FA-KNN模型在圍巖穩(wěn)定性評(píng)價(jià)中的應(yīng)用

1、 MACROBUTTON AMEditEquationSection2 Equation Chapter 1 Section 1 SEQ AMEqn r h * MERGEFORMAT SEQ AMSec r 1 h * MERGEFORMAT SEQ AMChap r 1 h * MERGEFORMAT FA-KNN模型在圍巖穩(wěn)定性評(píng)價(jià)中的應(yīng)用耿元玲，黃德鏞，杜志錦，楊洋，郭琦( 昆明理工大學(xué)國(guó)土資源工程學(xué)院，云南，昆明，650093)摘要：圍巖穩(wěn)定性對(duì)于礦山巷道的安全至關(guān)重要，為提高圍巖穩(wěn)定性評(píng)價(jià)的準(zhǔn)確率和減少評(píng)價(jià)過(guò)程中的繁瑣操作，本文提出因子分析與鄰近算法耦合，建立因子分析-鄰近算法模型

2、（FA-KNN模型），并將該模型用于對(duì)圍巖穩(wěn)定性的評(píng)價(jià)中。本文選取影響圍巖穩(wěn)定性的6個(gè)指標(biāo)，因子分析對(duì)原始變量處理可以得到3個(gè)相互獨(dú)立的公共因子，再利用鄰近算法對(duì)3個(gè)公共因子指標(biāo)計(jì)算得到各個(gè)測(cè)試樣本的類別。該模型在因子分析的基礎(chǔ)上對(duì)圍巖等級(jí)進(jìn)行判別，其判別結(jié)果與實(shí)際情況一致，準(zhǔn)確率為100%，而KNN模型、BP神經(jīng)網(wǎng)絡(luò)、PCA-RF模型的評(píng)價(jià)準(zhǔn)確率分別為50%、70%、90%，F(xiàn)A-KNN模型相較于其它模型有更好的預(yù)測(cè)評(píng)價(jià)效果。研究結(jié)果表明：因子分析-鄰近算法模型具有高效、準(zhǔn)確的特點(diǎn)，對(duì)圍巖穩(wěn)定性的評(píng)價(jià)判別有一定的指導(dǎo)意義。關(guān)鍵字：圍巖穩(wěn)定性；因子分析；鄰近算法；評(píng)價(jià)中圖分類號(hào)：X936,TU

3、43 文獻(xiàn)表示碼：A Application of FA-KNN model in evaluation of surrounding rock stabilityGENG Yuanling，HUANG Deyong，DU Zhijin，YANG Yang，GUO Qi(School of Land and Resources Engineering, Kunming University of Science and Technology, Kunming 650093, China)Abstract: The stability of surrounding rock is very im

4、portant to the safety of mine roadways,In order to improve the accuracy of surrounding rock stability evaluation and reduce the tedious operation in the evaluation process, this paper proposes to couple factor analysis and proximity algorithm, establish a factor analysis-proximity algorithm model (F

5、A-KNN model), and use this model for surrounding rock Evaluation of rock stability. This paper selects six indicators that affect the stability of surrounding rock, and factor analysis can process the original variables to obtain three mutually independent common factors, and then use the neighbor a

6、lgorithm to calculate the three common factor indicators to obtain the category of each test sample. The model judges the grade of surrounding rock on the basis of factor analysis, and the judgment result is consistent with the actual situation, and the accuracy rate is 100%. The evaluation accuracy

7、 rates of KNN model, BP neural network, and PCA-RF model are respectively 50%, 70%, 90%, FA-KNN model has better prediction and evaluation effect than other models. The research results show that: the factor analysis-neighboring algorithm model has the characteristics of high efficiency and accuracy

8、, and has certain guiding significance for the evaluation and judgment of the stability of surrounding rock.Keywords: surrounding rock stability; factor analysis; proximity algorithm; evaluation收稿日期：2020-08-07基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（U1602232）作者簡(jiǎn)介：耿元玲（1994-），男，山西晉中人，碩士，主要從事巖土工程和采礦工程研究。Email：2638045539通訊作者：黃德

9、鏞（1966-），男，云南昆明人，副教授，博士，主要從事安全工程、巖土工程和采礦工程方面教學(xué)科研工作。引言對(duì)于地下巖石工程，圍巖的穩(wěn)定是非常重要的，甚至是地下巖石工程好壞的決定性因素。圍巖穩(wěn)定性評(píng)價(jià)是地下工程設(shè)計(jì)、施工以及維護(hù)中的重要環(huán)節(jié)，評(píng)價(jià)結(jié)果直接影響著工程的安全性和經(jīng)濟(jì)合理性，所以圍巖穩(wěn)定性評(píng)價(jià)是一項(xiàng)值得研究的課題。針對(duì)圍巖穩(wěn)定性的研究有很多分類方法，付東協(xié)1等提出了一種基于QGA（支持遺傳算法）-SVM的巖石分類方法，建立了基于QGA-SVM的巖石分類模型，該模型提高了支持向量機(jī)在巖石分類中的分類精度。張志增2等使用數(shù)值模擬方法，對(duì)七個(gè)不同傾斜度的節(jié)理走向圍巖進(jìn)行分析。李如杰3等提出了

10、EW-UCA模型，對(duì)四條煤巷圍巖穩(wěn)定性進(jìn)行了分析研究。趙婷4等選取影響圍巖穩(wěn)定性的因素，將其輸入到支持向量機(jī)模型中，對(duì)圍巖進(jìn)行分類。李杰5等使用強(qiáng)度折減法對(duì)圍巖穩(wěn)定性進(jìn)行理論研究,可以得到不同圍巖條件下的安全狀況。圍巖穩(wěn)定性評(píng)價(jià)方法還有PCA-PNN模型6、模糊綜合評(píng)價(jià)7、加速度方法8和SS-PNN模型9等。影響圍巖穩(wěn)定性的指標(biāo)很多，在一定程度上各指標(biāo)之間有信息重疊的問(wèn)題，因此先利用因子分析(Factor Analysis，F(xiàn)A）1011去除指標(biāo)之間的相關(guān)性，得到能夠代表原始變量的公共因子；再使用鄰近算法（K-Nearest Neighbor，KNN）12-13對(duì)圍巖公共因子進(jìn)行評(píng)價(jià)。相對(duì)于傳

11、統(tǒng)評(píng)價(jià)方法，因子分析-鄰近算法模型思路結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)，對(duì)有代表性的樣本處理，在分類的問(wèn)題上可以得到比較理想的結(jié)果。 因子分析-鄰近算法模型1.1因子分析因子分析是是多元統(tǒng)計(jì)分析中常用的一種降維、簡(jiǎn)化數(shù)據(jù)的技術(shù)，它就是要從數(shù)據(jù)中提取對(duì)原始變量起解釋作用的少數(shù)公共因子和僅對(duì)某一個(gè)變量有作用的特殊因子線性組合而成。設(shè)維總體的均值為，協(xié)方差矩陣為，相關(guān)系數(shù)矩陣為，因子分析的一般模型為： MACROBUTTON AMMPlaceRM * MERGEFORMAT SEQ AMEqn h * MERGEFORMAT ( SEQ AMEqn c * Arabic * MERGEFORMAT 1) 其中，為

12、m個(gè)公共因子，是變量所獨(dú)有的特殊因子，兩者皆為不可觀測(cè)的隱變量，為變量在公共因子上的載荷，其反映公共因子對(duì)變量的重要程度。因子分析的求解因子載荷矩陣的方法是主成分法。設(shè)為取自總體的樣本，記樣本協(xié)方差矩陣為，其中，為樣本均值。將作為的估計(jì)，當(dāng)前個(gè)主成分達(dá)到要求后，前項(xiàng)給出載荷矩陣的估計(jì)，由后項(xiàng)給出特殊方差矩陣的估計(jì)，即,其中，上述和是基于主成分法求出的因子模型的一個(gè)解。因子分析的主要目的是對(duì)公共因子給出符合實(shí)際意義的合理的解釋，而只有當(dāng)因子載荷矩陣某一列的各元素的絕對(duì)值越大越好，公共因子就更易解釋，因此需要對(duì)因子和因子載荷矩陣進(jìn)行旋轉(zhuǎn)，因子旋轉(zhuǎn)的方法是最大方差旋轉(zhuǎn)法。1.2鄰近算法鄰近算法主要是

13、通過(guò)周圍有限相鄰樣本的不同特征值之間的距離進(jìn)行分類。其分類原理：對(duì)于一個(gè)需要預(yù)測(cè)的輸入向量x，我們只需要在訓(xùn)練數(shù)據(jù)集中尋找k個(gè)與向量x最近的向量的集合，然后把x的類別預(yù)測(cè)為這k個(gè)樣本中類別數(shù)最多的那一類。利用KNN算法進(jìn)行分類時(shí)，首先需要確定三點(diǎn)：（1）k值的選取，通過(guò)交叉驗(yàn)證的方法來(lái)進(jìn)行k值的求??；（2）點(diǎn)距離的計(jì)算，一般度量點(diǎn)距離是歐式距離：；（3）樣本的分類規(guī)則。1.3因子分析-鄰近算法模型因子分析-鄰近算法模型對(duì)圍巖穩(wěn)定性評(píng)價(jià)的主要步驟：將原始變量輸入因子分析模型中，可以得到公共因子的得分；將公共因子的得分矩陣輸入到鄰近算法中，建立圍巖穩(wěn)定性評(píng)價(jià)的KNN模型；利用鄰近算法對(duì)未知的圍巖穩(wěn)

14、定性類別的樣本進(jìn)行判斷；得到圍巖穩(wěn)定性的評(píng)價(jià)結(jié)果。圍巖穩(wěn)定性的FA-KNN評(píng)價(jià)模型2.1圍巖穩(wěn)定性的評(píng)價(jià)指標(biāo)建立本文使用因子分析-鄰近算法模型對(duì)圍巖穩(wěn)定性評(píng)價(jià)，選取文獻(xiàn)14提供的數(shù)據(jù)，即表1所示。本文選取20個(gè)樣本進(jìn)行模型，10個(gè)待測(cè)樣本進(jìn)行檢測(cè)。圍巖穩(wěn)定性的影響指標(biāo)有圍巖強(qiáng)度X1，巷道跨度X2，直接頂與煤層厚度之比X3，巷道埋深X4，節(jié)理發(fā)育程度X5，松動(dòng)圈尺度X6，圍巖分類有為極穩(wěn)定，為穩(wěn)定，為中等穩(wěn)定，為不穩(wěn)定，為極不穩(wěn)定類。表1 圍巖穩(wěn)定性的學(xué)習(xí)樣本Table 1 Learning sample of surrounding rock stability2.2因子分析的結(jié)果因子分析是通

15、過(guò)SPSS 19.0分析軟件進(jìn)行的，本文中公共因子個(gè)數(shù)的選擇依據(jù)是：公共因子的累計(jì)貢獻(xiàn)率達(dá)到80%。其特征值及其貢獻(xiàn)率見(jiàn)表2，經(jīng)過(guò)主成分法對(duì)載荷矩陣的估計(jì)和使用最大方差法旋轉(zhuǎn)對(duì)坐標(biāo)軸的旋轉(zhuǎn)，前3個(gè)主因子的累計(jì)貢獻(xiàn)率為83.704%，意味著前3個(gè)主因子包含原有信息的83.704%，符合選取公共因子個(gè)數(shù)的要求。表2特征值及其貢獻(xiàn)率Table 2 Characteristic values and their contribution rate公共因子提取載荷平方和旋轉(zhuǎn)載荷平方和特征值方差貢獻(xiàn)率/%累積方差貢獻(xiàn)率%特征值方差貢獻(xiàn)率/%累積方差貢獻(xiàn)率%13.35755.94455.9442.51741

16、.94941.94921.02917.15673.1001.46724.44566.3943.63610.60483.7041.03917.31083.704因子分析的旋轉(zhuǎn)后因子載荷矩陣見(jiàn)表3，可以從旋轉(zhuǎn)后因子載荷矩陣得到原始變量與公共因子之間的相關(guān)程度。節(jié)理發(fā)育程度X5、松動(dòng)圈尺度X6在第1個(gè)公共因子F1上載荷比較大，說(shuō)明第1個(gè)公共因子反映的是圍巖受工程擾動(dòng)程度，巷道跨度X2、巷道埋深X4在第2個(gè)公共因子F2上載荷比較大，說(shuō)明第2個(gè)公共因子反映的是工程的特征，圍巖強(qiáng)度X1在第三公共因子F3上載荷比較大，說(shuō)明第3個(gè)公共因子反映的是圍巖強(qiáng)度。表3旋轉(zhuǎn)后因子載荷矩陣Table 3 Factor l

17、oading matrix after rotationX1X2X3X4X5X6F1-0.2030.532-0.8030.1590.8810.864F2-0.0110.638-0.1070.9390.2830.293F30.977-0.0210.107-0.015-0.208-0.170因子得分系數(shù)矩陣見(jiàn)表4，公共因子的得分函數(shù)表達(dá)式分別為： MACROBUTTON AMMPlaceRM * MERGEFORMAT SEQ AMEqn h * MERGEFORMAT ( SEQ AMEqn c * Arabic * MERGEFORMAT 3) MACROBUTTON AMMPlaceRM *

18、 MERGEFORMAT SEQ AMEqn h * MERGEFORMAT ( SEQ AMEqn c * Arabic * MERGEFORMAT 4) MACROBUTTON AMMPlaceRM * MERGEFORMAT SEQ AMEqn h * MERGEFORMAT ( SEQ AMEqn c * Arabic * MERGEFORMAT 5)表4因子得分系數(shù)矩陣Table 4 factor score coefficient matrixX1X2X3X4X5X6F10.2000.059-0.461-0.3330.3980.395F2-0.0410.4000.2520.877-

19、0.097-0.084F31.0550.076-0.138-0.0820.0260.062公共因子得分?jǐn)?shù)據(jù)見(jiàn)表5，第1個(gè)公共因子F1與第2個(gè)公共因子F2的得分散點(diǎn)圖見(jiàn)圖1。由圖1可知，在第一象限內(nèi)（右上角處），F(xiàn)1與F2值越大，圍巖受工程擾動(dòng)程度和工程的特征的取值就越大，第一象限內(nèi)10個(gè)樣本(4、12、13、16、17、22、23、26、27、28)相對(duì)應(yīng)的圍巖等級(jí)比較高。對(duì)于第1個(gè)公共因子F1與第3個(gè)公共因子F3、第2個(gè)公共因子F2與第3個(gè)公共因子F3之間的比較，由于篇幅過(guò)大，故不在具體分析。表5公共因子得分?jǐn)?shù)據(jù)Table 5 Common factor score data12345678

20、910F1-2.012-1.564-0.3451.629-0.383-1.363-0.749-0.509-1.021-0.222F20.144-1.1090.0810.591-0.0470.3060.6530.153-1.166-0.042F3-0.3670.257-0.3750.0105.198-0.330-0.393-0.393-0.555-0.24911121314151617181920F1-0.3710.6380.364-0.8020.3921.2131.1950.3880.535-2.234F20.4370.1031.2880.499-0.9680.5200.475-1.192-2

21、.4821.291F3-0.360-0.168-0.140-0.403-0.0660.186-0.138-0.141-0.1970.07821222324252627282930F10.2060.5880.3040.0840.7880.7710.6011.724-0.6190.773F2-0.6390.0752.185-0.262-0.6330.6800.7180.987-0.433-2.213F3-0.178-0.153-0.200-0.106-0.096-0.061-0.1870.090-0.469-0.091圖1 公共因子F1和F2得分散點(diǎn)圖Fig.1 The scatter plot

22、of common factors F1 and F22.3鄰近算法模型評(píng)價(jià)結(jié)果鄰近算法對(duì)因子分析得到的主因子得分?jǐn)?shù)據(jù)進(jìn)行評(píng)價(jià)，鄰近算法的輸入值是3個(gè)主因子得分矩陣，在30組樣本中取后10組為測(cè)試樣本，用于驗(yàn)證本模型的有效性。鄰近算法的輸出值是、，分別表示圍巖極穩(wěn)定、穩(wěn)定、中等穩(wěn)定、不穩(wěn)定、極不穩(wěn)定。經(jīng)過(guò)交叉驗(yàn)證，鄰近算法的k值取2；點(diǎn)之間的距離是歐氏距離（Euclidean distance）；測(cè)試樣本的分類規(guī)則是最近鄰分類（nearest）。鄰近算法判別過(guò)程的數(shù)據(jù)見(jiàn)表6。表6鄰近算法的判別數(shù)據(jù)Table 6 Discrimination data of proximity algorith

23、m測(cè)試樣本序號(hào)k個(gè)鄰近樣本與測(cè)試樣本的距離相應(yīng)訓(xùn)練樣本序號(hào)相應(yīng)訓(xùn)練樣本類別測(cè)試樣本類別210.394415IIIIII0.583418III220.059212IVIV0.727317IV230.900613IVIV1.86957III240.402810IIIIII0.61143III250.520715IIIIII0.689318III260.477417IVIV0.530616IV270.616612IVIV0.619713IV280.41564VV0.699316IV290.59073IIIIII0.599110III300.374819IIIIII1.092618III對(duì)23號(hào)測(cè)試樣

24、本分類過(guò)程中，其2個(gè)鄰近訓(xùn)練樣本類別不同，KNN的分類規(guī)則是最近鄰分類，23號(hào)測(cè)試樣本與13號(hào)訓(xùn)練樣本的距離比與7號(hào)訓(xùn)練樣本距離更小，即0.90061.8695，故23號(hào)樣本類別與13號(hào)樣本類別一致，屬于IV類。28號(hào)測(cè)試樣本與4號(hào)訓(xùn)練樣本的距離比與16號(hào)訓(xùn)練樣本的距離更小，即0.41560.6993,故28號(hào)樣本類別與4號(hào)樣本類別一致，屬于V類。2.4各種評(píng)價(jià)方法的比較影響圍巖的各個(gè)指標(biāo)經(jīng)過(guò)因子分析處理后，將結(jié)果輸入鄰近算法可以得到圍巖類別。圍巖分類評(píng)價(jià)結(jié)果見(jiàn)圖2，21-30號(hào)測(cè)試樣本類別與實(shí)際情況吻合，其準(zhǔn)確率為100%；其它模型評(píng)價(jià)結(jié)果見(jiàn)表7及圖3，KNN模型的評(píng)價(jià)結(jié)果中有5個(gè)誤判樣本，

25、分別為21號(hào)、22號(hào)、26號(hào)、27號(hào)、29號(hào)樣本，其準(zhǔn)確率為50%；BP神經(jīng)網(wǎng)絡(luò)和PCA-RF模型測(cè)試數(shù)據(jù)取自文獻(xiàn)15,BP神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)結(jié)果中有3個(gè)誤判樣本，分別為23號(hào)、26號(hào)、29號(hào)樣本，其準(zhǔn)確率為70%；誤判率為28.1%；PCA-RF模型的評(píng)價(jià)結(jié)果中有1個(gè)誤判樣本，即29號(hào)樣本，其準(zhǔn)確率為90%。圖2 FA-KNN模型對(duì)圍巖穩(wěn)定性的評(píng)價(jià)類別Fig. 2 FA-KNN model for evaluation categories of surrounding rock stability圖3不同評(píng)價(jià)方法的預(yù)測(cè)準(zhǔn)確率Fig. 3 Forecast accuracy of differe

26、nt evaluation methods表7 不同評(píng)價(jià)方法對(duì)圍巖穩(wěn)定性的評(píng)價(jià)結(jié)果Table 7 Evaluation results of different evaluation methods on surrounding rock stability序號(hào)X1X2X3實(shí)際情況本文方法 (FA-KNN）KNNBP神經(jīng)網(wǎng)絡(luò)PCA-RF2113.330.67IIIIIIIVIIIIII2213.33.20.92IVIVIIIIVIV2310.93.60.57IVIVIVVIV2422.43.42IIIIIIIIIIIIIII2511.963.41.73IIIIIIIIIIIIIII2613.3

27、3.60.7IVIVIIIIIIIV2710.13.41.72IVIVVIVIV2810.140.6VVVVV2911.22.83.75IIIIIIIVIVII3013.32.81.11IIIIIIIIIIIIIII結(jié)論 = 1 * GB2 影響圍巖穩(wěn)定性的各個(gè)指標(biāo)經(jīng)過(guò)因子分析得到3個(gè)公共因子，其包含原有數(shù)據(jù)的83.704%的信息；公共因子去除了原有指標(biāo)之間信息重疊的問(wèn)題，在一定程度上提高了鄰近算法評(píng)價(jià)的準(zhǔn)確度。 = 2 * GB2 在驗(yàn)證因子分析-鄰近算法模型的有效性和合理性之外，還應(yīng)用其它評(píng)價(jià)方法對(duì)本文實(shí)例進(jìn)行運(yùn)算，F(xiàn)A-KNN、KNN、BP神經(jīng)網(wǎng)絡(luò)、PCA-RF的評(píng)價(jià)準(zhǔn)確率分別為100%

28、、50%、70%、90%，說(shuō)明在圍巖穩(wěn)定性判別中因子分析-鄰近算法模型具有高效、準(zhǔn)確的優(yōu)點(diǎn)，對(duì)圍巖穩(wěn)定性的評(píng)價(jià)判別有一定的指導(dǎo)意義。參考文獻(xiàn)： 1Fu Dong Xie,Wei Min Yang,Dao Hong Qiu,Yi Li. Stability Analysis of Surrounding Rock Based on QGA-SVMJ. Trans Tech Publications Ltd,2015,3696. 2Zhi Zeng Zhang,Yong Tao Li,Xiao Chang Li. Analysis on Surrounding Rock Stability of

29、Joints Strike Parallel to the CavernJ. Trans Tech Publications Ltd,2014,2974.3李如杰,顏新建,吳浩.煤巷圍巖穩(wěn)定性分析的EW-UCA模型及其應(yīng)用J.建井技術(shù),2015,36(05):52-54+51. 3 Li Rujie, Yan Xinjian, Wu Hao. EW-UCA model for stability analysis of coal roadway surrounding rock and its application J. Well Construction Technology, 2015,

30、 36(05): 52-54+51.4趙婷,黃德鏞,王佳信,張燕飛.基于向量機(jī)的煤層頂?shù)装鍑鷰r穩(wěn)定性分類研究J.煤礦機(jī)械,2016,37(11):175-177.4 Zhao Ting, Huang Deyong, Wang Jiaxin, Zhang Yanfei. Research on the stability classification of coal roof and floor surrounding rock based on vector machineJ. Coal Mine Machinery, 2016, 37(11): 175-177.5李杰,司君嶺,仲恒,趙瑞文.

31、基于強(qiáng)度折減法的雙孔大跨隧道圍巖穩(wěn)定性研究J.土木工程學(xué)報(bào),2017,50(S2):198-202.5 Li Jie, Si Junling, Zhong Heng, Zhao Ruiwen. Research on surrounding rock stability of double-hole large-span tunnel based on strength reduction methodJ. China Civil Engineering Journal, 2017, 50(S2): 198-202.6貢力,祁英弟,王婧,賀思樂(lè).PCA-PNN模型在鐵路隧道圍巖安全性預(yù)測(cè)評(píng)價(jià)中

32、的應(yīng)用J.鐵道科學(xué)與工程學(xué)報(bào),2020,17(04):940-946.6Gong Li, Qi Yingdi, Wang Jing, He Sile. Application of PCA-PNN model in the safety prediction and evaluation of surrounding rock of railway tunnelJ. Journal of Railway Science and Engineering, 2020, 17(04): 940-946.7徐祝賀,李曉斌.巷道圍巖穩(wěn)定性評(píng)價(jià)及應(yīng)用J.煤炭技術(shù),2020,39(05):25-28.7Xu

33、 Gongong, Li Xiaobin. Evaluation and application of stability of roadway surrounding rockJ. Coal Technology, 2020, 39(05): 25-28.8介玉新,李偉瀚,張彬.用加速度方法分析隧洞的穩(wěn)定性J.河海大學(xué)學(xué)報(bào)(自然科學(xué)版),2018,46(04):301-306.8 Jie Yuxin, Li Weihan, Zhang Bin. Using acceleration method to analyze the stability of tunnelJ. Journal of

34、Hohai University (Natural Science Edition), 2018, 46(04): 301-306.9王佳信,周宗紅,趙婷,余洋先,龍剛,李春陽(yáng).基于Alpha穩(wěn)定分布概率神經(jīng)網(wǎng)絡(luò)的圍巖穩(wěn)定性分類研究J.巖土力學(xué),2016,37(S2):649-657+664. 9Wang Jiaxin, Zhou Zonghong, Zhao Ting, Yu Yangxian, Long Gang, Li Chunyang. Research on surrounding rock stability classification based on Alpha stable

35、 distribution probabilistic neural networkJ. Rock and Soil Mechanics, 2016, 37(S2): 649-657+ 664.10溫廷新,朱靜.基于SAPSO-ELM的邊坡穩(wěn)定性預(yù)測(cè)J.安全與環(huán)境學(xué)報(bào),2018,18(06):2146-2150. 10 Wen Tingxin, Zhu Jing. Slope stability prediction based on SAPSO-ELMJ. Journal of Safety and Environment, 2018, 18(06): 2146-2150.11馮東梅,陳雪,王丹,白雪.爆破振動(dòng)對(duì)邊坡穩(wěn)定性影響的FA-IGA-LSSVM模型J.遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,35(07):717-721. 11Feng Dongmei, Chen