边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。     

边坡非线性位移的神经网络–时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络–时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

边坡非线性位移的神经网络-时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络-时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

边坡位移预测的神经网络模型研究

了解边坡位移的发展趋势对于预测边坡失稳时间具有重要的意义,而导致边坡产生位移的因素是极其复杂的,采用具有非线性映射功能的神经网络模型,运用历史位移数据训练神经网络,并在Matlab环境下编程实现,与实测值相比较,神经网络模型具有很高的预测精度.     

基于相空间重构的BP神经网络对边坡的位移预测研究

边坡的位移预测对其稳定性的预报具有十分重要的意义,从基于相空间重构的BP神经网络预测方法对位移时间序列进行了分析,对相空间重构的参数延迟量以及嵌入维数进行了论述,将预测结果与传统的BP神经网络模型的预测结果进行了比较。结果表明,基于相空间重构的BP神经网络具有更高的精度,是一种优秀的预测方法。     

数据突变下隧道洞口边坡变形灰色预测研究

根据边坡位移监测信息,应用灰色系统的原理和方法,对边坡的变形发展变化进行预测是一种有效手段.但边坡变形受到某些外界因素的影响发生突变时,监测数据序列不能正确反映边坡变形规律,致使边坡变形预测结果出现强度偏差.因此,提出数据突变预处理方法,并结合四车道扁平特大断面隧道洞口边坡变形现场监测数据,建立数据突变下的时间序列灰色预测模型,对边坡的发展变化情况进行预测.研究结果表明:基于数据突变预处理方法的时间序列灰色预测变形值与边坡实际发展变化一致,提高了时闻序列灰色预测的准确性.     

基于相空间重构的公路边坡位移分形特征分析

根据高速公路边坡位移动态变化时间序列的非线性性质,利用时间序列的 Takens 相空间重构方法,由一维的单变量观测数据序列进行相空间拓展,在拓展的相空间中得出公路边坡位移动态变化时间序列的分维数,从而揭示了边坡位移动态变化的内在规律及其本质特征。     

边坡非线性位移预测的动力系统自记忆模型

边坡位移的准确预测对于边坡稳定性评价、边坡安全状态的预警以及滑坡灾害的控制具有重要意义。将"动力系统自记忆原理"引入到边坡位移时间序列预测研究。首先将量测得到的边坡位移时序数据视为描写边坡位移非线性动力学模型的一个特解,采用双向差分原理反导出边坡位移非线性常微分方程。以此作为微分动力核,运用自记忆原理建立了边坡位移预测的自记忆模型。将该方法用于三峡永久船闸边坡和卧龙寺边坡变形预测,研究结果表明:自记忆模型对于边坡位移预测具有较高的预测精度和较强的预测多个时序步位移的能力,从而为边坡位移预测提供了一条新途径。     

边坡变形预测的灰色理论研究与应用

根据边坡位移监测信息，应用灰色系统的原理和方法，对边坡的变形发展变化进行预测是一种有效手段。但在阶段变化因素作为岩土体边坡变形影响主因时，由于监测时段与影响主因的阶段性不一致，监测数据序列不能正确反映边坡变形规律，致使边坡预测变形结果出现强度偏差；为此，提出以控制因素变化的阶段性来划分时间数据序列，建立阶段时间序列灰色预测模型，对边坡的发展变化情况进行预测。研究结果表明，采用该方法预测变形值与边坡实际发展变化一致，提高了时间序列灰色预测的准确性。     

高边坡开挖变形的非线性时间序列预测分析

在岩体高边坡开挖过程中,可以得到现场的位移监测数据,如何利用现场监测数据来预测高边坡的开挖变形是一件很有实用价值的工作。根据高边坡开挖变形时间序列的非线性特征,应用局域法对三峡高边坡的位移进行了预测分析。把局域法的思想引入到神经网络中去,按照寻找邻近点的原理构造出训练样本,通过神经网络得到的预测值与局域法得到的预测值很接近,并且可以大大地节约计算时间。计算结果表明,对于岩土体工程中的一维监测数据,通过非线性时间序列分析方法可以对其进行预测分析,该方法具有较高的实用价值。