基于回歸神經網絡的滑坡位移時間序列預測研究.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雜的地質自然災害。三峽庫區(qū)復雜多樣的地質地理環(huán)境、差別較大的地形地貌和新的構造運動如蓄水，使整個地區(qū)的地質問題很多，尤其是滑坡。它給庫區(qū)帶來了大量的財產損失、人員傷亡，甚至是影響了整個移民工程的全面實施。因此，通過加強滑坡的監(jiān)測及預測，進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、風暴潮及人類生產活動等?；卵莼徽J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系。由于危害極大且有逐年增加的趨勢，滑坡的預防與預測的研究也一直是工程領域的熱點。因此，本文利用回歸神經網絡(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，結合兩組滑坡實例作為研究對象，進行滑坡預測問題的研究，具體內容包括以下方面：
　　對影響滑坡穩(wěn)定性的相關外界環(huán)境因素進

3、行了研究，基于決策樹(DT)的分類思想，提出使用隨機森林(RF)算法對滑坡進行穩(wěn)定性分析。隨機森林在處理數(shù)據(jù)特性主要有兩點：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(SVM)算法相比，隨機森林不需要考慮影響實驗結果的多重因素，更加適合做滑坡穩(wěn)定性分析。
　　考慮滑坡位移時間序列的預測問題，提出一種基于K折交叉檢驗的廣義回歸神經網絡(K

4、-GRNNs)模型。廣義回歸神經網絡(GRNNs)的主要特點是人為控制的因素只有一個，本文利用K折交叉檢驗的方法優(yōu)化廣義回歸神經網絡的閾值徑向基函數(shù)的擴展速度的值，優(yōu)化廣義回歸神經網絡，從而提高網絡的預測性能。
　　以三峽庫區(qū)的涼水井和白水河滑坡為實例驗證了本文提出的算法比傳統(tǒng)的反向傳播神經網絡(BPNN)和徑向基函數(shù)(RBF)的更高的預測性能。
　　為了滿足人們對滑坡預測趨勢精確性的需求，擴充滑坡預測的時間寬度主要有兩種方

5、法：多步預測和區(qū)間預測。本文提出一種基于擴展卡爾曼濾波(EKF)的時間反向遞歸算法(BPTT)方法來進行滑坡位移的多步預測。首先，使用擴展的卡爾曼濾波來優(yōu)化時間反向算法的權值，然后再通過最新的觀測值和模型輸出值訓練結果實時對網絡參數(shù)數(shù)值進行調整，提高預測的可靠性。最后，通過對降雨及庫水位的改變值與位移之間的相互的對應數(shù)學統(tǒng)計關系進行分析，以此進一步明確多步位移預測模型的參數(shù)。本文對兩組三峽庫區(qū)滑坡數(shù)據(jù)集進行了實例分析，實驗結果顯示本文提

6、出的方法比實時遞歸算法(RTRL)、時間反向算法取得預測結果好。
　　考慮進一步優(yōu)化滑坡預測時間寬度的結果，本文采用兩種方法來進行區(qū)間預測。首先，提出基于自助法的回聲狀態(tài)網絡(ESN)分叉迭代滑坡位移時間序列的區(qū)間預測模型。使用回聲狀態(tài)網絡模型對所獲得的時間序列數(shù)據(jù)進行插值，對訓練樣本集進行擴展并用Bootstrap分解，然后再求出估計方差。最后，使用一個回聲狀態(tài)網絡計算誤差的方差。以三峽庫區(qū)兩組典型的滑坡數(shù)據(jù)集來驗證這種方法的可

7、行性，與基于自助法的廣義回歸神經網絡(Bootstrap-GRNN)方法相比較，本文方法能取得較好的實驗結果。
　　利用神經網絡方法的進行區(qū)間預測，本文提出了基于粒子群(PSO)與引力搜索(GSA)混合算法(PSOGSA)的埃爾曼回歸神經網絡預測模型，其主要特點是計算簡單，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，對埃爾曼神經網絡的權值進行修正，構建最優(yōu)回歸神經網絡，得到區(qū)間預測的上界和下界。實驗