CN112085044B - 一种基于自动化监测数据的边坡动态分类方法 - Google Patents
一种基于自动化监测数据的边坡动态分类方法 Download PDFInfo
- Publication number
- CN112085044B CN112085044B CN201910516335.1A CN201910516335A CN112085044B CN 112085044 B CN112085044 B CN 112085044B CN 201910516335 A CN201910516335 A CN 201910516335A CN 112085044 B CN112085044 B CN 112085044B
- Authority
- CN
- China
- Prior art keywords
- data
- classification
- monitoring data
- monitoring
- classifying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 230000003442 weekly effect Effects 0.000 claims abstract description 4
- 238000007619 statistical method Methods 0.000 claims abstract description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 3
- 238000012937 correction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明公开了一种基于自动化监测数据的边坡动态分类方法,属于数据分类技术领域,包括以下步骤:S1、分类、校正:利用聚类算法对现有的监测数据进行分类,同时结合数据日报和周报进行校正;特征值提取:采用监测数据的二次统计分析数据作为特征值,分别计算每个传感器在某个监测期内的数据量、数据均值、数据标准差、一次回归系数和二次回归系数,数据量满足要求的进行数据归一化;S3、数据降维:对步骤S2中提取到的特征值进行数据降维,去掉相关性较强的数据,得到降维后的数据;S4、基于ANN的深度学习;S5、实时监测数据分类,本发明可以实现根据监测数据的实时变化二动态分类,在保证分类准确性的同时,极大的提高了工作效率。
Description
技术领域
本发明涉及数据分类技术领域,更具体地说,涉及一种基于自动化监测数据的边坡动态分类方法。
背景技术
边坡,按成因分类:可分为人工边坡和自然边坡;按地层岩性分类:可分为土质边坡和岩质边坡;按使用年限分类:可分为永久性边坡和临时性边坡,边坡上会设置各种传感器记录边坡的各项特征,记录的特征以数据的方式呈现。
随着监测项目数量的增加,原先的人去查看各个项目的监测数据的方式已经逐渐不能满足要求,目前也有根据目前部署在监测项目现场的多种传感器实时传回来的数据对边坡进行动态分类,主要分为数据异常坡,四级安全坡,三级较为安全坡,二级较为安全坡,一级重点关注坡,对现有的监测数据进行数据评定从而构建训练集和测试集,难点在于目标值的匹配。
发明内容
1.要解决的技术问题
针对现有技术中存在的问题,本发明的目的在于提供一种基于自动化监测数据的边坡动态分类方法,它可以实现根据监测数据的实时变化二动态分类,在保证分类准确性的同时,极大的提高了工作效率。
2.技术方案
为解决上述问题,本发明采用如下的技术方案:
1.一种基于自动化监测数据的边坡动态分类方法,包括以下步骤:
S1、分类、校正;
S2、特征值提取;
S3、数据降维;
S4、基于ANN的深度学习;
S5、实时监测数据分类。
进一步的,所述步骤S1中,数据分类、校正是利用聚类算法对现有的监测数据进行分类,同时结合数据日报和周报进行校正。
进一步的,所述步骤S2中,特征值提取采用监测数据的二次统计分析数据作为特征值,分别计算每个传感器在某个监测期内的数据量、数据均值、数据标准差、一次回归系数和二次回归系数,数据量满足要求的进行数据归一化,一个项目所有传感器数据进行完上述操作后进行数据拼接,都按照传感器类型、监测期传感器数据量、数据均值、数据方差、一次回归系数、二次回归系数和归一化数据的顺序进行拼接,没有的监测类型置零。
进一步的,数据量满足要求的进行数据归一化时,其主要方法是进行插值,不满足要求的置零。
进一步的,所述步骤S3是对步骤S2中提取到的特征值进行数据降维,去掉相关性较强的数据,得到降维后的数据。
进一步的,所述步骤S4中,基于ANN的深度学习是将降维过后的数据送入多层卷积神经网络中进行有监督的学习,训练完成后保存模型。
进一步的,所述卷积神经网络由神经元按层级结构组成,其间的权重和偏置都是可以通过训练得到,对输入的数据和权重做运算,输出结果输入到神经元进行激活,最后通过输出函数输出分类的最终结果,所述卷积神经网络主要由卷积层、池化层和激活函数层组成。
进一步的,在步骤S5中,实时监测数据分类采取当前运营的项目的实时监测数据使用训练好的模型进行分类。
3.有益效果
相比于现有技术,本发明的优点在于:
本发明可以实现根据监测数据的实时变化二动态分类,本方法在保证分类准确性的同时,极大的提高了工作效率。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
请参阅图1,一种基于自动化监测数据的边坡动态分类方法,包括以下步骤:
S1、分类、校正:利用聚类算法对现有的监测数据进行分类,同时结合数据日报和周报进行校正,聚类算法是本领域技术人员的公知技术,故此不做赘述;
S2、特征值提取:采用监测数据的二次统计分析数据作为特征值,分别计算每个传感器在某个监测期内的数据量、数据均值、数据标准差、一次回归系数和二次回归系数,数据量满足要求的进行数据归一化,其主要方法是进行插值,不满足要求的置零,一个项目所有传感器数据进行完上述操作后进行数据拼接,都按照传感器类型、监测期传感器数据量、数据均值、数据方差、一次回归系数、二次回归系数和归一化数据的顺序进行拼接,没有的监测类型置零,本步骤是本发明的核心,目前未发现有相似的提取方法,边坡监测有自身的特点,某个边坡可能有多种监测传感器,传感器数量也不一,无法实现数据的规则统一化,经过本步骤,可以实现数据的规则统一化;
S3、数据降维:对步骤S2中提取到的特征值进行数据降维,去掉相关性较强的数据,得到降维后的数据;
S4、基于ANN的深度学习:将降维过后的数据送入多层卷积神经网络中进行有监督的学习,卷积神经网络由神经元按层级结构组成,其间的权重和偏置都是可以通过训练得到,对输入的数据和权重做运算,输出结果输入到神经元进行激活,最后通过输出函数输出分类的最终结果,卷积神经网络主要由卷积层、池化层和激活函数层组成,训练完成后保存模型;
S5、实时监测数据分类:实时监测数据分类采取当前运营的项目的实时监测数据使用训练好的模型进行分类。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其改进构思加以等同替换或改变,都应涵盖在本发明的保护范围内。
Claims (1)
1.一种基于自动化监测数据的边坡动态分类方法,其特征在于,包括以下步骤:
S1、分类、校正:利用聚类算法对现有的监测数据进行分类,同时结合数据日报和周报进行校正;
S2、特征值提取;
S3、数据降维:对步骤S2中提取到的特征值进行数据降维,去掉相关性较强的数据,得到降维后的数据;
S4、基于ANN的深度学习:将降维过后的数据送入多层卷积神经网络中进行有监督的学习,卷积神经网络由神经元按层级结构组成,其间的权重和偏置都是可以通过训练得到,对输入的数据和权重做运算,输出结果输入到神经元进行激活,最后通过输出函数输出分类的最终结果,卷积神经网络包括卷积层、池化层和激活函数层,训练完成后保存模型;
S5、实时监测数据分类:实时监测数据分类采取当前运营的项目的实时监测数据使用训练好的模型进行分类;
其中,所述步骤S2中,特征值提取采用监测数据的二次统计分析数据作为特征值,分别计算每个传感器在某个监测期内的数据量、数据均值、数据标准差、一次回归系数和二次回归系数,数据量满足要求的进行数据归一化,其方法包括插值,不满足要求的置零,一个项目所有传感器数据进行完上述操作后进行数据拼接,都按照传感器类型、监测期传感器数据量、数据均值、数据方差、一次回归系数、二次回归系数和归一化数据的顺序进行拼接,没有的监测类型置零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516335.1A CN112085044B (zh) | 2019-06-14 | 2019-06-14 | 一种基于自动化监测数据的边坡动态分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516335.1A CN112085044B (zh) | 2019-06-14 | 2019-06-14 | 一种基于自动化监测数据的边坡动态分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085044A CN112085044A (zh) | 2020-12-15 |
CN112085044B true CN112085044B (zh) | 2023-11-24 |
Family
ID=73733958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910516335.1A Active CN112085044B (zh) | 2019-06-14 | 2019-06-14 | 一种基于自动化监测数据的边坡动态分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085044B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5942750A (en) * | 1994-12-16 | 1999-08-24 | Safety-One As | Method and device for continuous monitoring of dynamic loads |
CN101788551A (zh) * | 2010-01-07 | 2010-07-28 | 云南元磨高速公路建设指挥部 | 高速公路边坡病害自动化监测系统 |
CN102867110A (zh) * | 2012-08-22 | 2013-01-09 | 广东电网公司电力科学研究院 | 一种输电线路杆塔基础边坡暴雨灾害风险评估方法 |
CN104134080A (zh) * | 2014-08-01 | 2014-11-05 | 重庆大学 | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 |
CN104143115A (zh) * | 2014-06-25 | 2014-11-12 | 中国矿业大学(北京) | 地质雷达技术实现土壤含水性分类识别的技术方法 |
KR101551413B1 (ko) * | 2014-05-13 | 2015-09-08 | 금오공과대학교 산학협력단 | 웹 기반 eoc의 급경사지 모니터링 방법 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN108062448A (zh) * | 2017-12-25 | 2018-05-22 | 济南大学 | 预测边坡稳定性的建模及分析方法、设备和存储介质 |
CN109062763A (zh) * | 2018-07-31 | 2018-12-21 | 云南大学 | 一种从svn日志事件流中动态实时挖掘软件过程活动的方法 |
CN109711547A (zh) * | 2018-12-24 | 2019-05-03 | 武汉邦拓信息科技有限公司 | 一种基于深度学习算法的污染源异常数据识别方法 |
CN109800781A (zh) * | 2018-12-07 | 2019-05-24 | 北京奇艺世纪科技有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8537234B2 (en) * | 2007-05-07 | 2013-09-17 | DigitalOptics Corporation International | Image restoration with enhanced filtering |
-
2019
- 2019-06-14 CN CN201910516335.1A patent/CN112085044B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5942750A (en) * | 1994-12-16 | 1999-08-24 | Safety-One As | Method and device for continuous monitoring of dynamic loads |
CN101788551A (zh) * | 2010-01-07 | 2010-07-28 | 云南元磨高速公路建设指挥部 | 高速公路边坡病害自动化监测系统 |
CN102867110A (zh) * | 2012-08-22 | 2013-01-09 | 广东电网公司电力科学研究院 | 一种输电线路杆塔基础边坡暴雨灾害风险评估方法 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
KR101551413B1 (ko) * | 2014-05-13 | 2015-09-08 | 금오공과대학교 산학협력단 | 웹 기반 eoc의 급경사지 모니터링 방법 |
CN104143115A (zh) * | 2014-06-25 | 2014-11-12 | 中国矿业大学(北京) | 地质雷达技术实现土壤含水性分类识别的技术方法 |
CN104134080A (zh) * | 2014-08-01 | 2014-11-05 | 重庆大学 | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 |
CN108062448A (zh) * | 2017-12-25 | 2018-05-22 | 济南大学 | 预测边坡稳定性的建模及分析方法、设备和存储介质 |
CN109062763A (zh) * | 2018-07-31 | 2018-12-21 | 云南大学 | 一种从svn日志事件流中动态实时挖掘软件过程活动的方法 |
CN109800781A (zh) * | 2018-12-07 | 2019-05-24 | 北京奇艺世纪科技有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
CN109711547A (zh) * | 2018-12-24 | 2019-05-03 | 武汉邦拓信息科技有限公司 | 一种基于深度学习算法的污染源异常数据识别方法 |
Non-Patent Citations (3)
Title |
---|
Run-Length and Edge Statistics Based Approach for Image Splicing Detection;Jing Dong 等;《International Workshop on Digital Watermarking》;第5450卷;第76-87页 * |
地质灾害综合评估与区划模型;鲁光银;《中南大学学报:自然科学版》(第5期);第877-881页 * |
武汉长江大桥长期健康监测和安全评估系统研究;杜彦良 等;《铁道学报》;第37卷(第4期);第101-110页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112085044A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096535B (zh) | 一种基于双线性联合cnn的人脸验证方法 | |
CN103914735B (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
CN102201236B (zh) | 一种高斯混合模型和量子神经网络联合的说话人识别方法 | |
CN109816092A (zh) | 深度神经网络训练方法、装置、电子设备及存储介质 | |
CN107092894A (zh) | 一种基于lstm模型的运动行为识别方法 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN107016241A (zh) | 基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法 | |
CN105426875A (zh) | 一种基于深度卷积神经网络的人脸识别方法和考勤系统 | |
CN104299012A (zh) | 一种基于深度学习的步态识别方法 | |
CN110135558B (zh) | 基于可变强度组合测试的深度神经网络测试充分性方法 | |
CN111582199A (zh) | 一种人脸识别模型训练方法和人脸识别方法 | |
CN102024145A (zh) | 一种伪装人脸分层识别方法及系统 | |
CN103592587A (zh) | 基于数据挖掘的局部放电诊断方法 | |
CN103136540B (zh) | 一种基于隐结构推理的行为识别方法 | |
CN112087442B (zh) | 基于注意力机制的时序相关网络入侵检测方法 | |
CN103092975A (zh) | 基于主题共识覆盖率的网络社区垃圾信息检测与过滤方法 | |
CN109299690B (zh) | 一种可提高视频实时人脸识别精度的方法 | |
CN102487343A (zh) | 卫星通信系统隐故障诊断预测方法 | |
CN111415099A (zh) | 一种基于多分类BP-Adaboost的贫困生认定方法 | |
CN106778910A (zh) | 基于本地训练的深度学习系统和方法 | |
CN109190521A (zh) | 一种基于知识提纯的人脸识别模型的构建方法及应用 | |
CN110633689B (zh) | 基于半监督注意力网络的人脸识别模型 | |
CN101216886B (zh) | 一种基于谱分割理论的镜头聚类方法 | |
CN116933046A (zh) | 基于深度学习的多模态健康管理方案生成方法和系统 | |
CN110232327B (zh) | 一种基于梯形级联卷积神经网络的驾驶疲劳检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |