本文關(guān)鍵詞：改進(jìn)的局部均值分解和高斯過(guò)程在變形監(jiān)測(cè)數(shù)據(jù)處理中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：變形監(jiān)測(cè)與分析是安全監(jiān)測(cè)系統(tǒng)的重要組成部分,分析方法的可靠性以及精度對(duì)變形體安全運(yùn)行具有重要的作用。變形數(shù)據(jù)的處理、特征向量的提取以及變形預(yù)測(cè)是變形監(jiān)測(cè)中的關(guān)鍵問(wèn)題,也是測(cè)繪學(xué)科的研究熱點(diǎn)之一。局部均值分解(Local Mean Decomposition,LMD)是一種新的能自適應(yīng)地應(yīng)對(duì)復(fù)雜的非平穩(wěn)信號(hào)的方法。高斯過(guò)程(Gaussiau Process,GP)因?yàn)槠渚哂袊?yán)格的理論統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ),對(duì)處理非線性等問(wèn)題具有很好的適應(yīng)性,并且科學(xué)地得到預(yù)測(cè)精度和概率,是一種較好的非線性學(xué)習(xí)方法。本文研究了基于局部均值分解和高斯過(guò)程的變形監(jiān)測(cè)數(shù)據(jù)處理、特征提取與預(yù)測(cè)模型,并結(jié)合仿真信號(hào)與大壩等變形監(jiān)測(cè)數(shù)據(jù),分析與探討了相關(guān)問(wèn)題。(1)對(duì)于高斯過(guò)程存在的協(xié)方差函數(shù)選擇和超參數(shù)求解方法問(wèn)題作者利用類似自適應(yīng)尋優(yōu)函數(shù)和粒子群(Particle Swarm Optimization,PSO)算法進(jìn)行改進(jìn),而對(duì)于LMD的端點(diǎn)效應(yīng)問(wèn)題,作者通過(guò)改進(jìn)的PSO-GP算法對(duì)變形信號(hào)進(jìn)行延拓,通過(guò)實(shí)例分析對(duì)于兩種算法的改進(jìn)都較為明顯,效果不錯(cuò)。(2)針對(duì)變形監(jiān)測(cè)數(shù)據(jù)預(yù)處理問(wèn)題,建立了基于LMD的新小波閾值函數(shù)去噪法,其充分利用LMD的自適應(yīng)性融合新小波閾值函數(shù),大大提高了去噪的效果。針對(duì)針對(duì)不同變形情況的案例粗差探測(cè)問(wèn)題,作者提出基于LMD融合傳統(tǒng)方法的粗差探測(cè)法,優(yōu)勢(shì)互補(bǔ),提高粗差探測(cè)的準(zhǔn)確性和效率。(3)將數(shù)據(jù)預(yù)處理后的觀測(cè)序列進(jìn)行LMD分解,運(yùn)用相關(guān)系數(shù)等方法進(jìn)行變形分析和特征提取,對(duì)變形做出合理解釋。最后對(duì)對(duì)各變形分量進(jìn)行建模預(yù)測(cè),將所有變形分量累加得到最終的變形體預(yù)測(cè)模型。作者建立了基于LMD-PSO-GP的組合預(yù)測(cè)模型以及考慮改進(jìn)LMD模態(tài)混疊現(xiàn)象的ELMD-LSSVM預(yù)測(cè)模型,通過(guò)實(shí)例驗(yàn)證分析發(fā)現(xiàn),兩種組合模型的建模精度明顯高于單一模型,效果較好,適合非線性非平穩(wěn)變形體數(shù)據(jù)的分析和預(yù)測(cè)。(4)論文第五章最后一節(jié)考慮到鄰近點(diǎn)變形因素的GP單點(diǎn)預(yù)測(cè)模型,而下一步研究工作的重點(diǎn)是建立基于LMD和GP方法的多尺度變形多點(diǎn)預(yù)測(cè)模型。從文中兩個(gè)單點(diǎn)實(shí)例可以發(fā)現(xiàn),鄰近點(diǎn)變形對(duì)監(jiān)測(cè)點(diǎn)的影響不可忽略,且將其變形因素加入到建模過(guò)程中去效果提升明顯,為建立多尺度變形的監(jiān)測(cè)序列的多點(diǎn)預(yù)測(cè)模型奠定了基礎(chǔ)。
【關(guān)鍵詞】：局部均值分解 高斯過(guò)程 多尺度分析 特征提取 變形預(yù)測(cè)
【學(xué)位授予單位】：東華理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TU196.1
【目錄】：

• 摘要4-6
• ABSTRACT6-12
• 第1章 緒論12-20
• 1.1 選題背景及意義12-13
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀13-15
• 1.3 本文主要研究?jī)?nèi)容15-16
• 1.4 組織結(jié)構(gòu)及技術(shù)路線圖16-19
• 1.4.1 組織結(jié)構(gòu)16-18
• 1.4.2 技術(shù)路線圖18-19
• 1.5 本章小結(jié)19-20
• 第2章 LMD和GP方法的理論研究及算法改進(jìn)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 高斯過(guò)程25
• 2.2 高斯過(guò)程GP算法的改進(jìn)25-29
• 2.2.1 高斯過(guò)程協(xié)方差函數(shù)選擇問(wèn)題25-28
• 2.2.2 粒子群優(yōu)化GP超參數(shù)求解問(wèn)題28-29
• 2.3 LMD方法端點(diǎn)效應(yīng)的抑制方法29-32
• 2.3.1 基于極值點(diǎn)的粒子群優(yōu)化高斯過(guò)程端點(diǎn)延拓29-30
• 2.3.2 仿真信號(hào)分析30-32
• 2.4 本章小結(jié)32-34
• 第3章 基于LMD方法的變形監(jiān)測(cè)數(shù)據(jù)序列預(yù)處理34-50
• 3.1 變形監(jiān)測(cè)時(shí)間序列LMD信號(hào)去噪法34-40
• 3.1.1 傳統(tǒng)信號(hào)去噪方法34-35
• 3.1.2 自適應(yīng)LMD融合新小波閾值函數(shù)去噪35-37
• 3.1.3 仿真信號(hào)與實(shí)際工程信號(hào)去噪分析37-40
• 3.2 變形監(jiān)測(cè)時(shí)間序列LMD粗差探測(cè)法40-48
• 3.2.1 傳統(tǒng)的數(shù)據(jù)序列粗差探測(cè)方法41-42
• 3.2.2 單因素變形監(jiān)測(cè)數(shù)據(jù)LMD粗差探測(cè)法42-44
• 3.2.3 多因素主導(dǎo)變形監(jiān)測(cè)數(shù)據(jù)LMD-UF粗差探測(cè)法44-48
• 3.3 本章小結(jié)48-50
• 第4章 基于改進(jìn)LMD的變形信息多尺度分解與分析50-58
• 4.1 大壩變形分量的影響因素50-51
• 4.2 改進(jìn)-LMD方法提取變形特征量51-56
• 4.3 本章小結(jié)56-58
• 第5章 多尺度變形預(yù)測(cè)模型的構(gòu)建58-76
• 5.1 基本理論58
• 5.2 基于LMD-PSO-GP的大壩多尺度變形預(yù)測(cè)模型58-62
• 5.2.1 建模過(guò)程58-59
• 5.2.2 實(shí)例分析與數(shù)據(jù)預(yù)處理59-62
• 5.3 基于ELMD-LSSVM的大壩預(yù)測(cè)模型62-65
• 5.3.1 ELMD原理62-63
• 5.3.2 最小二乘支持向量機(jī)LSSVM63
• 5.3.3 大壩變形多尺度分析ELMD-LSSVM預(yù)測(cè)模型63-65
• 5.4 顧及鄰近點(diǎn)變形因素的高斯過(guò)程模型65-73
• 5.4.1 多點(diǎn)灰色預(yù)測(cè)模型原理66
• 5.4.2 顧及鄰近點(diǎn)變形因素的高斯過(guò)程模型建立66-67
• 5.4.3 工程應(yīng)用67-73
• 5.5 本章小結(jié)73-76
• 第6章 總結(jié)與展望76-78
• 6.1 總結(jié)76-77
• 6.2 展望77-78
• 致謝78-80
• 參考文獻(xiàn)80-86
• 攻讀碩士學(xué)位期間的科研成果及參加項(xiàng)目86-87

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 熊志化,楊海濱,吳云峰,邵惠鶴;基于稀疏高斯過(guò)程的熱力參數(shù)軟儀表[J];中國(guó)電機(jī)工程學(xué)報(bào);2005年08期

2 劉新亮;張昆侖;郭波;;高斯過(guò)程元模型建模方法及在火箭彈氣動(dòng)分析中應(yīng)用[J];固體火箭技術(shù);2010年05期

3 任江洪;陳韜;曹長(zhǎng)修;;混合高斯過(guò)程回歸模型在鐵水硅含量預(yù)報(bào)中的應(yīng)用[J];重慶大學(xué)學(xué)報(bào);2012年02期

4 李元誠(chéng);王蓓;王旭峰;;基于和聲搜索-高斯過(guò)程混合算法的光伏功率預(yù)測(cè)[J];電力自動(dòng)化設(shè)備;2014年08期

5 孫斌;姚海濤;劉婷;;基于高斯過(guò)程回歸的短期風(fēng)速預(yù)測(cè)[J];中國(guó)電機(jī)工程學(xué)報(bào);2012年29期

6 張麗萍;;國(guó)際工程投標(biāo)報(bào)價(jià)中標(biāo)高金預(yù)測(cè)的高斯過(guò)程方法應(yīng)用[J];建筑經(jīng)濟(jì);2013年06期

7 張樂(lè);劉忠;張建強(qiáng);任雄偉;;基于人工蜂群算法優(yōu)化的改進(jìn)高斯過(guò)程模型[J];國(guó)防科技大學(xué)學(xué)報(bào);2014年01期

8 王鑫;李紅麗;;苯酚含量預(yù)測(cè)的高斯過(guò)程回歸模型[J];自動(dòng)化儀表;2014年05期

9 萬(wàn)華平;任偉新;魏錦輝;;基于高斯過(guò)程響應(yīng)面的結(jié)構(gòu)有限元模型修正方法[J];振動(dòng)與沖擊;2012年24期

10 熊志化,朱峰,邵惠鶴;熱力參數(shù)軟儀表在電廠中的應(yīng)用(英文)[J];Journal of Southeast University(English Edition);2005年01期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前5條

1 劉信恩;肖世富;莫軍;;用于不確定性分析的高斯過(guò)程響應(yīng)面模型設(shè)計(jì)點(diǎn)選擇方法研究[A];中國(guó)計(jì)算力學(xué)大會(huì)'2010（CCCM2010）暨第八屆南方計(jì)算力學(xué)學(xué)術(shù)會(huì)議（SCCM8）論文集[C];2010年

2 劉冬;張清華;;基于高斯過(guò)程的精密衛(wèi)星鐘差加密[A];第二屆中國(guó)衛(wèi)星導(dǎo)航學(xué)術(shù)年會(huì)電子文集[C];2011年

3 李雅芹;楊慧中;;一種基于仿射傳播聚類和高斯過(guò)程的多模型建模方法[A];2009中國(guó)過(guò)程系統(tǒng)工程年會(huì)暨中國(guó)mes年會(huì)論文集[C];2009年

4 趙級(jí)漢;張國(guó)敬;姜龍;魏巍;;基于疊加高斯過(guò)程的數(shù)字噪聲產(chǎn)生方法FPGA實(shí)現(xiàn)[A];第二十四屆全國(guó)空間探測(cè)學(xué)術(shù)交流會(huì)論文摘要集[C];2011年

5 何志昆;劉光斌;姚志成;趙曦晶;;基于高斯過(guò)程回歸的FOG標(biāo)度因數(shù)溫度漂移建模新方法[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前6條

1 王建民;礦山邊坡變形監(jiān)測(cè)數(shù)據(jù)的高斯過(guò)程智能分析與預(yù)測(cè)[D];太原理工大學(xué);2016年

2 趙靜;基于高斯過(guò)程的動(dòng)態(tài)系統(tǒng)研究[D];華東師范大學(xué);2016年

3 潘偉;基于高斯過(guò)程的高爐煉鐵過(guò)程辨識(shí)與預(yù)測(cè)[D];浙江大學(xué);2012年

4 賀建軍;基于高斯過(guò)程模型的機(jī)器學(xué)習(xí)算法研究及應(yīng)用[D];大連理工大學(xué);2012年

5 夏戰(zhàn)國(guó);基于高斯過(guò)程的提升機(jī)軸承性能評(píng)測(cè)方法研究[D];中國(guó)礦業(yè)大學(xué);2013年

6 趙偉;復(fù)雜工程結(jié)構(gòu)可靠度分析的高斯過(guò)程動(dòng)態(tài)響應(yīng)面方法研究[D];廣西大學(xué);2014年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 李紅麗;回歸分析中的貝葉斯推斷技術(shù)的研究[D];江南大學(xué);2015年

2 李勵(lì)耘;基于高斯過(guò)程的抓取規(guī)劃方法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 王雪茹;基于高斯過(guò)程的風(fēng)電機(jī)組部件建模與監(jiān)測(cè)研究[D];華北電力大學(xué);2015年

4 于立鑫;基于高斯過(guò)程—差異進(jìn)化算法的隧道施工多元信息反分析研究[D];大連海事大學(xué);2015年

5 戈財(cái)若;基于高斯過(guò)程的高光譜圖像分類算法研究[D];東華理工大學(xué);2015年

6 葉婧;基于高斯過(guò)程回歸的鋰電池?cái)?shù)據(jù)處理[D];北京交通大學(xué);2016年

7 張棟;基于在線學(xué)習(xí)高斯過(guò)程有桿泵油井動(dòng)態(tài)液面建模方法研究[D];東北大學(xué);2014年

8 王奉偉;改進(jìn)的局部均值分解和高斯過(guò)程在變形監(jiān)測(cè)數(shù)據(jù)處理中的應(yīng)用研究[D];東華理工大學(xué);2016年

9 申倩倩;基于高斯過(guò)程的在線建模問(wèn)題研究[D];華南理工大學(xué);2011年

10 朱江;單任務(wù)以及多任務(wù)稀疏高斯過(guò)程[D];華東師范大學(xué);2014年

  本文關(guān)鍵詞：改進(jìn)的局部均值分解和高斯過(guò)程在變形監(jiān)測(cè)數(shù)據(jù)處理中的應(yīng)用研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：415921