CN106909490B - 一种监测设备数据流评估和噪声消除方法 - Google Patents

一种监测设备数据流评估和噪声消除方法 Download PDF

Info

Publication number
CN106909490B
CN106909490B CN201710111079.9A CN201710111079A CN106909490B CN 106909490 B CN106909490 B CN 106909490B CN 201710111079 A CN201710111079 A CN 201710111079A CN 106909490 B CN106909490 B CN 106909490B
Authority
CN
China
Prior art keywords
point
data
correction value
detection
corrected
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710111079.9A
Other languages
English (en)
Other versions
CN106909490A (zh
Inventor
蔡宇翔
肖琦敏
李霆
周晓东
付婷
王雪晶
蔡力军
董衍旭
陈锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Fujian Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Fujian Electric Power Co Ltd
State Grid Corp of China SGCC
Original Assignee
State Grid Fujian Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Fujian Electric Power Co Ltd
State Grid Corp of China SGCC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Fujian Electric Power Co Ltd, Information and Telecommunication Branch of State Grid Fujian Electric Power Co Ltd, State Grid Corp of China SGCC filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN201710111079.9A priority Critical patent/CN106909490B/zh
Publication of CN106909490A publication Critical patent/CN106909490A/zh
Application granted granted Critical
Publication of CN106909490B publication Critical patent/CN106909490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种监测设备数据流评估和噪声消除方法。该方法：首先，输入数据，根据关联分析方法，得到所要分析的参量之间的关联性；根据不同的数据流形式和类型，采用不同的应对措施；对于相关性较强的两个序列：若两个序列同时产生突变，根据关联规则的原理认为突变量并不是错误数据，不对检测点进行处理；若其中一个序列产生突变，则认为是错误数据，对检测点进行修正；对于与其他序列相关性不强的序列：将突变量或者分离的数据认为是错误数据，对检测点进行修正。本发明实现了对监测设备数据流评估和噪声消除，便于掌握监测设备的状态，及时采取应对措施。

Description

一种监测设备数据流评估和噪声消除方法
技术领域
本发明涉及一种监测设备数据流评估和噪声消除方法
背景技术
随着信息通信技术的不断进步，物联网、云计算等技术的飞速发展，生产生活的数字化、信息化的程度越来越高，全球的数据量大约每两年就要翻一番，不仅每天产生的数据量高速增长，数据结构也变得越来越复杂，包括各种非结构化的数据，传统的数据处理方式已经显得力不从心，“大数据时代”已经到来，成为了信息技术产业讨论的焦点。在这个背景下，流式数据的处理就显得越来越重要。数据流是一种实时的时间序列，其中的数据表达的是当前时间对象的状态，具有时效性，而随着时间的不断变化，数据的变化又具有高速型和非确定性，所以需要对数据流中到达的有限数据及时进行分析处理，预测数据流将来的变化和趋势，便于掌握对象的状态，及时采取措施。
发明内容
本发明的目的在于提供一种监测设备数据流评估和噪声消除方法，实现了对监测设备数据流评估和噪声消除，便于掌握监测设备的状态，及时采取应对措施。
为实现上述目的，本发明的技术方案是：一种监测设备数据流评估和噪声消除方法，包括如下步骤，
S1：输入数据，根据关联分析方法，得到所要分析的参量之间的关联性；根据不同的数据流形式和类型，采用不同的应对措施；
S2：相关性较强的两个序列：若两个序列同时产生突变，根据关联规则的原理认为突变量并不是错误数据，不对检测点进行处理；若其中一个序列产生突变，则认为是错误数据，对检测点进行修正；
S3：与其他序列相关性不强的序列：将突变量或者分离的数据认为是错误数据，对检测点进行修正。
在本发明一实施例中，步骤S2中的修正方法为：当检测出检测点需要修正时，先将该点的数据值计为零，然后使用后向插值法和前向插值法计算出该点的修正值，具体的：设需要清洗的序列为X，序列中的一段数据为{xi-5,xi-4,xi-3,xi-2,xi-1,xi,xi+1,xi+2,xi+3,xi+4,xi+5}，其中需要修正的检测点为xi；
(1)首先使用前向插值法求得该点的修正值：
构造前置多项式
Figure BDA0001234131170000021
其中Ij＝{1,2,...,5}；
构造前置差值函数
Figure BDA0001234131170000022
j＝1,2,...,5；
因此得到检测点的前向修正值为
Figure BDA0001234131170000023
(2)然后使用后向插值法求得该点的修正值：
构造后置多项式
Figure BDA0001234131170000024
其中Ij＝{1,2,...,5}；
构造后置差值函数
Figure BDA0001234131170000025
j＝1,2,...,5；
因此得到检测点的后向修正值为
Figure BDA0001234131170000026
(3)求得检测点的最终修正值为
Figure BDA0001234131170000027
在本发明一实施例中，步骤S3中的修正方法为：当检测出检测点需要修正时，先将该点的数据值计为零，然后使用后向插值法和前向插值法计算出该点的修正值，具体的：设需要清洗的序列为X，序列中的一段数据为{xi-5,xi-4,xi-3,xi-2,xi-1,xi,xi+1,xi+2,xi+3,xi+4,xi+5}，其中需要修正的检测点为xi；
(1)首先使用前向插值法求得该点的修正值：
构造前置多项式
Figure BDA0001234131170000028
其中Ij＝{1,2,...,5}；
构造前置差值函数
Figure BDA0001234131170000029
j＝1,2,...,5；
因此得到检测点的前向修正值为
Figure BDA00012341311700000210
(2)然后使用后向插值法求得该点的修正值：
构造后置多项式
Figure BDA00012341311700000211
其中Ij＝{1,2,...,5}；
构造后置差值函数
Figure BDA0001234131170000031
j＝1,2,...,5；
因此得到检测点的后向修正值为
Figure BDA0001234131170000032
(3)求得检测点的最终修正值为
Figure BDA0001234131170000033
在本发明一实施例中，步骤S1中采用的关联分析方法为DBSCAN聚类算法。
在本发明一实施例中，步骤S1中，在采用关联分析方法前，还需对输入数据进行缺失值检测，若检测到缺失值，则采用平均值代替。
相较于现有技术，本发明具有以下有益效果：本发明实现了对监测设备数据流评估和噪声消除，便于掌握监测设备的状态，及时采取应对措施。
附图说明
图1为本发明方法流程图。
图2为DBSCAN实例。
图3为本发明一实施例三相总有功和三相总电流清洗结果(强相关性)图。
图4为本发明一实施例三相总有功和三相总电流清洗结果(强相关性、有噪声)图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
如图1所示，本发明的一种监测设备数据流评估和噪声消除方法，包括如下步骤，
S1：输入数据，根据关联分析方法，得到所要分析的参量之间的关联性；根据不同的数据流形式和类型，采用不同的应对措施；
S2：相关性较强的两个序列：若两个序列同时产生突变，根据关联规则的原理认为突变量并不是错误数据，不对检测点进行处理；若其中一个序列产生突变，则认为是错误数据，对检测点进行修正；
S3：与其他序列相关性不强的序列：将突变量或者分离的数据认为是错误数据，对检测点进行修正。
步骤S2、S3中的修正方法为：当检测出检测点需要修正时，先将该点的数据值计为零，然后使用后向插值法和前向插值法计算出该点的修正值，具体的：设需要清洗的序列为X，序列中的一段数据为{xi-5,xi-4,xi-3,xi-2,xi-1,xi,xi+1,xi+2,xi+3,xi+4,xi+5}，其中需要修正的检测点为xi；
(1)首先使用前向插值法求得该点的修正值：
构造前置多项式
Figure BDA0001234131170000041
其中Ij＝{1,2,...,5}；
构造前置差值函数
Figure BDA0001234131170000042
j＝1,2,...,5；
因此得到检测点的前向修正值为
Figure BDA0001234131170000043
(2)然后使用后向插值法求得该点的修正值：
构造后置多项式
Figure BDA0001234131170000044
其中Ij＝{1,2,...,5}；
构造后置差值函数
Figure BDA0001234131170000045
j＝1,2,...,5；
因此得到检测点的后向修正值为
Figure BDA0001234131170000046
(3)求得检测点的最终修正值为
Figure BDA0001234131170000047
步骤S1中采用的关联分析方法为DBSCAN聚类算法。步骤S1中，在采用关联分析方法前，还需对输入数据进行缺失值检测，若检测到缺失值，则采用平均值代替。
以下为本发明的具体实施过程。
DBSCAN(Density-based Spatial Clustering of Application with Noise)算法是属于一种基于密度模式的空间数据聚类方法，最开始是由Ester Martin等人所提出一种算法。该算法可以将原先具有高密度的区域划分成不同的簇，并且可以针对具有“噪声的”空间数据中也能发现任意形状的聚类模式和相似簇群。DBSCAN算法的最为核心的思想是：对于每一种聚类中的每个分析对象，在给定的半径(常用Eps表示)的邻域(neighborhood)内数据对象个数必须要大于初始设定的给定值。即邻域密度必须要大于一定的阈值(常用MinPts表示)。DBSCAN算法通过检索相邻点，对所有的数据只用查询搜索一次就可以得到最后的结果，所以其运行速度很快。并且DBSCAN还有一个很大的有点在于它能够处理任意形状的聚类性质，并不受噪声的干扰，并且还能够根据阈值MinPts来去除含有的噪声。
下面给出DBSCAN算法所涉及到的定义：
定义1点的Eps-邻域：空间中任意一点p的Eps邻域是指以p为圆心，以Eps为半径的区域内所包含的点的集合。
定义2密度：空间中任意一点p的密度是以该点p为圆心，以Eps为半径的圆区域内包含点的数目。
定义3核心点和边界点：空间中某一点的密度如果大于某一给定阈值MinPts，则称该点为核心点。否则称该点为边界点。
定义4直接密度可达：点p从点q直接密度可达，若它们满足以下两个条件：p处于邻域中；q是核心点。
定义5密度可达：点p从点q密度可达，若(p1,p2,…,pn,其中p1＝p，pn＝q)且有pi从pi+1直接密度可达。
定义6密度连接：点p和电q是密度连接的，若对任意的o，是p和q都从o密度可达。
定义7聚类：数据库D的非空集合A是一个类，当且仅当A满足以下条件“
(1)对于p和q，若p∈A，且从p密度可达到q，则q∈A；
(2)对于p和q，若p∈A和q∈A，则p和q是密度连接的。
定义8噪声：数据库D中不属于任何类的点为噪声。
DBSCAN有别于其他的一些聚类算法，DBSCAN算法可以发现不满足聚类的一些异常点。如图2所示，在图2中表示的是以半径邻域Eps为输入的聚类方法得到的簇群。DBSCAN算法同时依赖于另一个参数最小数目Minpts，如果设置最小数目Minpts等于4时，簇群3和簇群5可以被认为是孤立的异常点。
DBSCAN算法可以归为聚类方法中的一个最具有代表性的算法。它能将要分析的类定义为密度相连的点的最大集合体，与此同时还具有很高的抗噪声能力。所以在对数据挖掘寻找孤立点的过程中常常会使用DBSCAN的算法。但是DBSCAN自身也有一定的局限性。首先DBSCAN依赖于输入的两个参数，即需要事先确定参数半径邻域Eps以及最小数目Minpts，对于不同参数的选取，会导致最终数据的聚类结果不同。其次在DBSCAN算法中，由于变量半径邻域Eps以及最小数目Minpts是设置为全局变量的，并且具有唯一性，所以当数据分布不均匀时聚类效果一般。但是由于是将DBSCAN算法应用在电力系统输变电设备监测数据中，考虑到其监测和采集到的数据特点，所以后一个存在的问题可以不需要考虑。
根据上述DBSCAN算法的优点，如图1所示，本发明的一种监测设备数据流评估和噪声消除方法，包括如下步骤，
S1：输入数据，根据关联分析方法，得到所要分析的参量之间的关联性；根据不同的数据流形式和类型，采用不同的应对措施；其中，采用的关联分析方法为DBSCAN聚类算法，另，在采用关联分析方法前，还需对输入数据进行缺失值检测，若检测到缺失值，则采用平均值代替。
S2：相关性较强的两个序列：若两个序列同时产生突变，根据关联规则的原理认为突变量并不是错误数据，不对检测点进行处理；若其中一个序列产生突变，则认为是错误数据，对检测点进行修正；
S3：与其他序列相关性不强的序列：将突变量或者分离的数据认为是错误数据，对检测点进行修正。
上述修正方法为：当检测出检测点需要修正时，先将该点的数据值计为零，然后使用后向插值法和前向插值法计算出该点的修正值，具体的：设需要清洗的序列为X，序列中的一段数据为{xi-5,xi-4,xi-3,xi-2,xi-1,xi,xi+1,xi+2,xi+3,xi+4,xi+5}，其中需要修正的检测点为xi；
(1)首先使用前向插值法求得该点的修正值：
构造前置多项式
Figure BDA0001234131170000061
其中Ij＝{1,2,...,5}；
构造前置差值函数
Figure BDA0001234131170000062
j＝1,2,...,5；
因此得到检测点的前向修正值为
Figure BDA0001234131170000063
(2)然后使用后向插值法求得该点的修正值：
构造后置多项式
Figure BDA0001234131170000064
其中Ij＝{1,2,...,5}；
构造后置差值函数
Figure BDA0001234131170000065
j＝1,2,...,5；
因此得到检测点的后向修正值为
Figure BDA0001234131170000066
(3)求得检测点的最终修正值为
Figure BDA0001234131170000067
以下为本发明的具体实施例。
以电网环境温度数据为例。其中原始数据总长为480，FCM分析中的序列数n＝10，q＝48。
如图3所示，第一个子图是输入原始数据，其中蓝色线表示的是三相电路总有功功率，绿色线表示的是三相电路的总电流。第二张子图是修正后的图像，其中黑色的表示三相电路的总电流，粉色的表示是三相电路总有功功率。蓝色圆圈标记的是通过DBSCAN算法得出的总有功功率的孤立点，对应的时间为t＝28和t＝84。红色圆圈标记的是总电流的孤立点，对应的时间为t＝28和t＝205。可以看出两者在第一个孤立点发生的位置是相同的。又因为总有功功率和总电流之间具有强相关性，所以对这一时间点的数据不做处理。而对于三相功率发生在t＝84时刻的孤立点，三相电流并没有发生异常，所以可以认为这点为异常点，需要进行修正，通过数据清洗对该点的数据做以替换。同理，对已三相电流发生在t＝205时刻的点同样需要被清洗和修正。两者修正后的图像如第二张子图所示，可以看出第一个点被保留了下来，供后续的进一部分分析和处理，而其余的点已经被处理。
如图4所示，第一个子图是输入原始数据，其中蓝色线表示的是三相电路总有功功率，绿色线表示的是三相电路的总电流。第二张子图是修正后的图像，其中黑色的表示三相电路的总电流，粉色的表示是三相电路总有功功率。其中对三相的总有功功率t＝300附近叠加了一个噪声。通过DBSCAN算法发现这一部分存在大量的异常点，然后通过清洗算法进行了初步的清洗，降低了噪声的影响。但是还是存在一定的噪声干扰，需要后续进一步的处理和分析。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (3)

1.一种监测设备数据流评估和噪声消除方法，其特征在于：包括如下步骤，
S1：输入数据，根据关联分析方法，得到所要分析的参量之间的关联性；根据不同的数据流形式和类型，采用不同的应对措施；
S2：相关性较强的两个序列：若两个序列同时产生突变，根据关联规则的原理认为突变量并不是错误数据，不对检测点进行处理；若其中一个序列产生突变，则认为是错误数据，对检测点进行修正；
S3：与其他序列相关性不强的序列：将突变量或者分离的数据认为是错误数据，对检测点进行修正；
步骤S2中的修正方法为：当检测出检测点需要修正时，先将该点的数据值计为零，然后使用后向插值法和前向插值法计算出该点的修正值，具体的：设需要清洗的序列为X，序列中的一段数据为{xi-5,xi-4,xi-3,xi-2,xi-1,xi,xi+1,xi+2,xi+3,xi+4,xi+5}，其中需要修正的检测点为xi；
(1)首先使用前向插值法求得该点的修正值：
构造前置多项式
Figure FDA0002344643060000011
其中Ij＝{1,2,...,5}；
构造前置差值函数
Figure FDA0002344643060000012
因此得到检测点的前向修正值为
Figure FDA0002344643060000013
(2)然后使用后向插值法求得该点的修正值：
构造后置多项式
Figure FDA0002344643060000014
其中Ij＝{1,2,...,5}；
构造后置差值函数
Figure FDA0002344643060000015
因此得到检测点的后向修正值为
Figure FDA0002344643060000016
(3)求得检测点的最终修正值为
Figure FDA0002344643060000017
步骤S3中的修正方法为：当检测出检测点需要修正时，先将该点的数据值计为零，然后使用后向插值法和前向插值法计算出该点的修正值，具体的：设需要清洗的序列为X，序列中的一段数据为{xi-5,xi-4,xi-3,xi-2,xi-1,xi,xi+1,xi+2,xi+3,xi+4,xi+5}，其中需要修正的检测点为xi；
(1)首先使用前向插值法求得该点的修正值：
构造前置多项式
Figure FDA0002344643060000021
其中Ij＝{1,2,...,5}；
构造前置差值函数
Figure FDA0002344643060000022
因此得到检测点的前向修正值为
Figure FDA0002344643060000023
(2)然后使用后向插值法求得该点的修正值：
构造后置多项式
Figure FDA0002344643060000024
其中Ij＝{1,2,...,5}；
构造后置差值函数
Figure FDA0002344643060000025
因此得到检测点的后向修正值为
Figure FDA0002344643060000026
(3)求得检测点的最终修正值为
Figure FDA0002344643060000027
2.根据权利要求1所述的一种监测设备数据流评估和噪声消除方法，其特征在于：步骤S1中采用的关联分析方法为DBSCAN聚类算法。
3.根据权利要求1所述的一种监测设备数据流评估和噪声消除方法，其特征在于：步骤S1中，在采用关联分析方法前，还需对输入数据进行缺失值检测，若检测到缺失值，则采用平均值代替。
CN201710111079.9A 2017-02-28 2017-02-28 一种监测设备数据流评估和噪声消除方法 Active CN106909490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710111079.9A CN106909490B (zh) 2017-02-28 2017-02-28 一种监测设备数据流评估和噪声消除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710111079.9A CN106909490B (zh) 2017-02-28 2017-02-28 一种监测设备数据流评估和噪声消除方法

Publications (2)

Publication Number Publication Date
CN106909490A CN106909490A (zh) 2017-06-30
CN106909490B true CN106909490B (zh) 2020-05-05

Family

ID=59209189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710111079.9A Active CN106909490B (zh) 2017-02-28 2017-02-28 一种监测设备数据流评估和噪声消除方法

Country Status (1)

Country Link
CN (1) CN106909490B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110083593B (zh) * 2019-04-23 2023-02-10 中国大唐集团科学技术研究院有限公司华东电力试验研究院 电站运行参数清洗及修复方法、修复系统
CN110188810A (zh) * 2019-05-23 2019-08-30 西北工业大学 一种基于密度聚类的在线野值检测、识别与修正方法
CN112699113B (zh) * 2021-01-12 2022-08-05 上海交通大学 时序数据流驱动的工业制造流程运行监测系统
CN119646405A (zh) * 2024-12-12 2025-03-18 同济大学 一种工业时序数据异常双向修正方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488736A (zh) * 2015-12-02 2016-04-13 国家电网公司 一种用于光伏电站数据采集系统的数据处理方法
CN106295850A (zh) * 2016-07-15 2017-01-04 广东电网有限责任公司电力科学研究院 一种基于历史量测的不良数据辨识方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488736A (zh) * 2015-12-02 2016-04-13 国家电网公司 一种用于光伏电站数据采集系统的数据处理方法
CN106295850A (zh) * 2016-07-15 2017-01-04 广东电网有限责任公司电力科学研究院 一种基于历史量测的不良数据辨识方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
多变量时间序列滑动窗口异常点的检测;戴慧等;《南京信息工程大学学报：自然科学版》;20141231;第06卷(第06期);第515-519页 *
戴慧等.多变量时间序列滑动窗口异常点的检测.《南京信息工程大学学报：自然科学版》.2014,第06卷(第06期),第515-519页. *
数据挖掘方法在短期负荷预测中的应用研究;王志勇;《中国博士学位论文全文数据库工程科技II辑》;20080415(第04期);摘要，第二章 *

Also Published As

Publication number Publication date
CN106909490A (zh) 2017-06-30

Similar Documents

Publication Publication Date Title
CN109086720B (zh) 一种人脸聚类方法、装置和存储介质
CN106685750B (zh) 系统异常检测方法和装置
CN111177505A (zh) 指标异常检测模型的训练方法、推荐的方法及装置
CN114153888B (zh) 一种时间序列数据的异常值检测方法和装置
CN110995153A (zh) 一种光伏电站的异常数据检测方法、装置及电子设备
CN112765219B (zh) 一种跳过平稳区域的流数据异常检测方法
CN111143413A (zh) 基于数据流概念漂移的异常检测方法
CN115175192A (zh) 一种基于图神经网络的车联网入侵检测方法
CN104778237A (zh) 一种基于关键用户的个性化推荐方法和系统
CN106909490A (zh) 一种监测设备数据流评估和噪声消除方法
CN111179276A (zh) 一种图像处理方法和装置
CN105335368B (zh) 一种产品聚类方法及装置
CN106650228A (zh) 改进k‑means算法的噪声数据去除方法及实施系统
CN112732682A (zh) 时空轨迹数据的处理方法、装置及计算机存储介质
CN108596170B (zh) 一种自适应非极大抑制的目标检测方法
Wang et al. K-GetNID: Knowledge-guided graphs for early and transferable network intrusion detection
CN116776155A (zh) 一种基于联邦学习的模型训练方法、装置、设备和介质
CN114861858A (zh) 一种路面异常数据检测方法、装置、设备及可读存储介质
CN110770753B (zh) 高维数据实时分析的装置和方法
CN111669411A (zh) 一种工控设备异常检测方法及系统
CN116485805A (zh) 图像分割模型的获取方法、设备及存储介质
Janos et al. On finding all reducts of consistent decision tables
CN110176132A (zh) 基于贝叶斯网络的逻辑报警根源分析方法及系统
CN106055674A (zh) 一种分布式环境下基于度量空间的top‑k支配查询方法
CN106814608B (zh) 基于后验概率分布的预测控制自适应滤波算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant