0.687870.100562236水温-0.40432-0.049120.065601-0.019030.069931-0.008928938气氡-0.13510.6421430.142082-0.356480.0003270.006545834雨量-0.053450.0279540.002674-0.00442-0.004220.000242415倾斜仪NS0.3096260.4069890.408070.5507690.0535980.031204522倾斜仪EW-0.01962-0.272590.763428-0.011390.087447-0.00194461特征值0.66610.57020.41140.29080.0970.0253贡献率5.55%4.75%3.43%2.42%0.81%0.21%累积贡献率88.38%93.13%96.56%98.98%99.79%100.00%由表数据可得，取7个主成分时，累积贡献率已达到88.38%>85%，当取8个主成分时，累积贡献率已达到93.13%。这表明取前7个主成分已包含了样本中的绝大部分信息量。本章取前7个主成分根据式28-9计算地震强度综合指标，图28.2为6次地震前后震中附近地区地震强度综合指标随时间变化曲线。图28.26次地震前后震中附近地区地震强度综合指标随时间变化曲线选取其中典型的5次地震进一步放大分析，得到每次地震时刻随时间变化情况，见图28.3所示。图28.3典型的5次地震综合指标随时间变化由图中看出在5次地震前，值基本出现明显的异常变化，3次出现增长异常，2次出现减少异常，可见综合指标可以较好的反映地震活动异常的综合特征。图28.4为主成分1随时间的变化曲线，从图中可以看到的基本形态大致由主成分1确定，这样主成分中权重较大的因素大致为地震的影响的主要因素。图28.4主成分1随时间变化情况将各因素的权重相比较可以得出，值基本由水位、电磁波幅度EW、电磁波幅度NS、倾斜仪EW和倾斜仪NS这几个指标确定。28.2.3任务三地震发生前数量特征的BP神经网络模型在地震预报中，地震前兆及测震学指标的异常变化与未来地震震级大小有一定关系。但是指标异常与地震之间有较强的不确定性，指标数据与未来地震的震级等之间具有较强的非线性关系，很难通过某些解析表达式进行描述表达。考虑到神经网络是一种高度自适应的非线性动力系统，而通过BP神经网络从实例地震库中提取典型震例进行模拟学习，可以得到输入与输出之间的高度非线性映射。因此使用BP神经网络可以。本模型就是运用BP神经网络来建立起输入与输出之间的非线性关系，分析研究地震发生前的数量特征。28.2.3.1BP神经网络模型理论80年代中期，人工神经网络理论和应用的研究开始在世界范围内重新兴起，并且在模式识别、信号处理、预测评估、组合优化及知识工程等领域有广泛的应用。近20年来神经网络模型理论在中国地震预报领域也有了一定的应用。人工神经网络系统是一种高度自适应的非线性动力学系统，它可以通过对大量样本的学习来抽取出隐含在样本中的因果关系。这一思想与我们从大量地震指标数据信息中总结规律预报地震思路不谋而合。由于神经网络是由大量神经元有机组合而成的一个非线性模型系统，可以表达复杂的非线性关系，而且它不要求分析对象满足一定的规律，因此将神经网络方法用于地震指标数据的分析与处理中，将是十分有效的。由Rumelhart和McClelland提出的误差反向传播（ErrorBack—Propagation）神经网络模型与算法即为BP神经网络模型，该模型目前在实际应用中使用最广泛的神经网络模型之一。它具有多层感知机结构，除具有输人层和输出层以外，还可含有一个或多个隐层。BP学习算法是一种多层前馈网络所使用的监控式学习算法。其基本思想为：使用梯度搜索技术，使网络的实际输出与期望输出均方差最小。网络的学习过程是一种误差边向后传播边修正权系数的过程，它包含前馈计算阶段和反向调整权系数阶段（输出层误差反向传向输入层并逐层调节权重）。图28.5神经元示意图图28.5为人工神经元的示意图，它有多个输入通道，信息经过这些通道进行加权之后输入到该神经元中，再进行相加并进行一定的函数转换后，形成一个输出信息，此输出信息再经过输出通道加权之后传给另外一些神经元，每个神经元的作用相当于一个加法器及信息转换器，即（28-10）（28-11）函数常取为sigmoid函数：（28-12）各神经元之间通过连接通道可进行许多不同的连接，图28.6是本文采用的一种含一个中间层（隐蔽层）的前向传输网络，输入节点可有多个（n个），输出节点也可以有多个（m个）。图28.6BP神经网络模型针对选用的这种前向传输网络模型，本文采用众所熟知的BP算法，它是求多层前向感知器的实际输出与期望输出之间的均方差的一种迭代梯度算法，这种算法要求非线性函数连续可导。以图28.6所示的网络为例说明BP算法的运用过程，这相当于由多个神经元组成的系统。该网络由两个基本网络层——隐蔽层和输出层组成。图中，表示第个输入信号，即具有不同特征的学习样本，表示结点的输出信号，为由输入结点至隐蔽层结点的加权，为由隐蔽层至输出层结点的加权，为期望输出。当第个输入时，隐蔽层结点的输入加权和为：（28-13）相应的输出为：（28-14）式中，为的转移函数，本案例采用sigmoid函数，如式28-12所示。同样，输出层结点的输入加权和为：（28-15）对应的最后输出为：（28-16）误差函数采用：（28-17）为了使误差函数最小，采用梯度下降法求优化数值。对于隐蔽层至输出层的加权调节量为：（28-18）相应的由输入至隐蔽层的加权调节量为：（5-19）这里为训练速率系数（本案例取值为0.01）。学习训练时，先将各权置一随机小数，并逐一选择训练对（），计算（）由输出层向输入层计算加权修正量，加在原权值上，然后使用新权值重复计算输出。当实际输出与期望输出小于给定误差时退出。28.2.3.2测震指标因子分析将根据题中所给的12个测震指标（电压、电磁波幅度EW、电磁波幅度NS、地温、水位、气温、气压、水温、气氡、雨量、倾斜仪NS、倾斜仪EW，分别用表示）作为BP神经网络的输入层，并以在其后1各月内发生的最大地震震级信息作为目标输出，选取2005-2008年时间段内的输入层和输出层的历史数据资料，提取共计6个样本信息，见表28.3。表28.3测震指标因子数据（归一化处理前）样本编号次月最大震级126.873.904.8917.75-35510.5515.93965.3717.6311.130.03-0.38-2.002.3226.72-2.154.1517.57-35255.9831.40948.1717.3711.140.111.06-0.613.6326.88-3.522.8117.57-34206.4010.80960.1217.0010.530.01-2.00-0.483.1426.96-3.303.0517.57-34150.0112.42959.7516.9011.230.04-1.99-0.513.1525.66-0.695.1317.61-33444.7520.19955.8416.846.080.43-2.000.293.2626.730.516.5117.62-34330.7129.72949.0617.4824.000.25-2.000.293.028.2.3.3基于BP神经网络模型的构建BP神经网络输入的一维代表一个特征，当神经网络的输入是多维时，要识别的模式就有多个特征。分析题中所给的12个测震指标历史数据发现，不同指标数据由于量纲的差异，数值的最大相差达4个数量级，该数据如果不经过处理直接输入网络进行运算，很可能会出现数据奇异。因为奇异样本数据会引起神经网络训练时间增加，并且可能使神经网络无法收敛，最终导致训练失败。所以本文在构建BP神经网络之前首先要对样本数据做归一化处理，以防止某些指标的数据因数值小而将其特征淹没。一般将各输入量归一化到区间，但由于在编写Matlab计算程序中运用到的Sigmold函数在和区间内的变化极为缓慢，很容易陷入神经网络的饱和区，因而本案例将各输入量均归一化至区间。在输入层，采用公式28-20作归一化处理：，为网络输入（28-20）本章认为，输入层数据的归一化方处理能够很好的解决数据奇异问题，但最后还需对输出层数据进行反归一化处理。对于给定输入，得出输出结果并和已知结果做比较分析，使用归一化方法具有明显的优越性。即在输出层，采用式28-21做反归一化处理：，为网络输出（28-21）归一化处理后的结果见表28.4。表28.4归一化处理后的测震指标因子数据样本编号次月最大震级10.850.900.550.900.100.300.900.900.330.150.520.100.120.750.250.390.110.200.900.100.640.330.290.900.590.930.850.100.100.100.610.100.660.270.300.100.100.630.59240.900.120.150.100.630.160.640.160.330.170.100.620.59250.100.410.600.300.900.460.460.100.100.900.100.900.65460.760.540.900.340.560.830.140.740.900.550.100.900.531本章运用Matlab软件及其工具箱编写程序（程序详见28.3.3），建立一个三层前馈BP网络，输入层采用12个神经元，以上述12个测震指标因子为输入节点，输出层用次月最大震级作输出节点，通过多次比较训练，最终确定隐含层神经元数为14。利用表28.4中归一化处理后的数据对BP神经网络进行训练，训练后的网络才有可能满足实际应用的要求。BP神经网络创建与训练过程分析如下。BP神经网络创建：Thrshold=net=newff(Thrshold,[14,1],{'tansig','logsig'},'traingd');Thrshold设定了网络输入向量的取值范围为[0.1,0.9][14,1]表明隐含层神经元个数为14，目标输出层的神经元个数为1输入层与隐含层间的传输函数为tansig隐含层与输出层间的传输函数为logsig误差反向传播函数采用梯度下降法traingd，BP神经网络训练：net.trainParam.epochs=10000;%训练次数net.trainParam.goal=0.001;%误差阈值net=train(net,P,T)

;变量P和T分别表示网络的输入向量和目标向量．运行结果如上图所示：可以看出，经过2144次训练后，拟合效果非常理想，网络的目标误差达到要求，网络训练误差分析见图28.7。图28.7网络训练误差图（说明：Goal为设定的误差阈值，即期望误差，取0.001；Train为训练过程中误差变化曲线，训练后误差9.9966e-04。）再将输出结果经过反归一化处理后得到预报震级和实际震级相比较可得到网络的MSE预报误差，如表28.5所示。可以看到神经网络能正确地识别这6个学习样本，利用BP神经网络模型得到的最大计算震级与实际震级之差为级，预报误差比较小，内检验正确为很高。因此，模型的性能基本可以满足实际应用要求，BP神经网络预测模型MSE误差分析见表28.5。表28.5BP神经网络预测模型MSE误差分析表样本编号实际震级预报震级震级差预报误差12.32.344-0.0440.01907923.63.5780.0220.00600133.13.173-0.0730.02353743.13.0180.0820.02648853.23.232-0.0320.01007963.02.9820.0180.00614328.3VB及MATLAB实现根据28.2模型建立过程，本章利用VisualBasic及MATLAB软件编程实现案例中的相关分析过程。28.3.1预报效能指标R值评分法敏感度分析任务一预报效能指标R值评分法敏感度分析的VB程序代码如下：PrivateSub电压_Click()DimtxtLineAsStringDima(100000)AsDoubleDimsumAsDoubleDimaverageAsSingleDimb(100000)AsStringDimc,dAsDoubleDimNAsIntegerDimkAsIntegerN=0DimTxt()AsString,wAsIntegerDimi,jAsLongi=0j=0w=FreeFileOpen"c:\1\电压-副本.txt"ForInputAs#wDoWhileNotEOF(w)LineInput#w,txtLineb(j)=txtLinej=j+1IftxtLine<>""Thena(i)=Val(txtLine)sum=sum+a(i)i=i+1EndIfLoopClose#waverage=sum/ic=0d=0Fork=1To10N=0c=0d=0Forj=1To100000Ifb(j)<>""AndVal(b(j))<average*(1-0.1*k)Thenc=c+1If(j-7337>0Andj-7337<720)Or(j-13709>0Andj-13709<720)Or(j-19453>0Andj-19453<720)Or(j-19779>0Andj-19779<720)Or(j-29456>0Andj-29456<720)Or(j-30754>0Andj-30754<720)Or(j-42466>0Andj-42466<720)ThenN=N+1EndIfElseIfb(j)<>""AndVal(b(j))>average*(1+0.1*k)Thend=d+1If(j-7337>0Andj-7337<720)Or(j-13709>0Andj-13709<720)Or(j-19453>0Andj-19453<720)Or(j-19779>0Andj-19779<720)Or(j-29456>0Andj-29456<720)Or(j-30754>0Andj-30754<720)Or(j-42466>0Andj-42466<720)ThenN=N+1EndIfEndIfNextjIfc+d<i/5AndN<>0ThenPrint"电压",average,c,d,i,N,N/(c+d),kEndIfNextkEndSub以上仅给出了电压指标的R值评分法敏感度分析计算程序，其余指标的敏感度分析计算类似，故不再累述。28.3.2主成份分析法任务二综合指标模型的主成分分析法Matlab程序代码如下：%求矩阵data的平均值矩阵A和标准差矩阵B，并对data进行标准化%m是样本数目，n是指标数目data=xlsread('2005-2008.xls');[m,n]=size(data);A=mean(data);A=ones(m,1)*A;B=std(data);D=data-A;fori=1:nD(:,i)=D(:,i)/B(1,i);end%求标准化后的平均值矩阵A1和标准差矩阵B1A1=mean(D);A1=ones(m,1)*A1;B1=std(D);%求相关系数矩阵Rfori=1:nforj=1:nR(i,j)=(D(:,i)-A1(:,i))'*(D(:,j)-A1(:,j));endendfori=1:nforj=1:nR(i,j)=R(i,j)/(m*B1(1,i)*B1(1,j));endend%求相关系数矩阵的特征值和特征向量[V,W]=eig(R);%根据求得的贡献率计算综合指标W1newdata(1,:)=newdata(1,:)*0.2443;newdata(2,:)=newdata(2,:)*0.1835;newdata(3,:)=newdata(3,:)*0.1450;newdata(4,:)=newdata(4,:)*0.1001;newdata(5,:)=newdata(5,:)*0.0815;newdata(6,:)=newdata(6,:)*0.0738;newdata(7,:)=newdata(7,:)*0.0555;W1=newdata*data’;W1=sum(W1);运用以上程序，对地震因素（12个指标的27839组数据）进行主成分分析计算，即可得到12个指标参量在个各主成分中的系数（特征向量）及特征值与贡献率，结果列于表28.2中。28.3.3BP神经网络模型算法任务三地震发生前数量特征的BP神经网络Matlab程序代码如下：%data是对地震样点数据标准化后得到的矩阵P=data(1:6,1:12);P=P';T=data(1:6,13);T=T';%创建网络net=newff([0.10.9;0.10.9;0.10.9;0.10.9;0.10.9;0.10.9;0.10.9;0.10.9;0.10.9;0.10.9;0.10.9;0.10.9],[14,1],{'tansig','logsig'},'traingd');%设置网络参数，最大迭代次数为10000，