CN109766255B - 设备状态分析方法、装置、存储介质及电子设备 - Google Patents
设备状态分析方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN109766255B CN109766255B CN201811554830.3A CN201811554830A CN109766255B CN 109766255 B CN109766255 B CN 109766255B CN 201811554830 A CN201811554830 A CN 201811554830A CN 109766255 B CN109766255 B CN 109766255B
- Authority
- CN
- China
- Prior art keywords
- dictionary
- equipment
- target
- monitoring image
- matrix
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开涉及一种设备状态分析方法、装置、存储介质及电子设备,用以解决利用现有技术对设备运行状态进行评估人力成本较高的技术问题。该方法包括:提取设备监控图像的特征信息,其中,设备在不同运行状态下产生的设备监控图像的特征信息不同;通过目标字典对特征信息进行稀疏表示,以得到设备监控图像的稀疏系数矩阵;根据稀疏系数矩阵中非零元素的分布确定设备的运行状态。
Description
技术领域
本公开涉及运维监控领域,具体地,涉及一种设备状态分析方法、装置、存储介质及电子设备。
背景技术
IT运维管理是确保应用系统正常运行的重要技术支撑部分。在现有技术中,通常采用智能化监控平台对服务器、交换机及存储设备等IT设备的运行状态信息进行采集,并生成状态变化趋势图,运维人员则根据工作经验对状态变化趋势图进行评估,以判断设备当前运行状态是否正常。因此,现有技术中利用人工干预的方式对设备的运行状态进行分析,不但对运维人员的知识储备要求较高,还增加了运维人员工作负担。
发明内容
本公开的目的是提供一种设备状态分析方法、装置、存储介质及电子设备,用以解决利用现有技术对设备运行状态进行评估人力成本较高的技术问题。
为了实现上述目的,本公开第一方面提供一种设备状态分析方法,所述方法包括:
提取设备监控图像的特征信息,其中,所述设备在不同运行状态下产生的设备监控图像的特征信息不同;
通过目标字典对所述特征信息进行稀疏表示,以得到所述设备监控图像的稀疏系数矩阵;
根据所述稀疏系数矩阵中非零元素的分布确定所述设备的运行状态。
可选地,所述方法还包括目标字典的学习方法,包括:
获取每一历史设备监控图像的特征信息以及分类标签,所述分类标签用于表征历史设备监控图像对应的设备运行状态;
将所述特征信息通过字典学习函数训练字典,以得到所述目标字典,使得所述目标字典对具有不同分类标签的特征信息的稀疏表示不同。
可选地,所述将所述特征信息通过字典学习函数训练字典,以得到所述目标字典,包括:
通过求解以下带约束条件的目标函数,得到所述目标字典;
D表示字典矩阵,X表示稀疏系数矩阵,Y表示历史设备监控图像的特征信息,||Xi||0为第i类设备监控图像对应的稀疏正则项,T为稀疏度约束常数;
其中,在目标函数(1)下,满足约束条件||Xi||0≤T的字典矩阵D为所述目标字典。
可选地,所述目标字典包括目标解析字典以及目标综合字典,所述将所述特征信息通过字典学习函数训练字典,以得到所述目标字典,包括:
通过求解以下带约束条件的目标函数,得到所述目标字典;
D表示综合字典矩阵,Ω表示解析字典矩阵,X表示稀疏系数矩阵,C表示历史设备监控图像的种类个数,Yi表示第i类历史设备监控图像的特征信息,Di表示第i类历史设备监控图像的综合字典矩阵,Ωi表示第i类历史设备监控图像的解析字典矩阵,Xi表示第i类历史设备监控图像的稀疏系数矩阵,表示非第i类历史设备监控图像的稀疏系数矩阵,λ用于调节保真项与稀疏项的约束权重,||Xi||0为第i类设备监控图像对应的稀疏正则项,T为稀疏度约束常数;
其中,解析字典矩阵Ωi用于将非第i类历史设备监控图像的稀疏系数矩阵映射为零;
在目标函数(2)下,同时满足约束条件||Xi||0≤T的解析字典矩阵Ωi以及综合字典矩阵Di,分别为第i类设备监控图像的目标解析字典以及目标综合字典。
可选地,所述根据所述稀疏系数矩阵中非零元素的分布确定所述设备的运行状态,包括:
根据所述稀疏系数矩阵中非零元素的分布确定所述设备监控图像的特征信息对应的分类标签,其中,稀疏系数矩阵中非零元素的分布不同对应的分类标签不同;
根据所述分类标签确定所述设备监控图像对应的设备运行状态。
本公开第二方面提供一种设备状态分析装置,所述装置包括:
特征提取模块,用于提取设备监控图像的特征信息,其中,所述设备在不同运行状态下产生的设备监控图像的特征信息不同;
稀疏求解模块,用于通过目标字典对所述特征信息进行稀疏表示,以得到所述设备监控图像的稀疏系数矩阵;
状态确定模块,用于根据所述稀疏系数矩阵中非零元素的分布确定所述设备的运行状态。
可选地,所述装置还包括字典学习模块,用于获取每一历史设备监控图像的特征信息以及分类标签,所述分类标签用于表征历史设备监控图像对应的设备运行状态,并将所述特征信息通过字典学习函数训练字典,以得到所述目标字典,使得所述目标字典对具有不同分类标签的特征信息的稀疏表示不同。
可选地,所述字典学习模块用于通过求解以下带约束条件的目标函数,得到所述目标字典:
D表示字典矩阵,X表示稀疏系数矩阵,Y表示历史设备监控图像的特征信息,||Xi||0为第i类设备监控图像对应的稀疏正则项,T为稀疏度约束常数;
其中,在目标函数(1)下,满足约束条件||Xi||0≤T的字典矩阵D为所述目标字典。
可选地,所述目标字典包括目标解析字典以及目标综合字典,所述字典学习模块用于通过求解以下带约束条件的目标函数,得到所述目标字典:
D表示综合字典矩阵,Ω表示解析字典矩阵,X表示稀疏系数矩阵,C表示历史设备监控图像的种类个数,Yi表示第i类历史设备监控图像的特征信息,Di表示第i类历史设备监控图像的综合字典矩阵,Ωi表示第i类历史设备监控图像的解析字典矩阵,Xi表示第i类历史设备监控图像的稀疏系数矩阵,表示非第i类历史设备监控图像的稀疏系数矩阵,λ用于调节保真项与稀疏项的约束权重,||Xi||0为第i类设备监控图像对应的稀疏正则项,T为稀疏度约束常数;
其中,解析字典矩阵Ωi用于将非第i类历史设备监控图像的稀疏系数矩阵映射为零;
在目标函数(2)下,同时满足约束条件||Xi||0≤T的解析字典矩阵Ωi以及综合字典矩阵Di,分别为第i类设备监控图像的目标解析字典以及目标综合字典。
可选地,所述状态确定模块包括:
第一确定子模块,用于根据所述稀疏系数矩阵中非零元素的分布确定所述设备监控图像的特征信息对应的分类标签,其中,稀疏系数矩阵中非零元素的分布不同对应的分类标签不同;
第二确定子模块,用于根据所述分类标签确定所述设备监控图像对应的设备运行状态。
本公开第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面提供的设备状态分析方法的步骤。
本公开第四方面提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面提供的设备状态分析方法的步骤。
根据上述技术方案,通过提取设备监控图像的特征信息,并利用目标字典对特征信息进行稀疏表示,可以得到设备监控图像的稀疏系数矩阵,进而根据稀疏系数矩阵中非零元素的分布可以确定设备的运行状态。其中,特征信息可以表征设备在预设时间段内的状态变化趋势,设备在不同运行状态下产生的设备监控图像的特征信息不同,因而通过目标字典计算得到的稀疏系数矩阵也不相同,将特征信息作为训练样本对字典进行训练,所得到的目标字典的分类效果更准确。这样,通过对设备监控图像进行自动分析来评估设备的运行状态,不但可以节约运维管理的人力成本,减轻运维人员的工作负担,提高运维工作的执行效率,还可以避免由于运维人员经验不足所导致的判断失误。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是本公开实施例提供的一种设备状态分析方法的流程图;
图2是本公开实施例提供的一种特征信息矩阵进行稀疏表示的示意图;
图3是本公开实施例提供的一种设备状态分析方法的流程图;
图4是本公开实施例提供的一种设备状态分析装置的框图;
图5是本公开实施例提供的一种设备状态分析装置的框图;
图6是本公开实施例提供的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
为了解决利用现有技术对设备运行状态进行评估人力成本较高的技术问题,本公开实施例提供一种设备状态分析方法、装置、存储介质及电子设备,下面结合具体实施例对本公开提供的技术方案进行详细说明。
图1是本公开实施例提供的一种设备状态分析方法的流程图,如图1所示,该方法包括以下步骤:
S11、提取设备监控图像的特征信息。
其中,设备可以是应用系统中的服务器、交换机或存储设备等IT设备,监控平台通过采集设备在预设时间段内运行状态的数据,可以生成相应的设备监控图像。从设备监控图像提取得到的特征信息可以是该设备监控图像的边缘特征、轮廓特征或纹理特征中的至少一者,由于设备在不同运行状态下产生的设备监控图像的特征信息不同,该特征信息可以用于表征设备在一定时间段内的状态数据变化趋势。例如,特征信息可以是HOG(Histogram of Oriented Gradient,方向梯度直方图)特征,还可以是SIFT(Scale-invariant feature transform,尺度不变特征变换)特征。
S12、通过目标字典对特征信息进行稀疏表示,以得到设备监控图像的稀疏系数矩阵。
具体地,将设备在不同运行状态下的大量历史设备监控图像的特征信息以及特征信息对应的分类标签作为训练样本,构造字典学习函数,利用训练样本结合字典学习函数可以完成设备监控图像过完备字典的学习,以得到目标字典。该目标字典D满足:若给定特征信息矩阵Y,固定目标字典D不变,可以将矩阵Y分解为目标字典D(M*K)以及系数矩阵X(K*N),其中,D*X可以尽可能的还原矩阵Y,且系数矩阵X尽可能的稀疏。那么,系数矩阵X便是矩阵Y的稀疏系数矩阵。示例地,如图2所示,从历史设备监控图像中获取中等告警图像A、正常图像B、严重告警图像C这三种类型的若干图像样本,每一图像样本均表示预设时长内设备的运行状态变化趋势,例如,预设时长为11小时。利用图像样本并结合字典学习函数对字典进行训练,可以得到由9列原子组成的目标字典D,通过目标字典D对特征信息矩阵Y进行稀疏表示,可以得到设备监控图像的稀疏系数矩阵X=[0,0,0,a,b,c,0,0,0]T。
S13、根据稀疏系数矩阵中非零元素的分布确定设备的运行状态。
示例地,将待分析的设备监控图像的特征信息进行稀疏表示,计算得到稀疏系数矩阵,并将该稀疏系数矩阵输入传统的稀疏表示分类器,根据目标字典计算特征信息与各类设备监控图像的特征信息的残差,确定残差最小的图像类别为待分析的设备监控图像所属类别,进而可以确定设备的运行状态。或者,若学习得到的目标字典的原子与图像类别直接对应,根据稀疏系数矩阵中非零元素的分布可以确定设备监控图像的特征信息对应的分类,进而确定设备监控图像对应的设备运行状态。例如,如图2所示,设备监控图像的稀疏系数矩阵X=[0,0,0,a,b,c,0,0,0]T,表示设备监控图像的特征信息对应正常图像B,进一步可以确定设备处于正常运行状态。
采用上述方法,通过提取设备监控图像的特征信息,并利用目标字典对特征信息进行稀疏表示,可以得到设备监控图像的稀疏系数矩阵,进而根据稀疏系数矩阵中非零元素的分布可以确定设备的运行状态。其中,特征信息可以表征设备在预设时间段内的状态变化趋势,设备在不同运行状态下产生的设备监控图像的特征信息不同,因而通过目标字典计算得到的稀疏系数矩阵也不相同,将特征信息作为训练样本对字典进行训练,所得到的目标字典的分类效果更准确。这样,通过对设备监控图像进行自动分析来评估设备的运行状态,不但可以节约运维管理的人力成本,减轻运维人员的工作负担,提高运维工作的执行效率,还可以避免由于运维人员经验不足所导致的判断失误。
图3是本公开实施例提供的一种设备状态分析方法的流程图,如图3所示,该方法包括以下步骤:
S31、提取设备监控图像的特征信息。
其中,设备在不同运行状态下产生的设备监控图像的特征信息不同。
S32、通过目标字典对特征信息进行稀疏表示,以得到设备监控图像的稀疏系数矩阵。
具体地,本公开还提供了一种目标字典的学习方法,包括步骤:
S33、获取每一历史设备监控图像的特征信息以及分类标签;
S34、将特征信息通过字典学习函数训练字典,以得到目标字典。
其中,分类标签用于表征历史设备监控图像对应的设备运行状态。在一种可能的实施方式中,可以通过求解以下带约束条件的目标函数,得到目标字典:
D表示字典矩阵,X表示稀疏系数矩阵,Y表示历史设备监控图像的特征信息,||Xi||0为第i类设备监控图像对应的稀疏正则项,T为稀疏度约束常数。
在进行字典学习的过程中,通过设定的初始字典对历史设备监控图像的特征信息进行稀疏表示,以计算得到该特征信息对应的稀疏系数矩阵,根据目标函数(1)交替迭代更新字典与稀疏系数矩阵,当特征信息通过更新后的字典进行稀疏表示所得到的稀疏系数矩阵满足约束条件||Xi||0≤T时,将更新后的字典作为目标字典。
基于上述目标函数训练得到的目标字典较小,对于设备监控图像数据进行降维分析的运算速度快,能有提高设备监控图像的分析效率。
在另一种可能的实施方式中,目标字典包括目标解析字典以及目标综合字典,其中,目标解析字典用于映射编码,目标综合字典用于重构数据,对于每一类型的历史设备监控图像分别学习一个目标解析字典以及目标综合字典。具体地,通过求解以下带约束条件的目标函数,得到目标字典;
D表示综合字典矩阵,Ω表示解析字典矩阵,X表示稀疏系数矩阵,C表示历史设备监控图像的种类个数,Yi表示第i类历史设备监控图像的特征信息,Di表示第i类历史设备监控图像的综合字典矩阵,Ωi表示第i类历史设备监控图像的解析字典矩阵,Xi表示第i类历史设备监控图像的稀疏系数矩阵,表示非第i类历史设备监控图像的稀疏系数矩阵,λ用于调节保真项与稀疏项的约束权重,||Xi||0为第i类设备监控图像对应的稀疏正则项,T为稀疏度约束常数;
其中,解析字典矩阵Ωi用于将非第i类历史设备监控图像的稀疏系数矩阵映射为零。
在进行字典学习的过程中,针对某一类型的历史设备监控图像的特征信息,通过设定的初始解析字典与初始综合字典对特征信息进行稀疏表示,以得到特征信息的稀疏系数矩阵。根据目标函数(2)交替迭代更新解析字典、综合字典与稀疏系数矩阵,以使该类型的历史设备监控图像的特征信息通过当前解析字典以及综合字典进行稀疏表示所得到的稀疏系数矩阵满足如下约束条件||Xi||0≤T时,确定解析字典矩阵Ωi以及综合字典矩阵Di,分别为第i类设备监控图像的目标解析字典以及目标综合字典。
按照上述方法依次学习每一类型的历史设备监控图像的目标解析字典以及目标综合字典。基于上述目标函数训练得到的目标字典在对自身所对应类别的设备监控图像进行稀疏表示时残差较小,在对其他类别的设备监控图像进行稀疏表示时残差较大,提高了稀疏表示的准确性,进而提高了分类的准确性。
S35、根据稀疏系数矩阵中非零元素的分布确定设备监控图像的特征信息对应的分类标签。
S36、根据分类标签确定设备监控图像对应的设备运行状态。
采用上述方法,通过提取设备监控图像的特征信息,并利用大量历史设备监控图像作为训练样本求解目标函数学习得到目标字典,以实现对设备监控图像数据进行降维分析,使得利用目标字典对设备监控图像的特征信息进行稀疏表示所得到的稀疏系数矩阵的稀疏性更好,且设备监控图像的分类结果更准确。这样,对设备监控图像进行自动分析来评估设备的运行状态,不但可以节约运维管理的人力成本,提高运维工作的执行效率,还可以避免由于运维人员经验不足所导致的判断失误。
图4是本公开实施例提供的一种设备状态分析装置的框图,该装置400可以通过软件、硬件或者两者结合实现成为电子设备的部分或者全部。参照图4,该装置400包括:
特征提取模块41,用于提取设备监控图像的特征信息,其中,设备在不同运行状态下产生的设备监控图像的特征信息不同;稀疏求解模块42,用于通过目标字典对特征信息进行稀疏表示,以得到设备监控图像的稀疏系数矩阵;状态确定模块43,用于根据稀疏系数矩阵中非零元素的分布确定设备的运行状态。
采用上述装置,通过提取设备监控图像的特征信息,并利用目标字典对特征信息进行稀疏表示,可以得到设备监控图像的稀疏系数矩阵,进而根据稀疏系数矩阵中非零元素的分布可以确定设备的运行状态。其中,特征信息可以表征设备在预设时间段内的状态变化趋势,设备在不同运行状态下产生的设备监控图像的特征信息不同,因而通过目标字典计算得到的稀疏系数矩阵也不相同,将特征信息作为训练样本对字典进行训练,所得到的目标字典的分类效果更准确。这样,通过对设备监控图像进行自动分析来评估设备的运行状态,不但可以节约运维管理的人力成本,减轻运维人员的工作负担,提高运维工作的执行效率,还可以避免由于运维人员经验不足所导致的判断失误。
图5是本公开实施例提供的一种设备状态分析装置的框图,装置400可以通过软件、硬件或者两者结合实现成为电子设备的部分或者全部。参照图5,该装置400包括特征提取模块41、稀疏求解模块42、状态确定模块43以及字典学习模块44。
其中,字典学习模块44用于获取每一历史设备监控图像的特征信息以及分类标签,分类标签用于表征历史设备监控图像对应的设备运行状态,并将特征信息通过字典学习函数训练字典,以得到目标字典,使得目标字典对具有不同分类标签的特征信息的稀疏表示不同。
具体地,在一种可能的实施方式中,字典学习模块44用于通过求解以下带约束条件的目标函数,得到目标字典;
D表示字典矩阵,X表示稀疏系数矩阵,Y表示历史设备监控图像的特征信息,||Xi||0为第i类设备监控图像对应的稀疏正则项,T为稀疏度约束常数;
其中,在目标函数(1)下,满足约束条件||Xi||0≤T的字典矩阵D为目标字典。
在另一种可能的实施方式中,目标字典包括目标解析字典以及目标综合字典,字典学习模块44用于通过求解以下带约束条件的目标函数,得到目标字典:
D表示综合字典矩阵,Ω表示解析字典矩阵,X表示稀疏系数矩阵,C表示历史设备监控图像的种类个数,Yi表示第i类历史设备监控图像的特征信息,Di表示第i类历史设备监控图像的综合字典矩阵,Ωi表示第i类历史设备监控图像的解析字典矩阵,Xi表示第i类历史设备监控图像的稀疏系数矩阵,表示非第i类历史设备监控图像的稀疏系数矩阵,λ用于调节保真项与稀疏项的约束权重,||Xi||0为第i类设备监控图像对应的稀疏正则项,T为稀疏度约束常数;
其中,解析字典矩阵Ωi用于将非第i类历史设备监控图像的稀疏系数矩阵映射为零;
在目标函数(2)下,同时满足约束条件||Xi||0≤T的解析字典矩阵Ωi以及综合字典矩阵Di,分别为第i类设备监控图像的目标解析字典以及目标综合字典。
可选地,状态确定模块43包括:
第一确定子模块,用于根据稀疏系数矩阵中非零元素的分布确定设备监控图像的特征信息对应的分类标签,其中,稀疏系数矩阵中非零元素的分布不同对应的分类标签不同;
第二确定子模块,用于根据分类标签确定设备监控图像对应的设备运行状态。
采用上述装置,通过提取设备监控图像的特征信息,并利用大量历史设备监控图像作为训练样本求解目标函数学习得到目标字典,以实现对设备监控图像数据进行降维分析,使得利用目标字典对设备监控图像的特征信息进行稀疏表示所得到的稀疏系数矩阵的稀疏性更好,且设备监控图像的分类结果更准确。这样,对设备监控图像进行自动分析来评估设备的运行状态,不但可以节约运维管理的人力成本,提高运维工作的执行效率,还可以避免由于运维人员经验不足所导致的判断失误。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种电子设备600的框图。如图6所示,该电子设备600可以包括:处理器601,存储器602。该电子设备600还可以包括多媒体组件603,输入/输出(I/O)接口604,以及通信组件605中的一者或多者。
其中,处理器601用于控制该电子设备600的整体操作,以完成上述的设备状态分析方法中的全部或部分步骤。存储器602用于存储各种类型的数据以支持在该电子设备600的操作,这些数据例如可以包括用于在该电子设备600上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器602可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件603可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器602或通过通信组件605发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口604为处理器601和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件605用于该电子设备600与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件605可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备600可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的设备状态分析方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的设备状态分析方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器602,上述程序指令可由电子设备600的处理器601执行以完成上述的设备状态分析方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (7)
1.一种设备状态分析方法,其特征在于,所述方法包括:
提取设备监控图像的特征信息,其中,所述设备在不同运行状态下产生的设备监控图像的特征信息不同;
通过目标字典对所述特征信息进行稀疏表示,以得到所述设备监控图像的稀疏系数矩阵;
根据所述稀疏系数矩阵中非零元素的分布确定所述设备的运行状态;
所述方法还包括:
获取每一历史设备监控图像的特征信息以及分类标签,所述分类标签用于表征历史设备监控图像对应的设备运行状态;
将所述特征信息通过字典学习函数训练字典,以得到所述目标字典,使得所述目标字典对具有不同分类标签的特征信息的稀疏表示不同;
其中,所述目标字典包括目标解析字典以及目标综合字典,所述将所述特征信息通过字典学习函数训练字典,以得到所述目标字典,使得所述目标字典对具有不同分类标签的特征信息的稀疏表示不同,包括:
通过求解以下带约束条件的目标函数,得到所述目标字典;
D表示综合字典矩阵,Ω表示解析字典矩阵,X表示稀疏系数矩阵,C表示历史设备监控图像的种类个数,Yi表示第i类历史设备监控图像的特征信息,Di表示第i类历史设备监控图像的综合字典矩阵,Ωi表示第i类历史设备监控图像的解析字典矩阵,Xi表示第i类历史设备监控图像的稀疏系数矩阵,表示非第i类历史设备监控图像的稀疏系数矩阵,λ用于调节保真项与稀疏项的约束权重,||Xi||0为第i类设备监控图像对应的稀疏正则项,T为稀疏度约束常数;
其中,解析字典矩阵Ωi用于将非第i类历史设备监控图像的稀疏系数矩阵映射为零;
在所述目标函数下,同时满足约束条件||Xi||0≤T的解析字典矩阵Ωi以及综合字典矩阵Di,分别为第i类设备监控图像的目标解析字典以及目标综合字典。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述稀疏系数矩阵中非零元素的分布确定所述设备的运行状态,包括:
根据所述稀疏系数矩阵中非零元素的分布确定所述设备监控图像的特征信息对应的分类标签,其中,稀疏系数矩阵中非零元素的分布不同对应的分类标签不同;
根据所述分类标签确定所述设备监控图像对应的设备运行状态。
4.一种设备状态分析装置,其特征在于,所述装置包括:
特征提取模块,用于提取设备监控图像的特征信息,其中,所述设备在不同运行状态下产生的设备监控图像的特征信息不同;
稀疏求解模块,用于通过目标字典对所述特征信息进行稀疏表示,以得到所述设备监控图像的稀疏系数矩阵;
状态确定模块,用于根据所述稀疏系数矩阵中非零元素的分布确定所述设备的运行状态;
所述装置还包括字典学习模块,用于获取每一历史设备监控图像的特征信息以及分类标签,所述分类标签用于表征历史设备监控图像对应的设备运行状态,并将所述特征信息通过字典学习函数训练字典,以得到所述目标字典,使得所述目标字典对具有不同分类标签的特征信息的稀疏表示不同;
其中,所述目标字典包括目标解析字典以及目标综合字典,所述字典学习模块用于通过求解以下带约束条件的目标函数,得到目标字典;
D表示综合字典矩阵,Ω表示解析字典矩阵,X表示稀疏系数矩阵,C表示历史设备监控图像的种类个数,Yi表示第i类历史设备监控图像的特征信息,Di表示第i类历史设备监控图像的综合字典矩阵,Ωi表示第i类历史设备监控图像的解析字典矩阵,Xi表示第i类历史设备监控图像的稀疏系数矩阵,表示非第i类历史设备监控图像的稀疏系数矩阵,λ用于调节保真项与稀疏项的约束权重,||Xi||0为第i类设备监控图像对应的稀疏正则项,T为稀疏度约束常数;
其中,解析字典矩阵Ωi用于将非第i类历史设备监控图像的稀疏系数矩阵映射为零;
在所述目标函数下,同时满足约束条件||Xi||0≤T的解析字典矩阵Ωi以及综合字典矩阵Di,分别为第i类设备监控图像的目标解析字典以及目标综合字典。
5.根据权利要求4所述的装置,其特征在于,所述状态确定模块包括:
第一确定子模块,用于根据所述稀疏系数矩阵中非零元素的分布确定所述设备监控图像的特征信息对应的分类标签,其中,稀疏系数矩阵中非零元素的分布不同对应的分类标签不同;
第二确定子模块,用于根据所述分类标签确定所述设备监控图像对应的设备运行状态。
6.一种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权利要求1至3中任一项所述方法的步骤。
7.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1至3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554830.3A CN109766255B (zh) | 2018-12-18 | 2018-12-18 | 设备状态分析方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554830.3A CN109766255B (zh) | 2018-12-18 | 2018-12-18 | 设备状态分析方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766255A CN109766255A (zh) | 2019-05-17 |
CN109766255B true CN109766255B (zh) | 2022-07-05 |
Family
ID=66450257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811554830.3A Active CN109766255B (zh) | 2018-12-18 | 2018-12-18 | 设备状态分析方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766255B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938544A (zh) * | 2016-04-05 | 2016-09-14 | 大连理工大学 | 基于综合型线性分类器和解析型字典的行为识别方法 |
CN108983749A (zh) * | 2018-07-10 | 2018-12-11 | 福州大学 | 基于k-svd训练稀疏字典的光伏阵列故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8134449B2 (en) * | 2007-10-23 | 2012-03-13 | Minebea Co., Ltd | Method and system for biometric keyboard |
-
2018
- 2018-12-18 CN CN201811554830.3A patent/CN109766255B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938544A (zh) * | 2016-04-05 | 2016-09-14 | 大连理工大学 | 基于综合型线性分类器和解析型字典的行为识别方法 |
CN108983749A (zh) * | 2018-07-10 | 2018-12-11 | 福州大学 | 基于k-svd训练稀疏字典的光伏阵列故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109766255A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10552737B2 (en) | Artificial neural network class-based pruning | |
EP3852007A2 (en) | Method, apparatus, electronic device, readable storage medium and program for classifying video | |
CN111460384A (zh) | 策略的评估方法、装置和设备 | |
CN111191834A (zh) | 用户行为的预测方法、装置及服务器 | |
CN110738264A (zh) | 异常样本筛选、清洗、训练方法、装置、设备和存储介质 | |
CN112527676A (zh) | 模型自动化测试方法、装置及存储介质 | |
CN110909005B (zh) | 一种模型特征分析方法、装置、设备及介质 | |
CN113608805A (zh) | 掩膜预测方法、图像处理方法、显示方法及设备 | |
CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
CN112712181A (zh) | 模型构建优化方法、装置、设备和可读存储介质 | |
CN109766255B (zh) | 设备状态分析方法、装置、存储介质及电子设备 | |
CN113689959B (zh) | 基于人工智能的疫情防控决策方法、装置、设备及介质 | |
CN110309335B (zh) | 一种图片匹配方法、装置、设备及存储介质 | |
CN114328916A (zh) | 事件抽取、及其模型的训练方法,及其装置、设备和介质 | |
CN112085926A (zh) | 一种河道水污染预警方法及系统 | |
CN112288748A (zh) | 一种语义分割网络训练、图像语义分割方法及装置 | |
CN111046933A (zh) | 图像分类方法、装置、存储介质及电子设备 | |
CN116501993B (zh) | 房源数据推荐方法及装置 | |
CN111046929B (zh) | 模型错例的分析方法、装置及电子设备 | |
CN113283345B (zh) | 板书书写行为检测方法、训练方法、装置、介质及设备 | |
CN109388675B (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
CN110276760B (zh) | 一种图像场景分割方法、终端及存储介质 | |
CN110728615B (zh) | 基于序贯假设检验的隐写分析方法、终端设备及存储介质 | |
CN117313863A (zh) | 一种基于梯度提升树的因果推断模型的构建及相关装置 | |
CN114971068A (zh) | 影响车辆性能预测因素的确定方法和装置 |
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 |