CN114330515B 一种桥梁监测数据异常诊断与修复方法 （东南大学）_第1页
CN114330515B 一种桥梁监测数据异常诊断与修复方法 （东南大学）_第2页
CN114330515B 一种桥梁监测数据异常诊断与修复方法 （东南大学）_第3页
CN114330515B 一种桥梁监测数据异常诊断与修复方法 （东南大学）_第4页
CN114330515B 一种桥梁监测数据异常诊断与修复方法 （东南大学）_第5页
已阅读5页，还剩12页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

号本发明公开了一种桥梁监测数据异常诊断实时数据输入模型判别定位异常数据段完成第度的数据作为条件生成对抗网络模型的训练数据,依据模型训练获取的多传感器相关性模型，2训练双向长短时记忆神经网络模型时，当其分类准确率其他正常传感器同时段数据之间的非线性关系，将用nan填充异常数据时段的数据以及其2.根据权利要求1所述的桥梁监测数据异常3.根据权利要求1所述的桥梁监测数据异4.根据权利要求1所述的桥梁监测数据异常诊断与修复35.根据权利要求1所述的桥梁监测数据异4据与其他正常传感器同时段数据之间的非线性关系，将用nan填充异常数据时段的数据以5[0016]作为本发明的一种优选方案，步骤4所述双向长短时记忆神经网络模型包括依次[0017]作为本发明的一种优选方案，步骤4所述双向长短时记忆神经网络模型的损失函特征的敏感特性，能够实现跳点和趋势异常等不同时间尺度的数据异常类型的准确识别。[0028]2、本发明提出一种基于数据相关性采用双向LSTM模型和条件生成对抗网络模型6对趋势异常这种传统上仅依靠数据自身历史数据难以判别的异常类型进行有效识别和修[0029]3、本发明对于大面积的数据异常构建生成对抗神经网络模型可以有效地学习到[0035]由于同一桥梁结构不同位置处的传感器在数据的幅值和变化规律具有显著的相发生异常后除关心传感器外多个传感器的该时段数据就可以准确预测异常传感器在异常[0036]如图1所示，本发明提出基于数据相关性条件生成对抗网络的桥梁监测数据异常[0039](2)对上述所有传感器数据进行归一化处理。采用离差标准化方法进行归一化处与百分之八十分位值的比值、平均值与幅度的比值以及平均值与百分之八十分位值的比7别器D中，来自于真实样本pdata(t)的输入t和条件向量f作为判别函数(通常是一个多层感[0055]下面以跨江大桥GPS数据趋势异常的判别和修复为例，说明本发明的具体实施过[0058](3)以每小时的数据量划分基本识别尺度。然后再以分钟为是时间尺度提取各传8所有同类数据训练条件生成对抗网络网络模型获取异常传感器再发生异常前其数据和其他所有传感器数据的非线性关系，然后用nan填充的传感器数据以及其他所有同类数据该

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论