[发明专利]基于改进的PSO-RBF算法的边坡稳定性预测方法

权利要求书

1.基于改进的PSO-RBF算法的边坡稳定性预测方法，其特征在于：对径向基神经网络初始化、采用基于正态衰减惯性权重因子的粒子群优化算法对径向基神经网络参数进行优化、根据优化算法算出的径向基神经网络的最佳参数构建全新的径向基神经网络预测模型、使用改进的径向基神经网络预测模型进行边坡稳定性的预测；

具体包括以下步骤：

步骤S1，对径向基神经网络进行初始化，确定径向基神经网络的结构，

步骤S2，对粒子群进行初始化：设置种群的规模，迭代次数，权重因子和学习的初始值和结束值，各个粒子的初始速度、初始位置以及个体最佳位置和全局最佳位置；

步骤S3，开始训练径向基神经网络参数：根据公式(1)计算各个粒子的速度

其中，代表第i个粒子在迭代t+1次之后速度矢量，是第i个粒子经过迭代t次找到的粒子最佳位置,是粒子群在迭代t次之后找到的种群最佳位置,r₁和r₂取[0，1]间的随机数,ω^t为权重因子，其定义公式为：

其中，t_max为最大迭代次数，t为当前迭代次数，为黄金分割比值0.618；

其中，c₁、c₂为学习因子，其定义公式为：

c₁＝2-cos(-tπ/2t_max) (3)

c₂＝1+cos(-tπ/2t_max) (4)

在求出后，需要与设置好的v_max、v_min进行比较

其中，v_max为速度上限，v_min为速度下限，之后计算各个粒子的位置

其中，为了适应ω^t的变化特点，在位置公式中引入调节因子β，其定义公式为：

其中，n为粒子总数，为当前粒子的适应度，其定义公式为：

其中，为实测值，f_i^t为预测值，预测值定义公式为：

其中，是输出层的连接系数，由该粒子的此时刻最佳位置坐标中得到，

N是隐含层的神经元个数，是径向基函数，其定义公式为：

其中，为宽度参数，为中心值，均由该粒子的此时刻最佳位置坐标中得到，α为径向基函数扩展速度控制因子，其定义公式为：

其中，γ为工作人员可操控的调节因子；

步骤S4，将每个粒子当前时刻求出的适应度与上一时刻的适应度进行比较，若粒子此时刻的适应度值优于上一时刻的适应度值，则将个体最佳位置的值更换为此时刻的位置否则保持不变；

步骤S5，比较所有此时刻粒子更新后的适应度，选择其中最佳的适应度与上一时刻对应的适应度进行比较，若优于对应适应度，则将更新为该粒子所在位置否则保持不变；

步骤S6，判断最佳适应度是否达到0.06，若达到要求，则停止迭代并输出全局最佳位置值；否则重复步骤S3～S5；

步骤S7，将达到要求后的全局最佳位置中的坐标值作为最优解当作径向基神经网络中所需要的参数值，建立径向基神经网络预测模型，将从需要预测稳定性的边坡上采集到的数据集预处理后输入建立的预测模型中，将会得到模型对于该边坡的稳定性预测。