论文部分内容阅读
变形监测与分析是安全监测系统的重要组成部分,分析方法的可靠性以及精度对变形体安全运行具有重要的作用。变形数据的处理、特征向量的提取以及变形预测是变形监测中的关键问题,也是测绘学科的研究热点之一。2005年,Jonathan S.Smith提出一种新的能自适应地应对复杂的非平稳信号的方法,即局部均值分解(local mean decomposition,LMD)。该方法的特点可以高效地将复杂信号分解成多个乘积函数(Production Function,PF)分量之和,并且以PF分量中的纯调频信号为基础可解算出其具有物理意义的瞬时频率,为变形特征提取与预测提供了一种新的研究方法。本文结合国家自然科学基金项目,研究了基于局域均值分解的变形监测特征提取与预测模型,并结合仿真信号与大坝变形监测数据,分析与探讨了相关问题。本文基于局域均值分解原理与方法,深入分析LMD理论方法并对其进行算法改进,以相邻距离大小的平均值的三分之一作为滑动平均的步长作为改进-LMD分解方法。比较并分析局域均值分解与经验模态分解(Empirical Mode Decomposition,EMD)方法可知,LMD方法在迭代次数少、克服能量泄漏方面比EMD方法要好。研究表明,改进LMD分解方法在计算效率和分解精度两方面较好于传统-LMD、三次样条插值-LMD等分解方法,并且该方法获得的PF分量频谱分布图,更全面准备的提取了特征信息,为更好的建立预测模型提供技术保障。最终探讨并构建一种基于LMD-BP神经网络组合预测模型,对变形数据进行特征提取及预测模型分析研究,该模型预测效果较好;以及另一种基于改进-LMD的快速近似熵-LSSVM的预测模型,以大坝变形位移量为数据依据,结果与单一LSSVM模型、SVM以及BP神经网络模型进行对比,结果表明,在改进-LMD的快速近似熵-LSSVM模型中,其平均绝对误差MAE、平均绝对百分比误差MAPE、以及均方根误差RMSe等精度明显高于采用单一LSSVM模型、SVM以及BP神经网络模型中的误差。因此,两种基于LMD的预测模型都能很好的描述大坝变形位移量的特征,这不仅为预测部门提供有效的技术支持,也为今后研究变形预测提供一种有效的思路。