基于Kmeans-EMD與IWOA-Elman的碾壓速度異常值檢測與修正

喬天誠，佟大威，王佳俊，關(guān) 濤，吳斌平

(天津大學(xué) 水利工程仿真與安全國家重點(diǎn)實(shí)驗(yàn)室，天津 300072)

1 研究背景

目前，水利工程建設(shè)已逐步趨于智能化。由于在大壩建設(shè)過程中的壓實(shí)質(zhì)量實(shí)時(shí)評價(jià)可有效彌補(bǔ)事后評價(jià)的低時(shí)效性，極大提升工程質(zhì)量的控制水平與效率，因而其評價(jià)方法得到了廣泛研究[1-2]。筑壩碾壓監(jiān)控系統(tǒng)可實(shí)現(xiàn)對施工過程的有效控制，為壓實(shí)質(zhì)量評價(jià)奠定數(shù)據(jù)基礎(chǔ)，因此該系統(tǒng)已普遍應(yīng)用于大壩施工過程[3-5]。但碾壓監(jiān)控系統(tǒng)僅側(cè)重對碾壓速度的整體把控，即動態(tài)采集與調(diào)整，卻未實(shí)現(xiàn)對碾壓速度異常值的檢測與修正，因而無法保障所采集的碾壓速度數(shù)據(jù)的質(zhì)量。

大壩填筑碾壓速度是評價(jià)其壓實(shí)質(zhì)量的重要指標(biāo)[6-7]，在監(jiān)控過程中，碾壓速度的本質(zhì)是依托GPS(global positioning system)定位設(shè)備采集的連續(xù)時(shí)間序列，但GPS定位設(shè)備存在定位漂移、數(shù)傳延遲等問題，且人為因素與倉面平整度也會導(dǎo)致數(shù)據(jù)異常。異常值不僅會影響碾壓速度的數(shù)據(jù)質(zhì)量，還易降低壓實(shí)質(zhì)量的評價(jià)精度，但當(dāng)前尚缺乏相關(guān)分析方法，無法有效實(shí)現(xiàn)碾壓速度的異常值檢測與修正，故開展基于Kmeans-EMD與IWOA-Elman的碾壓速度異常值檢測與修正研究具有重要意義。

異常值是導(dǎo)致數(shù)據(jù)質(zhì)量降低的重要因素，在各行業(yè)內(nèi)均得到極大重視，其相關(guān)研究也取得了豐碩成果，如孤立森林算法[8]、移動小波樹[9]、LOF指數(shù)法[10]、箱線圖法[11]等均被成功應(yīng)用于異常值檢測。但由于碾壓速度具有較強(qiáng)的時(shí)序變化特征，平穩(wěn)性較差，其加速與減速階段的交互影響不利于基于統(tǒng)計(jì)學(xué)方法的異常值檢測，故本文通過Kmeans算法[12]與EMD(empirical mode decomposition)[13]從定性與定量兩個(gè)角度檢測碾壓速度中的異常值，以保障異常值檢測的精度。

盡管異常值檢測是確保數(shù)據(jù)質(zhì)量的基礎(chǔ)，但異常值檢測卻會破壞原有的數(shù)據(jù)序列結(jié)構(gòu)，因此異常值修正同樣是確保數(shù)據(jù)質(zhì)量的重要部分。異常值修正可確定異常位置下的合理取值，保障數(shù)據(jù)的完整性，提高數(shù)據(jù)可靠性[14]。碾壓速度作為一維時(shí)間序列，其異常值修正通常需依托同序列的其他數(shù)據(jù)并結(jié)合預(yù)測模型實(shí)現(xiàn)，如支持向量機(jī)[15]、徑向基神經(jīng)網(wǎng)絡(luò)[16]、極限學(xué)習(xí)機(jī)[17-18]、長短期記憶神經(jīng)網(wǎng)絡(luò)[19]、Elman神經(jīng)網(wǎng)絡(luò)[20]等均可用于異常值修正。而其中，Elman神經(jīng)網(wǎng)絡(luò)承接層的設(shè)定使其具有更高的敏感性和更強(qiáng)的動態(tài)信息記憶與處理能力[21]，故本文將基于Elman神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)碾壓速度的異常值修正，并利用鯨魚優(yōu)化算法(whale optimization algorithm，WOA)優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值，同時(shí)針對WOA存在的不足進(jìn)行改進(jìn)，形成IWOA-Elman神經(jīng)網(wǎng)絡(luò)。

綜上所述，本文將基于Kmeans算法、EMD、IWOA-Elman神經(jīng)網(wǎng)絡(luò)開展有關(guān)碾壓速度異常值檢測與修正的研究：首先，結(jié)合碾壓速度的時(shí)序變化特征，利用Kmeans算法與EMD從定性與定量兩個(gè)角度檢測碾壓速度中的異常值；進(jìn)而，為保障碾壓速度數(shù)據(jù)的完整性與可靠性，確保良好的數(shù)據(jù)序列結(jié)構(gòu)，利用IWOA-Elman神經(jīng)網(wǎng)絡(luò)構(gòu)建碾壓速度異常值修正模型，從而提高碾壓速度的數(shù)據(jù)質(zhì)量，為壓實(shí)質(zhì)量高精度評價(jià)奠定良好的數(shù)據(jù)基礎(chǔ)。

2 研究方法

本文結(jié)合Kmeans算法與EMD對碾壓速度進(jìn)行異常值檢測，并利用IWOA-Elman神經(jīng)網(wǎng)絡(luò)構(gòu)建碾壓速度異常值修正模型，以提高碾壓速度的數(shù)據(jù)質(zhì)量，研究框架如圖1所示，具體研究方法如下：

圖1 筑壩碾壓速度異常值檢測與修正的研究框架

(1)本文研究基于西南地區(qū)某心墻堆石壩工程開展，考慮到心墻堆石壩心墻區(qū)壓實(shí)質(zhì)量對大壩整體建設(shè)質(zhì)量有重要影響，故選擇心墻區(qū)凸塊碾壓機(jī)速度監(jiān)控?cái)?shù)據(jù)為研究對象；

(2)本文通過以下4方面內(nèi)容實(shí)現(xiàn)對碾壓速度異常值的檢測與修正：①結(jié)合碾壓速度的時(shí)序變化特征，先后利用Kmeans算法與EMD對碾壓速度中的異常值做初步定性與精細(xì)定量檢測，保障異常值檢測的精度；②利用混沌種群初始化、非線性收斂因子、自適應(yīng)慣性權(quán)重與鯰魚效應(yīng)-黃金正弦改進(jìn)WOA，彌補(bǔ)WOA在解決復(fù)雜優(yōu)化問題時(shí)收斂速度慢、收斂精度低的不足；③利用IWOA(improved whale optimization algorithm)優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的初始閾值與權(quán)值，提高Elman神經(jīng)網(wǎng)絡(luò)的泛化能力與預(yù)測精度，強(qiáng)化網(wǎng)絡(luò)穩(wěn)定性，避免輸出結(jié)果陷入局部最優(yōu)；④基于IWOA-Elman神經(jīng)網(wǎng)絡(luò)構(gòu)建碾壓速度異常值修正模型，保障數(shù)據(jù)的完整性與可靠性；

(3)將本文提出的碾壓速度異常值檢測與修正方法應(yīng)用于選定的心墻區(qū)凸塊碾壓機(jī)速度監(jiān)控?cái)?shù)據(jù)中，驗(yàn)證本文方法的有效性，并通過與箱線圖法及Elman神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)的對比，驗(yàn)證本文異常值檢測與修正方法的優(yōu)越性。

3 碾壓速度異常值檢測與修正方法

3.1 基于Kmeans-EMD的碾壓速度異常值檢測

3.1.1 基于Kmeans算法的異常值初步定性檢測 Kmeans算法又稱K均值算法，是一類典型的基于距離的聚類算法，因結(jié)構(gòu)清晰、收斂速度快而被廣泛應(yīng)用于聚類及異常值檢測問題中[22-23]。

Kmeans算法的基本思想是在碾壓速度數(shù)據(jù)集D={X1，X2，…，Xm}中選取K個(gè)樣本作為簇心，即質(zhì)心Zj(j=1，2，…，K)，進(jìn)而計(jì)算各樣本Xi(i=1，2，…，m)與K個(gè)質(zhì)心間的歐式距離dij，并將各樣本劃分至所距最近質(zhì)心的所在簇，得到K個(gè)簇Cj(j=1，2，…，K)，然后逐步計(jì)算新簇質(zhì)心，并重復(fù)上述步驟，直到聚類準(zhǔn)則函數(shù)收斂，聚類準(zhǔn)則函數(shù)如式(1)所示。

(1)

E值表征了聚類后所得各簇的最小化平方誤差，E值越小則簇中碾壓速度數(shù)據(jù)圍繞質(zhì)心越緊密，簇內(nèi)相似度越高，聚類效果越好，因此各簇內(nèi)碾壓速度數(shù)據(jù)均應(yīng)表現(xiàn)出聚集性，但異常值會因不滿足碾壓速度的基本變化特征而偏離質(zhì)心位置，表現(xiàn)出離群性，故可結(jié)合這一特性實(shí)現(xiàn)異常值的初步定性檢測，從而弱化異常值對EMD分解結(jié)果的影響。

3.1.2 基于EMD的異常值精細(xì)定量檢測 EMD是一種針對非線性、非平穩(wěn)時(shí)間序列的自適應(yīng)分解方法，在使用時(shí)無需設(shè)定任何基函數(shù)，僅依托序列自身的時(shí)間尺度即可將數(shù)據(jù)分解為若干不同頻率的子序列，即本征模態(tài)函數(shù)(intrinsic mode function，IMF)和代表趨勢項(xiàng)序列的殘差余項(xiàng)(residual，R)[24]。

EMD在應(yīng)用時(shí)需確定碾壓速度序列v(t)的均值vm(t)及v(t)與vm(t)間的差值h1(t)，若h1(t)滿足：①極值點(diǎn)的數(shù)目與過零點(diǎn)的數(shù)目相等或至多相差1；②上、下包絡(luò)線均值為0。則令c1(t)=h1(t)，并以c1(t)為IMF第一分量，若不滿足，則視h1(t)為待分解序列v(t)，重復(fù)上述過程直至滿足要求。而后，從v(t)中分離出c1(t)，得到余項(xiàng)序列r1(t)=v(t)-c1(t)，再令r1(t)為待分解序列，并依次重復(fù)上述步驟，得到c2(t)，c3(t)，…，cn(t)，若殘差余項(xiàng)rn(t)為常數(shù)或單調(diào)函數(shù)，則分解結(jié)束，得到n個(gè)IMF分量和殘差余項(xiàng)rn(t)。

IMF分量較原碾壓速度序列有更簡單的波動規(guī)律，其中，高頻分量反映了碾壓速度序列中的高頻與噪聲信息，殘差余項(xiàng)R與低頻分量則分別粗略和細(xì)致地描述了碾壓速度序列的變化趨勢。

為實(shí)現(xiàn)異常值的精細(xì)定量檢測，本文首先利用經(jīng)Kmeans算法剔除異常值后的碾壓速度序列v(t)組成序列v′(t)；其次，利用EMD對v′(t)進(jìn)行分解，得到v′(t)的各IMF分量及余項(xiàng)R；再次，由后至前選擇m個(gè)分量進(jìn)行疊加，構(gòu)成序列m(t)，以弱化噪聲影響，保留變化趨勢；最后，分析v′(t)與m(t)間的偏離程度d(t)，d(t)的計(jì)算如式(2)所示，并定義偏離程度閾值d0，當(dāng)d(t)>d0時(shí)認(rèn)為該時(shí)刻對應(yīng)的值為異常值。

(2)

3.2 基于IWOA-Elman神經(jīng)網(wǎng)絡(luò)的碾壓速度異常值修正模型

3.2.1 IWOA簡介 IWOA是WOA的改進(jìn)，WOA是受座頭鯨狩獵行為啟發(fā)提出的一種智能算法，具體可參考Mirjalili等[25]的描述。WOA通過模擬座頭鯨狩獵時(shí)的包圍式捕獵、氣泡網(wǎng)式捕獵和隨機(jī)式捕獵行為搜索最優(yōu)解，在尋優(yōu)過程中所需參數(shù)少、全局收斂性強(qiáng)，相比粒子群算法、遺傳算法等優(yōu)化算法，不僅易于實(shí)現(xiàn)，亦能滿足精度要求，適用于本文對Elman神經(jīng)網(wǎng)絡(luò)初始閾值和權(quán)值的優(yōu)化[25-26]。

但本文對Elman神經(jīng)網(wǎng)絡(luò)初始閾值和權(quán)值的優(yōu)化屬多參數(shù)復(fù)雜優(yōu)化問題，而WOA在解決此類問題時(shí)，仍存在收斂速度慢、收斂精度低、后期開發(fā)能力較弱的缺陷，且算法本身的趨同性易導(dǎo)致搜索陷入局部最優(yōu)。

針對上述問題：

(1)本文利用混沌機(jī)制初始化WOA種群[27]，通過隨機(jī)遍歷搜索空間的方式強(qiáng)化種群個(gè)體的多樣性，提高初始種群質(zhì)量，強(qiáng)化算法的搜索效率與尋優(yōu)能力，以避免因隨機(jī)初始化種群造成的可行解搜索范圍變大、搜索速度降低、尋優(yōu)精度下降等問題。該方法在實(shí)現(xiàn)過程中首先隨機(jī)生成實(shí)數(shù)向量Xi，而后根據(jù)公式(3)生成其余個(gè)體初始位置。

Xi+1=mod(Xi+1/5-(4π)-1·sin(2π·Xi),1)

(3)

式中：Xi為第i個(gè)體的位置；mod為求余函數(shù)。

(2)本文引入非線性收斂因子a[28]，以解決收斂因子若通過線性方式由2遞減至0則難以適應(yīng)實(shí)際優(yōu)化搜索過程的問題，進(jìn)而有效平衡全局與局部搜索，非線性收斂因子如公式(4)所示。

(4)

式中：a為收斂因子；t為當(dāng)前迭代次數(shù)；tmax為最大迭代次數(shù)；μ為衰減系數(shù)，μ>0，本文取0.6。

(3)本文提出一種自適應(yīng)慣性權(quán)重策略，使種群可以根據(jù)搜索情況改變收斂速度，以快速收斂至全局最優(yōu)解。該策略可在搜索前期獲得較大步長，提高搜索效率，而在后期獲得較小步長，提高尋優(yōu)精度，自適應(yīng)慣性權(quán)重如公式(5)所示。

(5)

式中：w為慣性權(quán)重；t為當(dāng)前迭代次數(shù)；tmax為最大迭代次數(shù)；wmin為慣性權(quán)重的最小值，本文取0.4；wmax為慣性權(quán)重的最大值，本文取0.9。

(4)本文結(jié)合鯰魚效應(yīng)策略[29]對WOA進(jìn)行改進(jìn)，若最優(yōu)解在規(guī)定迭代次數(shù)內(nèi)沒有進(jìn)化，則更新種群內(nèi)適應(yīng)度較差的90%個(gè)體的位置，以恢復(fù)種群活力，提高算法跳出局部最優(yōu)的能力，避免算法早熟。其中，位置更新過程引入黃金正弦算法實(shí)現(xiàn)[30]，如公式(6)～(9)所示。

X(t+1)=X(t)·│sin(r1)│-r2·sin(r1)·D

(6)

D=│x1·Pt-x2·X(t)│

(7)

x1=-π+(1-V)·2π

(8)

x2=-π+V·2π

(9)

3.2.2 IWOA-Elman神經(jīng)網(wǎng)絡(luò)模型 本文以均方根誤差(root mean square error，RMSE)作為適應(yīng)度函數(shù)評價(jià)IWOA的尋優(yōu)情況，并利用尋優(yōu)結(jié)果優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的初始閾值與權(quán)值[31-32]，以提高Elman神經(jīng)網(wǎng)絡(luò)的泛化能力，彌補(bǔ)傳統(tǒng)Elman神經(jīng)網(wǎng)絡(luò)通過隨機(jī)方式生成初始閾值與權(quán)值易導(dǎo)致模型訓(xùn)練過程收斂穩(wěn)定性下降的不足，避免輸出結(jié)果陷入局部最優(yōu)，提高神經(jīng)網(wǎng)絡(luò)的預(yù)測精度，IWOA-Elman神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建步驟如圖2所示，具體解釋如下：

(1)初始化WOA參數(shù)并根據(jù)Elman神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)確定鯨魚群搜索維度，本文鯨魚群搜索維度為Elman神經(jīng)網(wǎng)絡(luò)閾值與權(quán)值的數(shù)量和：

K=E·F+F·H+F+H

(10)

式中：K為鯨魚群搜索維度；E為輸入層神經(jīng)元個(gè)數(shù)；F為隱含層神經(jīng)元個(gè)數(shù)；H為輸出層神經(jīng)元個(gè)數(shù)。

(2)利用混沌機(jī)制初始化鯨魚個(gè)體位置；

(3)計(jì)算各鯨魚個(gè)體初始位置適應(yīng)度，并記錄當(dāng)前適應(yīng)度最優(yōu)個(gè)體的所在位置X′及其適應(yīng)度Y′；

(4)引入非線性收斂因子及自適應(yīng)慣性權(quán)重，更新鯨魚個(gè)體的a、w等參數(shù)；

(5)依據(jù)WOA包圍式捕獵、氣泡網(wǎng)式捕獵和隨機(jī)式捕獵行為的執(zhí)行條件，確定當(dāng)前行為模式，得到鯨魚個(gè)體更新后的位置；

(6)經(jīng)位置更新后，再次確定各鯨魚個(gè)體的適應(yīng)度，并記錄具有最優(yōu)適應(yīng)度個(gè)體的位置X及其適應(yīng)度Y，若Y優(yōu)于已有的Y′則更新Y′與X′，反之則進(jìn)入步驟(7)；

(7)判斷Y′在規(guī)定迭代次數(shù)下是否進(jìn)化，若進(jìn)化則進(jìn)入步驟(8)，反之則引入鯰魚效應(yīng)-黃金正弦對適應(yīng)度較差的90%個(gè)體的位置進(jìn)行更新，再進(jìn)入步驟(8)；

(8)則重復(fù)執(zhí)行步驟(4)～步驟(7)，直到滿足迭代終止條件時(shí)，認(rèn)為算法已生成最優(yōu)解，此時(shí)最優(yōu)解保存于X′；

(9)利用最優(yōu)解X′優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的初始閾值與權(quán)值，實(shí)現(xiàn)IWOA-Elman神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建。

4 實(shí)例工程應(yīng)用

以西南地區(qū)某心墻堆石壩心墻區(qū)凸塊碾壓機(jī)速度監(jiān)控?cái)?shù)據(jù)為研究對象，共采集到1 423個(gè)連續(xù)的碾壓速度序列點(diǎn)，其碾壓速度數(shù)據(jù)值=實(shí)際碾壓速度(km/h)×100，在此基礎(chǔ)上，利用本文所提方法開展碾壓速度的異常值檢測與修正。

4.1 異常值檢測結(jié)果

對碾壓速度而言，其異常值通常表現(xiàn)為異常大值或異常小值，而異常小值多由變換條帶的正常工作流程導(dǎo)致，且異常大值對應(yīng)的超速情況會使單位時(shí)間內(nèi)填筑料的碾壓功輸入不足，相比變換條帶的減速階段更易導(dǎo)致填筑料壓實(shí)不充分，從而影響壓實(shí)質(zhì)量評價(jià)結(jié)果[33]，故本文的異常值檢測主要面向碾壓速度中的異常大值，并基于Kmeans算法與EMD實(shí)現(xiàn)。

4.1.1 基于Kmeans算法的異常值檢測結(jié)果 本文通過對碾壓機(jī)工作狀態(tài)(速度穩(wěn)定、加速與減速)的區(qū)分與試驗(yàn)分析，判斷當(dāng)Kmeans算法簇個(gè)數(shù)為3時(shí)即可解釋不同的數(shù)據(jù)情況，亦可確保聚類結(jié)果穩(wěn)定，Kmeans算法異常值檢測結(jié)果如圖3所示。

圖3 基于Kmeans算法的碾壓速度異常值檢測結(jié)果

由圖3可知，碾壓速度中的異常大值均體現(xiàn)在1號簇，且圖中放大的紅色標(biāo)號位置，即序列589和806位置為明顯異常大值，可將其定義為異常值；而放大的黑色標(biāo)號位置則為模糊異常大值，無法直接通過Kmeans算法判斷，需經(jīng)EMD的二次分析。

4.1.2 基于EMD的異常值檢測結(jié)果 由于Kmeans算法僅能定性檢測異常值，以弱化明顯異常大值對EMD分解結(jié)果的影響，卻無法實(shí)現(xiàn)對模糊異常大值的判斷，故本文在將Kmeans算法檢測出的異常值剔除后，利用EMD對組成序列v′(t)進(jìn)行分解，共獲得10個(gè)分量，包括9個(gè)IMF分量與余項(xiàng)R，如圖4所示，進(jìn)而利用選定的IMF分量與余項(xiàng)R構(gòu)建新序列，并結(jié)合公式(2)進(jìn)一步判斷異常值位置，實(shí)現(xiàn)異常值的精細(xì)定量檢測。

圖4 碾壓速度序列的EMD分解結(jié)果

根據(jù)前文3.1.2節(jié)中的描述與試驗(yàn)分析，本文選定m值為5，即利用后4個(gè)IMF分量與余項(xiàng)R構(gòu)建序列m(t)，并確定偏離程度閾值d0為0.35。EMD異常值檢測結(jié)果如圖5所示，圖5中圓圈對應(yīng)的序列位置為異常值所在位置，黑色實(shí)線為利用IMF分量與余項(xiàng)R構(gòu)建的序列m(t)。

圖5 基于EMD的碾壓速度異常值檢測結(jié)果

如圖5所示，EMD異常值檢測通過去除高頻與噪聲分量實(shí)現(xiàn)對碾壓速度的濾波處理，有效避免了對異常大值的誤判。EMD異常值檢測結(jié)果表明碾壓速度序列中118、120、1 225、1 226、1 227、1 228、1 375、1 376和1 378位置均為異常值，應(yīng)予以剔除。

4.1.3 Kmeans-EMD對異常值檢測的優(yōu)勢 本文以箱線圖異常值檢測方法[34]作為對比，論證Kmeans算法與EMD聯(lián)合運(yùn)用于異常值檢測的優(yōu)勢。箱線圖異常值檢測結(jié)果如圖6所示。本文所用碾壓速度數(shù)據(jù)對應(yīng)的箱線圖上限與下限分別為351.5和219.5，即圖6中兩虛線之外的序列位置均為箱線圖所檢測的異常值。由圖6可知，盡管箱線圖可基于統(tǒng)計(jì)學(xué)原理實(shí)現(xiàn)異常值檢測，卻沒有考慮碾壓速度的時(shí)序變化特征，易將連續(xù)超速值均檢測為異常值，故本文異常值檢測方法具有更高的檢測精度。

圖6 基于箱線圖的碾壓速度異常值檢測結(jié)果

4.2 IWOA-Elman神經(jīng)網(wǎng)絡(luò)異常值修正結(jié)果

為確定異常值位置下碾壓速度的合理取值，以保障數(shù)據(jù)的完整性，強(qiáng)化數(shù)據(jù)的可靠性，本文構(gòu)建了IWOA-Elman神經(jīng)網(wǎng)絡(luò)碾壓速度異常值修正模型。設(shè)定鯨魚種群數(shù)為10，最大迭代次數(shù)為500，規(guī)定迭代次數(shù)為20，Elman神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元為5，訓(xùn)練函數(shù)為traingdx，碾壓速度數(shù)據(jù)總數(shù)為1 423。為實(shí)現(xiàn)對碾壓速度序列的預(yù)測，并考慮到碾壓速度序列預(yù)測組構(gòu)建時(shí)不應(yīng)過多影響原序列的完整性[35]，且前10個(gè)數(shù)據(jù)中不含異常值，本文以10個(gè)碾壓速度序列為一組，將各組的10個(gè)碾壓速度序列作為輸入數(shù)據(jù)，預(yù)測下一組中第1個(gè)碾壓速度數(shù)據(jù)值。經(jīng)上述處理，本文共得到1 413組數(shù)據(jù)，規(guī)定前1 300組為訓(xùn)練集，后113組為測試集，輸出序列中不包括原碾壓速度序列中的前10個(gè)數(shù)據(jù)值。IWOA-Elman神經(jīng)網(wǎng)絡(luò)測試集輸出結(jié)果如圖7所示。

圖7 IWOA-Elman神經(jīng)網(wǎng)絡(luò)碾壓速度測試集輸出結(jié)果

由圖7可知，IWOA-Elman神經(jīng)網(wǎng)絡(luò)可較好擬合真實(shí)值情況，盡管變更條帶的減速過程在數(shù)值表現(xiàn)上的時(shí)間相關(guān)性較弱，在一定程度上影響了IWOA-Elman神經(jīng)網(wǎng)絡(luò)的擬合效果，但相關(guān)性分析表明測試集相關(guān)系數(shù)仍達(dá)到0.907 75，且在與Elman神經(jīng)網(wǎng)絡(luò)及BP神經(jīng)網(wǎng)絡(luò)的對比中體現(xiàn)出優(yōu)越性，相關(guān)系數(shù)對比結(jié)果如表1所示，即IWOA-Elman神經(jīng)網(wǎng)絡(luò)在碾壓速度序列的擬合上具有較高的魯棒性與擬合精度，其修正結(jié)果亦可有效體現(xiàn)碾壓速度的時(shí)間相關(guān)性。

表1 不同神經(jīng)網(wǎng)絡(luò)形式的測試集相關(guān)系數(shù)對比

利用IWOA-Elman神經(jīng)網(wǎng)絡(luò)碾壓速度異常值修正模型獲取碾壓速度序列中118、120、589、806、1 225、1 226、1 227、1 228、1 375、1 376和1 378位置的預(yù)測值并對原碾壓速度序列進(jìn)行替換，替換后各位置下碾壓速度數(shù)據(jù)值分別為310.2、279.6、339.9、361.2、322.3、304.3、310.8、328.7、312.5、323.7及303.0。

為評價(jià)替換后的數(shù)據(jù)質(zhì)量，對替換后的碾壓速度再次進(jìn)行Kmeans聚類，結(jié)果如圖8所示。由圖8可知，經(jīng)異常值檢測與修正后，碾壓速度數(shù)據(jù)質(zhì)量得到明顯提升，不存在異常大值，可為壓實(shí)質(zhì)量高精度評價(jià)提供良好的數(shù)據(jù)基礎(chǔ)。

圖8 以碾壓速度修正值替換后Kmeans異常值檢測結(jié)果

4.3 討 論

本文研究在綜合考慮碾壓速度時(shí)序變化特征的基礎(chǔ)上，實(shí)現(xiàn)了基于Kmeans-EMD的碾壓速度異常值檢測和基于IWOA-Elman神經(jīng)網(wǎng)絡(luò)的異常值修正，相較于傳統(tǒng)方法，本文方法具有更高的異常值檢測與修正精度，不僅可確保更好的數(shù)據(jù)完整性與可靠性，還可為壓實(shí)質(zhì)量高精度評價(jià)提供良好的數(shù)據(jù)基礎(chǔ)，能有效彌補(bǔ)當(dāng)前有關(guān)碾壓速度數(shù)據(jù)異常值檢測與修正研究的空白，提高了碾壓速度的數(shù)據(jù)質(zhì)量。但本文異常值檢測與修正方法不適用于碾壓速度缺失較多的狀況，且由于碾壓施工過程工藝情況復(fù)雜，其超速與減速階段間可能存在復(fù)雜的相互影響，而本文僅通過單位時(shí)間內(nèi)填筑料碾壓功的輸入情況判斷異常值檢測主要面向的數(shù)據(jù)類型，后續(xù)研究還需深入探討碾壓速度與壓實(shí)質(zhì)量間的相關(guān)關(guān)系，以準(zhǔn)確界定碾壓速度異常值檢測的數(shù)據(jù)范圍。

5 結(jié) 論

目前在大壩壩體填筑施工中，尚無碾壓速度異常值的檢測與修正方法，因而難以確保碾壓速度的數(shù)據(jù)質(zhì)量，還易導(dǎo)致壓實(shí)質(zhì)量評價(jià)精度的降低。針對這一現(xiàn)狀，本文開展了基于Kmeans-EMD與IWOA-Elman的碾壓速度異常值檢測與修正研究，得到的主要結(jié)論如下：

(1)提出基于Kmeans算法與EMD的異常值檢測方法：首先利用Kmeans算法對碾壓速度進(jìn)行聚類，通過將明顯異常大值定義為異常值，實(shí)現(xiàn)對異常值的初步定性檢測；再利用EMD對處理后的碾壓速度序列進(jìn)行分解，并通過選用的IMF分量與余項(xiàng)R構(gòu)建新序列，實(shí)現(xiàn)基于偏離程度閾值d0的異常值精細(xì)定量檢測。實(shí)例工程應(yīng)用結(jié)果表明，Kmeans算法和EMD的聯(lián)合運(yùn)用相比箱線圖法可更高精度地檢測碾壓速度中的異常值，有助于提高數(shù)據(jù)質(zhì)量。

(2)構(gòu)建IWOA-Elman神經(jīng)網(wǎng)絡(luò)碾壓速度異常值修正模型：首先，利用混沌種群初始化、非線性收斂因子、自適應(yīng)慣性權(quán)重與鯰魚效應(yīng)-黃金正弦改進(jìn)WOA，彌補(bǔ)WOA在解決復(fù)雜優(yōu)化問題時(shí)收斂速度慢、收斂精度低的不足；其次，利用IWOA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的初始閾值與權(quán)值，提高Elman神經(jīng)網(wǎng)絡(luò)的泛化能力，強(qiáng)化網(wǎng)絡(luò)穩(wěn)定性，避免輸出結(jié)果陷入局部最優(yōu)；最后，基于IWOA-Elman神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)碾壓速度的異常值修正，確保數(shù)據(jù)的完整性和可靠性。實(shí)例工程應(yīng)用結(jié)果表明，IWOA-Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與原碾壓速度數(shù)據(jù)間擬合情況良好，相關(guān)系數(shù)達(dá)到0.907 75，相比常規(guī)模型不僅可實(shí)現(xiàn)更有效的異常值修正，保障數(shù)據(jù)序列結(jié)構(gòu)，還可為壓實(shí)質(zhì)量高精度評價(jià)奠定良好的數(shù)據(jù)基礎(chǔ)。