1.一种基于卷积神经网络的斜拉索索力异常捡拾方法，其特征在于具体步骤为：

1)训练数据集、测试数据集和验证数据集的生成：将每根斜拉索的实测索力数据按每

2048个数据点(测量索力的采样频率为1次/分钟)为一段进行划分，划分后的数据段中人为随机加入索力异常(偏差率的绝对值≥1％)，并对有异常数据和没有异常数据进行归一化和标记，其中有异常数据段的标记为异常出现的位置，没有异常的数据段标记为‑1，标记后的数据段的60％作为训练数据集，20％作为验证数据集，20％作为测试数据集，所有数据集中异常数据段和无异常数据段的比例为1:1；

2)卷积神经网络模型的确定：将2048个数据点的数据段，作为卷积神经网络的输入，数据的标记作为输出；卷积神经网络共有12层，包括索力数据作为卷积神经网络的输入层，索力异常作为输出层，4个卷基层、4个池化层和2个全连接层作为隐藏层；利用训练数据集和验证数据集对卷积神经网络进行反复多次训练和验证，取验证数据集结果的平均绝对值误差最小时的卷积神经网络作为最终模型；

3)卷积神经网络模型的应用：将实测初始2048个索力数据作为输入数据，输入给训练好的卷积神经网络，并对这2048个索力数据进行持续更新(每次更新128个索力数据)，当数据中出现索力异常时，则卷积神经网络输出值为异常数据点的位置，当索力数据中没有索力异常时，则卷积神经网络输出值小于0。