基于时序AR补偿RBF模型的滑坡位移预测

发布时间：2021-01-16 16:57

　　为了提高复杂态势下滑坡位移预测的准确性,构建了基于时序AR补偿RBF神经网络的滑坡位移预测模型。首先采用RBF（Radial Basis Function）神经网络对滑坡位移整体趋势进行逼近,获取预测残差;然后基于时序AR构建预测残差补偿器;最终将AR预测残差值与RBF逼近值进行叠加,从而实现滑坡位移预测。以隔河岩水电站进水口滑坡38期监测数据为例,采用AR补偿RBF模型进行预测。预测结果表明:相较于单一RBF神经网络,AR补偿RBF模型的预测平均相对误差由12.718%降低至4.703%,均方误差由0.232降低到了0.032;AR补偿RBF模型对滑坡位移拐点、突变点的逼近更符合实际,且具有较高的外推预测能力。 

【文章来源】：人民长江. 2020,51(03)北大核心

【文章页数】：4 页

【部分图文】：

滑坡变形位移曲线分类

RBF神经网络是单隐层前馈型网络,学习规则简单、稳定、具有良好的自学习及非线性逼近能力[14-17],其网络由输入层、隐含层、输出层构成,网络拓扑结构如图2所示。输入层由信号源节点组成,隐含层神经元数由具体问题决定,神经元变换函数是径向基函数,常采用高斯函数。输入层和输出层的变换是非线性的,输出层对输入模式做出响应,隐含层到输出层的变换是线性的,径向基神经网络的网络输出为

AR补偿RBF建模流程

【参考文献】：
期刊论文
[1]滑坡灾害空间预测方法研究综述[J]. 蒋树,王义锋,刘科,潘洪月.  人民长江. 2017(21)
[2]基于多算法参数优化与SVR模型的白水河滑坡位移预测[J]. 苗发盛,吴益平,谢媛华,李曜男,范斌强,张俊.  工程地质学报. 2016(06)
[3]混沌序列PSO-RBF耦合模型在滑坡位移预测中的应用[J]. 杨虎,吴北平,汪利.  科学技术与工程. 2013(30)
[4]基于时序AR（p）-RBF神经网络的变形建模与预测[J]. 高彩云,高宁.  测绘科学. 2013(06)
[5]基于影响因子的GM（1,1）-BP模型在八字门滑坡变形预测中的应用[J]. 李德营,殷坤龙.  长江科学院院报. 2013(02)
[6]灰时序GM-AR模型在建筑物沉降变形预测中的应用[J]. 高宁,崔希民,高彩云.  测绘科学. 2013(01)
[7]利用BP神经网络进行水库滑坡变形预测[J]. 易庆林,曾怀恩,黄海峰.  水文地质工程地质. 2013(01)
[8]变形预报中RBF和BP神经网络有效性比较[J]. 高彩云,高宁.  人民黄河. 2012(07)
[9]基于RBF多变量时间序列的滑坡位移预测研究[J]. 曾耀,李春峰.  长江科学院院报. 2012(04)
[10]滑坡位移时序预测的核函数构造[J]. 董辉,傅鹤林,冷伍明.  岩土力学. 2008(04)

博士论文
[1]基于智能算法的滑坡位移预测与危险性评价研究[D]. 高彩云.中国矿业大学(北京) 2016
[2]基于智能算法的滑坡稳定性建模与分析[D]. 黄光东.中国地质大学（北京） 2011



本文编号：2981188