基于小波-支持向量机的工业取水异常数据挖掘与重构

摘要

提高取水监测数据质量是水资源管理中的紧迫问题.以工业取水监测数据为样本,梳理其异常类别,按照"粗筛选-精识别-再重构"思路,提出基于分段式3σ准则与小波变换、Fourier函数相结合的多尺度工业取水监测异常数据识别方法.采用自适应惯性函数与粒子群优化的最小二乘支持向量机模型重构恢复异常数据.结果表明,分段式3σ准则对数据的粗处理效果较好,采用Fourier函数可有效降低数据小波变换中的信息损失,提高异常数据的识别精准度.采用惯性函数-粒子群优化的LSSVM模型可满足异常数据较高精度的重构恢复需求,其重构精度强于LSSVM、PSO-LSSVM和传统的曲线拟合方法.该方法可为提高水资源数据的决策支持能力提供良好的方法参考.