[发明专利]一种基于混合智能算法的边坡位移预测方法

权利要求书

1.一种基于混合智能算法的边坡位移预测方法，其特征在于，包括如下步骤：

在目标边坡特定位置安装若干不同的监测设备，采集边坡的监测信息，根据所述监测信息建立初始数据库；

剔除所述初始数据库中的冗余信息，得到约简集数据库；

降低所述约简集数据库中数据的维数，得到综合指标数据库；

根据所述综合指标数据库中的数据制作训练样本和测试样本；

建立最小二乘支持向量机模型，通过所述训练样本对所述最小二乘支持向量机模型进行训练，得到第一预测模型；

通过所述测试样本对所述第一预测模型进行修正，得到第二预测模型；

通过所述第二预测模型和目标边坡的实时监测信息对目标边坡的位移进行预测，得到第一预测值；

通过马尔科夫方法对所述第一预测值进行修正，得到最终预测值。

2.根据权利要求1所述基于混合智能算法的边坡位移预测方法，其特征在于，各所述监测设备以时间T₁为周期采集监测信息；所述监测信息包括：

A、时间T₁内边坡的表面位移；

B、时间T₁内边坡坡脚不同深度的水平位移、平均正向土压力、平均侧向土压力和平均孔隙水压力；

C、时间T₁内边坡累积降雨量、降雨天数、连续降雨天数和日降雨最大值。

3.根据权利要求2所述基于混合智能算法的边坡位移预测方法，其特征在于，所述剔除所述初始数据库中的冗余信息，得到约简集数据库，包括如下步骤：

步骤S1,通过K均值聚类算法对所述初始数据库中的监测信息进行离散化处理；

步骤S2，根据所述监测信息构造决策表P，决策表P的条件属性集C为所述监测信息的B和C的集合，决策属性D为所述监测信息的A；

步骤S3，计算决策属性D的条件属性集C正域POSc(D)；

步骤S4，令条件属性集R＝C，从所述条件属性集R中剔除条件属性a，得到条件属性集R-{a}，其中，a为条件属性集C中的任意一个条件属性；

步骤S5，计算决策属性D的条件属性集R-{a}正域POS_R-{a}(D)，若POS_C(D)＝POS_R-{a}(D)，则令R＝R-{a}；

步骤S6，重复步骤S4、S5，遍历条件属性集C中每一个条件属性，得到最简的条件属性集R，并根据所述条件属性集R包含的条件属性及其对应的数据，建立约简集数据库。

4.根据权利要求3所述基于混合智能算法的边坡位移预测方法，其特征在于，还包括对所述约简集数据库的离群值进行剔除。

5.根据权利要求4所述基于混合智能算法的边坡位移预测方法，其特征在于，所述降低所述约简集数据库中数据的维数，得到综合指标数据库，包括如下步骤：

获取所述约简集数据库中的监测信息，得到数据集S＝{x₁，x₂，...，x_n，...，x_N}，其中，x_n为所述约简集数据库中第n个数据，N为所述约简集数据库中的数据个数；

通过Z-score法对所述数据S进行标准化处理；

通过非线性映射函数Φ将数据xi从原始空间RM映射到高维特征空间F，并通过主成分分析对映射后的数据进行降维，得到综合指标数据库。

6.根据权利要求5所述基于混合智能算法的边坡位移预测方法，其特征在于，所述建立最小二乘支持向量机模型，通过所述训练样本对所述最小二乘支持向量机模型进行训练，得到第一预测模型，包括如下步骤：

建立最小二乘支持向量机模型，将所述训练样本输入所述最小二乘支持向量机模型，进行训练，得到训练好的最小二乘支持向量机模型；

通过粒子群算法对训练好的最小二乘支持向量机模型的参数进行优化，得到第一预测模型。