基于AdaBoost卷积神经网络的矿山边坡稳定性预测

为了准确快速地分析露天矿边坡的稳定性,提出利用AdaBoost卷积神经网络(AdaBoost-CNN)分析露天矿边坡稳定性和影响因素之间的非线性关系。AdaBoost-CNN是结合自适应Boosting算法(AdaBoost)和卷积神经网络(CNN)的一种新的机器学习方法。其核心思想是将CNN的特征提取能力和AdaBoost处理非平衡数据的能力结合起来,具有高可靠性、高精度性、训练时间少等优点。AdaBoost-CNN利用迁移学习,不仅消除了传统CNN需要大量训练样本的限制,而且解决了AdaBoost算法序列化过程中存在着的降低实际性能的问题。分别采用BP神经网络、支持向量机(SVM)、卷积神经网络以及AdaBoost-CNN对工程实测数据进行建模与分析,通过对比均方根误差(RMSE)和相对预测误差(RPE),发现AdaBoost-CNN的预测精度最高、模型泛化能力最强。结果表明,AdaBoost-CNN能够较精确地对边坡的稳定性进行预测,是边坡稳定性预测的可靠性工具。