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

发布时间：2017-06-02 17:01

  本文关键词：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，由笔耕文化传播整理发布。

【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。
【关键词】：局部均值分解 高斯过程 多尺度分析 特征提取 变形预测
【学位授予单位】：东华理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TU196.1
【目录】：

• 摘要4-6
• ABSTRACT6-12
• 第1章 绪论12-20
• 1.1 选题背景及意义12-13
• 1.2 国内外研究现状13-15
• 1.3 本文主要研究内容15-16
• 1.4 组织结构及技术路线图16-19
• 1.4.1 组织结构16-18
• 1.4.2 技术路线图18-19
• 1.5 本章小结19-20
• 第2章 LMD和GP方法的理论研究及算法改进20-34
• 2.1 LMD和GP方法原理20-25
• 2.1.1 LMD原理和算法20-25
• 2.1.2 高斯过程25
• 2.2 高斯过程GP算法的改进25-29
• 2.2.1 高斯过程协方差函数选择问题25-28
• 2.2.2 粒子群优化GP超参数求解问题28-29
• 2.3 LMD方法端点效应的抑制方法29-32
• 2.3.1 基于极值点的粒子群优化高斯过程端点延拓29-30
• 2.3.2 仿真信号分析30-32
• 2.4 本章小结32-34
• 第3章 基于LMD方法的变形监测数据序列预处理34-50
• 3.1 变形监测时间序列LMD信号去噪法34-40
• 3.1.1 传统信号去噪方法34-35
• 3.1.2 自适应LMD融合新小波阈值函数去噪35-37
• 3.1.3 仿真信号与实际工程信号去噪分析37-40
• 3.2 变形监测时间序列LMD粗差探测法40-48
• 3.2.1 传统的数据序列粗差探测方法41-42
• 3.2.2 单因素变形监测数据LMD粗差探测法42-44
• 3.2.3 多因素主导变形监测数据LMD-UF粗差探测法44-48
• 3.3 本章小结48-50
• 第4章 基于改进LMD的变形信息多尺度分解与分析50-58
• 4.1 大坝变形分量的影响因素50-51
• 4.2 改进-LMD方法提取变形特征量51-56
• 4.3 本章小结56-58
• 第5章 多尺度变形预测模型的构建58-76
• 5.1 基本理论58
• 5.2 基于LMD-PSO-GP的大坝多尺度变形预测模型58-62
• 5.2.1 建模过程58-59
• 5.2.2 实例分析与数据预处理59-62
• 5.3 基于ELMD-LSSVM的大坝预测模型62-65
• 5.3.1 ELMD原理62-63
• 5.3.2 最小二乘支持向量机LSSVM63
• 5.3.3 大坝变形多尺度分析ELMD-LSSVM预测模型63-65
• 5.4 顾及邻近点变形因素的高斯过程模型65-73
• 5.4.1 多点灰色预测模型原理66
• 5.4.2 顾及邻近点变形因素的高斯过程模型建立66-67
• 5.4.3 工程应用67-73
• 5.5 本章小结73-76
• 第6章 总结与展望76-78
• 6.1 总结76-77
• 6.2 展望77-78
• 致谢78-80
• 参考文献80-86
• 攻读硕士学位期间的科研成果及参加项目86-87

【相似文献】

中国期刊全文数据库 前10条

1 熊志化,杨海滨,吴云峰,邵惠鹤;基于稀疏高斯过程的热力参数软仪表[J];中国电机工程学报;2005年08期

2 刘新亮;张昆仑;郭波;;高斯过程元模型建模方法及在火箭弹气动分析中应用[J];固体火箭技术;2010年05期

3 任江洪;陈韬;曹长修;;混合高斯过程回归模型在铁水硅含量预报中的应用[J];重庆大学学报;2012年02期

4 李元诚;王蓓;王旭峰;;基于和声搜索-高斯过程混合算法的光伏功率预测[J];电力自动化设备;2014年08期

5 孙斌;姚海涛;刘婷;;基于高斯过程回归的短期风速预测[J];中国电机工程学报;2012年29期

6 张丽萍;;国际工程投标报价中标高金预测的高斯过程方法应用[J];建筑经济;2013年06期

7 张乐;刘忠;张建强;任雄伟;;基于人工蜂群算法优化的改进高斯过程模型[J];国防科技大学学报;2014年01期

8 王鑫;李红丽;;苯酚含量预测的高斯过程回归模型[J];自动化仪表;2014年05期

9 万华平;任伟新;魏锦辉;;基于高斯过程响应面的结构有限元模型修正方法[J];振动与冲击;2012年24期

10 熊志化,朱峰,邵惠鹤;热力参数软仪表在电厂中的应用(英文)[J];Journal of Southeast University(English Edition);2005年01期

中国重要会议论文全文数据库 前5条

1 刘信恩;肖世富;莫军;;用于不确定性分析的高斯过程响应面模型设计点选择方法研究[A];中国计算力学大会'2010（CCCM2010）暨第八届南方计算力学学术会议（SCCM8）论文集[C];2010年

2 刘冬;张清华;;基于高斯过程的精密卫星钟差加密[A];第二届中国卫星导航学术年会电子文集[C];2011年

3 李雅芹;杨慧中;;一种基于仿射传播聚类和高斯过程的多模型建模方法[A];2009中国过程系统工程年会暨中国mes年会论文集[C];2009年

4 赵级汉;张国敬;姜龙;魏巍;;基于叠加高斯过程的数字噪声产生方法FPGA实现[A];第二十四届全国空间探测学术交流会论文摘要集[C];2011年

5 何志昆;刘光斌;姚志成;赵曦晶;;基于高斯过程回归的FOG标度因数温度漂移建模新方法[A];第25届中国控制与决策会议论文集[C];2013年

中国博士学位论文全文数据库 前6条

1 王建民;矿山边坡变形监测数据的高斯过程智能分析与预测[D];太原理工大学;2016年

2 赵静;基于高斯过程的动态系统研究[D];华东师范大学;2016年

3 潘伟;基于高斯过程的高炉炼铁过程辨识与预测[D];浙江大学;2012年

4 贺建军;基于高斯过程模型的机器学习算法研究及应用[D];大连理工大学;2012年

5 夏战国;基于高斯过程的提升机轴承性能评测方法研究[D];中国矿业大学;2013年

6 赵伟;复杂工程结构可靠度分析的高斯过程动态响应面方法研究[D];广西大学;2014年

中国硕士学位论文全文数据库 前10条

1 李红丽;回归分析中的贝叶斯推断技术的研究[D];江南大学;2015年

2 李励耘;基于高斯过程的抓取规划方法研究[D];哈尔滨工业大学;2015年

3 王雪茹;基于高斯过程的风电机组部件建模与监测研究[D];华北电力大学;2015年

4 于立鑫;基于高斯过程—差异进化算法的隧道施工多元信息反分析研究[D];大连海事大学;2015年

5 戈财若;基于高斯过程的高光谱图像分类算法研究[D];东华理工大学;2015年

6 叶婧;基于高斯过程回归的锂电池数据处理[D];北京交通大学;2016年

7 张栋;基于在线学习高斯过程有杆泵油井动态液面建模方法研究[D];东北大学;2014年

8 王奉伟;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[D];东华理工大学;2016年

9 申倩倩;基于高斯过程的在线建模问题研究[D];华南理工大学;2011年

10 朱江;单任务以及多任务稀疏高斯过程[D];华东师范大学;2014年

  本文关键词：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，，由笔耕文化传播整理发布。

本文编号：415921