买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安理工大学申请的专利大坝变形监测数据异常值自适应识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116451161B 。

龙图腾网通过国家知识产权局官网在2025-11-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310272375.2，技术领域涉及：G06F18/2433；该发明授权大坝变形监测数据异常值自适应识别方法是由程琳;肖晟;杨杰;陈家敏;徐笑颜;贾冬焱设计研发完成，并于2023-03-20向国家知识产权局提交的专利申请。

本大坝变形监测数据异常值自适应识别方法在说明书摘要公布了：本发明公开的大坝变形监测数据异常值自适应识别方法，主要是通过引进BMS方法优选出大坝变形监控模型在建模过程的关键影响因子；然后，利用优选出的关键影响因子集建立大坝变形稳健回归模型，结合LTS估计方法，对大坝变形监测数据进行稳健回归分析，从而在无需进行数据预处理的情况下同时实现回归建模、数据异常值识别以及结构变形预测。本发明的大坝变形监测数据异常值自适应识别方法可以自适应地克服异常值对回归的误导效应，其结果增强了回归的显著性，同时有效提高了数据预测精度。

本发明授权大坝变形监测数据异常值自适应识别方法在权利要求书中公布了：1.大坝变形监测数据异常值自适应识别方法，其特征在于，具体包括以下步骤： 步骤1、根据工程实际确定需要进行异常值自适应识别的大坝变形测点，将对应测点的变形及其经验影响因子监测数据作为待构建稳健回归模型的数据集，并根据数据集大小和实际需要划分训练集和测试集； 步骤2、采用BMS方法对影响大坝变形的经验影响因子进行约简，采用BIC的向后剔除法剔除经验影响因子中的冗余因子，从而确定待构建稳健回归模型的关键影响因子； 步骤3、利用训练集的变形及其关键影响因子监测数据实测值构建多元线性回归模型，并通过LTS估计获得最终回归系数，从而建立基于BMS-LTS的稳健回归模型； 步骤4、将用于最终回归系数估计的若干个数据记为最佳数据群，剩余的数据则标记为异常，对数据序列中可能存在的水平移位异常进行识别，并采用双楔形图对异常值在数据序列中的变化情况进行可视化； 步骤5、将测试集的关键影响因子输入至步骤3训练好的基于BMS-LTS的稳健回归模型中，获得相应测点的大坝变形预测值； 步骤3具体包括以下步骤： 步骤3.1、将相应测点训练集的变形和经BMS方法选出的关键影响因子监测数据用于构建多元线性回归模型，设监测数据实测值的个数为，则多元线性回归模型表示为： 4 式中：为自变量，；为因变量，；为待估参数，；为随机误差项，；p为自变量的个数； 步骤3.2、采用LTS估计对步骤3.1中构建的多元线性回归模型进行参数估计，从个实测值中随机选择个不同的样本点组成样本子集，采用LS方法计算得到初始回归系数； 步骤3.3、将步骤3.2得到的初始回归系数代入步骤3.1中所建立的多元线性回归模型中，计算得到个实测值的平方残差，并将平方残差按升序排列，记前个实测值的平方残差之和为，给定任意参数，定义平方残差为： 5 式中：为第i样本点的监测数据实测值，为第i个样本点对应的平方残差； 步骤3.4、保留步骤3.3中具有最小平方残差的前个实测值所对应的样本，将其作为新的样本子集，采用LS方法计算得到新的回归系数； 步骤3.5、将步骤3.4得到的新的回归系数代入步骤3.1中所建立的多元线性回归模型中，计算得到n个实测值的平方残差，并将平方残差按升序排列，记前h个实测值的平方残差之和为； 步骤3.6、重复步骤3.2~步骤3.5，直至前h个实测值的平方残差之和收敛，则表达式为： 6 其中，的取值范围需满足； 步骤3.7、将步骤3.6中收敛时所对应的最终回归系数代入步骤3.1所建立的多元线性回归模型中，即获得基于BMS-LTS的稳健回归模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。