论文部分内容阅读
从变形监测数据中分离出噪声、系统误差、不同影响因素引起的变形或不同特征的变形信息是变形分析的一项主要工作,可为变形预报或工程结构损伤状态识别提供必要的信息。独立分量分析(Independent Component Analysis,简称ICA)是一种盲信号分离方法,在信号分离方面具有独特的优势,可利用原信号的相互独立特性从混合观测信号中分离出原信号,该特性使得ICA可作为变形分析的有力工具。然而独立分量分析要求输入信号不小于输出信号,而在单测点变形分析中通常只有一个通道的观测数据。为此,本文将单通道ICA方法引入变形分析中,在对已有的单通道ICA算法进行比较分析的基础上,深入研究了基于相空间重构的单通道ICA算法,提出了基于增强经验模式分解的单通道时变ICA算法,并利用这些算法进行变形监测数据去噪、变形效应分量的分解及变形建模。主要研究工作与成果如下：1.研究了独立分量分析的基本理论研究,总结分析了FastICA算法、多维独立分量分析等几种常用的独立分量分析算法。2.通过无噪和有噪模拟信号实验比较分析了动态嵌入ICA(DE-ICA)、小波ICA (WT-ICA)算法、经验模式分解ICA (EMD-ICA)和增强经验模式分解ICA(EEMD-ICA)四种单通道ICA算法,结果表明：DE-ICA算法的信号分离效果最优；EMD-ICA算法最为简单,无需任何参数设置；WT-ICA算法和DE-ICA算法速度较快,EMD-ICA算法其次,而EEMD-ICA算法由于多次迭代运行效率最低。3.利用相空间重构方法选取合适的嵌入维数和时间延迟,解决DE-ICA中嵌入维数过多会导致信号冗余和难以选取的问题,形成了基于相空间重构的单通道ICA算法(PSR-ICA)。模拟实验验证了相空间重构的单通道ICA算法不仅可以数据去噪,而且可以有效地分离观测信号中的独立信号。4.利用PSR-ICA对五强溪大坝位移监测数据进行了分析,首先利用PSR-ICA对位移监测数据去噪,然后对利用该方法分离的位移分量与温度、水位等影响因素进行关联分析。结果表明：其中两个提取的位移分量分别与温度和水位高度相关,与利用大坝统计位移模型计算的温度和水位分量也基本一致,说明了PSR-ICA可有效地分离出大坝位移的各效应分量。5.研究了在线盲源分离的ICA算法——EASI算法,该算法可用于识别混合矩阵缓慢变化,具备FastICA这类离线算法所没有的时变处理能力。模拟实验验证了EASI算法在多通道的时不变、突变和时变混合情况下的良好分离效果。提出了基于EEMD的单通道EASI算法(EEMD-EASI),并将其应用于五强溪大坝位移监测数据的单通道时变ICA分离中,结果表明:EEMD-ICA能够更准确地分离出温度效应位移分量及时效分量,从时变混合矩阵可以看出大坝蓄水几年后趋于稳定。