Bootstrap-GRNN：滑坡位移区间预测的新方法

本文献探讨了一种新颖的基于广义回归神经网络（Generalized Regression Neural Network, GRNN）的Bootstrap方法应用于滑坡位移区间预测的研究。作者是来自华中师范大学计算机科学与技术学院、湖北工程科技学院计算机学院以及湖北工业大学计算机学院的Jiejie Chen、Zhigang Zeng 和 Ping Jiang。滑坡作为一种复杂的地质灾害，对人类生命财产安全构成严重威胁，因此准确预测其位移动态具有重要意义。 Bootstrap-GRNN方法的核心在于结合Bootstrap统计学原理与GRNN的优势，这是一种非参数统计技术，用于估计模型的不确定性。该方法首先构建了一个包含B+1个GRNN的模型体系，其中B个GRNN用于计算滑坡位移数据的方差，这一步旨在捕捉数据的变异性和随机性。然后，另一个GRNN被用来估计误差的方差，以增强预测的可靠性。 在实际操作中，通过应用间隔预测公式，研究人员能够从获取的滑坡位移数据及其变异信息中推导出相应的位移区间预测。这种方法旨在提供一个更为稳健和可信的预测结果，避免了单一值预测可能存在的偏差，对于灾害预警和应急响应决策具有显著价值。 关键词包括：间隔预测、Bootstrap、广义回归神经网络、方差。整体而言，这项研究为滑坡位移的不确定性量化提供了新的预测框架，有助于提高地质灾害管理的科学性和准确性。通过结合Bootstrap的抽样策略和GRNN的非线性建模能力，Bootstrap-GRNN方法有望在地质灾害监测领域发挥重要作用。