基于PCA-PSO-SVM的边坡稳定性预测

论文通过主成分分析(Principal Component Analysis,PCA)的方法,对影响边坡稳定性的6个因素(坡高、坡角、内聚力、内摩擦角、容重和空隙压力比)进行了特征提取,消除影响因素间的相关性,降低维数;然后引进支持向量机(Support Vector Machine,SVM)方法对降维处理后的数据集进行训练,并利用粒子群优化方法(Particle Swarm Optimization,PSO)对SVM的参数进行优化;最后,通过对36组工程边坡实例中的31组进行仿真回归,建立了边坡稳定性的PCA-PSO-SVM预测模型,并对余下的5组进行预测。通过对比模型预测结果和实际值得出:模型预测结果的最大绝对误差为0.058,最大相对误差小于3.90%,满足实际工程的需要。从而表明,基于PCA-PSO-SVM算法的边坡稳定性预测模型在实际工程中具有较高的应用价值。