卢献健，晏红波，梁月吉

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1

（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，广西桂林541004）

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。

大坝变形预测；集合经验模态分解；支持向量机；精度评定

大坝变形往往受水位、温度、自身物理变化等诸多因素共同影响，难以建立较为准确的形变量与影响因素之间的复杂非线性关系模型，因此传统时间序列法和回归分析等方法在变形预测中的应用受到了限制。经验模态分解（Empirical Mode Decomposition，EMD）是一种有效的处理非线性和非平稳信号的自适应分解方法［1］。它不需要确定任何基函数，依据信号本身的时间尺度直接对信号进行平稳化处理，“筛选”出原信号的波动项和趋势项［2］。目前，EMD算法已在众多领域得到了有效的验证和应用。戴吾蛟［3］将EMD方法应用于GPS多路径效应的探测中并取得较好的效果。……