【技术实现步骤摘要】
本专利技术属于大坝监测领域，尤其涉及一种基于无监督学习的大坝安全监测数据异常检测方法。
技术介绍
1、大坝安全监测数据是分析和评价大坝性态的重要基础。然而，人为原因、外界干扰和设备故障等因素会导致大坝安全监测数据中不可避免地存在一定量的异常值。这些异常值对于大坝性态的分析和评价具有较大影响。因此，对大坝安全监测数据中的异常值进行检测，保证大坝安全监测数据的准确性和可靠性，对于大坝性态的分析和评价具有重要意义。
2、传统的大坝安全监测数据异常检测方法主要有过程线法、统计概率法和数学模型法等。然而，传统的异常检测方法对专家经验水平的依赖性较强，耗时耗力、效率较低,且容易出现“判多为少”和“判有为无”的情况。随着人工智能技术的迅速发展,许多机器学习算法也逐渐应用于大坝安全监测数据的异常检测研究中。主要是采用基于聚类和基于模型的异常检测方法，这种办法无法有效规避数据异常值的影响，异常值的检测效率较低。因此，一种克服单一方法难以保证异常值完全被识别问题且准确率高、误判率低的大坝安全监测数据异常检测方法很有必要。
...
【技术保护点】
1.一种基于无监督学习的大坝安全监测数据异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于无监督学习的大坝安全监测数据异常检测方法，其特征在于，所述a步骤中，大坝监测数据涵盖的各类测点共计大约800个，包括大坝测缝计、大坝钢筋应力计、大坝渗压计等近20类不同监测仪器，监测频率为一天一次。
3.根据权利要求1所述的基于无监督学习的大坝安全监测数据异常检测方法，其特征在于，所述a步骤中，对数据进行预处理、清洗和转换包括去噪、修正、补缺和归一化处理。
4.根据权利要求1所述的基于无监督学习的大坝安全监测数据异常检测方法...
【技术特征摘要】
1.一种基于无监督学习的大坝安全监测数据异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于无监督学习的大坝安全监测数据异常检测方法，其特征在于，所述a步骤中，大坝监测数据涵盖的各类测点共计大约800个，包括大坝测缝计、大坝钢筋应力计、大坝渗压计等近20类不同监测仪器，监测频率为一天一次。
3.根据权利要求1所述的基于无监督学习的大坝安全监测数据异常检测方法，其特征在于，所述a步骤中，对数据进行预处理、清洗和转换包括去噪、修正、补缺和归一化处理。
4.根据权利要求1所述的基于无监督学习的大坝安全监测数据异常检测方法，其特征在于，所述b步骤中，在大坝监测数据序列中随机添加人工误差，具体操作...
【专利技术属性】
技术研发人员：冯昌存，马博，马斌，王路顺，
申请(专利权)人：山东诚达工程咨询有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。