基于LM—BP神經(jīng)網(wǎng)絡(luò)的地震直接經(jīng)濟損失快速評估方法研究

趙士達　張楠　張斯文　孫曉東

摘要：

在綜合考慮地震致災(zāi)因子、抗震設(shè)防因子、經(jīng)濟指標因子的基礎(chǔ)上，選取地震震級、震源深度、受災(zāi)面積、受災(zāi)人口、設(shè)計基本地震加速度、人均GDP和產(chǎn)業(yè)機構(gòu)比例等7個因素作為主要評價指標，運用神經(jīng)網(wǎng)絡(luò)分析方法，建立了基于LM-BP神經(jīng)網(wǎng)絡(luò)的地震直接經(jīng)濟損失評估模型。從歷史地震事件中提取相關(guān)數(shù)據(jù)作為樣本，并使用該樣本對網(wǎng)絡(luò)進行訓練。最后對模型輸出結(jié)果的誤差率和模型的泛化能力進行分析，認為該模型可以有效評估地震直接經(jīng)濟損失，并具有較高的穩(wěn)定性。

關(guān)鍵詞：地震災(zāi)害；災(zāi)害評估；直接經(jīng)濟損失；LM-BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：P315-39文獻標識碼：A文章編號：1000-0666（2016）03-0500-07

0引言

隨著我國經(jīng)濟的快速增長、城市規(guī)模的不斷擴大，地震災(zāi)害對社會造成的影響也在不斷加大，防震減災(zāi)工作顯得尤為重要（趙士達等，2014a）。作為防震減災(zāi)工作一部分的震后應(yīng)急救援和抗震救災(zāi)可以有效地減少地震造成的經(jīng)濟損失和人員傷亡（趙士達等，2014b；王東明等，2015），快速、準確地對地震災(zāi)區(qū)人員傷亡和經(jīng)濟損失做出評估是震后應(yīng)急救援和抗震救災(zāi)工作能否收到實效的前提條件（劉如山等，2014）。

近年來，諸多學者使用不同的方法對震后經(jīng)濟損失快速評估進行了深入的研究，這些評估方法可分為5大類：分類清單法（陳洪富等，2013）、經(jīng)濟法（陳棋福等，1997）、遙感法（陳鑫連，謝廣林，1996）、信息法（劉洋等，2009；劉佳友，徐琳瑜，2007）和神經(jīng)網(wǎng)絡(luò)法（范傳鑫，2014）。其中分類清單法的應(yīng)用最為廣泛，該方法通過地震烈度衰減關(guān)系計算出地震影響場烈度空間分布，再綜合分析各個烈度等級建筑物的類型、數(shù)量、空間分布以及建筑物的易損特性等，計算出各類建筑物的損失情況。但使用該方法進行地震災(zāi)害快速評估時對災(zāi)區(qū)的基礎(chǔ)數(shù)據(jù)庫要求比較高，基礎(chǔ)數(shù)據(jù)庫數(shù)據(jù)不完整、數(shù)據(jù)更新過慢、數(shù)據(jù)細化程度不夠等都會使評估結(jié)果出現(xiàn)嚴重的偏差。隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的不斷成熟，其在模式識別、函數(shù)逼近等方面得到了廣泛的應(yīng)用，一些學者也將這一技術(shù)應(yīng)用到地震災(zāi)害損失評估中。

BP（Back Propagation，反向誤差傳播算法）神經(jīng)網(wǎng)絡(luò)算法是應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)算法，具有較強的非線性映射能力、自適應(yīng)能力、容錯能力和泛化能力（孫艷萍等，2010），但也存在收斂速度慢和容易陷入局部極小值等問題。為了克服這些問題，本文提出一種改進型LM-BP神經(jīng)網(wǎng)絡(luò)，并基于此建立了地震直接經(jīng)濟損失評估模型。

1影響地震直接經(jīng)濟損失的因素

11地震直接經(jīng)濟損失的界定

從災(zāi)害學的角度分析，災(zāi)害損失評估是對災(zāi)害造成的人員傷亡、直接經(jīng)濟損失和間接經(jīng)濟損失的評估，因此地震災(zāi)害損失可劃分為人員傷亡、經(jīng)濟損失和救災(zāi)投入3部分，其中經(jīng)濟損失包括直接經(jīng)濟損失和間接經(jīng)濟損失。地震直接經(jīng)濟損失又包括地震災(zāi)害和地震次生災(zāi)害造成的建筑物、工程設(shè)施、設(shè)備、物品破壞導(dǎo)致的經(jīng)濟損失（王偉哲，2012）。

12地震災(zāi)害影響因子的分類研究

121地震致災(zāi)因子

震級是表征地震強弱的量度，是劃分震源釋放能量大小的等級。震級越大，地震釋放的能量就越大，破壞能力就越強，相同條件下造成的直接經(jīng)濟損失也就越大。通常講震級每相差10級，能量相差30倍，由此可見，震級是地震造成經(jīng)濟損失的重要因素之一。震源深度對地震破壞程度的影響也很大，相同震級的地震，震源深度越淺，造成的破壞就越嚴重。有統(tǒng)計表明，相同震級的地震震源深度從10 km減小到5 km，或是從20 km減小到10 km時，震中區(qū)域烈度平均會提高1度，故震源深度也是地震造成經(jīng)濟損失的重要因素之一。地震烈度是指地震發(fā)生時，在波及范圍內(nèi)一定地點地面振動的激烈程度（或解釋為地震影響和破壞的程度）。一般來講，距離震源越近，破壞就越大，烈度也就越高。在一次地震的受災(zāi)區(qū)域內(nèi)會存在多個烈度區(qū)，而且這些烈度區(qū)的面積和分布并不規(guī)則。地震災(zāi)區(qū)的烈度評定在現(xiàn)場工作人員完成災(zāi)情調(diào)查后才能給出，在時間上不能滿足地震經(jīng)濟損失快速評估的要求，且如果逐一計算各個烈度區(qū)的損失情況也會大幅度地增加計算的復(fù)雜程度。所以本文以總受災(zāi)面積為災(zāi)害承載體，選取地震震級和震源深度為主要致災(zāi)因素，對災(zāi)區(qū)進行經(jīng)濟損失評估。災(zāi)區(qū)面積的大小與地震直接經(jīng)濟損失成正相關(guān)關(guān)系，其他條件相同的情況下，災(zāi)區(qū)面積越大，經(jīng)濟損失也就越大。

122抗震設(shè)防因子

一個地區(qū)在遭受地震破壞時，其自身的抗震設(shè)防能力會對其產(chǎn)生重要的保護作用，抗震設(shè)防能力越強其抗御地震破壞的能力也就越強?？拐鹪O(shè)防烈度是各類建筑物建設(shè)時采用設(shè)防標準的重要依據(jù)。各地區(qū)的建筑物都要按照該地區(qū)的抗震設(shè)防烈度要求進行建設(shè)。雖然地區(qū)建筑物實際設(shè)防烈度和地區(qū)的抗震設(shè)防烈度會存在一定的差距，但整體上抗震設(shè)防烈度可以反映出一個地區(qū)的抗震設(shè)防能力。

在以烈度為基礎(chǔ)作為抗震設(shè)防標準時，由烈度給出相應(yīng)的峰值加速度，烈度與設(shè)計加速度并不是一一對應(yīng)的，在同一個設(shè)防烈度下，可能會對應(yīng)不同的加速度值。這主要是由于同一烈度下，不同的場地類型地震加速度也有所不同。所以本文在評估一個地區(qū)的抗震設(shè)防能力時，主要考慮該地區(qū)的設(shè)計基本地震加速度。

123社會經(jīng)濟指標因子

一般來講，在遭受同等地震的情況下，地區(qū)經(jīng)濟越發(fā)達，經(jīng)濟損失就越嚴重。這主要是因為經(jīng)濟越發(fā)達，地區(qū)人口越集中、生命線工程集中和地上地下管網(wǎng)越密集。人均GDP是衡量一個地區(qū)經(jīng)濟發(fā)展水平最重要的指標之一，人均GDP越高，該地區(qū)的經(jīng)濟基礎(chǔ)和經(jīng)濟發(fā)展狀況就越好，同等地震破壞的情況下，損失也就越大。不同的產(chǎn)業(yè)結(jié)構(gòu)受地震破壞影響程度也不同。第一產(chǎn)業(yè)和第二產(chǎn)業(yè)所占的比重越大，受到地震破壞時相比第三產(chǎn)業(yè)經(jīng)濟損失也就越大。

除了以上兩個重要因素外，受災(zāi)人數(shù)也與地震直接經(jīng)濟損失成正相關(guān)關(guān)系，其他條件相同的情況下，受災(zāi)人數(shù)越多，所涉及的社會財富越大，經(jīng)濟損失也就越大。

124其它因素

地震間接引起的火災(zāi)、水災(zāi)、毒氣泄漏、疫病蔓延、海嘯等，稱為地震的次生災(zāi)害。次生災(zāi)害造成的經(jīng)濟損失是地震直接經(jīng)濟損失的一部分，嚴重的次生災(zāi)害造成的經(jīng)濟損失甚至比各類建筑物損毀造成的損失還要大。

地震后，地區(qū)的應(yīng)急處置和搶險救災(zāi)能力與諸多因素有關(guān)，如交通條件、生命線工程搶修速度、有無應(yīng)急預(yù)案等，這些因素決定了該地區(qū)降低地震災(zāi)害經(jīng)濟損失和人員傷亡的能力以及地區(qū)的應(yīng)急處置和搶險救災(zāi)能力。

13地震災(zāi)害影響因子的提取

地震災(zāi)害樣本信息選取的原則是容易獲取的，對于一些記錄不全面或者信息準確性存在問題的樣本應(yīng)舍棄。本文地震災(zāi)害信息的樣本主要選自《2001～2005中國大陸地震災(zāi)害損失評估報告匯編》（中國地震局震災(zāi)應(yīng)急救援司，2010）中記錄完整的歷史地震，其中震級、震源深度、災(zāi)區(qū)面積、受災(zāi)人口和地震直接經(jīng)濟損失可在災(zāi)害評估報告中查到。各地區(qū)的設(shè)計基本地震加速度通過查閱《建筑抗震設(shè)計規(guī)范》（GB 50011—2001）來獲取。人均GDP和產(chǎn)業(yè)結(jié)構(gòu)比例是通過查閱各地區(qū)統(tǒng)計公報或地區(qū)年鑒獲取的。在《中國大陸地震災(zāi)害損失評估報告匯編》（中國地震局震災(zāi)應(yīng)急救援司，2010）中記錄的地震次生災(zāi)害造成的經(jīng)濟損失不多，一般都在總直接經(jīng)濟損失的5%以內(nèi)，所以筆者不直接考慮次生災(zāi)害的影響，而是得出總的直接經(jīng)濟損失評估后，按照次生災(zāi)害的嚴重程度，對總的直接經(jīng)濟損失進行修正。由于筆者無法獲取足夠的資料對各個地區(qū)的防災(zāi)減災(zāi)能力做出評價，所以沒有將地區(qū)防災(zāi)減能力作為影響因子。

一次地震經(jīng)常會對多個地區(qū)產(chǎn)生影響，而各個地區(qū)的經(jīng)濟水平和產(chǎn)業(yè)結(jié)構(gòu)也各不相同，所以需要對受災(zāi)區(qū)域的GDP和產(chǎn)業(yè)結(jié)構(gòu)重新評估，估算公式分別為

G=∑ni=0GiSiS， （1）

R=∑ni=0RiSiS.（2）

式中，G為災(zāi)區(qū)人均GDP；n為地震造成的受災(zāi)區(qū)域數(shù)量；Gi為第i個地區(qū)的人均GDP；S為災(zāi)區(qū)總面積；Ri為第i個地區(qū)第一、二產(chǎn)業(yè)占GDP的比例。

2LM-BP神經(jīng)網(wǎng)絡(luò)

21BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點

在BP神經(jīng)網(wǎng)絡(luò)中，輸入層的神經(jīng)元用于接收外界信息并將信息傳給隱含層（郭章林等，2004）。隱含層神經(jīng)元主要負責對接收的信息進行變換，并將信息傳給輸出層。隱含層的層數(shù)不是固定的，而是根據(jù)信息變化復(fù)雜程度的需要而定的。輸出層主要負責將信息向外界輸出（田鑫，朱冉冉，2012）。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

假設(shè)某個神經(jīng)元的輸入信號x=（x1，x2，…，xn）T，可調(diào)節(jié)的連續(xù)權(quán)值w=（w1，w2，…，wn）T，θ為神經(jīng)元的興奮閾值，u（*）為基函數(shù)，該神經(jīng)元的輸出則為u（x，w，θ）。輸出信號u需要經(jīng)過激活函數(shù)的擠壓，即y=f（u），將輸出值的范圍壓縮到非常小的范圍內(nèi)。

雖然BP神經(jīng)網(wǎng)絡(luò)具有以上優(yōu)點，但自身也存在著局限性。BP神經(jīng)網(wǎng)絡(luò)采用的是梯度下降算法，而梯度下降算法在其誤差曲面中會出現(xiàn)平坦區(qū)域和多個極小值點。在平坦的誤差曲面中，誤差下降速度慢，網(wǎng)絡(luò)的訓練速度也會變慢。當遇到局部極小值時，網(wǎng)絡(luò)會誤認為是最優(yōu)解，導(dǎo)致仿真失敗。

22LM-BP網(wǎng)絡(luò)

Levenberg-Marquardt算法（簡稱LM算法），是一種非線性最小二乘算法，是用模型函數(shù)對待估參數(shù)向量在其領(lǐng)域內(nèi)做線性近似，忽略掉二階以上的導(dǎo)數(shù)項，從而轉(zhuǎn)化為線性最小二乘問題，所以該算法的收斂速度比梯度算法要快很多。LM算法雖然在收斂速度上有明顯的提升，但仍然可能陷入局部極小值，導(dǎo)致仿真失敗。因此，在進行仿真時需要對迭代次數(shù)進行限定，防止陷入局部極值。當?shù)螖?shù)超過限定就自動跳出，重新給網(wǎng)絡(luò)賦予權(quán)值和閾值，然后重新迭代，直到得出預(yù)期的結(jié)果。

23網(wǎng)絡(luò)的構(gòu)建與訓練

筆者在計算時主要考慮震級、震源深度、受災(zāi)面積、受災(zāi)人口、設(shè)計基本地震加速度、地區(qū)人均GDP和產(chǎn)業(yè)結(jié)構(gòu)比例7個因素，所以設(shè)計的網(wǎng)絡(luò)輸入層為7個節(jié)點，輸出層為1個節(jié)點。隱含層的節(jié)點數(shù)量需要在仿真中進行逐一嘗試才能確定下來。隱含層節(jié)點數(shù)量經(jīng)驗參考公式為

h=p+q+a.（3）

其中，p為輸入層節(jié)點數(shù)量，q為輸出層節(jié)點數(shù)量，a為0～10的自然數(shù)。神經(jīng)網(wǎng)絡(luò)的訓練能力和泛化能力在一定程度是存在矛盾的。訓練初期，隨著網(wǎng)絡(luò)訓練能力的提高，泛化能力也在提高。當訓練能力提高到一定程度后，隨著網(wǎng)絡(luò)訓練能力的提高，泛化能力就會下降。出現(xiàn)這一問題的原因是網(wǎng)絡(luò)訓練的樣本過多，訓練精度過于高，產(chǎn)生了過擬合現(xiàn)象，當遇到非訓練集中的樣本時，網(wǎng)絡(luò)輸出精度就會大幅度下降。為了避免過擬合現(xiàn)象的出現(xiàn)，筆者在網(wǎng)絡(luò)訓練時將樣本分為訓練樣本、測試樣本和確認樣本3部分。訓練樣本用于調(diào)整網(wǎng)絡(luò)連接的權(quán)值和閾值，提高訓練精度。測試樣本用來評價訓練后的網(wǎng)絡(luò)，如果訓練后的網(wǎng)絡(luò)滿足測試樣本的要求就結(jié)束訓練。確認樣本用于防止過擬合訓練，當確認樣本的精度隨著網(wǎng)絡(luò)精度提升而下降時，就強行結(jié)束訓練。筆者選取的樣本是按照地震發(fā)生時間順序排列的，不能直接進行樣本分組和訓練，需要先將樣本的順序隨機打亂后，再進行樣本分組和訓練。圖2為整個網(wǎng)絡(luò)訓練設(shè)計流程圖。

3LM-BP神經(jīng)網(wǎng)絡(luò)的實例應(yīng)用

31數(shù)據(jù)歸一化處理

本文選取了《2001～2005年中國大陸地震災(zāi)害損失評估報告匯編》（中國地震局震災(zāi)應(yīng)急救援司，2010）中記錄的30次地震作為樣本，樣本數(shù)據(jù)如表1所示。其中訓練樣本占總樣本的80%，測試樣本和驗證樣本各占10%。由于樣本中的數(shù)據(jù)單位不統(tǒng)一且數(shù)值取值范圍很大，所以需要對樣本中的數(shù)據(jù)進行無量綱處理，并將數(shù)據(jù)取值范圍壓縮到一個很小的區(qū)域內(nèi)。本文所選取的樣本數(shù)據(jù)均為正數(shù)，可選取logsig函數(shù)作為激活函數(shù)，將樣本數(shù)據(jù)擠壓到（0，1）之間。但logsig函數(shù)曲線在數(shù)軸0和1兩點附近曲線平緩，影響網(wǎng)絡(luò)訓練的速度和網(wǎng)絡(luò)的靈敏性。因此，在進行數(shù)據(jù)歸一化處理時，需要將樣本集的數(shù)據(jù)按類型歸一化到（01，09）區(qū)域內(nèi)。

32LM-BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

本文所設(shè)計的LM-BP網(wǎng)絡(luò)輸入層、隱含層和輸出層均為1層，其中輸入層有7個節(jié)點，隱含層節(jié)點數(shù)目范圍是3～13，輸出層有1個節(jié)點。使用Matlab2010對LM-BP神經(jīng)網(wǎng)絡(luò)進行訓練和仿真，逐一嘗試隱含層節(jié)點數(shù)目，最終確定隱含層節(jié)點數(shù)為8時，網(wǎng)絡(luò)擬合的效果最佳。LM-BP網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3所示。

33LM-BP神經(jīng)網(wǎng)絡(luò)的訓練與仿真分析

圖4為LM-BP神經(jīng)網(wǎng)絡(luò)訓練樣本、測試樣本和確認樣本的誤差曲線圖。從圖中可以看出，在訓練初期3種樣本的誤差曲線都隨著訓練的進程而顯著下降，這表明該網(wǎng)絡(luò)具有十分良好的泛化能力。筆者在設(shè)計中設(shè)定確認樣本誤差曲線連續(xù)5步上升就結(jié)束仿真，防止網(wǎng)絡(luò)進入過擬合狀態(tài)。從圖中可以看出，在訓練進行到第13步時，確認樣本誤差曲線開始上升，并且一直保持上升到第18步。這主要是由于網(wǎng)絡(luò)產(chǎn)生了過擬合所導(dǎo)致的。在第13～18步中，訓練樣本誤差曲線保持下降，而測試樣本誤差曲線卻一直上升，也印證了網(wǎng)絡(luò)開始進入過擬合狀態(tài)。

圖5為30個樣本的訓練和預(yù)測情況示意圖，其中橫軸第1～24個數(shù)據(jù)為訓練樣本，第25～27個數(shù)據(jù)為確認樣本，第28～30個數(shù)據(jù)為預(yù)測樣本。從圖中可以看出訓練樣本和確認樣本的擬合度非常高，測試樣本的預(yù)測值與真實值也十分接近，其預(yù)測相對誤差如表3所示。

34LM-BP神經(jīng)網(wǎng)絡(luò)在地震直快速評估中的應(yīng)用

以2012年6月24日寧蒗—鹽源57級地震為例，使用LM-BP神經(jīng)網(wǎng)絡(luò)進行地震直接經(jīng)濟損失評估。該次地震的震源深度為11 km，受災(zāi)人口1162萬人，受災(zāi)面積2 218 km2。寧蒗彝族自治縣和鹽源縣兩地地震設(shè)防加速度同為015g，所以設(shè)防加速度取015g。2011年寧蒗彝族自治縣和鹽源縣人均GDP分別為7 445元和18 045元，產(chǎn)業(yè)結(jié)構(gòu)比分別為598%和795%，同時兩個縣的受災(zāi)面積分別為1 365 km2和853 km2。根據(jù)式（1）和（2）可得平均GDP為11 522元，產(chǎn)業(yè)結(jié)構(gòu)比為6738%。

將上述7個因素作為輸入條件，使用訓練好的網(wǎng)絡(luò)進行仿真，得出直接經(jīng)濟損失為653億元，本次地震的實際直接經(jīng)濟損失為772億元。仿真結(jié)果和實際結(jié)果存在1541%的相對誤差，可以滿足經(jīng)濟損失快速評估的要求。進一步分析仿真結(jié)果可以發(fā)現(xiàn)，該次仿真的相對誤差比網(wǎng)絡(luò)訓練時的相對誤差要大，且仿真結(jié)果比實際值要小。這主要是因為訓練網(wǎng)絡(luò)時采用的樣本選取的是2000～2005年地震事件，當時我國各地區(qū)GDP很低。而筆者選取的是2012年的寧蒗—鹽源地震，2012年我國GDP已經(jīng)比2000時大幅度提高。當輸入2012年GDP時，網(wǎng)絡(luò)會認為該輸入為奇異值，會對該數(shù)據(jù)進行壓縮，導(dǎo)致仿真結(jié)果比實際結(jié)果小，且相對誤差增大。這一問題可以待地震災(zāi)害損失評估報告更新后，加入近年來的地震事件樣本繼續(xù)訓練來解決。

4結(jié)論

本文主要分析影響地震直接經(jīng)濟損失的主要因素，并選取地震震級、震源深度、受災(zāi)面積、受災(zāi)人口、設(shè)防加速度、人均GDP和產(chǎn)業(yè)結(jié)構(gòu)比例作為主要影響因素。通過分析BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點，提出改進型LM-BP神經(jīng)網(wǎng)絡(luò)作為地震直接經(jīng)濟損失評估模型。使用歷史地震樣本對該網(wǎng)絡(luò)進行訓練，最終得到同時具備較強泛化能力和擬合能力的預(yù)測模型。同時該模型也存在一定的局限性，例如訓練樣本震級都小于7級，對于7級以上地震直接經(jīng)濟損失評估會產(chǎn)生較大的偏差。造成這一問題的主要原因是目前可以查閱到的記錄全面的地震災(zāi)害評估報告較少，地震事件樣本不充足。待2005年以后的地震災(zāi)害評估數(shù)據(jù)更新后，使用更加充足的樣本再重新訓練，可以有效地解決這一問題。

參考文獻：

陳洪富，孫波濤，陳相兆等. 2013. 基于云計算的中國地震災(zāi)害損失評估系統(tǒng)研究[J].地震工程與工程振動， 33（1）：198-203.

陳棋福，陳颙，陳凌. 1997. 利用國內(nèi)生產(chǎn)總值和人口數(shù)據(jù)進行地震災(zāi)害損失預(yù)測評估[J].地震學報，19（6）：640-649.

陳鑫連，謝廣林. 1996. 航空遙感的震害快速評估與救災(zāi)決策[J].自然災(zāi)害學報，34（5）：29-34.

范傳鑫. 2014. 基于改進型的RBF神經(jīng)網(wǎng)絡(luò)的城市震害損失評估模型[D]. 黑龍江：哈爾濱工業(yè)大學，17-34.

郭章林，劉明廣，解德才.2004. 震災(zāi)經(jīng)濟損失評估的遺傳神經(jīng)網(wǎng)絡(luò)模型[J]. 自然災(zāi)害學報，13（6）： 92-96.

劉佳友，徐琳瑜. 2007. 一種區(qū)域環(huán)境風險評價方法——信息擴散法[J]. 環(huán)境科學學報，27（9）：1549-1556

劉如山，余世舟，顏冬啟等. 2014. 地震破壞與經(jīng)濟損失快速評估精細化方法研究[J].應(yīng)用基礎(chǔ)與工程科學學報， 22（5）：928-940.

劉洋，唐川，馮毅. 2009. 基于AHP信息量法的地質(zhì)災(zāi)害危險性評價[J].地球與環(huán)境，41（2）：173-178

孫艷萍，竇玉丹，張明媛等.2010. 基于神經(jīng)網(wǎng)絡(luò)的震害損失評估模型[J].防災(zāi)減災(zāi)工程學報，30（9）：168-171.

田鑫，朱冉冉. 2012. 基于主要成分分析及BP神經(jīng)網(wǎng)絡(luò)分析的地震人員傷亡預(yù)測模型研究[J]. 西北地震學報，34（4）：365-368.

王東明，朱達邈，李永佳. 2015.中國地震災(zāi)害損失調(diào)查評估培訓系統(tǒng)在線考試子系統(tǒng)的設(shè)計與實現(xiàn)[J].地震研究，38（3）：508-516.

王偉哲.2012.地震直接經(jīng)濟損失評估：BP神經(jīng)網(wǎng)路及其應(yīng)用[D]. 成都：西南財經(jīng)大學，12-15.

趙士達，張楠，楊爽 . 2014a. 基于云計算和Android的地震應(yīng)急信息獲取系統(tǒng)[J]. 計算機應(yīng)用， 34（S1）： 298-300.

趙士達，張楠，楊爽. 2014b. 基于Android系統(tǒng)的避難場所查詢軟件開發(fā)[J]. 電子技術(shù)應(yīng)用，40（3）： 133-136.

中國地震局震災(zāi)應(yīng)急救援司. 2010. 2001～2005年中國大陸地震災(zāi)害損失評估報告匯編[M]. 北京：地震出版社.

GB 50011—2001，建筑抗震設(shè)計規(guī)范[S].