基于EEMD-SVM模型的边坡变形预测

摘要

采用支持向量机模型对边坡变形进行预测是目前一种常用的方法,但精度有待提升。该文采用集成经验模态分解(EEMD)算法将边坡变形时间序列进行分解,基于相关系数的计算去除噪声后重构边坡变形时间序列,然后将重构后的边坡变形时间序列作为SVM模型的输入,建立EEMD-SVM模型并应用于边坡变形预测。将EEMD-SVM模型预测结果与传统支持向量机(SVM)模型、BP神经网络(BP)和基于集成经验模态分解的BP神经网络(EEMD-BP)模型预测结果进行对比,工程实例结果显示,EEMD-SVM模型的预测精度优于另外3种模型,可以满足工程需要,可为边坡变形预测提供一种可行的参考方法。