用随机场理论和卷积神经网络（CNN）分析边坡可靠度

近期，深度学习变得越来越火热，用深度学习跨领域研究一些其他领域的问题可以开拓研究思路。比如说用深度学习中的人工神经网络（ANNs）和卷积神经网络（CNN）去分析边坡可靠度的问题。边坡可靠度的研究是在假设土体参数的空间变异性上提出的，用KL展开或者是基于乔列斯基分解的中点法可以生成随机场数据。分析边坡可靠度的方法包括蒙特卡洛模拟，一次二阶矩,响应面法，克里金法。但是深度学习的发展给边坡可靠度分析带来了一些新的思路。

之前的一些深度学习方法，比如说CNN和ANN，都是可以用于图像分析的，他们通过图像上的像素值作为输入参数，分类特征作为输出参数，通过训练样本和验证样本构建卷积神经网络模型，来对其他图片进行分类。这是机器学习在分类上的应用。在回归预测方面，机器学习也可以建立模型输出连续性的值，这就是边坡可靠度研究的可以借鉴的地方。