改进小波阈值函数在变形监测数据去噪中的应用

为了提高变形监测数据去噪的稳定性,在小波传统阈值函数的基础上,提出一种改进的小波阈值函数,对变形监测数据进行去噪处理。采用模拟信号和真实数据进行实验,与传统的阈值去噪方法进行对比分析,结果表明：改进的小波阈值函数在一定程度上解决了软阈值函数存在的恒定偏差问题,克服了硬阈值函数的不连续性;对变形监测数据的去噪效果良好,能有效去除噪声,获得较高的信噪比和较低的均方根误差,并保留信号更多的有效细节,在实际中有较好的应用价值。     

基于EEMD-PCA-ARIMA模型的大坝变形预测

针对大坝观测数据中存在的噪声容易掩盖实际变形曲线走势的问题,提出一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和自回归移动平均模型(ARIMA)的大坝变形预测方法。通过对观测数据进行EEMD和PCA,从而构建映射矩阵,然后利用映射矩阵对原始数据构建的样本矩阵进行转换,实现消噪效果,进而对处理后的观测数据进行ARIMA建模预测,据此构建EEMD-PCA-ARIMA模型。依据所提出的模型对实际大坝坝顶水平位移观测数据进行预测分析,并与实测数据和经直接去掉高频分量消噪后的ARIMA预测模型、ARIMA预测模型、BP神经网络模型预测模型进行对比分析。结果表明:此方法能够更好地获取大坝的实际变形曲线,对于大坝变形预测而言是一种有效的方法。     

熵权法并联组合模型在大坝变形监测中的应用

针对大坝沉降变形观测存在的相关问题,结合灰色理论适用于"小样本、贫信息"的特点,马尔可夫链能够准确拟合波动性较大数据的特点,ARIMA模型能够挖掘非平稳时间序列的内部信息、建模简单的特点,基于最大熵的原理对模型进行了合理组合,建立了基于最大熵原理的混合预测模型。将此组合模型应用于大坝的实际水平径向位移预测中,分别进行单一模型预测和定权后的组合模型预测,并进行对比,结果显示:熵权法定权后的组合预测模型精度优于ARIMA模型和灰色—加权马尔可夫链模型,且适用性更高,稳定性更强。