[发明专利]一种基于ANN的静力水准仪异常数据识别方法及系统

权利要求书

1.一种基于ANN的静力水准仪异常数据识别方法，其特征在于：包括，

利用静力水准仪采集监测数据并返回监测系统进行数据存储；

结合数据预处理策略对所述监测数据进行初步清洗；

基于神经网络学习策略构建分析识别模型并对所述监测数据生成的波动进行统计特征分析和预测，完成异常数据识别、异常趋势修正；

根据处理结果计算差值修正所述数据。

2.根据权利要求1所述的基于ANN的静力水准仪异常数据识别方法，其特征在于：所述监测数据包括，

结构沉降变形数据、环境气象数据、系统基础数据。

3.根据权利要求1或2所述的基于ANN的静力水准仪异常数据识别方法，其特征在于：进行所述初步清洗主要对三类异常数据进行处理，包括缺失值、异常值和去重处理。

4.根据权利要求3所述的基于ANN的静力水准仪异常数据识别方法，其特征在于：构建所述分析识别模型包括，输入层、隐藏层1(H₁)、隐藏层2(H₂)、隐藏层3(H₃)、输出层。

5.根据权利要求4所述的基于ANN的静力水准仪异常数据识别方法，其特征在于：利用所述分析识别模型进行特征分析和预测，包括，

明确待分析数据的时间序列t₁…t_n，原始待分析静力水准仪数据{X_1，X₂…X_t}以及其他与yt相关的同时间序列数据{A_t，B_t…N_t}；

初步对静力水准仪数据{X_1，X₂…X_t}、相关数据信息{A_t，B_t…N_t}进行数据清洗、数据规约以及数据变化的数据预处理操作,得到过滤后数据集{X₁′_，X₂′…X_t′}与{A_t′，B_t′…N_t′}以供下步分析使用；

以数据集{X₁′_，X₂′…X_t′}作为输入，{x1，x2……xt}分别对应各个计算向量权重，利用神经网络模型分析当前监测数据波形特征统计特征，将分析得出的波形统计特征进行存储。

6.根据权利要求5所述的基于ANN的静力水准仪异常数据识别方法，其特征在于：还包括，

基于该时域波形分析得出的统计特征，比对存储的波形统计特征库中的数据，计算得出对应时刻两者差值；

判断当前时域波形的统计特征与波形库中既有波形的关系，得出了当前时域区间下静力水准仪监测波动数据最新时域区间数据的检测结果。

7.根据权利要求6所述的基于ANN的静力水准仪异常数据识别方法，其特征在于：以24小时为一个步长，计算该事件区间内监测数据的期望、中位数、标准差、峰值、谷值、方差，作为待修正值。

8.根据权利要求7所述的基于ANN的静力水准仪异常数据识别方法，其特征在于：所述分析识别模型需进行训练，包括，

当新异常波动出现时，神经网络通过对所述波动区段进行剥离，从而单独计算波动数据区间的数据参数，并识别该波动区段的异常数据波动，并对其进行甄别；

当所述异常数据波动参数确定异常时，则对该段数据采取剔除的方式进行处理，并对比剔除前与剔除后数据整体统计参数的变化；

当剔除所述异常数据波动后，数据整体统计参数中数据离散性下降，则认为该升级网络判断正确，反之则认为该过程判断错误，所剔除数据为正常数据，不应剔除；

当测试数据中通过率达到90％时，则认为针对该点的神经网络算法基本可行，则可以用于判断异常波动数据。