应用极限分析法进行边坡稳定的在线监测，首先要根据边坡的地形地质条件定义了边坡滑动模式集，将其与边坡安全监测资料分析结合起来，根据专家的经验建立监测信息与边坡滑动模式之间的映射关系。引入神经网络模式识别方法，建立一个边坡实时安全监测模式识别器，根据监测资料实时判断边坡所处于的安全状态模式。综合边坡的安全状态模式和所有其基本条件，形成边坡极限分析法的计算资料文件，即可用极限分析程序计算出边坡在任一监测时刻的安全系数，评判边坡的安全状况（陆峰，2001）。

在边坡的静态稳定分析工作中，往往要假设边坡可能的滑动模式（陈祖煜，1995）。这个工作依赖于分析者对边坡的了解和实践经验。事实上在边坡监测过程中，我们也可以认为对应于任一时刻监测资料所揭示的边坡的安全状态，应该用某种滑动模式来考虑边坡的稳定性。简单地说，如果边坡监测断面上的位移、锚杆应力等测值呈现某种空间分布形式，且数值达到需要考虑边坡稳定性的程度，就该将其与边坡的某种滑动模式联系起来。

边坡的滑动模式由滑裂面组合形式构成。对于土质边坡，常见的滑裂面有直线或圆弧形式。对于岩石边坡，则要重点考虑断层、软弱夹层和节理等结构面。滑裂面通常会选择穿过某些结构面。至于选择哪些结构面，是由非常复杂的力学因素决定的。而完善的监测系统能及时地反映这些情况。在实际应用中，我们可以根据边坡的基本情况和监测仪器的埋设情况，列举出边坡可能的滑动模式，形成滑动模式集M_i。

M_i ={m₁, m₂, ¼ , m_N} (1)

如图1~4所示为小浪底水利枢纽工程出水口高边坡某断面的四种滑动模式。

将监测数据形成向量形式，如式(2)所示

V_i=(d₁, d₂, ¼ , d_m, p₁, p₂, ¼ , p_n, u₁, u₂, ¼ , u_r, x₁, x₂, ¼ , x_s) (2)

式中d₁, d₂, ¼ , d_m表示相关位移测点测值，m为i部位位移类测点数；p₁, p₂, ¼ , p_n代表锚索（杆）应力计测值，n为应力计数；u₁, u₂, ¼ , u_r代表渗压计渗压值，r为渗压计数；x₁, x₂, ¼ , x_s代表人工巡视信息，s为其项目数。人工巡视项目有的是一些物理量，如水位、降雨量等；有的是一数值，表示对项目程度的评价，如0.5对于坡顶裂缝来说是确实存在而且已经张开到中等程度了。

V_i ® M_i (3)

人工神经网络（Artificial Neural Network, ANN）方法是一种模仿动物脑神经网络某些结构和功能的数值计算方法，具有超强的分类、预测和模式识别能力。人工神经网络一般由神经元、神经元组成的层和层间连接权构成。关于人工神经网络的工作原理和功能在许多专著中都有详细讨论（Abhijit S，1999；戴葵，1998），本文不再赘述。

神经网络模式识别器是描述(3)中监测数据向量模式集对边坡滑动模式集的映射关系，并进行预测的理想工具。本文选用典型的三层BP网络拓扑结构作为模式识别器的结构。输入层神经元数为监测向量的单元数，设为v，由(2)可知

v=m+n+r+s (4)

输出层仅有一个神经元，代表一个边坡滑动模式。隐含层（中间层）的神经元数h对神经网络的收敛速度影响较大。经反复试验，本文认为

h=2v-1 (5)