CN111967593A - 一种基于建模对异常数据进行处理的方法和系统 - Google Patents
一种基于建模对异常数据进行处理的方法和系统 Download PDFInfo
- Publication number
- CN111967593A CN111967593A CN202010735969.9A CN202010735969A CN111967593A CN 111967593 A CN111967593 A CN 111967593A CN 202010735969 A CN202010735969 A CN 202010735969A CN 111967593 A CN111967593 A CN 111967593A
- Authority
- CN
- China
- Prior art keywords
- water supply
- fcmnn
- model
- network
- supply data
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 170
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 230000002068 genetic effect Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 30
- 230000002490 cerebral effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 210000001638 cerebellum Anatomy 0.000 abstract description 17
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 201000004569 Blindness Diseases 0.000 abstract description 6
- 238000010187 selection method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 210000000349 chromosome Anatomy 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
Images
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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供了一种基于建模对异常数据进行处理的方法和系统,包括:获取待处理供水管网的供水数据;将供水数据转换为数字信号;使用经过供水数据样本训练的GA‑FCMNN模型对数字信号进行分析;将分析的结果与预设的正常结果进行比对,如果存在异常,对待处理供水管网进行处理。本申请采用遗传算法极大优化了模糊小脑模型神经网络初始权值的选取,有效减少人工选取初始参数的盲目性和时间成本,进一步提升神经网络诊断分类器的学习效率和智能化水平,提高了供水管网故障的识别效率。
Description
技术领域
本申请属于供水领域,尤其涉及一种基于建模对异常数据进行处理的方法和系统。
背景技术
供水管网是居民生活供水中的重要设备,当供水管网出现问题时,通常无法进行正常供水,导致居民的生活不便。因此,开展供水数据的故障诊断研究,对于保证供水管网的可靠性和在故障发生前能够预知故障风险,避免出现居民无法用水等方面具有重要的意义。小脑模型神经网络(Cerebellar Model Neural Network,CMNN)是一种局部逼近的神经网络,其结构简单,优于类神经网络,收敛速度快,但CMNN权值系数的存储空间会随着输入维数的增大而急剧增加,且实时调整能力不强。而模糊小脑模型神经网络(FuzzyCerebellar Model Neural Network,FCMNN)将模糊理论引入,通过对输入的模糊化,弥补了CMNN自调整的弱势,使得准确性和可靠性得到进一步提高,但FCMNN的网络结构参数由人工选择,随机性较大,从而容易导致训练效率不高,造成网络性能下降,影响网络的逼近能力。
发明内容
本发明实施例的主要目的在于提供一种基于分区计量的供水数据的获取方法和获取系统,采用遗传算法极大优化了模糊小脑模型神经网络初始权值的选取,有效减少人工选取初始参数的盲目性和时间成本,进一步提升神经网络诊断分类器的学习效率和智能化水平,提高了供水管网故障的识别效率。
第一方面,提供了一种基于建模对异常数据进行处理的方法,包括:
获取待处理供水管网的供水数据;
将供水数据转换为数字信号;
使用经过供水数据样本训练的遗传算法优化模糊小脑型神经网络GA-FCMNN模型对数字信号进行分析;
将分析的结果与预设的正常结果进行比对,如果存在异常,对待处理供水管网进行处理。
在一个可能的实现方式中,在使用经过供水数据样本训练的GA-FCMNN模型对数字信号进行分析之前,方法,还包括:
通过供水数据样本对GA-FCMNN模型进行训练。
在另一个可能的实现方式中,通过供水数据样本对GA-FCMNN模型进行训练,包括:
建立供水数据样本库,并建立GA-FCMNN模型;
通过供水数据样本对GA-FCMNN模型进行训练。
在另一个可能的实现方式中, GA-FCMNN模型的参数,通过Back-Propagation算法进行更新。
在另一个可能的实现方式中,对待处理供水管网进行处理,包括:切断待处理供水管网的供水和/或降低待处理供水管网的供水。
第二方面,提供了一种基于建模对异常数据进行处理的系统,包括:
数据获取模块,用于获取待处理供水管网的供水数据;
转换模块,用于将供水数据转换为数字信号;
分析模块,用于使用经过供水数据样本训练的GA-FCMNN模型对数字信号进行分析;
处理模块,用于将分析的结果与预设的正常结果进行比对,如果存在异常,对待处理供水管网进行处理。
在另一个可能的实现方式中,处理系统还包括:
训练模块,用于通过供水数据样本对GA-FCMNN模型进行训练。
在另一个可能的实现方式中,训练模块,包括
建立子模块,用于建立供水数据样本库,并建立GA-FCMNN模型;
训练子模块,用于通过供水数据样本对GA-FCMNN模型进行训练。
在另一个可能的实现方式中, GA-FCMNN模型的参数,通过Back-Propagation算法进行更新。
在另一个可能的实现方式中,对待处理供水管网进行处理,包括:切断待处理供水管网的供水和/或降低待处理供水管网的供水。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本发明一个实施例提供的一种基于建模对异常数据进行处理的方法的流程图;
图2为本发明一个实施例提供的一种基于建模对异常数据进行处理的系统的结构图。
具体实现方式
下面详细描述本申请的实施例,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模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、模块和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、模块、组件和/或它们的组。应该理解,当我们称模块被“连接”或“耦接”到另一模块时,它可以直接连接或耦接到其他模块,或者也可以存在中间模块。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一模块和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实现方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如和解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
实施例一
如图1所示为本发明一个实施例提供的一种基于建模对异常数据进行处理的方法的流程图,所述方法包括:
步骤S101,获取待处理供水管网的供水数据。
在本发明实施例中,供水数据通常为供水管网在运行时的数据,供水数据包括:阀门关闭状态、摩阻系数、水质状态等,该供水数据通常通过安装与供水管网中的传感器获取,当传感器出现故障或无法获取到供水数据时,也可通过人工方式获取。
步骤S102,将所述供水数据转换为数字信号。
在本发明实施例中,供水数据通常不能直接放入模型中进行处理,因此需要将供水数据转换为数字信号,对于阀门关闭状态可以使用0、1表示开关闭合状态,摩阻系数、水质状态可以转换为0、1表达的数据。
步骤S103,使用经过供水数据样本训练的遗传算法优化模糊小脑型神经网络GA-FCMNN模型对所述数字信号进行分析。
在本发明实施例中,原始的GA-FCMNN模型并不能快速、准确的对数字信号进行分析,需要通过预先获取的供水数据样本对原始GA-FCMNN模型进行训练,经过训练的GA-FCMNN即可快速、准确的对数字信号进行分析。
步骤S104,将所述分析的结果与预设的正常结果进行比对,如果存在异常,对所述待处理供水管网进行处理。
在本发明实施例中,将GA-FCMNN模型分析的结果与预设的正常结果进行比对,如果分析的结果异于正常结果,则为了居民生活用水的安全,则对待处理供水管网进行处理。
所述对所述待处理供水管网进行处理,包括:切断所述待处理供水管网的供水和/或降低所述待处理供水管网的供水。
对于出现异常的供水管网,可以直接切断供水管网的供水,这样可以第一时间保证居民生活用水的安全,也可以降低待处理供水管网的供水,降低对居民生活用水的影响。
本发明实施例,获取待处理供水管网的供水数据,将供水数据转换为数字信号,使用经过供水数据样本训练的GA-FCMNN模型对数字信号进行分析,将分析的结果与预设的正常结果进行比对,如果存在异常,则对待处理供水管网进行处理。采用遗传算法极大优化了模糊小脑模型神经网络初始权值的选取,有效减少人工选取初始参数的盲目性和时间成本,进一步提升神经网络诊断分类器的学习效率和智能化水平,提高了供水管网故障的识别效率。
作为本发明的一个可选实施例,在所述使用经过供水数据样本训练的GA-FCMNN模型对所述数字信号进行分析之前,所述方法,还包括:
通过供水数据样本对GA-FCMNN模型进行训练。
所述通过供水数据样本对GA-FCMNN模型进行训练,包括:
1、建立供水数据样本库,并建立GA-FCMNN模型。
在本发明实施例中,通过获取供水公司数据库中的历年供水数据,构造供水数据样本库。供水数据样本库用于下一步样本数据去噪,时、频域分析,将能反映故障的故障特征提取出来,并作为GA-FCMNN模型的输入,对GA-FCMNN模型进行训练。在对实际供水管网进行诊断时,也将记录提取到的样本信息,当样本累计到一定的数量时,可参与构建新的样本数据库,丰富样本库的数据。
GA-FCMNN模型(Genetic Algorithm-Fuzzy Cerebellar Model Neural Network,遗传算法优化模糊小脑型神经网络)主体是模糊小脑模型神经网络,是在小脑模型神经网络的基础上引入了模糊集理论,使模型不仅具有模糊逻辑的不确定信息处理能力,而且具有良好的快速自适应学习能力。其网络结构主要由故障特征输入层、联想记忆层、接收域层、权重层和故障类型输出层五部分组成。其中,在联想记忆层引入模糊集理论,一个输入状态将同时激活多个模糊集,使输入模糊化,便于对不确定性信息做更好的处理,进而构成模糊小脑模型神经网络。
由于遗传算法具有较好的寻优能力,可采用遗传算法优化模糊小脑模型神经网络初始权值的选取。其基本思路是:先在一个设定的区域内初始化网络权值,对初始权值进行编码并构建染色体。根据神经网络权值的数量设置每个染色体的长度,并随机产生N个种群;再根据“适者生存”的演化原理,将“最小网络误差”作为遗传进化准则,在遗传空间内进行选择、交叉、变异等遗传操作来进化当前染色体,并由此产生新一代种群;循环上述遗传操作,使网络初始权值不断进化,从而获得一组在设定区域内,遗传算法能寻找到的使网络误差达到最小的权值;再采用这组权值作为神经网络的初始权重,进一步对网络进行训练。将遗传算法引入神经网络初始权值的寻优,可以有效减少人工选取初始参数的盲目性和时间成本,进一步提升神经网络诊断器的智能化。
优选的,对于GA-FCMNN模型的参数,通过Back-Propagation算法进行更新。
输入的故障特征向量沿神经网络信号传播方向计算出网络的实际输出,再将实际输出与期望输出作比较,并计算出目标函数。此时若目标函数值不满足误差精度,则修正方向沿神经网络传播的逆方向,并再次计算目标函数,再次判定是否满足误差精度,并循环进行,直到满足误差要求为止;若目标函数值满足误差,则训练完成,记录当前权值,作为分类器最优权值。
设定Back-Propagation算法的目标函数为:
若目标函数值E(K)不满足误差精度ε,则修正和更新GA-FCMNN权值,直到满足精度要求:
通过链式法则可得参数变化量为:
2、通过所述供水数据样本对所述GA-FCMNN模型进行训练。
在本发明实施例中,对GA-FCMNN模型的训练即为对供水管网故障的早期诊断和识别。通过传感器采集供水管网中的数据,提取故障特征,并以此作为神经网络的输入;对神经网络初始化的权值编码,初始化种群规模,进行适应度计算,选择、交叉、变异操作,寻优直到获得当前最优初始权值,并以此作为最佳神经网络初始权值;训练GA-FCMNN,通过网络计算,若不满足误差精度要求,采用梯度下降的Back-Propagation算法进行参数更新,直到达到最大训练次数或满足误差精度要求时,获得当前最优权值,并以此作为神经网络参数最优权值,送入已训练好的GA-FCMNN中进行测试,得出故障诊断情况,若故障,则定位故障点并识别出故障类型。
下表显示的是使用本发明的方法与现有技术进行对异常数据进行处理的故障识别率的比较,我们以A市最近12个月的用水数据为依据进行了模拟:通过本发明的技术方案,识别出了A市最近12个月中每个月的用水故障率和12个月的平均用水故障率;通过现有的技术方案,识别出了A市最近12个月中每个月的用水故障率和12个月的平均用水故障率。可以看出,本发明的方法可以显著提高对异常数据处理的成功率和准确率:
实施例二
如图2所示为本发明一个实施例提供的一种基于建模对异常数据进行处理的系统的结构图,所述系统包括:
数据获取模块201,用于获取待处理供水管网的供水数据。
在本发明实施例中,供水数据通常为供水管网在运行时的数据,供水数据包括:阀门关闭状态、摩阻系数、水质状态等,该供水数据通常通过安装与供水管网中的传感器获取,当传感器出现故障或无法获取到供水数据时,也可通过人工方式获取。
转换模块202,用于将所述供水数据转换为数字信号。
在本发明实施例中,供水数据通常不能直接放入模型中进行处理,因此需要将供水数据转换为数字信号,对于阀门关闭状态可以使用0、1表示开关闭合状态,摩阻系数、水质状态可以转换为0、1表达的数据。
分析模块203,用于使用经过供水数据样本训练的GA-FCMNN模型对所述数字信号进行分析。
在本发明实施例中,原始的GA-FCMNN模型并不能快速、准确的对数字信号进行分析,需要通过预先获取的供水数据样本对原始GA-FCMNN模型进行训练,经过训练的GA-FCMNN即可快速、准确的对数字信号进行分析。
处理模块204,用于将所述分析的结果与预设的正常结果进行比对,如果存在异常,对所述待处理供水管网进行处理。
在本发明实施例中,将GA-FCMNN模型分析的结果与预设的正常结果进行比对,如果分析的结果异于正常结果,则为了居民生活用水的安全,则对待处理供水管网进行处理。
所述对所述待处理供水管网进行处理,包括:切断所述待处理供水管网的供水和/或降低所述待处理供水管网的供水。
对于出现异常的供水管网,可以直接切断供水管网的供水,这样可以第一时间保证居民生活用水的安全,也可以降低待处理供水管网的供水,降低对居民生活用水的影响。
本发明实施例,获取待处理供水管网的供水数据,将供水数据转换为数字信号,使用经过供水数据样本训练的GA-FCMNN模型对数字信号进行分析,将分析的结果与预设的正常结果进行比对,如果存在异常,则对待处理供水管网进行处理。采用遗传算法极大优化了模糊小脑模型神经网络初始权值的选取,有效减少人工选取初始参数的盲目性和时间成本,进一步提升神经网络诊断分类器的学习效率和智能化水平,提高了供水管网故障的识别效率。
作为本发明的一个可选实施例,所述系统还包括:
训练模块,用于通过供水数据样本对GA-FCMNN模型进行训练。
所述训练模块,包括:
建立子模块,用于建立供水数据样本库,并建立GA-FCMNN模型。
在本发明实施例中,通过获取供水公司数据库中的历年供水数据,构造供水数据样本库。供水数据样本库用于下一步样本数据去噪,时、频域分析,将能反映故障的故障特征提取出来,并作为GA-FCMNN模型的输入,对GA-FCMNN模型进行训练。在对实际供水管网进行诊断时,也将记录提取到的样本信息,当样本累计到一定的数量时,可参与构建新的样本数据库,丰富样本库的数据。
GA-FCMNN模型(Genetic Algorithm-Fuzzy Cerebellar Model Neural Network,遗传算法优化模糊小脑型神经网络)主体是模糊小脑模型神经网络,是在小脑模型神经网络的基础上引入了模糊集理论,使模型不仅具有模糊逻辑的不确定信息处理能力,而且具有良好的快速自适应学习能力。其网络结构主要由故障特征输入层、联想记忆层、接收域层、权重层和故障类型输出层五部分组成。其中,在联想记忆层引入模糊集理论,一个输入状态将同时激活多个模糊集,使输入模糊化,便于对不确定性信息做更好的处理,进而构成模糊小脑模型神经网络。
由于遗传算法具有较好的寻优能力,可采用遗传算法优化模糊小脑模型神经网络初始权值的选取。其基本思路是:先在一个设定的区域内初始化网络权值,对初始权值进行编码并构建染色体。根据神经网络权值的数量设置每个染色体的长度,并随机产生N个种群;再根据“适者生存”的演化原理,将“最小网络误差”作为遗传进化准则,在遗传空间内进行选择、交叉、变异等遗传操作来进化当前染色体,并由此产生新一代种群;循环上述遗传操作,使网络初始权值不断进化,从而获得一组在设定区域内,遗传算法能寻找到的使网络误差达到最小的权值;再采用这组权值作为神经网络的初始权重,进一步对网络进行训练。将遗传算法引入神经网络初始权值的寻优,可以有效减少人工选取初始参数的盲目性和时间成本,进一步提升神经网络诊断器的智能化。
优选的,对于GA-FCMNN模型的参数,通过Back-Propagation算法进行更新。
输入的故障特征向量沿神经网络信号传播方向计算出网络的实际输出,再将实际输出与期望输出作比较,并计算出目标函数。此时若目标函数值不满足误差精度,则修正方向沿神经网络传播的逆方向,并再次计算目标函数,再次判定是否满足误差精度,并循环进行,直到满足误差要求为止;若目标函数值满足误差,则训练完成,记录当前权值,作为分类器最优权值。
训练子模块,用于通过所述供水数据样本对所述GA-FCMNN模型进行训练。
在本发明实施例中,对GA-FCMNN模型的训练即为对供水管网故障的早期诊断和识别。通过传感器采集供水管网中的数据,提取故障特征,并以此作为神经网络的输入;对神经网络初始化的权值编码,初始化种群规模,进行适应度计算,选择、交叉、变异操作,寻优直到获得当前最优初始权值,并以此作为最佳神经网络初始权值;训练GA-FCMNN,通过网络计算,若不满足误差精度要求,采用Back-Propagation算法进行参数更新,直到达到最大训练次数或满足误差精度要求时,获得当前最优权值,并以此作为神经网络参数最优权值,送入已训练好的GA-FCMNN中进行测试,得出故障诊断情况,若故障,则定位故障点并识别出故障类型。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实现方式,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 (10)
1.一种基于建模对异常数据进行处理的方法,其特征在于,包括:
获取待处理供水管网的供水数据;
将所述供水数据转换为数字信号;
使用经过供水数据样本训练的遗传算法优化模糊小脑型神经网络GA-FCMNN模型对所述数字信号进行分析;
将所述分析的结果与预设的正常结果进行比对,如果存在异常,对所述待处理供水管网进行处理。
2.如权利要求1所述的方法,其特征在于,在所述使用经过供水数据样本训练的GA-FCMNN模型对所述数字信号进行分析之前,所述方法,还包括:
通过供水数据样本对GA-FCMNN模型进行训练。
3.如权利要求2所述的方法,其特征在于,所述通过供水数据样本对GA-FCMNN模型进行训练,包括:
建立供水数据样本库,并建立GA-FCMNN模型;
通过所述供水数据样本对所述GA-FCMNN模型进行训练。
4.如权利要求2所述的方法,其特征在于,所述GA-FCMNN模型的参数,通过Back-Propagation算法进行更新。
5.如权利要求1~4任一项所述的方法,其特征在于,所述对所述待处理供水管网进行处理,包括:切断所述待处理供水管网的供水和/或降低所述待处理供水管网的供水。
6.一种基于建模对异常数据进行处理的系统,其特征在于,所述系统包括:
数据获取模块,用于获取待处理供水管网的供水数据;
转换模块,用于将所述供水数据转换为数字信号;
分析模块,用于使用经过供水数据样本训练的GA-FCMNN模型对所述数字信号进行分析;
处理模块,用于将所述分析的结果与预设的正常结果进行比对,如果存在异常,对所述待处理供水管网进行处理。
7.如权利要求6所述的系统,其特征在于,所述处理系统还包括:
训练模块,用于通过供水数据样本对GA-FCMNN模型进行训练。
8.如权利要求7所述的系统,其特征在于,所述训练模块,包括
建立子模块,用于建立供水数据样本库,并建立GA-FCMNN模型;
训练子模块,用于通过所述供水数据样本对所述GA-FCMNN模型进行训练。
9.如权利要求8所述的系统,其特征在于,所述GA-FCMNN模型的参数,通过Back-Propagation算法进行更新。
10.如权利要求6~9所述的系统,其特征在于,所述对所述待处理供水管网进行处理,包括:切断所述待处理供水管网的供水和/或降低所述待处理供水管网的供水。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010735969.9A CN111967593A (zh) | 2020-07-28 | 2020-07-28 | 一种基于建模对异常数据进行处理的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010735969.9A CN111967593A (zh) | 2020-07-28 | 2020-07-28 | 一种基于建模对异常数据进行处理的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111967593A true CN111967593A (zh) | 2020-11-20 |
Family
ID=73362853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010735969.9A Pending CN111967593A (zh) | 2020-07-28 | 2020-07-28 | 一种基于建模对异常数据进行处理的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967593A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539442A (zh) * | 2019-11-25 | 2020-08-14 | 福州大学 | 一种电力电子异常数据的处理方法和处理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109116150A (zh) * | 2018-08-03 | 2019-01-01 | 福州大学 | 一种基于小脑模型神经网络的电力电子变换器故障诊断方法 |
CN109299526A (zh) * | 2018-09-07 | 2019-02-01 | 武汉众智鸿图科技有限公司 | 一种基于供水管网gis数据库的水力模型生成方法及系统 |
CN109458563A (zh) * | 2018-10-23 | 2019-03-12 | 青岛理工大学 | 一种开放式局域供水管网动态自适应仿真建模方法 |
-
2020
- 2020-07-28 CN CN202010735969.9A patent/CN111967593A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109116150A (zh) * | 2018-08-03 | 2019-01-01 | 福州大学 | 一种基于小脑模型神经网络的电力电子变换器故障诊断方法 |
CN109299526A (zh) * | 2018-09-07 | 2019-02-01 | 武汉众智鸿图科技有限公司 | 一种基于供水管网gis数据库的水力模型生成方法及系统 |
CN109458563A (zh) * | 2018-10-23 | 2019-03-12 | 青岛理工大学 | 一种开放式局域供水管网动态自适应仿真建模方法 |
Non-Patent Citations (1)
Title |
---|
QIONGBIN LIN 等: ""An Optimization Method for the Initial Parameters Selection of Fuzzy Cerebellar Model Neural Networks in Parametric Fault Diagnosis"", 《 INTERNATIONAL JOURNAL OF FUZZY SYSTEMS》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539442A (zh) * | 2019-11-25 | 2020-08-14 | 福州大学 | 一种电力电子异常数据的处理方法和处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN112070128B (zh) | 一种基于深度学习的变压器故障诊断方法 | |
CN111079836B (zh) | 基于伪标签方法和弱监督学习的过程数据故障分类方法 | |
CN108446714B (zh) | 一种多工况下的非马尔科夫退化系统剩余寿命预测方法 | |
CN116757534A (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN111738520A (zh) | 一种融合孤立森林与长短期记忆网络的系统负载预测方法 | |
CN112288147B (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
CN116976857B (zh) | 一种基于深度学习的铁路电力设备预测性维护方法及系统 | |
CN112215279B (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
CN114842371A (zh) | 一种无监督视频异常检测方法 | |
CN111967593A (zh) | 一种基于建模对异常数据进行处理的方法和系统 | |
CN110163332B (zh) | 一种变压器故障诊断方法 | |
CN117407770A (zh) | 基于神经网络的高压开关柜故障模式分类及预测方法 | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN116185817A (zh) | 一种软件缺陷预测规则的筛选方法及系统 | |
CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
CN115643104A (zh) | 一种基于深度监督离散哈希的网络入侵检测方法 |
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: 20201120 |