《变形监测数据的小波滤波分析与预报建模研究（学位论文-工学）》由会员分享，可在线阅读，更多相关《变形监测数据的小波滤波分析与预报建模研究（学位论文-工学）（74页珍藏版）》请在金锄头文库上搜索。
1、分类号： 密级：编号：102010205桂林理工大学硕 士 研 究 生 学 位 论 文变形监测数据的小波滤波分析与预报建模研究专 业： 大地测量学与测量工程研究方向： 精密工程测量与变形观测技术研 究 生： 孙昌瑜指导教师： 朱军桃 副教授论文起止日期：2012 年 4 月至 2013 年 4 月Wavelet filtering analysis and forecast model researchbased on deformation monitoring dataMajor: Geodesy and Surveying EngineeringDirection of Study: P
2、recision Engineering Survey and DeformationObservation TechnologyGraduate Student: Sun ChangyuSupervisor: Vice Prof. Zhu JuntaoCollege of Geomatics and GeoinformationGuilin University of TechnologyApril, 2012 to April, 2013摘 要由 于 观 测 环 境 和 设 备 等 因 素 的 影 响 ， 变 形 监 测 数 据 与 其 真 实 的 变 形 量 有 一 定 的 误差 ， 因
3、 此 需 要 对 数 据 进 行 滤 波 处 理 ， 获 取 其 准 确 的 变 形 信 息 。 通 常 情 况 下 ， 变 形 监 测 的数 据 量 都 很 大 ， 那 么 研 究 如 何 及 时 有 效 的 从 大 量 的 监 测 信 息 中 提 取 有 用 信 息 进 行 变 形 分析 、 预 测 成 为 了 热 点 问 题 。 基 于 此 ， 本 文 结 合 小 波 变 换 适 于 分 析 由 短 时 高 频 成 分 和 长 时低频成分组成且无太多先验知识的信号的优势，主要研究了以下几个方面的内容：1. 详 细 介 绍 了 变 形 监 测 数 据 预 处 理 的 小 波 滤 波 去 噪
4、 方 法 。 主 要 是 在 传 统 硬 阈 值 和软 阈 值 方 法 的 基 础 上 ， 对 不 同 小 波 函 数 、 不 同 分 解 尺 度 的 滤 波 去 噪 效 果 进 行 了 具 体 分 析 ，揭 示 并 归 纳 了 不 同 小 波 函 数 和 不 同 分 解 尺 度 的 去 噪 效 果 ， 对 在 变 形 观 测 数 据 滤 波 中 如 何选 择 合 适 的 小 波 函 数 和 分 解 尺 度 提 供 了 参 考 。 同 时 ， 对 不 同 阈 值 方 法 的 去 噪 效 果 也 进 行了 对 比 分 析 ， 发 现 改 进 阈 值 方 法 的 去 噪 效 果 更 佳 ， 特 别
5、 是 改 进 的 软 阈 值 法 ， 其 克 服 了 自身存在的不足。2. 研 究 了 小 波 变 换 法 在 变 形 监 测 数 据 中 探 测 与 修 复 粗 差 的 应 用 问 题 。 实 例 分 析 表明 ， 借 助 小 波 的 多 分 辨 率 分 析 和 数 理 统 计 的 知 识 ， 能 有 效 的 探 测 出 粗 差 , 并通过对高频系 数 模 极 大 值 点 的 插 值 处 理 ， 结 合 小 波 重 构 等 理 论 能 够 有 效 的 修 复 粗 差 , 为进一步进行变形分析与预报提供可靠保证。3. 构建了基于小波变换的灰色模型(小 波 灰 色 模 型 )， 根 据 小 波
6、变 换 特 点 ， 对 变 形 监测 数 据 序 列 进 行 分 解 ， 对 各 个 分 解 后 的 子 序 列 利 用 灰 色 模 型 进 行 预 测 ， 最 后 重 构 出 变 形预测结果。实例表明，该方法的预测精度高于 GM(1,1)模型和经过小波去噪的 GM(1,1)模型。4. 利用小波分析的相关理论和 BP 神经网络构建了离散型小波神经网络模型和融合 型 小 波 神 经 网 络 模 型 ， 并 用 其 对 变 形 观 测 数 据 进 行 分 析 与 预 报 。 实 例 结 果 表 明 ， 离 散型小波神经网络和融合型小波神经网络的预测精度都高于 BP 神 经 网 络 的 预 测 精
7、度 ， 但融 合 型 小 波 的 神 经 网 络 预 测 精 度 最 高 ， 而 且 小 波 神 经 网 络 模 型 都 大 大 减 少 了 运 算 的 迭 代次数，使其收敛速度得到了很大的提高。关键词：小波滤波，粗差探测与修复，小波灰色模型，小波神经网络模型IAbstractUnder the influence of the observation environment, equipment and other factors, there is a certainamount of error between observation data and the true deformat
8、ion. So we need to filter the data, obtainingthe deformation information accurately. Generally speaking, the quantity of the deformation forecastingdata is very large, so it is a hot issue to research how to collect useful information from the large quantity ofinspection data to analyze and predict
9、in time and efficiently. Based on the advantage of the wavelettransform suitable for not much prior knowledge of signal which formed by the short high frequencycomponents and long low-frequency composition, mainly studied the following contents:1. Introducing wavelet filtering method based on deform
10、ation monitoring data preprocessing. Mainlybased on traditional hard threshold and soft threshold method, the filtering denoising effect of differentwavelet functions, different decomposition scales are analyzed, revealing and summarizes the denoisingeffect of different wavelet functions and differe
11、nt decomposition scales, providing the reference aboutdeformation data filtering is how to choose a suitable wavelet function and decomposition scales. At thesame time, the denoising effect of different thresholding methods are compared and analyzed, betterdenoising effect of the improved threshold
12、method, especially the soft threshold method is improved, whichovercomes the shortcomings of its existence.2. Researching the gross errors in deformation monitoring data detection and repair problems based onwavelet transform. Example shows, with the help of multi-resolution analysis of wavelet and
13、mathematicalstatistics knowledge, can effectively detect gross errors, and through the high frequency coefficientmodulus maxima point interpolation processing, combining the wavelet reconstruction theory caneffectively repair the gross error, provide a reliable guarantee for deformation analysis and
14、 prediction.3. Constructing wavelet gray model for deformation forecast. By wavelet transform, the differentdeformat ion sequence components are projected to the different scales. Every scale is forecasted by graymodel. After reconstruction, the forecasting results are obtained. At the same time, ca
15、se studies areconducted to compares these results with the results which only use gray model to do forecast .The resultsshow that prediction accuracy of this method, higher than that of GM (1,1) model and wavelet denoisingGM ( 1,1 ) model.4. To construct the discrete wavelet neural network model and
16、 the hybrid wavelet neural network modelusing wavelet theory and BP neural network, and forecasting for building deformation observation data.Example analysis shows, the prediction accuracy of discrete wavelet neural network and hybrid waveletneural network is higher than the BP neural network, the hybrid neural network wavelet has highestprediction accuracy, and wavelet neural network model reduces the iterative times number operation, sothat the convergen
