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.