大坝在运营过程中会发生不同程度形变,及时掌握大坝变形的演变规律并作出准确预报,对大坝安全及灾害的控制具有重要意义。目前,BP神经网络模型被广泛用于非线性、非平稳性时间序列预测,但是其存在局部极小化及收敛速度慢等问题,从而导致预测精度不高。而继BP神经网络之后的小波神经网络结合了小波时频局部分析能力和神经网络的自组织、自学习的能力,能够有效解决BP神经网络算法中易陷入局部极小化和收敛速度较慢的问题,从而大大提高了变形预测精度。另一方面,目前有许多方法只是对原始变形数据直接建立模型进行分析,当数据非平稳性较强时,很难得到令人满意的结果。因此,若能通过某种数据处理方式,充分挖掘隐含在原始序列中的特征信息,将非平稳信号转化为平稳信号,再建立预测模型,将有望提高预测精度,而集合经验模态分解法就是一种可以将非平稳信号转化为平稳信号的数据处理方法。基于上述研究,本文将集合经验模态分解法和小波神经网络相结合,对大坝变形信息进行分析及预测。首先,利用集合经验模态分解法将变形时间序列分解成具有不同物理尺度特征的变形分量,以便降低其非平稳性。然后,为了减少建模次数,提高预测效率,采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量,并分别对其建立WNN预测模型,最后叠加各预测值即为最终预测结果。经算例验证,并与多元回归模型、GM(1,1)模型、ARIMA模型、BP神经网络模型和WNN模型对比分析表明,本文算法预测精度较高,可用于大坝变形预测。