自适应变分模态分解在矿山变形监测数据去噪的应用

为了消除变形数据中包含的白噪声,提出了一种基于自适应变分模式分解的噪声消除模型。针对变分模式分解中关键参数选择不确定的问题,提出了基于相邻分解层数的最优分解评价值,指导最优分解层数,利用互信息熵判定噪声临界值。在确定模型的参数之后,去除所确定的噪声分量,并且重组剩余分量以获得噪声去除后的变形序列。对实际沉降数据进行去噪,通过实验比较,自适应变分模式分解的去噪评价指标均优于小波去噪、经验模态分解和完全集合经验模态分解。

变分模态分解与长短时神经网络的大坝变形预测

为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型。对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构。以江西省某蓄能水电厂2010—2014年大坝监测数据为例,设置不同的对比实验验证VMD-LSTM组合模型的有效性和稳定性。研究表明:组合模型能够有效减小单一模型的误差,VMD能够将变形序列分解为不同频带的分量,减少非线性、非平稳性对预测精度的干扰,且VMD-LSTM神经网络的预测精度要优于其他模型,对于大幅提升大坝变形的预测精度有一定的参考价值。