论文部分内容阅读
为满足大坝安全监测的需要，本文在总结归纳前人在统计模型研究成果的基础上，针对最小二乘回归方法需要大量观测资料、模型精度不高、不能实时观测等缺点，以Kalman滤波技术、小波分析、BP神经网络理论为依据，提出小波多尺度Kalman滤波回归统计模型和基于高阶非线性Kalman滤波的BP神经网络在线训练方法，并通过工程实测资料的分析验证了模型的正确性和可行性。论文主要研究内容及成果如下：(1)回顾了前人在统计模型方面的研究成果及常用的几种统计建模方法，将这些方法一一对比，找出其各自优缺点及适用范围。(2)以Kalman滤波技术为理论基础，建立Kalman滤波回归统计模型，由统计模型构造状态方程和观测方程，使最小二乘估计问题转换成Kalman滤波状态估计问题。研究表明，该模型利用Kalman滤波为估计问题提供的递推形式解，可将建模过程简化为只要根据上一时段状态值和当前的观测值就能方便的在线更新状态，因而它是一种高效在线建模的新方法。工程实例分析表明，当Kalman滤波的模型参数计算方法选择合理，滤波结果很快就会稳定，而且滤波状态向量(回归系数)的变化也可以评价大坝的安全状态。(3)由于仪器故障和其他方面的复杂因素，大坝实测数据往往会出现奇异值和很大的噪声，有时真实的信息甚至会被噪声淹没。鉴于此，本文提出将Kalman滤波与小波多尺度理论结合起来，建立小波多尺度Kalman滤波回归统计模型。两者在消除大坝原型观测数据的噪声干扰上存在互补性，使模型可以应用于噪声含量较高的情况，扩展了Kalman滤波的应用范围，也提高了模型的预报精度。(4)由于Kalman滤波回归统计模型属于线性模型，而大坝是一个复杂的非线性系统，因此，针对这一特点本文将Kalman滤波为估计问题提供递推形式解和BP神经网络模型优异的非线性映射能力两种方法的特点相结合，建立BP神经网络与高阶非线性Kalman滤波的大坝监控模型。由于它克服了BP算法训练时间长、收敛速度慢、需要反复迭代的缺点，而且监控模型非线性程度高，因而是一种高效率的在线训练方法。