马佳佳，苏怀智，王颖慧

(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)

1 研究背景

自20世纪50年代以来，我国共修建大坝9.8万余座[1]，在防洪、发电等方面发挥着重要作用。为保障大坝长期安全稳定运行，实际工程中常常布设大量监测仪器。其中变形观测资料能有效反映大坝的服役性态，建立变形及其影响因素之间的数学关系模型成为识别和评价大坝服役性态的常用方法[2]。目前常见的大坝变形分析预测模型主要有3类：①基于回归思想的统计模型[3]，吴中如[3]对此做了较为全面的研究，这类方法用途广泛，但无法很好地表达大坝变形与各影响因素的复杂非线性关系[4]；②为提升传统统计模型的预测效果引入了各种智能算法，如神经网络、支持向量机(Support Vector Machine, SVM)等[5-6]，其中神经网络存在易陷入局部极小值、网络结构难以确定等缺点，SVM在神经网络的基础上，克服了上述缺陷，但在模型的计算速度和鲁棒性等方面还需改进；③为进一步优化模型而提出的各类组合预测算法[7-9]，这类算法大多以小波分解(Wavelet Decomposition，WD)或经验模态分解(Empirical Modal Decomposition, EMD)[10]为前提，将原始信号分解为多组频率不同的分量后，在此基础上运用各种方法进行分析预测。但以小波变换为基础的这类方法具有一定的先验性，实际应用的复杂程度较大，而EMD无需提前设定基函数，具有根据信号特性自适应分解的优点。但当信号在时间尺度上跳跃性变化较大时，EMD分解又容易出现模态混叠现象[11]。……