TWI444648B - 運用類神經網路之現地型地震即時分析系統及其方法 - Google Patents

Description

運用類神經網路之現地型地震即時分析系統及其方法

本發明關於一種地震數據分析技術，尤指一種運用類神經網路模組之現地型地震即時分析系統及其方法

台灣處於太平洋地震帶上，位於歐亞板塊與菲律賓海板塊的交界處，每年約有四千餘筆的地震發生，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築多為超高樓層建築，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，對該層住戶之居住環境及生命安全造成威脅。

地震波於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，為高度複雜性之線性及非線性行為，其非線性行為對於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之地震特性參數，地震分析系統之硬體設計與分析方式之搭配與建置極其重要。

有鑑於習知技術問題，本發明之一實施例提供一種現地型地震即時分析系統，即時分析一地震於一偵測地點偵測到之一初達波(Primary Wave)，以預測到達該偵測地點的該地震之一剪切波(Shear Wave)，該系統包含：一訊號預處理模組，接收於該偵測地點擷取該初達波之複數加速度訊號，並對其進行一硬體預處理(hardware pre-processing)；及一嵌入式運算主機，包含一運算處理器，接收來自該訊號預處理模組之該等加速度訊號，並輸入內建之一類神經網路模組中，以計算該地震之複數地震特性參數，其中該類神經網路模組包含形成四層且彼此連結之複數神經元(Neuron)，各該神經元具有一連結權重(Link Weighting)對應於與次層(next layer)另一該神經元之連結，各該連結權重係以實際量測之複數歷史地震資料輸入該類神經 網路模組中反覆調校而成。本發明之一實施例中，該歷史地震資料係選自複數歷史地震個別之複數歷史加速度訊號、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/次達波時間差之群組或其任意組合。

本發明之一實施例中，類神經網路模組包含一輸入層、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，該輸出層包含複數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，且該等四階輸出值包含該等地震特性參數。

本發明之一實施例中，該輸入層之各該一階神經元分別接收於一分析時段內之該等加速度訊號，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之各該加速度訊號值；該二階隱藏層之各該二階神經元分別接收各該一階神經元之該一階輸出值、並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之一一階連結權重，分別乘上各該一階神經元之各該一階輸出值後之和、再加上一第一誤差修正常數；該三階隱藏層之各該三階神經元分別接收各該二階神經元之各該二階輸出值、並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之一二階連結權重，分別乘上各該二階神經元之各該二階輸出值後之和、再加上一第二誤差修正常數；及該輸出層之各該四階神經元分別接收各該三階神經元之各該三階輸出值，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之一三階連結權重，分別乘上所接收各該三階神經元之各該三階輸出值後之和、再加上一第三誤差修正常數。

本發明之一實施例中，該分析時段為於該偵測地點偵測到該初達波起1-10秒內。

本發明之一實施例中，該嵌入式運算主機之該運算處理器篩選該歷史峰值地表加速度小於500(gal)、該歷史初達波/次達波時間差小於50(秒)之 該等歷史地震資料，以輸入該類神經網路模組中進行反覆調校。

本發明之一實施例中，該嵌入式運算主機之該運算處理器將篩選後的該等歷史加速度訊號先進行資料轉換，再輸入該類神經網路模組中，以得到複數預測地震特性參數，並比對實際量測之該等歷史地震資料，以調校各該神經元之各該連結權重。前述資料轉換包含將特定時間間隔取得的歷史加速度訊號資料(執行即時分析任務時則為及時地表加速度訊號資料)，經過正規化轉換，輸入該輸入層中對應之一階神經元。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。

本發明之一實施例中，該訊號預處理模組包含一濾波電路與一偏移值去除電路，該濾波電路對該等加速度訊號執行該硬體濾波程序，該偏移值去除電路對該等加速度訊號執行該硬體去除偏移值程序。

本發明之一實施例中，該訊號預處理模組包含一積分電路，該積分電路對該等加速度訊號執行一硬體積分程序，以將該等加速度訊號轉換為該初達波之該地表速度與該地表位移。

本發明之一實施例中，該嵌入式運算主機執行一積分運算程序，以將該等加速度訊號轉換為該初達波之該地表速度與該地表位移。

本發明之一實施例中，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之一韌體中、或在一磁碟操作系統(Disk Operating System)環境中執行至少一演算法程序以分析該地震。

本發明之一實施例中，該嵌入式運算主機之運算處理器透過類神經網路模組計算之該等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，對應於位在該偵測地點之一建築物上一特定樓層。該歷史地震資料係選自複數歷史地震個別之複數歷史加速度訊號、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，以及對應該建築物之複數歷史樓層放大係數與複數歷史樓層地震參數之群組或其任意組合。

本發明之一實施例中，提供一種現地型地震即時分析系統，即時分析一地震於一偵測地點偵測到之一初達波(Primary Wave)，以預測該地震到達該偵測地點上一建築物之一剪切波(Shear Wave)，該系統包含：一訊號預處理模組，接收於該偵測地點擷取該初達波之複數加速度訊號，並對其進行一硬體預處理(hardware pre-processing)；及一嵌入式運算主機，包含一運算處理器，接收來自該訊號預處理模組之該等加速度訊號，並輸入內建之一類神經網路模組中，以計算該地震之複數地震特性參數，其中該類神經網路模組包含形成四層且彼此連結之複數神經元(Neuron)，各該神經元具有一連結權重(Link Weighting)對應於與次層(next layer)另一該神經元之連結，各該連結權重係以實際量測之複數歷史地震資料輸入該類神經網路模組中反覆調校而成；其中，該等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，對應於位在該偵測地點之一建築物上一特定樓層。

本發明之一實施例中，提供一種現地型地震即時分析方法，即時分析一地震於一偵測地點偵測到之一初達波(Primary Wave)，以預測到達該偵測地點的該地震之一剪切波(Shear Wave)，該方法包含：對於該偵測地點擷取之複數加速度訊號進行一硬體預處理；傳送經硬體預處理後之該等加速度訊號至一嵌入式運算主機；及將該等加速度訊號輸入內建於該嵌入式運算主機上之一類神經網路模組中進行計算；及輸出該類神經網路模組所計算出該地震之複數地震特性參數；其中該類神經網路模組包含形成四層且彼此連結之複數神經元(Neuron)，各該神經元具有一連結權重(Link Weighting)對應於與次層(next layer)另一該神經元之連結，各該連結權重係以實際量測之複數歷史地震資料輸入該類神經網路模組中反覆調校而成。

本發明之一實施例中，透過該類神經網路模組計算之該等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，對應於位在該偵測地點之一建築物上一特定樓層。

本發明之一實施例中，該硬體預處理包含一硬體濾波程序與一硬體去除偏移值程序。

本發明之一實施例中，更包含執行一積分運算程序，以將該等加速度 訊號轉換為該初達波之一地表速度與一地表位移。本發明之一實施例中，該硬體預處理包含一硬體積分程序，以將該等加速度訊號轉換為該初達波之一地表速度與一地表位移。

於本發明之一實施例，其中更包含透過該嵌入式運算主機篩選該歷史峰值地表加速度小於500(gal)、該歷史初達波/次達波時間差小於50(秒)之該等歷史地震資料，以輸入該類神經網路模組中進行反覆調校。

本發明之現地型地震即時分析系統與方法具有以下特點：

(一)即時快速：在地表強震預警方面，本發明可於當地收錄地震資料的短時間內，透過訓練及驗證後之類神經網路地表分析模組而得推估解，其預警震度若達警戒值則進行後續避難動作。就建物強震預警方面，透過訓練及驗證後之類神經網路建物分析模組而得推估解，相對一般需經結構動力之力學分析流程，其運算速度較快，符合結構物快速反應評估之強震預警需求。

(二)準確性高：其類神經網路之分析資料，包含長期觀測之歷史地震資料庫，和使用有限元素法建置之建物受震資料庫。前者為長期觀測之實際成果，又後者之參考值與建物實際受震量測的相關數據大多相符，故吾人透過此兩種資料庫，分取各20%驗證本法與實際對應之地表受震情形和建物反應參考解，約80%的資料和其誤差小於20%。

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之物理特性開發強震即時警報系統(Earthquake Early Warning System,EEWS)，主要透過預先建置的類神經網路模組，並根據先到達的初達波(P波)加速度訊號，來預測後續剪切波(S波)可能造成的相關地表及建物受震情形。吾人可解析地震波加速度歷時資訊，經資料轉換至類神經網路進行分析以判識地震預警資訊供防災決策之用。所得之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之類神經網路分析模組，其具有獨立之類神經網路架構及連結權重，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。可輸出之資訊包括：(1)地震 特性參數(如峰值地表加速度[PGA；Peak Ground Acceleration]及剪切波[S波]到達時間)，以及(2)樓層地震參數(如建築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)，提前預警並進行減災策略，以減少該地震對於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之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訊號之運算結果，其即時運算並輸出預測值所需之運算需求極其龐大。

基於對地震訊號特性及過去分析過程遭遇之障礙，本發明之下列實施例提供現地型地震分析所需之數種最佳化硬體架構與最佳化運作程序，以便以短時間擷取之初達波(P波)資料、準確預測剪切波(S波)於偵測地點之峰值地表加速度，達到現地即時預警效果。本發明中軟體硬體系統之整合設計、硬體元件之選擇、類神經網路模組之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之現地型地震即時分析系統與方法。根據本發明之系統與方法，若擷取測站所偵測之初達波前段3秒數據演算出地震相關參數並提出預警，則可將預警範圍由距震央70公里外大幅拉近，例如降至為距震央10-50公里外；但實際數據仍受限於實際採用的硬體/軟體/韌體、地震波傳遞路徑的地層特性以及其他可能變數。

請參閱第1圖，其係本發明一實施例中現地型地震即時分析系統之系統架構方塊圖。圖中現地型地震即時分析系統10包括嵌入式運算主機100與訊號預處理模組200；其中主要由訊號預處理模組200進行原始初達波加速度訊號之訊號預先處理，而由嵌入式運算主機100進行類神經網路模組之計算程序。

由於系統設計之其中一個目標在於縮短地震參數之運算時間以便提前預警，在軟體開發方面，為能使整體系統於各資料截取時間點完成該步驟之疊代運算，將類神經網路分析拆解為分散運算，其能逐步存放運算過程的疊代數值並於初達波後1-10秒內逐秒計算地震特性參數。而硬體的配置上必須有效降低類神經網路模組運算端的運算負擔。視不同的實際硬體組件配置方式，於一實施例中嵌入式運算主機100與訊號預處理模組200可藉由一特製主機板串聯所有必要硬體元件、輔以適當之匯流排與訊號介面 (連接器)而實現。於另一實施例中，嵌入式運算主機100與訊號預處理模組200可由獨立的硬體組件分別實現，再以合適的訊號纜線與訊號介面串聯。

於一實施例中，地震初達波之加速度訊號來源為設置於某偵測地點之地表強震儀(圖未示)。偵測地點之選擇可以為人口稠密處或重要建築物附近；強震儀例如可選用Kinemetrics公司之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、並輸出X、Y、Z三個軸向之加速度訊號。強震儀擷取輸出加速度訊號之時間間隔通常可以自行設定，但於一實施例中，合適的擷取或輸出頻率為每秒200次。

於第1圖中，訊號預處理模組200具有濾波電路210及偏移值去除電路220。濾波電路210對偵測地點所設強震儀輸出的初達波加速度訊號執行硬體濾波程序，意即透過濾波電路210濾除初達波加速度訊號中不必要之環境雜訊，一則降低後端需分析的數據量、一則提高分析準確率。偏移值去除電路220對該初達波加速度訊號執行一硬體去除偏移值程序，意即透過偏移值去除電路220將初達波加速度訊號進行偏移調整，使初達波加速度訊號之基礎值回到零；一個例子為先取長分析時段(例如9~11秒)之初達波加速度訊號的平均值作為訊號偏移植修正參數，即能將擷取之加速度訊號或數據進行偏移修正。

整體而言，訊號預處理模組200接收於偵測地點擷取之複數初達波加速度訊號，並對其進行一硬體預處理(hardware pre-processing)，即以硬體電路手段對初達波加速度訊號進行訊號預先處理。硬體預處理可包括一硬體濾波程序與一硬體去除偏移值程序，或其他硬體電路可執行之訊號處理程序。不過，由於在本發明之方法中，初達波加速度訊號需要被轉換為初達波之地表速度(Ground Velocity)與地表位移(Ground Displacement)數據，且此過程需要對初達波加速度訊號或數據執行「積分」處理，因此如欲進一步降低後端嵌入式運算主機100中類神經網路模組111之運算負擔，可在一實施例中，令訊號預處理模組之硬體預處理包含一硬體積分程序。於此，如第2圖所示，另一實施例中之訊號預處理模組200可進一步具備一積分電路230，以對初達波加速度訊號執行前述硬體積分程序，意即對初達波加 速度訊號進行硬體積分，而將初達波加速度訊號轉換為初達波之地表速度與地表位移；後續實施例將有相關說明。

第1圖中，嵌入式運算主機100具有運算處理器110、系統記憶體120、儲存單元130、訊號介面140與匯流排150。經過訊號預處理模組200進行硬體預處理後之初達波加速度訊號，將透過訊號介面140與匯流排150傳輸至運算處理器110進行運算。本實施例中儲存單元130可儲存任意地震資料或數據、以及類神經網路模組111必要的演算程序，嵌入式運算主機100之運算處理器1101包含類神經網路模組111，類神經網路模組111可將必要的演算程序加載至系統記憶體120，以便進行各種地震特性參數之運算。前述運算處理器110的類神經網路模組111所需執行演算程序，屬於本發明現地型地震即時分析方法之其中一部分。

於一實施例中，嵌入式運算主機100可由以磁碟作業系統(Disk Operating System；DOS)為基礎的電腦系統實現；所採用之磁碟作業系統可為微軟公司之MS-DOS或其他合適的版本。一個實驗中採用之例子為：以(1)鈦思科技公司(TeraSoft Inc.)開發之「Micro-Box x86 Based即時控制平台」(簡稱Micro-Box)，搭配(2)MathWorks公司(The MathWorks,Inc.)之Simulink工具軟體作為類神經網路模組演算程序開發工具。

其中，鈦思科技公司型號Micro-Box 3000(PCI Interface[即指Peripheral Component Interconnect interface，周邊元件互連介面])之Micro-Box系統具有以下主要之硬體規格：處理器Celeron® M 1GHz；系統記憶體為256MB DDR DRAM；儲存單元可為64MB Compact Flash card；標準PCI擴充匯流排等。換言之，於一實施例中，嵌入式運算主機100之硬體部分可由鈦思科技公司型號Micro-Box 3000所實現。

前述Simulink工具軟體是則是MathWorks公司開發的用於動態系統和嵌入式系統的多領域模擬和基於模組的設計工具。於一實施例中，嵌入式運算主機100中類神經網路模組111之演算程序乃以Simulink工具軟體進行編寫，並於鈦思科技公司前述Micro-Box系統上之DOS環境中執行，以實現本發明之現地型地震即時分析方法的至少其中一部份。換言之，此實 施例類神經網路模組111之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之運算處理器110的類神經網路模組111須執行以DOS為基礎(DOS-based)演算程序。

於另一實施例中，嵌入式運算主機之運算處理器可具有內建記憶體，透過特定之韌體(Firmware)編輯平台，可將本發明所需類神經網路模組111之演算法程序編寫於該運算處理器110之韌體中，而能以韌體執行方式進行高速運算。換言之，此實施例類神經網路模組111之一或多個演算法程序須能在該運算處理器110之韌體環境中執行，如第1圖與第2圖；意即，此類嵌入式運算主機100之運算處理器110須在本身韌體中執行類神經網路模組111所需的演算程序。一例為採用德國dSPACE公司之DS1103 PPC控制器板(Controller Board)，本發明之類神經網路模組演算程序仍可藉由Simulink工具軟體進行編寫，最後轉換成機械語言以植入其運算處理器(1 GHz)PPC 750GX的韌體中，如此即能以韌體執行方式進行高速運算。

有關嵌入式運算主機100所執行類神經網路模組111之演算程序、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，請合併參考後續之流程圖與相關說明。

請參閱第3A圖，其係本發明另一實施例中現地型地震即時分析方法之流程圖。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之各構成部分；但除非特別予以限定，本發明之方法各構成部分之間並無絕對的前後順序關係。

請一併參考第1圖與第3A圖，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：

步驟S310：對於一偵測地點擷取之一地震的初達波加速度訊號進行硬體預處理。本實施例中硬體預處理包括硬體濾波程序與硬體去除偏移值程序，由訊號預處理模組200之濾波電路210與偏移值去除電路220，分別對偵測地點現地擷取之地震初達波加速度訊號進行處理；於一實施例中，初達波加速度訊號擷取頻率為每秒200次。

步驟S320：傳送經硬體預處理後之加速度訊號至嵌入式運算主機。經 訊號預處理模組200進行硬體預處理後之加速度訊號，乃經訊號介面140傳輸至嵌入式運算主機100；這些加速度訊號可以經匯流排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，或暫存系統記憶體120等待被存取、運算。

前述部分係於現地型地震即時分析系統之訊號預處理模組200執行，下列部分則由嵌入式運算主機100之執行。

步驟S330：將加速度訊號輸入內建於嵌入式運算主機上之類神經網路模組中進行計算。步驟S340：輸出類神經網路模組所計算出地震之地震特性參數。有關類神經網路模組之定義、運作方式及計算過程將介紹如後。

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，類神經網路以神經元(neuron)、連結(link)、各連結權重(weight)及大量的並聯網路層來模擬此現象，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。本發明類神經網路模組之類神經網路由大量互相聯繫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路模型，透過大量的訓練樣本，令類神經網路學習輸入端與輸出端資料間的規則，其接收輸入端資料經過神經網路運算後得出一結果值，將此值與輸出端目標值的誤差反向傳遞回類神經網路修正連結權重，經由大量的學習次數逐步降低類神經網路計算結果值與實際目標值兩者之誤差，可稱之為「倒傳遞類神經網路」。

本發明之類神經網路模組經過資料轉換，將每一擷取時點的地震波加速度訊號轉換至介於0-1的數值資料，並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徵，依據地震歷時資料逐秒調整各層各階神經元數量及對應的連結權重，以適應實務上之需求。類神經網路模組之建置方式，首先取符合(1)地震規模0-8、(2)初達波與剪切波的時間差0-50秒內及(3)三軸向之峰值地表加速度PGA介於0-1000 gal間等三類條件之地震歷時資料作為類神經網路之分析資料，以期建立所輸入初達波之地表加速度訊號資料與該地震參數(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資料，本研究以每秒50點之取樣頻率針對初達波10秒內資料依時間長度分別建立輸入端資料；如令P波觸發時間為T0時，則分取T0-T1(第0-1秒)、T0-T2(第0-2秒)、T0-T3(第0-3秒)…T0-T10(第0-10秒)等數種相異時間間隔作為類神經網路模組中輸入層不同的一階神經元的輸入資料，再以該時間間隔之地震參數為目標值來建立兩者之映射關係。本發明是以四層倒傳遞類神經網路，依不同的初達波取樣值之時間間隔長度各別建立模型化之類神經網路模組，以找到最佳化之類神經網路模組版本。

不同的正規化方法其類神經網路模組之模型化方式也有所差異。同時，因相異的資料正規化方式會影響類神經網路之學習能力和使用的資料量，而龐大之資料量雖仍提高模型預測精確度但也令運算時間增加，為能在資料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之數種模組範例列舉如下：

(一)線性正規化

將地震初達波後10秒內之地表加速度訊號資料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訊號值，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訊號值進行線性正規化。

而在輸出層之四階神經元方面，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)垂直向上之峰值地表加速度PGA(門檻值0-1000)、(4)垂直向下之峰值地表加速度PGA(門檻值0-1000)、(5)向南之峰值地表加速度PGA(門檻值0-1000)、(6)向北之峰值地表加速度PGA(門檻值0-1000)、(7)向東之峰值地表加速度PGA(門檻值0-1000)、(8)向西之峰值地表加速度PGA(門檻值0-1000)、(9)垂直向之峰值地表加速度PGA的到達 時間(門檻值0-250)、(10)南北向之峰值地表加速度PGA(門檻值0-250)的到達時間與(11)東西向之峰值地表加速度PGA(門檻值0-250)的到達時間等11個物理量，做為原始物理量之目標值。原始物理量之目標值經由線性正規化轉化為0-1的值域內後，即能作為類神經網路模組之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之個數與連結權重。

一般而言，地表加速度訊號資料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訊號資料之正值或負值，轉為1或0之數值、並輸入一個對應的額外一階神經元中。

(二)指數正規化結合線性正規化

除直接使用地震加速度訊號資料之外，地震加速度訊號資料亦可區分為垂直、南北、東西等三軸六向之分量資料，故可將資料解析為垂直向上、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資料輸入端，則各方向每秒之資料取樣數為50點，整體而言一秒的時間間隔中其對應之輸入層一階神經元個數為300個。各方向的表加速度訊號資料若有缺值部分即予補零，考量加速度資料記錄精度至小數點第四位，而對於非零值部分經10000倍之放大後再以log10進行處理，最後使用門檻值0-8過濾並輔以線性正規化至0-1間，即能將地表加速度訊號資料由物理量轉換為適合類神經網路模組運算之輸入值。

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log10轉換並以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之四階神經元的輸出目標值。此外，在指數正規化過程中，為避免小於或等於0之數值經指數計算後會呈現負值或0，可將所有地表加速訊號值全部平移加1後再進行指數正規化轉換。

[例一] (1)輸入層一階神經元個數：100~1000；(2)輸出層四階神經元數：11

假設直接取用地表加速度訊號資料、每秒取樣50點、並將地表加速度訊號正負值進行向量轉換，欲輸入第0-1秒資料即需要100個一階神經元。以此類推，欲輸入第0-2秒資料即需要200個一階神經元；欲輸入第0-5秒資料即需要500個一階神經元；欲輸入第0-10秒資料即需要1000個一階神經元。

[例二] (1)輸入層一階神經元個數：300~3000；(2)輸出層四階神經元數：11

假設取用地表加速度訊號之六軸分量資料、每秒取樣50點，欲輸入第0-1秒資料即需要300個一階神經元。以此類推，欲輸入第0-2秒資料即需要600個一階神經元；欲輸入第0-5秒資料即需要1500個一階神經元；欲輸入第0-10秒資料即需要3000個一階神經元。

(三)傅立葉正規化結合線性正規化

將地震初達波之地表加速度訊號資料分類為T0-T1(第0-1秒)、T0-T2(第0-2秒)...、T0-T10(第0-10秒)等數種類別。由於傅立葉正規化所需資料量與2的乘冪相關，因取樣限制造成數據不足部分，可透過增加零值方式增加所需數據資料。另外，由於經由快速傅立葉轉換化為時頻域型式時，考量傅立葉頻譜資料具有對稱性，故只取前半部資訊作為輸入端數據，並取各模型之極值運用線性正規化轉化值域為0-1間。

在輸出端方面，針對描述各向峰值地表加速度PGA之六個地震參數，我們先以1000進行倍率放大再藉由log10運算轉化其分佈之值域，最後以0-5.7為門檻值進行線性正規化。而對於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。置於地震規模則運用0-8為門檻值和線性正規化方式進行轉換。

[例三] (1)輸入層一階神經元個數：33~257；(2)輸出層四階神經元數：11

假設直接取用地表加速度訊號資料、每秒取樣50點、並採用傅立葉轉換，欲輸入第0-1秒資料即需要(2⁶ /2)+1即33個一階神經元。以此類推，欲輸入第0-2秒資料即需要65個一階神經元；欲輸入第0-3、0-4、0-5秒資料即需要129個一階神經元；欲輸入第0-6、0-7、0-8、0-9、0-10秒資料即需要257個一階神經元。

[例四] (1)輸入層一階神經元個數：99~771；(2)輸出層四階神經元數：11

假設取用三軸地表加速度訊號資料、每秒取樣50點、並採用傅立葉轉換，欲輸入第0-1秒資料即需要[(2⁶ /2)+1]^＊ 3即33^＊ 9=99個一階神經元。以此類推，欲輸入第0-2秒資料即需要65^＊ 3=195個一階神經元；欲輸入第0-3、0-4、0-5秒資料即需要129^＊ 3=387個一階神經元；欲輸入第0-6、0-7、0-8、0-9、0-10秒資料即需要257^＊ 3=771個一階神經元。本發明之類神經網路模組為高度非線性動態系統，其以並聯神經元平行處理大量的輸入資料，誤差容忍性高，各個神經元包含部分的動態訊息和簡易之計算能力。當類神經網路模組由輸入層讀取資料後，各神經元加總前一層所傳遞之值(如式1)經由活化函數(sigmoid)(如式2)計算再傳遞給後一層神經元直至輸出層而得此次分析之結果值，再透過結果值與目標值來修正調節誤差。

其中： U：經由各連結權重(W)與其相連之上層神經元訊號相乘並加總之和

V：神經元之活化函數

I：隨機雜訊(Stochastic Noise)，可視為誤差修正常數，隨者每次疊帶而有隨機調整

i：神經元序號

j：上層神經元序號

本發明以倒傳遞類神經網路進行地表與建物之受震反應分析，其為監督式學習網路，預期類神經網路的目標值誤差將因輸入層之時間序列資料量增加而降低，但為了能在有限時間內爭取其早發佈地震警訊。故以初達波後1-10秒資料作為輸入端，再分別以地表受震情形(如地表加速度，Peak Ground Acceleration,PGA)與該區建物受震情形(如樓層最大加速度，Peak Floor Acceleration,PFA)為兩種目標值，建構兩種類神經網路模組(一為地表受震分析，輸入某分析時段內地表的歷史三軸加速度資料，輸出資料即為地表受震相關數據；另一為建物受震分析，輸入某分析時段內建築物之歷史三軸加速度資料，輸出資料即為建物受震相關數據)，再依分析結果逐步修正分別取得較優模組，針對不同的時間歷時加以細分，若輸入端之時間歷時較短則計算時間較少，可爭取更多的反應時間然精度較低；如輸入端時間較長則計算時間耗時較久，精度較高但會損失反應時間，是以吾人將針對實務需求分別套用各類模組，使其能盡早預警並逐步更新預測之相關地震參數，而達到防災實務上之預警精度與應變時間的要求。

請參閱第3B圖，類神經網路模組111係應用於地表受震狀況之現地型地震即時分析系統及方法。於一實施例中，針對地表受震分析而建置之類神經網路模組111包含形成四層且彼此連結之複數神經元(Neuron)，各神經元具有一連結權重(Link Weighting)對應於與次層(next layer)另一神經元之連結，各連結權重係以實際量測之複數歷史地震資料輸入類神經網路模組111中反覆調校而成。

於一實施例中，類神經網路模組111包含輸入層111a、一二階隱藏層111b、一三階隱藏層111c與輸出層111d。輸入層111包含100-1000個(或300-3000、33-257、99-771等數種變型)一階神經元n101、n102、n103、n104、n105....n1xxx；二階隱藏層111b包含10-500個二階神經元(依現地特性及實務現況經最佳化自動歸納調整而得)n201、n202、n203、n204....n230分別連結各一階神經元n101~n1xxx；三階隱藏層111c包含10-50個三階神經元(依 現地特性及實務現況經最佳化自動歸納調整而得)n301、n302、n303、n304....n330分別連結各二階神經元n201~n230；輸出層111d包含複數(如11個)四階神經元n401-n411分別連結各三階神經元n301~n330，各四階神經元n401-n411分別輸出一四階輸出值，且這些四階輸出值包含各種所需地震特性參數，如地震震度(剪切波)M、地震初達波與剪切波時間間隔Ti、第一組峰值地表加速度(PGA)P1x/P1y/P1z(三軸)、第二組峰值地表加速度(PGA)P2x/P2y/P2z(三軸)、峰值地表加速度(PGA)到達時間Tx/Ty/Tz(三軸)，且預設輸出頻率為該輸出層111d自第1秒起每秒鐘輸出一次前述四階輸出值。

有關類神經網路模組111之優化過程，首先須進行合適歷史資料之篩選。嵌入式運算主機100之運算處理器110可篩選歷史峰值地表加速度小於500(gal)、歷史初達波/次達波時間差小於50(秒)之歷史地震資料(於一特定偵測地點)，以輸入該類神經網路模組中進行反覆調校，而得類神經網路模組分析之相關運算資料。於其他實施例中，可以排除某些紀錄異常資料；或者，資料取樣方式採用每秒50點，以對應於強震儀擷取加速度訊號之頻率(每秒200或250點)；採樣之分析時段基本上可為第1-10秒內，於偵測地點偵測到初達波起算。於一實施例中，嵌入式運算主機之運算處理器將篩選後的歷史加速度訊號經資料轉換(包含線性正規化(Linear Normalization)與指數正規化)後再輸入類神經網路模組中，以得到複數預測地震特性參數，並比對實際量測之歷史地震資料，以調校各該神經元之各該連結權重。篩選後的歷史地震資料(如歷史三軸加速度)，將被輸入至類神經網路模組111之輸入層111a；經類神經網路模組111運算後，輸出層111d輸出結果將用以比對歷史地震資料，以對類神經網路模組111各層之神經元數量、連結權重進行修改、調整與校正，逐步提高類神經網路模組111的精確度。於不同實施例中，歷史地震資料可選自複數歷史地震個別之複數歷史加速度訊號、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/次達波時間差之群組或其任意組合。於一實施例中，嵌入式運算主機即時收錄加速度資料，以根據類神經網路模組分析之相關運算資料，進行地震之峰值加速度、震度等相關資訊之預報作業。特別是，當所收錄的加速度資料超過預定上限值時，則以此上限值進行預 報作業。

類神經網路模組111經過偵測地點之歷史地震資料調校後，即可用於實際地震事件之即時分析，且每次輸出結果與實測值均能使類神經網路模組111進一步調校、不斷提升精確性。實際操作之方式為，先將強震儀於某分析時段內(如0-3秒；以初達波為準，系統判定為地震事件當下時刻為第0秒)所接受到地震初達波之三軸加速度訊號輸入類神經網路模組111之輸入層111a。第3B圖之各一階神經元n101~n1xxx將分別輸出一階輸出值，即所輸入的各加速度訊號值。

二階隱藏層111b之各二階神經元n201~n230分別接收各一階神經元n101~n1xxx之一階輸出值、並分別輸出一二階輸出值。每個二階神經元n201~n230與每個一階神經元n101~n1xxx之間分別具有一個「連結」(Link；即圖中連結一/二階神經元的線段)，每個連結均具有一個「一階連結權重」經歷史地震資料調校獲得。根據前述介紹之公式，透過各個連結傳遞的各二階輸出值為各一/二階神經元之連結的「一階連結權重」，分別乘上各一階神經元n101~n1xxx之一階輸出值(即所輸入的各加速度訊號值)後之和、再加上一第一誤差修正常數I1。

類似的，三階隱藏層111c之各三階神經元n301~n330分別接收各二階神經元n201~n230之各二階輸出值、並分別輸出一三階輸出值。每個三階神經元n301~n330與每個二階神經元n201~n230之間分別具有一個「連結」(即圖中連結二/三階神經元的線段)，每個連結均具有一個「二階連結權重」經過歷史地震資料調校獲得。根據前述介紹之公式，透過各個連結傳遞的各三階輸出值為各三階神經元n301~n330與各二階神經元n201~n230之各連結的二階連結權重，分別乘上各二階神經元n201~n230之各二階輸出值後之和、再加上一第二誤差修正常數。

類似的，輸出層111d之各四階神經元n401-n411分別接收各三階神經元n301~n330之各三階輸出值，各四階神經元n401-n41分別輸出一四階輸出值。每個四階神經元n401-n411與每個三階神經元n301~n330之間分別具有一個「連結」(即圖中連結三/四階神經元的線段)，每個連結均具有一個 「三階連結權重」經過歷史地震資料調校獲得。根據前述介紹之公式，透過各個連結傳遞的各四階輸出值為各四階神經元n401-n411與各三階神經元n301~n330之連結的三階連結權重，分別乘上所接收各三階神經元n301~n330之各三階輸出值後之和、再加上一第三誤差修正常數。

第3B圖中，四階輸出值為地震震度(剪切波)M、地震初達波-剪切波時間間隔Ti、第一組峰值地表加速度(PGA)P1x/P1y/P1z(三軸)、第二組峰值地表加速度(PGA)P2x/P2y/P2z(三軸)、峰值地表加速度(PGA)到達時間Tx/Ty/Tz(三軸)等11個。於不同實施例中，系統管理者可以選擇不同地震特性參數作為四階輸出值，來對其神經元連結之連結權重進行調校，以建置高準確度之類神經網路模組。第3C圖(0-3秒)、第3D圖(0-5秒)為峰值地表加速度之實際量測值與本發明系統分析值的比較圖表，雖僅使用第0-3秒或0-5秒之加速度資料，但已可顯示相當高之分析精確度。

本發明各實施例之現地型地震即時分析系統與方法，運用四階類神經網路模組、各階具有特定數量之神經元，經以歷史地震資料調校個神經連結之連結權重後，可以即時而準確預測偵測地點的地表受震狀況，作為防災預警的參考。除此之外，考量高樓層建物之受震反應放大影響，亦適用於偵測地點建築物的受震反應評估；例如用於樓高16樓以上之建築物，可提供高樓層專屬之建築物受震反應，做為強震來襲時疏散計畫的參考。

請參考第4A圖，為本發明另一實施例中類神經網路模組112之示意圖。類神經網路模組112包含輸入層112a、一二階隱藏層112b、一三階隱藏層112c與輸出層112d。類神經網路模組112之神經元連結架構大體與類神經網路模組111相同，不同處在於類神經網路模組112之輸出層112d僅有6個神經元n401-n406，其四階輸出值分別為某特定樓層之三個峰值樓層加速度(PFA；Peak Floor Acceleration)Px/Py/Pz與(三座標軸)，與三個峰值樓層加速度到達時間(PFA Arrival Time)Tx/Ty/Tz(三座標軸)。要得到與建築物受震反應相關之各種樓層地震參數，需要建置專屬的類神經網路模組112。亦即，除輸出部分設定為所需的樓層地震參數，需輸入有關該建築物之大量歷史地震個別之複數歷史加速度訊號，再透過其他各種歷史地震資料進行調校，如歷史震源距離、歷史峰值地表加速度、歷史地震規模、歷 史地震主頻與歷史初達波/次達波時間差，以及對應該建築物之複數歷史樓層放大係數與複數歷史樓層地震參數之群組或其任意組合；有關建築物受震反應相關之歷史地震資料篩選方式，大體與地表受震資料相近，請參考前述實施例。此外，雖然第4A圖之四階輸出值僅有三軸之峰值樓層加速度及其到達時間，於其他實施例中，這些四階輸出值也可設定為各種預測樓層地震參數，如樓層放大參數(某樓層加速度與地表加速度之比值)、峰值樓層加速度PFA或峰值樓層加速度到達時間等。

請參考第4B、4C圖對於特定建築物某樓層的峰值樓層加速度之實際量測值與本發明系統分析值的比較圖表，使用第0-3秒(第4B圖)或0-10秒(第4C圖)之加速度資料，亦顯示可達到相當高之分析精確度。請參考第4D、4E、4F圖對於特定建築物某樓層的峰值樓層加速度到達時間之實際量測值與本發明系統分析值的比較圖表，分別為X、Y、Z三軸方向之比較圖表，均顯示可達到相當之準確性與可信賴度。

本發明所採用類神經網路之架構包含輸入端、輸出端及各隱藏層的神經元個數，地震資訊需經資料轉換及線性正規化過程將原先的地表加速度歷時資料轉為介於0-1或-1~1的數值，而各層神經元的個數與資料轉換方法皆能影響其收斂數度與準確性。有鑑於此，本發明以動態隱藏層神經元加點技術調整神經網路模型，並針對地震資料特性研擬各種資料轉換方式(如線性正規化、指數正規化結合線性正規化、傳立葉轉換結合線性正規化等)，並針對各種參數進行自動調節及人工檢驗，最終得到較佳之類神經網路模型，而能提高整體系統之準確度。

基於本發明上述實施例與相關說明中所提及之各種技術特徵與不同技術方案，係可依實際需求進行任意組合變換，並不限於直接揭露在各實施例者；本發明各種技術特徵與不同技術方案已詳細說明如上，使本項技術領域具有通常知識者均能加以替換、重新組合並據以實施，而無須一一將所有排列組合揭露於此。

惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定本發明實施之範圍；故，凡依本發明申請專利範圍及發明說明書內容所作之簡 單的等效變化與修飾，皆應仍屬本發明專利涵蓋之範圍內。

10‧‧‧現地型地震即時分析系統

100‧‧‧嵌入式運算模組

110‧‧‧運算處理器

111、112‧‧‧類神經網路模組

1111a、112a‧‧‧輸入層

111b、112b‧‧‧二階隱藏層

111c、112c‧‧‧三階隱藏層

111d、112d‧‧‧輸出層

120‧‧‧系統記憶體

130‧‧‧儲存單元

140‧‧‧訊號介面

150‧‧‧匯流排

200‧‧‧訊號預處理模組

210‧‧‧濾波電路

220‧‧‧偏移值去除電路

230‧‧‧積分電路

n101、n102、n103、n104....n1xxx‧‧‧一階神經元

n201、n202、n203、n204....n230‧‧‧二階神經元

n301、n302、n303、n304....n330‧‧‧三階神經元

n401、n402、n403、n404....n411‧‧‧四階神經元

第1圖係本發明一實施例中現地型地震即時分析系統之系統架構方塊圖；第2圖係本發明另一實施例中另一現地型地震即時分析系統之系統架構方塊圖；第3A圖係本發明另一實施例中現地型地震即時分析方法之流程圖；第3B圖係本發明另一實施例中現地型地震即時分析系統之類神經網路模組之示意圖；第3C圖係本發明另一實施例中(第0-3秒)峰值地表加速度之實際量測值與本發明系統分析值的比較圖；第3D圖係本發明另一實施例中(第0-5秒)峰值地表加速度之實際量測值與本發明系統分析值的比較圖；第4A圖係本發明另一實施例中現地型地震即時分析系統之類神經網路模組之示意圖；第4B圖係本發明另一實施例中對於特定建築物某樓層的(第0-3秒)峰值地表加速度之實際量測值與本發明系統分析值的比較圖；第4C圖係本發明另一實施例中對於特定建築物某樓層的(第0-10秒)峰值地表加速度之實際量測值與本發明系統分析值的比較圖；第4D圖係本發明另一實施例中對於特定建築物某樓層的峰值樓層加速度到達時間之實際量測值與本發明系統分析值的比較圖(X軸)；第4E圖係本發明另一實施例中對於特定建築物某樓層的峰值樓層加速度到達時間之實際量測值與本發明系統分析值的比較圖(Y軸)；第4F圖係本發明另一實施例中對於特定建築物某樓層的峰值樓層加速度到達時間之實際量測值與本發明系統分析值的比較圖(Z軸)。

10‧‧‧現地型地震即時分析系統

100‧‧‧嵌入式運算模組

110‧‧‧運算處理器

111‧‧‧類神經網路模組

120‧‧‧系統記憶體

130‧‧‧儲存單元

140‧‧‧訊號介面

150‧‧‧匯流排

200‧‧‧訊號預處理模組

210‧‧‧濾波電路

220‧‧‧偏移值去除電路

Claims (20)

1. 一種現地型地震即時分析系統，即時分析一地震於一偵測地點偵測到之一初達波(Primary Wave)，以預測到達該偵測地點的該地震之一剪切波(Shear Wave)，該系統包含：一訊號預處理模組，接收於該偵測地點擷取該初達波之複數加速度訊號，並對其進行一硬體預處理(hardware pre-processing)；及一嵌入式運算主機，包含一運算處理器，接收來自該訊號預處理模組之該等加速度訊號，並輸入內建之一類神經網路模組中，以計算該地震到達該偵測地點之複數地震特性參數，其中該類神經網路模組包含形成四層且彼此連結之複數神經元(Neuron)，各該神經元具有一連結權重(Link Weighting)對應於與次層(next layer)另一該神經元之連結，各該連結權重係以實際量測之複數歷史地震資料輸入該類神經網路模組中反覆調校而成。
2. 如申請專利範圍第1項所述之現地型地震即時分析系統，其中該類神經網路模組包含一輸入層、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，該輸出層包含複數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，且該等四階輸出值包含該等地震特性參數。
3. 如申請專利範圍第2項所述之現地型地震即時分析系統，其中：該輸入層之各該一階神經元分別接收於一分析時段內之該等加速度訊號，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之各該加速度訊號值；該二階隱藏層之各該二階神經元分別接收各該一階神經元之該一階輸出值、並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之一一階連結權重，分別乘上各該一階神經元之各該一階輸出值後之和、再加上一第一誤差修正常數；該三階隱藏層之各該三階神經元分別接收各該二階神經元之各該二階輸出值、並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之一二階連結權重，分別乘上各該二階神經元之各該二階輸出值後之和、再加上一第二誤差修正常數；及該輸出層之各該四階神經元分別接收各該三階神經元之各該三階輸出值，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之一三階連結權重，分別乘上所接收各該三階神經元之各該三階輸出值後之和、再加上一第三誤差修正常數。
4. 如申請專利範圍第1項所述之現地型地震即時分析系統，其中該類神經網路模組接收一分析時段內之該等加速度訊號，該分析時段為於該偵測地點偵測到該初達波起第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. 如申請專利範圍第1項所述之現地型地震即時分析系統，其中該歷史地震資料係選自複數歷史地震個別之複數歷史加速度訊號、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/次達波時間差之群組或其任意組合。
6. 如申請專利範圍第5項所述之現地型地震即時分析系統，其中該嵌入式運算主機之該運算處理器篩選該歷史峰值地表加速度小於500(gal)、該歷史初達波/次達波時間差小於50(秒)之該等歷史地震資料，以輸入該類神經網路模組中進行反覆調校。
7. 如申請專利範圍第6項所述之現地型地震即時分析系統，其中該嵌入式運算主機之該運算處理器將篩選後的該等歷史加速度訊號先進行資料轉換，再輸入該類神經網路模組中，以得到複數預測地震特性參數，並比對實際量測之該等歷史地震資料，以調校各該神經元之各該連結權重。
8. 如申請專利範圍第1項所述之現地型地震即時分析系統，其中該嵌入式運算主機將所接收該地震之該等加速度訊號先進行資料轉換，再輸入該類神經網路模組中，以得到該等地震特性參數；其中該資料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. 如申請專利範圍第1項所述之現地型地震即時分析系統，其中透過該類神經網路模組計算之該等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，對應於位在該偵測地點之一建築物上一特定樓層。
10. 如申請專利範圍第9項所述之現地型地震即時分析系統，其中該類神經網路模組輸出之該等地震特性參數，包含對應該特定樓層之至少一峰值樓層加速度(PFA；Peak Floor Acceleration)與至少一峰值樓層加速度到達時間(PFA Arrival Time)。
11. 一種現地型地震即時分析方法，即時分析一地震於一偵測地點偵測到之一初達波(Primary Wave)，以預測到達該偵測地點的該地震之一剪切波(Shear Wave)，該方法包含：對於該偵測地點擷取之複數加速度訊號進行一硬體預處理；傳送經硬體預處理後之該等加速度訊號至一嵌入式運算主機；將該等加速度訊號輸入內建於該嵌入式運算主機上之一類神經網路模組中進行計算；及輸出該類神經網路模組所計算出該地震之複數地震特性參數；其中該類神經網路模組包含形成四層且彼此連結之複數神經元(Neuron)，各該神經元具有一連結權重(Link Weighting)對應於與次層(next layer)另一該神經元之連結，各該連結權重係以實際量測之複數歷史地震資料輸入該類神經網路模組中反覆調校而成。
12. 如申請專利範圍第11項所述之現地型地震即時分析方法，其中該類神經網路模組包含一輸入層、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，該輸出層包含複數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，且該等四階輸出值包含該等地震特性參數。
13. 如申請專利範圍第12項所述之現地型地震即時分析方法，其中：該輸入層之各該一階神經元分別接收於一分析時段內之該等加速度訊號，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之各該加速度訊號值；該二階隱藏層之各該二階神經元分別接收各該一階神經元之該一 階輸出值、並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之一一階連結權重，分別乘上各該一階神經元之各該一階輸出值後之和、再加上一第一誤差修正常數；該三階隱藏層之各該三階神經元分別接收各該二階神經元之各該二階輸出值、並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之一二階連結權重，分別乘上各該二階神經元之各該二階輸出值後之和、再加上一第二誤差修正常數；及該輸出層之各該四階神經元分別接收各該三階神經元之各該三階輸出值，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之一三階連結權重，分別乘上所接收各該三階神經元之各該三階輸出值後之和、再加上一第三誤差修正常數。
14. 如申請專利範圍第11項所述之現地型地震即時分析方法，其中該類神經網路模組接收一分析時段內之該等加速度訊號，該分析時段為於該偵測地點偵測到該初達波起第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. 如申請專利範圍第11項所述之現地型地震即時分析方法，其中該類神經網路模組輸出之該等地震特性參數，係選自該地震之一地震震度、一初達波-剪切波時間間隔、至少一組對應三座標軸之峰值地表加速度及一峰值地表加速度到達時間之群組及其任意組合。
16. 如申請專利範圍第11項所述之現地型地震即時分析方法，其中該嵌入式運算主機將所接收該地震之該等加速度訊號先進行資料轉換，再輸入該類神經網路模組中，以得到該等地震特性參數；其中該資料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. 如申請專利範圍第11項所述之現地型地震即時分析方法，其中更包含透過該嵌入式運算主機篩選該歷史峰值地表加速度小於500(gal)、該歷史初達波/次達波時間差小於50(秒)之該等歷史地震資料，以輸入該類神經網路模組中進行反覆調校。
18. 如申請專利範圍第17項所述之現地型地震即時分析方法，其中該嵌入 式運算主機將篩選後的該等歷史加速度訊號先進行資料轉換，再輸入該類神經網路模組中，以得到複數預測地震特性參數，並比對實際量測之該等歷史地震資料，以調校各該神經元之各該連結權重。
19. 如申請專利範圍第11項所述之現地型地震即時分析方法，其中透過該類神經網路模組計算之該等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，對應於位在該偵測地點之一建築物上一特定樓層。
20. 如申請專利範圍第19項所述之現地型地震即時分析方法，其中該類神經網路模組輸出之該等地震特性參數，包含對應該特定樓層之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。