基于卷积神经网络的大坝安全监测数据异常识别

摘要：

为了减轻大坝安全监测数据异常识别的数据处理压力,解决传统方法难以辨别非最值异常点的问题,提出利用卷积神经网络(CNN)识别大坝安全监测数据异常模式.监测数据过程线的周期性及异常值的显著差别使CNN得以发挥图像分类功能,分别将存在单个突跳点、无异常、存在震荡段、台阶、多个突跳点、台坎的监测数据过程线作为6类图像,人工生成65000张训练数据及6500张测试数据,6类图像的数量比为1:1.5:1:1:1:1.利用CNN对混合6种过程线图像的测试数据集进行图像分类,总体准确率为0.9731,且6种图像的准确率都至少为0.93.进一步对CNN进行改进,构建CNN监测数据异常识别模型,增加数据异常位置搜索功能;模型输入为监测数据过程线图像,输出为图像编号、图像类别及异常位置.研究成果有助于实现大坝自动、及时预警,及时了解大坝安全状况.

关键词：大坝安全监测、数据异常识别、卷积神经网络、图像分类、非最值异常点

所属期刊栏目：38

分类号：TV698.1(水利枢纽、水工建筑物)

资助基金：国家重点研发计划课题;国家自然科学基金重点项目

在线出版日期：2021-01-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：72-77