[发明专利]一种大坝变形监测连续性缺失数据补全方法

说明书

本发明公开了一种大坝变形监测连续性缺失数据补全方法，该方法解决大坝变形监测数据中连续性缺失补全问题。首先，对变形监测数据中连续性缺失进行预处理；其次，分别从全局空间、全局时间、局部空间、局部时间以及语义角度，计算变形监测测点间时空相似性以及功能相似性，对变形监测数据中缺失数据进行全局和局部的空间、时间插值以及语义插值；最后，构造深度神经网络模型，将上述变形监测缺失数据补全初步结果作为输入，利用深度神经网络表示能力，实现非线性融合，完成大坝变形监测中连续性缺失数据补全。

技术领域

本发明涉及一种面向连续性数据缺失补全方法，具体是一种基于多视图深度融合的大坝变形监测缺失数据补全方法，通过深度神经网络捕获复杂非线性时空关系，完成大坝变形监测连续性缺失数据补全，属于数据挖掘技术领域。

背景技术

大量传感器部署混凝土大坝中，它们相互合作持续地监测大坝变形的实时状态。传感器产生的数据是具有时空特征，但是由于其自身硬件、通信错误和严重无线干扰等影响因素，造成原始传感器数据产生大量缺失，在极端情况下，产生连续性数据缺失。这些数据缺失不但影响实时监测，而且不利于进一步研究分析和决策。因此，针对连续性缺失数据进行补全十分重要。

有关数据缺失补全的研究通过单视图进行补全已经有所进展，例如基于K最近邻的局部空间插值、克里金(Kriging)插值法和基于主成分分析的多通道奇异谱分析。但是，这些方法不能很好地捕获数据当中时空关系，插值补全质量并不高。随着稀疏表示的快速发展，矩阵补全技术被广泛应用在因不稳定无线传输造成的随机数据缺失中。不同于上述方法，矩阵补全利用了数据当中低秩特征，很好地通过时空关系完成随机数据缺失补全。

但是，对于整行或者整列的连续性数据缺失，利用现有的方法进行补全非常困难，其中最主要的原因是无法为其找到历史相关数据，缺少稳定连续的输入数据。当出现连续性数据缺失，现有的矩阵补全技术不起作用。现有方法针对无稳定的历史输入，通过全局初始化解决这一困难。例如基于多视图非负矩阵分解、基于协同过滤的数据补全和基于多视图融合的缺失数据补全，这些研究工作从单视图转向多视图融合学习。但是由于采用线性融合完成缺失数据补全，效果并不明显。

解决连续性缺失补全的另一挑战是捕获数据源中复杂非线性时空关系。针对现有工作中多视图中线性融合将引起信息冗余，以及无法很好捕获数据中复杂非线性时空关系，本发明公开利用深度神经网络技术，同时融合时空和语义等视图，解决大坝变形监测连续性缺失数据补全问题，完成了大坝变形监测连续性缺失数据补全，获得更好准确性以及普适性。

发明内容

发明目的：针对大坝变形监测连续性缺失数据缺失稳定的历史输入和其蕴含的复杂非线性时空关系，本发明公开一种大坝变形监测连续性缺失补全方法，该方法通过跨时空视图以及语义视图中的互补异构信息，利用深度神经网络实现非线性融合，完成大坝变形监测连续性缺失数据补全。

技术方案：一种大坝变形监测连续性缺失数据补全方法，首先对本发明的技术名称进行如下定义：

定义1测点集合：部署的每一个传感器作为一个测点，所有的变形监测测点的集合构成测点集合，S＝{S₁,…,S_i,…,S_m}。

定义2时间戳集合：每一时刻各变形监测测点将产生数据，将所有记录的时刻组成的集合构成时间戳集合，T＝{t₁,…,t_i,…,t_n}。

定义3监测矩阵：由大坝变形监测测点集合和时间戳集合共同组成一个变形监测数据矩阵(Monitoring Matrix)，形式化定义MM_S×T，其每一个实体元素mm_i,t代表测点i在时间戳t的变形监测数据，本发明中测点同大坝变形监测测点为同一含义。