CN107220490A - 水文序列均值跳跃变异的识别与分级方法 - Google Patents
水文序列均值跳跃变异的识别与分级方法 Download PDFInfo
- Publication number
- CN107220490A CN107220490A CN201710349808.4A CN201710349808A CN107220490A CN 107220490 A CN107220490 A CN 107220490A CN 201710349808 A CN201710349808 A CN 201710349808A CN 107220490 A CN107220490 A CN 107220490A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- variation
- mover
- jump
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种水文序列均值跳跃变异的识别与分级方法,其特征在于,包括以下步骤:步骤1.对水文序列X从起点至终点范围内进行滑动识别,并且假设滑动起点为变异点,逐点滑动,依次求取各假设变异点对应的跳跃成分序列Y与原始序列X的相关系数r,取所有结果中绝对值最大的相关系数|rmax|,对其进行假设检验,若通过,则认为|rmax|所对应的假设变异点为水文序列变异点;步骤2.考虑相关系数假设检验的显著性水平α与β(α>β)、水文序列对长度的要求、相关分析对相关性大小的要求等,确定分级阈值,将变异点所对应的相关系数值与分级阈值做比较,确定跳跃变异所属级别,将跳跃变异程度划分为5级:0≤|r|<rα,无变异;rα≤|r|<rβ,弱变异;rβ≤|r|<0.6,中变异;0.6≤|r|<0.8,强变异;0.8≤|r|≤1.0,巨变异。
Description
技术领域
本发明涉及一种基于相关系数的水文序列均值跳跃变异的识别与分级方法。
技术背景
近年来,气候变化与人类活动对流域下垫面条件的影响所引起的水文效应,逐渐成为全球水循环变化研究的焦点问题。在此变化环境下,水文序列将不再认为来自同一总体,失去了原有的一致性。因此,水资源评价、规划、管理等应基于对变化环境下水文序列的非一致性成分分析之上。
对于存在跳跃变异的水文序列而言,目前关于时间序列跳跃变异的研究主要侧重于跳跃点的识别。然而,在非一致性的工程水文计算中,不仅需要对序列发生跳跃变异的时间、次数等进行识别与检验,还需要对其变异程度进行描述与分级量化,从而更全面地为开展流域环境变化及其影响评价提供依据。然而,目前针对水文序列跳跃变异分级的研究尚少,尚未提出一种有效的方法,既可识别跳跃点又可对跳跃变异程度进行分级描述,远无法满足实际需求。
为此,从序列产生跳跃变异的实质出发,取跳跃性成分与原始序列的相关系数作为跳跃变异的识别与分级指标,提出一种既可对水文序列变异点进行高效率的识别与检验,又可对变异程度进行定量描述与分级的方法,从而为水资源评价与规划提供更全面更可靠的依据。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于相关系数的水文序列均值跳跃变异的识别与分级方法。
本发明为了实现上述目的,采用了以下方案:
本发明提供一种水文序列均值跳跃变异的识别与分级方法,其特征在于,包括以下步骤:步骤1.水文序列均值变异点识别与检验:对水文序列X从起点至终点范围内进行滑动识别,并且假设滑动起点为变异点,逐点滑动,依次求取各假设变异点对应的跳跃成分序列Y与原始序列X的相关系数r,取所有结果中绝对值最大的相关系数|rmax|,对其进行假设检验,若通过,则认为|rmax|所对应的假设变异点为水文序列变异点;步骤2.水文序列跳跃变异分级:考虑相关系数假设检验的显著性水平、水文序列对长度的要求、相关分析对相关性大小的要求等,确定相关系数阈值,将跳跃变异程度划分为5级:0≤|r|<rα,级别为无变异;rα≤|r|<rβ,级别为弱变异;rβ≤|r|<0.6,级别为中变异;0.6≤|r|<0.8,级别为强变异;0.8≤|r|≤1.0,级别为巨变异。
本发明提供的水文序列均值跳跃变异的识别与分级方法,还可以具有以下特征:
步骤1包括以下子步骤:
子步骤1-1.求取相关系数绝对值|r|:
对于长度为n的序列X={xi},通过跳跃变异诊断得到其变异点位置后,将整个序列分割成长度分别为n1和n2的两段子序列,求得序列均值为前后两个子序列均值分别为和
构造一个跳跃成分组成的序列Y={yi},(i=1,2,...,n1);(j=n1+1,n1+2,...,n),则跳跃成分序列的均值可表示为:
原始序列X与跳跃成分Y具有一定的相关关系,其相关系数r为:
简化后可得:
在上式中,
子步骤1-2.假设检验:
从水文序列X中各个各假设变异点所对应的相关系数中选取绝对值最大的相关系数|rmax|,对其进行假设检验,从常用的显著水平0.01,0.02,0.05和0.1中取α,若|rmax|<rα,说明未通过假设检验,则该序列无跳跃变异点;若|rmax|>rα,说明通过假设检验,则认为|rmax|所对应的假设变异点为该水文序列的变异点。
本发明提供的水文序列均值跳跃变异的识别与分级方法,还可以具有以下特征:步骤2包括以下内容:对相关系数进行假设检验,从常用的显著水平0.01、0.02、0.05、0.1中取α与β(α>β)分别进行检验;若r未通过显著水平为α的检验,则说明此显著水平下变异不显著,将其划分为无变异级别;若通过了显著水平为α的检验但未通过显著水平为β的检验,则划分为弱变异级别;若通过显著水平为β的检验,则说明变异较为显著,可再细化分级;当资料长度取水文计算要求的最短值20时,常用显著水平下的最大阈值均小于0.6,则对于rβ≤|r|<0.6,将其变异程度划分为中变异级别;相关系数|r|≥0.8,则划分为巨变异级别;而0.6≤|r|<0.8时,则划分为强变异级别。
发明的作用与效果
本发明从序列产生跳跃变异的实质出发,取跳跃性成分与原始序列的相关系数作为跳跃变异的识别与分级指标,提出一种既可对水文序列变异点进行高效率的识别与检验,又可对变异程度进行定量描述与分级的方法,从而为水资源评价与规划提供更全面更可靠的依据。
附图说明
图1为本发明实施例所涉及的实测太湖年降水序列跳跃变异情况示意图;
图2为本发明实施例所涉及的实测太湖年径流序列跳跃变异情况示意图;
图3为本发明实施例所涉及的实测沱江年降水序列跳跃变异情况示意图;
图4为本发明实施例所涉及的实测开孔河年降水序列跳跃变异情况示意图;以及
图5为本发明实施例所涉及的实测博罗站年水位序列跳跃变异情况示意图。
具体实施方式
以下结合附图对本发明涉及的水文序列均值跳跃变异的识别与分级方法的具体实施方案进行详细地说明。
<实施例>
如图1所示,本实施例所提供的水文序列均值跳跃变异的识别与分级方法包括以下步骤:
步骤1.水文序列均值变异点识别与检验:
对水文序列X从起点至终点范围内进行滑动识别,并且假设滑动起点为变异点,逐点滑动,依次求取各假设变异点对应的跳跃成分序列Y与原始序列X的相关系数r,取所有结果中绝对值最大的相关系数|rmax|,对其进行假设检验,若通过,则认为|rmax|所对应的假设变异点为水文序列变异点;具体包括以下子步骤:
子步骤1-1.求取相关系数绝对值|r|:
对于长度为n的序列X={xi},通过跳跃变异诊断得到其变异点位置后,将整个序列分割成长度分别为n1和n2的两段子序列,求得序列均值为前后两个子序列均值分别为和
构造一个跳跃成分组成的序列Y={yi},(i=1,2,...,n1);(j=n1+1,n1+2,...,n),则跳跃成分序列的均值可表示为:
原始序列X与跳跃成分Y具有一定的相关关系,其相关系数r为:
无论该序列的跳跃变异程度如何,均可求得此相关系数r,且取值范围为±1,表明r具有易求解和便于比较的属性;
由相关系数定义式可知,公式(5)中r主要是反映了原始序列与跳跃成分的相关程度,为更加明确地阐明其具有表征跳跃变异程度的能力,对与r的关系进行推导。
将式(5)中分子分母各项用 表示如下:
式中:
将式(6)-(9)代入式(5)并简化可得:
子步骤1-2.假设检验:
对于存在均值跳跃变异的序列而言,在一定离散程度下,所识别出的变异点应使得变异点前后子序列均值之差尽可能大。由式(11)可知,相关系数的绝对值可以反映上述变异点识别的基本条件。由此提出利用水文序列的相关系数进行滑动检验的设想:对于变异点未知的序列,假设滑动起点为变异点,逐点滑动,依次求取各假设变异点对应的跳跃成分序列Y与原始序列X的相关系数。
取水文序列X中各假设变异点所对应的相关系数中绝对值最大的相关系数|rmax|,对其进行假设检验。从常用的显著水平0.01,0.02,0.05和0.1中取α,若|rmax|<rα,说明未通过假设检验,则该序列无跳跃变异点;若|rmax|>rα,说明通过假设检验,则认为|rmax|所对应的假设变异点为该水文序列的变异点。此外,考虑到假设变异点的位置若过于靠近首端或尾端会使得子序列样本容量太小,导致抽样误差太大,结果不可靠,因此滑动检测通常不从序列起点开始。
步骤2.水文序列跳跃变异分级
对相关系数进行假设检验,从常用的显著水平0.01、0.02、0.05、0.1中取α与β(α>β)分别进行检验;若r未通过显著水平为α的检验,则说明此显著水平下变异不显著,将其划分为无变异级别;若通过了显著水平为α的检验但未通过显著水平为β的检验,则划分为弱变异级别;若通过显著水平为β的检验,则说明变异较为显著,可再细化分级;
另外,当资料长度取水文计算要求的最短值20时,常用显著水平下的最大阈值均小于0.6,则对于rβ≤|r|<0.6,将其变异程度划分为中变异级别;在对水文序列进行相关分析时,通常要求相关系数|r|≥0.8,因为此时相关系数可以通过常用显著水平的显著性检验,说明两变量之间线性关系显著,从变异的角度来看,原序列与跳跃成分序列相关显著,则说明序列跳跃变异非常显著,因此可将其变异程度划分为巨变异级别;而0.6≤|r|<0.8时,则划分为强变异级别。
本实施例中,采用上述水文序列均值跳跃变异识别与分级方法,在显著水平α=0.05,β=0.01的条件下,首先对澜沧江下游允景洪水文站多时间尺度径流序列进行变异点识别。同时采用Pettitt检验法与Brown-Forsythe检验法作为对比,可知本方法在实际水文序列的变异点识别检验中有较为理想的效果。变异点识别结果及识别效率如下表1所示:
表1.允景洪站多时间尺度径流序列变异点识别检验结果表
注:“↑”“↓”表示跳跃变异方向;“-”表示无显著变异点。
此外,对多个中国水资源二级区、三级区的降雨径流序列及东江下游博罗站年水位序列进行变异分级。利用上述分级方法,求得各序列的相关系数值。在显著性水平α=0.05、β=0.01条件下,得到跳跃变异分级对应的上下限,其中rα=0.294,rβ=0.380。对各实测序列跳跃变异程度进行分级,结果如下表2所示:
表2.多站实测水文序列均值跳跃变异分级结果
注:+表示变异点显著性较强,﹣表示较弱。
检测出的太湖年降水序列跳跃变异点的显著性较弱,其相关系数仅为0.274,小于rα(0.294),因此认为该序列未发生跳跃变异。但太湖年径流序列的相关系数为0.360,满足rα≤|r|<rβ,表明该序列发生微弱向上的跳跃变异。沱江年降水序列的相关系数为-0.516,负值表明跳跃变异方向向下,其绝对值满足rβ≤|r|<0.6,也表明该序列的跳跃变异程度较明显。开孔河年降水序列的相关系数为0.659,绝对值落在区间[0.600,0.800),对应强烈的向上跳跃变异。博罗站水位序列的相关系数为-0.919,其绝对值远大于0.800,表明跳跃变异已达到巨变异程度,且方向向下。各序列跳跃变异分级如图1至5所示。
综上,水文序列均值跳跃变异识别与分级方法是从序列产生跳跃变异的实质出发,在原理上体现出水文序列变异点前后均值跳跃变异幅度、离散程度等性质,是一种既可对水文序列变异点进行高效率的识别与检验,又可对变异程度进行定量描述与分级的方法,计算简便,结果可靠,可操作性强,具有很大的实际应用价值。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的水文序列均值跳跃变异的识别与分级方法并不仅仅限定于在以上实施例中所描述的内容,而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换,都在本发明的权利要求所要求保护的范围内。
Claims (3)
1.一种水文序列均值跳跃变异的识别与分级方法,其特征在于,包括以下步骤:
步骤1.水文序列均值变异点识别与检验:
对水文序列X从起点至终点范围内进行滑动识别,并且假设滑动起点为变异点,逐点滑动,依次求取各假设变异点对应的跳跃成分序列Y与原始序列X的相关系数r,取所有结果中绝对值最大的相关系数|rmax|,对其进行假设检验,若通过,则认为|rmax|所对应的假设变异点为水文序列变异点;
步骤2.水文序列跳跃变异分级:
考虑相关系数假设检验的显著性水平α与β、水文序列对长度的要求、相关分析对相关性大小的要求,确定分级阈值,将变异点所对应的相关系数值与分级阈值做比较,确定跳跃变异所属级别,将跳跃变异程度划分为5级:0≤|r|<rα,级别为无变异;rα≤|r|<rβ,级别为弱变异;rβ≤|r|<0.6,级别为中变异;0.6≤|r|<0.8,级别为强变异;0.8≤|r|≤1.0,级别为巨变异;其中,α>β。
2.根据权利要求1所述的水文序列均值跳跃变异的识别与分级方法,其特征在于:
其中,所述步骤1包括以下子步骤:
子步骤1-1.求取相关系数绝对值|r|:
对于长度为n的序列X={xi},通过跳跃变异诊断得到其变异点位置后,将整个序列分割成长度分别为n1和n2的两段子序列,求得序列均值为前后两个子序列均值分别为和
<mrow>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mo>...</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>n</mi>
<mo>,</mo>
</mrow>
<mrow>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mo>...</mo>
<msub>
<mi>x</mi>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
</mrow>
<mrow>
<mover>
<mi>q</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>+</mo>
<mo>...</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
</mrow>
构造一个跳跃成分组成的序列Y={yi},(i=1,2,...,n1);(j=n1+1,n1+2,...,n),则跳跃成分序列的均值可表示为:
<mrow>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mo>+</mo>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
<mover>
<mi>q</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mi>n</mi>
</mfrac>
<mo>,</mo>
</mrow>
原始序列X与跳跃成分Y具有一定的相关关系,其相关系数r为:
<mrow>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;x</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>n</mi>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mrow>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;x</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mi>n</mi>
<msup>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;y</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mi>n</mi>
<msup>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
简化后可得:
<mrow>
<mo>|</mo>
<mi>r</mi>
<mo>|</mo>
<mo>=</mo>
<mfrac>
<mrow>
<msqrt>
<mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
</mrow>
</msqrt>
<mo>|</mo>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<mover>
<mi>q</mi>
<mo>&OverBar;</mo>
</mover>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>n&sigma;</mi>
<mi>x</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
在上式中,
子步骤1-2.假设检验:
从水文序列X中各个各假设变异点所对应的相关系数中选取绝对值最大的相关系数|rmax|,对其进行假设检验,从常用的显著水平0.01,0.02,0.05和0.1中取α,若|rmax|<rα,说明未通过假设检验,则该序列无跳跃变异点;若|rmax|>rα,说明通过假设检验,则认为|rmax|所对应的假设变异点为该水文序列的变异点。
3.根据权利要求2所述的水文序列均值跳跃变异的识别与分级方法,其特征在于:
其中,所述步骤2包括以下内容:
对相关系数进行假设检验,从常用的显著水平0.01、0.02、0.05、0.1中取α与β分别进行检验;若r未通过显著水平为α的检验,则说明此显著水平下变异不显著,将其划分为无变异级别;若通过了显著水平为α的检验但未通过显著水平为β的检验,则划分为弱变异级别;若通过显著水平为β的检验,则说明变异较为显著,可再细化分级;
当资料长度取水文计算要求的最短值20时,常用显著水平下的最大阈值均小于0.6,则对于rβ≤|r|<0.6,将其变异程度划分为中变异级别;相关系数|r|≥0.8,则划分为巨变异级别;而0.6≤|r|<0.8时,则划分为强变异级别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710349808.4A CN107220490B (zh) | 2017-05-17 | 2017-05-17 | 水文序列均值跳跃变异的识别与分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710349808.4A CN107220490B (zh) | 2017-05-17 | 2017-05-17 | 水文序列均值跳跃变异的识别与分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107220490A true CN107220490A (zh) | 2017-09-29 |
CN107220490B CN107220490B (zh) | 2019-08-20 |
Family
ID=59944138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710349808.4A Expired - Fee Related CN107220490B (zh) | 2017-05-17 | 2017-05-17 | 水文序列均值跳跃变异的识别与分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220490B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944206A (zh) * | 2017-10-24 | 2018-04-20 | 中山大学 | 一种洪水特征时间变异性识别方法 |
CN108304353A (zh) * | 2018-01-10 | 2018-07-20 | 武汉大学 | 水文序列相依性变异程度分析方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281776A (zh) * | 2014-09-23 | 2015-01-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种人类活动对河川径流过程显著影响期的判断方法 |
-
2017
- 2017-05-17 CN CN201710349808.4A patent/CN107220490B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281776A (zh) * | 2014-09-23 | 2015-01-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种人类活动对河川径流过程显著影响期的判断方法 |
Non-Patent Citations (5)
Title |
---|
HEGHINIAN S M: "A shift of the mean level in a sequence of independent normal random variables:a bayesian approach", 《TECHNOMETRICS》 * |
PERREAULT L等: "Bayesian change-point analysis in hydrometeorological time series", 《JOURNAL OF HYDROLOGY》 * |
何睿等: "基于水文变异诊断系统的黑河流域上中游径流序列变异", 《生态学杂志》 * |
李彬彬等: "基于Hurst系数与Bartels检验的水文变异联合分析方法", 《应用基础与工程科学学报》 * |
谢平等: "基于相关系数的水文趋势变异分级方法", 《应用基础与工程科学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944206A (zh) * | 2017-10-24 | 2018-04-20 | 中山大学 | 一种洪水特征时间变异性识别方法 |
CN108304353A (zh) * | 2018-01-10 | 2018-07-20 | 武汉大学 | 水文序列相依性变异程度分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107220490B (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330591A (zh) | 少样本学习的钢轨表面缺陷检测方法及装置 | |
US20140067811A1 (en) | Robust Adaptive Data Clustering in Evolving Environments | |
CN106294344A (zh) | 视频检索方法和装置 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
Kang et al. | Detecting and classifying events in noisy time series | |
CN109002859B (zh) | 基于主成分分析的传感器阵列特征选择和阵列优化方法 | |
CN105205501A (zh) | 一种多分类器联合的弱标注图像对象检测方法 | |
Lomax | Introduction to structural equation modeling | |
CN105334504A (zh) | 基于大边界的非线性判别投影模型的雷达目标识别方法 | |
CN106203483A (zh) | 一种基于语义相关多模态映射方法的零样本图像分类方法 | |
JP7389787B2 (ja) | マルチ-レベル転移領域に基づくドメイン適応型オブジェクト検出装置及び方法 | |
CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN105447520A (zh) | 一种基于加权投影对支持向量机的样本分类方法 | |
CN106228190A (zh) | 针对居民异常用水的决策树判别方法 | |
CN104268584A (zh) | 一种基于分层过滤的人脸检测方法 | |
CN107220490A (zh) | 水文序列均值跳跃变异的识别与分级方法 | |
CN106295708A (zh) | 一种基于Fisher分类器组的连续型数据预处理方法 | |
Su et al. | New particle formation event detection with Mask R-CNN | |
CN104570109A (zh) | 一种储层油气预测的方法 | |
CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
CN102902984B (zh) | 基于局部一致性的遥感影像半监督投影降维方法 | |
CN106055645A (zh) | 一种用于高维数据分析的维度重要性评估方法 | |
CN111984790A (zh) | 一种实体关系抽取方法 | |
CN109783586B (zh) | 基于聚类重采样的水军评论检测方法 | |
CN104880737A (zh) | 测井资料识别地下流体类型的多元Logistic方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190820 Termination date: 20210517 |
|
CF01 | Termination of patent right due to non-payment of annual fee |