基于智能算法的滑坡稳定性建模与分析

论文摘要

滑坡是一种不仅给人类带来威胁,而且还对环境、资源等具有破坏性的重要地质灾种。100多年来,人们对滑坡预测预报进行了广泛的研究,并把研究成果应用于实践活动中,为人类提高抵御滑坡灾害的能力做出了很大的贡献。本文应用现代智能算法挖掘区域性滑坡稳定性的规律,并把这些规律应用到本区域内的滑坡稳定性评价中。根据影响因素具有不确定性,评价指标通常是高维非正态和非线性的数据,而常规的评价方法对高维非正态、非线性数据的适应能力不强,难以取得理想效果的特点。本文提出了用人工神经网络和支持向量机来解决滑坡稳定性评价问题。通过黄土滑坡和边坡的稳定性的试验说明用人工神经网络和支持向量机法来评价滑坡稳定性的效果较理想。但是研究发现随着影响滑坡的因素和滑坡样本的增多,人工神经网络出现了训练速度慢,网络结构不稳定和泛化能力差等问题;支持向量机法也出现了速度慢和分类数增多时分类准确率急速下降的问题。针对影响滑坡稳定性的因素繁多且复杂,及收集到的数据不完全和因素间有冗余的特点,本文首先对影响滑坡稳定性的因素进行量化,然后用粗糙集的属性约简删除不必要的属性从而建立影响滑坡稳定的指标体系。针对人工神经网络和支持向量机在滑坡稳定性评价中的不足,本文根据粗糙集和智能算法的特点给出了粗糙集和智能算法融合的粗糙-神经元算法和粗糙-支持向量机算法,并把这两种算法都应用于新平县内滑坡稳定性评价中,通过实验发现:粗糙集-支持向量机比粗糙集-神经网络有更高的准确率和更稳定的网络结构。为了减少滑坡位移监测的费用,本文结合滑坡位移特点,通过改进背景值及与马尔科夫链的相结合给出了改进灰色-马尔科夫链模型,并把该模型用于评价新滩滑坡位移预测上,结果表明这种方法比灰色模型具有更高的预测准确度。

论文目录

• 摘要
• Abstract
• 1 引言
• 1.1 选题背景与项目依托
• 1.2 研究现状与存在问题
• 1.3 研究方法与研究内容
• 1.4 本文的创新之处
• 1.5 本文的结构
• 2 影响滑坡稳定性的因素分析
• 2.1 滑坡危险性评价指标体系的建立
• 2.2 评价指标的量化
• 3 基于神经网络的滑坡稳定性建模与分析
• 3.1 神经网络模型
• 3.2 BP 神经网络原理及算法
• 3.3 人工神经元网络在滑坡稳定性的应用
• 3.4 人工神经元网络在滑坡稳定性的应用总结
• 4 支持向量机在滑坡稳定性评价的研究
• 4.1 支持向量机
• 4.2 模式识别学习机推广性能的界
• 4.3 线性支持向量机
• 4.4 支持向量机（SVM）的核函数
• 4.5 非线性支持向量机
• 4.6 支持向量机在滑坡稳定性的应用
• 4.7 支持向量机在滑坡稳定性的应用总结
• 5 粗糙智能算法在滑坡稳定性评价的研究
• 5.1 粗糙集理论
• 5.2 粗糙-支持向量机在滑坡稳定性评价中的研究
• 5.3 粗糙-神经网在滑坡稳定性评价中的应用
• 6 改进灰色-马尔柯夫链在滑坡稳定性评价研究
• 6.1 灰色系统的基本概念
• 6.2 灰色GM（1, 1） 模型
• 6.3 改进灰色-马尔柯夫预测模型
• 6.4 灰色预测模型的检验
• 6.5 改进改进灰色-马尔科夫链在新滩滑坡位移的分析
• 6.6 改进灰色-马尔科夫链在滑坡位移的应用总结
• 7 结论
• 参考文献
• 附件
• 读博士期间以第一作者发表的论文
• 个人简历