王斌

[摘要]在研究了已有的一些变形预测模型的基础上，利用模糊集理论，结合BP神经网络模型，建立出一种新型的基于网络的自适应模糊推理系统，同时将该模型应用到边坡工程实例中，并用采集的监测数据，验证了该模型在边坡变形预测中的可行性，具有一定的参考价值。

[关键词]变形预测 BP神经网络 模糊系统 自适应模糊神经网络

[中图分类号] TU98 [文献码] B [文章编号] 1000-405X（2015）-3-189-1

1引言

由于边坡变形所造成的地质灾害往往会对人们的日常生活及工程建设造成很大影响，因此边坡的变形预测成为近年来变形预测方面的一个重要研究方向，在对边坡变形进行监测的同时，对监测数据进行分析，然后做出及时准确预测，能在很大程度上减少灾害发生时造成的国家经济损失及人们的生命安全损失[1，2]。

2几种边坡形变预测模型

2.1神经网络模型

人工神经网络是20世纪80年代发展起来的一门新的学科分支，现如今它已发展成为前沿学科、边缘学科研究的热点。它最大的特征是大规模并行处理、连续时间非线性动力学、全局集体作用，具有高度的容错性及鲁棒性、自组织自学习和实时处理。特别是它可以从工程实例中学习知识，尽可能多地把各种定性与定量的影响因素作为变量加以输入，建立各影响因素与结论间的高度非线性映射，采用自适应模式识别方法可以完成预测等任务，它对内部规律不甚了解、不能用一组规则或方程进行描述的较复杂或开放的系统显得更为优越。

2.2Kalman滤波

对于动态系统，Kalman滤波采用递推的方式，借助与系统本身的状态转移矩阵和观测资料，实施最优估计系统的状态，并且能对未来时刻系统的状态进行预报，因此，这种方法可用于动态系统的实施控制和快速预报。Kalman滤波模型的特点：（1）具有收敛平稳、速度快、精度高的优点，在信号处理中受到广泛应用。（2）系统处置的确定不容易确定，如果偏差较大，则可能导致滤波结果中含有较大误差，由此得到的测点变形是不真实的，甚至还会引起发散。（3）比较适用于变形观测时间间隔相对较短的连续性自动观测。

2.3灰色系统

灰色系统理论研究的是贫信息建模，它提供了贫信息情况下解决系统问题的新途径它把一切随机过程看做是在一定范围内变化的、与时间有关的灰色过程，对灰色量不是寻找统计规律的角度，通过大样本进行研究，而使用数据生成的方法，将杂乱无章的原数据整理成规律性较强的生成数列后再做研究。灰色理论任务系统的行为现象尽管是朦胧的，数据是杂乱无章的，但它毕竟是有序的，有整体功能的，在杂乱无章的数据后面，必然潜藏着某种规律，灰数的生成，是从杂乱无章的原始数据中去开拓、发现、寻找这种内在规律[3]。

3基于自适应模糊神经网络评价模型

自适应模糊神经推理系统简称ANFIS，1993年由学者Jang Roger提出。它融合了神经网络的学习机制和模糊系统的语言推理能力等优点，弥补各自不足，属于神经模糊系统的一种。同其他神经模糊系统相比，ANFIS具有便捷高效的特点，并在多个领域得到了成功应用。ANFIS使用一个给定的输入输出数据集，构造出一个模糊推理系统（支持T-S型系统） ，并用一个单独的反向传播算法或该算法与最小二乘法相结合的方法来完成对系统隶属函数参数的调节，这使得模糊系统可以从其建模数据中学习信息。利用ANFIS为网络学习评价建模的主要任务就是确定网络结构和模型参数的调整方法，而确定网络结构主要包括：确定模型输入/输出变量，确定输入/输出空间的划分，if-then规则条数以及隶属度函数的个数等，参数调整是指在网络结构确定后，对模型中可调整参数大小进行调整，以获取系统的最佳输出。

4实例分析

本文选取某大型煤化工基地边坡监测项目作为实例，同时利用BP神经网络和新型自适应模糊神经网络评价模型进行输出预测对比。以监测得到的12组数据作为测试样本，用训练好的模型进行预测，得到相应的最终预测值如表1所示，模型预测值对比如图1。

由图1可以看出，自适应模糊神经网络模型的预测值比BP神经网络的预测值更符合边坡的实际情况。同时，由于单一的BP神经网络初始权、阈值的赋值随机性较大，函数极值易陷入局部最小，导致BP神经网络的预测结果出现较大的波动，不能正确反映边坡安全系数的实际情况。而结合模糊理论中的的模糊逻辑和模糊推理，形成的模糊神经网络模型，有了很好的控制、自适应性和容错能力，使得预测的结果没有出现大的波动，更能很好的跟实际情况相吻合。

参考文献

[1]李红中.边坡变形监测技术现状与发展趋势[J].中国水运，2008，1（1）：54-55.

[2]王卫东，夏丽，寇珊珊，岳红震，翟小兵.边坡监测技术分析[J] .山东水利，2003（12）.

[3]冯小磊.边坡形变监测模型和稳定性评价的研究及应用[D].河海大学，2006.