《滑坡预测的计算智能方法》结合计算智能方法的研究成果，针对滑坡预测预报的时变性和复杂性的特点，用遗传选择策略对粒子群算法进行改进，提出一种新的改进粒子群算法“（3SSPSO”，实验证明，该算法具有收敛性好且不易陷入局部最优等优点，考虑到Elman神经网络具有动态反馈的特性，将GSSPSO与Elman神经网络进行融合，提出一种新的集成算法“GSSPSO-ENN”，采用滚动时间窗口技术，建立边坡变形预测的GSSPSO-ENN多步预测系统。将边坡变形的实际值与预测值之间建立起非线性函数关系，很好地解决了预测预报中的边坡变形多步预测问题，通过工程实例计算显示，该预测精度较高，表明此系统能适用于工程实践，对减灾防灾具有一定指导意义。

第1章 绪论
1.1 概述
1.2 滑坡预测的模型和方法
1.2.1 确定性预测模型
1.2.2 统计预测模型
1.2.3 非线性预测模型
1.2.4 系统综合与实时跟踪动态预测方法
1.3 滑坡预测的发展趋势与存在的问题

第2章 滑坡数据的处理
2.1 概述
2.2 异常数据的剔除
2.2.1 莱囚达准则法
2.2.2 ESD统计检验法
2.2.3 狄克松检验法
2.3 缺失数据的补充
2.4 数据的平滑处理
2.4.1 移动式平均的平滑方法
2.4.2 指数平均的平滑方法
2.4.3 分段多项式平滑方法
2.4.4 正交多项式算法
2.5 数据的等时距化
2.6 信息融合的数据处理概述

第3章 数据的特征分析与特征提取
3.1 概述
3.2 数据的时域特征分析
3.3 数据的频域特征分析
3.3.1 功率谱分析
3.3.2 位移监测的频谱特征分析
3.4 特征的提取
3.4.1 滑坡灾害特征提取的过程
3.4.2 滑坡灾害信息特征提取的评价准则
3.4.3 滑坡灾害信息特征提取模型的分类
3.5 信息融合技术
3.5.1 滑坡灾害特征级融合的方法
3.5.2 滑坡灾害特征级信息融合的特征匹配

第4章 计算智能方法及其在滑坡预测中的应用
4.1 概述
4.2 计算智能的分类
4.3 各种计算智能算法的模型与原理
4.3.1 人工神经网络技术模型及原理
4.3.2 进化计算算法模型及原理
4.3.3 群体智能的模型及原理
4.4 计算智能的发展趋势
4.4.1 计算智能存在的问题
4.4.2 计算智能算法的融合方式
4.4.3 计算智能的研究方向探讨
4.5 粒子群算法的原理
4.5.1 粒子群算法的数学机理
4.5.2 粒子群算法的流程
4.5.3 粒子群算法存在的问题
4.6 滑坡预测系统的计算智能分析
4.6.1 滑坡预测系统的描述
4.6.2 多步预测系统模型

第5章 计算智能算法的集成
5.1 概述
5.2 GSSPSO算法
5.2.1 GSSPSO算法原理
5.2.2 GSSPSO算法流程
5.3 GSSPSO算法的收敛性分析
5.3.1 GSSPSO算法的收敛性分析
5.3.2 GSSPSO算法粒子轨迹的收敛性分析
5.3.3 GSSPSO算法粒子速度的收敛性分析
5.4 GSSPSO算法的数字仿真及效果分析
5.4.1 测试函数
5.4.2 参数设置及实验结果
5.5 GSSPSO与Elman神经网络的集成研究
5.5.1 正lman神经网络的基本原理
5.5.2 GSSPSO算法与Elman神经网络的集成算法
5.5.3 集成效果研究

第6章 基于集成计算智能的预测系统
6.1 概述
6.2 广义预测控制算法的基本原理
6.3 GSSPSO-ENN的预测模型与实现
6.3.1 基于GSSPSO-ENN的预测系统构成
6.3.2 基于GSSPSO-ENN的预测系统训练模块
6.3.3 基于GSSPSO-ENN的预测系统预测模块
6.4 基于GSSPSO-ENN的预测系统实现
6.4.1 基于GSSPSO-ENN的预测系统运行步骤
6.4.2 预测系统的预测过程与方法

第7章 集成计算智能预测系统的滑坡预测
7.1 引 言
7.2 研究区域概况
7.3 边坡工程概况
7.4 多步预测系统对边坡变形量的多步预测
7.4.1 变形监测情况
7.4.2 边坡变形多步预测系统的相关参数选取
7.4.3 边坡变形多步预测模型建立
7.4.4 样本的数据处理
7.4.5 训练与预测结果的分析
主要参考文献