基于交替迭代算法神经网络评价岩石边坡稳定性

目前边坡工程中常用的稳定性分析方法主要分为极限平衡法和数值分析法2大类，文章对它们各自的主要愿理、特点及其优缺点等进行了阐述。首先，根据经典边坡稳定分析方法存在的局限性，提出有必要建立基于人工神经网络的边坡稳定性预报方法。其次，针对经典算法BP网络存在的某些缺陷，提出了一种交替迭代算法神经网络，以提高其非线性映射能力和泛化能力。交替迭代神经网络算法通过解2个阶数比较低的线性代数方程组，逐步求得连接权值的。以此提高收敛速度，且有利于寻求最优解。作者用FORTRAN语言编制了程序。分析了建立边坡岩体稳定性预测网络模型的建立中应该注意的几个方面。最后，基于已有的40个岩石边坡工程实例进行所建立的神经网络的训练和边坡稳定的预报，结果表明文中所建立的边坡稳定性预报方法具有较高的预报准确度。     

神经网络在边坡稳定性分析中的应用

应用神经网络理论,提出了圆弧式破坏边坡的边坡安全系数估计的新方法,通过对搜集到的边坡稳定性实例进行了实习和预测,可以看出,神经网络方法有精度高,收敛速度快,容错能力高等特点。     

边坡稳定性的神经网络预测研究

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。     

基于广义回归神经网络的边坡稳定性评价

边坡失稳是比较常见的地质灾害,判定其稳定性的方法很多,在使用过程中也暴露出了这些方法的缺陷。针对这些问题,构建了适合于边坡稳定性评价的广义回归神经网络模型,并运用Matlab的神经网络工具箱进行了分析和计算,使用了相关数据来训练和测试该模型的可靠性和可行性。结果表明,广义回归神经网络模型在使用过程中需选择合适的光滑因子,而所得出的数据与实际结果较为相符,解决了之前使用的BP神经网络模型的缺点,具有很好的工程运用前景。     

基于遗传算法和模糊神经网络的边坡稳定性评价

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。     

基于神经网络范例推理的边坡稳定性评价方法

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。     

边坡稳定性的神经网络估计

应用神经网络理论,本文提出了圆弧破坏和楔体破坏的边坡安全系数估计的新方法。为解决安全系数估计的知识的学习问题,提出了一种推广学习算法。用它对收集到的边坡实例进行学习,然后进行推广,预测出新边坡的安全系数。与极限平衡法和极大似然法的估计结果进行了比较,可以看出,神经网络方法具有推广预测精度高、自学习功能强、考虑不确定性能力强等特点。     

用改进后的BP神经网络评价黄土质边坡稳定性

首先介绍了改进BP神经网络性能的几种方法；在此基础上，考虑影响黄土质边坡稳定性分析的各种自然因素，包括坡高，坡比，强度指数，土何内摩擦角，土体容重，空隙水压力系数以及地震烈度统方法的计算结果进行逐一对比，对比结果证明了该方法能够满足一般黄土质边坡稳定性评价的精度要求；另一方面，由于方法的改进大大减少了网络的计算时间，使得黄土质边坡稳定性的评价更为便捷迅速，从而证明该方法具有一定的推广应用价值。     

因子分析-概率神经网络模型在边坡稳定性评价中的应用

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。     

边坡稳定性神经网络评价模型中断裂构造的定量化处理

神经网络模型应用于边坡稳定性评价已取得不少成果,但总体上仍处于理论研究阶段,因子的选择及因子的定量化处理问题尚无统一认识,因断裂构造因素难以量化处理,很多评价中未进行考虑,影响了边坡稳定性评价的效果。本文提出用岩体完整性指数反映断裂构造作用对边坡稳定性的影响,具有一定的地质依据,为神经网络模型评价过程中断裂构造因素的定量化处理提供了一种思路,具有一定的实践意义。     

基于SOFM神经网络的边坡稳定性评价

针对边坡工程稳定性分析中参数的不确定性,在分析自组织特征映射神经网络（SOFM）基本学习算法的基础上,从提高算法收敛速度和性能出发,将自组织特征映射神经网络基本学习算法加以改进,据此建立了评价边坡稳定状态的SOFM神经网络模型。然后用收集到的边坡稳定工程实例作为样本,对该模型进行训练和检验,并与BP神经网络判别结果对比。结果表明,SOFM神经网络性能良好、预测精度高,是边坡稳定性评价的一种有效方法。     

Determination of stability of slope using Minimax Probability Machine

This article examines the capability of Minimax Probability Machine (MPM) for the determination of stability of slope. MPM is constructed within a probabilistic framework. This study uses MPM as classification and regression tools. Unit weight (γ), cohesion (c), angle of internal friction (φ), slope angle (β), height (H) and pore water pressure coefficient (r_u) have been used as inputs of the MPM model. The outputs of MPM are stability status of slope and factor of safety (F). The results of MPM have been compared with the artificial neural network models. The experimental results demonstrate that the developed MPM is a promising tool for the determination of stability of slope.     

A study of slope stability prediction using neural networks

The determination of the non-linear behaviour of multivariate dynamic systems often presents a challenging and demanding problem. Slope stability estimation is an engineering problem that involves several parameters. The impact of these parameters on the stability of slopes is investigated through the use of computational tools called neural networks. A number of networks of threshold logic unit were tested, with adjustable weights. The computational method for the training process was a back-propagation learning algorithm. In this paper, the input data for slope stability estimation consist of values of geotechnical and geometrical input parameters. As an output, the network estimates the factor of safety (FS) that can be modelled as a function approximation problem, or the stability status (S) that can be modelled either as a function approximation problem or as a classification model. The performance of the network is measured and the results are compared to those obtained by means of standard analytical methods. Furthermore, the relative importance of the parameters is studied using the method of the partitioning of weights and compared to the results obtained through the use of Index Information Theory.     

边坡稳定分析的神经网络改进模糊点估计法

边坡稳定性分析中,模糊点估计法能同时考虑模糊不确定性和随机不确定性因素。针对传统模糊点估计法计算工作量大的缺点,提出一种神经网络改进模糊点估计法。利用拉丁超立方抽样法和径向基函数神经网络（RBF）建立边坡安全系数的预测模型;对黏聚力和内摩擦角等模糊随机变量取λ截集,并在各截集水平对参数进行组合;利用建立的预测模型对各参数组合的安全系数进行预测;最后由统计矩点估计法计算边坡的可靠度指标。实例分析表明：改进模糊点估计法使用方便、结果可靠,且能通过增加λ截集水平的数目来提高计算精度。对于含有2～4个模糊随机变量的边坡,采用改进模糊点估计法计算可靠度时λ截集水平的数目可近似取25。     

基于概率神经网络的岩土边坡稳定性预测方法

基于数据挖掘技术和智能系统,提出应用概率神经网络预测边坡稳定性的数值方法。根据大量边坡稳定或者失稳案例记录的数据库资料,采用数据挖掘方法能够从中提炼出有价值的分类模式。将岩土边坡的力学参数和几何形状作为神经网络的输入训练和测试神经网络。实际应用显示所建立的概率神经网络预测边坡稳定的实用性。与传统的极限平衡分析方法和极大似然估计方法相对比,所提出的概率神经网络具有更高的预测精度。     

基于T-S模型的模糊神经网络在边坡稳定评价中的应用

受地质、工程等众多因素的影响,岩土质边坡稳定性具有未确知性、随机性、模糊性、可变性等特点,很难用简单的力学、数学模型描述。提出了用基于Takagi-Sugeno模型的模糊神经网络来对边坡稳定性进行评价,该模型同时兼具神经网络和模糊逻辑二者的优点,既可以比较容易地处理模糊性的实际问题,又具有较好的学习能力。将此模型与BP神经网络模型同时应用于80个实际边坡样本进行训练和预测,结果表明该模型具有预测精度更高、收敛速度更快、预测结果与实际结果吻合度更高的特点