典型文献
基于神经网络和多标度特征分析的古滑坡变形预测及趋势评价
文献摘要：
提出一种新的古滑坡变形预测方法.首先结合集合经验模态分解(EEMD)和奇异值分解(SVD)对古滑坡变形数据进行分解,然后利用分项组合神经网络预测古滑坡复活区的变形,最后利用多重分形消除趋势波动分析(MF-DFA)进行古滑坡多标度趋势评价.以王家坡滑坡为例分析本文方法的有效性.结果表明,组合分解模型EEMD-SVD较单项分解模型具有更强的数据分解能力,可有效实现滑坡变形数据的信息分解;基于神经网络的分项组合预测模型适用于滑坡变形预测,所得预测结果的相对误差基本在2％左右,预测精度较高,且外推预测显示滑坡变形仍会进一步增加,增加速率为1.23～1.36 mm/周期;MF-DFA模型的多标度特征分析结果显示,滑坡变形具有多重分形特征,变形有进一步增加的趋势,这与预测结果较为一致,可佐证前述预测结果的准确性.
文献关键词：
古滑坡;数据分解;神经网络;MF-DFA模型;趋势预测
中图分类号：
作者姓名：
田倩;吴健;赵东
作者机构：
陕西铁路工程职业技术学院,陕西省渭南市站北街东段1号,714000;湖北省地质局第一地质大队,湖北省大冶市湖滨路9号,435000
文献出处：
引用格式：
[1]田倩;吴健;赵东-.基于神经网络和多标度特征分析的古滑坡变形预测及趋势评价)[J].大地测量与地球动力学,2022(10):1056-1062
A类：
B类：
标度,古滑坡,滑坡变形,变形预测,合集,集合经验模态分解,EEMD,奇异值分解,SVD,形数,分项,组合神经网络,神经网络预测,复活,多重分形消除趋势波动分析,MF,DFA,王家,分解模型,数据分解,信息分解,组合预测模型,外推,多重分形特征,佐证,前述,趋势预测
AB值：
0.2907
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
