汤 俊，邹自力，张晓平

（1.东华理工大学资环系，江西南昌 330013；2.东华理工大学地球科学与测绘工程学院，江西抚州 344000）

相空间重构在滑坡预测中的应用

汤 俊1，邹自力2，张晓平2

（1.东华理工大学资环系，江西南昌 330013；2.东华理工大学地球科学与测绘工程学院，江西抚州 344000）

针对滑坡位移时间序列的非线性特性，引入基于相空间重构和最小二乘支持向量机（LSSVM）的预测法。利用Cao氏方法确定嵌入维数，根据互信息法计算最佳延迟时间；然后在相空间中，利用最小二乘支持向量机（LSSVM）建立预测模型，对滑坡进行了实证计算，且与LSSVM模型和BP神经网络模型进行了比较。结果表明，模型具有较高的精度，是科学可行的。

滑坡预测；相空间重构；最小二乘支持向量机；神经网络

隧道现场监控量测是隧道施工的重要组成部分，在地铁施工过程中，无论是隧道内部的变形，还是对应隧道上方的地表变形，都是一个复杂的非平稳、非线性动态系统。如何从这些数据中提取出内在的规律性的东西，便成为工程技术人员面临的艰巨任务，其本质就是数据挖掘问题。基于这点认识，许多科技人员将隧道变形的实测数据进行常规分析和人工智能分析，并在此领域取得了丰硕的成果[1-4]。作为 SVM 近几年发展起来的新形式[5]，最小二乘支持向量机（LS-SVM）较好地解决了小样本、非线性、高维数、局部极小点等实际问题，在模式分类和回归建模等方面有较好的应用前景。经验模式分解EMD（EmpiricalModeDecomposition）是一种处理非线性、非平稳信号的新方法[6]，该方法吸取了小波变换的多分辨的优势，同时克服了小波变换中需要选取小波基的困难，是一种自适应的小波分解方法。……