1.一种基于信度规则推理的边坡滑动力预测方法，该方法包括以下步骤：步骤(1)构造边坡滑动力预测的信度规则推理模型，它的输入变量为f1(t),f2(t),f3(t)，t表示采样时刻，采样周期Δt，单位：小时，即数据每Δt小时采集一次，共采集T次，T>>

0，t＝3,4,…,T；其中f1(t)≥0，f1(t)表示t时刻负泊松比锚索传感器采集的滑动力，单位：牛顿，f2(t)表示t时刻与t‑1时刻NPR锚索传感器采集的滑动力之间的差值，即f2(t)＝f1(t)‑f1(t‑1)，f3(t)表示t时刻与t‑2时刻NPR锚索传感器采集的滑动力之间的差值，即f3(t)＝f1(t)‑f1(t‑2)；输出为y(t+n)，亦即未来n*Δt小时后的滑动力预测值；

步骤(2)定义滑动力历史样本向量集合为S＝{(f1(t),f2(t),f3(t),y(t+n))|t＝3,

4,…,T}，用集合S构造各个变量的中心值，具体步骤如下：步骤(2‑1)将集合S分解为四个子集：S1＝{f1(t)|t＝3,4,…,T}，S2＝{f2(t)|t＝3,

4,…,T}，S3＝{f3(t)|t＝3,4,…,T}，S4＝{y(t+n)|t＝3,4,…,T}，并记为Si，i＝1,2,3，分别利用K‑means算法聚类找到Si中样本的Ki个中心值并组成集合 这里Ki≥

3，且满足

步骤(2‑2)同理对集合S中的子集S4利用K‑means算法聚类找到S4的中心值并组成集合K4表示中心值的个数，这里K4≥3，且满足 P＝min{S4},Q＝max{S4}；

步骤(3)根据步骤(2)所构造的中心值，建立信度规则系统，描述输入变量f1(t),f2(t),f3(t)和输出变量y(t+n)之间存在的复杂非线性关系，其中的第k条规则记作为Rk，表示形式如下：式(1)中， 表示在第k条规则中第i个输入变量的中心值， L＝K1×K2×K3代表规则的总数；μj,k代表在第k条规则中Vj发生的置信度，j＝1,2,...,K4；k＝1,

2,...,L，并有 定义第k条规则的权重θk＝1,k＝1,2,...,L，变量重要性因子δi＝

1,i＝1,2,3；

步骤(4)求解步骤(3)中的置信度 其步骤如下：

步骤(4‑1)定义滑动力历史输入样本向量集合S’＝{(f1(t),f2(t),f3(t))|t＝3,4,…,T}，计算S’中每个样本向量与第k条规输入变量的中心值向量 之间的距离dt,k，其计算公式如下：步骤(4‑2)找出每条规则下最小距离 即 其中mk表示第k条规则下的最小距离所对应的时刻，这里mk∈{3,4,...,T}；将所有规则对应的时刻标签定义为集合M＝{m1,m2,…,mL}；

步骤(4‑3)根据步骤(4‑2)所得的集合M＝{m1,m2,…,mL}，获取相应地输出变量的历史样本集合S'4＝{y(mk+n)|mk∈{3,4,...,T},k＝1,2,...L}，将集合S4'中的y(mk+n)与中心值Vj(j＝1,2,…,K4)进行匹配，求取第k条规则中Vj的信度μj,k，具体求取公式如下：(a)当y(mk+n)≤V1或 时，y(mk+n)对V1和 的匹配度μj,k取值均为1，对于其它中心值的匹配度均为0；

(b)当Ve≤y(mk+n)≤Ve+1时，y(mk+n)对Ve和Ve+1的匹配度μj,k取值由式(3)和(4)给出，e＝

1,2,…,K4‑1：

μe,k＝(Ve+1‑y(mk+n))/(Ve+1‑Ve)                      (3)μe+1,k＝(y(mk+n)‑Ve)/(Ve+1‑Ve)                      (4)此时，输出变量y(mk+n)对于其它中心值的匹配度均为0；

步骤(5)当在线获取输入样本f1(t),f2(t),f3(t)，计算它们与步骤(3)中各条规则的匹配度，具体求取公式如下：(a)当fi(t)≤Ai,1或 时，fi(t)对Ai,1和 的匹配度 取值均为1，对于其它中心值的匹配度均为0；

(b)当Ai,q≤fi(t)≤Ai,q+1时，fi(t)对于Ai,q和Ai,q+1的匹配度 取值由式(5)和(6)给出，q＝1,2,…,Ki‑1：此时，输入变量fi(t)对于其它中心值的匹配度均为0；

步骤(6)根据步骤(5)获取的匹配度，计算在线样本f1(t),f2(t),f3(t)对于每条规则的激活权重：其中，wk∈[0,1]； 为第i个输入变量的相对权重，这里 θk表示第k条规则的权重；

步骤(7)基于证据推理算法，对规则库中所有规则进行融合，获得Vj所对应的置信度为：步骤(8)根据步骤(7)得到边坡的滑动力预测值y(t+n)为：