随着边坡变形事故频繁发生,人们的财产受到侵害,生命安全受到威胁,因此对边坡变形的安全分析尤为重要。位移是反应边坡内部变形的外在特征,通过监测所得边坡的位移数据建立预测模型,可以有效掌握边坡未来的位移预测值。建立预测模型主要有曲线回归法、神经网络法和深度学习法,由于深度学习具有分析复杂非线性系统和自动提取抽象特征的优势,已广泛应用于多种预测领域。本文基于深度置信网络(DBN)对监测所得边坡数据进行分析,利用其自动提取数据特征的能力,对边坡位移进行预测。主要研究内容如下:(1)介绍了边坡位移预测的研究现状。由于边坡位移的时变非线性和随机不确定性,当下传统预测方法难以全面分析边坡位移的数据特征,因此采用深度学习算法进行预测。同时,介绍了边坡位移数据采集实验,使用GNSS接收机对边坡位移进行监测,为后续位移预测提供数据支撑。(2)阐述了DBN网络的理论基础和训练方法,建立了基于DBN的边坡位移预测模型,并通过分析网络的隐含层数设置、参数学习率以及动量的设置对预测结果的影响,确定了最佳的网络结构。实验结果表明,与浅层BP方法相比,基于DBN的预测模型,平均相对预测误差降低2%,均方根误差降低4%。(3)针对DBN网络手动确定层数耗时长、存在一定误差的问题,建立了一种自动选层DBN的边坡位移预测模型。该模型根据重构误差理论,实现网络层数自动确定,并与基本模型进行预测实验对比。实验结果表明,与基本DBN模型相比,基于自动选层的DBN模型训练时间缩短10.05 s,平均相对预测误差降低1.3%。(4)针对随机初始化DBN的权重与阈值会导致网络训练易陷入局部最优、预测误差较大等问题,建立了基于自动选层WPA-DBN的边坡位移预测模型。利用WPA算法对DBN网络初始权重和阈值进行优化,进一步提高模型的特征提取能力。实验结果表明,与自动选层DBN的模型相比,WPA-DBN模型的平均相对误差降低2.5%。