EEMD-GA-SVM模型在滑坡位移预测中的应用

论文摘要

滑坡变形在外部因素影响下易表现出随机性和非线性不易预测的特点,为此有必要提出更加有效的预测方法。利用集合经验模态分解（EEMD）滑坡位移原始时间序列,可得到多组复杂度差异明显的新位移变形子序列,然后针对各变形子序列的特点,分别建立变形子序列的GA-SVM预测模型,再将各子序列预测模型相叠加,最终构建出基于集合经验模态分解与遗传算法优化的支持向量机（EEMD-GA-SVM）滑坡变形预测模型。以恩施市香炉坝村滑坡为例,通过对比EEMD-GA-SVM和BPNN、SVM、GA-SVM各种边坡变形预测模型的预测精度,发现EEMD-GA-SVM模型精度更高且更为可靠,能够为滑坡安全监测提供有价值的参考。

论文目录

• 1 理论与方法
•   1.1 基于时间序列的EEMD分解与重组
•   1.2 遗传算法优化的支持向量机
• 2 工程实例
•   2.1 滑坡位移数据EEMD分解与分析
•   2.2 EEMD-GA-SVM滑坡位移模型构建
•   2.3 预测分析与验证
• 3 结 论

文章来源

类型: 期刊论文

作者: 刘人杰,黄健,剪鑫磊,李桥,王豪

关键词: 滑坡变形预测,集合经验模态分解,遗传算法优化,支持向量机

来源: 人民长江 2019年11期

年度: 2019

分类: 工程科技Ⅱ辑,基础科学

专业: 地质学,工业通用技术及设备

单位: 成都理工大学地质灾害防治与地质环境保护国家重点实验室

基金: 地质灾害防治与地质环境保护国家重点实验室自主课题“地质灾害数据挖掘分析关键技术研究”(SKLGP2017Z006),国家创新研究群体科学基金项目(41521002)

分类号: P642.22

DOI: 10.16232/j.cnki.1001-4179.2019.11.022

页码: 134-139

总页数: 6

文件大小: 3749K

下载量: 177