基于灰色系统及BP神经网络算法的边坡变形预测精确度影响分析

2021-01-18姜永杰张书豪张广泽柴春阳

高速铁路技术 2020年5期

姜永杰张书豪吴光张广泽柴春阳

(1.西南交通大学，成都 611756；2 中铁二院工程集团有限责任公司，成都 610031)

自然状态下边坡变形受到降雨、地震以及人为活动等因素的影响，边坡位移的大小及变形速度均难以预测。但随着数据处理理论以及计算机技术的不断进步，对已获取的变形数据处理方法的选择也逐渐成为影响边坡变形预测的重要影响因素之一[1-3]。如王万详[4]基于Kalman滤波的灰色神经网络，在短期预测中，充分利用Kalman滤波动态实时产生新的最优估计值去除噪声干扰，并使用BP神经网络模拟GM(1,1)预测结果的残差序列，重构GM(1,1)的预测值，达到了较好的预测精度。马文涛[5]等人研究的基于小波变换和GALSSVM边坡位移预测模型，利用互信息法和伪邻近法对小波变换的高低频信号分别进行相空间重构，以此获得有较高预测精度的位移值。

由此可见，基于不同预处理方法的预测模型，在针对不同特性的边坡数据时各有所长。目前，研究边坡变形的算法层出不穷，而探索窗口平移多项式、小波分析、灰色系统GM(1,1)、BP神经网络等常见算法之间影响的分析课题少之又少。因此，本文采用MATLAB软件，通过算法耦合，构建基于不同预处理工具的预测分析模型，并以标准差及相关性系数作为检测标准，探索各算法间的最佳耦合方式。