基于集合经验模态分解和支持向量机的大坝变形预测方法.pdfVIP

第42 卷第2 期 2016 ~2 月 7.1刀发电 E理i!!M1噩噩噩 基于集合经验模态分解和支持向量机的 大坝变形预测方法 卢献健1.2 ，晏红波1.2 ，梁月 吉l ( 1. 桂林理工大学测绘地理信息学院，广西桂林 541004; 2. 广西空间信息与测绘重点实验室 ， 广西挂林 541004 ) 摘 要:受水位、温度等诸多因素共同影响， 大坝变形具有随机性和非线性特征，提出了一种基于集合经验模态分 解(EEMD) 和支持向量机(SVM) 的大坝变形预测算法。 算法先对大坝位移序列进行集合经验模态分解，有效分离出 隐含在时序中的非线性高频波动成分和低频趋势成分;其次根据各分量特点构造不同的 SVM 进行预测，最后叠加 各分量预测值得到预测结果。与 BP 神经网络模型及传统支持向量机的对比结果表明，所提预测算法具有较强的自 适应预测能力，预测精度较高。 关键词:大坝变形预测;然合经验筷态分解;支持向f撞机;精度评定 Da m Deformat ion P redlctlon Method 8 ased on Ensemble E mpirical Mode Decomposition a nd Support Vector M achlne LU Xianjian ,.2 . YAN Hongbo ,.2 , L1ANG Yueji (1. Col1ege of Geomulics and Geoinfonnalion , Gui1in Universi ly of Technology , Gui1in 541004 . Guangxi. China; 2. Guangxi Key Laboralory of Spalial Infonnal ion and Geomatics , Guilin 541∞4， Guangxi , China) Ab stract : Affecled by waler level , lemperalure and olher faclor亩， Ihe deformalion of dam is random and nonlinear. A new algorilhm based on Ensemble Empirical Mode Decomposition (EEMD) and Support Vector Machine (SVM) for dam deformation prediclion is presenled herein. FirSI , the defonnalion sequence is decomposed by EEM 0 in order 10 effeclively separale Ihe nonlinear Irend of high frequency componenl volalilily and low frequency componen l. Then , Ihe SVM is applied 10 build a prediction model for each. componen l. Finally , Ihe predicled values of each componenl are superimposed. The calculation result is analyzed and compared with the results