1.一种基于模糊分类技术的边坡可靠性参数获取方法，其特征在于，所述方法包括：根据m个不确定性参数各自对应的均值与标准差，通过正交设计法，生成k个训练样本向量，每个所述训练样本向量由所述m个不确定性参数各自对应的试验数据构成，其中，m与k为非零自然数，k的最大取值与m呈指数关系；

根据所述k个训练样本向量及一个或多个确定性参数，通过边坡稳定性分析方法，获取所述k个训练样本向量各自对应的边坡稳定系数；

以所述k个训练样本向量为自变量，以其各自对应的边坡稳定系数为因变量，构成映射关系，通过支持向量机算法，获取所述映射关系表达式；

根据随机生成的N个服从于联合概率分布的待测样本向量、所述映射关系表达式以及预设的失稳状态模糊判别函数，获取边坡可靠性参数，所述边坡可靠性参数包括N个待测样本向量各自对应的边坡稳定系数的均值和标准差、边坡失效概率以及可靠度指标，其中，每个所述待测样本向量由所述m个不确定性参数各自对应的随机数据构成。

2.根据权利要求1所述的方法，其特征在于，根据m个不确定性参数各自对应的均值与标准差，通过正交设计法，生成k个训练样本向量，包括：

根据m个不确定性参数的均值和标准差，通过正交设计法，至少生成一组第一训练样本向量，每个所述不确定性参数的均值为μi，标准差为σi，每个所述第一训练样本向量中的每个所述不确定性参数对应的3个水平为:μi-2σi、μi、μi+2σi，或者为μi-3σi、μi、μi+3σi，其中i＝1,2,…,m，每一组所述第一训练样本向量的数量为nj，nj≤3m，j为组编号，有j∈N+；

合并所述第一训练样本向量为训练样本向量，所述训练样本向量的样本数为k，或 其中，t为所述第一训练样本向量的组数。

3.根据权利要求1所述的方法，其特征在于，所述以所述k个训练样本向量为自变量，以其各自对应的边坡稳定系数为因变量，构成映射关系，通过支持向量机算法，获取所述映射关系表达式，包括：根据所述k个训练样本向量及其各自对应的边坡稳定系数，以及预设规则，获取最优偏移量以及所述k个训练样本向量各自对应的最优拉格朗日对偶；

根据所述最优偏移量、所述k个训练样本向量及其各自对应的最优拉格朗日对偶，获取映射关系表达式。

4.根据权利要求3所述的方法，其特征在于，所述根据随机生成的N个服从于联合概率分布的待测样本向量、所述映射关系表达式以及预设的失稳状态模糊判别函数，获取边坡可靠性参数，所述边坡可靠性参数包括N个待测样本向量各自对应的边坡稳定系数的均值和标准差、边坡失效概率以及可靠度指标，其中，每个所述待测样本向量由所述m个不确定性参数各自对应的随机数据构成，包括：根据随机生成的N个服从于联合概率分布的待测样本向量及所述映射关系表达式，获取N个待测样本向量各自对应的边坡稳定系数，计算所述N个待测样本向量各自对应的边坡稳定系数的均值和标准差，其中，每个所述待测样本向量由所述m个不确定性参数各自对应的随机数据构成；

根据所述N个待测样本向量各自对应的边坡稳定系数以及所述预设的失稳状态模糊判别函数，分别计算所述N个待测样本向量各自对应的模糊隶属度值；

计算所述N个待测样本向量各自对应的模糊隶属度值的累加和与N的比值，并将所述比值作为所述边坡失效概率；

根据所述边坡失效概率和预设规则，计算所述可靠度指标。

5.根据权利要求4所述的方法，其特征在于，在所述根据所述k个训练样本向量及其各自对应的边坡稳定系数，以及预设规则，获取最优偏移量以及所述k个训练样本向量各自对应的最优拉格朗日对偶之前，所述方法还包括：对所述k个训练样本向量中的试验数据进行归一化处理；

在所述根据随机生成的N个服从于联合概率分布的待测样本向量及所述映射关系表达式，获取N个待测样本向量各自对应的边坡稳定系数之前，所述方法还包括：对所述随机生成的N个服从于联合概率分布的待测样本向量进行归一化处理。

6.一种基于模糊分类技术的边坡可靠性参数获取装置，其特征在于，所述装置包括：训练样本生成模块，用于根据m个不确定性参数各自对应的均值与标准差，通过正交设计法，生成k个训练样本向量，每个所述训练样本向量由所述m个不确定性参数各自对应的试验数据构成，其中m与k为非零自然数，k的最大取值与m呈指数关系；

稳定系数获取模块，用于根据所述k个训练样本向量及一个或多个确定性参数，通过边坡稳定性分析方法，获取所述k个训练样本向量各自对应的边坡稳定系数；

表达式获取模块，用于以所述k个训练样本向量为自变量，以其各自对应的边坡稳定系数为因变量，构成映射关系，通过支持向量机算法，获取所述映射关系表达式；

可靠性参数获取模块，用于根据随机生成的N个服从于联合概率分布的待测样本向量、所述映射关系表达式以及预设的失稳状态模糊判别函数，获取边坡可靠性参数，所述边坡可靠性参数包括N个待测样本向量各自对应的边坡稳定系数的均值和标准差、边坡失效概率以及可靠度指标，其中，每个所述待测样本向量由所述m个不确定性参数各自对应的随机数据构成。

7.根据权利要求6所述的装置，其特征在于，所述训练样本生成模块包括第一训练样本生成模块和第二训练样本生成模块，所述第一训练样本生成模块，用于根据m个不确定性参数的均值和标准差，通过正交设计法，至少生成一组第一训练样本向量，每个所述不确定性参数对应的均值为μi，标准差为σi，每个所述第一训练样本向量中的每个所述不确定性参数对应的试验数据为μi-2σi、μi、μi+2σi，或者为μi-3σi、μi、μi+3σi，其中i＝1,2,…,m，每一组所述第一训练样本向量的数量为nj，nj≤3m，j∈N+；

所述第二训练样本生成模块，用于合并所述第一训练样本向量为训练样本向量，所述训练样本向量的样本数为k， 或 其中，t为所述第一训练样本向量的组数。

8.根据权利要求6所述的装置，其特征在于，所述表达式获取模块包括第一获取模块及第二获取模块，所述第一获取模块，用于根据所述k个训练样本向量及其各自对应的边坡稳定系数，以及预设规则，获取最优偏移量以及所述k个训练样本向量各自对应的最优拉格朗日对偶；

所述第二获取模块，用于根据所述最优偏移量、所述k个训练样本向量及其各自对应的最优拉格朗日对偶，获取映射关系表达式。

9.根据权利要求8所述的装置，其特征在于，所述可靠性参数获取模块包括第一计算模块、第二计算模块、第三计算模块及第四计算模块，所述第一计算模块，用于根据随机生成的N个服从于联合概率分布的待测样本向量及所述映射关系表达式，获取N个待测样本向量各自对应的边坡稳定系数，计算所述N个待测样本向量各自对应的边坡稳定系数的均值和标准差，其中，每个所述待测样本向量由所述m个不确定性参数各自对应的随机数据构成；

所述第二计算模块，用于根据所述N个待测样本向量各自对应的边坡稳定系数以及所述预设的失稳状态模糊判别函数，分别计算所述N个待测样本向量各自对应的模糊隶属度值；

所述第三计算模块，用于计算所述N个待测样本向量各自对应的模糊隶属度值的累加和与N的比值，并将所述比值作为所述边坡失效概率；

所述第四计算模块，根据所述边坡失效概率和预设规则，计算所述可靠度指标。

10.根据权利要求9所述的装置，其特征在于，所述第一获取模块还包括第一处理模块，所述第一处理模块，用于在根据所述k个训练样本向量及其各自对应的边坡稳定系数，以及预设规则，获取最优偏移量以及所述k个训练样本向量各自对应的最优拉格朗日对偶之前，对所述k个训练样本向量中的试验数据进行归一化处理；

所述第一计算模块还包括第二处理模块，所述第二处理模块，用于在所述根据随机生成的N个服从于联合概率分布的待测样本向量及所述映射关系表达式，获取N个待测样本向量各自对应的边坡稳定系数之前，对所述随机生成的N个服从于联合概率分布的待测样本向量进行归一化处理。