基于小波包-卡尔曼的大坝变形数据处理研究

采用小波分析和卡尔曼滤波相结合的方法对乌鲁瓦提大坝变形数据进行处理,对比分析了小波分解与重构和小波包分解与重构后的结果,提前滤除了原始观测信号中的大部分高频噪声和粗差等,再运用小波与小波包和标准卡尔曼滤波相结合的模型对数据再次处理,结果表明该模型进一步提高了数据的可靠性和预测的精度.经工程实例分析得出:小波包进行分解与...     

GPS控制网的小波分析处理研究

为解决大坝坝区监测网实际环境条件对GPS观测的影响 ,采用小波分析技术对GPS观测成果进行处理 ,通过选取不同阈值及采用高频系数标准差σ的计算方法 ,有效地消除了信号噪声 ,进一步提高了GPS观测的精度 ,使GPS技术在大坝安全监测中取得了较好的应用效果     

工程GPS测量与地面观测值混合处理平差模

提出了工程GPS测量与地面观测值混合处理的一种实用平差模型。即把GPS基线向量直接转化为与地面观测值对应的直角坐标系统中的距离观测值,并考虑尺度变换因子,这样就可方便地把GPS基线向量和地面观测值进行混合平差.通过对多个工程GPS测量控制网的数据处理案例分析，说明提出的模型平差结果与其他严密混合平差模型计算结果一致，且点位精度评价更接近实际。此外，模型还可实现工程GPS测量控制网的优化设计。     

基于GPS实时大坝变形监测系统设计研究

利用直接在监控中心进行GPS载波相位差分解算的大坝三维位移长期实时自动监测技术,采用无电离层影响组合观测值建立的三差扩展Kalman滤波模型,消除了电离层延时对长距离观测的影响,结合设计实例介绍了系统中GPS测点的布设、数据传输和软件的实现。     

基于GPS实时大坝变形监测系统设计研究

利用直接在监控中心进行GPS载波相位差分解算的大坝三维位移长期实时自动监测技术,采用无电离层影响组合观测值建立的三差扩展Kalman滤波模型,消除了电离层延时对长距离观测的影响,结合设计实例介绍了系统中GPS测点的布设、数据传输和软件的实现.     

大坝水平位移监测数据的小波变换去噪处理

将实际观测到的一组大坝水平位移监测数据作为通常意义下的时序信号，并对其进行小波变换分析。根据噪声和有用信号的小波变换系数模极大值在不同分解尺度上的传播特点，提出了根据模极大值的传播规律来区别噪声和有用信号的方法，并给出了具体的算法和计算程序。对模拟数据和实测数据的处理结果表明，基于小波分解模极大值的去噪方法能够有效剔除土木工程变形监测数据中的噪声，识别被噪声湮没的有用信号。     

小波分析在GPS时间序列分析中的运用

利用"陆态网络"中KKN4站2010~2013年时间序列数据,通过小波分析对其周期性质和多尺度进行分解、去噪及重构,并利用重构前后的GPS时间序列的信噪比来对比去噪的有效性。结果表明,小波分析可以较好地分析时域信号的局部特征,将信号分解到不同的尺度上,说明小波分析可以很好地运用于GPS时间序列的分析中。     

工程GPS测量与地面观测值混合处理平差模型

提出了工程GPS测量与地面观测值混合处理的一种实用平差模型。即把GPS基线向量直接转化为与地面观测值对应的直角坐标系统中的距离观测值,并考虑尺度变换因子,这样就可方便地把GPS基线向量和地面观测值进行混合平差.通过对多个工程GPS测量控制网的数据处理案例分析,说明提出的模型平差结果与其他严密混合平差模型计算结果一致,且点位精度评价更接近实际。此外,模型还可实现工程GPS测量控制网的优化设计。     

基于小波去噪的高斯过程回归模型在面板堆石坝沉降预测中的应用研究

引起面板堆石坝沉降变形的环境因素复杂,观测数据呈现出明显的噪声干扰特性,限制了数学模型拟合及预测的精度。对原始信号进行小波变换可有效分解其中的有用信号和噪声,因此,引入小波变换理论建立了基于小波阈值去噪的数学模型,并对面板堆石坝(CFRD)的沉降变形实测数据实施去噪,再对去噪后的数据进行高斯过程回归(GPR),建立了预测堆石坝沉降变形的模型。依托CFRD的实测沉降变形资料,采用Wavelet-GPR模型对大坝沉降进行了拟合与预测,并与未进行去噪的GPR模型计算结果进行对比。结果表明：Wavelet-GPR模型观测值与预测值的残差符合正态分布,去噪后学习段的均方根误差(RMSE)由0.928 7 mm减小至0.457 7 mm,平均绝对误差(MAE)由0.485 0 mm减小至0.330 6 mm;预测段的RMSE由1.308 9 mm减小至0.917 6 mm,MAE由0.926 3 mm减小至0.730 3 mm;且去噪后模型的样本观测值个数在其预测值95%置信范围内的占比有明显提升。因此,利用小波阈值去噪对实测沉降数据进行降噪处理能够降低噪声导致的数据观测值与真实值之间的误差,Wa...     

GPS控制网的小波分析处理研究

为解决大坝区监测网实际环境条件对GPS观测的影响，采用小波分析技术对GPS观测进行处理，通过选取不同阈值及采用高频系数标准差σ的计算方法，有效地消除了信号噪声，进一步提高了GPS观测的精度，使GPS技术在大坝安全监测中取得了较好的应用效果。     

小波分析在大坝安全监测数据处理中的应用研究

将大坝安全监测的数据系列视为由不同频率成分组成的数字信号序列,结合小波分析理论,对监测数据进行分析处理,包括野值诊断、降噪处理和时效分量提取等。实例表明,将小波分析理论引入大坝安全监测的数据处理,有较好的实用性和可操作性。     

大坝变形的小波分析与ARMA预测模型

大坝变形观测资料可视为非平稳时间序列,从影响大坝变形规律的因素出发,可将其分解为主值函数项、周期函数项和改进后的平稳时间序列。其中主值函数项采用逐步回归法拟合,针对时效因子采用半经验公式无法准确拟合实际变化情况,采用小波分析法将序列分解为低频和高频两部分信号,其中低频部分代表时效等因素影响的变形趋势;高频部分代表水位、温度等影响的变化规律,应用时间序列原理分别建立变形预测ARMA（p,q）模型,从而在现有水位、温度观测资料下预测坝体未来的变形趋势。实例计算结果表明,结合小波分析的时间序列法建立的预测模型,预测精度高于统计回归分析,预测效果良好,可作为一种有效方法应用于大坝变形预测中。     

卡尔曼滤波在尾矿坝变形GPS监测中的应用

为更好地提高尾矿坝变形监测精度、节约工程成本,将Kalman滤波技术和GPS一机多天线相结合,解决了卫星跟踪和抗干扰问题。在介绍GPS在水电大坝和尾矿坝具体应用情况的基础上,通过Kalman滤波在GPS中的应用数据分析,说明采用kalman滤波方法处理的GPS监测数据可显著提高数据精度。由于Kalman滤波技术实时更新,因此更适用于在线分析,对监测信息化具有重要意义,可以在水利工程监测中推广应用。     

基于小波分析的高拱坝裂缝损伤识别

小波变换是一个优越的时-频局部化分析方法,能够对信号进行任意精细程度分析,识别信号中的突变点或间断点。基于高拱坝坝体的变形应用小波分析对坝体裂缝进行损伤位置识别,提出小波变换系数残差作为整体损伤指标,给出了该方法的的基本原理和计算思路。以某高拱坝有限元模拟数据为例,分析结果表明小波变换在高拱坝裂缝损伤分析方面具有较好的的实用性和操作性。     

基于小波去噪的苏通大桥索塔GPS监测数据分析

GPS技术以其全天候、高精度、高频性以及实时性等优点被广泛应用于大型桥梁结构或是工程的动态监测中。然而由于受各种因素的影响监测数据中不可避免地会含有粗差与噪声,这些粗差与噪声的存在势必影响对监测数据的处理与分析。为了消除或削弱粗差与噪声对分析结果的影响,依托苏通大桥索塔GPS监测数据,分析比较了小波分析与莱茵达准则法两种方法探测粗差的效果,鉴于二者的优缺点,提出小波变换、去噪与莱茵达准则相结合的方法,探测粗差的同时提取趋势项,并采用实测数据验证分析了该方法的有效性。最后在时间域里分析了索塔动态监测数据,得到一些具有参考价值的结论。     

GPS监测大坝三维变形的应用

讨论了全球定位系统(GPS)变形监测网的建立以及提高GPS观测精度应采取的措施。分析了GPS大坝变形监测网的特殊性．提出了选择站心地平坐标系作为GPS大坝变形监测网平差计算的参考坐标系；采用拟稳平差方法处理GPS大坝变形监测网的观测数据。编写了GPS大坝变形监测网的网平差软件，并对某大坝GPS变形监测网的3期观测数据进行了平差计算。计算结果表明，GPS观测的精度可以满足大坝变形监测的精度要求；拟稳平差方法更适合于GPS变形监测网的数据处理。     

基于EEMD-GA-BP模型的大坝变形监测数据预测

针对大坝自动监测数据序列存在的不稳定性和测值漂移问题,提出了基于集合经验模态分解(EEMD)和遗传(GA)BP神经网络的大坝变形监测数据预测方法。采用EEMD技术提取反映大坝真实变形的低频信号,剔除自动监测系统数据中存在的噪声和野值,利用遗传算法优化的BP神经网络对真实信号进行学习与外推,据此构建EEMD-GA-BP模型。利用本文模型计算得到大坝变形的预测值,将其与实测变形值进行对比,并根据残差大小比较了本文方法与其它方法的预测效果。算例表明,本文提出的组合模型能有效地提高大坝变形预测精度。     

基于BP-ARIMA的混凝土坝多尺度变形组合预报模型

针对大坝变形常规统计预报模型在监测信息挖掘时的优势单一性及预报精度欠佳等问题,视大坝变形观测资料为非平稳时间序列,从影响大坝变形的因素出发,将其分为周期性影响因素与随机影响因素,利用多尺度小波分析方法将大坝变形监测序列分解并重构,结合BP神经网络与自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)对其随机信号与系统信号分项训练预报,并将其预报值相叠加,据此,应用时间序列原理提出了一种基于BP-ARIMA的混凝土坝多尺度变形组合预报模型。工程实例分析表明,所建组合模型较常规模型能够有效挖掘监测信息中所蕴含的有效成分,预报精度显著提升,且计算分析过程简便,为高边坡及水工建筑物中其他监测指标的预报提供了新方法。     

大坝变形监测异常数据识别和重构模型

针对混凝土坝变形监测数据中的粗差和异常测值问题,提出了一种数据异常识别和重构模型。模型利用关联规则量化变形序列与水位序列的关联性,将监测数据输入DBSCAN聚类算法寻找异常点,利用关联结果将监测数据异常点分为粗差点与反映大坝性态点两类,保留反映大坝性态点,剔除粗差点,并利用改进的小波神经网络对粗差数据进行重构,保证监测序列完整性。某拱坝变形监测数据验证结果表明,该模型可以准确识别监测数据中的异常值,并能够获得更为准确的重构数据,为大坝实测性态评价提供了新的分析方法。