基于KPCA-IA-SVM的边坡稳定性预测模型
为了解决当前研究中边坡稳定性预测模型计算量大且预测能力不佳的问题,提出了一种基于改进的主成分分析(PCA)和免疫算法优化扩展径向基函数(radial basis function,RBF)支持向量机的边坡安全系数预测方法.首先,在传统的主成分分析方法中引入了线性判别的思想,实现输入空间的降维.此外,利用对称正定矩阵对RBF核函数进行扩展,构建基于ERBF核函数的支持向量机模型,并用免疫算法记性优化.采用均方根误差(root mean squared error,RMSE)、平方和误差(sum of squares for error,SSE)、平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和可靠性来验证模型的性能.与网格搜索、粒子群优化算法和遗传算法相比,所提出方法的 4 种误差分别为0.0226、0.0058、0.0735和0.0121,数值偏差更小,预测结果更接近实际值且可靠性更高.此外,还将以上方法与强度折减法进行了对比,结果表明所提出方法与边坡安全系数计算值最为接近.最后,从边坡安全系数得出的边坡稳定级别也可为相关决策部门在应急响应中提供参考.
边坡安全系数、边坡稳定性、支持向量机、免疫算法、改进PCA
42
U416.14(道路工程)
西安交通工程学院中青年基金项目;西安交通工程学院科学研究重点项目;陕西省自然科学基础研究计划项目;国家自然科学基金
2023-08-07(万方平台首次上网日期,不代表论文的发表时间)
共10页
129-138