.png){kind=icon}
返回
Dam Deformation Data Preprocessing with Optimized Variational Mode Decomposition and Kernel Density Estimation
.png){kind=icon}
OA
AI
DOI：10.3390/rs17040718.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
变形是反映大坝结构安全的关键响应量之一。为提升大坝变形监测数据中的异常值识别与去噪效果，本研究提出了一种基于优化变分模态分解（VMD）和核密度估计（KDE）的新型预处理方法。该方法通过三个步骤对数据进行系统性处理：首先，VMD无需递归地将原始数据分解为固有模态函数；采用并行Jaya算法自适应优化VMD参数以提升分解效果。其次，利用样本熵和相关系数识别并分离包含异常值和噪声特征的固有模态函数。最后，应用KDE阈值进行异常值定位，同时采用数据叠加方法实现有效去噪。通过对模拟变形数据和基于全球导航卫星系统（GNSS）的大坝工程实测水平变形数据进行验证，证明了该方法在准确识别异常值和去噪方面具有鲁棒性，实现了优异的预处理性能。
Keyword:
dam deformation
GNSS
optimized variational mode decomposition
parallel Jaya algorithm
data preprocessing
期刊
IF:
4.1
论文数:
7.3K
被引数:
15.1W
机构
引用论文
An approach using ensemble empirical mode decomposition to remove noise from prototypical observations on dam safety.png)
SpringerPlus
OAAI
SpringerPlusIF0
OAAI分享收藏Prediction, monitoring, and interpretation of dam leakage flow via adaptative kernel extreme learning machineMEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏A High-Robust Displacement Prediction Model for Super-High Arch Dams Integrating Wavelet De-Noising and Improved Random ForestWATEROAAI
WATERIF3
OAAI分享收藏Dam deformation prediction model based on the multiple decomposition and denoising methodsMEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏From data processing to behavior monitoring: A comprehensive overview of dam health monitoring technologySTRUCTURES
STRUCTURESIF4.3
PREAI
分享收藏
查看更多内容