据悉，数据清洗是轨道交通结构健康监测数据预处理很重要的内容之一。在轨道交通结构健康监测实际应用中，经常会出现由于布置的传感器故障或者数据传输问题而导致监测数据中存在隐含错误信息的异常值。由于异常值的存在可能会导致错误的结构识别结果，对结构的健康状态产生误判，严重影响轨道结构健康监测系统的正常运营，因此需要对监测数据进行异常值的数据清洗。

说明书介绍，轨道交通监测数据量相对桥梁监测数据量较少，且每个时刻采样点的数据都比较重要，异常数据清洗算法应尽量避免误剔除。考虑轨道交通结构健康监测系统的独特性，现行其它结构健康监测中数据处理方法并不适用，因此亟需建立针对轨道交通健康监测数据的数据清洗方法.

据了解，本发明所提出的基于贝叶斯推理的轨道交通监测数据清洗方法及系统，包括稀疏贝叶斯极限学习机模型的训练、根据模型划分数据集实现异常概率的计算、异常值的迭代求解识别等。在应用中，可以通过训练好的稀疏贝叶斯极限学习机模型为基准，并通过计算数据点的预测误差划分规律数据集和可疑数据集，进而计算可疑数据集中数据点的异常概率来更新数据集，最终不断迭代识别异常值。

该方法通过计算数据点的异常概率，可以做到量化数据点的异常程度，通过循环往复不断迭代从而达到数据清洗的目的，能够为轨道交通结构健康监测领域提供一种有效的数据预处理手段。

52监测网——专业、共享、开放的检测、监测信息交流平台，以自动化监测技术交流为主，为广大检测/检测从业人员提供行业资讯、招投标信息、硬件产品展示、技术资料下载等服务。同时也是监测人员交流经验、分享资料、吐槽灌水的平台。关注52监测网，获取更多实时资讯。