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！

龙图腾网恭喜中国水利水电科学研究院申请的专利一种基于RF-Adaboost模型在异常水情数据中的诊断与插补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：CN114493023B 。

龙图腾网通过国家知识产权局官网在2025-06-20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：202210116677.6，技术领域涉及：G06Q10/04；该发明授权一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法是由田雨;田青青;乔雨;刘盈斐;陈娟;穆杰;蒋云钟设计研发完成，并于2022-02-07向国家知识产权局提交的专利申请。

本一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法在说明书摘要公布了：本发明公开了一种基于RF‑Adaboost模型在异常水情数据中的诊断与插补方法，涉及水情监测技术领域，该方法包括以下步骤：获取实时水情数据，采用中值滤波对水情数据进行时间序列分析，绘制3‑Sigma图，基于3‑Sigma图对异常数据进行实时识别诊断；构建基于随机森林RF改进的Adaboost模型并训练，应用RF‑Adaboost模型对水情监测数据进行实时预测，并对异常数据进行插补，采用该方法可以有效提高水情监测数据的实时预测和监测，对于异常数据能够及时诊断、插补，从而可以提高数据的可靠性、客观反映水情变化、有效指导工程调度。

本发明授权一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法在权利要求书中公布了：1.一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法，其特征在于，包括以下步骤： S1，对获取的水情监测数据进行中值滤波分析，得到时间序列的趋势项和残差项； S2，采用3-Sigma图法对异常数据进行实时诊断； S3，构建基于RF改进的Adaboost模型并训练，模型输入为剔除噪声值、缺失值和异常值的水情数据的时刻，输出为水情数据的流量； S4，应用基于RF-Adaboost模型对水情数据进行实时预测以及异常值的插补，输出预测变量； 所述预测变量指水情实时监测数据，包括节制闸水位和流量； 步骤S1具体包括： S11，对获取的水情数据定义一个长度L＝3的长窗口；设在某一个时刻，窗口内的信号样本为xi-1，xi，xi+1，其中xi为位于窗口中心的信号样本值；对这3个信号样本按样本值从小到大的顺序排列后，其中在i处的样本值，便定义为中值滤波的输出值，从而消除孤立的噪声点，即为所述时间序列的趋势项； S12，计算所述时间序列的趋势项与实测值的差值，即为所述残差项； 步骤S2具体包括： 所述实时诊断的标准具体为：数据小于μ-βσ或大于μ+βσ为异常数据，其中μ为均值，σ为标准差，β为可变参数； 步骤S3具体包括： 给定训练数据集：x1,y1,......,xN,yN，其中yi∈{1,-1}用于表示训练样本的类别标签； S31，初始化样本集权重为 式中：D1i表示训练样本集的初始权重分布； w1i为每一个训练样本最开始被赋予相同的权重； N为样本的个数； S32，进行多轮迭代，用m＝1,2,...,N表示迭代的第多少轮 a选取RF作为基本分类器，对具有数据权重分布Dm的训练数据集学习，计算弱分类器Gmx； 上式表示所述弱分类器Gmx通过一个阈值来对样本数据进行分类，所有在阈值一边的数据会分到类别-1，而在另外一边的数据会分到类别+1； b计算所述弱分类器Gmx在训练数据集上的分类误差率 式中：em为误差率； PGmxi≠yi为Gmxi≠yi的概率，即分错的概率； IGmxi≠yi：即若Gmxi＝yi时，I＝1，否则I＝0； wmi为第m轮迭代时第i个训练样本被赋予的权重； 由此看出所述数据权重分布Dm与所述弱分类器Gmx的分类误差率的关系； c计算所述弱分类器Gmx的系数： αm表示所述弱分类器Gmx在最终分类器中的重要程度，当时，αm≥0，并且αm随着em的减小而增大； 此时分类器为：fmx＝αmGmx d更新训练数据的权值分布，用于下一轮迭代： Dm+1＝wm+1,1,wm+1,2...wm+1,i...,wm+1,N4 这里Zm是规范化因子,使得Dm+1成为一个概率分布： S33，按弱分类器权重αm组合各个弱分类器，即 通过符号函数sign的作用，得到一个强分类器为：

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中国水利水电科学研究院，其通讯地址为：100038 北京市海淀区车公庄西路20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”。