动水驱动型滑坡的状态仿射迁移学习方法

三峡库区的动水驱动型滑坡具有阶梯式变形特征，在监测数据不足的情况下，难以准确、合理地完成滑坡分析与预测预报等相关研究.针对监测数据不足的情况，设计了一种状态仿射迁移学习方法（Stateaffinetransfer learningmethod,SATLM），通过学习相似滑坡的知识完成对数据量不足的滑坡状态分析.为验证SATLM对滑坡状态分析的有效性，设计了一种状态相似分析方法，完成对库区多个滑坡的知识学习后实现对另一个数据量不足的滑坡地表位移预测.结果表明，完成状态仿射迁移后，本方法与BPNN和SVM相比，万州塘角1号滑坡地表位移预测的平均绝对误差和均方根误差都实现了较大降低.白家包滑坡、白水河滑坡、八字门滑坡知识的成功迁移，证明了SATLM在相似动水驱动型滑坡的知识迁移上具有较好效果.     

基于生成对抗网络的动水驱动型滑坡状态识别方法

动水驱动型滑坡状态识别能更有效地辅助分析滑坡形变规律, 实现滑坡状态的准确识别对深入展开动水驱动型滑坡状态研究具有重要意义。针对目前动水驱动型滑坡突变状态研究较少, 难以获得相关特征, 从而导致状态识别性能不佳的问题, 提出了一种应用于动水驱动型滑坡状态识别的生成对抗网络学习方法。本方法通过构建滑坡状态监测数据矩阵, 依据少量数据样本设计合理的生成器网络完成对滑坡状态的数据扩增并设计判别器网络实现扩增数据的筛选, 通过对抗生成网络实现对滑坡状态的分类, 达到滑坡状态识别的目的。以三峡库区白水河滑坡为研究对象, 将降雨、库水位、深部位移和地表位移等多源监测数据进行了规范化处理, 设计生成器网络和对抗器网络完成了对滑坡状态数据的扩增, 设计滑坡状态识别生成对抗网络完成了对滑坡状态的分类和识别。结果表明, 生成对抗网络对滑坡状态识别具有较高的准确率。研究结果证实本方法能够对目标区域内的动水驱动型滑坡状态进行准确识别和分类, 可直接应用于工程实际。