摘要： 针对边坡稳定性预测算法选择困难和单个模型误判风险大的问题,建立了基于改进D-S 证据理论选择 性集成的边坡稳定性评价方法,为边坡稳定性初步评价提供方法依据。基于边坡稳定性主要影响因素,通过极限平 衡法构建了大型边坡稳定性评价数据集。引入基于边界距离最小化的基学习器选择技术,提升选择性集成模型的泛 化能力。提出了改进D-S 证据理论融合基学习器信息,降低了选择性集成模型决策过程中的不确定性和模糊性,解决 了现有边坡稳定性评价模型易误判和结果非一致性问题。仿真试验结果表明:改进D-S 证据理论选择性集成方法无 需复杂的数值建模与计算迭代过程,可直接客观地评判边坡稳定性状态,并从信息论角度给出边坡失稳概率。对比 传统机器学习方法,该方法有效提高了边坡稳定性的预测准确率,同时降低了预测结果的不确定性,实现了速度快、 精度高、稳健性好的广域尺度边坡稳定性评价。

关键词: 边坡稳定性　D-S 证据理论　集成学习　选择性集成　失稳概率