基于回歸神經(jīng)網(wǎng)絡(luò)的滑坡位移時(shí)間序列預(yù)測(cè)研究.pdf

1、滑坡是一種給人類及其生活環(huán)境帶來危害或損害的復(fù)雜的地質(zhì)自然災(zāi)害。三峽庫(kù)區(qū)復(fù)雜多樣的地質(zhì)地理環(huán)境、差別較大的地形地貌和新的構(gòu)造運(yùn)動(dòng)如蓄水，使整個(gè)地區(qū)的地質(zhì)問題很多，尤其是滑坡。它給庫(kù)區(qū)帶來了大量的財(cái)產(chǎn)損失、人員傷亡，甚至是影響了整個(gè)移民工程的全面實(shí)施。因此，通過加強(qiáng)滑坡的監(jiān)測(cè)及預(yù)測(cè)，進(jìn)而降低滑坡危害是十分有意義的。
　　滑坡主要是由于斜坡巖土體沿著貫通的剪切破壞面所發(fā)生的滑移地質(zhì)現(xiàn)象。影響滑坡的外界因素非常多，如自然條件變更包括地震

2、、降雨、凍融、海嘯、風(fēng)暴潮及人類生產(chǎn)活動(dòng)等?；卵莼徽J(rèn)為是一種非線性過程,使用已有的線性方法無法有效地描述外界影響因素和滑坡演化二者間的關(guān)系。由于危害極大且有逐年增加的趨勢(shì)，滑坡的預(yù)防與預(yù)測(cè)的研究也一直是工程領(lǐng)域的熱點(diǎn)。因此，本文利用回歸神經(jīng)網(wǎng)絡(luò)(RNN)，人工智能(AI)方法算法或它們的組合獲得的各種不同方法，結(jié)合兩組滑坡實(shí)例作為研究對(duì)象，進(jìn)行滑坡預(yù)測(cè)問題的研究，具體內(nèi)容包括以下方面：
　　對(duì)影響滑坡穩(wěn)定性的相關(guān)外界環(huán)境因素進(jìn)

3、行了研究，基于決策樹(DT)的分類思想，提出使用隨機(jī)森林(RF)算法對(duì)滑坡進(jìn)行穩(wěn)定性分析。隨機(jī)森林在處理數(shù)據(jù)特性主要有兩點(diǎn)：一是避免了使用傳統(tǒng)方法陷入數(shù)據(jù)的過擬合，二是充分利用過去已有的數(shù)據(jù)信息對(duì)滑坡的穩(wěn)定狀態(tài)作出新的分析。在相同的環(huán)境下，與傳統(tǒng)方法如支持向量機(jī)(SVM)算法相比，隨機(jī)森林不需要考慮影響實(shí)驗(yàn)結(jié)果的多重因素，更加適合做滑坡穩(wěn)定性分析。
　　考慮滑坡位移時(shí)間序列的預(yù)測(cè)問題，提出一種基于K折交叉檢驗(yàn)的廣義回歸神經(jīng)網(wǎng)絡(luò)(K

4、-GRNNs)模型。廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNNs)的主要特點(diǎn)是人為控制的因素只有一個(gè)，本文利用K折交叉檢驗(yàn)的方法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)的閾值徑向基函數(shù)的擴(kuò)展速度的值，優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)，從而提高網(wǎng)絡(luò)的預(yù)測(cè)性能。
　　以三峽庫(kù)區(qū)的涼水井和白水河滑坡為實(shí)例驗(yàn)證了本文提出的算法比傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)和徑向基函數(shù)(RBF)的更高的預(yù)測(cè)性能。
　　為了滿足人們對(duì)滑坡預(yù)測(cè)趨勢(shì)精確性的需求，擴(kuò)充滑坡預(yù)測(cè)的時(shí)間寬度主要有兩種方

5、法：多步預(yù)測(cè)和區(qū)間預(yù)測(cè)。本文提出一種基于擴(kuò)展卡爾曼濾波(EKF)的時(shí)間反向遞歸算法(BPTT)方法來進(jìn)行滑坡位移的多步預(yù)測(cè)。首先，使用擴(kuò)展的卡爾曼濾波來優(yōu)化時(shí)間反向算法的權(quán)值，然后再通過最新的觀測(cè)值和模型輸出值訓(xùn)練結(jié)果實(shí)時(shí)對(duì)網(wǎng)絡(luò)參數(shù)數(shù)值進(jìn)行調(diào)整，提高預(yù)測(cè)的可靠性。最后，通過對(duì)降雨及庫(kù)水位的改變值與位移之間的相互的對(duì)應(yīng)數(shù)學(xué)統(tǒng)計(jì)關(guān)系進(jìn)行分析，以此進(jìn)一步明確多步位移預(yù)測(cè)模型的參數(shù)。本文對(duì)兩組三峽庫(kù)區(qū)滑坡數(shù)據(jù)集進(jìn)行了實(shí)例分析，實(shí)驗(yàn)結(jié)果顯示本文提

6、出的方法比實(shí)時(shí)遞歸算法(RTRL)、時(shí)間反向算法取得預(yù)測(cè)結(jié)果好。
　　考慮進(jìn)一步優(yōu)化滑坡預(yù)測(cè)時(shí)間寬度的結(jié)果，本文采用兩種方法來進(jìn)行區(qū)間預(yù)測(cè)。首先，提出基于自助法的回聲狀態(tài)網(wǎng)絡(luò)(ESN)分叉迭代滑坡位移時(shí)間序列的區(qū)間預(yù)測(cè)模型。使用回聲狀態(tài)網(wǎng)絡(luò)模型對(duì)所獲得的時(shí)間序列數(shù)據(jù)進(jìn)行插值，對(duì)訓(xùn)練樣本集進(jìn)行擴(kuò)展并用Bootstrap分解，然后再求出估計(jì)方差。最后，使用一個(gè)回聲狀態(tài)網(wǎng)絡(luò)計(jì)算誤差的方差。以三峽庫(kù)區(qū)兩組典型的滑坡數(shù)據(jù)集來驗(yàn)證這種方法的可

7、行性，與基于自助法的廣義回歸神經(jīng)網(wǎng)絡(luò)(Bootstrap-GRNN)方法相比較，本文方法能取得較好的實(shí)驗(yàn)結(jié)果。
　　利用神經(jīng)網(wǎng)絡(luò)方法的進(jìn)行區(qū)間預(yù)測(cè)，本文提出了基于粒子群(PSO)與引力搜索(GSA)混合算法(PSOGSA)的埃爾曼回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，其主要特點(diǎn)是計(jì)算簡(jiǎn)單，不需要多次處理數(shù)據(jù)，利用基于粒子群的全局搜索性能和引力搜索算法局部搜索性能，對(duì)埃爾曼神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行修正，構(gòu)建最優(yōu)回歸神經(jīng)網(wǎng)絡(luò)，得到區(qū)間預(yù)測(cè)的上界和下界。實(shí)驗(yàn)