一种大坝原型观测数据的可靠性辨识与挖掘方法

技术特征：
1.一种大坝原型观测数据的可靠性辨识与挖掘方法，其特征在于，包括如下步骤：s1.小波阈值降噪确定小波基与分解层数；s2.小波阈值降噪确定阈值准则与阈值函数；s3.确定时间序列ar预测模型；s4.建立小波阈值降噪bic准则定阶ar混凝土坝变形组合预报模型。2.根据权利要求1所述的大坝原型观测数据的可靠性辨识与挖掘方法，其特征在于，步骤s1中小波阈值降噪确定小波基与分解层数的具体步骤如下：s11.评价小波基常用的指标有正交性、紧支性、对称性、正则性、高阶消失矩，选取daubechies(dbn)小波、symlet(symn)小波和coiflet(coifn)小波这三种小波基函数，其能够提拱良好的时频分辨率，对大坝数据中含有的真实信号具有良好的分辨性；s12.小波分解层数也能决定数据降噪效果好坏，分解层数过少时，就不能彻底的分解信号，信号中的噪声部分无法有效去除，分解层数过多，计算量大运算效率变低；对于大坝监测数据的降噪过程中，根据其信号特性对数据信号进行2～5层分解来对比降噪效果优劣。3.根据权利要求2所述的大坝原型观测数据的可靠性辨识与挖掘方法，其特征在于，步骤s2中小波阈值降噪确定阈值准则与阈值函数的具体步骤如下：s21.阈值准则有以下4种：1)无偏风险估计准则(rigrsure)：1)无偏风险估计准则(rigrsure)：2)启发式阈值准则(heursure)2)启发式阈值准则(heursure)2)启发式阈值准则(heursure)3)极大极小阈值准则(minimax)4)固定阈值准则(sgtwolog)式中，n为信号经小波分解得到的小波系数个数，σ为噪声信号的标准差；s22.阈值函数：硬阈值
软阈值阈值函数选取软、硬阈值进行降噪效果对比。4.根据权利要求3所述的大坝原型观测数据的可靠性辨识与挖掘方法，其特征在于，步骤s3中确定时间序列ar预测模型的具体步骤如下：ar模型、滑动平均(moving average model,ma)模型都属于时间序列算法，ar模型首先需要确定一个阶数p，用前期的数据来预测当前值，ar(p)模型可表示为：而移动平均模型则注重的是自回归模型中的误差项的累加，ma(q)模型可表示为：ar模型与ma模型两者结合起来即自回归移动平均(auto-regressive moving average model,arma)模型，可表示为：式中，y
t
是当前序列值，μ是常数项，p是ar模型阶数，q是ma模型阶数，γ
i
是自相关系数，θ
i
是偏相关系数，ε
t
是误差；如果大坝位移数据属于非平稳序列，则需要对对其进行d阶差分，我们称为差分自回归移动平均模型(arima)，模型由下表模型定阶准则确定：5.根据权利要求4所述的大坝原型观测数据的可靠性辨识与挖掘方法，其特征在于，步骤s4中建立小波阈值降噪bic准则定阶ar混凝土坝变形组合预报模型的具体步骤如下：根据大坝位移数据特性确定时间序列模型为ar模型后，在进行模型定阶准则选择：
①
赤池信息量准则，公式如下：aic＝-2ln(l) 2k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
②
贝叶斯信息量准则，公式如下：bic＝-2ln(l) ln(n)*k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)根据预测效果将定阶准则选取为贝叶斯信息量准则，再根据前面的小波阈值建造效果，小波阈值降噪的最佳组合方式为3层分解，小波基为db5，阈值准则为无偏似然估计准则，阈值函数为硬阈值的情况下，建立了小波阈值降噪bic准则定阶ar混凝土变形组合预报模型。

技术总结
本发明公开了一种大坝原型观测数据的可靠性辨识与挖掘方法，具体是将大坝位移监测数据进行小波阈值降噪，具体降噪过程是通过对比不同小波分解层数、小波基、阈值选取准则、阈值函数的降噪效果，得到最佳的适用于静水压力大坝位移数据的小波变换阈值降噪组合方式，再根据大坝位移监测数据的序列特性选择最为合适的AR时间序列模型作为预报模型，其间也将AIC准则定阶AR模型与BIC准则定阶AR模型预报效果进行对比得到了现在具有最佳预报效果的小波变换阈值BIC准则定阶AR组合预报模型，有效解决了由于大坝监测数据含有大量白噪声，预测模型训练了过多错误信息产生过拟合问题，使得模型的预测精度大大提升。型的预测精度大大提升。型的预测精度大大提升。


技术研发人员：魏博文 万祥 徐富刚 罗绍杨 徐文博
受保护的技术使用者：南昌大学
技术研发日：2022.03.09
技术公布日：2022/6/7