[发明专利]一种用于边坡监测数据粗差剔除的方法

说明书

本发明属于边坡监测技术领域，尤其涉及一种用于边坡监测数据粗差剔除的方法，包括如下步骤：S1、数据预处理：对需要粗差剔除的边坡检测数据进行预处理，获取特征数据；S2、建立预测矩阵：将S1中获取的特征数据分别输入m个PSO‑TELM模型，根据所述m个PSO‑TELM模型的输出结果，获得预测矩阵T；S3、剔除粗差数据：对预测矩阵T按列求均值得到新的矩阵T′＝(a₁,a₂,…,a_n)_1×n，再对矩阵T′求均值s和方差d；若T′中元素满足：a_i‑s＞d,(i＝1,2,…n)，则该剔除a_i所对应的特征数据，反之，则保留a_i所对应的特征数据，获得精确的边坡监测数据。本发明提供的用于边坡监测数据粗差剔除的方法，具有粗差剔除正确率高的有益效果。

技术领域

本发明属于边坡监测技术领域，尤其涉及一种用于边坡监测数据粗差剔除的方法。

背景技术

为了保证边坡安全监测工作的质量和水平，监测数据分析是边坡工程安全监测工作中必不可少、不可分割的组成部分，进行安全监控、指导施工和改进设计方法的一个重要和关键性环节，在各类边坡工程的施工、运行等不同阶段都将发挥重要作用。本课题先通过对传统的粗差剔除方法，例如拉伊达法则，聚类分析法等进行分析，发现传统的处理方法存在明显的缺陷。同时基于传统方法的剔除思想，提出了ELM分类算法进行粗差剔除。首先通过对原始数据的均方误差进行分析，给原始的监测数据添加标签；随后通过监督训练的方式训练单层ELM模型，并用其他监测数据验证ELM模型的精确性和实用性。仿真结果表明，单层ELM分类算法具有比传统的粗差剔除方法更高的精度和准确度。但是通过多组数据的交叉验证发现，单层ELM模型的准确度达不到工业要求的标准。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种用于边坡测量数据粗差剔除的方法，具有粗差剔除正确率高得到有益效果。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种用于边坡监测数据粗差剔除的方法，包括如下步骤：

S1、数据预处理：对需要粗差剔除的边坡检测数据进行预处理，获取特征数据；

S2、建立预测矩阵：将S1中获取的特征数据分别输入到m个PSO-TELM模型中，根据所述m个PSO-TELM模型的输出结果，获得预测矩阵T；所述预测矩阵T如下式所示：

所述预测矩阵T中每一行代表一个模型的预测输出，a为PSO-TELM模型的输出数据；

S3、剔除粗差数据：对预测矩阵T按列求均值得到新的矩阵T'＝(a₁,a₂,…,a_n)_1×n，再对矩阵T′求均值s和方差d；

若T′中元素满足：a_i-sd,(i＝1,2,…,n)，则该剔除a_i所对应的特征数据，反之，则保留a_i所对应的特征数据，获得精确的边坡监测数据。

优选地，所述步骤S1包括：

运用欧几里得算法计算采集到的原始数据的所有变量数据间距离，其中，所述原始数据矩阵如下：

在D维数据向量空间中，给定具有N个数据变量，第i个数据表示为X_i＝{x_1i,x_2i,…,x_Di}(i＝1,2,…N)，写成数据矩阵形式：