基于局域均值分解的變形信號(hào)特征提取與預(yù)測(cè)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。2005年，Jonathan S. Smith提出一種新的能自適應(yīng)地應(yīng)對(duì)復(fù)雜的非平穩(wěn)信號(hào)的方法，即局部均值分解（local mean decomposition，LMD)。該方法的特點(diǎn)可以高效地將復(fù)雜信號(hào)分解成多個(gè)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(hào)為基礎(chǔ)可解算出其具有物理意義的瞬時(shí)頻率，為變形特征提取與預(yù)測(cè)提供了一種新的研究方法。本文結(jié)合國(guó)家自然科學(xué)基金項(xiàng)目，研究了基于局域均值分解的變形監(jiān)測(cè)特征提取與預(yù)測(cè)模型，并結(jié)合仿真信號(hào)與大壩變形監(jiān)測(cè)數(shù)據(jù)，分析與探討了相關(guān)問(wèn)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(duì)其進(jìn)行算法改進(jìn)，以相鄰距離大小的平均值的三分之一作為滑動(dòng)平均的步長(zhǎng)作為改進(jìn)-LMD

3、分解方法。比較并分析局域均值分解與經(jīng)驗(yàn)?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(jìn) LMD分解方法在計(jì)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(zhǔn)備的提取了特征信息，為更好的建立預(yù)測(cè)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(yù)測(cè)模型，對(duì)變形數(shù)據(jù)進(jìn)行特征提取及預(yù)測(cè)模型分析研究，該模型預(yù)測(cè)效果較好；以及另一種基于改進(jìn)-LMD的快速近似熵-LSSVM的預(yù)測(cè)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(jìn)行對(duì)比，結(jié)果表明，在改進(jìn)-LMD的快速近似熵-LSSVM模型中，其平均絕對(duì)誤差 MAE、平均絕對(duì)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