EEMD-GA-SVM模型在滑坡位移预测中的应用

• 作者: 刘人杰 剪鑫磊 李桥 王豪 黄健
• 来源期刊: 人民长江
• 学科: 地球科学
• 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
• 年，卷（期）: 2019,（11）
• 所属期刊栏目: 地质与勘测
• 页码范围: 134-139
• 页数: 6页
• 分类号: P642.22
• 字数: 4386字
• 语种: 中文
• DOI: 10.16232/j.cnki.1001-4179.2019.11.022

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黄健	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	35	132	6.0	10.0
2	刘人杰	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	2	1	1.0	1.0
3	王豪	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	7	37	3.0	6.0
4	剪鑫磊	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	2	1	1.0	1.0
5	李桥	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	5	4	1.0	2.0