质复杂 网络特征值对比表。
[0128]表 13
[0129]由表13可以清楚地看出K1测点数据所形成的复杂网络具有较大的平均集聚系数 和较小的平均最短路径长度。平均最短路径长度值接近于1，说明该模式的转换时间大约为 2天左右，表现为了短程的相关性，而较大的平均集聚系数则说明各种波动模态之间存在着 关系较为紧密的一些群簇，它们之间的模式转换更为频繁。根据式（6)求得该网络模块度 为0. 00150,接近于0,因此认为该网络内部各群簇相互之间的关系表现的较为稀疏，不具 有社团结构。根据上述复杂网络指标可知，K1测点为典型测点，在日常的监测中应当进行 重点的监测。
[0130] 6、上游水温、下游水温与气温的分析
[0131] 整个试验过程的三组温度测值时间序列对应的复杂网络如图11所示，图11中（a) 为上游水温测值的复杂网络图，图11中（b)为下游水温测值的复杂网络图，图11中（c)为 气温测值的复杂网络图。
[0132] 上游水温测值对应的复杂网络中比较粗的线条对应的变化有：ee-ee，de-ee， ee-ed，ee-de，这些变化占了总数的72. 0%，对字频进行统计发现e，d出现的频率比较 高，可以认为温度整体上呈下降的趋势，通过对时间的统计发现这些变化多出现在：10月 18日到11月14日期间，亦符合自然规律的变化。
[0133] 下游水位的温度数据中，复杂网络中比较粗的线对应的边所代表的有向线段为： ee-ee，de-ee，ee-ed，ee-er，er-de，这些变化占了变化总数的71. 8%，对字频进 行统计发现e，d出现的频率比较高，可以认为温度整体上呈下降的趋势，通过对时间的统 计发现这些变化多出现在：1〇月18日到11月14日期间，亦符合自然规律的变化。
[0134] 而坝体的温度计数据中节点度比较高的节点有dd(308)，ff(213)，tt(207)， ee(185)，可以看出节点随机性比较强，没有相对统一的变化趋势，对节点的变化形式进行 统计发现，ff-ff，dd-dd，dd-de等几种变化发生次数最多，但是这些变化仅占到总变 化数的7. 8%，因而可以认为该组数据均不具有代表性，该网络的随机性比较强。
[0135] 下面对它们的拓扑性质分别进行分析，如表14所示为上、下游水温与气温复杂网 络指标。
[0136]
[0137]表 14
[0138] 通过表14中各组数据进行比较分析，很显然，上游温度数据更具有代表性，同时 上游的温度数据具有更小的模块度系数，证明其内部各群簇之间的关联比较稀疏，因此可 以认为该组数据不具备明显的社团结构。综合以上分析，上游温度的数据包含更多信息，在 日常的监测中应该进行重点的监测。
[0139] 本发明的创新点在于，时间序列特征的复杂网络分析方法采用粗粒化方法，有利 于克服数据误差对分析结果的影响，有利于实现不同尺度的分析；采用复杂网络分析方法， 可以发现各个测点的重要程度，有利于分析各个测点之间的相关关系，而且可以提取敏感 测点，从而及时准确地掌握堤坝的工程健康性态，有利于实现堤坝性态更有效预警。
[0140] 以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该 了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原 理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进 都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界 定。
【主权项】
1. 基于复杂网络的堤巧健康监测敏感测点分析方法，其特征在于，包括W下步骤： 1) 根据堤巧健康监测项目和测点，应用布设于测点的传感器获取堤巧对应测点的实际 测值时间序列； 2) 运用等概率粗粒化的方法，将测值时间序列转化成符号序列； 3) 把符号序列编码在复杂网络的拓扑结构中，构造复杂网路； 4) 对复杂网络的特征参数进行分析，获取该堤巧健康监测项目的敏感测点及其性态演 化规律，进行堤巧的工程健康性态判别。2. 根据权利要求1所述的基于复杂网络的堤巧健康监测敏感测点分析方法，其特征在 于：所述步骤1)中堤巧健康监测项目包括环境量、渗流场、溫度场和变形场。3. 根据权利要求1所述的基于复杂网络的堤巧健康监测敏感测点分析方法，其特征在 于：所述步骤2)中等概率粗粒化的方法，具体包括步骤， 2-1)设Xm。、和Xmm分别是测值时间序列的最大值和最小值，转化后的符号共有N种，记 为Si,82,Sn,走义 Si=S j，Xm"+(j-l)d《Xi< Xm"+jd，j= 1，…，N (1) 其中，N〉2,d= (Xmax-XmJ/N;由式（1)得到N种不同字符构成的符号序列； 2-。记堤巧测值时间序列为{χω=1，…，N}，通过式似计算测值时间序列波动k(t)，12) 其中，At为时间间隔； 2-3)通过式（3)计算不同波动值可能出现的概率P化)，(31 其中，Num(x)对应测值序列的波动模态X发生的次数； 2-4)把测值时间序列的波动k(t)分为5个区间，定义5个特征字符为式（4)，(4) 其中，t代表测值数值快速增加，r代表测值数值缓慢的增加，e代表测值数值不增不 减，d代表测值数值缓慢的降低，f代表测值数值快速的降低； 从而将测值时间序列转换成符号序列为式巧）， S= (S1S2S3…），(t，r，e，d，f) (5)。4. 根据权利要求1所述的基于复杂网络的堤巧健康监测敏感测点分析方法，其特征在 于：所述步骤3)中构造复杂网路，是在把符号序列编码在有向加权的复杂网络的拓扑结构 之后，通过excle2pajek软件转换成pajek软件可处理的格式。5. 根据权利要求1所述的基于复杂网络的堤巧健康监测敏感测点分析方法，其特征在 于：所述步骤4)中对复杂网络的特征参数进行分析，通过pajek软件进行。6. 根据权利要求1所述的基于复杂网络的堤巧健康监测敏感测点分析方法，其特征在 于：所述步骤4)中复杂网络的特征参数包括平均最短路径长度、平均集聚系数和模块度系 数。7. 根据权利要求2所述的基于复杂网络的堤巧健康监测敏感测点分析方法，其特征在 于：所述环境量包括溃巧前上游水位测点、溃巧前下游水位测点和大气压力测点； 所述渗流场包括渗压水位测点、渗流量测点和巧体水分测点； 所述溫度场采用分布式光纤测量，包括巧体表面气溫测点、库水溫测点、巧体内部溫度 测点、上游水溫测点和下游水溫测点； 所述变形场包括巧体表面变形测点、巧体内部变形测点和倾度测点。
【专利摘要】本发明公开了基于复杂网络的堤坝健康监测敏感测点分析方法，包括步骤有，根据堤坝健康监测项目，通过对应每一监测项目实测数据，得到反应工程健康状况的测值时间序列；运用等概率粗粒化的方法，将测值时间序列转化成符号序列；把符号序列编码在复杂网络的拓扑结构中，构造复杂网路；通过对复杂网络的特征参数进行分析，获取该堤坝健康监测项目的敏感测点及堤坝的性态演化规律。所提出的新方法具有有效识别重要测点和判别堤坝性态演化的能力，克服常规分析方法对数据误差的敏感性，可多尺度地发现各个测点的重要程度，实现各个测点之间相关关系的分析，并及时准确地掌握堤坝工程健康性态，实现堤坝性态的更有效预警。
【IPC分类】G06F17/50
【公开号】CN105404709
【申请号】CN201510691360
【发明人】方卫华, 周柏兵, 李政锴, 赵阳, 金有杰, 李晨希
【申请人】水利部南京水利水文自动化研究所
【公开日】2016年3月16日
【申请日】2015年10月22日