Abstract：
针对边坡稳定性预测算法选择困难和单个模型误判风险大的问题,建立了基于改进D-S证据理论选择性集成的边坡稳定性评价方法,为边坡稳定性初步评价提供方法依据.基于边坡稳定性主要影响因素,通过极限平衡法构建了大型边坡稳定性评价数据集.引入基于边界距离最小化的基学习器选择技术,提升选择性集成模型的泛化能力.提出了改进D-S证据理论融合基学习器信息,降低了选择性集成模型决策过程中的不确定性和模糊性,解决了现有边坡稳定性评价模型易误判和结果非一致性问题.仿真试验结果表明:改进D-S证据理论选择性集成方法无需复杂的数值建模与计算迭代过程,可直接客观地评判边坡稳定性状态,并从信息论角度给出边坡失稳概率.对比传统机器学习方法,该方法有效提高了边坡稳定性的预测准确率,同时降低了预测结果的不确定性,实现了速度快、精度高、稳健性好的广域尺度边坡稳定性评价.
Keyword：
Reprint 's Address：
Email：
Source ：
金属矿山
ISSN： 1001-1250
Year： 2024
Issue： 9
Page： 229-236
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 15
Affiliated Colleges：
