基于粒子群优化算法的相关向量机边坡稳定性分析模型

为快速获取边坡稳定性系数,及时对边坡进行稳定性评价,提出一种基于粒子群优化算法(particle swarm optimization,PSO)的相关向量机(relevance vector machine,RVM)边坡稳定性分析模型。该模型通过选取影响边坡稳定性安全系数的6个主要因素,并对这6个主要影响因素产生的30组数据进行拟合训练,利用粒子群算法对相关向量机模型参数进行优化,选取最优参数值,根据这30组训练样本来对剩余4组样本进行精准预测。结果表明：与实际值进行对比,基于PSO-RVM模型预测的平均相对误差仅为5.64%,且建立的PSO-RVM预测模型的边坡稳定性安全系数的平均相对误差均明显优于利用BP(back propogation)神经网络和协调粒子群(coordinated particle swarm optimization,CPSO) -BP模型预测得到的平均相对误差,进一步为边坡稳定性预测及评价提供一种新方法。     

岩溶区灰岩溶蚀程度卷积神经网络识别及敏感性分析

为了解决岩溶区不同溶蚀程度灰岩合理、高效识别问题，以桂林七星区灰岩为研究对象，开展不同pH、不同循环次数的酸性干湿循环试验，构建不同溶蚀程度灰岩识别的卷积神经网络模型(CNN),分析不同pH值、不同循环次数对模型识别效果的影响，探讨样本数量、网络参数设置对模型影响的敏感性.研究表明，伴随酸液pH值的降低、干湿循环次数的增加，岩样表面溶蚀纹路及溶蚀产生的孔隙越明显，模型分类准确率越高；学习样本、预测样本数量较小时，准确率随着样本数量增加而增高，当学习样本、预测样本数量接近4∶1时，模型预测效果最佳，随后准确率随着样本数量增加而降低；模型对不同网络参数敏感性不同，学习率为0.1,迭代次数与样本更新数为50时，准确率最高.CNN模型预测准确率最高为97.6%,为岩溶区灰岩溶蚀程度有效识别提供一条新途径.