孙慧玲

摘要：边坡稳定性预测是岩土工程中的一项重要研究内容，传统的基于力学的分析方法在进行分析时，要对岩土体的力学行为进行一些假设，由于岩土边坡的复杂性，这些假设往往和岩土体的实际力学行为相去甚远，因而其精度不是很高。基于范例的岩土边坡稳定性神经网络预测方法具有良好的自学习能力和高度的非线性映射能力。根据实际的46个边坡的参数及其稳定性资料，建立了概率神经网络的预测方法。PNN的特点在于快速运算、精确度高，以及可以给出一个指示基于决策的可信度大小的结果。

关键词：概率神经网络边坡稳定性预测

0引言

建筑结构损伤识别是力学反问题中的重要研究课题之一。国内外许多学者已成功利用神经网络解决了结构损伤识别问题。C.Y.Kao和Shih—Lin Hung利用损伤前后变化的振型来识别一个五层三维框架结构的损伤；P.C.Kaminskif分别采用自振频率、频率变化量以及正则化的频率变化率作为网络输入参数，并对三者的有效性进行比较；崔飞(2000)和Hejela(1990)根据结构静态位移观测数据提出了基于局域优化搜索策略的结构损伤识别方法；徐宜桂1997建立了基于结构损伤后第一阶振型变化识别结构损伤部位和大小的方法李伟(2000)和李守巨(2001)提出了基于遗传算法的结构参数识别方法。本文应用概率神经网络(PNN)，验证了作为模式分类工具的概率神经网络对岩土边坡稳定性预测这一类问题的有效性。

1概率神经网络(PNN)

概率神经网络是一种适用于模式分类的径向基神经网络，它是由一个径向基网络层和一个竞争网络层组成。PNN的早期研究工作是同贝叶斯分类器一起发展的，贝叶斯定理提供了完成最有分类的方法，因而它成为评价其它分类方法好坏的标准。与传统的BP网络相比，PNN除保留BP网络所具有的学习、归纳和并行计算的特征外，主要有以下几方面的优点：

1.1快速运算。由于PNN一次完成，不需要学习，因而它大约比BP网络大约快五个数量级。

1.2有足够的训练数据，不管训练数据矢量与类别之间具有多么复杂的关系，PNN能够保证收敛到贝叶斯分类器，而BP算法却可能在一个局部最优处中断，无法保证得到一个全局最优的满意解。

1.3PNN允许在训练集中添加或删除数据而不需要重复训练，BP算法对训练集的任何变动都需要对整个训练过程重复进行。

1.4PNN给出一个指示基于决策的可信度大小的结果，而BP神经网络却不能提供这样的可信度指示。

2基于PNN神经网络的边坡稳定性预测

大量的工程经验表明，影响边坡稳定性的因素主要有：边坡岩土体的物理力学性质、边坡的几何形态、地下水、外部载荷等。其中岩土体的物理几何性质主要由岩土体的密度、岩土体的内聚力以及内摩擦角控制；边坡的几何形态主要由边坡的坡角和边坡的高度控制：地下水的影响由孔隙压力比控制。

本文采用文献中的41个边坡实例作为神经网络的训练样本，选用另5个作为测试数据，利用PNN神经网络对其进行边坡稳定性预测，预测的结果和边坡的实际情况的对比见表3.1所示。

下面是本算例的神经网络设计：

％输入样本点

结果输出：vc＝

1

2

1

1

1

与实际值完全相符，由此可得将概率神经网络用于结构损伤识别具有很大的潜力。

3结论

边坡稳定性问题是一个高度非线性问题，利用神经网络的高度非线性映射能力预报边坡的稳定性，能克服数值分析法理论和实际相差较大的缺陷。用概率神经网络进行边坡稳定性预测，实际上是根据测试样本于各类训练样本之间的距离来确定测试样本属于哪一类，从而确定边坡状态的，而BP网络是通过模式识别功能对测试样本进行识别的。就边坡稳定性预报而言，用概率神经网络进行稳定性预报总体上比BP网络具有更高的正确率。