(成都理工大学 地质灾害防治与地质环境保护国家重点实验室，成都 610059)

1 研究背景

随着我国经济的蓬勃发展和科技的快速进步，水利工程建设的规模和数量在不断扩大和增多，大坝能否安全运行关系着亿万人民的生命和财产安全。然而，坝肩边坡变形受库水位、温度、时效和降雨等多种外部因素的影响，呈现出随机性和非线性，预测难度颇大，越来越受到国内外学者的重视[1]。

坝肩边坡变形是大坝安全监测的重要组成部分，传统的预测方法主要有：多元线性回归法、灰色理论法、差分进化法和单一神经网络法等[2]。但这些方法都有明显的缺陷，预测效果并不好[3]。目前的研究阶段主要思想是基于将变形时间序列视作一条复杂的信号，将信号分解分析再合并，前人已取得了一定的成果。李捷斌等[4]基于Kalman滤波将变形时间序列进行分解，再分别使用BP神经网络进行训练和预测，取得了较好的预测精度。但Kalman滤波限制条件较为苛刻，当数据发生突变时，会影响算法收敛。李骅锦等[5]提出了一种小波变换与极限学习机耦合的边坡变形预测办法。小波变换克服了Kalman滤波的不足，但是在小波基函数和分解尺度的选取上过于经验化，不易推广。任超等[6]基于经验模态分解(Empirical Mode Decomposition，EMD)，提出名为EMD-GA-WNN的边坡变形预测模型，取得了更高的精度。相较于小波变换，EMD具有更加简单、直观、基于经验和自适应的特点。但需要指出的是，由于信号端点不一定是极值点，基于三次样条插值获得的上下边界包络线可能存在“边界效应”等问题，不易分析出“隐含的”信号变化特征。……