CN111177502A - 一种基于决策树算法的电力通信网络冗余数据辨识方法及系统 - Google Patents

一种基于决策树算法的电力通信网络冗余数据辨识方法及系统 Download PDF

Info

Publication number
CN111177502A
CN111177502A CN201911289576.3A CN201911289576A CN111177502A CN 111177502 A CN111177502 A CN 111177502A CN 201911289576 A CN201911289576 A CN 201911289576A CN 111177502 A CN111177502 A CN 111177502A
Authority
CN
China
Prior art keywords
data
communication network
power communication
decision tree
attribute
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
Application number
CN201911289576.3A
Other languages
English (en)
Inventor
刘晴
汤玮
刘旭
金海�
姜海
董武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN201911289576.3A priority Critical patent/CN111177502A/zh
Publication of CN111177502A publication Critical patent/CN111177502A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开的一种基于决策树算法的电力通信网络冗余数据辨识方法及系统，包括：S101、将电力通信网络中的部分数据进行人工辨识，记为训练智能体的基础数据；S102、将未辨识的电力通信网络数据转化为易于机器学习的数据类型；S103、通过ID3决策树算法对基础数据进行智能体训练，得到满足电力通信网络冗余数据辨识要求的ID3决策树智能体；S104、将未辨识的电力通信网络数据输入训练得到的决策树智能体，输出辨识结果；本发明从人工辨识的数据中开展学习，训练形成ID3决策树智能体，并将该智能体用于通信数据辨识，从而实现对庞大的电力通信网络冗余数据的自动辨识和分析，极大的提高了工作效率。

Description

一种基于决策树算法的电力通信网络冗余数据辨识方法及 系统
技术领域
本发明属于电力通信的技术领域，具体涉及一种基于决策树算法的电力通信网络冗余数据辨识方法及系统。
背景技术
电力通信网络存在庞大的冗余数据，开展冗余数据处理是电力通信网络数据治理的重要内容，所谓冗余数据是指不符合电力通信网络数据分析实际需要的数据类型。当前冗余数据的辨识和处理往往依据人工经验，由通信网络管理人员人工筛选，不仅效率低，而且缺乏合理的依据。
发明内容
本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种能够减少数据的误判概率，提高工作效率，且基于决策树算法的电力通信网络冗余数据辨识方法及系统。
为了解决上述技术问题，本发明采用的技术方案为：一种基于决策树算法的电力通信网络冗余数据辨识方法，包括：S101、将电力通信网络中的部分数据进行人工辨识，记为训练智能体的基础数据；S102、将未辨识的电力通信网络数据转化为易于机器学习的数据类型，具体包括：字符型数值、连续型数值和离散型数值；S103、通过ID3决策树算法对基础数据进行智能体训练，得到满足电力通信网络冗余数据辨识要求的ID3决策树智能体；S104、将未辨识的电力通信网络数据输入训练得到的决策树智能体，输出辨识结果。
优选地，所述字符型数值转化过程包括：将电力通信网络数据中字符型数值共有种取值，转化公式可表示为：
Figure BDA0002318173610000021
式(1)中，xi、
Figure BDA0002318173610000022
分别为电力通信网络数据的字符型属性i在处理前后的取值，Cha1、Cha2、……为该属性的N种字符型取值，按照字符型属性取值种类，可对应将其转换为0至1之间的数值。
优选地，所述连续型数值包括：将电力通信网络数据中连续型数值采用归一化方法进行处理，其处理公式可表示为：
Figure BDA0002318173610000023
式(2)中，xi、
Figure BDA0002318173610000024
分别为电力通信网络数据的连续型属性i在处理前后的取值，
Figure BDA0002318173610000025
为该连续型属性取值的上下限值。
优选地，通过ID3决策树算法对基础数据进行智能体训练，得到满足电力通信网络冗余数据辨识要求的ID3决策树智能体，具体包括：
S1031、通过式(3)选定基础数据中样本集D的信息熵指标；
Figure BDA0002318173610000026
式(3)中，Ent(D)为样本集D的信息熵指标，pk为该样本集中第k类样本的占比，y为样本的类型总数，最优划分属性应该是信息熵增益最大的属性，即满足：
Figure BDA0002318173610000031
式(4)中，a*为最优划分属性，Gain(D,a)表示样本集D按照属性a划分所对应的信息熵增益，Va为属性可能的取值数目，|D|、|Dv|分别表示样本集D的样本数和样本集D中属性a取值为v的样本子集Dv的样本数，Ent(Dv)为该样本子集的信息熵。
S1032、根据样本集的最优划分属性的取值，将基础数据进行划分，划分后的属性取值数即为分支数；
S1033、当满足划分后所得的样本子集均属于同一类型，不需要进一步划分，或最优划分属性为空集，或样本子集为空集时，生成决策树。
优选地，所述字符型数值、连续型数值和离散型数值转化后的取值范围均为0至1之间的数据。
相应地，一种基于决策树算法的电力通信网络冗余数据辨识系统，包括：识别单元：将电力通信网络中的部分数据进行人工辨识，记为训练智能体的基础数据；转化单元：将未辨识的电力通信网络数据转化为易于机器学习的数据类型，具体包括：字符型数值、连续型数值和离散型数值；智能体训练单元：通过ID3决策树算法对基础数据进行智能体训练，得到满足电力通信网络冗余数据辨识要求的ID3决策树智能体；运行单元：将未辨识的电力通信网络数据输入训练得到的决策树智能体，输出辨识结果。
优选地，所述智能体训练单元包括：选定单元：用于选定基础数据中样本集的最优划分属性；划分单元：根据样本集的最优划分属性的取值，将基础数据进行划分，划分后的属性取值数即为分支数；决策树生成单元：当满足划分后所得的样本子集均属于同一类型，不需要进一步划分，或最优划分属性为空集，或样本子集为空集时，生成决策树。
优选地，所述字符型数值、连续型数值和离散型数值转化后的取值范围均为0至1之间的数据。
本发明与现有技术相比具有以下有益效果：
本发明一种基于决策树算法的电力通信网络冗余数据辨识方法及系统，在获取的电力通信网络数据选择部分数据进行人工辨识，并标记冗余数据和非冗余数据并，对人工辨识的数据进行智能体训练，得到满足电力通信网络冗余数据辨识要求的ID3决策树智能体，将未辨识的电力通信网络数据且转化为易于机器学习的数据输入训练得到的决策树智能体，输出辨识结果；本发明从人工辨识的数据中开展学习，训练形成ID3决策树智能体，并将该智能体用于通信数据辨识，从而实现对庞大的电力通信网络冗余数据的自动辨识和分析，克服了现有的不良数据检测与辨识的残差淹没问题，大大减少了数据的误判概率，极大的提高了工作效率。
附图说明
下面结合附图对本发明做进一步详细的说明；
图1为本发明实施例一提供的一种基于决策树算法的电力通信网络冗余数据辨识方法的流程示意图；
图2为本发明实施例二提供的一种基于决策树算法的电力通信网络冗余数据辨识方法的流程示意图；
图3为本发明实施例一提供的一种基于决策树算法的电力通信网络冗余数据辨识系统的结构示意图；
图4为本发明实施例二提供的一种基于决策树算法的电力通信网络冗余数据辨识系统的结构示意图；
图中：101为识别单元，102为转化单元，103为智能体训练单元，1031为选定单元，1032为划分单元，1033为决策树生成单元，104为运行单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例一提供的一种基于决策树算法的电力通信网络冗余数据辨识方法的流程示意图，如图1所示，一种基于决策树算法的电力通信网络冗余数据辨识方法，包括：
S101、将电力通信网络中的部分数据进行人工辨识，记为训练智能体的基础数据；具体地，所获取的电力通信网络数据选择部分样本集，采用传统的人工冗余数据辨识方法，由通信运行管理人员判定是否属于冗余数据，并进行标记，规定其冗余数据属性取值为“1”，表示属于冗余数据；否则取值为“0”，一般采用人工辨识的数据条数可不超过总条数的10％或1万条，这部分辨识数据作为训练智能体的基础数据，剩余数据由智能体自动辨识；
S102、将未辨识的电力通信网络数据转化为易于机器学习的数据类型，具体包括：字符型数值、连续型数值和离散型数值；所述字符型数值、连续型数值和离散型数值转化后的取值范围均为0至1之间的数据；
S103、通过ID3决策树算法对基础数据进行智能体训练，得到满足电力通信网络冗余数据辨识要求的ID3决策树智能体；
S104、将未辨识的电力通信网络数据输入训练得到的决策树智能体，输出辨识结果。
具体地，在获取的电力通信网络数据选择部分数据进行人工辨识，并标记冗余数据和非冗余数据并，对人工辨识的数据进行智能体训练，得到满足电力通信网络冗余数据辨识要求的ID3决策树智能体，将未辨识的电力通信网络数据且转化为易于机器学习的数据输入训练得到的决策树智能体，输出辨识结果；本实施例从人工辨识的数据中开展学习，训练形成ID3决策树智能体，并将该智能体用于通信数据辨识，从而实现对庞大的电力通信网络冗余数据的自动辨识和分析，克服了现有的不良数据检测与辨识的残差淹没问题，大大减少了数据的误判概率，极大的提高了工作效率。
具体地，所述字符型数值转化过程包括：将电力通信网络数据中字符型数值共有种取值，转化公式可表示为：
Figure BDA0002318173610000071
式(1)中，xi、
Figure BDA0002318173610000072
分别为电力通信网络数据的字符型属性i在处理前后的取值，Cha1、Cha2、……为该属性的N种字符型取值，按照字符型属性取值种类，可对应将其转换为0至1之间的数值。
具体地，所述连续型数值包括：将电力通信网络数据中连续型数值采用归一化方法进行处理，其处理公式可表示为：
Figure BDA0002318173610000073
式(2)中，xi、
Figure BDA0002318173610000074
分别为电力通信网络数据的连续型属性i在处理前后的取值，
Figure BDA0002318173610000075
为该连续型属性取值的上下限值。
具体地，所述离散型数值处理方式和字符型数值处理方式类似，也是根据其取值可能性将其转化。
图2为本发明实施例二提供的一种基于决策树算法的电力通信网络冗余数据辨识方法的流程示意图，如图2所示，一种基于决策树算法的电力通信网络冗余数据辨识方法，所述通过ID3决策树算法对基础数据进行智能体训练，得到满足电力通信网络冗余数据辨识要求的ID3决策树智能体，具体包括：
S1031、ID3决策树中定义了“信息熵”指标，作为选择最优划分属性的依据，所谓“信息熵”是指样本分类的集合纯度，通过式(3)选定基础数据中样本集D的信息熵指标；
Figure BDA0002318173610000081
式(3)中，Ent(D)为样本集D的信息熵指标，pk为该样本集中第k类样本的占比，y为样本的类型总数，信息熵取值越小，样本集的纯度越高，而决策树生成中按照某属性分类后所得的样本集纯度越高，决策树执行效率则越高；最优划分属性是信息熵增益最大的属性，即满足：
Figure BDA0002318173610000082
式(4)中，a*为最优划分属性，Gain(D,a)表示样本集D按照属性a划分所对应的信息熵增益，Va为属性可能的取值数目，|D|、|Dv|分别表示样本集D的样本数和样本集D中属性a取值为v的样本子集Dv的样本数，Ent(Dv)为该样本子集的信息熵；
S1032、根据样本集的最优划分属性的取值，将基础数据进行划分，划分后的属性取值数即为分支数；
S1033、当满足划分后所得的样本子集均属于同一类型，不需要进一步划分，或最优划分属性为空集，或样本子集为空集时，生成决策树。
图3为本发明实施例一提供的一种基于决策树算法的电力通信网络冗余数据辨识系统的结构示意图，如图3所示，一种基于决策树算法的电力通信网络冗余数据辨识系统，包括：
识别单元101：将电力通信网络中的部分数据进行人工辨识，记为训练智能体的基础数据；
转化单元102：将未辨识的电力通信网络数据转化为易于机器学习的数据类型，具体包括：字符型数值、连续型数值和离散型数值。
智能体训练单元103：通过ID3决策树算法对基础数据进行智能体训练，得到满足电力通信网络冗余数据辨识要求的ID3决策树智能体；
运行单元104：将未辨识的电力通信网络数据输入训练得到的决策树智能体，输出辨识结果。
具体地，识别单元101将电力通信网络中的部分数据进行人工辨识，标记冗余数据和非冗余数据，智能体训练单元103对人工辨识的数据进行智能体训练，得到满足电力通信网络冗余数据辨识要求的ID3决策树智能体，运行单元104将未辨识的电力通信网络数据且经转化单元102转化为易于机器学习的数据输入训练得到的决策树智能体，输出辨识结果；本实施例从传统人工辨识结果中，开展智能体学习训练，生成面向电力通信网络冗余数据的辨识智能体，避免了完全依赖人工的低效充分筛选工作，极大的提高了工作效率。
图4为本发明实施例二提供的一种基于决策树算法的电力通信网络冗余数据辨识系统的结构示意图，如图4所示，在实施例二的基础上所述智能体训练单元103包括：
选定单元1031：用于选定基础数据中样本集的最优划分属性；
划分单元1032：根据样本集的最优划分属性的取值，将基础数据进行划分，划分后的属性取值数即为分支数；
决策树生成单元1032：当满足划分后所得的样本子集均属于同一类型，不需要进一步划分，或最优划分属性为空集，或样本子集为空集时，生成决策树。
具体地，在经人工辨识后的基础数据中选择部分样本集，在样本集中通过信息熵公式计算得到样本集的信息熵指标，也为样本集分类的集合纯度，息熵取值越小，样本集的纯度越高，经计算得到信息熵增益最大的属性，也为样本集的最优划分属性，根据样本集的最优划分属性的取值，将基础数据进行划分，划分后的属性取值数即为分支数，当满足划分后所得的样本子集均属于同一类型，不需要进一步划分，或最优划分属性为空集，或样本子集为空集时，生成决策树，本实施例中决策树生成的分类规则易于理解，准确率较高。
在本说明书的描述中，参考术语“一个实施例”、“一部分实施例”、“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。
可以理解的是，上述方法、装置及系统中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其他设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定的编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在本申请所提供的实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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网络单元上。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。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种基于决策树算法的电力通信网络冗余数据辨识方法，其特征在于：包括：
S101、将电力通信网络中的部分数据进行人工辨识，记为训练智能体的基础数据；
S102、将未辨识的电力通信网络数据转化为易于机器学习的数据类型，具体包括：字符型数值、连续型数值和离散型数值；
S103、通过ID3决策树算法对基础数据进行智能体训练，得到满足电力通信网络冗余数据辨识要求的ID3决策树智能体；
S104、将未辨识的电力通信网络数据输入训练得到的决策树智能体，输出辨识结果。
2.根据权利要求1所述的一种基于决策树算法的电力通信网络冗余数据辨识方法，其特征在于：
所述字符型数值转化过程包括：将电力通信网络数据中字符型数值共有种取值，转化公式可表示为：
Figure FDA0002318173600000011
式(1)中，xi、
Figure FDA0002318173600000012
分别为电力通信网络数据的字符型属性i在处理前后的取值，Cha1、Cha2、……为该属性的N种字符型取值，按照字符型属性取值种类，可对应将其转换为0至1之间的数值。
3.根据权利要求1所述的一种基于决策树算法的电力通信网络冗余数据辨识方法，其特征在于：
所述连续型数值包括：将电力通信网络数据中连续型数值采用归一化方法进行处理，其处理公式可表示为：
Figure FDA0002318173600000021
式(2)中，xi、
Figure FDA0002318173600000022
分别为电力通信网络数据的连续型属性i在处理前后的取值，
Figure FDA0002318173600000023
为该连续型属性取值的上下限值。
4.根据权利要求1所述的一种基于决策树算法的电力通信网络冗余数据辨识方法，其特征在于：通过ID3决策树算法对基础数据进行智能体训练，得到满足电力通信网络冗余数据辨识要求的ID3决策树智能体，具体包括：
S1031、通过式(3)选定基础数据中样本集D的信息熵指标；
Figure FDA0002318173600000024
式(3)中，Ent(D)为样本集D的信息熵指标，pk为该样本集中第k类样本的占比，y为样本的类型总数，最优划分属性应该是信息熵增益最大的属性，即满足：
Figure FDA0002318173600000025
式(4)中，a*为最优划分属性，Gain(D,a)表示样本集D按照属性a划分所对应的信息熵增益，Va为属性可能的取值数目，|D|、|Dv|分别表示样本集D的样本数和样本集D中属性a取值为v的样本子集Dv的样本数，Ent(Dv)为该样本子集的信息熵。
S1032、根据样本集的最优划分属性的取值，将基础数据进行划分，划分后的属性取值数即为分支数；
S1033、当满足划分后所得的样本子集均属于同一类型，不需要进一步划分，或最优划分属性为空集，或样本子集为空集时，生成决策树。
5.根据权利要求1所述的一种基于决策树算法的电力通信网络冗余数据辨识方法，其特征在于：所述字符型数值、连续型数值和离散型数值转化后的取值范围均为0至1之间的数据。
6.一种基于决策树算法的电力通信网络冗余数据辨识系统，其特征在于：包括：
识别单元(101)：将电力通信网络中的部分数据进行人工辨识，记为训练智能体的基础数据；
转化单元(102)：将未辨识的电力通信网络数据转化为易于机器学习的数据类型，具体包括：字符型数值、连续型数值和离散型数值；
智能体训练单元(103)：通过ID3决策树算法对基础数据进行智能体训练，得到满足电力通信网络冗余数据辨识要求的ID3决策树智能体；
运行单元(104)：将未辨识的电力通信网络数据输入训练得到的决策树智能体，输出辨识结果。
7.根据权利要求6所述的一种基于决策树算法的电力通信网络冗余数据辨识系统，其特征在于：所述智能体训练单元(103)包括：
选定单元(1031)：用于选定基础数据中样本集的最优划分属性；
划分单元(1032)：根据样本集的最优划分属性的取值，将基础数据进行划分，划分后的属性取值数即为分支数；
决策树生成单元(1033)：当满足划分后所得的样本子集均属于同一类型，不需要进一步划分，或最优划分属性为空集，或样本子集为空集时，生成决策树。
8.根据权利要求6所述的一种基于决策树算法的电力通信网络冗余数据辨识系统，其特征在于：所述字符型数值、连续型数值和离散型数值转化后的取值范围均为0至1之间的数据。
CN201911289576.3A 2019-12-14 2019-12-14 一种基于决策树算法的电力通信网络冗余数据辨识方法及系统 Pending CN111177502A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911289576.3A CN111177502A (zh) 2019-12-14 2019-12-14 一种基于决策树算法的电力通信网络冗余数据辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911289576.3A CN111177502A (zh) 2019-12-14 2019-12-14 一种基于决策树算法的电力通信网络冗余数据辨识方法及系统

Publications (1)

Publication Number Publication Date
CN111177502A true CN111177502A (zh) 2020-05-19

Family

ID=70646334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911289576.3A Pending CN111177502A (zh) 2019-12-14 2019-12-14 一种基于决策树算法的电力通信网络冗余数据辨识方法及系统

Country Status (1)

Country Link
CN (1) CN111177502A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902816A (zh) * 2014-03-12 2014-07-02 郑州轻工业学院 基于数据挖掘技术的带电检测数据处理方法
CN109656141A (zh) * 2019-01-11 2019-04-19 武汉天喻聚联网络有限公司 基于人工智能技术的违规识别及机器行为控制方法、设备、存储介质
CN109670611A (zh) * 2018-12-29 2019-04-23 四川中电启明星信息技术有限公司 一种电力信息系统故障诊断方法及装置
CN110222708A (zh) * 2019-04-29 2019-09-10 中国科学院计算技术研究所 一种基于集成决策树的跌倒检测方法和系统
CN110417823A (zh) * 2019-09-25 2019-11-05 广东电网有限责任公司佛山供电局 一种基于嵌入式特征选择架构的通信网络入侵检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902816A (zh) * 2014-03-12 2014-07-02 郑州轻工业学院 基于数据挖掘技术的带电检测数据处理方法
CN109670611A (zh) * 2018-12-29 2019-04-23 四川中电启明星信息技术有限公司 一种电力信息系统故障诊断方法及装置
CN109656141A (zh) * 2019-01-11 2019-04-19 武汉天喻聚联网络有限公司 基于人工智能技术的违规识别及机器行为控制方法、设备、存储介质
CN110222708A (zh) * 2019-04-29 2019-09-10 中国科学院计算技术研究所 一种基于集成决策树的跌倒检测方法和系统
CN110417823A (zh) * 2019-09-25 2019-11-05 广东电网有限责任公司佛山供电局 一种基于嵌入式特征选择架构的通信网络入侵检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘继清等: "基于改进决策树算法的设备故障智能诊断模型", 《制造业自动化》 *

Similar Documents

Publication Publication Date Title
CN107766371A (zh) 一种文本信息分类方法及其装置
CN107895222A (zh) 基于dbscan算法的变压器不良漏抗参数辨识方法
CN112579789A (zh) 一种设备故障诊断的方法和装置及设备
CN105045927A (zh) 建设工程工料机数据自动编码方法及系统
CN108073722A (zh) 一种新建变电站主子站图形和模型的自动校验装置及方法
CN115618249A (zh) 一种基于LargeVis降维与DBSCAN聚类的低压配电台区相位识别方法
CN111340253B (zh) 一种主网检修申请单的解析方法及系统
CN111177502A (zh) 一种基于决策树算法的电力通信网络冗余数据辨识方法及系统
CN112507881A (zh) 一种基于时间卷积神经网络的sEMG信号分类方法及系统
CN111898694A (zh) 一种基于随机树分类的非入侵式负荷识别方法及装置
CN116911161A (zh) 一种结合数据增强的深度学习暂态电压稳定评估方法
CN108898157B (zh) 基于卷积神经网络的数值型数据的雷达图表示的分类方法
CN109602415A (zh) 基于机器学习的心电设备导联倒置识别方法
CN116432027A (zh) 基于振动信号的变压器运行状态检测方法及系统
CN114710313A (zh) 一种电网的设备攻击检测方法、装置及系统
CN108062563A (zh) 一种基于类别均衡的代表样本发现方法
CN114722809A (zh) 一种基于智能语音交互技术的电网设备运行状态查询方法、装置及存储介质
CN109726286B (zh) 一种基于lda主题模型的图书自动分类方法
CN113535820A (zh) 一种基于卷积神经网络的电气操作人员属性推测方法
CN115204128A (zh) 一种配置文件生成方法、装置和计算机可读存储介质
CN110245617A (zh) 基于暂态录波波形的人工智能分析方法
CN111950615A (zh) 一种基于树种优化算法的网络故障特征选择方法
CN111882284A (zh) 一种分布式电源并网的运行监控方法和系统
CN117690451B (zh) 一种基于集成学习的神经网络噪声源分类的方法及装置
CN109257206A (zh) 一种数据录入及评价诊断信息反馈的方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200519

RJ01 Rejection of invention patent application after publication