改进的局部均值分解和高斯过程在变形监测数据处理中的应用研究

摘要

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。局部均值分解（Local Mean Decomposition，LMD)是一种新的能自适应地应对复杂的非平稳信号的方法。高斯过程(Gaussiau Process，GP)因为其具有严格的理论统计学习理论基础，对处理非线性等问题具有很好的适应性，并且科学地得到预测精度和概率，是一种较好的非线性学习方法。本文研究了基于局部均值分解和高斯过程的变形监测数据处理、特征提取与预测模型，并结合仿真信号与大坝等变形监测数据，分析与探讨了相关问题。　　（1）对于高斯过程存在的协方差函数选择和超参数求解方法问题作者利用类似自适应寻优函数和粒子群(Particle Swarm Optimization，PSO)算法进行改进，而对于 LMD的端点效应问题，作者通过改进的 PSO-GP算法对变形信号进行延拓，通过实例分析对于两种算法的改进都较为明显，效果不错。　　（2）针对变形监测数据预处理问题，建立了基于 LMD的新小波阈值函数去噪法，其充分利用 LMD的自适应性融合新小波阈值函数，大大提高了去噪的效果。针对针对不同变形情况的案例粗差探测问题，作者提出基于 LMD融合传统方法的粗差探测法，优势互补，提高粗差探测的准确性和效率。　　（3）将数据预处理后的观测序列进行 LMD分解，运用相关系数等方法进行变形分析和特征提取，对变形做出合理解释。最后对对各变形分量进行建模预测，将所有变形分量累加得到最终的变形体预测模型。作者建立了基于 LMD-PSO-GP的组合预测模型以及考虑改进 LMD模态混叠现象的 ELMD-LSSVM预测模型，通过实例验证分析发现，两种组合模型的建模精度明显高于单一模型，效果较好，适合非线性非平稳变形体数据的分析和预测。　　（4）论文第五章最后一节考虑到邻近点变形因素的 GP单点预测模型，而下一步研究工作的重点是建立基于 LMD和 GP方法的多尺度变形多点预测模型。从文中两个单点实例可以发现，邻近点变形对监测点的影响不可忽略，且将其变形因素加入到建模过程中去效果提升明显，为建立多尺度变形的监测序列的多点预测模型奠定了基础。

目录

声明

第1章绪论

1.1 选题背景及意义

1.2 国内外研究现状

1.3 本文主要研究内容

1.4组织结构及技术路线图

1.5 本章小结

第2章LMD和GP方法的理论研究及算法改进

2.1 LMD和GP方法原理

2.2 高斯过程GP算法的改进

2.3 LMD方法端点效应的抑制方法

2.4 本章小结

第3章基于LMD方法的变形监测数据序列预处理

3.1变形监测时间序列LMD信号去噪法

3.2 变形监测时间序列LMD粗差探测法

3.3 本章小结

第4章基于改进LMD的变形信息多尺度分解与分析

4.1大坝变形分量的影响因素

4.2 改进-LMD方法提取变形特征量

4.3 本章小结

第5章多尺度变形预测模型的构建

5.1 基本理论

5.2 基于LMD-PSO-GP的大坝多尺度变形预测模型

5.3 基于ELMD-LSSVM的大坝预测模型

5.4 顾及邻近点变形因素的高斯过程模型

5.5 本章小结

第6章总结与展望

6.1总结

6.2展望

致谢

参考文献

攻读硕士学位期间的科研成果及参加项目