本发明涉及边坡安全系数预测领域，具体而言，涉及一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法。
背景技术：
边坡稳定一直是岩土工程界热门研究课题之一，涉及矿山、水利水电、公路铁路等工程领域，关系到企业的经济效益和人民生命财产安全。但是由于边坡工程的复杂性、不确定性、数据不完备性和非线性等特点，对其稳定性进行评价和作出准确有效的预测预报往往比较困难，因此对经过工程实践检验的边坡案例进行分析研究具有十分重要的现实意义，从而探讨其边坡稳定性与参数之间的关系。
技术实现要素：
本发明解决的问题是提供一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法，为边坡稳定性影响因素敏感性的分析提供一种新的方法。
为解决上述问题，本发明提供一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法，一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法，包括以下步骤：
分析确定影响边坡稳定性的主要因素，并对影响因素进行归一化处理，建立pso-svm预测模型；
采用单一变量原则，每个pso-svm预测模型去掉一种影响因素，建立多个pso-svm预测模型，以研究每个影响因素的影响程度，即影响因素的敏感性分析；
计算均方误差mse和平方相关系数r2两种评价指标；
综合分析两种评价指标得出各个影响因素对边坡稳定性影响程度的大小。
进一步地，所述影响因素包括：粘聚力c、内摩擦角
进一步地，针对n个影响因素，建立n 1个pso-svm预测模型，其中一个pso-svm预测模型包括n个影响因素，其余n个pso-svm预测模型包含n-1个不同的影响因素。
进一步地，所述pso-svm预测模型的核函数为高斯brf核函数。；
进一步地，所述均方误差mse的计算方法如下：
进一步地，所述均方误差mse越接近0，说明预测值与实际值越接近，预测效果越好。
进一步地，平方相关系数r2的计算方法如下：
式中，n为训练样本的个数，yi为训练样本的实际值，yi′为训练样本输出的预测值。
进一步地，所述平方相关系数r2越接近1，说明预测值与实际值越接近，预测效果越好。
进一步地，利用matlab编写的pso-svm程序计算所述两种评价指标。
与现有技术相比，本发明具有以下特点和有益效果：
1、使用pso寻优svm参数，建立pso－svm预测模型，对边坡稳定性进行分析预测，找到对边坡稳定性影响最大的因素。通过采取这种评价方法，对影响边坡稳定性的敏感性因素进行分析排序，为现场工程师提供了一种新的分析方法。
2、本发明采用均方误差mse、平方相关系数r2这两个指标来对影响因素敏感性进行评价。其中，mse越接近0，说明预测值与实际值越接近，预测效果越好；r2越接近1，表明两者相关程度越高，即表明预测值与实际值越接近，预测效果越好。综合分析两种评价指标，可以得出各个影响因素对边坡稳定性影响程度的大小。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的流程图；
图2为为9个pso-svm模型的判别结果。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
pso(particleswarmoptimization)是粒子群优化算法的英文缩写，由j.kennedy和r.c.eberhart于1995年提出。
svm(supportvectormachine)是支持向量机的英文缩写，由corinnacortes和vladimirvapnik于1995年首先提出的。
rbf(radicalbasisfunction)是径向基函数的英文缩写，由michaeljamesdavidpowell于1985年提出。
本发明提供了一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法，包括以下步骤：
步骤s1：分析确定影响边坡稳定性的主要因素，并对影响因素进行归一化处理，建立pso-svm预测模型。
针对具体边坡，分析确定影响边坡稳定性的影响因素，对于具有抗滑桩与筋带层支护形式的边坡尤其适用，这类边坡以土质边坡为主,有8个影响因素，分别是粘聚力c、内摩擦角
本实施方式中以具有抗滑桩与筋带层支护形式的高填边坡为例，分析确定影响边坡稳定性的影响因素包括粘聚力c、内摩擦角
收集粘聚力c、内摩擦角
svm具有扎实的理论基础，以结构风险最小化原理(srmp)为基础，泛化能力强，能有效解决小样本、高维数、非线性等问题；pso算法是kenne-dy和eberhart提出的基于群体智能的一种进化算法，已广泛应用于模型参数的选择和优化，使用两种算法耦合，建立的pso-svm预测模型分类准确率更高，预测边坡安全系数精度更高，推广泛化能力更强，研究结果对边坡稳定性分析和预测具有一定的理论和现实意义，对边坡稳定性进行分析预测，找到对边坡稳定性影响最大的因素。
参与pso-svm预测模型训练的影响因素数量过少会降低pso-svm预测模型性能，导致预测失败，因此，本发明中pso-svm预测模型的核函数选取高斯brf核函数，参与模型训练的影响因素数量为8个。
步骤s2：采用单一变量原则，每个pso-svm预测模型去掉一种影响因素，建立多个pso-svm预测模型，以研究每个影响因素的影响程度，即影响因素的敏感性分析。
本发明建立的原始pso-svm预测模型中包括粘聚力c、内摩擦角
第一个pso-svm预测模型包含全部的8个影响因素；
第二个pso-svm预测模型包含7个影响因素，排除土体粘聚力c影响因素，重新对实验样本进行预测，以研究土体粘聚力c对高填方边坡稳定性的影响程度；
第三个pso-svm预测模型包含7个影响因素，排除土体内摩擦角
第四个pso-svm预测模型包含7个影响因素，排除抗滑桩长度lp影响因素，重新对实验样本进行预测，以研究抗滑桩长度lp对高填方边坡稳定性的影响程度；
第五个pso-svm预测模型包含7个影响因素，排除抗滑桩强度pstr影响因素，重新对实验样本进行预测，以研究抗滑桩强度pstr对高填方边坡稳定性的影响程度；
第六个pso-svm预测模型包含7个影响因素，排除筋带长度lg影响因素，重新对实验样本进行预测，以研究筋带长度lg对高填方边坡稳定性的影响程度；
第七个pso-svm预测模型包含7个影响因素，排除筋带层间距dg影响因素，重新对实验样本进行预测，以研究筋带层间距dg对高填方边坡稳定性的影响程度；
第八个pso-svm预测模型包含7个影响因素，排除筋土摩擦系数r影响因素，重新对实验样本进行预测，以研究筋土摩擦系数r对高填方边坡稳定性的影响程度；
第九个pso-svm预测模型包含7个影响因素，排除筋带强度gstr影响因素，重新对实验样本进行预测，以研究筋带强度gstr对高填方边坡稳定性的影响程度。
影响因素对边坡稳定性的影响，可通过pso-svm预测模型的预测结果来体现，pso-svm预测模型的预测准确度越低，说明该预测模型所排除的影响因素的敏感性越高。基于pso-svm算法，在边坡安全系数预测中实现了优越的性能，通过建立的9个涉及不同影响因素参数的pso-svm预测模型，以获得8个影响因素的相对敏感性，实验方案在保证了较高的预测精度的同时又有较高的区分度。
表1是影响因素敏感性分析实验方案，显示了方案中9个模型中所涉及的影响因素参数，√代表模型中含有的影响因素，×表示模型中去掉的影响因素。
表1
步骤s3：计算均方误差mse和平方相关系数r2两种评价指标。
根据如下公式可计算均方误差mse：
式中，n为训练样本的个数，yi为训练样本的实际值，yi′为训练样本输出的预测值。mse越接近0，说明预测值与实际值越接近，预测效果越好。
根据如下公式可计算平方相关系数r2：
式中，n为训练样本的个数，yi为训练样本的实际值，yi′为训练样本输出的预测值。r2越接近1，表明两者相关程度越高，即表明预测值与实际值越接近，预测效果越好。
根据上述理论公式可对边坡稳定性影响因素进行敏感性分析。
可根据上述理论公式利用matlab编写pso-svm计算程序，也可单独编写计算程序来计算均方误差mse和平方相关系数r2两种评价指标。
步骤s4：综合分析两种评价指标得出各个影响因素对边坡稳定性影响程度的大小。
对于同一样本集，以上9组pso-svm模型的边坡安全系数预测性能评价指标均方误差mse和平方相关系数r2列于表2中。
表2
在模型预测性能评价指标中，均方误差mse越接近0，r2越接近1，说明预测性能越好，即模型预测值越与原样本值越接近，从预测结果来看，模型1的预测效果最佳，说明8个影响因素对边坡的稳定性都有影响，影响因素越全，模型的预测性能越好。
剩余8个模型各去掉了一个影响因素，这8个预测模型中，预测效果越好的模型，说明该模型对应去掉的影响因素对模型预测性能影响不大，也就是说，去掉的这个影响因素对边坡的稳定影响不大，属于次要因素；反之，预测效果越不好的模型，说明该模型对应去掉的影响因素对模型预测性能影响越大，也就是说，去掉的这个影响因素对边坡的稳定影响大，属于主要因素。
通过以上的9组pso-svm预测模型的预测结果表明，所有的影响因素对边坡稳定性分析或多或少都很敏感。本发明研究边坡稳定性预测的目的在于寻找科学合理的措施来预防或减少边坡的危害，提高边坡设计和治理效率，分析影响因素的敏感性顺序是提出针对性措施的前提。8个影响因素的敏感性可以通过计算9个pso-svm预测模型的均方误差mse和平方相关系数r2评价指标进行比较。
综合分析表2的预测结果和图2的关系曲线，最终可得出8个影响因素对边坡稳定性影响程度大小排序，影响程度由大到小依次为：内摩擦角
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
1.一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法，其特征在于，包括以下步骤：
分析确定影响边坡稳定性的主要因素，并对影响因素进行归一化处理，建立pso-svm预测模型；
采用单一变量原则，每个pso-svm预测模型去掉一种影响因素，建立多个pso-svm预测模型，以研究每个影响因素的影响程度，即影响因素的敏感性分析；
计算均方误差mse和平方相关系数r2两种评价指标；
综合分析两种评价指标得出各个影响因素对边坡稳定性影响程度的大小。
2.根据权利要求1所述的一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法，其特征在于，所述影响因素包括：粘聚力c、内摩擦角
3.根据权利要求2所述的一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法，其特征在于，针对n个影响因素，建立n 1个pso-svm预测模型，其中一个pso-svm预测模型包括n个影响因素，其余n个pso-svm预测模型包含n-1个不同的影响因素。
4.根据权利要求1所述的一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法，其特征在于，所述pso-svm预测模型的核函数为高斯brf核函数。
5.根据权利要求1所述的一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法，其特征在于，所述均方误差mse的计算方法如下：
式中，n为训练样本的个数，yi为训练样本的实际值，yi′为训练样本输出的预测值。
6.根据权利要求5所述的一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法，其特征在于，所述均方误差mse越接近0，说明预测值与实际值越接近，预测效果越好。
7.根据权利要求1所述的一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法，其特征在于，平方相关系数r2的计算方法如下：
式中，n为训练样本的个数，yi为训练样本的实际值，yi′为训练样本输出的预测值。
8.根据权利要求7所述的一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法，其特征在于，所述平方相关系数r2越接近1，说明预测值与实际值越接近，预测效果越好。
9.根据权利要求1所述的一种基于pso-svm预测模型的边坡稳定性影响因素敏感性分析方法，其特征在于，利用matlab编写的pso-svm程序计算所述两种评价指标。
技术总结