郭志扬，王 建，黄 庆(1.河海大学水文水资源与水利工程科学国家重点实验室，南京210098；2. 河海大学水利水电学院，南京 210098)

0 引 言

大坝变形预测对于建立完整的大坝安全监测体系，保证大坝运行安全意义重大。长期以来，诸如统计模型、确定性模型和混合模型等经典数学模型广泛应用于坝体变形监测[1]。以统计模型为代表的传统方法虽然在部分程度上能正确反映大坝变形与其影响因子之间的相关关系，但考虑到影响大坝变形的因素较为复杂，而传统方法难以充分体现影响因子与效应量之间的非线性映射，因而预测精度往往不高。BP神经网络具有自适应、自学习、强大的并行运算和良好的非线性逼近能力，应用于大坝变形预测前景广阔[2]。但由于BP神经网络自身的局限性，算法效率较低且易收敛于局部极小，推广能力也相对较差，影响了预测结果的精度。为此，苏怀智等[3]提出先利用遗传算法进行全局寻优，进而搜索出一定的权值，再以此权值作为BP算法的初始权值，代入神经网络进行计算；储诚山等[4]利用具体的实例验证了遗传算法改进神经网络的合理性；姜成科[5]系统地阐述了遗传算法优化神经网络的权(阈)值理论，并用大坝位移预测的实例加以论证。

但在实际位移监测中，一定时期内，由于外界不确定因素或人为影响，可能出现个别异常数据，将此类数据代入模型计算得到的预测值精度会有所下降。为此，本文引入卡尔曼滤波……