本發(fā)明涉及基于實測數(shù)據(jù)的可疑點判別方法。

背景技術：

公路現(xiàn)場的實測數(shù)據(jù)的合格標準我們稱作規(guī)范，規(guī)范是國標，更新的情況較為普遍，因此，我們需要做到整個系統(tǒng)的及時更新，且不同的地理特征條件下的實測數(shù)據(jù)的標準也許會有不同，針對不同地區(qū)，可能會存在日后需要考察的問題出現(xiàn)；且核心技術較簡單，主要是幾個程序的組合，但是數(shù)據(jù)庫較大，會影響運行速度。公路現(xiàn)場實測上報數(shù)據(jù)不真實的現(xiàn)象很普遍，但是大面積不合格的數(shù)據(jù)施工單位并不會謊報數(shù)據(jù)，一定會進行復測并進行重新的攤鋪、碾壓，但是個別數(shù)據(jù)的人為修改，這種情況很普遍且不易察覺，然而個別數(shù)據(jù)的不合格顯示的正是小區(qū)間范圍內(nèi)的路段的質(zhì)量不合格，容易造成應力集中或是提前使道路進入疲勞期，影響整條公路的正常運行，且后期維修、養(yǎng)護費用就會大幅度地提高，造成人力、財力的雙重浪費。以及對不同城市的空氣污染狀況進行分析，實測上報數(shù)據(jù)不真實的現(xiàn)象很普遍，對個別數(shù)據(jù)的人為修改，這種情況很普遍且不易察覺，造成后期處理人力、財力的雙重浪費，故需要查找可疑數(shù)據(jù)，然而現(xiàn)有技術查找可疑數(shù)據(jù)的精確度低、速度慢，需要一種快速、高精度的方法查找可疑數(shù)據(jù)。

技術實現(xiàn)要素：

本發(fā)明的目的是為了解決現(xiàn)有現(xiàn)場實測上報數(shù)據(jù)不真實，查找可疑數(shù)據(jù)的精確度低、速度慢的缺點，而提出一種基于實測數(shù)據(jù)的可疑點判別方法。

一種基于實測數(shù)據(jù)的可疑點判別方法具體過程為：

步驟一、計算n個實測數(shù)據(jù)所在位置中的任意兩個實測數(shù)據(jù)所在位置之間的距離，得到n個實測數(shù)據(jù)所在位置間的距離矩陣，n的取值范圍為正整數(shù)；

步驟二、初始第一步i＝1時，n個實測數(shù)據(jù)各自構成一類，類的個數(shù)k＝n，此時類間距離就是n個實測數(shù)據(jù)所在位置中任意兩個實測數(shù)據(jù)所在位置之間的距離，k為正整數(shù)，i為正整數(shù)；

步驟三、i＝2時，對步驟二得到的類間距離最小的兩類進行合并，成為一個新類，此時類的個數(shù)k＝n-1；計算新類與其他類之間的距離，得到新的類間距離矩陣；

步驟四、i＝m時，對i＝m-1時得到的類間距離最小的兩類進行合并，成為一個新類，此時類的個數(shù)k＝n-i+1，m為正整數(shù)；

步驟五、如果步驟四合并后類的個數(shù)k仍大于1，重復步驟四和步驟五，直到類的個數(shù)為1時，得到譜系聚類圖，即可得到類的個數(shù)及各類的成員；

步驟六、根據(jù)類的個數(shù)及各類的成員選取步長最長或選取最后合并的實測數(shù)據(jù)，作為可疑點數(shù)據(jù)，并判定可疑點數(shù)據(jù)的可疑程度。

本發(fā)明的有益效果為：

本發(fā)明提出的一種基于實測的上報數(shù)據(jù)可疑點分析方法，能夠快速、準確的找出造假數(shù)據(jù)的可疑點，并具體指出具體的可疑點位置，讓現(xiàn)場的工作人員進行復測，確保實測上報數(shù)據(jù)的真實，避免造成應力集中或是提前使道路進入疲勞期，影響整條公路的正常運行的情況，大大降低了后期維修、養(yǎng)護費用，降低經(jīng)濟損失、節(jié)省人工。

在已經(jīng)確定路面的壓實度指標時，用本發(fā)明提出的一種基于實測的上報數(shù)據(jù)可疑點分析方法進行擬合，查找可疑點，并對結果進行分析，結果的精確度已經(jīng)達到98％以上，且對于路面結構的其他連續(xù)性指標均有較好的擬合效果，由此可以判斷，本發(fā)明方法在技術上可行，是可以在施工單位推廣的，而且會有很好的效果，為施工單位提供方便。

例如在京津冀地區(qū)的13個城市的相對地理信息見圖2-圖8；根據(jù)6幅圖片，對京津冀13座城市的AQI的數(shù)據(jù)進行分析,發(fā)現(xiàn)唐山的AQI數(shù)值難與其他城市聚類，根據(jù)面板匹配法及地理信息因素，唐山的空氣污染狀況應與天津、秦皇島、承德相近，而天津、秦皇島、承德的AQI數(shù)值卻是相近，因此認為唐山的AQI數(shù)據(jù)存在造假的可能性，而作為唐山市主要污染物的PM2.5的數(shù)據(jù)并沒有發(fā)現(xiàn)有可疑的現(xiàn)象，進行所有污染物的對比分析，我們認為唐山市的SO₂數(shù)據(jù)造假；

同理，我們對長三角地區(qū)進行分析，寧波SO₂、PM2.5數(shù)據(jù)造假；

同理，我們對珠三角地區(qū)進行分析，經(jīng)分析，珠三角地區(qū)肇慶PM2.5、PM10數(shù)據(jù)造假，肇慶SO₂數(shù)據(jù)造假，廣州SO₂數(shù)據(jù)造假。

由此可以判斷，本發(fā)明方法在技術上可行，是可以推廣的，而且會有很好的效果，為檢測單位提供方便。

附圖說明

圖1為本發(fā)明流程圖；

圖2為京津翼地區(qū)PM₁₀平均聯(lián)接(組間)的樹狀圖，橫坐標為步長；

圖3為京津翼地區(qū)PM_2.5平均聯(lián)接(組間)的樹狀圖，橫坐標為步長；

圖4為京津翼地區(qū)SO₂平均聯(lián)接(組間)的樹狀圖，橫坐標為步長；

圖5為京津翼地區(qū)CO平均聯(lián)接(組間)的樹狀圖，橫坐標為步長；

圖6為京津翼地區(qū)NO₂平均聯(lián)接(組間)的樹狀圖，橫坐標為步長；

圖7為京津翼地區(qū)AQI平均聯(lián)接(組間)的樹狀圖，橫坐標為步長；

圖8為小波圖像分解過程(重構時逆向即可)圖；

圖9為小波基函數(shù)的相平面圖；

圖10為嵌套的多分辨率子空間圖，V0為原信號的頻率空間，V1為經(jīng)第一級分解后V0被分解成的低頻子空間；V2為經(jīng)第二級分解后V0被分解成的低頻子空間；V3為經(jīng)第三級分解后V0被分解成的低頻子空間；W1為經(jīng)第一級分解后V0被分解成的高頻子空間；W2為經(jīng)第二級分解后V0被分解成的高頻子空間；W3為經(jīng)第三級分解后V0被分解成的高頻子空間；W4為經(jīng)第四級分解后V0被分解成的高頻子空間。

具體實施方式

具體實施方式一：結合圖1說明本實施方式，本實施方式的一種基于實測數(shù)據(jù)的可疑點判別方法具體是按照以下步驟進行的：

聚類分析方法

聚類分析法，又稱群分析，是根據(jù)失誤本身的特性，研究對樣品或指標進行分類的一種多元的統(tǒng)計方法。所謂的“類”，通俗地說就是相似元素的集合。聚類分析的原則是直接比較各事物之間的性質(zhì)，將性質(zhì)相似的歸為一類，將性質(zhì)差別較大的歸入不同的類。

聚類分析法是實用多元統(tǒng)計分析的一個新的分支，正處于發(fā)展階段，理論上雖然并不是很完善，但是它卻能解決很多的實際問題，因此這個方法很受人們的重視。其功能是選擇一中度量個體接近程度的統(tǒng)計量，建立一種分類方法，并按接近程度對觀測對象給出合理的分類。

聚類分析的內(nèi)容十分豐富，按其聚類的方法可分為以下幾種：系統(tǒng)聚類法、動態(tài)聚類法、最優(yōu)分割法、模糊聚類法、圖論聚類法等。系統(tǒng)聚類法是目前在實際應用中使用最廣泛的一種分類方法，本發(fā)明即使用的是系統(tǒng)聚類法。

設有X個樣品，每個樣品測得某項指標抽樣調(diào)查的若干實測數(shù)據(jù)點。系統(tǒng)聚類分析法的基本思想是：首先定義樣品的距離(或相似系數(shù))，這是類間的距離(或相似系數(shù))，這時類間的距離與樣品間的距離是等價的；然后將距離最近的兩類合并成新類，并計算新類與其他類的類間距離，再按最小距離準則并類，這樣每次縮小一類，直到所有的樣品都并成一類為止，這個并類過程可以用譜系聚類形象地表達出來。

由以上系統(tǒng)聚類法的基本思想，可以得到它的基本步驟如下：聚類分析方法是在SPSS軟件中實現(xiàn)的；

步驟一、計算n個實測數(shù)據(jù)所在位置中的任意兩個實測數(shù)據(jù)所在位置之間的距離，得到n個實測數(shù)據(jù)所在位置間的距離矩陣，n的取值范圍為正整數(shù)；

步驟二、初始第一步i＝1時，n個實測數(shù)據(jù)各自構成一類，類的個數(shù)k＝n，此時類間距離就是n個實測數(shù)據(jù)所在位置中任意兩個實測數(shù)據(jù)所在位置之間的距離，k為正整數(shù)，i為正整數(shù)；

步驟三、i＝2時，對步驟二得到的類間距離最小的兩類進行合并，成為一個新類，此時類的個數(shù)k＝n-1；計算新類與其他類之間的距離，得到新的類間距離矩陣；

步驟四、i＝m時，對i＝m-1時得到的類間距離最小的兩類進行合并，成為一個新類，此時類的個數(shù)k＝n-i+1，m為正整數(shù)；

步驟五、如果步驟四合并后類的個數(shù)k仍大于1，重復步驟四和步驟五，直到類的個數(shù)為1時，得到譜系聚類圖，即可得到類的個數(shù)及各類的成員；

步驟六、根據(jù)類的個數(shù)及各類的成員選取步長最長或選取最后合并的實測數(shù)據(jù)(比如如圖7中的13或圖6中的8)，作為可疑點數(shù)據(jù)，并判定可疑點數(shù)據(jù)的可疑程度。

小波即小區(qū)域的波，是一種特殊的長度有限、平均值為零的波形。它有兩個特點：一是“小”，即在時域具有緊支集或近似緊支集；二是正負交替的“波動性”，也即支流分量為零。

連續(xù)小波基函數(shù)

所謂小波(Wavelet)，即存在于一個較小區(qū)域的波。小波函數(shù)的數(shù)學定義是：設ψ(t)為一平方可積函數(shù)，即ψ(t)∈L²(R)，若其傅立葉變換滿足：

$C_{\mathrm{\&psi;}}={\&Integral;}_R\frac{{\left|\stackrel{\&OverBar;}{\mathrm{\&psi;}}\left(\stackrel{\&OverBar;}{w}\right)\right|}^2}{\left|w\right|}\mathrm{dw}<\&infin;$

時，則稱ψ(t)為一個基本小波或小波母函數(shù)，并稱上式是小波函數(shù)的可容許條件。

根據(jù)小波函數(shù)的定義，小波函數(shù)一般在時域具有緊支集或近似緊支集，即函數(shù)的非零值定義域具有有限的范圍，這即所謂“小”的特點；另一方面，根據(jù)可容許性條件可知ψ(w)|_w＝0＝0，即直流分量為零，因此小波又具有正負交替的波動性。

將小波母函數(shù)ψ(t)進行伸縮和平移，設其伸縮因子(亦稱尺度因子)為a，平移因子為b，并記平移伸縮后的函數(shù)為ψ_a,b(t)，則：

${\mathrm{\&psi;}}_{a,b}\left(t\right)=|a{|}^{-\frac{1}{2}}\mathrm{\&psi;}\left(\frac{t-\mathrm{\&tau;}}{a}\right),a,b\&Element;R;a\&NotEqual;0$

并稱τ為參數(shù),ψ_a,b(t)小波基函數(shù)。由于a和b均取連續(xù)變換的值，因此又稱為連續(xù)小波基函數(shù)，它們是由同一母函數(shù)經(jīng)伸縮和平移后得到的一組函數(shù)系列。

定義小波母函數(shù)ψ(t)的窗口寬度為Δt，窗口中心為t₀，則可以求得連續(xù)小波基函數(shù)ψ_a,b(t)的窗口中心及窗口寬度分別為：

t_a,b＝at₀+b,Δt_a,τ＝aΔt

設是ψ(t)的傅立葉變換，頻域窗口中心為w₀，窗口寬度為Δw，ψ(t)的傅立葉變換為則有:

${\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_{a,b}\left(\stackrel{\&OverBar;}{w}\right)=\sqrt{\left|a\right|}{e}^{-jwb}\mathrm{\&phi;}\left(aw\right)$

所以此時頻域窗口中心及窗口寬度分別為：

$w_{a,b}=\frac{1}{a}{w}_0,{\mathrm{\&Delta;w}}_{a,b}=\frac{1}{a}\mathrm{\&Delta;}w$

由此可見，連續(xù)小波的時、頻窗口中心和寬度均是尺度因子a的函數(shù)，均隨著a的變化而伸縮，并且還有

Δt_a,b·Δw_a,b＝Δt·Δw

即連續(xù)小波基函數(shù)的窗口面積是不變的，這正是Heisenberg測不準原理。將不同a、b值下的時頻窗口繪在同一個圖上，就得到小波基函數(shù)的相平面(如圖9所示)。

對不同的頻率成分，在時域上的取樣步長是可調(diào)的，高頻者(對應小的m值)采樣步長小，低頻者(對應大的m值)采樣步長大。也就是說，小波變換能實現(xiàn)了窗口的大小固定，形狀可變的時頻局部化，見圖9。正是這個意義上小波變換被譽為數(shù)學“顯微鏡”。連續(xù)小波變換

將L²(R)空間的任意函數(shù)f(t)在小波基下進行展開，稱其為函數(shù)f(t)的連續(xù)小波變換CWT，變換式為：

${\mathrm{WT}}_f(a,b)=<f,{\mathrm{\&psi;}}_{a,b}>=\frac{1}{\sqrt{\left|a\right|}}{\&Integral;}_{R}f\&CenterDot;\stackrel{\&OverBar;}{\mathrm{\&psi;}\left(\frac{t-b}{a}\right)}dt$

當小波的容許性條件成立時，其逆變換為：

$f\left(t\right)=\frac{1}{C_{\mathrm{\&psi;}}}{\&Integral;}_{-\mathrm{\&infin;}}^{+\mathrm{\&infin;}}\frac{da}{a^2}{\&Integral;}_{-\mathrm{\&infin;}}^{+\mathrm{\&infin;}}{\mathrm{WT}}_f(a,b)\&CenterDot;\mathrm{\&psi;}\left(\frac{t-b}{a}\right)db$

其中為ψ(t)的容許性條件

我們可以這樣理解，傅立葉分析是將信號分解成一系列不同頻率的正弦波的疊加，同樣小波分析是將信號分解為一系列小波函數(shù)的疊加，而這些小波函數(shù)都是由一個母小波函數(shù)經(jīng)過平移和尺度伸縮得來的。小波分析優(yōu)于傅立葉分析的地方是，它在時域和頻域同時具有良好的局部化性質(zhì)。而且由于對高頻成分采用逐漸精細的時域或頻域取樣步長，從而可以聚焦到對象的任何細節(jié)，所以被稱為“數(shù)學顯微鏡”。小波分析廣泛應用與信號處理、圖像處理、語音識別等領域。

可以這樣理解小波變換的含義：打個比喻，我們用鏡頭觀察目標信號f(t)，ψ(t)代表鏡頭所起的所用。b相當于使鏡頭相對于目標平行移動，a的所用相當于鏡頭向目標推進或遠離。由此可見，小波變換有以下特點：

多尺度/多分辨的特點，可以由粗及細地處理信號；

可以看成用基本頻率特性為ψ(ω)的帶通濾波器在不同尺度a下對信號做濾波。

適當?shù)剡x擇小波，使ψ(t)在時域上為有限支撐,(ω)在頻域上也比較集中，就可以使WT在時、頻域都具有表征信號局部特征的能力。

離散小波變換

計算機中的圖像信息是以離散信號形式存放的，所以需要將連續(xù)小波變換離散化。而最基本的離散化方法就是二進制離散，一般將這種經(jīng)過離散化的小波及其變換叫做二進小波和二進變換。需要注意的是這里的離散化都是針對連續(xù)的尺度因a和連續(xù)平移因子b的，而不是針對時間t的。這兒限制尺度因子a總是正數(shù)。

(1)尺度與位移的離散化

對連續(xù)小波基函數(shù)ψ_a,b(t)尺度因子a和平移因子b進行離散化可以得到離散小波變換WT_f(a,b)，從而減少小波變換系數(shù)的冗余度。在離散化時通常對尺度因子a和平移因子b按冪級數(shù)進行離散化，即取(m為整數(shù)，a₀≠1,但一般都假定a₀＞1)，得到離散小波函數(shù)為：

${\mathrm{\&psi;}}_{m,n}\left(t\right)=\frac{1}{\sqrt{\left|a_0\right|}}\mathrm{\&psi;}\left(\frac{t-{\mathrm{na}}_0^m{b}_0}{a_0^m}\right)=\frac{1}{\sqrt{\left|a_0\right|}}\mathrm{\&psi;}(a_0^{-m}t-{\mathrm{nb}}_0)$

其對應系數(shù)為：

$C_{m,n}=<f\left(t\right),{\mathrm{\&psi;}}_{m,n}>={\&Integral;}_{-\mathrm{\&infin;}}^{+\mathrm{\&infin;}}f\left(t\right)\stackrel{\&OverBar;}{{\mathrm{\&psi;}}_{m,n}\left(t\right)}dt$

(2)二進制小波變換

二進小波變換是一種特殊的離散小波變換，特別地令參數(shù)a₀＝2，b₀＝1，則有 該二進尺度分解的原理在二十世紀三十年代由Littlewood和Paley在數(shù)學上進行了研究證明。

離散小波變換為：

${\mathrm{WT}}_f(m,n)=<m,n>={\&Integral;}_{-\mathrm{\&infin;}}^{+\mathrm{\&infin;}}f\left(t\right){\mathrm{\&psi;}}_{m,n}\left(t\right)dt$

離散二進小波變換為：

多分辨率分析

Mallat在構造正交小波基時提出了多分辨率分析(Multi-Resolution Analysis)的概念，從空間概念上形象地說明了小波的多分辨率特性，并將在此之前的所有正交小波基的構造法統(tǒng)一起來，給出了正交小波的構造方法以及正交小波的快速算法——Mallat算法。Mallat算法在小波分析中的地位相當于快速傅立葉變換在經(jīng)典傅立葉分析中的地位。

多分辨率分析可形象地表示為一組嵌套的多分辨率子空間(如圖10所示)。

假設原信號的頻率空間為V₀，經(jīng)第一級分解后V₀被分解成兩個子空間：低頻的V₁和高頻的W₁；經(jīng)第二級分解后V₁被分解成低頻的V₂和高頻的W₂。這種子空間的分解過程可以記為：

$V_0=V_1\&CirclePlus;W_1,V_1=V_2\&CirclePlus;W_2,V_2=V_3\&CirclePlus;W_3,\mathrm{...},V_{N-1}=V_N\&CirclePlus;W_N$

其中符號表示兩個子空間的“正交和”；V_f代表與分辨率2^-j對應的多分辨率分析子空間；與尺度函數(shù)相對應的小波函數(shù)的伸縮和平移構成的矢量空間W_j是V_j的正交補空間；各W_j是反映V_j-1空間信號細節(jié)的高頻子空間，V_j是V_j-1反映空間信號概貌的低頻子空間。由離散小波框架可得到子空間的以下特性：

$V_0=V_1\&CirclePlus;W_1=V_2\&CirclePlus;W_2\&CirclePlus;W_1=V_N\&CirclePlus;W_N\&CirclePlus;W_{N-1}\&CirclePlus;\mathrm{...}{W}_2\&CirclePlus;W_1$

這一結果表明：分辨率為2⁰＝1的多分辨率分析子空間V₀可以用有限個子空間來逼近。利用小波對信號進行處理的一般步驟

小波的應用主要是信號的處理，其中最典型的應用是小波圖象壓縮。另外，小波在諸如信號去噪、特征提取等多方面均有成功的應用。下面以圖象去噪為例說明小波應用策略。小波的各種應用均可分為以下三步：

1)對輸入到Matlab軟件的小波分析工具箱中的可疑點數(shù)據(jù)作小波變換，將可疑點數(shù)據(jù)由空域變換到頻域；

2)對小波系數(shù)做相應處理；

3)對處理后的小波系數(shù)做小波逆變換，重構還原原可疑點數(shù)據(jù)；小波圖像去噪

因為噪聲信號多包含在具有較高頻率的細節(jié)中，所以小波去噪首先對圖像信號進行小波分解，可利用門限閾值對所分解的小波系數(shù)進行處理，然后對圖像信號進行小波重構，抑制圖像信號中的無用部分，恢復圖像信號中的有用部分。如圖8所示，具體步驟為：

1)可疑點數(shù)據(jù)的小波分解：選擇合適的小波及恰當?shù)姆纸鈱哟蜰，對可疑點數(shù)據(jù)進行N層的小波分解；

2)對分解后的高頻系數(shù)進行閾值量化：對于分解的每一層，選擇恰當?shù)拈撝担瑢υ搶痈哳l系數(shù)進行閾值量化處理；

利用軟閾值或硬閾值門限處理相應的小波系數(shù),獲得新的被壓縮的小波系數(shù)；

3)重構可疑點數(shù)據(jù)：根據(jù)小波分解后的第N層近似的低頻系數(shù)和經(jīng)過閾值量化處理后的細節(jié)高頻系數(shù)，重構可疑點數(shù)據(jù)；如圖8；

c(x,y)為隨x、y變化的系數(shù)，x為在時域上的取樣步長，y為在頻域上的取樣步長，x、y為整數(shù)；cA₁、cH₁、cV₁、cD₁為對目標圖像進行的第一層小波分解后得到的新的目標圖像；cA₂、cH₂、cV₂、cD₂為對目標圖像進行的第二層小波分解后得到的新的目標圖像；

其二層小波可疑點數(shù)據(jù)重構過程正好與此相反，基于小波變換的圖像處理，是通過對圖像分解過程中所產(chǎn)生的近似分量與細節(jié)分量系數(shù)的調(diào)整，使重構圖像滿足特定條件，而實現(xiàn)圖像處理。

具體實施方式二：本實施方式與具體實施方式一不同的是：所述步驟一中計算n個實測數(shù)據(jù)所在位置中的任意兩個實測數(shù)據(jù)所在位置之間的距離，得到n個實測數(shù)據(jù)所在位置間的距離矩陣，n的取值范圍為正整數(shù)；具體過稱為：

通過皮爾遜相關系數(shù)距離得到n個實測數(shù)據(jù)所在位置中任意兩個實測數(shù)據(jù)所在位置之間的距離。

其它步驟及參數(shù)與具體實施方式一相同。

具體實施方式三：本實施方式與具體實施方式一或二不同的是：所述步驟三中i＝2時，對步驟二得到的類間距離最小的兩類進行合并，成為一個新類，此時類的個數(shù)k＝n-1；計算新類與其他類之間的距離，得到新的類間距離矩陣；具體過稱為：

通過SPSS(統(tǒng)計產(chǎn)品與服務解決方案)軟件的默認方法類間平均鏈鎖法，計算新類 與其他類之間的距離，得到新的類間距離矩陣。

用SPSS軟件的系統(tǒng)聚類法(Hierarchical Cluster)，對不同樣品的一種數(shù)據(jù)值數(shù)據(jù)進行聚類分析。具體的聚類方法是類間平均鎖鏈法(Between-groups linkage)，在選擇距離測量上，選用皮爾遜相關系數(shù)(Pearson correlation)。聚類區(qū)域就是整段路的每隔3米的一個區(qū)段。

具體實施方式四：本實施方式與具體實施方式三不同的是：所述SPSS軟件為統(tǒng)計產(chǎn)品與服務解決方案軟件。

具體實施方式五：本實施方式與具體實施方式一、二或四不同的是：所述步驟五中類的個數(shù)為合并的次數(shù)，各類的成員為該類合并時包含的實測數(shù)據(jù)。

具體實施方式六：本實施方式與具體實施方式3不同的是：所述步驟五中類的個數(shù)為合并的次數(shù)，各類的成員為該類合并時包含的實測數(shù)據(jù)。

具體實施方式七：本實施方式與具體實施方式一、二、四或六不同的是：所述步驟六中根據(jù)類的個數(shù)及各類的成員選取步長最長或選取最后合并的實測數(shù)據(jù)，作為可疑點，并判定可疑點的可疑程度；具體過稱為：

將可疑點輸入到Matlab軟件的小波分析工具箱，得到不同區(qū)域隨時間變化的實測數(shù)據(jù)的變化趨勢，依據(jù)得到的聚類分析樹狀圖的步長判定可疑點的可疑程度，判定可疑點的可疑程度。

具體實施方式八：本實施方式與具體實施方式五不同的是：所述步驟六中根據(jù)類的個數(shù)及各類的成員選取步長最長或選取最后合并的實測數(shù)據(jù)，作為可疑點，并判定可疑點的可疑程度；具體過稱為：

將可疑點輸入到Matlab軟件的小波分析工具箱，得到不同區(qū)域隨時間變化的實測數(shù)據(jù)的變化趨勢，依據(jù)得到的聚類分析樹狀圖的步長判定可疑點的可疑程度，判定可疑點的可疑程度。

具體實施方式九：本實施方式與具體實施方式三不同的是：所述步驟六中根據(jù)類的個數(shù)及各類的成員選取步長最長或選取最后合并的實測數(shù)據(jù)，作為可疑點，并判定可疑點的可疑程度；具體過稱為：

將可疑點輸入到Matlab軟件的小波分析工具箱，得到不同區(qū)域隨時間變化的實測數(shù)據(jù)的變化趨勢，依據(jù)得到的聚類分析樹狀圖的步長判定可疑點的可疑程度，判定可疑點的可疑程度。

采用以下實施例驗證本發(fā)明的有益效果：

實施例一：

本實施例一種基于實測數(shù)據(jù)的可疑點判別方法具體是按照以下步驟制備的：

已經(jīng)確定路面的壓實度指標可以用本系統(tǒng)中的程序進行擬合，查找可疑點，并對結果進行分析，結果的精確度已經(jīng)達到98％以上，且對于路面結構的其他連續(xù)性指標均有較好的擬合效果，由此可以判斷，我們的系統(tǒng)在技術上可行，是可以在施工單位推廣的，而且會有很好的效果，為施工單位提供方便。

實施例二：

以京津冀地區(qū)為例分析，數(shù)據(jù)的造假情況；

京津冀地區(qū)的13個城市的相對地理信息見圖2-7；

根據(jù)上面6幅圖片，基于面板匹配法的基本原則，對京津冀13座城市的PM2.5的數(shù)據(jù)進行分析，經(jīng)分析，京津冀地區(qū)以PM2.5作為首要污染物的城市有：保定、保定、滄州、邯鄲、衡水、廊坊、石家莊、唐山、天津、邢臺十座城市，經(jīng)研究表明，這八座城市的地理位置與污染物數(shù)據(jù)匹配較好，不存在數(shù)據(jù)造假的可能性；對京津冀13座城市的PM10數(shù)據(jù)進行分析，京津冀地區(qū)以PM10作為首要污染物的城市有：承德、秦皇島、張家口三座城市，我們比對AQI的聚類分析表，認為三座城市的地理位置均與秦皇島臨近，且秦皇島與承德的AQI值相近，可以認為這兩座城市的數(shù)據(jù)真實，則張家口的PM10數(shù)據(jù)造假；對京津冀13座城市的AQI的數(shù)據(jù)進行分析,發(fā)現(xiàn)唐山的AQI數(shù)值難與其他城市聚類，根據(jù)面板匹配法及地理信息因素，唐山的空氣污染狀況應與天津、秦皇島、承德相近，而天津、秦皇島、承德的AQI數(shù)值卻是相近，因此認為唐山的AQI數(shù)據(jù)存在造假的可能性，而作為唐山市主要污染物的PM2.5的數(shù)據(jù)并沒有發(fā)現(xiàn)有可疑的現(xiàn)象，進行所有污染物的對比分析，我們認為唐山市的SO₂數(shù)據(jù)造假；

同理，我們對長三角地區(qū)進行分析，寧波SO₂、PM2.5數(shù)據(jù)造假；

同理，我們對珠三角地區(qū)進行分析，經(jīng)分析，珠三角地區(qū)肇慶PM2.5、PM10數(shù)據(jù)造假，肇慶SO₂數(shù)據(jù)造假，廣州SO₂數(shù)據(jù)造假。

本發(fā)明還可有其它多種實施例，在不背離本發(fā)明精神及其實質(zhì)的情況下，本領域技術人員當可根據(jù)本發(fā)明作出各種相應的改變和變形，但這些相應的改變和變形都應屬于本發(fā)明所附的權利要求的保護范圍。