物联网(IOT)可对土遗址进行实时监测,准确高效地分析监测数据对于大型土遗址预防性保护具有重要的意义。土遗址监测数据的异常情况往往代表着土遗址赋存状态、土遗址本体数据或者土遗址病害发育的异常变化。基于IOT监测数据的异常检测及可视化分析,通过利用机器学习方法对IOT监测数据进行深入分析,对土遗址异常环境状况进行识别,并用可视化方法对环境监测数据进行分析,为土遗址的预防保护提供了科学依据。本文具体的研究内容包括:1.采用基于主成分分析(PCA)及模糊C均值(FCM)聚类的图像变化检测方法进行土遗址病害区域检测。该方法首先使用差值法和对数似然比法生成差值图像,有效地避免了噪声的影响。然后通过差值图像非重叠块集的主成分分析提取标准正交特征向量,将特征向量依次映射到每个像素空间上形成特征向量空间。利用模糊C均值聚类方法,以特征向量的近似程度将特征向量空间划分为两个聚类。通过对西安唐皇城墙含光门土遗址酥粉病害图像的实验研究表明,该方法能够高效地分析土遗址墙面的酥粉病害变化区域。2.提出了一种改进的基于无向重分配算法的非线性点图。改进的非线性点图可以处理和分配数据,以获得可以找到合适的点位置和数据分布的优化布局。所提出的算法在显示点和避免重叠方面更有效,在非线性点图中可以直观的观察异常值。本文提出的方法可以与其他数据可视化属性相结合进行数据分析。通过对明长城土遗址监测数据绘制非线性点图,改进的非线性点图不仅允许点大小的变化,而且还清晰地显示数据的密度分布。3.采用基于权重的模糊孪生支持向量机(FTWSVM)进行基于土遗址异常数据识别。FTWSVM旨在生成两个非平行平面,使每个平面更接近这两个类中的一个,并尽可能远离另一个,其中不同权重放在误差变量上,以消除噪声数据的影响。在特征空间中计算模糊隶属度,并用核函数表示模糊隶属度大小。该方法在降低异常值影响方面具有良好的性能,显著提高了分类精度和泛化能力。利用FTWSVM方法对西安唐皇城墙含光门土遗址病害区域的监测数据进行异常检测,其结果优于对比的其他常规方法。