CN109492752A - 采用数据信号与知识引导结合的智能学习系统及方法 - Google Patents
采用数据信号与知识引导结合的智能学习系统及方法 Download PDFInfo
- Publication number
- CN109492752A CN109492752A CN201811306892.2A CN201811306892A CN109492752A CN 109492752 A CN109492752 A CN 109492752A CN 201811306892 A CN201811306892 A CN 201811306892A CN 109492752 A CN109492752 A CN 109492752A
- Authority
- CN
- China
- Prior art keywords
- data
- study
- tree
- decision
- failure
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Elevator Control (AREA)
Abstract
本发明公开了一种采用数据信号与知识引导结合的智能学习系统及方法。包括确定四个参数隐含层节点个数模块:基函数中心值,基函数扩展常数和权值问量;学习模块,利用自组织选取法,进行学习阶段;逻辑回归算法模块,根据采集的数据变量拟合进一个逻辑函数来预估一个故障出现的概率,实现在一定周期内数据脱离一定的范围内判断出电梯经常会出现什么样的故障,根据故障来决策维保的需求;在预示变量间相互独立的前提下,根据决策树模型将采集的数据进行分类模块;利用训练数据集来构造一棵决策树,根据树为数据样本产生一个分类。本发明在深度学习上利用自组织学习,提高了学习的效率,通过实时的数据传输,利用周期性的学习提高了预判的准确性。
Description
技术领域
本发明涉及人工智能的深度学习算法,将从传感器采集来的数据进行深度学习判定电梯故障的类型。
背景技术
在信息大数据时代,用户的个性化需求不断提高,对于信息系统智能度的要求带来了很多挑战。面对大量的数据信息,如何帮助用户有效获取所需要的信息,有力改善信息超载(information overload)问题,是数据科研工作者的主要研究挑战之一。整体来说,目前信息处理系统有两种工作模式。第一种称之为“拉”模式,比较典型的就是搜索引擎,用户提交查询,系统返回搜索结果;第二种称之为“推”模式,比较典型的就是推荐系统,用户不要求显式提交任何查询和兴趣偏好,而系统通过自动化算法来进行“信息”推送。在信息智能时代,推荐系统显得尤为重要,已经成为互联网以及数据服务公司的核心技术模块之一,对于推荐系统技术的推进具有重要应用意义。在此选择推荐系统作为主要应用,初步介绍深度学习算法在该领域内的若干应用进展
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法,它利用空间相对关系减少参数数目以提高训练性能。
深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。同时模仿人脑来学习并训练数据,从而得到一种上规律,就能像人一样有思想可以考虑判断问题。
同机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型很是不同。例如,卷积神经网络(Convolutional neuralnetworks,简称CNNs)就是一种深度的监督学习下的机器学习模型,而深度置信网(DeepBelief Nets,简称DBNs)就是一种无监督学习下的机器学习模型。
C5.0算法为Miller B,Fridline M,Liu PY,et al.Use of CHAID decisiontreesto formulate pathways for the early detection of metabolic syndromeinyoung adults[J].Comput Math Methods Med,2014,2014:242717。
发明内容
1、发明目的。
本发明提出一种短期内高效训练与学习的流程,通过对数据学习实现对故障定位的功能。
2、本发明所采用的技术方案。
本发明提出了一种采用数据信号与知识引导结合的智能学习系统,包括确定四个参数隐含层节点个数模块:基函数中心值,基函数扩展常数和权值问量;
学习模块,利用自组织选取法,进行学习阶段;
逻辑回归算法模块,根据采集的数据变量拟合进一个逻辑函数来预估一个故障出现的概率,实现在一定周期内数据脱离一定的范围内判断出电梯经常会出现什么样的故障,再推论根据故障来决策维保的需求;
在预示变量间相互独立的前提下,根据决策树模型将采集的数据进行分类模块;利用训练数据集来构造一棵决策树,根据树为数据样本产生一个分类。
更进一步,所述的学习阶段分两个学习阶段,第一是得到隐含层基神经元的中心点与扩展常数实现无监督学习阶段,利用K-means算法划分训练样本,第二通过高斯函数与线性函数解出方差,训练原始数据输出权值实现有监督学习阶段。
更进一步,学习树采用C5.0算法。
本发明提出了一种采用数据信号与知识引导结合的智能学习方法,包括确定四个参数隐含层节点个数步骤:基函数中心值,基函数扩展常数和权值问量;
学习步骤,利用自组织选取法,进行学习阶段;
逻辑回归算法步骤,根据采集的数据变量拟合进一个逻辑函数来预估一个故障出现的概率,实现在一定周期内数据脱离一定的范围内判断出电梯经常会出现什么样的故障,再推论根据故障来决策维保的需求;
在预示变量间相互独立的前提下,根据决策树模型将采集的数据进行分类模块;利用训练数据集来构造一棵决策树,根据树为数据样本产生一个分类。
更进一步,所述的学习阶段分两个学习阶段,第一是得到隐含层基神经元的中心点与扩展常数实现无监督学习阶段,利用K-means算法划分训练样本,第二通过高斯函数与线性函数解出方差,训练原始数据输出权值实现有监督学习阶段。
更进一步,学习树采用C5.0算法。
3、本发明所产生的技术效果。
(1)本发明在分类问题中使用决策树模型有很多的优点,决策树便于使用,而且高效;根据决策树可以很容易地构造出规则,而规则通常易于解释和理解;决策树可很好地扩展到大型数据库中,同时它的大小独立于数据库的大小;决策树模型的另外一大优点就是可以对有许多属性的数据集构造决策树。
(2)本发明提供了从数据的分析学习,得出数据来着哪个传感器,再根据传感器的性质,定位到出现故障的位置,减少了盲目找故障而浪费的时间。
(3)本发明在深度学习上利用自组织学习,提高了学习的效率,通过实时的数据传输,利用周期性的学习提高了预判的准确性。在神经网络方面利用RBF找中心节点,可以更快,更方便的找到中心点,提高了程序执行时的效率。
附图说明
图1为本发明流程图。
图2为数据异常判断图。
具体实施方式
实施例
本发明用SPSS Modeler的分区节点,设立随机数种子,将70%样本797例作为训练样本,30%样本344例作为测试样本。为避免单次分区的抽样误差对结果的影响,在决策树建模的时候需勾选交叉验证。使用CHAID决策树模型训练样本正确率为77.92%,测试样本正确率为76.74%;使用C5.0决策树模型训练样本正确率为90.72%,测试样本正确率为88.37%。说明C5.0算法在构建本次研究的分类预测模型中预测效果更好。
如图1所示,本发明是基于径向神经网络的,首先需要确定四个参数隐含层节点个数,基函数中心值,基函数扩展常数(方差)和权值问量。之后利用自组织选取法,分两个学习阶段同,第一是得到隐含层基神经元的中心点与扩展常数实现无监督学习阶段,利用K-means算法划分训练样本,第二通过高斯函数与线性函数解出方差,训练原始数据输出权值实现有监督学习阶段。
如图2所示,利用逻辑回归算法,根据采集的数据变量拟合进一个逻辑函数来预估一个故障出现的概率,实现在一定周期内数据脱离一定的范围内就可以判断出电梯经常会出现什么样的故障,再推论根据故障来决策维保的需求。
在预示变量间相互独立的前提下,根据决策树模型将采集的数据进行分类。利用训练数据集来构造一棵决策树,一旦树建立起来,它就可为数据样本产生一个分类。
本发明主要应用于传感器在采集了电梯运行时的参数数据之后,通过该学习算法在一定周期内对相应数据的学习,判定故障类型。随着周期不断的增加来提高学习的深度性,并提高判定故障时的准确性。
Claims (6)
1.一种采用数据信号与知识引导结合的智能学习系统,其特征在于:包括确定四个参数隐含层节点个数模块:基函数中心值,基函数扩展常数和权值问量;
学习模块,利用自组织选取法,进行学习阶段;
逻辑回归算法模块,根据采集的数据变量拟合进一个逻辑函数来预估一个故障出现的概率,实现在一定周期内数据脱离一定的范围内判断出电梯经常会出现什么样的故障,再推论根据故障来决策维保的需求;
在预示变量间相互独立的前提下,根据决策树模型将采集的数据进行分类模块;利用训练数据集来构造一棵决策树,根据树为数据样本产生一个分类。
2.根据权利要求1所述的采用数据信号与知识引导结合的智能学习系统,其特征在于:所述的学习阶段分两个学习阶段,第一是得到隐含层基神经元的中心点与扩展常数实现无监督学习阶段,利用K-means算法划分训练样本,第二通过高斯函数与线性函数解出方差,训练原始数据输出权值实现有监督学习阶段。
3.根据权利要求2所述的采用数据信号与知识引导结合的智能学习系统,其特征在于:学习树采用C5.0算法。
4.一种采用数据信号与知识引导结合的智能学习方法,其特征在于:包括确定四个参数隐含层节点个数步骤:基函数中心值,基函数扩展常数和权值问量;
学习步骤,利用自组织选取法,进行学习阶段;
逻辑回归算法步骤,根据采集的数据变量拟合进一个逻辑函数来预估一个故障出现的概率,实现在一定周期内数据脱离一定的范围内判断出电梯经常会出现什么样的故障,再推论根据故障来决策维保的需求;
在预示变量间相互独立的前提下,根据决策树模型将采集的数据进行分类模块;利用训练数据集来构造一棵决策树,根据树为数据样本产生一个分类。
5.根据权利要求4所述的采用数据信号与知识引导结合的智能学习方法,其特征在于:所述的学习阶段分两个学习阶段,第一是得到隐含层基神经元的中心点与扩展常数实现无监督学习阶段,利用K-means算法划分训练样本,第二通过高斯函数与线性函数解出方差,训练原始数据输出权值实现有监督学习阶段。
6.根据权利要求4所述的采用数据信号与知识引导结合的智能学习方法,其特征在于:学习树采用C5.0算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811306892.2A CN109492752A (zh) | 2018-11-05 | 2018-11-05 | 采用数据信号与知识引导结合的智能学习系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811306892.2A CN109492752A (zh) | 2018-11-05 | 2018-11-05 | 采用数据信号与知识引导结合的智能学习系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492752A true CN109492752A (zh) | 2019-03-19 |
Family
ID=65693742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811306892.2A Pending CN109492752A (zh) | 2018-11-05 | 2018-11-05 | 采用数据信号与知识引导结合的智能学习系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492752A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104729965A (zh) * | 2015-01-28 | 2015-06-24 | 东北大学 | 基于区间径向基函数神经网络的pm2.5浓度检测方法 |
CN107886168A (zh) * | 2017-11-07 | 2018-04-06 | 歌拉瑞电梯股份有限公司 | 一种使用多层感知器神经网络进行电梯故障识别的方法 |
CN108038300A (zh) * | 2017-12-07 | 2018-05-15 | 长春理工大学 | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 |
CN108197639A (zh) * | 2017-12-14 | 2018-06-22 | 佛山科学技术学院 | 一种基于随机森林的变压器故障诊断方法 |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
CN108663582A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器的故障诊断方法及系统 |
-
2018
- 2018-11-05 CN CN201811306892.2A patent/CN109492752A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104729965A (zh) * | 2015-01-28 | 2015-06-24 | 东北大学 | 基于区间径向基函数神经网络的pm2.5浓度检测方法 |
CN107886168A (zh) * | 2017-11-07 | 2018-04-06 | 歌拉瑞电梯股份有限公司 | 一种使用多层感知器神经网络进行电梯故障识别的方法 |
CN108663582A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器的故障诊断方法及系统 |
CN108038300A (zh) * | 2017-12-07 | 2018-05-15 | 长春理工大学 | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 |
CN108197639A (zh) * | 2017-12-14 | 2018-06-22 | 佛山科学技术学院 | 一种基于随机森林的变压器故障诊断方法 |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647900B (zh) | 基于深度神经网络的安全态势智能预测方法、装置及系统 | |
CN109255505B (zh) | 一种多模型融合神经网络的短期负荷预测方法 | |
CN107274011A (zh) | 综合马尔科夫模型和概率网络的设备状态识别方法 | |
CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
CN112966714B (zh) | 一种边缘时序数据异常检测和网络可编程控制方法 | |
CN110223785A (zh) | 一种基于深度学习的传染病传播网络重构方法 | |
US11606393B2 (en) | Node classification in dynamic networks using graph factorization | |
CN112036540A (zh) | 一种基于双种群混合人工蜂群算法的传感器数目优化方法 | |
Zhang et al. | Active information fusion for decision making under uncertainty | |
US20200257963A1 (en) | Recursive learning for artificial intelligent agents | |
CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
Fielding | An introduction to machine learning methods | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
CN113505924A (zh) | 一种基于级联时空特征的信息传播预测方法及系统 | |
CN115168443A (zh) | 一种基于gcn-lstm和注意力机制的异常检测方法及系统 | |
CN117435715B (zh) | 一种基于辅助监督信号改进时序知识图谱的问答方法 | |
CN117456736B (zh) | 基于多尺度时空动态交互网络的交通流量预测方法 | |
Hu et al. | An edge intelligence-based generative data augmentation system for iot image recognition tasks | |
CN114419507A (zh) | 一种基于联邦学习的互联网工厂运行诊断方法及系统 | |
Chen et al. | Real-time anomaly detection for streaming data using burst code on a neurosynaptic processor | |
CN107038450A (zh) | 基于深度学习的无人机警察系统 | |
Dold et al. | Spike: Spike-based embeddings for multi-relational graph data | |
CN112507720A (zh) | 基于因果语义关系传递的图卷积网络根因识别方法 | |
CN117131979A (zh) | 基于有向超图及注意力机制的交通流速度预测方法及系统 | |
CN109492752A (zh) | 采用数据信号与知识引导结合的智能学习系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190319 |