基于小波分解和最小二乘支持向量机的大坝变形预测.pdf

TS 探 索 基于小波分解和最小二乘支持 向量机的大坝变形预测 1 2 朱 毅 ，莫 勇 （1. 桂林市临桂区国土资源局，广西 桂林 541199 ；2. 荔浦县国土资源局，广西 荔浦 546600 ） [ 摘 要] 文章针对大坝变形受多种不确定性因素的影响，提出一种基于小波分解和最小二乘支持向量机的大坝变形预 测方法。利用小波将大坝位移序列分解成不同频率特征的子序列，根据分解得到的子序列特点，同时考虑水位和温度的影响， 构造不同的最小二乘支持向量机模型对子序列进行预测，最后对各子序列预测值进行重构得到最终的预测值。实验对比分 析表明，该方法对大坝变形的预测具有较高的精度。 [ 关键词] 大坝变形；小波分解；最小二乘支持向量机；精度分析 坝变形受水位、温度和其他不确定性因素的 1 原理和方法 共同影响，这些随机性变化的因素导致 坝变形呈 1.1 小波分解与重构 现出难以解析的非线性变化。过去常用的变形预测 把 坝各时间段的位移当作一个时间序列｛（）， 方法主要有时间序列分析、线性回归分析和灰色模 [1,2] =1，2，…， ｝，对该序列进行小波分解得到一个低频 等 ，这些方法仅仅根据自身变形数据的时间序 分量 和一组不同频带的高频分量 （=1，2，…，）， 列来建模，没有考虑变形的影响因素，其预测精度 为最 分解级数。则 （）可以表示为： 不太理想。近年来，非线性预测模 如神经网络模 j [3-5] X (t) A D 型已成功用于 坝变形的预测中 ，然而神经网络 j i i1 存在泛化能力弱和收敛速度慢等缺陷。杨延西等[6] 考虑到水位和温度的影响，建立LSSVM 模 对 利用最小二乘支持向量机 （Least Square Support Vec- 低频分量 和高频分量 分别进行预测，预测结果 tor Machine ，LSSVM ）求解速度快、模 参数易确定 A 为 和 （=1 ，2 ，…， ），叠加各预测分量，得 j Di 的优点，基于小波变换来预测短期 力负荷，得到 到位移预测结果X (t ) ，表达式如下： [7] j 有效的预测结果；李志雄等 利用小波将地震序列 X (t) A D j i 分解不同频率，建立LSSVM 预测模 ，用于预测华 i1 南地区年度最大地震，预测结果较好。 者基于小