武文锐，师思超

（1.山西华冶勘测工程技术有限公司，山西 太原 030000）

在变形监测的过程中，由于观测条件的影响，获取的观测值会出现误差，从而给分析观测数据和总结变形规律带来一些干扰。信噪分离能大大提高预测模型的精度，因此将原始形变数据中的噪声与真实值分离，并把相对真实的变形数据提取出来，是变形监测数据预处理的重要目的[1]。对于变形监测来说，观测数据往往没有较明显的概率分布特征，且数据量不大；而时间序列、BP神经网络、回归分析等方法均对样本容量要求较高，且需要大量符合概率分布的训练样本，因此实际工程应用中上述数据处理方法受到了客观条件的限制。基于小波分析的阈值去噪法对处理离散的变形观测数据具有独特的优势，能利用阈值函数从含噪数据中区分出噪声和较为真实的变形数据。利用剔除噪声后的数据进行变形预测分析可大大提高预测模型的精度[2]。因此，阈值法小波去噪在变形监测中具有较强的工程实践价值。

灰色模型的基本原理为对原始数据进行预处理，使数据能表现出指数函数的规律，再利用该指数函数进行变形预测[3]。灰色模型的建模方式简单，最少只需4个数据即可建立模型，能在“贫数据”的情况下总结数据变化规律，在实际工程应用，特别是变形监测应用中具有更强的实用性。虽然灰色模型短期预测的精度较高，但其长期预测能力却不够理想，这是由数据中的噪声所导致的。……