PCA-RBF方法在大坝变形监测中的应用.pdfVIP

第48卷第4期测绘与空间地理信息Vol.48,No.4

2025年4月GEOMATICSSPATIALINFORMATIONTECHNOLOGYApr.,2025

PCA-RBF方法在大坝变形监测中的应用

梅锋，吴霞仙²，姚晓东1

（1.杭州市勘测设计研究院有限公司，浙江杭州310000；2.浙江省测绘科学技术研究院，浙江杭州311100）

摘要：针对大坝变形监测数据复杂难以处理与预测的问题，本文引入主成分分析（PrincipalComponentAnalysis，

PCA)法、径向基函数(RBF，RadialBasisFunction）神经网络模型，构建大坝变形监测数据组合处理方法并用于大坝变

形预测中。首先，使用PCA法对大坝原始变形监测数据进行预处理，通过确定大特征值个数以及主分量实现噪声抑

制，提高信号信噪比；其次,将大特征值个数作为RBF神经网络模型中的隐含层节点数，有效解决RBF神经网络模型

中隐含层节点数难以确定的问题，通过参数优化实现变形预测精度的提升；最后，通过仿真模型信号以及大坝实测变

形监测数据进行实验，结果表明本文提出方法能够有效抑制信号中包含噪声，在变形预测性能上要优于传统小波方

法以及BP神经网络模型，可在实际变形监测数据处理中进一步推广。

关键词：大坝变形监测；主成分分析；径向基函数神经网络模型；噪声抑制；精度分析

中图分类号：P228文献标识码：A文章编号：1672-5867(2025)04-0147-04

ApplicationofPCA-RBFMethodinDamDeformationMonitoring

MEIFeng,WUXiaxian’,YAOXiaodong

(1.HangzhouSurvey,DesignandResearchInstituteCo.,Ltd.,Hangzhou310000,China;

2.ZhejiangProvincialInstituteofSurveyingandMappingScienceandTechnology,Hangzhou311100,China)

Abstract:Aimingattheproblemthatthedamdeformationmonitoringdataiscomplexanddifficulttoprocessandpredict,thispaperintro-

ducestheprincipalcomponentanalysis(PCA)methodandtheradialbasisfunction(RBF)neuralnetworkmodeltobuildthecombined

processingmethodofdamdeformationmonitoringdataanduseitinthedamdeformationprediction.Firstly,PCAmethodisusedtoprepro-

cesstheoriginaldeformationmonitoringdataofthedam,andthenoiseissuppressedbydeterminingthenumberoflargeeigenvaluesand

principalcomponentstoimprovethesignaltonoiseratio;Secondly,thenumberoflargeeigenvaluesistakenasthenumberofhiddenlayer

nodesintheRBFneuralnetworkmodeltoeffectivelysolvetheproblemthatthenumberofhiddenlayernodesin