共查询到15条相似文献,搜索用时 873 毫秒
1.
基于神经网络范例推理的边坡稳定性评价方法 总被引:13,自引:4,他引:9
提出了基于神经网络范例推理的边坡稳定性评价方法。针对边坡的稳定性影响因素的复杂多变性和相当强的不确定性,建立了基于神经网络的边坡范例检索模型。运用神经网络强大的自适应、自组织、自学习的能力以及高度的非线性映射性、泛化性和容错性的特点,通过边坡范例的神经网络学习,建立了当前边坡和边坡范例之间相似性计算关系,最终实现了当前边坡的稳定性评价。对于8个验证边坡范例,模型的预测准确性达到了100 %,范例中的160组数据的相关性也达到了 0.981 5,表明建立的模型具有很高的预测准确性,模型的泛化能力很强。 相似文献
2.
边坡稳定性预测的模糊神经网络模型 总被引:9,自引:0,他引:9
根据边坡稳定问题具有的模糊性,提出了一种判定边坡稳定性的模糊神经网络模型。该系统仅从期望输入输出数据集即可达到获取知识、确定模糊初始规则基的目的。再利用神经网络学习能力便不难修改规则库中的模糊规则以及隶属函数和网络权值等参数,这样大大减少了规则匹配过程,加快了推理速度,从而极大程度地提高了系统的自适应能力。最后用收集到的边坡数据样本训练和测试模糊神经网络模型,结果表明该模糊神经网络预测边坡稳定性是可行的、有效的。 相似文献
3.
边坡稳定性的神经网络预测研究 总被引:21,自引:0,他引:21
根据神经网络法的基本原理,结合38个实际边坡工程稳定实例,应用VB5.0可视化编程语言,建立了边坡稳定性的神经网络预测模型,并运用该模型对部分边坡工程的稳定性进行预测,预测结果与边坡实际稳定状态相吻合,从而表明了神经网络法在边坡稳定性预测中的有效性。 相似文献
4.
5.
6.
基于遗传算法和模糊神经网络的边坡稳定性评价 总被引:4,自引:0,他引:4
边坡工程是一个动态的、模糊的、开放的复杂非线性系统,传统的分析方法有时难以对复杂边坡的稳定性做出符合实际的评价。影响边坡稳定性的因素复杂且具有随机性和模糊性。由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的边坡稳定性评价问题。综合考虑影响边坡稳定性的各方面因素,建立了基于遗传算法的模糊神经网络模型,并利用大量工程资料对网络进行训练和测试。预测结果表明,该模型的预测精度明显高于目前同类方法。 相似文献
7.
边坡稳定性分析是一个复杂的系统工程问题,其评价直接影响边坡工程的安全性与经济性。为了实现对边坡稳定性的快速、高效和准确评价,需要考虑边坡稳定性多种评价指标,但指标间或多或少存在一定的相关性,从而导致参量信息重叠。文章提出一种因子分析方法对边坡稳定性相关指标数据进行降维处理,提取3个综合指标对边坡稳定性进行总体评价。因子分析后的指标彼此独立,能够满足概率神经网络(PNN)样本层中采用高斯函数作径向基函数的要求。在因子分析的基础上,建立边坡稳定性评价的PNN模型,将其应用于39个典型的边坡稳定性评价。预测结果表明:5种不同的训练和测试样本个数下PNN模型仍具有良好的预测效果,其正判率分别为100%、94.87%、94.87%、84.62%和84.62%,说明因子分析与PNN模型结合可为岩土工程中边坡稳定性评价提供了一种很好的思路。 相似文献
8.
用神经网络评价边坡稳定性 总被引:21,自引:0,他引:21
影响边坡稳定性因素是复杂且具有随机和模糊特性。神经网络的性能特征使适用于解决非性的边坡稳定性评价问题,本文建立了边坡稳定性评价的复合网络模型,并利用边坡工程的失稳及稳定实例对网络进行了训练和测试,计算分析表明,网络模型对于评价边坡的稳定性有较好的适用性。 相似文献
9.
10.
11.
12.
为了分析边坡的稳定性,利用协调粒子群算法和BP网络建立了边坡稳定性CPSO-BP预测模型。BP网络能够很好地描述边坡稳定性与其影响因素之间复杂的非线性关系,将内摩擦角、边坡角、岩石重度、边坡高度、黏聚力、孔隙压力比6个主要影响因素作为网络的输入,将边坡稳定性系数作为网络的输出。为避免BP网络陷入局部最优,利用协调粒子群算法的全局优化能力确定BP网络的连接权值和阀值,使BP网络的优势得到分发挥,达到提高模型预测精度目的。实例表明CPSO-BP模型有更好地预测精度以及将其应用于边坡稳定性预测是可行的。 相似文献
13.
14.
用遗传神经网络分析泥石流活动性 总被引:7,自引:0,他引:7
泥石流是我国山区的主要地质灾害之一。影响泥石流活动性的因素十分复杂,并且具有随机性和模糊性。遗传神经网络结合了神经网络和遗传算法的优点,可以模拟学习和进化之间的交互作用,很适合用于分析泥石流活动性。文章简要讨论了遗传神经网络的原理,建立了泥石流活动性分析的遗传神经网络模型,并将该模型用于川藏公路沿线30条泥石流沟的活动性分析。网络的拓扑结构为(9,6,4,3),即输入节点(评价指标)、第l隐含层、第2隐含层和输出接点(分析结果)分别为9、6、4、3。首先以其中25条泥石流沟作为样本对网络进行训练,训练时网络的连接权采用遗传算法进行自适应演化,待模型稳定后将其余5条泥石流沟的数据输入模型,计算它们的活动性,计算结果与实际观测基本相符,证明模型是可行的,各个参数的选取也是合适的。 相似文献
15.
Logistic regression versus artificial neural networks: landslide susceptibility evaluation in a sample area of the Serchio River valley,Italy 总被引:6,自引:3,他引:3
F. Falaschi F. Giacomelli P. R. Federici A. Puccinelli G. D’Amato Avanzi A. Pochini A. Ribolini 《Natural Hazards》2009,50(3):551-569
This article presents a multidisciplinary approach to landslide susceptibility mapping by means of logistic regression, artificial
neural network, and geographic information system (GIS) techniques. The methodology applied in ranking slope instability developed
through statistical models (conditional analysis and logistic regression), and neural network application, in order to better
understand the relationship between the geological/geomorphological landforms and processes and landslide occurrence, and
to increase the performance of landslide susceptibility models. The proposed experimental study concerns with a wide research
project, promoted by the Tuscany Region Administration and APAT-Italian Geological Survey, aimed at defining the landslide
hazard in the area of the Sheet 250 “Castelnuovo di Garfagnana” (1:50,000 scale). The study area is located in the middle
part of the Serchio River basin and is characterized by high landslide susceptibility due to its geological, geomorphological,
and climatic features, among the most severe in Italy. Terrain susceptibility to slope failure has been approached by means
of indirect-quantitative statistical methods and neural network software application. Experimental results from different
methods and the potentials and pitfalls of this methodological approach have been presented and discussed. Applying multivariate
statistical analyses made it possible a better understanding of the phenomena and quantification of the relationship between
the instability factors and landslide occurrence. In particular, the application of a multilayer neural network, equipped
for supervised learning and error control, has improved the performance of the model. Finally, a first attempt to evaluate
the classification efficiency of the multivariate models has been performed by means of the receiver operating characteristic
(ROC) curves analysis approach. 相似文献