[发明专利]基于改进的PSO-RBF算法的边坡稳定性预测方法

说明书

基于改进的PSO‑RBF算法的边坡稳定性预测方法。本发明公开了基于改进的PSO‑RBF算法的边坡稳定性预测模型，属于边坡稳定性预测技术领域。本发明通过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。本发明在传统的隐含层使用的高斯函数的基础上，加入了径向基函数扩展速度控制因子，该因子可以调节神经网络的参数在迭代过程中的变化趋势，避免迭代过程中的突变，使训练好的模型预测精度更高。

技术领域

本发明属于边坡稳定性预测技术领域，具体涉及基于改进的PSO-RBF算法的边坡稳定性预测方法。

背景技术

近几年，随着全球极端天气事件的不断出现，自然灾害频发，其中由于边坡失稳导致的滑坡、泥石流等灾害已经造成了众多人民的生命财产损失。因此，能够有效地预测边坡的稳定性就变得尤为重要。

边坡稳定性的预测主要是通过滑坡条件分析，确定出对滑坡作用有利的因素组合，根据这些有利因素的组合来预测区域上或某段斜坡将来产生滑坡的可能性。常用的边坡稳定性评价方法有四类，第一类是定性分析法，通过对边坡的尺寸和坡形、边坡的地质结构、所处的地质环境、形成的地质历史、变形破坏形迹，以及影响其稳定性的各种因素的研究，判断边坡演变阶段和稳定状况；第二类是极限平衡分析法，把可能滑动的岩、土体假定为刚体，通过分析可能滑动面，并把滑动面上的应力简化为均匀分布，进而计算出边坡的稳定性系数；第三类是数值分析法，利用有限单元分析法，先计算出边坡位移场和应力场，然后利用岩、土体强度准则，计算出各单元与可能滑动面的稳定性系数；第四类是工程地质类比法，将所研究边坡或拟设计的人工边坡与已经研究过的或已有经验的边坡进行类比，以评价其稳定性，并提出合理的坡高和坡角。而随着非线性理论的发展，模糊算法、支持向量机、人工神经网络等智能算法也给边坡稳定性预测问题带来了新的研究途径。在人工神经网络中的径向基神经网络由于其较强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现等优点，被学者广泛应用于边坡稳定性预测。传统RBF网络对于网络隐藏层参数的确定一般使用聚类法和梯度下降法，而随着对自然界生物淘汰理论的进一步认识和研究，相关研究人员在近几十年不断提出能够优化神经网络结构的进化算法：Dorigo提出了蚁群算法(Ant Colony Optimization，简称为ACO)；Roben提出了文化算法(Cultural Algorithm，简称为CA)；Storn和Price提出了差分进化算法(Differential Evolution，简称为DE)；Kennedy和Eberhart提出了粒子群优化算法(Particle Swarm Optimization，简称为PSO)。其中PSO算法因其原理简单、参数少和容易实现等特点现被广泛应用于神经网络训练。相较于传统PSO算法，近些年科研人员也提出了一些改进方法：.SHI等提出线性权重衰减粒子群优化算法，随着迭代次数的增加进行线性衰减的惯性权重；YAN等提出指数权重衰减粒子群优化算法，基于指数形式对惯性权重进行了衰减；CLERC等提出的收缩因子粒子群优化算法，引入了一个收缩因子x，可以平衡传统粒子群优化算法局部和全局搜索的能力；ZHANG等提出高斯分布衰减惯性权重粒子群优化算法，受高斯分布函数启发，将其与粒子群算法结合。

尽管相较于最初的理论有了一定发展，但PSO算法仍然存在易陷入局部最优、后期收敛速度变慢、算法的优化结果精度不高等问题；RBF神经网络也存在参数设置不当会导致训练模型欠拟合或过拟合等问题。同时，由于影响边坡稳定性的因素众多，若不能合理选择相关参数以及数量，也无法准确预测。并且由于边坡失稳灾害的突发性和严重性，对其稳定性的预测应当快速且准确。

发明内容

针对上述问题本发明提供了基于改进的PSO-RBF算法的边坡稳定性预测方法。

为了达到上述目的，本发明采用了下列技术方案：