基于PCA-SVM的边坡稳定性预测模型研究

提出了一种基于主成分分析(PCA)和支持向量机(SVM)的边坡稳定性预测模型。首先分析了影响边坡稳定性的因素,采用主成分分析方法求取主成分;再将主成分作为输入对支持向量机进行训练,并利用遗传算法优化支持向量机参数;最后通过实例与常用寻参方法所得结果进行比较。结果表明,该法能减少输入变量维数,提高了边坡工程稳定性的预测精度。     

基于Fisher判别分析法岩质边坡稳定性评价

基于岩石边坡稳定性评价方法CSMR体系,建立了边坡稳定性评价的判别分析模型,选用岩体质量、结构面特征、边坡几何条件等方面的综合指标作为判别分析模型的判别因子,以多个岩石边坡工程的稳定状况样本数据进行学习训练,建立了相应的线性判别函数对待判样本进行了预测。分析结果表明,判别分析模型评价边坡稳定性准确度高、误判率低,能够反映CSMR体系各参数对边坡稳定安全系数的影响程度,是一种有效的边坡稳定性评价方法。     

基于(SAGA-FCM)-PNN的交通状态判别方法研究

为了提高城市道路交通状态判别的正确性与稳定性,研究了一种基于遗传模拟退火算法改进的FCM算法与概率神经网络(PNN)结合的短时交通流状态判别方法.针对传统FCM算法会收敛到局部最优解的问题,利用遗传模拟退火算法对其进行改进,优化算法初始聚类中心;将已分类的数据分为训练集与测试集对概率神经网络(PNN)模型进行训练与测试,通过对径向基函数的扩展速度的优化提高PN N算法的准确性;并利用厦门市城市道路地磁检测数据对模型进行实例验证及性能分析.结果表明,文中方法能够有效的实现交通状态的判别,且能够得到全局最优解;同竞争神经网络模型、GRNN模型、SVM模型相比,文中模型的交通状态判别正确率分别提高2.1%,4.5%,2.7%,且具有更好的稳定性.      

Bayes与Fisher判别在边坡稳定性中的应用

基于Bayes判别和Fisher判别分析理论并结合工程实际,选用边坡岩土体的重度、黏聚力、边坡角、边坡高度及孔压比5个指标作为边坡稳定性预测的判别因子,建立边坡稳定性预测的Bayes判别和Fisher判别分析模型;以28组边坡已知数据作为学习样本进行训练,建立Bayes和Fisher判别函数及对误判率进行了估计以检验模型的优良性,并选用7个工程实例对所建立的模型进一步进行考察,结果全部预测正确。     

基于稀疏高斯过程混合模型的短时交通流预测

交通流预测在智能交通系统中起重要作用.由于短时交通流的时变性,传统预测模型效果较差.将稀疏高斯过程混合(SGPM)模型用于短时交通流预测,并研究了隐变量后验硬划分学习算法,该算法依据最大后验估计矫正样本划分,不断迭代实现最优分组.将SGPM模型与核回归(K-R)、最小最大概率机回归(MPMR)、线性回归(L-R)以及高斯过程(GP)的预测结果对比.同时将新的学习算法与传统variational和LooCV学习算法比较.结果 表明,基于新算法的SGPM模型不仅能够分模态展示预测结果、输出置信区间,且短时交通流预测均方误差可达0.047 6,训练耗时达7.121 4 s,均优于其他模型.      

川西高原季节性粗颗粒冻土边坡稳定性预测

为了建立一个快速、准确预测川西高原(甘孜州境内)季节性粗颗粒冻土边坡稳定性的模型,本文在调查了86个甘孜州新都桥、理塘地区公路边坡的基础上,首先确定了边坡破坏的主要类型;其次根据粗糙集理论和灰色关联理论分析了影响边坡稳定性的主要因;最后利用BP神经网络理论和Clementine数据挖掘软件,建立一个适合预测川西高原季节性粗颗粒冻土边坡稳定性的模型,检验结果证明模型预测精度达到85%,可为该地区的其它工程建设提供参考。     

昔格达地层路堑边坡稳定性物元分析

结合西(西昌)攀(攀枝花)高速公路建设需要,通过对西攀高速公路沿线昔格达地层既有铁路、公路路堑边坡稳定性的调查研究,采用物元数理统计方法进行归纳分析,系统全面地总结出昔格达地层路堑边坡稳定性的影响因素,即坡高、坡度、坡体结构、含水率、植被覆盖率、岩石性质以及坡体内结构面产状与岩层产状,然后建立物元方程,得出各因素对边坡稳定性的影响程度,同时对昔格达地层路堑边坡按稳定性进行归类,共分稳定型、次稳定型、次不稳定型和不稳定型4种类型。通过系统论述昔格达地层边坡稳定性与边坡地形、地质条件的关系,得到了昔格达地层路堑边坡稳定性的理论判别依据和判别标志。     

基于模拟退火的果蝇优化算法的边坡临界滑面搜索

传统的边坡稳定性分析多采用极限平衡法,需要研究者依据经验试算一系列滑面,再确定最危险滑面。该文将果蝇优化算法(FOA)与模拟退火算法(SA)融合,提出基于模拟退火的果蝇优化算法(SA-FOA),避免了陷入局部极值的缺点,确保获得全局最优解,并结合极限平衡法用于边坡临界滑面的搜索。在Matlab中编程实现该算法,通过两个土坡算例的验证及与其他方法的对比分析,结果表明:基于模拟退火的果蝇优化算法能够高效、快捷地搜索出边坡的临界滑面,且具有更高的收敛精度和可靠性,为边坡临界滑面的搜索提供了一条高效的新途径。     

岩质路堑边坡结构面对岩体强度的影响及其修正

对岩质路堑边坡的稳定性分析时,其坡体的稳定性(或变形)往往受结构面强度、结构面产状与边坡形态的相对关系等因素决定。因此在考虑结构面强度和结构面产状的基础上,必须同时研究边坡形态与结构面产状的组合关系对坡体稳定性的作用和影响。基于此思想,采用有限元分析方法,利用遍布节理本构模型分析结构面倾角的差异对坡体稳定性的影响,并提出对含结构面岩体强度的修正方法。     

基于剩余推力法与BP神经网络的玄武岩残坡积土公路边坡稳定性预测

采用剩余推力法与BP神经网络,以贵州省毕节地区宋阴公路K5+170~K5+220段玄武岩残坡积土边坡作为工程研究对象,对该边坡稳定性展开了计算和预测。选取现场实测剖面作为计算剖面,设置4个计算工况,由剩余推力法得到边坡天然状态(工况1)稳定性系数为1.085 1,当边坡处于16m地下水位+暴雨(工况2)、16m→8m地下变化水位(工况3)和16m→8m地下变化水位+暴雨(工况4)时,边坡稳定性系数均小于1。边坡稳定性敏感因素分析显示,滑带土黏聚力敏感系数平均值为15.9%,内摩擦角为48.3%,地下水位为34.0%,表明滑带土内摩擦角对边坡稳定影响最大,其次是地下水位。选择同一路段其他玄武岩残坡积土滑坡作为训练样本,通过Matlab神经网络ANN工具箱分步骤设计了BP网络,选择加动量学习速率自适应traingdx函数作为训练函数,采用多次预测求均值的方法获取预测结果。BP神经网络预测结果表明,边坡工况1的稳定性系数平均值为1.095~1.139,工况3为0.988~1.021,考虑到暴雨对边坡坡稳定性的影响,工况4时边坡可能发生滑动破坏。神经网络各次预测结果之间误差较大,最大达到45.87%,但求均值后的BP神经网络预测结果与剩余推力计算结果的相对误差大大降低,仅为0.4%~5.2%。将BP网络的输入参数减少为5个后,预测精度反而较高,表明黏聚力、内摩擦角、坡高、坡角、湿重度等因素对边坡稳定性有着实质性的影响,其他因素影响权重则较低。