基于数据再生与空间重构的岩土体变形行为预测

针对岩土体变形行为预测中观测数据的有限性以及信息的不完备性,提出以分段插值或Boostrap重采样对有限观测数据再生以增强数据细节信息,以坐标变换或状态空间重构改变时序数据的表示形式,并重写原有不显著的规律的研究方法。在深入分析方法中重采样、混沌辨识、相空间重构的嵌入维数和延迟时间等关键技术的基础上,分别采用支持向量机、径向基函数前向型神经网络（RBF）以及反馈型神经网络（Elman）,对3组不同特征工程算例的岩土体变形时序在数据再生和空间重构前后进行预测对比研究。结果表明,变形时序的数据再生与重构能够极大地扩充数据细部特征信息和凸显岩土体变形演化的本质规律,以此数据建立的SVM预测模型,其可靠性和准确性优于以原始数据SVM、RBF和Elman建模预测效果。