基于经验模态分解的动态变形数据分析模型研究

摘要

高精度形变监测对于结构体的健康维护具有重要意义，卫星定位技术广泛应用于大型结构体的高精度监测中，但受制于高频噪声及低频多路径噪声影响，变形监测精度难以满足，为了从非线性、非稳定的监测信号中提取真实变形，本文对现代信号处理技术经验模态分解方法进行了详细的介绍，在经验模态分解的基本理论体系的基础上，对EMD中的端点效应和模态混叠问题进行了研究工作，提出了抑制端点效应和模态混叠问题的改进措施。在对真实形变数据的降噪及预测算法研究、形变系统开发方面做了一定的研究工作。主要研究内容如下：
　　（1）EMD端点效应和模态混叠问题的改进
　　针对EMD端点效应问题，在分析现有抑制端点效应方法的基础上，充分挖掘各种算法的优势，最大限度维护信号的内在趋势，提出一种基于特征提取的自适应延拓方法，通过特征提取总结波形的变化规律，利用改进的模板匹配算法筛选出与端点处波形一致的子波，借助改进的三角延拓方法寻找与端点处波形相似的子波。当信号规律性较差，未能筛选出相似子波时，利用 RBF神经网络进行延拓。通过模拟数据证明，该方法能够自适应的延拓波形，最大限度实现延拓数据与原信号波形的光滑过渡。针对EMD模态混叠问题，本文对完备经验模态分解（CEEMD）进行了研究，它是 EMD的变形体，能够在有效抑制模态混叠现象的同时精确地重构原始信号。
　　（2）形变时间序列降噪及预测研究
　　为了更好的消除混杂在变形序列中的噪声，利用完备经验模态分解（CEEMD）将信号自适应分解为不同尺度振动模态。针对分解分量中信号和噪声区分标准不唯一的问题，构造一种CEEMD与自相关分析相结合的去噪算法，实现有效信号和随机信号的分离。将该算法应用在仿真实验和GNSS变形监测实测数据，并与传统的小波去噪方法进行比较分析，本算法取得较好效果，相比小波方法避免了小波基选择带来的影响。为了更好的分析形变规律，提取形变信息，本文在形变信号预测方面进行了研究，应用最近邻和梯度下降的混合 RBF算法来改善神经网络结构，并使用经降噪处理后的实测信号检验算法效果，与普通的RBF相比较，在保证效率的同时，提高了预测效果的精度。
　　（3）动态变形数据处理与分析系统的设计与实现
　　根据变形监测数据处理的需求，设计并实现动态变形数据处理与分析系统。系统基于Asp.Net与Matlab混合编程技术，构建时间序列数据降噪处理与变形预测等核心算法组件；基于ArcGIS JavaScript APIs实现变形监测数据的空间可视化表达，并提供基本的空间查询与分析等功能；通过实验表明，系统能够较好的实现对变形数据的处理、分析与结果展示。

目录

封面

声明

致谢

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景及意义（Research Background and Significane）

1.2 国内外研究现状（Research Status）

1.3 研究内容及技术路线（ Research Contents and Technical Route）

2 经验模态分解降噪模型算法研究

2.1 EMD方法原理（Principle of EMD Algorithm）

2.2 EMD方法性质（Properties of EMD Algorithm）

2.3 EMD方法主要问题（Main Problem of EMD Algorithm）

2.4 本章小结（Summary）

3 EMD端点效应和模态混叠抑制算法研究

3.1 端点效应抑制方法（ The Methods of Dealing with the Endpoint Effect of EMD）

3.2 模态混叠抑制方法（The Methods of Dealing with the Mode Mixing of EMD）

3.3 本章小结（Summary）

4 时间序列数据处理分析模型研究

4.1 完备经验模态分解自相关消噪技术（ CEEMD noise reduction based on Auto Correlation）

4.2 基于混合 RBF 神经网络学习的变形预测（ Deformation Prediction based on Hybrid Learning Algorithm of RBF Neural Network）

4.3 本章小结（Summary）

5 动态形变监测数据处理与分析系统

5.1 系统总体设计（The System Structure）

5.2 系统功能设计（System Function Design）

5.3 系统关键技术及实现方法（ System Key Technology and Realization Method）

5.4 系统功能展示（System Function Display）

5.5 本章小结（Summary）

6 结论

6.1 总结（Conclusion）

6.2 展望（Prospect）

参考文献

作者简历

学位论文数据集