局部均值分解在变形监测中的应用研究

经验模态分解已在变形监测中得到充分应用,为了研究新的时频分解方法局部均值分解(local mean decomposition, LMD)在变形监测中的可行性和有效性,将经验模态分解与局部均值分解进行了对比分析。在仿真实验中,对比分析了两种方法的频域降噪效果以及多尺度信息提取能力;在实测数据分析中,对比了两种方法在改正全球卫星定位系统(global positioning system,GPS)多路径效应以及变形预报中的能力。结果表明:两种方法均是自适应分解方法,但经验模态分解中的端点效应较为严重;局部均值分解方法能够应用于改正GPS多路径效应与变形预报中。     

基于LMD-Elman神经网络模型的建筑物沉降预测

为提高建筑物沉降变形预测精度,准确掌握建筑物变形趋势,发挥局部均值分解（LMD）算法与Elman神经网络模型在数据处理、数据预测中的优势,提出一种新的LMD-Elman神经网络模型。该组合预测模型有效实现建筑物沉降预测的流程为：(1)通过LMD方法将沉降序列分解为若干的不同尺度具有物理意义的乘积函数;(2)发挥Elman神经网络模型在数据预测中的优势,针对不同分量建立预测模型得到各分量预测值;(3)将各分量预测值重构得到最终预测结果。将组合预测模型应用于实测建筑物沉降数据预测中,结果表明,相较于GM(1.1)模型与单一的Elman神经网络模型,本文提出组合预测模型预测结果与实际监测值具有较高的一致性,预测精度更高。该组合预测模型能够充分发掘建筑物沉降数据本身所蕴含的物理机制与物理规律,提高了建筑物沉降变形的预测精度。     

改进局部均值分解及在建筑物变形监测中的应用

局部均值分解(Local Mean Decomposition,LMD)算法在对建筑物变形监测数据进行噪声抑制时存在端点效应及阈值设置困难问题,提出一种基于噪声辅助和奇异值分解(Singular Value Decomposi-tion,SVD)改进的LMD噪声抑制方法,首先通过对原始变形数据加入受控高斯白噪声再进行LMD分解的方式解决传统LMD方法的端点效应问题,然后利用连续熵差值特征确定LMD分解的高频分量和低频分量分界点,其中低频分量为变形趋势信息,高频分量包含噪声分量和变形信息,最后利用SVD对高频分量进行噪声抑制,并将其与低频分量叠加得到噪声抑制后的建筑物变形信息.采用仿真数据和实际工程实例对所提方法的噪声抑制性能进行验证,结果表明相对于传统LMD方法,经验模态分解方法(Empirical Mode Decomposition,EMD),所提方法可以获得更好的噪声抑制性能,能够明显提升建筑物变形预测精度.     

PSO-DVMD-WT的变形信号去噪方法研究

为了滤除变形数据中含有的白噪声,该文提出一种基于粒子群优化算法的双重变分模态分解-小波阈值去噪模型。首先利用VMD对变形数据进行初次分解,初次分解层数K_1由频谱图波峰个数确定,根据相关性分析将分量分为噪声分量和信号分量;然后针对信号分量出现模态混叠的现象,首次分解的信号分量再次进行粒子群优化的VMD分解,得到二次信号分量和二次噪声分量;对二次VMD分解得到的噪声分量进行小波阈值降噪;最后重构实现噪声的有效剔除。模拟实验结果显示,利用本文方法去噪得到的均方根误差降低至0.418 0 mm、信噪比提升至10.174 0 dB,对比小波阈值、总体经验模态分解(EEMD)、VMD等方法,降噪效果有明显的提升。在实际变形数据去噪中,相比于其他去噪方法,本文方法能够很好地抑制模态混叠的现象,且均方根误差降低至0.151 0 mm、信噪比提升至23.821 0 dB,验证了本文方法在实际应用中的有效性。     

基于改进HHT理论的大型桥梁动态特性分析

针对Hilbert-Huang变换(HHT)中原经验模态分解法在信号存在中断时出现模态混叠问题,研究了利用噪声辅助的分解方法——总体平均经验模态分解法(ensemble empirical mode decomposition,EEMD)的分解过程及其噪声控制。将此改进的分解方法结合随机减量技术获取振动信号的自由衰减响应,为进一步的Hilbert变换识别模态参数提供有效数据。将该方法结合武汉白沙洲长江大桥GPS实测数据进行了模态识别,结果表明,利用噪声辅助的总体平均经验模态分解法(EEMD)能够有效地克服分解过程中的模态混叠现象,使桥梁模态清晰地分解开来。     

基于CEEMD和LSTM方法的深基坑沉降变形预测

为了提升长短时记忆(LSTM)神经网络对深基坑沉降监测数据的预测效果，本文提出一种基于互补集合经验模态分解(CEEMD)、样本熵以及LSTM神经网络的组合基坑沉降预测模型。该组合沉降模型实现基坑沉降变形预测的关键步骤为：首先，使用CEEMD分解算法将基坑沉降序列分解为若干个本征模态函数(IMF);其次，重组相同特征的IMF分量；最后，使用LSTM神经网络预测重组后分量并叠加预测结果。使用某实测基坑数据进行实验，结果显示，本文提出组合预测模型预测结果的均方根误差、平均绝对误差以及平均绝对百分比误差较对比模型均更小，表明本文提出组合预测模型的预测精度更高，具有较好的非线性序列预测效果，为基坑沉降预测提供了一种新方法。     

基于EMD方法的组合预测模型在建筑物基坑沉降监测中的应用

为了对建筑物基坑沉降进行准确预报,在传统的时间序列预测模型的基础上,提出了一种基于经验模态分解（EMD）方法的差分灰色神经网络-AR模型。该模型充分结合EMD方法在信号自适应分解中的优势,通过EMD方法将监测数据分为不同频段的分量,使用差分灰色神经网络模型对序列更为稳定的低频分量进行预测,消除了由于灰色预测模型预测残差不稳定导致预测结果精度较低的问题;使用AR时间序列模型对稳定性较低的高频分量进行预测,重构由不同模型预测得到的结果,得到最终预测结果。将灰色GM(1.1)模型、差分灰色神经网络模型与本文提出的组合模型应用于某在建建筑物基坑沉降预测中,试验结果表明相比于灰色GM(1.1)模型与差分灰色神经网络模型,本文提出的组合模型预测精度更高,可以有效预报建筑物基坑沉降,在实际工程中有较高的推广价值。     

基于局域均值分解和BP神经网络的大坝变形预测

从时频联合域分析角度出发,探讨基于局域均值分解(LMD)和BP神经网络模型的大坝变形预测方法;利用局域均值分解把时间序列分解为多个具有不同尺度的PF分量,然后再用BP神经网络对其进行预测并将结果进行叠加重构合成。实例结果表明,基于LMD-BP的大坝变形预测方法的预测精度高于多项式曲线拟合预测模型,其预测结果与实际监测值相比具有较高的一致性。     

优化局部均值分解在趋势信息提取中的应用

针对局部均值分解(LMD)求取乘积函数分量(PF)时内层循环的迭代停止条件采用硬阈值准则不具备自适应性这一问题,该文提出一种基于自适应迭代停止准则的局部均值分解算法,利用迭代停止准则函数判定内层循环过程,该函数对包络估计函数从整体偏差和局部异常两方面综合考虑,利用连续相邻三次的函数值判定循环迭代的停止条件,以此计算纯调频信号,最终求取对应的乘积函数。仿真实验结果表明,与传统局部均值分解和经验模态分解(EMD)相比,该文方法的分解质量更优,具有更好的挖掘隐含信息能力。利用基于自适应迭代停止准则的局部均值分解对卫星测高获取的全球平均海平面(GMSL)变化数据进行分解和分析,结果表明提取出的GMSL长期趋势性变化信息是有效的。     

惯性导航EEMD区间阈值降噪方法

陀螺随机误差是影响惯性导航系统精度的主要因素。在经验模态分解（EMD）和阈值降噪的基础上,提出一种基于集合经验模态分解（EEMD）的区间阈值的陀螺信号降噪方法。该方法利用EEMD方法将陀螺信号分解多个本征模态函数（IMF）分量和1个残余分量,基于信号和IMF分量的概率密度函数的2范数距离方法剔除纯噪声IMF分量,利用改进的区间阈值降噪方法实现信号的降噪。仿真和实测试验表明,该方法不仅能有效抑制EMD中的模态混叠问题,而且能有效削弱陀螺的随机误差,从而提高惯性导航系统的精度和可靠性。     

局部均值分解的新小波阈值去噪法及其应用

为了克服小波硬、软阈值函数本身存在的缺点,该文在硬、软阈值函数的基础上,提出一种新的小波阈值函数,并且基于局部均值分解的原理,构造了基于局部均值分解的新小波阈值去噪法。仿真数据对比分析表明,与单纯采用小波阈值去噪法、经验模态分解(EMD)滤波去噪法及局部均值分解滤波去噪法相比,该文方法的去噪效果更好,可有效提高信号的信噪比。利用本文方法对液体静力水准仪获取的高速铁路某桥梁实际监测数据进行去噪处理,结果表明去除监测数据中噪声的同时亦可保留变形细部特征。该文方法可为工程中的非线性、非平稳监测数据去噪提供参考和借鉴。     

EMD在北斗桥梁变形监测数据中的应用研究

针对我国北斗系统变形监测数据中存在的噪声问题,本文利用自适应信号分析方法经验模态分解(EMD)对某北斗实测变形监测数据进行降噪处理。首先对E、N、U 3个方向的分量进行分解获取本征模态函数及趋势项,其次根据相关系数分离出噪声的本征模态函数,最后根据重构方法得到干净的位移序列。结果表明:EMD方法在北斗变形监测数据中的去噪是可行的,能有效分离信号与噪声,进一步提高了北斗观测的精度。     

联合LMD与EMD的GNSS站坐标时间序列去噪方法

针对GNSS站坐标时间序列信噪不易分离的问题,在传统EMD去噪方法的基础上,本文提出了一种联合LMD与EMD的坐标时间序列去噪方法。该方法首先采用LMD分解原始坐标时间序列,基于连续均方误差（CMSE）原则分离高频噪声与低频信号,保持低频分量不变;然后对高频分量进行EMD去噪;最后以2次分解所得低频信号之和作为去噪后时间序列。以仿真数据与8个GNSS基准站实测数据进行试验,通过多种评价指标进行精度评估。结果表明,与传统EMD方法相比,联合LMD与EMD的方法能够更加精确地去除坐标时间序列中的噪声。     

桥梁GNSS-RTK变形监测数据的多滤波联合去噪处理

针对桥梁GNSS-RTK变形监测中多路径效应和随机噪声的影响,提出了一种基于Chebyshev滤波和自适应噪声的完备集合经验模态分解（CEEMDAN）,以及小波阈值（WT）降噪技术的多滤波联合降噪方法。该方法首先对监测信号实施Chebyshev滤波抑制多路径效应;然后进行CEEMDAN分解,基于自相关性分析,对噪声IMF分量进行WT降噪去除随机噪声。本文以天津海河大桥GNSS-RTK变形监测作为试验,对监测数据进行多滤波降噪处理。结果表明：本文所提的多滤波降噪方法能有效抑制多路径效应和随机噪声,GNSS-RTK与多滤波降噪相结合的方法能够准确识别桥梁真实动态位移,为桥梁GNSS-RTK监测数据降噪处理提供了一种良好的途径。     

基于ICEEMDAN的多滤波算法在超高层动态变形监测中的应用

针对监测数据中存在多路径误差和随机噪声的问题,本文提出了一种基于改进的带有自适应噪声的完备集合经验模式分解(ICEEMDAN)、小波包分解(WP),以及递归最小二乘算法(RLS)的联合滤波算法(IWPR)。该算法首先对原始信号进行ICEEMDAN分解,得到一系列本征模态函数(IMF)分量;然后基于标准化模量的累积均值将IMF划分为高频IMF和低频IMF;最后考虑相关系数,利用WP和RLS分别对高频IMF、低频IMF进行去噪,重构两者降噪信号,获得动态位移响应。结果表明:相对于单一算法EMD、CEEMDAN、ICEEMDAN等,IWPR算法能够更有效地消除多路径误差和随机噪声,从而提高超高层GNSS RTK监测数据的精度。     

局部均值分解和奇异值分解在GNSS站坐标时间序列信号降噪中的应用

为了有效地提取GNSS站坐标时间序列的有用信息，降低噪声干扰，本文提出一种局部均值分解和奇异值分解相结合的信号降噪方法，并利用5个测站的实测坐标时间序列对新方法进行了验证。首先通过局部均值分解将坐标时间序列分解成一系列PF分量和余项，然后利用连续均方误差方法确定高频分量与低频分量的分界点，保持低频分量不变，运用奇异值分解方法对高频分量进行降噪重构，最后将重构的高频分量与低频分量叠加得到最终的降噪坐标时间序列，并对降噪效果进行对比分析。结果表明，与单纯的奇异值分解方法相比，局部均值分解和奇异值分解相结合方法能够自适应地选择合适的奇异值个数进行信号重构，提高了降噪效果。     

基于EMD的桥梁GPS动态监测数据处理

采用GPS监测运营期大跨度桥梁时,受到交通载荷和观测噪声的影响,GPS监测序列中的振动信号(mm级)完全被湮没,如何从监测序列中提取桥梁变形信息及其振动特性是桥梁健康检测的重要内容。文中利用EMD方法对GPS监测序列进行处理,得到一定数量的本征模态函数(IMF),选取特定的IMF做信号重构和功率谱分析,得到桥梁变形信息和振动特性,相较于传统FFT方法,能准确识别结构振动频率,同时提取变形特征。     

基于小波去噪法的基坑监测数据处理

受各种因素影响,地铁基坑监测数据除含有真实变形信息外,还存在噪声。应用MATLAB实现小波分析对监测数据的去噪处理和粗差探测仿真实验。实例表明,选取恰当的小波基函数和小波分解层数,通过小波分析的带通滤波的功能,能够对原始信号有效分频,从而在不同尺度上将粗差和噪声分离达到识别的效果。去噪之后的信号曲线有较好的光滑性,更能反映基坑周边土体的变形规律。