1、變形監(jiān)測與分析是安全監(jiān)測系統(tǒng)的重要組成部分，分析方法的可靠性以及精度對變形體安全運行具有重要的作用。變形數(shù)據的處理、特征向量的提取以及變形預測是變形監(jiān)測中的關鍵問題，也是測繪學科的研究熱點之一。局部均值分解（Local Mean Decomposition，LMD)是一種新的能自適應地應對復雜的非平穩(wěn)信號的方法。高斯過程(Gaussiau Process，GP)因為其具有嚴格的理論統(tǒng)計學習理論基礎，對處理非線性等問題具有很好的適應性，并

2、且科學地得到預測精度和概率，是一種較好的非線性學習方法。本文研究了基于局部均值分解和高斯過程的變形監(jiān)測數(shù)據處理、特征提取與預測模型，并結合仿真信號與大壩等變形監(jiān)測數(shù)據，分析與探討了相關問題。
　　（1）對于高斯過程存在的協(xié)方差函數(shù)選擇和超參數(shù)求解方法問題作者利用類似自適應尋優(yōu)函數(shù)和粒子群(Particle Swarm Optimization，PSO)算法進行改進，而對于 LMD的端點效應問題，作者通過改進的 PSO-GP算法對變

3、形信號進行延拓，通過實例分析對于兩種算法的改進都較為明顯，效果不錯。
　?。?）針對變形監(jiān)測數(shù)據預處理問題，建立了基于 LMD的新小波閾值函數(shù)去噪法，其充分利用 LMD的自適應性融合新小波閾值函數(shù)，大大提高了去噪的效果。針對針對不同變形情況的案例粗差探測問題，作者提出基于 LMD融合傳統(tǒng)方法的粗差探測法，優(yōu)勢互補，提高粗差探測的準確性和效率。
　　（3）將數(shù)據預處理后的觀測序列進行 LMD分解，運用相關系數(shù)等方法進行變形分析

4、和特征提取，對變形做出合理解釋。最后對對各變形分量進行建模預測，將所有變形分量累加得到最終的變形體預測模型。作者建立了基于 LMD-PSO-GP的組合預測模型以及考慮改進 LMD模態(tài)混疊現(xiàn)象的 ELMD-LSSVM預測模型，通過實例驗證分析發(fā)現(xiàn)，兩種組合模型的建模精度明顯高于單一模型，效果較好，適合非線性非平穩(wěn)變形體數(shù)據的分析和預測。
　?。?）論文第五章最后一節(jié)考慮到鄰近點變形因素的 GP單點預測模型，而下一步研究工作的重點是建