变形监测数据处理的小波去噪方法

变形监测数据中包含有实际变形量和噪声,应用小波分析理论,对监测数据进行变形信号的提取和噪声的消除,通过实例证明,它的效果非常明显。     

变形监测数据去噪方法

论述了变形监测技术的基本原理和去噪方法,重点介绍了线性滑动去噪法和小波去噪法,并结合实例说明两种方法的应用领域和特点以及发展前景。     

基于变分模态分解的变形监测数据去噪方法

为了提高变形监测数据的去噪精度及可靠性,基于变分模态分解(variational mode decomposition,VMD)构建一种新的变形监测数据去噪方法。首先,建立VMD高频噪声分量判定标准,引入T指标用于确定VMD去噪的最优K值。然后,将剔除高频噪声后的VMD分量进行叠加重构,建立VMD变形监测数据去噪方法。最后,通过仿真信号、桥梁、大坝变形监测数据去噪实例,对比分析VMD、小波及经验模态分解(empirical mode decomposition,EMD)去噪方法。实验结果表明,VMD对仿真信号去噪的相关系数、均方根误差、信噪比等指标均较大程度上优于小波及EMD去噪方法,理论上证实了VMD去噪方法的有效性及可靠性;VMD对桥梁、大坝变形监测数据去噪的结果比小波、EMD具有更好的精度及光滑性,同时较好地保留了局部变形特征信息。     

基于小波去噪的变形监测数据处理的方法研究

小波去噪是小波分析在信号处理领域的重要应用之一。然而变形监测数据中不可避兔含有大量的随机误差,而小波阈值去噪方法以其操作简单和良好的效果而被广泛应用。小波去噪的关键是如何选择阈值和如何利用阈值来处理小波系数,通过对几种不同阀值的选取,比较不同阀值选取对去噪效果的影响。     

变形序列小波消噪最佳分解尺度量化指标的确定

小波消噪分解尺度确定的正确与否,直接关系到消噪效果。针对变形序列的消噪,将时序分析建模定价的信息准则与高斯白噪声在小波变换下的特性相结合,提出了用Akaike信息准则作为量化指标,确定小波消噪最佳分解尺度的方法。模拟数据和工程数据的验证结果表明,在Akaike信息准则计算值达到最小时,所确定的分解尺度符合信噪分布规律,达到了较好的消噪效果,实现了作为小波消噪最佳分解尺度确定的量化指标作用,提升了小波消噪在变形数据处理中应用的便捷性。     

小波去噪法在变形监测数据处理中的应用

以某组变形监测数据为研究对象,详细探讨了Matlab小波去噪函数中确定各种参数的方法,再通过得出的最佳参数对实验数据进行处理。结果表明,小波去噪有很好的数据处理能力。     

变形监测数据的一种小波去噪法研究

变形监测数据不可避免会受到噪声污染,本文根据原始信号特征,通过合理的选择小波基,采用自适应阈值法去噪,可提取变形数据有用信号并恢复信号的光滑性,保留信号曲线的特征,达到较好的去噪效果.实例证明了该方法的有效性和可行性.     

多指标融合的小波去噪最佳分解尺度选择方法1

借助最小均方根误差、信噪比及光滑度变化随小波分解尺度增加的收敛特性,提出了一种多指标融合的小波去噪最佳分解尺度选择方法。该方法利用信息熵来融合小波去噪过程中不同方面的变化特征,能够更全面地反映小波去噪结果与分解尺度间的对应关系;通过定量识别融合指标变化的拐点,能够有效识别小波去噪的最佳分解尺度。针对不同类型的去噪信号进行实验分析并与现有方法进行比较,验证了本文提出方法的有效性与优越性。     

基于小波阈值去噪理论的监测数据处理方法

为了研究监测对象的变形规律,有必要消除测量噪声得到更准确的数据,小波变换理论在数据处理方面有其特点。本文利用小波去噪的理论对监测数据进行小波变换,得到信号的高频部分,并进行去噪处理,得到了较好的效果。此方法具有一定的工程应用价值,本文提供了一个地铁工程变形监测数据处理的例子。     

小波阈值去噪法在矿区地表变形监测数据处理中的应用

为了解决矿区地表变形观测数据中含有的粗差对地表沉陷规律研究带来的不利影响,提出了采用小波阈值去噪法对原始观测数据进行处理。分析了小波阈值去噪的基本过程,讨论了小波阈值函数,并对两种阈值函数进行了对比;使用Matlab小波工具箱对观测数据进行分析并建立回归曲线,与地表实测沉陷值进行了验证。结果表明:相比常用的数据处理方法,小波阈值去噪法能有效消除粗差对变形结果的影响,实现了矿区高精度、动态的地表变形监测,具有较高的推广价值。     

基于ICEEMD-ICA与MDP准则的变形监测数据去噪方法

针对经验模态分解(empirical mode decomposition,EMD)方法存在信噪分离不准确的缺陷,以及独立分量分析(independent component analysis,ICA)存在不确定性的问题,提出了一种改进完备集成经验模态分解(improved complete ensemble empirical mode decomposition, ICEEMD)、ICA与最小失真准则(minimal distortion principle,MDP)相结合进行变形数据去噪的方法。首先,使用ICEEMD方法对变形监测数据进行有效分解,并以此构建虚拟噪声信号;其次,对虚拟噪声进行二次ICEEMD分解,提取更接近真实噪声的二次虚拟噪声信号,再以二次虚拟噪声和原变形数据组成输入观测通道,使用ICA进行处理;然后,通过计算ICA处理后的独立分量与输入信号的相关系数,解决独立分量的排序不确定性与相位不确定性问题;最后,使用MDP准则有效解决了独立分量的幅值不确定性。对加噪仿真数据和实际桥梁GNSS变形监测数据进行详细分析,结果表明,所提方法可取得良好的去噪效果,有效提升去噪的性能指标,充分验证了所提方法在变形监测数据去噪中具备的可行性和有效性。     

基于小波去噪的非等间隔变形监测数据GM(1,1)预测方法研究

在小波去噪和非等间隔GM(1,1)的基础上提出基于小波去噪的非等间隔GM(1,1)组合模型的预测方法,并且通过矿区实测数据模拟实验对三种方法进行对比分析。结果表明,小波去噪的模拟精度高于非等间隔GM(1,1),组合模型的预计精度高于单独使用非等间隔GM(1,1),验证了该方法的实用性和可靠性。     

小波去噪在GPS监测数据处理中的应用研究

在GPS观测的数据中,往往存在大量的噪声,噪声的存在对卫星信号造成了一定程度的干扰。利用小波去噪的方法可以分解GPS载波信号,得到信号的高频和低频不同的频率成分,从而有效的剔除GPS信号的噪声,调高GPS变形监测数据的精度。     

小波去噪在GPS动态监测数据处理中的应用

阐述了多尺度分析和小波变换的基本原理,分析了选择不同小波基对GPS动态监测数据去噪的效果.试验结果表明,小波变换实现了对GPS动态监测数据的有效去噪,是一种可靠的分析方法.     

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。     

大坝变形监测数据的小波分析处理方法

引入小波分析方法对大坝变形监测数据的处理,实现了对离散型的变形数据的尺度分解,对变形趋势的分析。并且对变形数据在滤波、消噪等方面,对分解层次中的偶然误差特性分析,以及阀值的选取方法进行了比较,表明利用小波变换的方法对变形数据的分析处理是有效、可行的。     

多尺度点云滤波去噪方法

通过三维激光扫描仪获取的点云数据具有大体量、高冗余且非结构化的特点。在使用传统滤波方法进行去噪时,不能兼顾滤波效果与保留细节特征,会造成精度丢失。本文针对以上问题,将噪声划分为远距离的大尺度噪声以及近距离的小尺度噪声,研究基于统计分析结合图像引导滤波的多尺度点云滤波去噪方法。经过实验验证,本文算法可以在不丢失点云细节特征的前提下,实现点云数据的优化以及精简。     

桥梁变形数据小波去噪与PSO-BP神经网络预测

跨海大桥在运行期间因受自身因素以及飓风、海浪等多种外界因素的影响,桥梁变形表现为非线性变形.针对这种现象,本文以跨海大桥观测数据为例,使用小波理论进行去噪处理,对去噪后的数据分别建立BP神经网络预测模型以及POS-BP神经网络预测模型,并对比分析预测结果.结果表明:POS-BP神经网络预测模型预测精度更高.     

基于小波去噪的地铁变形组合预测模型分析

对地铁监测数据建立相应的预测模型,对变形可进行前瞻性预测,从而保证地铁安全的施工和运营。本文以北京市地铁某基坑工程为研究对象,首先以某一监测点为例,利用小波分析对原始监测数据进行去噪处理;然后分别利用时间序列分析模型和BP神经网络模型对去噪后的数据进行建模分析,得到原数据的拟合值和对未来变形的预测值;最后利用同期Sentinel-1A卫星影像进行相干点时序InSAR处理,得到形变结果。通过分析两个模型的预测值与实际值,并与InSAR结果进行对比,验证了两个预测模型在地铁形变监测中应用的优劣性。     

基坑变形小波去噪及PSO-BP神经网络预测模型研究

以地铁站基坑观测数据为例,开展了小波及粒子群优化的BP神经网络预计模型的研究。使用小波阈值去噪方法对实际观测时间序列进行去噪处理,对小波去噪前后的数据进行BP神经网络预测模型预测处理并与粒子群优化的BP神经网络预测模型预测数据进行对比分析,结果表明粒子群优化的BP神经网络预测模型预测精度较高。