基于KPCA-KNN算法的边坡稳定性预测

作者：王团辉; 王超^*; 李岳峰; 徐健珲; 王琦玮

来源：化工矿物与加工, 2023, 52(12): 52-58.

DOI：10.16283/j.cnki.hgkwyjg.2023.12.008

• 核主成分分析
• K近邻算法
• 机器学习
• 边坡稳定性
• 预测模型
• 高维空间

为了更加准确高效地判定边坡的稳定性，选取55组边坡实例样本，以容重、黏聚力、内摩擦角、边坡角、边坡高度、孔隙压力比等6个指标作为边坡稳定性预测指标，运用核主成分分析(KPCA)将指标数据映射到高维空间进行线性运算，以提高K近邻(KNN)模型的运行效率和预测准确率，经过训练构建了KPCA-KNN边坡稳定性预测模型，将其与其他3种预测模型进行了对比，结果表明，本文模型的测试集预测准确率为100%,优于传统KNN、BP神经网络和支持向量机(SVM)模型，且训练时间更短。6组工程实例应用结果表明，KPCA-KNN模型的预测结果与边坡实际状态完全相符，准确率优于其他3种预测模型。

• 单位
  昆明理工大学