改進(jìn)的局部均值分解和高斯過(guò)程在變形監(jiān)測(cè)數(shù)據(jù)處理中的應(yīng)用研究.pdf

1、變形監(jiān)測(cè)與分析是安全監(jiān)測(cè)系統(tǒng)的重要組成部分，分析方法的可靠性以及精度對(duì)變形體安全運(yùn)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(yù)測(cè)是變形監(jiān)測(cè)中的關(guān)鍵問(wèn)題，也是測(cè)繪學(xué)科的研究熱點(diǎn)之一。局部均值分解（Local Mean Decomposition，LMD)是一種新的能自適應(yīng)地應(yīng)對(duì)復(fù)雜的非平穩(wěn)信號(hào)的方法。高斯過(guò)程(Gaussiau Process，GP)因?yàn)槠渚哂袊?yán)格的理論統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)，對(duì)處理非線性等問(wèn)題具有很好的適應(yīng)性，并

2、且科學(xué)地得到預(yù)測(cè)精度和概率，是一種較好的非線性學(xué)習(xí)方法。本文研究了基于局部均值分解和高斯過(guò)程的變形監(jiān)測(cè)數(shù)據(jù)處理、特征提取與預(yù)測(cè)模型，并結(jié)合仿真信號(hào)與大壩等變形監(jiān)測(cè)數(shù)據(jù)，分析與探討了相關(guān)問(wèn)題。
　?。?）對(duì)于高斯過(guò)程存在的協(xié)方差函數(shù)選擇和超參數(shù)求解方法問(wèn)題作者利用類似自適應(yīng)尋優(yōu)函數(shù)和粒子群(Particle Swarm Optimization，PSO)算法進(jìn)行改進(jìn)，而對(duì)于 LMD的端點(diǎn)效應(yīng)問(wèn)題，作者通過(guò)改進(jìn)的 PSO-GP算法對(duì)變

3、形信號(hào)進(jìn)行延拓，通過(guò)實(shí)例分析對(duì)于兩種算法的改進(jìn)都較為明顯，效果不錯(cuò)。
　?。?）針對(duì)變形監(jiān)測(cè)數(shù)據(jù)預(yù)處理問(wèn)題，建立了基于 LMD的新小波閾值函數(shù)去噪法，其充分利用 LMD的自適應(yīng)性融合新小波閾值函數(shù)，大大提高了去噪的效果。針對(duì)針對(duì)不同變形情況的案例粗差探測(cè)問(wèn)題，作者提出基于 LMD融合傳統(tǒng)方法的粗差探測(cè)法，優(yōu)勢(shì)互補(bǔ)，提高粗差探測(cè)的準(zhǔn)確性和效率。
　?。?）將數(shù)據(jù)預(yù)處理后的觀測(cè)序列進(jìn)行 LMD分解，運(yùn)用相關(guān)系數(shù)等方法進(jìn)行變形分析

4、和特征提取，對(duì)變形做出合理解釋。最后對(duì)對(duì)各變形分量進(jìn)行建模預(yù)測(cè)，將所有變形分量累加得到最終的變形體預(yù)測(cè)模型。作者建立了基于 LMD-PSO-GP的組合預(yù)測(cè)模型以及考慮改進(jìn) LMD模態(tài)混疊現(xiàn)象的 ELMD-LSSVM預(yù)測(cè)模型，通過(guò)實(shí)例驗(yàn)證分析發(fā)現(xiàn)，兩種組合模型的建模精度明顯高于單一模型，效果較好，適合非線性非平穩(wěn)變形體數(shù)據(jù)的分析和預(yù)測(cè)。
　?。?）論文第五章最后一節(jié)考慮到鄰近點(diǎn)變形因素的 GP單點(diǎn)預(yù)測(cè)模型，而下一步研究工作的重點(diǎn)是建