CN109388781A - 测量数据的处理方法和装置 - Google Patents
测量数据的处理方法和装置 Download PDFInfo
- Publication number
- CN109388781A CN109388781A CN201710693437.1A CN201710693437A CN109388781A CN 109388781 A CN109388781 A CN 109388781A CN 201710693437 A CN201710693437 A CN 201710693437A CN 109388781 A CN109388781 A CN 109388781A
- Authority
- CN
- China
- Prior art keywords
- time
- symbol
- time slice
- sequence
- symbolic vector
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种测量数据的处理方法和装置,其中,该方法包括:根据各个测量时间点的测量数据,生成原始序列,将原始序列划分为多个时间片段,针对每一个时间片段,根据时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到时间片段的各维度序列,对时间片段的各维度序列,分别提取多种特征,得到时间片段的符号向量,对根据多个时间片段的符号向量生成的符号向量序列,采用模体发现算法进行处理。解决了现有技术中的时序转换算法在对时序进行降维后,使得时序片段提供的特征和信息太少,造成motif发现不准确,从而导致行为识别效果较差的技术问题。
Description
技术领域
本发明涉及测试技术领域,尤其涉及一种测量数据的处理方法和装置。
背景技术
伴随移动计算,网络与传感器技术的普及与提高,识别与追踪人体活动成为了可穿戴领域的重要应用。通过追踪人体行为建立人体健康图谱,而人体行为识别包括坐、站、走、跑步、骑车和开车等独立行为识别与发现,也包括一段较长时间内各种不同行为状态的切换。
而对人体行为的识别,基于测量得到的序列进行分析和提取,这里的序列是指随着时间变化而形成的有序数据列表,它反映了某个事务/事件随着时间变化的状态,其状态可以用实数值或符号来表示。
现有技术中,这种为了避免维度灾难,将序列降低维度,再利用模体(motif)发现进行识别的方式,造成motif发现不准确,从而导致行为识别效果较差的问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种测量数据的处理方法,解决了现有技术中的时序转换算法在对时序进行降维后,使得时序片段提供的特征和信息太少,造成motif发现不准确,从而导致行为识别效果较差的技术问题。
本发明的第二个目的在于提出一种测量数据的处理装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程序产品。
为达上述目的,本发明第一方面实施例提出了一种测量数据的处理方法,包括:
根据各个测量时间点的测量数据,生成原始序列;
将所述原始序列划分为多个时间片段;其中,每一个时间片段包含多个测量时间点;
针对每一个时间片段,根据所述时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到所述时间片段的各维度序列;
对所述时间片段的各维度序列,分别采用多个维度提取特征,得到所述时间片段的符号向量;所述符号向量,包括对各维度序列进行特征提取得到的符号子向量,每一个符号子向量包括多个维度特征;
对根据多个时间片段的符号向量生成的符号向量序列,采用模体发现算法进行处理。
本实施例的一种测量数据的处理方法中,根据各个测量时间点的测量数据,生成原始序列,将原始序列划分为多个时间片段,针对每一个时间片段,根据时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到时间片段的各维度序列,对时间片段的各维度序列,分别采用多个维度提取特征,得到时间片段的符号向量,对包括多个时间片段的符号向量的符号向量序列,采用模体发现算法进行处理。解决了现有技术中的时序转换算法在对时序进行降维后,使得时序片段提供的特征和信息太少,造成motif发现不准确,从而导致行为识别效果较差的技术问题。
为达上述目的,本发明第二方面实施例提出了一种测量数据的处理装置,包括:
生成模块,用于根据各个测量时间点的测量数据,生成原始序列;
划分模块,用于将所述原始序列划分为多个时间片段;其中,每一个时间片段对应多个测量时间点;
运算模块,用于针对每一个时间片段,根据所述时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到所述时间片段的各维度序列;
特征提取模块,用于对所述时间片段的各维度序列,分别采用多个维度提取特征,得到所述时间片段的符号向量;所述符号向量,包括对各维度序列进行特征提取得到的符号子向量,每一个符号子向量包括多个维度特征;
处理模块,用于对根据多个时间片段的符号向量生成的符号向量序列,采用模体发现算法进行处理。
本实施例的一种测量数据的处理装置中,生成模块根据各个测量时间点的测量数据,生成原始序列,划分模块将原始序列划分为多个时间片段,运算模块针对每一个时间片段,根据时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到时间片段的各维度序列,特征提取模块用于对时间片段的各维度序列,分别采用多个维度提取特征,得到时间片段的符号向量,处理模块用于对包括多个时间片段的符号向量的符号向量序列,采用模体发现算法进行处理。解决了现有技术中的时序转换算法在对时序进行降维后,使得时序片段提供的特征和信息太少,造成motif发现不准确,从而导致行为识别效果较差的技术问题。
为达上述目的,本发明第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现第一方面实施例所述的一种测量数据的处理方法。
为了实现上述目的,本发明第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,当该程序被处理器执行时,实现第一方面实施例所述的一种测量数据的处理方法。
为了实现上述目的,本发明第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令由处理器执行时,实现第一方面实施例所述的一种测量数据的处理方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所提供的一种测量数据的处理方法的流程示意图;
图2为本发明实施例所提供的另一种测量数据的处理方法的流程示意图;
图3为示例性的将维度序列采用多个维度量化为符号特征的示意图;
图4为本发明实施例所提供的一种测量数据的处理装置的结构示意图;
图5为本发明实施例所提供的另一种测量数据的处理装置的结构示意图;以及
图6示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的测量数据的处理方法和装置。
图1为本发明实施例所提供的一种测量数据的处理方法的流程示意图,如图1所示,该方法包括:
步骤S101,根据各个测量时间点的测量数据,生成原始序列。
具体地,将各个测量时间点的测量数据生成原始序列。其中,原始序列即指随时间变化而形成的有序数据列表。
步骤S102,将原始序列划分为多个时间片段。
具体地,以预设长度和预设偏移量,将原始序列划分为多个时间片段。
例如,原始序列为M长的序列,即有M个测量时间点,预设长度为W,预设偏移量为1,在长为M的序列上,利用长度为W的窗口进行滑动,每次滑动的偏移量为1,从而将序列划分为多个时间片段。
步骤S103,针对每一个时间片段,根据时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到时间片段的各维度序列。
具体地,多种算法包括差分和各级范数中的至少两个。
步骤S104,对时间片段的各维度序列,分别采用多个维度提取特征,得到时间片段的符号向量。
具体地,对每一个维度序列,进行多个维度的特征提取,得到维度序列的多个维度特征,根据维度序列的多个维度特征,生成对应维度序列的符号子向量,根据属于相同时间片段的各维度序列的符号子向量,生成时间片段的符号向量。
其中,多个维度包括均值、方差、分位数值、频谱系数、均值穿过率、峰值、最小值和峰峰值中的至少两个。
步骤S105,对根据多个时间片段的符号向量生成的符号向量序列,采用模体发现算法进行处理。
具体地,在模体发现过程中,对不同时间片段的符号向量之间所对应的符号子向量,根据多个维度对应的权重,计算符号子向量之间的相似距离,根据符号子向量之间的相似距离,查询相似的符号向量。
本实施例的一种测量数据的处理方法中,根据各个测量时间点的测量数据,生成原始序列,将原始序列划分为多个时间片段,针对每一个时间片段,根据时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到时间片段的各维度序列,对时间片段的各维度序列,分别采用多个维度提取特征,得到时间片段的符号向量,对根据多个时间片段的符号向量生成的符号向量序列,采用模体发现算法进行处理,解决了现有技术中的时序转换算法在对时序进行降维后,使得时序片段提供的特征和信息太少,造成motif发现不准确,从而导致行为识别效果较差的技术问题。
基于上述实施例,本发明还提出了一种测量数据的处理方法的可能的实现方式,更加清楚的解释了如何对时间片段的各维度序列从多个维度构造更多的特征,并查询得到相似的符号向量。图2为本发明实施例所提供的另一种测量数据的处理方法的流程示意图,如图2所示,该方法包括:
步骤S201,根据各个测量时间点的测量数据,生成原始序列。
举例,若测量时间点为M个,则生成的原始序列即为M长的时间序列,在实际应用中,该时间序列可以是采集不同的传感器信号得到的,该传感器可以是加速度传感器、陀螺仪和磁场仪,本实施例中对传感器类型不做限定。
具体地,获取传感器在三维空间上各测量时间点的测量数据,生成原始序列其中为三维空间中第一维度空间内,测量时间点i的测量数据xi构成的序列,为三维空间中第二维度空间内,测量时间点i的测量数据yi构成的序列,为三维空间中第三维度空间内,测量时间点i的测量数据zi构成的序列,测量时间点i的总数为M个。
步骤S202,将原始序列划分为多个时间片段。
例如,采用偏移一个测量时间点的时间片段划分方式,在长为M的序列上,利用长度为W的窗口进行滑动,每次滑动的偏移量为1即得到多个时间片段。
步骤S203,针对每一个时间片段,根据时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到时间片段的各维度序列。
具体地,多种算法包括差分和各级范数中的至少两个。
举例,任选一个时间片段,该时间片段包含的测量时间点为点1至点W,该时间片段的序列为采用多种算法进行扩维计算,得到该时间片段的各维度序列。
其中,采用差分算法,对该时间片段的序列进行计算,得到差分算法的维度序列为其中,
采用L2范数算法,对该时间片段的序列进行计算,得到L2范数的维度序列
采用L1范数算法,对该时间片段的序列进行计算,得到L1范数的维度序列
需要说明的是,对其他时间片段进行计算,得到对应时间片段的维度序列的方法基本相同,此处不一一赘述。
步骤S204,对每一个维度序列,进行多个维度的特征提取,得到维度序列的多个维度特征。
具体地,对每一个维度序列,进行多个维度的特征提取,其中,多个维度包括均值、方差、分位数值、频谱系数、均值穿过率、峰值、最小值和峰峰值中的至少两个。
作为一种可能的实现方式,图3为示例性的将维度序列采用多个维度量化为符号特征的示意图,如图3所示,在第一个时间片段的维度序列进行均值、方差和峰值三个维度的符号特征提取,得到该维度序列的三个维度特征。相似地,对后续时间片段的维度序列均执行前述符号特征提取的步骤,最终所得到的各时间片段的维度序列均值计算结果为d,b,d,b,d,c,a;方差计算结果为Va,Vd,Va,Vc,Va,Vb,Va;峰值计算结果为Pd,Pd,Pc,Pc,Pb,Pb,Pa。
需要解释的是,根据符号a,b,c,d,e对维度序列进行多维度的特征提取,作为一种可能的实现方式,对维度序列通过均值进行符号化,是根据划分的各均值对应的序列计算平均值,并从对应的符号中找到最接近的值做为均值的结果。
需要理解的是,通过图3示出了采用某一种算法得到的不同时间片段的维度序列进行多维度特征提取的过程,对其它算法得到的维度序列进行多维度特征提取的方法类似,此处不再赘述。
步骤S205,根据维度序列的多个维度特征,生成对应维度序列的符号子向量。
具体地,根据维度序列的多个维度特征,生成对应维度序列的符号子向量,对应图3,符号子向量分别为:[d,Va,…,Pd],[b,Vd,…,Pd],[d,Va,…,Pc],[b,Vc,…,Pc],[d,Va,…,Pb],[c,Vb,…,Pb]和[a,Va,…,Pa],而符号子向量的维度则取决于采用多少维度进行特征提取。
需要说明是,上述的符号子向量是对应一个维度序列,但对应不同时间片段,例如,若符号子向量[d,Va,…,Pd]对应第一个时间片段,是采用差分算法得到的符号子向量,那么,该时间片段采用一级范数算法和二级范数算法得到的符号子向量可分别表示为[d’,Va’,…,Pd’],[d”,Va”,…,Pd”]。
需要解释的是,符号子向量中的省略号是指一个维度序列中均值、方差、峰值以外的其他维度对应的符号特征。
步骤S206,根据属于相同时间片段的各维度序列的符号子向量,生成时间片段的符号向量。
具体地,将属于相同时间片段的各维度序列的符号子向量,生成该时间片段的符号向量,例如,以上述第一时间片段为例,对应第一时间片段的符号向量可表示为:[[d,Va,…,Pd],[d’,Va’,…,Pd’],[d”,Va”,…,Pd”]]。
需要说明的是,其他时间片段的符号向量的生成方式和上述第一个时间片段的生成方式相同,此处不一一赘述。
步骤S207,在模体发现过程中,对不同时间片段的符号向量之间所对应的符号子向量,根据多个维度对应的权重,计算符号子向量之间的相似距离。
具体地,符号子向量包含利用多个维度进行特征提取得到的符号特征,而每个维度得到的符号特征重要性不同,根据特征的重要程度,分配不同的权重,即重要的特征分配较大的权重,不重要的特征分配较小的权重,此权重可根据实际应用场景规则人工制定,也可以通过机器学习算法拟合得到。举例,若每个符号子向量均为3维,包含利用均值、方差和峰值3个维度进行特征提取得到的符号特征,为了便于区分定义符号子向量X=[d,Va,Pd],符号子向量Y=[d,Va,Pc],根据实际应用场景定义均值之间的距离权重占比为0.5,方差之间的距离权重占比为0.3,峰值之间的距离权重占比为0.2,根据3个维度对应的权重,计算符号子向量之间的相似距离。
进而,预设阈值K和确定距离公式D,若对于符号子向量X和Y,有D(X,Y)≤K,则认为符号子向量X和符号子向量Y之间是相似的,作为一种可能的实现方式,可采用欧几里得距离公式计算符号子向量之间的相似距离,考虑符号子向量中对应维度的权重,欧几里得距离公式可表示为:其中,n为符号子向量的维度数量,Qi为符号子向量中维度对应的符号的权重。
步骤S208,根据符号子向量之间的相似距离,查询相似的符号向量。
具体地,若符号子向量之间的相似距离在预设阈值之内,则符号子向量是相似的,可查询得到相似的符号向量。
作为一种可能的实现方式,将符号子向量采用哈希算法进行映射,计算得到相同符号子向量存储的位置,即可找到相同的符号子向量。
需要理解的是,通过模体算法查找得到相似的符号向量,可以找出时间片段中相似的部分,一方面,可以对相似的符号向量进行去重,另一方面,在人体活动状态的测量场景下,若不存在相似符号向量时,确定出相应的测量数据存在错误,这是由于,当时间片段对应的时间很短时,由于人体活动的连续性,不同时间片段的符号向量之间会存在一定的相似性,也就是说,人体活动不会是突变的,因此,当不存在相似符号向量时,可以确定该时间片段内的测量数据存在错误。例如,可能是某一符号向量对应的测量数据中间有断点,不连续,进而,这个符号向量可以排除。
本实施例的一种测量数据的处理方法中,根据各个测量时间点的测量数据,生成原始序列,将原始序列划分为多个时间片段,针对每一个时间片段,根据时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到时间片段的各维度序列,对时间片段的各维度序列,分别采用多个维度提取特征,得到时间片段的符号向量,对根据多个时间片段的符号向量生成的符号向量序列,采用模体发现算法进行处理,解决了现有技术中的时序转换算法在对时序进行降维后,使得时序片段提供的特征和信息太少,造成motif发现不准确,从而导致行为识别效果较差的技术问题。
为了实现上述实施例,本发明还提出一种测量数据的处理装置。
图4为本发明实施例所提供的一种测量数据的处理装置的结构示意图,如图4所示,该装置包括:生成模块41、划分模块42、运算模块43、特征提取模块44和处理模块45。
生成模块41,用于根据各个测量时间点的测量数据,生成原始序列。
划分模块42,用于将原始序列划分为多个时间片段,其中,每一个时间片段对应多个测量时间点。
运算模块43,用于针对每一个时间片段,根据时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到时间片段的各维度序列。
特征提取模块44,用于对时间片段的各维度序列,分别采用多个维度提取特征,得到时间片段的符号向量,其中,符号向量,包括对各维度序列进行特征提取得到的符号子向量,每一个符号子向量包括多个维度特征。
处理模块45,用于对根据多个时间片段的符号向量生成的符号向量序列,采用模体发现算法进行处理。
需要说明的是,上述对方法实施例的解释说明也适用于本实施例的装置,此处不再赘述。
本实施例的一种测量数据的处理装置中,生成模块根据各个测量时间点的测量数据,生成原始序列,划分模块将原始序列划分为多个时间片段,运算模块针对每一个时间片段,根据时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到时间片段的各维度序列,特征提取模块用于对时间片段的各维度序列,分别采用多个维度提取特征,得到时间片段的符号向量,处理模块用于对根据多个时间片段的符号向量生成的符号向量序列,采用模体发现算法进行处理,解决了现有技术中的时序转换算法在对时序进行降维后,使得时序片段提供的特征和信息太少,造成motif发现不准确,从而导致行为识别效果较差的技术问题。
基于上述实施例,本发明还提出了一种测量数据的处理装置的可能的实现方式,图5为本发明实施例所提供的另一种测量数据的处理装置的结构示意图,如图5所示,在上一实施例基础上,特征提取模块44包括:提取单元441和生成单元442。
提取单元441,用于对每一个维度序列,进行多个维度的特征提取,得到维度序列的多个维度特征。
生成单元442,用于根据维度序列的多个维度特征,生成对应维度序列的符号子向量,根据属于相同时间片段的各维度序列的符号子向量,生成时间片段的符号向量。
作为一种可能的实现方式,处理模块45包括:计算单元451和查询单元452。
计算单元451,用于在模体发现过程中,对不同时间片段的符号向量之间所对应的符号子向量,根据多个维度对应的权重,计算符号子向量之间的相似距离。
查询单元452,用于根据符号子向量之间的相似距离,查询相似的符号向量。
需要说明的是,前述对方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
本实施例的一种测量数据的处理装置中,生成模块根据各个测量时间点的测量数据,生成原始序列,划分模块将原始序列划分为多个时间片段,运算模块针对每一个时间片段,根据时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到时间片段的各维度序列,特征提取模块用于对时间片段的各维度序列,分别采用多个维度提取特征,得到时间片段的符号向量,处理模块用于对根据多个时间片段的符号向量生成的符号向量序列,采用模体发现算法进行处理,解决了现有技术中的时序转换算法在对时序进行降维后,使得时序片段提供的特征和信息太少,造成motif发现不准确,从而导致行为识别效果较差的技术问题。
为了实现上述实施例,本发明还提出一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行该程序时,实现上述实施例所述的测量数据的处理方法。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,当存储介质中的指令由处理器执行时,实现上述实施例所述的测量数据的处理方法。
为了实现上述实施例,本发明还提出一种计算机程序产品,当计算机程序产品中的指令由处理器执行时,实现上述实施例所述的测量数据的处理方法。
图6示出了适于用来实现本申请实施方式的示例性计算机设备的框图,图6显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的访问权限控制方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (13)
1.一种测量数据的处理方法,其特征在于,包括以下步骤:
根据各个测量时间点的测量数据,生成原始序列;
将所述原始序列划分为多个时间片段;其中,每一个时间片段包含多个测量时间点;
针对每一个时间片段,根据所述时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到所述时间片段的各维度序列;
对所述时间片段的各维度序列,分别采用多个维度提取特征,得到所述时间片段的符号向量;所述符号向量,包括对各维度序列进行特征提取得到的符号子向量,每一个符号子向量包括多个维度特征;
对根据多个时间片段的符号向量生成的符号向量序列,采用模体发现算法进行处理。
2.根据权利要求1所述的处理方法,其特征在于,所述对根据多个时间片段的符号向量生成的符号向量序列,采用模体发现算法进行处理,包括:
在模体发现过程中,对不同时间片段的符号向量之间所对应的符号子向量,根据多个维度对应的权重,计算符号子向量之间的相似距离;
根据所述符号子向量之间的相似距离,查询相似的符号向量。
3.根据权利要求1所述的处理方法,其特征在于,所述将所述原始序列划分为多个时间片段,包括:
以预设长度和预设偏移量,将所述原始序列划分为多个时间片段。
4.根据权利要求1所述的处理方法,其特征在于,所述对所述时间片段的各维度序列,分别采用多个维度提取特征,得到所述时间片段的符号向量,包括:
对每一个维度序列,进行多个维度的特征提取,得到所述维度序列的多个维度特征;
根据所述维度序列的多个维度特征,生成对应所述维度序列的符号子向量;
根据属于相同时间片段的各维度序列的符号子向量,生成所述时间片段的符号向量。
5.根据权利要求1-4任一项所述的处理方法,其特征在于,所述多个维度包括均值、方差、分位数值、频谱系数、均值穿过率、峰值、最小值和峰峰值中的至少两个。
6.根据权利要求1-4任一项所述的处理方法,其特征在于,所述多种算法包括差分和各级范数中的至少两个。
7.一种测量数据的处理装置,其特征在于,包括:
生成模块,用于根据各个测量时间点的测量数据,生成原始序列;
划分模块,用于将所述原始序列划分为多个时间片段;其中,每一个时间片段对应多个测量时间点;
运算模块,用于针对每一个时间片段,根据所述时间片段内测量时间点的测量数据,采用多种算法进行扩维计算,得到所述时间片段的各维度序列;
特征提取模块,用于对所述时间片段的各维度序列,分别采用多个维度提取特征,得到所述时间片段的符号向量;所述符号向量,包括对各维度序列进行特征提取得到的符号子向量,每一个符号子向量包括多个维度特征;
处理模块,用于对根据多个时间片段的符号向量生成的符号向量序列,采用模体发现算法进行处理。
8.根据权利要求7所述的处理装置,其特征在于,所述处理模块,包括:
计算单元,用于在模体发现过程中,对不同时间片段的符号向量之间所对应的符号子向量,根据多个维度对应的权重,计算符号子向量之间的相似距离;
查询单元,用于根据所述符号子向量之间的相似距离,查询相似的符号向量。
9.根据权利要求7所述的处理装置,其特征在于,所述划分模块,具体用于:
以预设长度和预设偏移量,将所述原始序列划分为多个时间片段。
10.根据权利要求7所述的处理装置,其特征在于,所述特征提取模块,包括:
提取单元,用于对每一个维度序列,进行多个维度的特征提取,得到所述维度序列的多个维度特征;
生成单元,用于根据所述维度序列的多个维度特征,生成对应所述维度序列的符号子向量;根据属于相同时间片段的各维度序列的符号子向量,生成所述时间片段的符号向量。
11.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-6中任一所述的处理方法。
12.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的处理方法。
13.一种计算机程序产品,当所述计算机程序产品中的指令由处理器执行时,执行如权利要求1-6中任一所述的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710693437.1A CN109388781B (zh) | 2017-08-14 | 2017-08-14 | 测量数据的处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710693437.1A CN109388781B (zh) | 2017-08-14 | 2017-08-14 | 测量数据的处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109388781A true CN109388781A (zh) | 2019-02-26 |
CN109388781B CN109388781B (zh) | 2020-08-07 |
Family
ID=65417376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710693437.1A Active CN109388781B (zh) | 2017-08-14 | 2017-08-14 | 测量数据的处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109388781B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859484A (zh) * | 2020-06-24 | 2020-10-30 | 苏州浪潮智能科技有限公司 | 自由曲面零件测量序列生成方法、装置、设备、存储介质 |
CN112084541A (zh) * | 2020-08-11 | 2020-12-15 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 硬件木马检测方法、系统、计算机设备及可读存储介质 |
CN113640675A (zh) * | 2021-07-29 | 2021-11-12 | 南京航空航天大学 | 基于Snippets特征提取的航空锂电池异常检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517097A (zh) * | 2014-09-24 | 2015-04-15 | 浙江大学 | 一种基于kinect的运动人体姿态识别方法 |
CN105320727A (zh) * | 2014-06-16 | 2016-02-10 | 三菱电机株式会社 | 用于检测实时序列中的异常的方法 |
CN106650562A (zh) * | 2016-06-14 | 2017-05-10 | 西安电子科技大学 | 一种基于Kinect的在线连续人体行为识别方法 |
US9710761B2 (en) * | 2013-03-15 | 2017-07-18 | Nordic Technology Group, Inc. | Method and apparatus for detection and prediction of events based on changes in behavior |
-
2017
- 2017-08-14 CN CN201710693437.1A patent/CN109388781B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9710761B2 (en) * | 2013-03-15 | 2017-07-18 | Nordic Technology Group, Inc. | Method and apparatus for detection and prediction of events based on changes in behavior |
CN105320727A (zh) * | 2014-06-16 | 2016-02-10 | 三菱电机株式会社 | 用于检测实时序列中的异常的方法 |
CN104517097A (zh) * | 2014-09-24 | 2015-04-15 | 浙江大学 | 一种基于kinect的运动人体姿态识别方法 |
CN106650562A (zh) * | 2016-06-14 | 2017-05-10 | 西安电子科技大学 | 一种基于Kinect的在线连续人体行为识别方法 |
Non-Patent Citations (2)
Title |
---|
LIYUE ZHAO,ET AL.: "Motif Discovery and Feature Selection for CRF-based Activity Recognition", 《2010 20TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》 * |
满君丰: "开放网络环境下软件行为监测与分析研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859484A (zh) * | 2020-06-24 | 2020-10-30 | 苏州浪潮智能科技有限公司 | 自由曲面零件测量序列生成方法、装置、设备、存储介质 |
CN111859484B (zh) * | 2020-06-24 | 2022-05-31 | 苏州浪潮智能科技有限公司 | 自由曲面零件测量序列生成方法、装置、设备、存储介质 |
CN112084541A (zh) * | 2020-08-11 | 2020-12-15 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 硬件木马检测方法、系统、计算机设备及可读存储介质 |
CN113640675A (zh) * | 2021-07-29 | 2021-11-12 | 南京航空航天大学 | 基于Snippets特征提取的航空锂电池异常检测方法 |
CN113640675B (zh) * | 2021-07-29 | 2022-05-20 | 南京航空航天大学 | 基于Snippets特征提取的航空锂电池异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109388781B (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11138385B2 (en) | Method and apparatus for determining semantic matching degree | |
US11195313B2 (en) | Cross-modality neural network transform for semi-automatic medical image annotation | |
CN109388781A (zh) | 测量数据的处理方法和装置 | |
KR20200063364A (ko) | 시계열 의료 데이터를 통한 질병 예후 예측을 위한 딥 뉴럴 네트워크의 분류 결과 시각화 방법 및 시스템 | |
CN109344899A (zh) | 多目标检测方法、装置和电子设备 | |
CN110263732A (zh) | 多尺度目标检测方法及装置 | |
CN110363077A (zh) | 手语识别方法、装置、计算机装置及存储介质 | |
CN108460098A (zh) | 信息推荐方法、装置和计算机设备 | |
CN111461168A (zh) | 训练样本扩充方法、装置、电子设备及存储介质 | |
CN108563655A (zh) | 基于文本的事件识别方法和装置 | |
CN109710845A (zh) | 资讯推荐方法、装置、计算机设备和可读存储介质 | |
CN109977826A (zh) | 物体的类别识别方法和装置 | |
CN108846124A (zh) | 训练方法、装置、计算机设备和可读存储介质 | |
CN107301248A (zh) | 文本的词向量构建方法和装置、计算机设备、存储介质 | |
US20200020321A1 (en) | Speech recognition results re-ranking device, speech recognition results re-ranking method, and program | |
CN108647273A (zh) | 交友推荐方法及装置 | |
CN110515823A (zh) | 程序代码复杂度评估方法和装置 | |
CN110084137A (zh) | 基于驾驶场景的数据处理方法、装置和计算机设备 | |
Laddi et al. | An augmented image gradients based supervised regression technique for iris center localization | |
Schilling | On and off the map: Literary narrative as critique of cartographic reason | |
CN110020163A (zh) | 基于人机交互的搜索方法、装置、计算机设备和存储介质 | |
CN110084571A (zh) | 一种简历筛选方法、装置、服务器和介质 | |
Chen et al. | An integrated model for high-speed motorized spindles–dynamic behaviors | |
CN108875043A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN109521419A (zh) | 基于车辆雷达的目标跟踪方法和装置 |
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 |