基于基于混沌与人工神经网络的滑坡位移预测研究

《基于基于混沌与人工神经网络的滑坡位移预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、长江科学院硕士学位论文基于混沌与人工神经网络的滑坡位移预测研究姓名：杨智勇申请学位级别：硕士专业：岩土工程指导教师：李端有20070501摘要滑坡的演变对人类的生活生产活动有着巨大的影响，因此准确的预报滑坡系统的演变具有重要的现实意义。而滑坡系统是一个受地质条件、地下水以及人类工程活动等多种因素影响的非线性动力系统，其演变规律极为复杂，表面上看遵守着一定的规律，但又似乎具有一定的随机性，这就给滑坡的预报工作带来了很大的困难。本文将混沌理论与人工神经网络理论引入滑坡的位移预报中来，提出了一种新的滑坡位移预报方

2、法。本文认为滑坡系统受多个因素的作用，各个因素相互协同又相互竞争，当各个因素的影响力不相上下时，滑坡系统的演变就表现出极其复杂的混沌特性。鉴于在实际工程中，滑坡的位移时间序列比较容易获取，本文就利用滑坡体的位移时间序列进行研究，主要内容如下：在对基本的混沌理论进行研究的基础上，利用相空间重构理论，研究了适用于滑坡位移时间序列的相空间重构法，并对湖北清江水布垭大岩淌滑坡的位移时间序列进行了相空间重构，确定了相空间的嵌入维数以及延迟量，并在重构好的相空间中对滑坡系统的混沌特性进行了分析。在对大岩淌滑坡进行分析时

3、，计算出了大岩淌滑坡的位移时间序列的关联维数以及最大李雅普诺夫指数，证明了大岩淌滑坡系统的演变具有混沌的特性。在对BP人工神经网络的学习训练以及网络的设计进行了分析研究的基础上，本文构造出了适合于滑坡位移时间序列预测的BP人工神经网络全局预测模型，利用此模型对重构后的大岩淌滑坡系统相空间中的相点进行了拟合，并对滑坡的位移进行了预测，其预测结果要优于加权零阶局域预测法，预测效果较好。总的来说，基于混沌理论与人工神经网络的滑坡位移预测模型能较好的反映滑坡演变的特性，并能充分利用现有的监测数据进行位移预测研究，是

4、一种很具有研究价值的新型预测模型。关键词：滑坡；预测；混沌；BP人工神经网络；相空间；关联维数；李雅普诺夫指数；嵌入维数；延迟量IAbstractTheevolutionoflandslidehastremendousinfluencetohumanlife.Predictingtheevolutionoflandslideaccuratelyhasimportantsignificance.Thelandslidesystemisacomplexnonlineardynamicsystemunderthe

5、influenceofvariousfactorssuchasgeologicalconditions,undergroundwater,andhumanactivity.Itsevolutionruleisextremelycomplicated,whichfollowssomeobjectivelawsapparentlyandseemstoberandomatthesametime.Itcausesthatpredictingtheevolutionoflandslideaccuratelyissod

6、ifficult.Thechaostheoryandartificialneuralnetworkstheoryareintroducedintothemodeloflandslidepredictionandanewmethodoflandslidepredictionisputforwardinthisthesis.Thelandslidesystemiscontrolledbymanyfactorswhichcooperateandcompletewitheachother.Whenforceofea

7、chfactorisequal,theevolutionoflandslideshowsextremelyintricatechaoscharacter.Thetimeseriesoflandslidedisplacementisusedforresearchinthisthesisbecauseitisobtainedeasilyinpracticeproject.Themaincontentisasfollows:Basedontheresearchofbasicchaostheory,reconstr

8、uctionofphasespacewhichissuitedtothetimeseriesoflandslidedisplacementisputforward.AndthetimeseriesofDayantanglandslidedisplacementisreconstructedusingthismethod.Theembeddingdimensionanddelaytimeofphasespacear