基于局域均值分解的變形信號特征提取與預測研究.pdf

1、變形監(jiān)測與分析是安全監(jiān)測系統(tǒng)的重要組成部分，分析方法的可靠性以及精度對變形體安全運行具有重要的作用。變形數(shù)據(jù)的處理、特征向量的提取以及變形預測是變形監(jiān)測中的關(guān)鍵問題，也是測繪學科的研究熱點之一。2005年，Jonathan S. Smith提出一種新的能自適應(yīng)地應(yīng)對復雜的非平穩(wěn)信號的方法，即局部均值分解（local mean decomposition，LMD)。該方法的特點可以高效地將復雜信號分解成多個乘積函數(shù)（Production

2、Function，PF)分量之和，并且以 PF分量中的純調(diào)頻信號為基礎(chǔ)可解算出其具有物理意義的瞬時頻率，為變形特征提取與預測提供了一種新的研究方法。本文結(jié)合國家自然科學基金項目，研究了基于局域均值分解的變形監(jiān)測特征提取與預測模型，并結(jié)合仿真信號與大壩變形監(jiān)測數(shù)據(jù)，分析與探討了相關(guān)問題。
　　本文基于局域均值分解原理與方法，深入分析 LMD理論方法并對其進行算法改進，以相鄰距離大小的平均值的三分之一作為滑動平均的步長作為改進-LMD

3、分解方法。比較并分析局域均值分解與經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）方法可知，LMD方法在迭代次數(shù)少、克服能量泄漏方面比 EMD方法要好。研究表明，改進 LMD分解方法在計算效率和分解精度兩方面較好于傳統(tǒng)-LMD、三次樣條插值-LMD等分解方法，并且該方法獲得的PF分量頻譜分布圖，更全面準備的提取了特征信息，為更好的建立預測模型提供技術(shù)保障。
　　最終探討并構(gòu)建一種基于 LMD-BP神

4、經(jīng)網(wǎng)絡(luò)組合預測模型，對變形數(shù)據(jù)進行特征提取及預測模型分析研究，該模型預測效果較好；以及另一種基于改進-LMD的快速近似熵-LSSVM的預測模型，以大壩變形位移量為數(shù)據(jù)依據(jù)，結(jié)果與單一LSSVM模型、SVM以及 BP神經(jīng)網(wǎng)絡(luò)模型進行對比，結(jié)果表明，在改進-LMD的快速近似熵-LSSVM模型中，其平均絕對誤差 MAE、平均絕對百分比誤差MAPE、以及均方根誤差 RMSe等精度明顯高于采用單一 LSSVM模型、SVM以及 BP神經(jīng)網(wǎng)絡(luò)模型中的