摘要
层状危岩失稳与其影响因素之间存在着复杂的非线性关系,如何根据影响因素有效识别层状危岩稳定性是一类复杂的模式识别问题。基于高斯过程二元分类模型,提出一种层状危岩失稳模式识别方法。该方法通过对少量训练样本的学习,建立层状危岩失稳模式与其影响因素之间的复杂非线性映射关系,对仅提供影响因素的预测样本进行具有概率意义的识别输出。研究结果表明:该方法除具有小样本、模型参数自适应确定、识别精度高等优点之外,还能够对预测结果给予概率意义的可信度,为工程实际有效识别层状危岩失稳模式提供了定量的依据,具有良好的应用前景。
引文
[1]刘卫华,罗倩,黄润秋,等.溪洛渡水电工程坝区高边坡危岩体分类及稳定性评价[J].水利水电科技进展,2008,28(4):48-51.
[2]林华章,裴向军.锦屏一级水电站猴子坡危岩区稳定性研究[J]科学技术与工程,2014,14(30):91-96.
[3]伍仁杰,陈洪凯.卡尔曼滤波模型在危岩变形预测中的应用[J].重庆工商大学学报:自然科学版,2013,30(5):1-4.
[4]王高峰,孙秀娟,孙向东,等.动态多变量灰色模型在危岩变形预测中的应用[J].河海大学学报:自然科学版,2014,42(6):508-512.
[5]彭正明,王腾军,曹冬冬,等. GM(1,1)模型的改进及其在变形预测中的应用[J].地球科学与环境学报,2012,34(4):102-106.
[6]王高峰,王洪德,薛星桥,等.基于指数平滑法的危岩体变形破坏预测研究[J].人民长江,2012,43(17):35-38.
[7]黄莹,李俊才,张鹏,等.基于L-M神经网络的陡崖层状危岩失稳模式预测[J].工程地质学报,2016,24(S):734-741.
[8]朱大鹏,邓清禄,晏鄂川.基于RBF-Markov串联模型的危岩裂缝变形预测[J].长江科学院院报,2002,23(1):166-170.
[9] Matthias S. Gaussian processes for machine learning[J]. International Journal of Neural System,2004,14(2):69-106.
[10] Mark G,Rogers S. Variational bayesian multinomial probit regression with Gaussian process priors[J]. Neural Computation,2006,18(8):1790-1817.
[11] Sofiane B,Bermak A. Gaussian Process for Nonstationary Times Series Prediction[J]. Computational Statistics&Data Analysis,2004,47(4):705-712.
[12] Gramacy R B. Tgp:an R package for bayesian nonstationary,semiparametric nonlinear regression and design by treed Gaussian process models[J]. Journal of Statistical Software,2007,19(19):1-46.
[13]张研,苏国韶,燕柳斌.基于高斯过程机器学习方法的隧道围岩分类模型[J].现代隧道技术,2011,48(6):32-37.
[14]张研,苏国韶,燕柳斌.基于高斯过程机器学习的岩爆等级识别方法[J].地下空间与工程学报,2011,7(2):392-397.
[15]苏国韶.基于高斯过程机器学习的冲击地压危险性预测[J].辽宁工程技术大学学报:自然科学版,2009,28(5):762-765.
[16]贺建军,张俊星,贾思齐,等.一种新高斯过程分类算法[J].控制与决策,2014,29(9):1587-1592.
[17] Perrin G,Soize C,Marque P S,et al. Nested polynomial trends for the improvement of Gaussian process-based predictors[J]. Journal of Computational Physics,2017,346(1):389-402.
[18] Richardson R R,Osborne M A,Howey D A. Gaussian process regression for forecasting battery state of health[J]. Journal of Power Sources,2017,357(31):209-219.