為了提高復(fù)雜態(tài)勢下滑坡位移預(yù)測的準(zhǔn)確性,構(gòu)建了基于時序AR補償RBF神經(jīng)網(wǎng)絡(luò)的滑坡位移預(yù)測模型。首先采用RBF（Radial Basis Function）神經(jīng)網(wǎng)絡(luò)對滑坡位移整體趨勢進(jìn)行逼近,獲取預(yù)測殘差;然后基于時序AR構(gòu)建預(yù)測殘差補償器;最終將AR預(yù)測殘差值與RBF逼近值進(jìn)行疊加,從而實現(xiàn)滑坡位移預(yù)測。以隔河巖水電站進(jìn)水口滑坡38期監(jiān)測數(shù)據(jù)為例,采用AR補償RBF模型進(jìn)行預(yù)測。預(yù)測結(jié)果表明:相較于單一RBF神經(jīng)網(wǎng)絡(luò),AR補償RBF模型的預(yù)測平均相對誤差由12.718%降低至4.703%,均方誤差由0.232降低到了0.032;AR補償RBF模型對滑坡位移拐點、突變點的逼近更符合實際,且具有較高的外推預(yù)測能力。 

【文章來源】：人民長江. 2020,51(03)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

滑坡變形位移曲線分類

RBF神經(jīng)網(wǎng)絡(luò)是單隱層前饋型網(wǎng)絡(luò),學(xué)習(xí)規(guī)則簡單、穩(wěn)定、具有良好的自學(xué)習(xí)及非線性逼近能力[14-17],其網(wǎng)絡(luò)由輸入層、隱含層、輸出層構(gòu)成,網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示。輸入層由信號源節(jié)點組成,隱含層神經(jīng)元數(shù)由具體問題決定,神經(jīng)元變換函數(shù)是徑向基函數(shù),常采用高斯函數(shù)。輸入層和輸出層的變換是非線性的,輸出層對輸入模式做出響應(yīng),隱含層到輸出層的變換是線性的,徑向基神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輸出為

AR補償RBF建模流程

【參考文獻(xiàn)】：
期刊論文
[1]滑坡災(zāi)害空間預(yù)測方法研究綜述[J]. 蔣樹,王義鋒,劉科,潘洪月.  人民長江. 2017(21)
[2]基于多算法參數(shù)優(yōu)化與SVR模型的白水河滑坡位移預(yù)測[J]. 苗發(fā)盛,吳益平,謝媛華,李曜男,范斌強,張俊.  工程地質(zhì)學(xué)報. 2016(06)
[3]混沌序列PSO-RBF耦合模型在滑坡位移預(yù)測中的應(yīng)用[J]. 楊虎,吳北平,汪利.  科學(xué)技術(shù)與工程. 2013(30)
[4]基于時序AR（p）-RBF神經(jīng)網(wǎng)絡(luò)的變形建模與預(yù)測[J]. 高彩云,高寧.  測繪科學(xué). 2013(06)
[5]基于影響因子的GM（1,1）-BP模型在八字門滑坡變形預(yù)測中的應(yīng)用[J]. 李德營,殷坤龍.  長江科學(xué)院院報. 2013(02)
[6]灰時序GM-AR模型在建筑物沉降變形預(yù)測中的應(yīng)用[J]. 高寧,崔希民,高彩云.  測繪科學(xué). 2013(01)
[7]利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行水庫滑坡變形預(yù)測[J]. 易慶林,曾懷恩,黃海峰.  水文地質(zhì)工程地質(zhì). 2013(01)
[8]變形預(yù)報中RBF和BP神經(jīng)網(wǎng)絡(luò)有效性比較[J]. 高彩云,高寧.  人民黃河. 2012(07)
[9]基于RBF多變量時間序列的滑坡位移預(yù)測研究[J]. 曾耀,李春峰.  長江科學(xué)院院報. 2012(04)
[10]滑坡位移時序預(yù)測的核函數(shù)構(gòu)造[J]. 董輝,傅鶴林,冷伍明.  巖土力學(xué). 2008(04)

博士論文
[1]基于智能算法的滑坡位移預(yù)測與危險性評價研究[D]. 高彩云.中國礦業(yè)大學(xué)(北京) 2016
[2]基于智能算法的滑坡穩(wěn)定性建模與分析[D]. 黃光東.中國地質(zhì)大學(xué)（北京） 2011



本文編號：2981188