[发明专利]针对监测数据的粗差识别及剔除方法、系统、服务器及计算机可读存储介质

权利要求书

1.一种针对监测数据的粗差识别及剔除方法，其特征在于，包括以下步骤：

S100：获取监测数据，并基于最大熵原理，求解监测数据所在序列的最大熵概率密度函数；

S200：根据预设的等级划分标准，对监测数据的数据点的可信度进行划分，形成多个可信度等级，并基于层次分析算法，建立如下一致性判断矩阵：

其中，L₁、L₂分别表示不同的可信度等级的权重对比，取值范围在1～9间；

S300：对于L₁、L₂的每个1～9标度之间的分位点c_i，随机产生k个判断矩阵，并计算k个判断矩阵的一致性比例，以此作为粒子群算法的适应度函数，求解最优分位点c_best；

S400：根据最优分位点c_best，在n％范围内划分监测数据的可信度等级的临界概率，并根据临界概率密度函数确定可信度等级的临界值，以实现监测数据的粗差识别与剔除。

2.如权利要求1所述的粗差识别及剔除方法，其特征在于，步骤S100包括：

S110：获取监测数据；

S120：基于最大熵原理构造如下最大熵模型：

max H(x)＝-∫_Rf(x)ln f(x)dx

s.t.∫_Rf(x)dx＝1

∫_Rxⁱf(x)dx＝μ_i(i＝1,2,…,n)

其中，R为监测数据的序列x所在集合，μ_i为监测数据的序列x的第i阶原点矩，

S130：构造如下拉格朗日函数：

其中，λ₀、λ_i为拉格朗日乘子；

S140：对上述拉格朗日函数求偏导，令以获得如下最大熵概率密度函数：

3.如权利要求1所述的粗差识别及剔除方法，其特征在于，步骤S140包括：

S141：令：

S142：假定λ的初始迭代至λ₀，将上述式子在λ₀处作一阶泰勒展开：

令Δ＝λ-λ₀，ζ＝[μ₀-G₀(λ₀),μ₁-G₁(λ₁),…,μ_n-G_n(λ_n)]^T，则有：

S143：将上式简写为：GΔ＝ζ，并求解Δ，按λ_i+1＝λ_i+Δ继续迭代，直至收敛至：Δ≤Δ_min其中，Δ_min为预先设定的迭代精度阈值。

4.如权利要求1所述的粗差识别及剔除方法，其特征在于，步骤S200包括：

S210：根据预设的等级划分标准，对监测数据的数据点的可信度划分为正常点、可疑点和粗差点；

S220：以线性方式组成的定性术语构造评语间的一致性判断矩阵，使用取值范围在1～9间的L₁、L₂分别表示不同的可信度等级的权重对比，将1～9的标度划分为两段；

S230：记录c_i为1～9的标度的分位点，使得定性术语映射为：L₁:[1,c),L₂[c,9)。

5.如权利要求4所述的粗差识别及剔除方法，其特征在于，步骤S220包括：

S221：根据定性术语的映射，获得针对监测数据的可信度等级的概率划分的判断矩阵为：

S222：计算判断矩阵R所对应的最大特征值和特征向量：R·w^*＝λ_max·w^*，其中：λ_max为判断矩阵的最大特征值，w*为最大特征值对应的特征向量。