一种基于融合序列特征的桥梁监测异常数据的识别方法及系统与流程

本发明属于桥梁监测异常数据的识别，更具体地，涉及一种基于融合序列特征的桥梁监测异常数据的识别方法及系统。

背景技术：

1、随着城市化进程的加速，桥梁作为基础设施的重要组成部分，其健康状态监测变得尤为重要。然而，传统的健康监测方法存在数据失真和异常问题，这在复杂桥梁结构中尤为突出，可能导致错误的结构健康评估，影响安全性判断。在这一背景下，神经网络作为一种强大的模式识别、特征提取和数据建模技术，为桥梁健康监测系统(structure healthmonitoring system，shms)带来了新的前景。

2、目前针对shms监测数据的异常识别及修复技术通常要么只能进行无分类识别，导致某些类型的异常数据内有价值信息的丢失，要么处理方法过于复杂，导致效率低下。

技术实现思路

1、为解决以上技术问题，本发明提出一种基于融合序列特征的桥梁监测异常数据的识别方法，包括：

2、获取桥梁健康监测数据，提取所述监测数据的特征向量作为数据点，构建数据异常识别树，其中，设置切分阈值，将所述特征向量和所述切分阈值进行对比，根据对比结果，将所述特征向量分别划分到第一子树和第二子树；

3、根据所述数据异常识别树，计算数据的初始异常分数，并计算数据的初始异常分数的总概率密度，设置数据异常模型，根据所述总概率密度，计算数据的最终异常分数，根据数据的最终异常分数，对所述监测数据中的异常数据进行识别；

4、将识别出的异常数据输入到卷积神经网络中，进行异常数据分类，将分类后的异常数据输入到基于长短时记忆网络中，以完成异常数据修复。

5、进一步的，计算数据的初始异常分数包括：

6、

7、其中，s为数据的初始异常分数，n为数据点的个数，c(n)为树的归一化常数，x为数据点在树中的平均深度。

8、进一步的，计算数据的初始异常分数s的概率密度包括：

9、

10、其中，p(s)为数据的初始异常分数s的总概率密度，πk为第k个分量的混合系数，k为分量总数，μk为第k个分量的均值，ek为第k个分量的协方差矩阵，为数据的初始异常分数s在给定均值和协方差下的概率密度。

11、进一步的，所述数据异常模型包括：

12、anomalyscore＝-log(p(s))

13、其中，anomalyscore为数据的最终异常分数。

14、进一步的，还包括：对所述监测数据进行预处理。

15、本发明还提出一种基于融合序列特征的桥梁监测异常数据的识别系统，包括：

16、构建树模块，用于获取桥梁健康监测数据，提取所述监测数据的特征向量作为数据点，构建数据异常识别树，其中，设置切分阈值，将所述特征向量和所述切分阈值进行对比，根据对比结果，将所述特征向量分别划分到第一子树和第二子树；

17、识别模块，用于根据所述数据异常识别树，计算数据的初始异常分数，并计算数据的初始异常分数的总概率密度，设置数据异常模型，根据所述总概率密度，计算数据的最终异常分数，根据数据的最终异常分数，对所述监测数据中的异常数据进行识别；

18、修复模块，用于将识别出的异常数据输入到卷积神经网络中，进行异常数据分类，将分类后的异常数据输入到基于长短时记忆网络中，以完成异常数据修复。

19、进一步的，计算数据的初始异常分数包括：

20、

21、其中，s为数据的初始异常分数，n为数据点的个数，c(n)为树的归一化常数，x为数据点在树中的平均深度。

22、进一步的，计算数据的初始异常分数s的概率密度包括：

23、

24、其中，p(s)为数据的初始异常分数s的总概率密度，πk为第k个分量的混合系数，k为分量总数，μk为第k个分量的均值，ek为第k个分量的协方差矩阵，为数据的初始异常分数s在给定均值和协方差下的概率密度。

25、进一步的，所述数据异常模型包括：

26、anomalyscore＝-log(p(s))

27、其中，anomalyscore为数据的最终异常分数。

28、进一步的，还包括：对所述监测数据进行预处理。

29、通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

30、本发明通过神经网络技术能够实现基于一维数据的快速异常识别、修复；通过构建数据异常识别树，对异常数据进行识别，并通过对原始数据信息缺失严重的异常数据进行基于长短时记忆(long short-term memory，lstm)网络的修复，快速捕捉时间序列中的长期依赖关系和特征；降低训练成本，减少人工干预操作，避免无意义的重复劳动，解放生产力。

技术特征：

1.一种基于融合序列特征的桥梁监测异常数据的识别方法，其特征在于，包括：

2.如权利要求1所述的一种基于融合序列特征的桥梁监测异常数据的识别方法，其特征在于，计算数据的初始异常分数包括：

3.如权利要求2所述的一种基于融合序列特征的桥梁监测异常数据的识别方法，其特征在于，计算数据的初始异常分数s的概率密度包括：

4.如权利要求3所述的一种基于融合序列特征的桥梁监测异常数据的识别方法，其特征在于，所述数据异常模型包括：

5.如权利要求1所述的一种基于融合序列特征的桥梁监测异常数据的识别方法，其特征在于，还包括：对所述监测数据进行预处理。

6.一种基于融合序列特征的桥梁监测异常数据的识别系统，其特征在于，包括：

7.如权利要求6所述的一种基于融合序列特征的桥梁监测异常数据的识别系统，其特征在于，计算数据的初始异常分数包括：

8.如权利要求7所述的一种基于融合序列特征的桥梁监测异常数据的识别系统，其特征在于，计算数据的初始异常分数s的概率密度包括：

9.如权利要求8所述的一种基于融合序列特征的桥梁监测异常数据的识别系统，其特征在于，所述数据异常模型包括：

10.如权利要求6所述的一种基于融合序列特征的桥梁监测异常数据的识别系统，其特征在于，还包括：对所述监测数据进行预处理。

技术总结
本发明公开一种基于融合序列特征的桥梁监测异常数据的识别方法及系统，该方法包括：获取桥梁健康监测数据，提取所述监测数据的特征向量作为数据点，构建数据异常识别树，其中，设置切分阈值，将特征向量和所述切分阈值进行对比，根据对比结果，将所述特征向量分别划分到第一子树和第二子树；根据数据异常识别树，计算数据的初始异常分数，并计算数据的初始异常分数的总概率密度，设置数据异常模型，根据所述总概率密度，计算数据的最终异常分数，根据数据的最终异常分数，对所述监测数据中的异常数据进行识别；将识别出的异常数据输入到卷积神经网络中，进行异常数据分类，将分类后的异常数据输入到长短时记忆网络中，以完成异常数据修复。

技术研发人员：刘天成,张太科,程潜,时笑鹏,鲜荣,王杨,王小宁,吴玲正,张松
受保护的技术使用者：中交公路长大桥建设国家工程研究中心有限公司
技术研发日：
技术公布日：2024/3/17