基于LMD-RBF神经网络模型的大坝变形预测

摘要

大坝在运营过程中由于受多种外界环境影响,表现出一种非线性、非稳定性变形特征。为了从大坝变形监测数据中有效提取变形规律,提高大坝变形的预测精度,本文在RBF(Radial Basis Function)神经网络模型的基础上,结合局部均值分解(LMD,Local Mean Decomposition)技术在对非线性、非平稳性信号分解中的优势,提出了一种LMD-RBF神经网络预测模型。该组合预测模型实现变形预测的步骤为:首先对变形监测数据进行LMD分解得到若干个PF(Product Function)分量以及余量;其次,使用RBF神经网络模型对各分量与余量进行预测得到各分量与余量预测值;最后,重构各分量与余量预测值得到最终预测结果。将本文提出的LMD-RBF神经网络模型应用于大坝变形预测中,结果表明,相比于BP(Back Propagation)神经网络模型与RBF神经网络模型,本文提出的组合预测模型的预测精度最高且稳定性最好,可为大坝等工程的变形预测提供思路与参考。