CN109993193A - 三维曲线的关键点的识别方法和装置 - Google Patents
三维曲线的关键点的识别方法和装置 Download PDFInfo
- Publication number
- CN109993193A CN109993193A CN201810005978.5A CN201810005978A CN109993193A CN 109993193 A CN109993193 A CN 109993193A CN 201810005978 A CN201810005978 A CN 201810005978A CN 109993193 A CN109993193 A CN 109993193A
- Authority
- CN
- China
- Prior art keywords
- dimensional curve
- curve
- dimensional
- dimension
- point
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Abstract
本发明公开了一种三维曲线的关键点的识别方法和装置。其中,三维曲线通过对多条二维曲线增加时间维度构成,其中,二维曲线用于表征第一维度上的离散点与第二维度上的幅值的关系,第一维度和第二维度都不为时间维度,该方法包括:获取二维曲线的特征参数,其中,特征参数包括差异系数和差异个数,差异系数用于表征二维曲线中幅值的差异程度,差异个数用于表征二维曲线中离散点的数量;根据二维曲线的特征参数确定三维曲线的关键点,其中,关键点为三维曲线在时域上的关键点。本发明解决了现有技术中由于没有精确的时间轴操作规则使得难以准确确定关键点,从而导致大量数据被浪费的技术问题。
Description
技术领域
本发明涉及数据处理领域,具体而言,涉及一种三维曲线的关键点的识别方法和装置。
背景技术
分布式测试数据是一种在X横轴均布的散点式数据系列,Y轴为每一点的幅值,能够满足精细化的测试要求,采用光纤测得的大批量的分布式测试数据的数据量巨大,例如DAS分布式声波测试曲线,仅在1分钟之内就能产生数千条分布式数据曲线,测试一口井通常数据量高达上千个Gb,再例如温度分布式测试、微地震测试等。
图1是根据现有技术的一种单根数据曲线的示意图,该单根数据曲线(图1中的原始曲线数据1)用于表征是关于温度-距离或者震动-距离等二维平面曲线(温度、振幅即为图中的幅值),科研人员会运用工具或者程序对单根数据曲线进行较多种类的复杂分析及运算(人工计算辅助线2和人工计算辅助线3),从而能够使用运算结果得出相应的一套或多套参数。
但是,在进行多种运算时都需要将时间这一维度,如果在二维数据曲线中加入时间轴则变成三维曲线,在现有技术中,通常会使用工具或者程序对大批量三维曲线进行逐一分析,庞大的运算分析将会造成耗时过长或系统崩溃,短时间内无法产生结果,不能实时给出结论,若是人工进行时间节点的筛选分析,由于没有精确的时间轴操作规则和相应标准,关键节点难以准确把握,因此会造成工作量大,错误多、效率低下等缺陷,从而导致大批量数据没有得到有效分析而造成数据资源的浪费。
针对现有技术中由于没有精确的时间轴操作规则使得难以准确确定关键点,从而导致大量数据被浪费的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种三维曲线的关键点的识别方法和装置,以至少解决现有技术中由于没有精确的时间轴操作规则使得难以准确确定关键点,从而导致大量数据被浪费的技术问题。
根据本发明实施例的一个方面,提供了一种三维曲线的关键点的识别方法,三维曲线通过对多条二维曲线增加时间维度构成,其中,二维曲线用于表征第一维度上的离散点与第二维度上的幅值的关系,第一维度和第二维度都不为时间维度,该方法包括:获取二维曲线的特征参数,其中,特征参数包括差异系数和差异个数,差异系数用于表征二维曲线中幅值的差异程度,差异个数用于表征二维曲线中离散点的数量;根据二维曲线的特征参数确定三维曲线的关键点,其中,关键点为三维曲线在时域上的关键点。
进一步地,确定二维曲线中最大幅值与最小幅值的第一差值,并获取预设的第一系数;确定第一差值与第一系数的乘积为差异系数。
进一步地,获取二维曲线中相邻离散点对应的幅值的第二差值;获取每个第二差值的绝对值以及预设的第二系数;确定波动系数与第二系数的乘积为差异系数,其中,波动系数根据绝对值之和和离散点的数量得到。
进一步地,获取二维曲线中离散点的数量,并获取预设的第三系数;确定离散点的数量与第三系数的乘积为差异个数。
进一步地,根据二维曲线的特征参数,将三维曲线在时域上进行分段,并将分段中的起始时间点对应的二维曲线的特征参数赋值给分段中的每条二维曲线,其中,每段包括一个或多个时间点对应的二维曲线,段内二维曲线的相似性高于段间二维曲线的相似度;根据每段的起始时间点得到时间序列;选择时间序列中的时间点作为三维曲线的关键点。
进一步地,判断第一二维曲线与第二二维曲线的关系,其中,第一二维曲线为三维曲线中第一个时间点的二维曲线,第二二维曲线为第一二维曲线下一个时间点的二维曲线,关系包括:同特性或异特性;在第二二维曲线与第一二维曲线的关系为同特性的情况下,确定第二二维曲线与第一二维曲线同属于第一分段,并判断第三二维曲线与第一二维曲线的关系,其中,第三二维曲线为第二二维曲线下一个时间点的二维曲线;在第二二维曲线与第一二维曲线的关系为异特性的情况下,确定第一二维曲线为第一分段,第二二维曲线为第二分段,并判断第三二维曲线与第二二维曲线的关系;在第三二维曲线与第一二维曲线的关系为同特性的情况下,确定第三二维曲线属于第一分段,在第三二维曲线与第一二维曲线的关系为异特性的情况下,确定第三二维曲线属于第二分段。
进一步地,获取第一二维曲线与第二二维曲线在相同离散点对应的幅值的第三差值;将第三差值的绝对值与第一二维曲线的差异系数进行比对,获取大于第一二维曲线的差异系数的绝对值的数量;如果数量小于或等于第一二维曲线的差异个数,则确定第一二维曲线和第二二维曲线的关系为同特性;
如果数量大于第一二维曲线的差异个数,则确定第一二维曲线与第二二维曲线的关系为异特性。
进一步地,获取时间间隔阈值,其中,时间间隔阈值通过预设的第四系数和三维曲线中的二维曲线的数量获得;确定起始时间点为关键点,并依次获取时间序列中后一个时间点与前一个时间点的时间间隔;如果时间序列中后一个时间点与前一个时间点的时间间隔大于时间间隔阈值,则确定后一个时间点为关键点;确定时间序列中截止时间点为最后一个关键点,并根据选择的关键的构成最终的时间序列。
进一步地,在接收到更新数据或新增数据的情况下,删除三维曲线中截止时间点的二维曲线,并将接收到的数据对应的二维曲线作为三维曲线中截止时间点的二维曲线;在删除了一个或多个数据的情况下,从三维曲线中删除已删除数据对应的二维曲线,并重新确定三维曲线的起始时间点和截止时间点。
根据本发明实施例的另一方面,还提供了一种三维曲线的关键点的识别装置,三维曲线通过对多条二维曲线增加时间维度构成,其中,二维曲线用于表征第一维度上的离散点与第二维度上的幅值的关系,第一维度和第二维度都不为时间维度,该装置包括:获取模块,用于获取二维曲线的特征参数,其中,特征参数包括差异系数和差异个数,差异系数用于表征二维曲线中幅值的差异程度,差异个数用于表征二维曲线中离散点的数量;确定模块,用于根据二维曲线的特征参数确定三维曲线的关键点,其中,关键点为三维曲线在时域上的关键点。
根据本发明实施例的另一方面,还提供了一种存储介质,其特征在于,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述三维曲线的关键点的识别方法。
根据本发明实施例的另一方面,还提供了一种处理器,其特征在于,处理器用于运行程序,其中,程序运行时执行上述三维曲线的关键点的识别方法。
在本发明实施例中,获取二维曲线的特征参数,其中,特征参数包括差异系数和差异个数,差异系数用于表征二维曲线中幅值的差异程度,差异个数用于表征二维曲线中离散点的数量;根据二维曲线的特征参数确定三维曲线的关键点,其中,关键点为三维曲线在时域上的关键点。上述方案通过计算三维曲线中每条二维曲线的特征参数,来确定三维曲线的关键点,在确定关键点之后,则能够根据确定的关键点在三维曲线中筛选出关键点对应的二维曲线,从而能够减少用于运算或分析的数据量,且为筛选曲线提供了一种自动化的方式,不仅不需要人为进行,而且具有筛选准确度高的特点,从而提高数据的利用率,解决了现有技术中由于没有精确的时间轴操作规则使得难以准确确定关键点,从而导致大量数据被浪费的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据现有技术的一种单根数据曲线的示意图;
图2是根据本发明实施例的三维曲线的关键点的识别方法的流程图;
图3是根据本发明实施例的一种可选的三维曲线的示意图;
图4是根据本发明实施例的一种二维曲线的特征参数的示意图;
图5是根据本发明实施例的一种通过时间间隔选择关键点的示意图;以及
图6是根据本发明实施例的三维曲线的关键点识别装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种曲线关键点的识别方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本发明实施例的三维曲线的关键点的识别方法的流程图,三维曲线通过对多条二维曲线增加时间维度构成,其中,二维曲线用于表征第一维度上的离散点与第二维度上的幅值的关系,第一维度和第二维度都不为时间维度,如图2所示,该方法包括如下步骤:
步骤S21,获取二维曲线的特征参数,其中,特征参数包括差异系数和差异个数,差异系数用于表征二维曲线中幅值的差异程度,差异个数用于表征二维曲线中离散点的数量。
在一种可选的实施例中,图3是根据本发明实施例的一种可选的三维曲线的示意图,结合图3所示,离散点可以是深度,离散点对应的幅值可以是温度;离散点与幅值构成深度-温度曲线,将不同时间点的深度温度曲线按照时间的先后顺序排列,即得到图3所示的三维曲线。具体说明如下:
每条曲线的横轴坐标均为X1、X2、……、XE;
第一条曲线开始对应时间点分别T1、T2、……、TE;
T1曲线中每个横坐标X1、X2、……、XE对应的幅值分别为Y1-1、Y1-2、……、y1-E;
由此可得,Tn曲线的每点幅值为Yn-1、Yn-2、……、Yn-E;
直至三维曲线中最后一条曲线TE的每个节点的幅值为YE-1、YE-2、……、YE-E。
在上述步骤中,获取了三维曲线中每条二维曲线的特征参数,其中包括差异系数和差异个数,其中,差异系数为了表征曲线中幅值的差异程度,可以使用二维曲线中的最大幅值和最小幅值进行计算,或使用二维曲线中每个节点对应的幅值进行计算,也可以使用二维曲线中部分节点对应的幅值进行计算,还可以使用其他方法,此处不做具体限定;差异个数用于表征二维曲线中幅值不同的点的个数,因此差异个数可以根据二维曲线中离散点的数量确定,也可以有其他方法,此处也不做具体限定。
从第一条二维曲线T1开始匹配每条二维曲线对应的特征数据集合,例如,T1对应的特征参数集合为A1={C1,W1},C1为T1曲线的差异系数,W1为T1曲线的差异个数。此外,A1中还可以包含T1所被分析的其他特性参数或相关参数。
步骤S23,根据二维曲线的特征参数确定三维曲线的关键点,其中,关键点为三维曲线在时域上的关键点。
具体的,在确定了三维曲线的关键点之后,可以从三维曲线中提取出关键点对应的二维曲线,并将提取出的二维曲线作为进一步分析或计算的基础数据。
由上可知,本申请上述实施例获取二维曲线的特征参数,其中,特征参数包括差异系数和差异个数,差异系数用于表征二维曲线中幅值的差异程度,差异个数用于表征二维曲线中离散点的数量;根据二维曲线的特征参数确定三维曲线的关键点,其中,关键点为三维曲线在时域上的关键点。上述方案通过计算三维曲线中每条二维曲线的特征参数,来确定三维曲线的关键点,在确定关键点之后,则能够根据确定的关键点在三维曲线中筛选出关键点对应的二维曲线,从而能够减少用于运算或分析的数据量,且为筛选曲线提供了一种自动化的方式,不仅不需要人为进行,而且具有筛选准确度高的特点,从而提高数据的利用率,解决了现有技术中由于没有精确的时间轴操作规则使得难以准确确定关键点,从而导致大量数据被浪费的技术问题。
可选的,根据本申请上述实施例,在特征参数为差异系数的情况下,获取二维曲线的特征参数,包括:
步骤S211,确定二维曲线中最大幅值与最小幅值的第一差值,并获取预设的第一系数。其中,上述第一系数可以为小于1的正数。
步骤S213,确定第一差值与第一系数的乘积为差异系数。
在一种可选的实施例中,获取二维曲线的最大值Max和最小值Min的第一差值S,S=Max-Min,第一差值的绝对值|S|=|Max-Min|,获取的第一系数为R1为常数,从而得到差异系数C=R1×|Max-Min|,通过上述步骤得到的差异参数C使得曲线含有较高幅值时能够承受较大的变化,而整体幅值较低时能够检测出微小的变化。
图4是根据本发明实施例的一种二维曲线的特征参数的示意图,结合图4所示,图中示出了三条曲线:曲线4、曲线5和曲线6,点7为曲线6的Max值,点9为曲线6的Min值,点8为曲线4的Max值,可以通过图中示出的Max值和Min值确定每条曲线的差异系数。
可选的,根据本申请上述实施例,在特征参数为差异系数的情况下,获取二维曲线的特征参数,包括:
步骤S215,获取二维曲线中相邻离散点对应的幅值的第二差值。
步骤S217,获取每个第二差值的绝对值以及预设的第二系数,其中,第二系数为小于1的正数。
步骤S221,确定波动系数与第二系数的乘积为差异系数,其中,波动系数根据绝对值之和和离散点的数量得到。
在一种可选的实施例中,仍以图3所示的示例进行说明,第二差值为dn,d1=|Y1-2-Y1-1|,d1=|Y1-3-Y1-2|,……,dE-1=|Y1-E-Y1-E-1|,波动系数d=(d1+d2+。。。。+dE-1)/(E-1),E为离散点的数量,R2为获取的预设的第二系数,由此可得差异系数C=R2×d。上述方案获得的C值能够随着曲线数据的噪声的大小而变化,适合噪声不一致的曲线组。
可选的,根据本申请上述实施例,在特征参数为差异个数的情况下,获取曲线的特征参数,包括:
步骤S221,获取二维曲线中离散点的数量,并获取预设的第三系数,其中,第三系数为小于1的正数。
步骤S225,确定离散点的数量与第三系数的乘积为差异个数。
在一种可选的实施例中,仍以图3所示的示例进行说明。令差异个数为W,单根二维曲线能够根据其特性得出差异个数,其为正整数,也可为0,上述步骤提出的一种计算方法为:获取曲线的长度(即曲线的离散点的数量)和预设的常数R3,则差异个数W=R3×K,也即,W与曲线的长度成正比,有利于对不同系列分布式曲线之间的统一标准。
可选的,根据本申请上述实施例,根据二维曲线的特征参数确定三维曲线的关键点,包括:
步骤S231,根据二维曲线的特征参数,将三维曲线在时域上进行分段,并将分段中的第一个时间点对应的二维曲线的特征参数赋值给分段中的每条二维曲线,其中,每段包括一个或多个时间点对应的曲线,段内二维曲线的相似性高于段间二维曲线的相似度。
具体的,三维曲线包括的二维曲线在时间点上是连续的,例如:T1、T2……Tn,将三维曲线进行分段,用于查找出幅值变化较大的时间点。每个分段中的第一个时间点即为幅值变化较大的时间点。将分段中的第一个时间点对应的曲线的特征数据作为分段的特征数据,从而忽略分段中其他时间点对应的曲线的特征数据,进而达到了减小数据量的目的。
步骤S233,根据每段的起始时间点得到时间序列。
在一种可选的实施例中,以T1、T2……Tn为例,分段结果为第一段:T1、T2、T3,第二段:T4、T5,第三段:T6……Tn,得到的时间序列即为(t1,t2,t3)=(T1、T4、T6)。
步骤S235,选择时间序列中的时间点作为三维曲线的关键点。
仍在上述实施例中,可以从时间序列(t1,t2,t3)中选择出三维曲线的关键点。
可选的,根据本申请上述实施例,根据二维曲线的特征参数,将三维曲线进行分段,包括:
步骤S2311,判断第一二维曲线与第二二维曲线的关系,其中,第一二维曲线为三维曲线中第一个时间点的二维曲线,第二二维曲线为第一二维曲线下一个时间点的二维曲线,关系包括:同特性或异特性。
步骤S2313,在第二二维曲线与第一二维曲线的关系为同特性的情况下,确定第二二维曲线与第一二维曲线同属于第一分段,并判断第三二维曲线与第一二维曲线的关系,其中,第三二维曲线为第二二维曲线下一个时间点的二维曲线。
步骤S2315,在第二二维曲线与第一二维曲线的关系为异特性的情况下,确定第一二维曲线为第一分段,第二二维曲线为第二分段;并判断第三二维曲线与第二二维曲线的关系。
步骤S2317,在第三曲线与第一二维曲线的关系为同特性的情况下,确定第三二维曲线属于第一分段,在第三二维曲线与第一二维曲线的关系为异特性的情况下,确定第三二维曲线属于第二分段。
在一种可选的实施例中,仍以图3所示的示例进行说明。
首先,判断二维曲线T1和T2的关系,如果二维曲线T1和T2的关系为同特性二维曲线,则确定二维曲线T1和T2属于同一个分段,并将T1对应的A1特征数据集合赋值给T2;然后确定T1和T3的关系,重复上述步骤,直至出现与T1的关系为异特性的Tn,则Tn对应的时间点作为新的分段中的起始时间点,并判断Tn和Tn+1的关系。重复进行上述操作,直到全部二维曲线序列赋值完毕。
需要说明的是,上述步骤仅用于说明对三维曲线的分段方法,而不限定三维曲线中二维曲线的数量,可以通过循环上述步骤的方式完成包含任何二维曲线数量的三维曲线的分段。
可选的,根据本申请上述实施例,判断第一曲线与第二曲线的关系,包括:
步骤S23111,获取第一二维曲线与第二二维曲线在相同节点对应的幅值的第三差值,其中,节点为在二维曲线的第一维度上的点,幅值为二维曲线在第二维度中的值。
步骤S23113,将第三差值的绝对值与第一二维曲线的差异系数进行比对,获取大于第一二维曲线的差异系数的第三差值的绝对值的数量。
步骤S23115,如果数量小于或等于第一二维曲线的差异个数,则确定第一二维曲线和第二二维曲线的关系为同特性。
步骤S23117,如果数量大于第一二维曲线的差异个数,则确定第一二维曲线与第二二维曲线的关系为异特性。
在一种可选的实施例中,仍在上述实施例的基础上继续进行说明,判断二维曲线T1和T2的关系包括如下两个步骤:
①令c1=Y1-1-Y2-1,c2=Y1-2-Y2-2…..cE=Y1-E-Y2-E,cn∈(c1、c2……cE);
②比较每个|cn|和C1的大小,并获得|cn|>C1的数量,即w1,如果w1≤W1,则判定二维曲线T1和T2为同特性曲线,即T1和T2的关系为同特性。
然后继续对T1和T3进行①和②中比较和赋值。
重复上述步骤,直至出现T1与Tn比较时,wn>W1,则判定两条二维曲线为异特性曲线,此时,由Tn作为新的分段中的起始时间点对应的二维曲线,并将Tn和Tn+1进行①和②中比较和赋值。
仍结合图4所示,图4给出了具有同特性关系的二维曲线(同特性曲线)和具有异特性关系(异特性曲线)的示意图,图中曲线4和曲线5的关系为同特性,即曲线4和曲线5为同特性曲线,曲线4与曲线6为异特性曲线,可以看出,同特性曲线的相似度较高,异特性曲线的相似度较低。
可选的,根据本申请上述实施例,选择时间序列中的时间点作为三维曲线的关键点,包括:
步骤S2351,获取时间间隔阈值,其中,时间间隔阈值通过预设的第四系数和三维曲线中的二维曲线的数量获得。
在一种可选的实施例中,时间间隔E=R4×曲线总条数。R4为第四系数,是获取的预设的正常数。曲线总条数即为三维曲线中的曲线数量。
步骤S2353,确定起始时间点为关键点,并依次获取时间序列中后一个时间点与前一个时间点的时间间隔。
在一种可选的实施例中,第一曲线t1的时间点为关键点,并获取时间序列中后一个时间点与前一个时间点的时间间隔,即Z1=t2-t1,Z2=t3-t2,……,ZE-1=tE-tE-1。
步骤S2355,如果时间序列中后一个时间点与前一个时间点的时间间隔大于时间间隔阈值,则确定后一个时间点为关键点。
仍在上述实施例中,以第一曲线和第二曲线为例,第二曲线与第一曲线的时间间隔Z1=t2-t1,如果Z1>E,则t2为第二个关键点,如果Z1≤E,则t2不为第二个关键点。
步骤S2357,确定时间序列中截止时间点为最后一个关键点,并根据选择的关键的构成最终的时间序列。
图5是根据本发明实施例的一种通过时间间隔选择关键点的示意图,结合图5所示,将A1、A2、A3……AE所对应的时间序号(曲线序号)赋值给t1、t2……tE,如果Zn大于E,则tn+1为第n+1个关键点,以此方法从时间序列中选择出关键点,并最终选择tE为最后一个关键点,由此产生的新的时间序列t’则为三维曲线关键点,即关键转折点,也即在时间间隔上波动较频繁的区块的起止点。
可选的,根据本申请上述实施例,在接收到更新数据或新增数据的情况下,删除三维曲线中截止时间点的二维曲线,并将接收到的数据对应的二维曲线作为三维曲线中截止时间点的二维曲线。
在上述步骤中,如果数据有更新或增加,则删除tE,将新加入的最后一条曲线作为新的tE,并且使用tE-1所对应的曲线和新曲线进行如步骤S23117中示出的幅值和比较。
可选的,根据本申请上述实施例,在删除了一个或多个数据的情况下,从三维曲线中删除已删除数据对应的二维曲线,并重新确定三维曲线的起始时间点和截止时间点。
具体的,删除一个或多个数据可以是头部删除和/或尾部删除。在上述步骤中,如果数据头部删减、尾部删减或者中间截取(头部和尾部都进行了删除),则删除删减部分包含的tn序列(删除数据对应的二维曲线),并对新的起始点和截止点进行重新赋值t。
实施例2
根据本发明实施例,提供了一种三维曲线的关键点识别装置的实施例,图6是根据本发明实施例的三维曲线的关键点识别装置的示意图,如图6所示,该装置包括:
获取模块60,用于获取三维曲线中每条曲线的特征参数,其中,每条曲线代表一个时间点中的节点与节点对应的幅值,特征参数包括差异系数和差异个数,差异系数用于表征曲线中幅值的差异程度,差异个数用于表征曲线中节点的数量。
确定模块62,用于根据曲线的特征参数确定三维曲线的关键点,其中,三维曲线的关键点为三维曲线在时域上的关键点。
实施例3
根据本发明实施例,提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行实施例1中的曲线关键点的识别方法。
实施例4
根据本发明实施例,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行实施例1中的曲线关键点的识别方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,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单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种三维曲线的关键点的识别方法,其特征在于,所述三维曲线通过对多条二维曲线增加时间维度构成,其中,所述二维曲线用于表征第一维度上的离散点与第二维度上的幅值的关系,所述第一维度和所述第二维度都不为所述时间维度,所述三维曲线的关键点的识别方法包括:
获取所述二维曲线的特征参数,其中,所述特征参数包括差异系数和差异个数,所述差异系数用于表征所述二维曲线中幅值的差异程度,所述差异个数用于表征所述二维曲线中离散点的数量;
根据所述二维曲线的特征参数确定三维曲线的关键点,其中,所述关键点为所述三维曲线在时域上的关键点。
2.根据权利要求1所述的方法,其特征在于,在所述特征参数为所述差异系数的情况下,获取所述二维曲线的特征参数,包括:
确定所述二维曲线中最大幅值与最小幅值的第一差值,并获取预设的第一系数;
确定所述第一差值与所述第一系数的乘积为所述差异系数。
3.根据权利要求1所述的方法,其特征在于,在所述特征参数为所述差异系数的情况下,获取所述二维曲线的特征参数,包括:
获取所述二维曲线中相邻离散点对应的幅值的第二差值;
获取每个所述第二差值的绝对值以及预设的第二系数;
确定波动系数与所述第二系数的乘积为所述差异系数,其中,所述波动系数根据所述绝对值之和和所述离散点的数量得到。
4.根据权利要求1所述的方法,其特征在于,在所述特征参数为所述差异个数的情况下,获取二维曲线的特征参数,包括:
获取所述二维曲线中离散点的数量,并获取预设的第三系数;
确定所述离散点的数量与所述第三系数的乘积为所述差异个数。
5.根据权利要求1至4中任意一项所述的方法,其特征在于,根据所述二维曲线的特征参数确定所述三维曲线的关键点,包括:
根据所述二维曲线的特征参数,将所述三维曲线在时域上进行分段,并将分段中的起始时间点对应的二维曲线的特征参数赋值给所述分段中的每条二维曲线,其中,每段包括一个或多个时间点对应的二维曲线,段内二维曲线的相似性高于段间二维曲线的相似度;
根据每段的起始时间点得到时间序列;
选择所述时间序列中的时间点作为所述三维曲线的关键点。
6.根据权利要求5所述的方法,其特征在于,根据所述二维曲线的特征参数,将所述三维曲线进行分段,包括:
判断第一二维曲线与第二二维曲线的关系,其中,所述第一二维曲线为所述三维曲线中第一个时间点的二维曲线,所述第二二维曲线为所述第一二维曲线下一个时间点的二维曲线,所述关系包括:同特性或异特性;
在所述第二二维曲线与所述第一二维曲线的关系为所述同特性的情况下,确定所述第二二维曲线与所述第一二维曲线同属于第一分段,并判断第三二维曲线与所述第一二维曲线的关系,其中,所述第三二维曲线为所述第二二维曲线下一个时间点的二维曲线;
在所述第二二维曲线与所述第一二维曲线的关系为所述异特性的情况下,确定所述第一二维曲线为第一分段,所述第二二维曲线为第二分段,并判断所述第三二维曲线与所述第二二维曲线的关系;
在所述第三二维曲线与所述第一二维曲线的关系为所述同特性的情况下,确定所述第三二维曲线属于所述第一分段,在所述第三二维曲线与所述第一二维曲线的关系为所述异特性的情况下,确定所述第三二维曲线属于第二分段。
7.根据权利要求6所述的方法,其特征在于,判断第一二维曲线与第二二维曲线的关系,包括:
获取所述第一二维曲线与所述第二二维曲线在相同离散点对应的幅值的第三差值;
将所述第三差值的绝对值与所述第一二维曲线的差异系数进行比对,获取大于所述第一二维曲线的差异系数的绝对值的数量;
如果所述数量小于或等于所述第一二维曲线的所述差异个数,则确定所述第一二维曲线和所述第二二维曲线的关系为所述同特性;
如果所述数量大于所述第一二维曲线的所述差异个数,则确定所述第一二维曲线与所述第二二维曲线的关系为所述异特性。
8.根据权利要求5所述的方法,其特征在于,选择所述时间序列中的时间点作为所述三维曲线的关键点,包括:
获取时间间隔阈值,其中,所述时间间隔阈值通过预设的第四系数和所述三维曲线中的二维曲线的数量获得;
确定起始时间点为所述关键点,并依次获取所述时间序列中后一个时间点与前一个时间点的时间间隔;
如果所述时间序列中后一个时间点与前一个时间点的时间间隔大于所述时间间隔阈值,则确定所述后一个时间点为所述关键点;
确定所述时间序列中截止时间点为最后一个所述关键点,并根据选择的关键的构成最终的时间序列。
9.根据权利要求1所述的方法,其特征在于,
在接收到更新数据或新增数据的情况下,删除所述三维曲线中截止时间点的二维曲线,并将接收到的数据对应的二维曲线作为所述三维曲线中截止时间点的二维曲线;
在删除了一个或多个数据的情况下,从所述三维曲线中删除已删除数据对应的二维曲线,并重新确定所述三维曲线的起始时间点和截止时间点。
10.一种三维曲线的关键点的识别装置,其特征在于,所述三维曲线通过对多条二维曲线增加时间维度构成,其中,所述二维曲线用于表征第一维度上的离散点与第二维度上的幅值的关系,所述第一维度和所述第二维度都不为所述时间维度,所述三维曲线的关键点的识别装置包括:
获取模块,用于获取所述二维曲线的特征参数,其中,所述特征参数包括差异系数和差异个数,所述差异系数用于表征所述二维曲线中幅值的差异程度,所述差异个数用于表征所述二维曲线中离散点的数量;
确定模块,用于根据所述二维曲线的特征参数确定三维曲线的关键点,其中,所述关键点为所述三维曲线在时域上的关键点。
11.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至9中任意一项所述的三维曲线的关键点的识别方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至9中任意一项所述的三维曲线的关键点的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810005978.5A CN109993193B (zh) | 2018-01-03 | 2018-01-03 | 三维曲线的关键点的识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810005978.5A CN109993193B (zh) | 2018-01-03 | 2018-01-03 | 三维曲线的关键点的识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993193A true CN109993193A (zh) | 2019-07-09 |
CN109993193B CN109993193B (zh) | 2021-01-29 |
Family
ID=67128480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810005978.5A Active CN109993193B (zh) | 2018-01-03 | 2018-01-03 | 三维曲线的关键点的识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993193B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506382A (zh) * | 2020-04-26 | 2020-08-07 | 网易(杭州)网络有限公司 | 进度条曲线确定方法及装置、存储介质、电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930143A (zh) * | 2012-10-11 | 2013-02-13 | 清华大学 | 面向三维元胞模型刻蚀工艺中确定粒子入射角度的方法 |
CN105184008A (zh) * | 2015-09-22 | 2015-12-23 | 中国航空工业集团公司沈阳发动机设计研究所 | 一种叶片阻尼台曲线生成方法 |
CN106437677A (zh) * | 2016-10-10 | 2017-02-22 | 北京合康科技发展有限责任公司 | 一种煤矿井下钻孔群钻孔质量评价方法及装置 |
-
2018
- 2018-01-03 CN CN201810005978.5A patent/CN109993193B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930143A (zh) * | 2012-10-11 | 2013-02-13 | 清华大学 | 面向三维元胞模型刻蚀工艺中确定粒子入射角度的方法 |
CN105184008A (zh) * | 2015-09-22 | 2015-12-23 | 中国航空工业集团公司沈阳发动机设计研究所 | 一种叶片阻尼台曲线生成方法 |
CN106437677A (zh) * | 2016-10-10 | 2017-02-22 | 北京合康科技发展有限责任公司 | 一种煤矿井下钻孔群钻孔质量评价方法及装置 |
Non-Patent Citations (1)
Title |
---|
荆晶: "一种基于迭代提取关键点的曲线拟合新算法", 《首都师范大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506382A (zh) * | 2020-04-26 | 2020-08-07 | 网易(杭州)网络有限公司 | 进度条曲线确定方法及装置、存储介质、电子设备 |
CN111506382B (zh) * | 2020-04-26 | 2022-11-04 | 网易(杭州)网络有限公司 | 进度条曲线确定方法及装置、存储介质、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109993193B (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104717124B (zh) | 一种好友推荐方法、装置及服务器 | |
CN107545000A (zh) | 基于知识图谱的信息推送方法及装置 | |
JP2002092305A (ja) | スコア算出方法及びスコア提供方法 | |
CN110365503A (zh) | 一种指标确定方法及其相关设备 | |
CN110737805B (zh) | 图模型数据的处理方法、装置和终端设备 | |
CN108846695A (zh) | 终端更换周期的预测方法及装置 | |
CN115392592B (zh) | 一种存储产品参数配置推荐方法、装置、设备及介质 | |
CN109062947A (zh) | 用户画像标签查询方法、设备及计算机可读存储介质 | |
CN112364014A (zh) | 数据查询方法、装置、服务器及存储介质 | |
CN108182200A (zh) | 基于语义相似度的关键词拓展方法和装置 | |
CN112860850B (zh) | 人机交互方法、装置、设备及存储介质 | |
CN110209916B (zh) | 一种兴趣点图像推荐方法及装置 | |
CN109993193A (zh) | 三维曲线的关键点的识别方法和装置 | |
CA2330878A1 (en) | Pre-processing and post-processing for enhancing knowledge discovery using support vector machines | |
CN111125379A (zh) | 知识库扩充方法、装置、电子设备和存储介质 | |
CN104932870B (zh) | 一种对虚幻脚本的数据处理方法,及装置 | |
CN110705889A (zh) | 一种企业筛选方法、装置、设备及存储介质 | |
CN109885651A (zh) | 一种问题推送方法和装置 | |
CN110209895A (zh) | 向量检索方法、装置和设备 | |
CN110209804A (zh) | 目标语料的确定方法和装置、存储介质及电子装置 | |
CN108710620A (zh) | 一种基于用户的k-最近邻算法的图书推荐方法与系统 | |
JP6840204B1 (ja) | 業務支援システム及び方法 | |
CN106202390B (zh) | 一种数据库完善系统及方法 | |
CN108021640B (zh) | 基于关联应用的关键词拓展方法和装置 | |
CN108491506A (zh) | 用于推送问题答案组合的方法 |
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 |