导读:本文包含了滑坡预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:滑坡,位移,神经网络,序列,小波,卡尔,灰色。
滑坡预测论文文献综述
李海洋,聂桂根[1]（2019）在《西山村大型滑坡体GPS监测数据处理与预测模型建立》一文中研究指出滑坡是严重的地质灾害,为了降低滑坡灾害,必须对滑坡进行变形监测并给出及时预报。以四川省阿坝州理县通化乡的西山村大型滑坡体GPS监测为例,介绍了GPS滑坡监测数据预处理情况,给出了卡尔曼滤波去噪方法,通过卡尔曼滤波处理前后的坐标分别建立线性预测模型,结果表明,卡尔曼滤波可以很好地去除噪声的影响,使模型的拟合精度较高,模型预测值更接近实际坐标值。(本文来源于《测绘地理信息》期刊2019年06期）
刘人杰,黄健,剪鑫磊,李桥,王豪[2]（2019）在《EEMD-GA-SVM模型在滑坡位移预测中的应用》一文中研究指出滑坡变形在外部因素影响下易表现出随机性和非线性不易预测的特点,为此有必要提出更加有效的预测方法。利用集合经验模态分解(EEMD)滑坡位移原始时间序列,可得到多组复杂度差异明显的新位移变形子序列,然后针对各变形子序列的特点,分别建立变形子序列的GA-SVM预测模型,再将各子序列预测模型相迭加,最终构建出基于集合经验模态分解与遗传算法优化的支持向量机(EEMD-GA-SVM)滑坡变形预测模型。以恩施市香炉坝村滑坡为例,通过对比EEMD-GA-SVM和BPNN、SVM、GA-SVM各种边坡变形预测模型的预测精度,发现EEMD-GA-SVM模型精度更高且更为可靠,能够为滑坡安全监测提供有价值的参考。(本文来源于《人民长江》期刊2019年11期）
鲜木斯艳·阿布迪克依木,何书[3]（2019）在《基于MIV-BP神经网络的滑坡易发性空间预测》一文中研究指出针对普通神经网络模型确定滑坡易发性评价指标权重及易发性制图精度不高的问题,提出了一种新的权重确定方法和滑坡易发性评价模型。将BP神经网络模型和MIV理论相结合,获取最优隐藏节点数,优化神经网络模型。在此基础上,综合BP神经网络连接矩阵和MIV值确定滑坡易发性评价指标权重,构建滑坡评价模型。将评价模型应用于龙南县滑坡易发性制图,并利用ROC曲线对评价结果进行了检验。结果表明:MIV-BP模型具有较高的精度(AUC=0.820 4),在滑坡空间预测中具有更高的准确性和较大的应用潜力。(本文来源于《人民长江》期刊2019年11期）
杨欢,胡云进,吴振波[4]（2019）在《降雨型滑坡预测预报研究进展》一文中研究指出降雨诱发滑坡一直是滑坡领域的研究热点,为更好地总结降雨型滑坡的研究成果,本文从试验分析法出发,综述了预测预报降雨型滑坡的研究现状。介绍了试验分析法分析降雨型滑坡的优势,试验分析法在试验条件允许的情况下其结果最为可靠;最后对研究中所存在的问题进行了总结。研究结果可为降雨型滑坡的预测预报等提供参考依据。(本文来源于《科技视界》期刊2019年33期）
李麟玮,吴益平,苗发盛,薛阳,张龙飞[5]（2019）在《考虑变形状态动态切换的阶跃型滑坡位移区间预测方法》一文中研究指出为解决传统阶跃型滑坡位移预测模型研究中存在的突变状态预测结果滞后和结果可靠性不明确等典型问题,提出一种新型滑坡位移区间预测改进方法。首先,采用SOM网络和K均值聚类相结合的方法,将阶跃型滑坡的变形状态划分为变形稳定状态与变形突变状态两类。然后,在综合运用工程地质类比法和自适应综合采样算法扩展突变状态样本的基础上,采用随机森林算法建立能够自动识别滑坡变形状态的集合分类器。最终,基于Bootstrap-KELM-BPNN模型,构建考虑滑坡变形状态动态转换的位移区间预测框架,实现滑坡位移的动态区间预测。以叁峡库区内典型阶跃型滑坡——白水河滑坡为例,选取XD01监测点在2006年6月～2016年12月期间的数据进行研究,验证该方法的有效性、准确性和可靠性。(本文来源于《岩石力学与工程学报》期刊2019年11期）
岳强,袁洁,胡涛[6]（2019）在《基于小波分析和灰色BP神经网络的滑坡位移预测》一文中研究指出滑坡位移时间序列预测对滑坡灾害预警和防治具有重要意义。滑坡位移时间序列具有高度的非线性特征,含有大量噪音且采用常规非线性模型难以准确预测。对此,提出基于小波分析(WA)—灰色BP神经网络的滑坡位移预测模型。该模型先采用小波分析法将滑坡位移时间序列分解为不同频率分量的滑坡子位移,然后采用灰色BP神经网络对各滑坡子位移进行预测,在此基础上将预测得到的各子位移值相加,最终得到预测出的滑坡位移值。以GPS监测获得的郑家大沟滑坡#1监测点的位移时间序列为例,采用WA-灰色BP神经网络模型对其位移进行预测,并与WA-BP神经网络模型及未进行小波分析的单独灰色BP神经网络模型进行对比分析。结果表明,WA-灰色BP神经网络模型准确预测出郑家大沟滑坡#1监测点的位移值,且具有比WA-BP神经网络模型和单独灰色BP神经网络模型更高的预测精度。(本文来源于《水电能源科学》期刊2019年10期）
邬凯,林顺,杨雪莲[7]（2019）在《基于时间序列分析的公路降雨型滑坡位移预测》一文中研究指出基于公路降雨型滑坡位移远程实时监测数据,从分析降雨型滑坡阶跃型变形规律出发,将滑坡总位移分解为受不利地质条件影响的趋势项位移以及受降雨影响的周期项位移,采用时间序列分析方法将两者迭加构建降雨型滑坡位移预测模型。对滑坡趋势项位移采用灰色等维新息模型进行预测,对周期项位移采用自回归模型进行预测,将两者预测值组合得到滑坡总位移预测值。以湖南娄新高速公路某滑坡实时监测预警为例,采用该模型对比分析了滑坡实测与预测时间位移曲线,表明该模型预测效果较好,能体现降雨型滑坡位移变化趋势,具有较好的应用前景。(本文来源于《路基工程》期刊2019年05期）
何少其,刘元雪,梁叶,刘娜,赵久彬[8]（2019）在《“阶跃式”滑坡突变预测与核心因子提取的平衡集成树模型》一文中研究指出"阶跃式"滑坡在复杂多变的地质环境作用下呈现突变与稳定交替、不平衡的演化形态,根据此特点提出了边坡突变与稳定分类的平衡集成树模型,建立高维地质环境影响因子与致变之间的关联,并应用于叁峡库区26个具有"阶跃"特征的滑坡。考虑到直接使用分类器难以捕捉有效信息,模型利用了合成边界少数类过采样原理适当提升突变样本比率,再分别组合随机森林和梯度提升树进行优化和训练,并对测试集和预测集进行评估校核。同数据平衡前后的不同模型进行对比实验,平衡集成树模型能够有效提高突变预测的整体精度,并量化得出了所有地质环境因子的特征重要性指标,最终应用于样本外的王爷庙滑坡结果表明,模型取得了较高的预报水平。该方法能够实现突变的有效预测,并发现核心影响因子及其数据分布特征,为研究"阶跃式"滑坡机理和预警提供了新的思路。(本文来源于《中国地质灾害与防治学报》期刊2019年05期）
尚敏,廖芬,马锐,刘昱廷[9]（2019）在《基于一元线性回归模型八字门滑坡累积位移预测》一文中研究指出我国滑坡灾害发生频繁,但滑坡的变形预测预报一直是难题,因此每年都因滑坡的变形破坏导致重大的人员伤亡和财产损失。以叁峡库区八字门滑坡为研究对象,基于十多年的监测数据分析,研究分析了该滑坡的变形特征:八字门滑坡变形的主要影响因素为降雨和库水位下降,并且累积位移曲线具有"阶跃型"的变形特征。当外界因素去除或者减小的情况下,累积位移-时间曲线将变得平稳。根据此特性,选取每年变形曲线"阶跃段"(6～8月份)的监测数据,以累积位移为目标函数,基于一元线性回归模型,对八字门滑坡2004年到2017年同期的滑坡监测数据进行分析。结果表明:一元线性回归模型能够很好地模拟八字门滑坡"阶跃段"的变形过程,此变形阶段累积位移与时间呈线性关系,直线斜率基本相同。根据此线性关系,对滑坡的累积位移进行了预测,结果表明与实际监测数据相比较,预测误差在±5 mm以内,相对误差在1%以下,精度可以满足滑坡监测预警要求,可以为八字门滑坡的防治工作提供参考。(本文来源于《工程地质学报》期刊2019年05期）
张海发,卢治文,王康[10]（2019）在《基于小波去噪及优化BP神经网络的滑坡变形预测研究》一文中研究指出为提高滑坡变形预测精度,以小波去噪和优化BP神经网络为基础,构建了滑坡变形预测模型,即先利用小波去噪剔除滑坡变形序列中的误差信息,再利用BP神经网络实现滑坡变形预测,且为保证其预测精度,利用试算筛选和混沌理论优化其模型参数,以实现滑坡变形的优化预测。实例研究表明:小波函数、阈值选取方法和小波分解层数对去噪效果的影响较大,sym8小波函数、软阈值及12层分解层数组合在实例中的去噪效果相对最优;同时,隐层节点数优化和节点阈值优化能有效提高BP神经网络的预测精度,在初步预测效果评价中,SH1号监测点的相对误差均小于2%,平均相对误差仅为1.65%,并在可靠性验证中,SHZ2号和SHZ3号监测点预测结果的平均相对误差分别为1.54%和1.51%,说明该模型不仅具有较高的预测精度,还具有较好的稳定性,适用于滑坡变形预测。(本文来源于《人民珠江》期刊2019年11期）
滑坡预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
滑坡变形在外部因素影响下易表现出随机性和非线性不易预测的特点,为此有必要提出更加有效的预测方法。利用集合经验模态分解(EEMD)滑坡位移原始时间序列,可得到多组复杂度差异明显的新位移变形子序列,然后针对各变形子序列的特点,分别建立变形子序列的GA-SVM预测模型,再将各子序列预测模型相迭加,最终构建出基于集合经验模态分解与遗传算法优化的支持向量机(EEMD-GA-SVM)滑坡变形预测模型。以恩施市香炉坝村滑坡为例,通过对比EEMD-GA-SVM和BPNN、SVM、GA-SVM各种边坡变形预测模型的预测精度,发现EEMD-GA-SVM模型精度更高且更为可靠,能够为滑坡安全监测提供有价值的参考。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
滑坡预测论文参考文献
[1].李海洋,聂桂根.西山村大型滑坡体GPS监测数据处理与预测模型建立[J].测绘地理信息.2019
[2].刘人杰,黄健,剪鑫磊,李桥,王豪.EEMD-GA-SVM模型在滑坡位移预测中的应用[J].人民长江.2019
[3].鲜木斯艳·阿布迪克依木,何书.基于MIV-BP神经网络的滑坡易发性空间预测[J].人民长江.2019
[4].杨欢,胡云进,吴振波.降雨型滑坡预测预报研究进展[J].科技视界.2019
[5].李麟玮,吴益平,苗发盛,薛阳,张龙飞.考虑变形状态动态切换的阶跃型滑坡位移区间预测方法[J].岩石力学与工程学报.2019
[6].岳强,袁洁,胡涛.基于小波分析和灰色BP神经网络的滑坡位移预测[J].水电能源科学.2019
[7].邬凯,林顺,杨雪莲.基于时间序列分析的公路降雨型滑坡位移预测[J].路基工程.2019
[8].何少其,刘元雪,梁叶,刘娜,赵久彬.“阶跃式”滑坡突变预测与核心因子提取的平衡集成树模型[J].中国地质灾害与防治学报.2019
[9].尚敏,廖芬,马锐,刘昱廷.基于一元线性回归模型八字门滑坡累积位移预测[J].工程地质学报.2019
[10].张海发,卢治文,王康.基于小波去噪及优化BP神经网络的滑坡变形预测研究[J].人民珠江.2019
论文知识图
