[发明专利]一种基于贝叶斯推理的轨道交通监测数据清洗方法及系统

说明书

本发明提出一种基于贝叶斯推理的轨道交通监测数据清洗方法及系统。所述方法包括稀疏贝叶斯极限学习机模型的训练、根据模型划分数据集实现异常概率的计算、异常值的迭代求解识别等。本发明所述方法通过训练好的稀疏贝叶斯极限学习机模型为基准，并通过计算数据点的预测误差划分规律数据集和可疑数据集，进而计算可疑数据集中数据点的异常概率来更新数据集，最终不断迭代识别异常值。本发明所述方法通过计算数据点的异常概率，可以做到量化数据点的异常程度，通过循环往复不断迭代从而达到数据清洗的目的，能够为轨道交通结构健康监测领域提供一种有效的数据预处理手段。

技术领域

本发明属于结构健康监测技术领域，特别是涉及一种基于贝叶斯推理的轨道交通监测数据清洗方法及系统。

背景技术

数据清洗是轨道交通结构健康监测数据预处理很重要的内容之一。在轨道交通结构健康监测实际应用中，经常会出现由于布置的传感器故障或者数据传输问题而导致监测数据中存在隐含错误信息的异常值。由于异常值的存在可能会导致错误的结构识别结果，对结构的健康状态产生误判，严重影响轨道结构健康监测系统的正常运营，因此对监测数据进行数据清洗去掉其中的异常值在轨道交通健康监测领域中至关重要。

高速铁路监测数据不同于传统的桥梁结构健康监测，对于桥梁而言所受的荷载通常是车辆荷载、风荷载以及温度荷载的耦合；而高速铁路除了车辆短期荷载外长期荷载通常只与温度有关，因此轨道交通健康监测系统往往布置温度、应变和位移传感器采集数据，且采样频率较低，轨道交通监测数据采集频率以本发明方法采用的示例数据为例为10分钟一次。因此轨道交通监测数据量相对桥梁监测数据量较少，且每个时刻采样点的数据都比较重要，异常数据清洗算法应尽量避免误剔除。考虑轨道交通结构健康监测系统的独特性，现行其他结构健康监测中数据处理方法并不适用，因此亟需建立针对轨道交通健康监测数据的数据清洗方法。

发明内容

本发明目的是为了解决现有技术中轨道交通监测数据清洗的问题，提出了一种基于贝叶斯推理的轨道交通监测数据清洗方法及系统。

本发明是通过以下技术方案实现的，本发明提出一种基于贝叶斯推理的轨道交通监测数据清洗方法，具体包括以下步骤：

步骤一、基于极限学习机神经网络模型，输入部分轨道交通温度和应变监测数据作为训练数据，利用稀疏贝叶斯学习方法求解极限学习机神经网络模型输出层的权重参数，进而得到轨道交通监测数据中温度与结构应变响应之间非线性回归关系；

步骤二、以通过训练得到的稀疏贝叶斯极限学习机温度与结构应变响应之间非线性回归关系为基准，按预测误差绝对值大小将温度和应变监测数据组成的轨道交通联合监测数据划分成规律数据集和可疑数据集，通过贝叶斯推理得到轨道交通监测可疑数据集各数据点异常概率的计算结果；

步骤三、选择数据异常概率的阈值，将异常概率小于该阈值的数据点重新划分到规律数据集中，大于该阈值的数据点作为识别出来的异常值放入数据集S中，将更新后的规律数据集重新作为训练数据训练极限学习机非线性回归模型，重复步骤一和二，往复迭代，直至可疑数据集中每一个数据点的概率均小于该阈值，此时数据集S中的数据点即为识别出来的异常值；

步骤四、对于步骤三选取不同的阈值，对比最终的识别结果，根据识别结果的差异选取出最合理的数据异常概率的阈值，最后将识别的异常数据在监测数据中剔除，实现数据的清洗。

进一步地，所述步骤一具体为：

步骤1.1、以轨道交通监测温度数据为输入，以监测应变数据为输出，从均匀分布[-1,1]中随机生成输入层权重β_i和偏置b_i，选取激活函数计算矩阵H₀：