Page 124 - 2024年第55卷第11期

［１６］ 房昱纬，吴振君，盛谦，等．基于超前钻探测试的隧道地层智能识别方法［Ｊ］．岩土力学，２０２０，４１（７）：
２４９４ － ２５０３．
［１７］ ＸＩＡＯＨ Ｈ，ＹＡＮＧ Ｗ Ｋ，ＨＵ Ｊ，ｅｔａｌ．Ｓｉｇｎｉｆｉｃａｎｃｅａｎｄｍｅｔｈｏｄｏｌｏｇｙ：Ｐｒｅｐｒｏｃｅｓｓｉｎｇｔｈｅｂｉｇｄａｔａｆｏｒｍａｃｈｉｎｅ
ｌｅａｒｎｉｎｇｏｎＴＢＭ ｐｅｒｆｏｒｍａｎｃｅ［Ｊ］．ＵｎｄｅｒｇｒｏｕｎｄＳｐａｃｅ，２０２２，７（４）：６８０ － ７０１．
［１８］ 余红玲，王晓玲，任炳昱，等．土石坝渗流性态分析的 ＩＡＯ － ＸＧＢｏｏｓｔ集成学习模型与预测结果解释 ［Ｊ］．
水利学报，２０２３，５４（１０）：１１９５ － １２０９．
［１９］ 刘华吉，孙红林，张占荣，等．基于随钻参数的砂岩与砂质泥岩地层分界面智能识别［Ｊ］．隧道建设（中英
文），２０２３，４３（Ｓ１）：３０４ － ３１２．
［２０］ 王小龙，张军．钻孔数据处理与三维显示软件设计及应用［Ｊ］．煤矿安全，２０２１，５２（１０）：１３０ － １３５．
［２１］ ＬＩＪＢ，ＬＩＰＹ，ＧＵＯＤ，ｅｔａｌ．Ａｄｖａｎｃｅｄｐｒｅｄｉｃｔｉｏｎｏｆｔｕｎｎｅｌｂｏｒｉｎｇｍａｃｈｉｎｅｐｅｒｆｏｒｍａｎｃｅｂａｓｅｄｏｎｂｉｇｄａｔａ［Ｊ］．
ＧｅｏｓｃｉｅｎｃｅＦｒｏｎｔｉｅｒｓ ，２０２１，１２（１）：３３１ － ３３８．
［２２］ 张晓菁，刘攀，周丽婷，等．考虑水文模型参数时变的水库水位多预见期实时预报———以水布垭水库为例
［ Ｊ］．水利学报，２０２３，５４（４）：４２６ － ４３８．
［２３］ ＺＨＡＮＧＰ，ＣＨＥＮＲＰ，ＷＵＨＮ．Ｒｅａｌ － ｔｉｍｅａｎａｌｙｓｉｓａｎｄｒｅｇｕｌａｔｉｏｎｏｆＥＰＢｓｈｉｅｌｄｓｔｅｅｒｉｎｇｕｓｉｎｇＲａｎｄｏｍＦｏｒｅｓｔ
［Ｊ］．ＡｕｔｏｍａｔｉｏｎｉｎＣｏｎｓｔｒｕｃｔｉｏｎ，２０１９，１０６：１０２８６０．
［２４］ 丁佳鑫，郭永峰，米丽娜．高斯噪声和 Ｌéｖｙ噪声激励下欠阻尼周期势系统的相变行为［Ｊ］．山东大学学报
（理学版），２０２３，５８（８）：１１１ － １１７．
［２５］ 张刚，宋莹，张天骐．Ｌｅｖｙ噪声驱动下指数型单稳系统的随机共振特性分析［Ｊ］．电子与信息学报，２０１７，
３９（４）：８９３ － ９００．
［２６］ 胡芳凝，王忠，刘超群．快速滑动平均滤波在 ＰＰＧ信号去噪中的应用［Ｊ］．物联网技术，２０１９，９（６）：４１ － ４３．
［２７］ 肖浩汉，陈祖煜，徐国鑫，等．基于 ＧＲＵ算法的盾构掘进参数预测———以成都地铁 １９号线为例［Ｊ］．长
江科学院院报，２０２３，４０（１）：１２３ － １３１．
［２８］ 姜瑶，徐宗学，王静．基于年径流序列的五种趋势检测方法性能对比［Ｊ］．水利学报，２０２０，５１（７）：８４５ － ８５７．
［２９］ ＺＨＡＮＧＨ，ＣＨＥＮＬ，ＱＵＹ，ｅｔａｌ．Ｓｕｐｐｏｒｔｖｅｃｔｏｒｒｅｇｒｅｓｓｉｏｎｂａｓｅｄｏｎｇｒｉｄ － ｓｅａｒｃｈｍｅｔｈｏｄｆｏｒｓｈｏｒｔ － ｔｅｒｍ ｗｉｎｄ
ｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇ ［Ｊ］．ＪｏｕｒｎａｌｏｆＡｐｐｌｉｅｄＭａｔｈｅｍａｔｉｃｓ，２０１４．ｄｏｉ：１０．１１５５?２０１４?８３５．
［３０］ 孟品超，李学源，贾洪飞，等．基于滑动平均法的轨道交通短时客流实时预测 ［Ｊ］．吉林大学学报 （工学
版），２０１８，４８（２）：４４８ － ４５３．

Ｒｅｓｅａｒｃｈｏｎｐｒｅｐｒｏｃｅｓｓｉｎｇｍｅｔｈｏｄｓｆｏｒｍｏｎｉｔｏｒｉｎｇｄｒｉｌｌｉｎｇｄａｔａ

ＸＩＡＯＨａｏｈａｎ，ＣＡＯＲｕｉｌａｎｇ，ＷＡＮＧＹｕｊｉｅ，ＺＨＡＯＹｕｆｅｉ，ＳＵＮＹａｎｐｅｎｇ
（ＣｈｉｎａＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｉｍｕｌａｔｉｏｎａｎｄＲｅｇｕｌａｔｉｏｎｏｆＷａｔｅｒＣｙｃｌｅｉｎＲｉｖｅｒＢａｓｉｎ，
ＣｈｉｎａＩｎｓｔｉｔｕｔｅｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＨｙｄｒｏｐｏｗｅｒＲｅｓｅａｒｃｈ，Ｂｅｉｊｉｎｇ １０００４８，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｔｏａｄｄｒｅｓｓｃｈａｌｌｅｎｇｅｓａｓｓｏｃｉａｔｅｄｗｉｔｈｐｒｏｃｅｓｓｉｎｇｍｕｌｔｉ － ｄｉｍｅｎｓｉｏｎａｌｈｅｔｅｒｏｇｅｎｅｏｕｓｍｏｎｉｔｏｒｉｎｇｄｒｉｌｌｉｎｇ
ｄａｔａ，ｔｈｉｓｓｔｕｄｙｃｏｎｄｕｃｔｓａｎａｎａｌｙｓｉｓｏｆｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｍｕｌｔｉ － ｂｏｒｅｈｏｌｅｄｒｉｌｌｉｎｇｄａｔａａｎｄｉｎｔｒｏｄｕｃｅｓａｄａｔａｐｒｅ
ｐｒｏｃｅｓｓｉｎｇｍｅｔｈｏｄｌｅｖｅｒａｇｉｎｇｓｔａｔｉｓｔｉｃａｌａｎａｌｙｓｉｓａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇｔｅｃｈｎｉｑｕｅｓ．Ｔｈｉｓｍｅｔｈｏｄｏｌｏｇｙｂｅｇｉｎｓｗｉｔｈａｎ
ｅｘａｍｉｎａｔｉｏｎｏｆｔｈｅｏｒｉｇｉｎａｌｄｒｉｌｌｉｎｇｄａｔａ ’ｓｆｅａｔｕｒｅｓ，ｅｓｔａｂｌｉｓｈｅｓｃｒｉｔｅｒｉａｆｏｒｅｘｔｒａｃｔｉｎｇｓｔａｂｌｅｄｒｉｌｌｉｎｇｓｔａｇｅｄａｔａ，ｄｅ
ｆｉｎｅｓｐａｒａｍｅｔｅｒｓｆｏｒｉｄｅｎｔｉｆｙｉｎｇａｂｎｏｒｍａｌｄｒｉｌｌｉｎｇｄａｔａ ，ａｎｄａｓｓｅｓｓｅｓｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｖａｒｉｏｕｓｍｅｔｈｏｄｓｆｏｒｒｅｐａｉ
ｒｉｎｇｍｉｓｓｉｎｇｄｒｉｌｌｉｎｇｄａｔａａｎｄｒｅｄｕｃｉｎｇｎｏｉｓｅ．Ｔｈｅｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｔｗｏ － ｐｏｉｎｔｌｉｎｅａｒｉｎｔｅｒｐｏｌａｔｉｏｎｍｅｔｈｏｄａ
ｃｈｉｅｖｅｄｔｈｅｌｏｗｅｓｔｅｒｒｏｒｉｎｄｅｘａｎｄｔｈｅｍｏｓｔｅｆｆｅｃｔｉｖｅｍｉｓｓｉｎｇｄａｔａｉｎｔｅｒｐｏｌａｔｉｏｎ．Ａｄｄｉｔｉｏｎａｌｌｙ ，ｔｈｅＢｕｔｔｅｒｗｏｒｔｈｆｉｌｔｅｒ
ｄｅｍｏｎｓｔｒａｔｅｄｏｐｔｉｍａｌｆｉｌｔｅｒｉｎｇｐｅｒｆｏｒｍａｎｃｅａｃｒｏｓｓｖａｒｉｏｕｓｔｙｐｅｓｏｆｎｏｉｓｅ．Ｓｕｂｓｅｑｕｅｎｔｌｙ ，ａｌｉｇｈｔｗｅｉｇｈｔａｕｔｏｍａｔｉｃ
ｐｒｅｐｒｏｃｅｓｓｉｎｇｓｏｆｔｗａｒｅｆｏｒｄｒｉｌｌｉｎｇｄａｔａｉｓｄｅｖｅｌｏｐｅｄ ，ａｎｄｉｔｓｅｆｆｉｃａｃｙｉｎｓｗｉｆｔｌｙｃｏｍｐｌｅｔｉｎｇｔａｓｋｓｓｕｃｈａｓｄａｔａｅｘｔｒａｃ
ｔｉｏｎ，ｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｒｅｐａｉｒ，ａｎｄｎｏｉｓｅｒｅｄｕｃｔｉｏｎｉｓｖａｌｉｄａｔｅｄｔｈｒｏｕｇｈｅｎｇｉｎｅｅｒｉｎｇｃａｓｅｓｔｕｄｉｅｓ．Ｔｈｉｓｅｎｄｅａｖｏｒｆｕｒ
ｎｉｓｈｅｓａｄｅｐｅｎｄａｂｌｅｔｈｅｏｒｅｔｉｃａｌｆｒａｍｅｗｏｒｋａｎｄｅｍｐｉｒｉｃａｌｄａｔａｓｕｐｐｏｒｔｆｏｒｐｒａｃｔｉｃａｌａｐｐｌｉｃａｔｉｏｎｓｉｎｅｎｇｉｎｅｅｒｉｎｇ．
Ｋｅｙｗｏｒｄｓ：ｄｉｇｉｔａｌｄｒｉｌｌｉｎｇ；ｄａｔａｐｒｅｐｒｏｃｅｓｓｉｎｇ；ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ；ｍｉｓｓｉｎｇｄａｔａｉｎｔｅｒｐｏｌａｔｉｏｎ；ｎｏｉｓｅｒｅｄｕｃｔｉｏｎ

（责任编辑：李 娜）

— １ ３ ０ —
９