الگوهای لرزه ای مختلفی شامل پیش لرزه ها، سکوت لرزه ای، فوج لرزه ای و الگوی دونات قبل از وقوع زمین لرزه های بزرگ در این پایان نامه گزارش شده است. در مورد بسیاری از زمین لرزه ها، این الگوهای لرزه ای ابتدایی در غالب خوشه هایی ظاهر می شوند، به طوری که الگوی واقعی در اغلب موارد بسیار پیچیده است. بنابراین نیاز به مدلهای آماری پیشرفته نظیر شبکه های عصبی مصنوعی و مدلهای بدون سرپرستی جهت شناسایی الگوهای لرزه ای،انکار ناپذیر است. شبکه های عصبی مصنوعی که الهام گرفته شده از مغز انسان می باشند،از تعدادی نرون مصنوعی تشکیل شده اند که این نرونهای مصنوعی توسط تعدادی بردار وزن به هم متصل می شوند. شبکه های عصبی مصنوعی قادرند حجم زیادی از اطلاعات ورودی (مانند کاتالوگ زمین لرزه)را به طور هم زمان و به صورت موازی دسته بندی کنند و الگوهای لرزه ای را بخوبی تشخیص دهند. شبکه های عصبی مصنوعی برای یادگیری کاتالوگ زمین لرزه که داده های آماری با ابعاد زیاد است،دارای دو خاصیت خلاصه سازی و تعمیم هستند. ترکیب قوانین یادگیری رقابتی و انجمنی، به پیدایش شبکه های عصبی رقابتی بدون ناظر (خود سازمانده) منجر می شود.در شبکه عصبی خود سازمانده کوهونن (sofm)، تعدادی نرون عصبی که معمولاً در یک توپولوژی مسطح کنار یکدیگر چیده می شوند، 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 خوشه یابی زمین لرزه های مشابه در یک طبقه یا دسته است. شناسایی الگوی توزیع پسلرزه ها و خوشه یابی آنها یکی از مسائل مهم و پیچیده در زلزله شناسی است. آنچه که این امر را دشوار می سازد، ساختار متنوع موجود در منطقه مورد مطالعه و ماهیت تصادفی و غیرقطعی سیگنال های لرزه ای است. در این پایان نامه برای پیش یابی توزیع مکانی و روند پسلرزه های زمین لرزه بم ایران (2003) و زمین لرزه چنگدو سیچوان چین(2008) 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 پسلرزه های آینده را پیش یابی نمود.

وقتی تعداد متغیرهای تاثیرگذار بر سیستمی زیاد باشد، به راحتی نمی توان عامل و یا عوامل اصلی برای بررسی رفتار آن عنوان کرد و برچسب گذاری کرد. به این ویژگی، پیچیدگی سیستم می گویند. آن چیزی که به عنوان نتیجه و رویداد فعلی و همچنین رویدادهای گذشته می بینیم ، برآیند همه ی عوامل تاثیرگذار است که در نهایت مشاهده می شود. آیا با مطالعه و بررسی سابقه و رفتار سیستم می توان به روش و نتایجی مبنی بر توصیف و پیش بینی رفتار سیستم رسید؟!

ردیابی انفجارات مختلف، تعیین مشخصات و تشخیص آنها از زلزله ها با استفاده از پایگاه های لرزه نگاری یکی از شاخه های زلزله شناسی است، که در چند دهه¬ی اخیر پیشرفت های شایانی داشته و توجه بسیاری از زلزله شناسان را به خود جلب نموده است. ویژگی های استفاده شده برای شناسایی انفجارات از زلزله ها بیشتر براساس ویژگی های سیگنال های لرزه ای ثبت شده می باشد. روش های شناسایی رویدادهای لرزه ای متنوع است؛ و در این مطالعه از دو روش، روش استفاده از سیگنال های کوتاه دوره و روش طیفی استفاده شد. روش شناسایی با استفاده از سیگنال کوتاه دوره شامل محاسبه ی نسبت دامنه ی امواجpg, sg, lg, rg می باشد. در روش طیفی نسبت طیفی دامنه های امواج pg, pn, lg بر اساس فواصل مشخص و در باندهای فرکانسی خاص، همچنین گشتاور لرزه ای m0 و فرکانس گوشه¬ی f0 طیف، برای هر رویداد لرزه ای مورد بررسی قرار می گیرد. در این مطالعه سیگنال های ثبت شده حاصل از 120 زلزله و 65 انفجار که توسط 13 ایستگاه لرزه نگاری کوتاه دوره که در اطراف شهر تهران نصب شده و فواصل بین آنها حداکثر 150 کیلومتر است، را مورد پردازش قرار گرفت. از داده های ثبت شده در پایگاه داده ی سازمان پیشگیری و مدیریت بحران شهر تهران (tcsn) جهت انجام پروژه استفاده شد. محاسبه ی طیف موج p با مشخص نمودن یک پنجره¬ی زمانی 5/1-2 ثانیه در ابتدای رکورد انجام شد. بعد از محاسبه ی نسبت طیفی سیگنال به نویز، اثرات چشمه، گیرنده و اثرات مسیر و انتشار موج را در نظر گرفته شد. و تصحیحاتی برای کاهندگی مسیر، اثرات پاسخ گیرنده و ساختارهای نزدیک گیرنده را بر روی طیف اعمال شد. در این تحقیق از مدل چشمه ی برون، جهت مقایسه با طیف انفجارات استفاده نمودیم؛ که تفاوت شاخصی در این طیف های چشمه دیده شد. 1- طیف رویدادهای انفجاری، متفاوت با مدل تئوری در نظر گرفته شده برای چشمه های طبیعی (زلزله) است 2- طیف انفجارات معمولا شیب خیلی بیشتر از w-2 در فرکانس های بالا از خود نشان می دهد، که این عامل سبب می شود فرکانس گوشه و افت تنش برای این رویداد لرزه ای کمتر از زلزله ها باشد. یعنی در یک بزرگای ثابت، زلزله ها فرکانس گوشه ی بزرگتری دارند. در روش بعدی، پس از مشخص کردن رسید امواج pg و امواج سطحی، نسبت دامنه ی این امواج را برای فرکانس های 1، 5، 10، 15 و 17 هرتز محاسبه شد. نتایج بدست آمده نشان می دهد که انفجارات نسبت به زلزله ها در فرکانس های بالا (>17 هرتز) دامنه ی بیشتری از خود نشان می دهند. در این مرحله با رسم منحنی های roc بهترین خط جدایش بین زلزله ها و انفجار و همچنین میزان خطای هر روش را محاسبه شده، که در روش طیفی خط f0=3.4 با احتمال 2/80 % قادر به شناسایی رویداد لرزه ای خواهد بود. و در روش نسبت دامنه های فازهای pg و lg، نسبت دامنه ی 82/0pg/lg=، با احتمال 5/88 % انفجار را از زلزله شناسایی خواهد کرد.