[发明专利]基于KNN-SVR的海底管道漏磁数据缺失插补方法

权利要求书

1.一种基于KNN-SVR的海底管道漏磁数据缺失插补方法，其特征在于，包括以下步骤：

步骤1：从不含缺失点的原始漏磁数据中分割出特征数据块构成完备数据集，构建完备数据集的KD树；

步骤2：对含缺失点的漏磁数据进行范化处理，以获得由待插补数据块构成的待插补数据集，并对待插补数据集进行补零处理；

步骤3：在完备数据集中搜索待插补数据块的K近邻，获得K个完备数据块；

步骤4：基于K个完备数据块，构建训练集，对训练集进行归一化处理；

步骤5：利用支持向量回归机对训练集进行模型训练；

步骤6：预测待插补数据块中的缺失特征值，完成对缺失数据的插补。

2.如权利要求1所述的基于KNN-SVR的海底管道漏磁数据缺失插补方法，其特征在于，所述步骤1具体包括：

步骤1-1：对原始漏磁数据做偏移处理，得到完整的漏磁数据：

步骤1-2：在完整的漏磁数据中选取特征明显的区域，针对包含漏磁缺陷、管道焊缝、管道组件的数据按块进行分割，得到完备数据块，由完备数据块构成完备数据集；

步骤1-3：在完备数据集中选择方差最大的特征作为分割维度，然后在该维度上选择中位值作为分界超平面，对完备数据集进行划分，得到两个子集合，同时创建一个树结点；

步骤1-4：对两个子集合重复步骤1-3的过程，直至所有子集合都不能再划分为止，如果某个子集合不能再划分时，则将该子集中的完备数据块保存到叶子结点。

3.如权利要求1所述的基于KNN-SVR的海底管道漏磁数据缺失插补方法，其特征在于，所述步骤2具体包括：

步骤2-1：从含缺失点的漏磁数据中划分出含缺失点较多的待插补数据块，以待插补数据块构成待插补数据集；

步骤2-2：对待插补数据集进行补零处理。

4.如权利要求3所述的基于KNN-SVR的海底管道漏磁数据缺失插补方法，其特征在于，所述步骤2-1具体包括：

步骤2-1-1：对含缺失点的漏磁数据进行偏移处理，在偏移处理后的数据中按块进行分割，得到待插补数据块；

步骤2-1-2：判断每一个待插补数据块的数据缺失率，如果缺失率小于设定的下限值，则表明该待插补数据块的数据信息较为充足，可采用简单直接插补法进行插补；如果缺失率大于设定的上限值，则将该待插补数据块加入待插补数据集中。

5.如权利要求3所述的基于KNN-SVR的海底管道漏磁数据缺失插补方法，其特征在于，所述步骤2-2具体包括：

步骤2-2-1：对每一个待插补数据块，在其缺失点位置处用零值填充，与完备数据块特征信息完成格式匹配。

6.如权利要求1所述的基于KNN-SVR的海底管道漏磁数据缺失插补方法，其特征在于，所述步骤3具体包括：

步骤3-1：从KD树的根结点开始，按照待插补数据块与各个结点的比较结果向下访问KD树，直至达到叶子结点，并记录最终的K个节点；

步骤3-2：进行回溯操作，查找离待插补数据块更近的K近邻点，获得K个完备数据块。

7.如权利要求1所述的基于KNN-SVR的海底管道漏磁数据缺失插补方法，其特征在于，所述步骤4具体包括：

步骤4-1：由步骤3得到的K个完备数据块，参照经补零处理后的待插补数据块，将每一个完备数据块分成零值以及非零值两部分；

步骤4-2：将完备数据块中对应待插补数据块中非零值的全部特征值作为输入X，将完备数据块中对应待插补数据块中零值的全部特征值作为输出Y，得到K对输入输出向量，作为训练样本集(X,Y)；

步骤4-3：根据下式对训练样本集中的数据分别进行归一化处理：