CN112465126B - 用于跑冒滴漏检测的加载预训练卷积网络检测方法及装置 - Google Patents
用于跑冒滴漏检测的加载预训练卷积网络检测方法及装置 Download PDFInfo
- Publication number
- CN112465126B CN112465126B CN202011521351.9A CN202011521351A CN112465126B CN 112465126 B CN112465126 B CN 112465126B CN 202011521351 A CN202011521351 A CN 202011521351A CN 112465126 B CN112465126 B CN 112465126B
- Authority
- CN
- China
- Prior art keywords
- parameter
- network
- detection
- running
- vector
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 239
- 238000012549 training Methods 0.000 title claims abstract description 76
- 239000013598 vector Substances 0.000 claims description 211
- 238000000034 method Methods 0.000 claims description 186
- 238000013507 mapping Methods 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 56
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000000740 bleeding effect Effects 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000005111 flow chemistry technique Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000005587 bubbling Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2379—Updates performed during online database operations; commit processing
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例提供一种用于跑冒滴漏检测的加载预训练卷积网络检测方法及装置,能够在跑冒滴漏检测状态参数与标定参数不匹配时,将第一网络加载数据区域中的待更新参数转移至第二网络加载数据区域进行配置,并且在配置之前确保待更新参数与第二网络加载数据区域内的最新更新配置参数之间不存在参数覆盖关系,由此通过分立配置的方式,提高加载预训练卷积网络的检测准确性和配置速度。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种用于跑冒滴漏检测的加载预训练卷积网络检测方法及装置。
背景技术
跑、冒、滴、漏(跑气,冒水,滴液,漏液)是现代安全文明生产的大敌,在长期连续生产过程中,由于受振动、应力、变形、冲击、冲刷、腐蚀、温度、压力、环境、季节以及人为因素、材料自身缺陷等众多因素的影响,常常会造成各种形式的密封失效,进而产生介质泄漏。这些泄漏如果不能及时治理,在介质的冲刷下会使泄漏迅速扩大,造成物料的损失、生产环境的破坏,如果是有毒有害、易燃易爆的介质泄漏,还有可能造成人员中毒、火灾爆炸等重大事故。因此,如何能在不影响生产的情况下,快速治理泄漏,一直是企业设备管理人员所关注的话题。
在现有技术中,可以利用深度学习技术,通过训练卷积神经网络来对跑、冒、滴、漏的事件进行实时监测,从而对管理人员进行实时预警。然而,发明人研究发现,在实际实施过程中需要根据加载预训练卷积网络的实际检测效果对其进行更新配置,但是目前的方案检测准确性和配置速度都较低。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种用于跑冒滴漏检测的加载预训练卷积网络检测方法及装置,能够在跑冒滴漏检测状态参数与标定参数不匹配时,将第一网络加载数据区域中的待更新参数转移至第二网络加载数据区域进行配置,并且在配置之前确保待更新参数与第二网络加载数据区域内的最新更新配置参数之间不存在参数覆盖关系,由此通过分立配置的方式,提高加载预训练卷积网络的检测准确性和配置速度。
第一方面,本申请提供一种用于跑冒滴漏检测的加载预训练卷积网络检测方法,应用于服务器,所述方法包括:
获取用于表征加载预训练卷积网络在进行跑冒滴漏检测过程中的网络层节点流向状态的状态过程网络参数,所述网络层节点流向状态包括所述加载预训练卷积网络的流向持续时间、流向网络关系、流向处理过程类型以及流向数据加载量,所述状态过程网络参数包括多个状态过程向量,每个状态过程向量用于表征所述网络层节点流向状态的其中一个向量类型;
根据所述状态过程网络参数中的每个状态过程向量确定所述状态过程网络参数的跑冒滴漏检测状态参数,所述跑冒滴漏检测状态参数用于表征所述加载预训练卷积网络的跑冒滴漏检测指标;
在所述跑冒滴漏检测状态参数与标定参数不匹配时,根据所述跑冒滴漏检测状态参数与所述标定参数之间的参数差异获取所述加载预训练卷积网络对应的第一网络加载数据区域内的待更新参数,所述第一网络加载数据区域存储有所述加载预训练卷积网络的网络配置参数;
按照所述加载预训练卷积网络对应的多个第二网络加载数据区域中每个第二网络加载数据区域的区域配置参数的序列,依次判断所述待更新参数与每个第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系;
在判断出所述待更新参数与第二网络加载数据区域内的最新更新配置参数之间不存在所述参数覆盖关系时,将所述待更新参数从所述第一网络加载数据区域内转移至该第二网络加载数据区域内进行配置。
在第一方面的一种可能的实施方式中,所述方法还包括:
在判断出所有第二网络加载数据区域均存在参数覆盖关系时,确定所述待更新参数的第一参数更新等级以及每个第二网络加载数据区域内的最新更新配置参数的第二参数更新等级;
获取小于所述第一参数更新等级的每个第二参数更新等级对应的最新更新配置参数的配置初始等级;
将所述待更新参数转移至最大的配置初始等级对应的第二网络加载数据区域内进行配置并将最大的配置初始等级对应的第二网络加载数据区域内的最新更新配置参数进行删除。
在第一方面的一种可能的实施方式中,依次判断所述待更新参数与每个第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系的步骤,包括:
从所述待更新参数的第一参数数据源中提取第一参数项目功能信息,获取所述第一参数项目功能信息中项目功能的功能位图单元并生成第一功能位图单元矩阵,所述第一功能位图单元矩阵中包含所述第一参数数据源的整个项目功能;
对所述第一功能位图单元矩阵进行切分得到所述第一功能位图单元矩阵对应的多个矩阵对象,确定每相邻两个矩阵对象之间的关联参数,根据确定出的所有关联参数生成用于表征所述待更新参数的项目功能的第一相关性向量序列;
确定所述第二网络加载数据区域内的最新更新配置参数的第二相关性向量序列;
分别将所述第一相关性向量序列以及所述第二相关性向量序列映射至预设映射比较空间得到第一映射节点和第二映射节点,所述预设映射比较空间用于对所述加载预训练卷积网络的数据的项目功能进行映射节点形式的描述;
判断所述第一映射节点和所述第二映射节点之间的位置差距是否小于预设位置差距;
若所述第一映射节点和所述第二映射节点之间的位置差距大于等于所述预设位置差距,则判定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间存在参数覆盖关系;
若所述第一映射节点和所述第二映射节点之间的位置差距小于所述预设位置差距,根据所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度确定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系。
在第一方面的一种可能的实施方式中,根据所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度确定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系的步骤,包括:
判断所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度是否超过设定覆盖度;
若所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度超过所述设定覆盖度,则判定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间存在参数覆盖关系;
若所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度未超过所述设定覆盖度,则判定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间不存在参数覆盖关系;
所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度通过以下步骤得到:
提取用于表征所述待更新参数的参数更新行为的第一更新描述分量;
按照所述第一更新描述分量的向量维度提取用于表征所述第二网络加载数据区域内的最新更新配置参数的参数更新行为的第二更新描述分量,所述第二更新描述分量的向量维度与所述第一更新描述分量的向量维度相同;
确定所述第一更新描述分量与所述第二更新描述分量之间的正弦向量方向差距,根据所述正弦向量方向差距确定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度。
在第一方面的一种可能的实施方式中,根据所述状态过程网络参数中的每个状态过程向量确定所述状态过程网络参数的跑冒滴漏检测状态参数的步骤,包括:
根据所述加载预训练卷积网络的训练过程信息确定每个状态过程向量的状态更新过程分布以及每个状态过程向量的各跑冒滴漏检测序列;
在根据所述状态更新过程分布确定出每个状态过程向量中包含有持续变化的向量分段的情况下,根据每个状态过程向量在所述持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及所述跑冒滴漏检测序列的列表信息确定每个状态过程向量在非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列与每个状态过程向量在所述持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列之间的覆盖部分,并将每个状态过程向量在所述非持续变化的向量分段对应的检测标签下的与在所述持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列之间的覆盖部分大于设定长度的跑冒滴漏检测序列调整到每个状态过程向量的持续变化的向量分段对应的检测标签下;
在每个状态过程向量的非持续变化的向量分段对应的检测标签下包含有多个跑冒滴漏检测序列的情况下,根据每个状态过程向量在所述持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及所述跑冒滴漏检测序列的列表信息确定每个状态过程向量在所述非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列之间的拟合参数,并根据所述各跑冒滴漏检测序列之间的拟合参数对所述非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列进行筛选;
根据每个状态过程向量在所述持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及所述跑冒滴漏检测序列的列表信息为上述筛选之后保留的每个跑冒滴漏检测序列设置更新指示信息,并将筛选之后保留的每个跑冒滴漏检测序列调整到所述更新指示信息指向的所述持续变化的向量分段对应的检测标签下;
根据每个状态过程向量在其持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列确定每个状态过程向量的跑冒滴漏检测子单元并根据所述跑冒滴漏检测子单元确定所述状态过程网络参数的跑冒滴漏检测状态参数。
第二方面,本申请实施例提供一种用于跑冒滴漏检测的加载预训练卷积网络检测装置,应用于服务器,所述装置包括:
第一获取模块,用于获取用于表征加载预训练卷积网络在进行跑冒滴漏检测过程中的网络层节点流向状态的状态过程网络参数,所述网络层节点流向状态包括所述加载预训练卷积网络的流向持续时间、流向网络关系、流向处理过程类型以及流向数据加载量,所述状态过程网络参数包括多个状态过程向量,每个状态过程向量用于表征所述网络层节点流向状态的其中一个向量类型;
确定模块,用于根据所述状态过程网络参数中的每个状态过程向量确定所述状态过程网络参数的跑冒滴漏检测状态参数,所述跑冒滴漏检测状态参数用于表征所述加载预训练卷积网络的跑冒滴漏检测指标;
第二获取模块,用于在所述跑冒滴漏检测状态参数与标定参数不匹配时,根据所述跑冒滴漏检测状态参数与所述标定参数之间的参数差异获取所述加载预训练卷积网络对应的第一网络加载数据区域内的待更新参数,所述第一网络加载数据区域存储有所述加载预训练卷积网络的网络配置参数;
判断模块,用于按照所述加载预训练卷积网络对应的多个第二网络加载数据区域中每个第二网络加载数据区域的区域配置参数的序列,依次判断所述待更新参数与每个第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系;
配置模块,用于在判断出所述待更新参数与第二网络加载数据区域内的最新更新配置参数之间不存在所述参数覆盖关系时,将所述待更新参数从所述第一网络加载数据区域内转移至该第二网络加载数据区域内进行配置。
第三方面,本申请实施例提供一种服务器,包括处理器、存储器和网络接口。其中,存储器、网络接口处理器之间可以通过总线系统相连。网络接口用于接收报文,存储器用于存储程序、指令或代码,处理器用于执行存储器中的程序、指令或代码,以完成上述第一方面或第一方面的任意可能的设计方式中的所执行的操作。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其在计算机上执行时,使得计算机执行上述第一方面或第一方面的任意可能的设计方式中的方法。
基于上述任意一个方面,本申请能够在跑冒滴漏检测状态参数与标定参数不匹配时,将第一网络加载数据区域中的待更新参数转移至第二网络加载数据区域进行配置,并且在配置之前确保待更新参数与第二网络加载数据区域内的最新更新配置参数之间不存在参数覆盖关系,由此通过分立配置的方式,提高加载预训练卷积网络的检测准确性和配置速度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的用于跑冒滴漏检测的加载预训练卷积网络检测方法的流程示意图;
图2为本申请实施例提供的用于跑冒滴漏检测的加载预训练卷积网络检测装置的功能模块示意图;
图3为本申请实施例提供的用于执行上述的用于跑冒滴漏检测的加载预训练卷积网络检测方法的服务器的结构示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
请参阅图1,为本申请实施例提供的用于跑冒滴漏检测的加载预训练卷积网络检测方法的流程示意图,下面对该用于跑冒滴漏检测的加载预训练卷积网络检测方法进行详细介绍。
步骤S110,获取用于表征加载预训练卷积网络在进行跑冒滴漏检测过程中的网络层节点流向状态的状态过程网络参数。
步骤S120,根据状态过程网络参数中的每个状态过程向量确定状态过程网络参数的跑冒滴漏检测状态参数,跑冒滴漏检测状态参数用于表征加载预训练卷积网络的跑冒滴漏检测指标。
步骤S130,在跑冒滴漏检测状态参数与标定参数不匹配时,根据跑冒滴漏检测状态参数与标定参数之间的参数差异获取加载预训练卷积网络对应的第一网络加载数据区域内的待更新参数,第一网络加载数据区域存储有加载预训练卷积网络的网络配置参数。
步骤S140,按照加载预训练卷积网络对应的多个第二网络加载数据区域中每个第二网络加载数据区域的区域配置参数的序列,依次判断待更新参数与每个第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系。
步骤S150,在判断出待更新参数与第二网络加载数据区域内的最新更新配置参数之间不存在参数覆盖关系时,将待更新参数从第一网络加载数据区域内转移至该第二网络加载数据区域内进行配置。
本实施例中,网络层节点流向状态可以包括加载预训练卷积网络的流向持续时间、流向网络关系(例如从网络节点A流向网络节点B)、流向处理过程类型(例如正向处理过程类型、负向处理过程类型)以及流向数据加载量,状态过程网络参数可以包括多个状态过程向量(例如每个数据处理过程的特征向量信息),每个状态过程向量用于表征网络层节点流向状态的其中一个向量类型。
基于上述设计,本实施例能够在跑冒滴漏检测状态参数与标定参数不匹配时,将第一网络加载数据区域中的待更新参数转移至第二网络加载数据区域进行配置,并且在配置之前确保待更新参数与第二网络加载数据区域内的最新更新配置参数之间不存在参数覆盖关系,由此通过分立配置的方式,提高加载预训练卷积网络的检测准确性和配置速度。
在一种可能的实施方式中,本实施例还可以在判断出所有第二网络加载数据区域均存在参数覆盖关系时,确定待更新参数的第一参数更新等级以及每个第二网络加载数据区域内的最新更新配置参数的第二参数更新等级。然后,获取小于第一参数更新等级的每个第二参数更新等级对应的最新更新配置参数的配置初始等级,从而将待更新参数转移至最大的配置初始等级对应的第二网络加载数据区域内进行配置并将最大的配置初始等级对应的第二网络加载数据区域内的最新更新配置参数进行删除。
在一种可能的实施方式中,对于步骤S140而言,可以通过以下子步骤实现,详细描述如下。
子步骤S141,从待更新参数的第一参数数据源中提取第一参数项目功能信息,获取第一参数项目功能信息中项目功能的功能位图单元并生成第一功能位图单元矩阵,第一功能位图单元矩阵中包含第一参数数据源的整个项目功能。
子步骤S142,对第一功能位图单元矩阵进行切分得到第一功能位图单元矩阵对应的多个矩阵对象,确定每相邻两个矩阵对象之间的关联参数,根据确定出的所有关联参数生成用于表征待更新参数的项目功能的第一相关性向量序列。
子步骤S143,确定第二网络加载数据区域内的最新更新配置参数的第二相关性向量序列。
子步骤S144,分别将第一相关性向量序列以及第二相关性向量序列映射至预设映射比较空间得到第一映射节点和第二映射节点,预设映射比较空间用于对加载预训练卷积网络的数据的项目功能进行映射节点形式的描述。
子步骤S145,判断第一映射节点和第二映射节点之间的位置差距是否小于预设位置差距。
子步骤S146,若第一映射节点和第二映射节点之间的位置差距大于等于预设位置差距,则判定待更新参数与第二网络加载数据区域内的最新更新配置参数之间存在参数覆盖关系。
子步骤S147,若第一映射节点和第二映射节点之间的位置差距小于预设位置差距,根据待更新参数与第二网络加载数据区域内的最新更新配置参数之间的覆盖度确定待更新参数与第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系。
示例性地,在子步骤S147中,可以通过以下实施方式来实现。
(1)判断待更新参数与第二网络加载数据区域内的最新更新配置参数之间的覆盖度是否超过设定覆盖度。
(2)若待更新参数与第二网络加载数据区域内的最新更新配置参数之间的覆盖度超过设定覆盖度,则判定待更新参数与第二网络加载数据区域内的最新更新配置参数之间存在参数覆盖关系。
(3)若待更新参数与第二网络加载数据区域内的最新更新配置参数之间的覆盖度未超过设定覆盖度,则判定待更新参数与第二网络加载数据区域内的最新更新配置参数之间不存在参数覆盖关系。
其中,在一种可能的实施方式中,待更新参数与第二网络加载数据区域内的最新更新配置参数之间的覆盖度通过以下步骤得到:
(1)提取用于表征待更新参数的参数更新行为的第一更新描述分量。
(2)按照第一更新描述分量的向量维度提取用于表征第二网络加载数据区域内的最新更新配置参数的参数更新行为的第二更新描述分量,第二更新描述分量的向量维度与第一更新描述分量的向量维度相同。
(3)确定第一更新描述分量与第二更新描述分量之间的正弦向量方向差距,根据正弦向量方向差距确定待更新参数与第二网络加载数据区域内的最新更新配置参数之间的覆盖度。
在一种可能的实施方式中,对于步骤S120而言,可以通过以下子步骤实现,详细描述如下。
子步骤S121,根据加载预训练卷积网络的训练过程信息确定每个状态过程向量的状态更新过程分布以及每个状态过程向量的各跑冒滴漏检测序列。
子步骤S122,在根据状态更新过程分布确定出每个状态过程向量中包含有持续变化的向量分段的情况下,根据每个状态过程向量在持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及跑冒滴漏检测序列的列表信息确定每个状态过程向量在非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列与每个状态过程向量在持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列之间的覆盖部分,并将每个状态过程向量在非持续变化的向量分段对应的检测标签下的与在持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列之间的覆盖部分大于设定长度的跑冒滴漏检测序列调整到每个状态过程向量的持续变化的向量分段对应的检测标签下。
子步骤S123,在每个状态过程向量的非持续变化的向量分段对应的检测标签下包含有多个跑冒滴漏检测序列的情况下,根据每个状态过程向量在持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及跑冒滴漏检测序列的列表信息确定每个状态过程向量在非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列之间的拟合参数,并根据各跑冒滴漏检测序列之间的拟合参数对非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列进行筛选。
子步骤S124,根据每个状态过程向量在持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及跑冒滴漏检测序列的列表信息为上述筛选之后保留的每个跑冒滴漏检测序列设置更新指示信息,并将筛选之后保留的每个跑冒滴漏检测序列调整到更新指示信息指向的持续变化的向量分段对应的检测标签下。
子步骤S125,根据每个状态过程向量在其持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列确定每个状态过程向量的跑冒滴漏检测子单元并根据跑冒滴漏检测子单元确定状态过程网络参数的跑冒滴漏检测状态参数。
图2为本申请实施例提供的用于跑冒滴漏检测的加载预训练卷积网络检测装置200的功能模块示意图,本实施例可以根据上述方法实施例对该用于跑冒滴漏检测的加载预训练卷积网络检测装置200进行功能模块的划分。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请中对模块的划分是示意性的,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。比如,在采用对应各个功能划分各个功能模块的情况下,图2示出的用于跑冒滴漏检测的加载预训练卷积网络检测装置200只是一种装置示意图。其中,用于跑冒滴漏检测的加载预训练卷积网络检测装置200可以包括第一获取模块210、确定模块220、第二获取模块230、判断模块240以及配置模块250,下面分别对该用于跑冒滴漏检测的加载预训练卷积网络检测装置200的各个功能模块的功能进行详细阐述。
第一获取模块210,用于获取用于表征加载预训练卷积网络在进行跑冒滴漏检测过程中的网络层节点流向状态的状态过程网络参数,网络层节点流向状态包括加载预训练卷积网络的流向持续时间、流向网络关系、流向处理过程类型以及流向数据加载量,状态过程网络参数包括多个状态过程向量,每个状态过程向量用于表征网络层节点流向状态的其中一个向量类型;
确定模块220,用于根据状态过程网络参数中的每个状态过程向量确定状态过程网络参数的跑冒滴漏检测状态参数,跑冒滴漏检测状态参数用于表征加载预训练卷积网络的跑冒滴漏检测指标;
第二获取模块230,用于在跑冒滴漏检测状态参数与标定参数不匹配时,根据跑冒滴漏检测状态参数与标定参数之间的参数差异获取加载预训练卷积网络对应的第一网络加载数据区域内的待更新参数,第一网络加载数据区域存储有加载预训练卷积网络的网络配置参数;
判断模块240,用于按照加载预训练卷积网络对应的多个第二网络加载数据区域中每个第二网络加载数据区域的区域配置参数的序列,依次判断待更新参数与每个第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系;
配置模块250,用于在判断出待更新参数与第二网络加载数据区域内的最新更新配置参数之间不存在参数覆盖关系时,将待更新参数从第一网络加载数据区域内转移至该第二网络加载数据区域内进行配置。
在一种可能的实施方式中,第二获取模块230,还用于:
在判断出所有第二网络加载数据区域均存在参数覆盖关系时,确定待更新参数的第一参数更新等级以及每个第二网络加载数据区域内的最新更新配置参数的第二参数更新等级;
获取小于第一参数更新等级的每个第二参数更新等级对应的最新更新配置参数的配置初始等级;
将待更新参数转移至最大的配置初始等级对应的第二网络加载数据区域内进行配置并将最大的配置初始等级对应的第二网络加载数据区域内的最新更新配置参数进行删除。
在一种可能的实施方式中,依次判断待更新参数与每个第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系的方式,包括:
从待更新参数的第一参数数据源中提取第一参数项目功能信息,获取第一参数项目功能信息中项目功能的功能位图单元并生成第一功能位图单元矩阵,第一功能位图单元矩阵中包含第一参数数据源的整个项目功能;
对第一功能位图单元矩阵进行切分得到第一功能位图单元矩阵对应的多个矩阵对象,确定每相邻两个矩阵对象之间的关联参数,根据确定出的所有关联参数生成用于表征待更新参数的项目功能的第一相关性向量序列;
确定第二网络加载数据区域内的最新更新配置参数的第二相关性向量序列;
分别将第一相关性向量序列以及第二相关性向量序列映射至预设映射比较空间得到第一映射节点和第二映射节点,预设映射比较空间用于对加载预训练卷积网络的数据的项目功能进行映射节点形式的描述;
判断第一映射节点和第二映射节点之间的位置差距是否小于预设位置差距;
若第一映射节点和第二映射节点之间的位置差距大于等于预设位置差距,则判定待更新参数与第二网络加载数据区域内的最新更新配置参数之间存在参数覆盖关系;
若第一映射节点和第二映射节点之间的位置差距小于预设位置差距,根据待更新参数与第二网络加载数据区域内的最新更新配置参数之间的覆盖度确定待更新参数与第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系。
在一种可能的实施方式中,根据待更新参数与第二网络加载数据区域内的最新更新配置参数之间的覆盖度确定待更新参数与第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系的方式,包括:
判断待更新参数与第二网络加载数据区域内的最新更新配置参数之间的覆盖度是否超过设定覆盖度;
若待更新参数与第二网络加载数据区域内的最新更新配置参数之间的覆盖度超过设定覆盖度,则判定待更新参数与第二网络加载数据区域内的最新更新配置参数之间存在参数覆盖关系;
若待更新参数与第二网络加载数据区域内的最新更新配置参数之间的覆盖度未超过设定覆盖度,则判定待更新参数与第二网络加载数据区域内的最新更新配置参数之间不存在参数覆盖关系;
待更新参数与第二网络加载数据区域内的最新更新配置参数之间的覆盖度通过以下方式得到:
提取用于表征待更新参数的参数更新行为的第一更新描述分量;
按照第一更新描述分量的向量维度提取用于表征第二网络加载数据区域内的最新更新配置参数的参数更新行为的第二更新描述分量,第二更新描述分量的向量维度与第一更新描述分量的向量维度相同;
确定第一更新描述分量与第二更新描述分量之间的正弦向量方向差距,根据正弦向量方向差距确定待更新参数与第二网络加载数据区域内的最新更新配置参数之间的覆盖度。
在一种可能的实施方式中,根据状态过程网络参数中的每个状态过程向量确定状态过程网络参数的跑冒滴漏检测状态参数的方式,包括:
根据加载预训练卷积网络的训练过程信息确定每个状态过程向量的状态更新过程分布以及每个状态过程向量的各跑冒滴漏检测序列;
在根据状态更新过程分布确定出每个状态过程向量中包含有持续变化的向量分段的情况下,根据每个状态过程向量在持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及跑冒滴漏检测序列的列表信息确定每个状态过程向量在非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列与每个状态过程向量在持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列之间的覆盖部分,并将每个状态过程向量在非持续变化的向量分段对应的检测标签下的与在持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列之间的覆盖部分大于设定长度的跑冒滴漏检测序列调整到每个状态过程向量的持续变化的向量分段对应的检测标签下;
在每个状态过程向量的非持续变化的向量分段对应的检测标签下包含有多个跑冒滴漏检测序列的情况下,根据每个状态过程向量在持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及跑冒滴漏检测序列的列表信息确定每个状态过程向量在非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列之间的拟合参数,并根据各跑冒滴漏检测序列之间的拟合参数对非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列进行筛选;
根据每个状态过程向量在持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及跑冒滴漏检测序列的列表信息为上述筛选之后保留的每个跑冒滴漏检测序列设置更新指示信息,并将筛选之后保留的每个跑冒滴漏检测序列调整到更新指示信息指向的持续变化的向量分段对应的检测标签下;
根据每个状态过程向量在其持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列确定每个状态过程向量的跑冒滴漏检测子单元并根据跑冒滴漏检测子单元确定状态过程网络参数的跑冒滴漏检测状态参数。
图3为本申请实施例提供的用于执行上述用于跑冒滴漏检测的加载预训练卷积网络检测方法的服务器100的结构示意图,如图3所示,该服务器100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130的数量可以是一个或多个,图3中以一个处理器130为例。网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连接,图3中以通过总线140连接为例。
机器可读存储介质120作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的用于跑冒滴漏检测的加载预训练卷积网络检测方法对应的程序指令/模块(例如,图2中所示的第一获取模块210、确定模块220、第二获取模块230、判断模块240以及配置模块250)。处理器130通过检测存储在机器可读存储介质120中的软件程序、指令以及模块,从而执行终端设备的各种功能应用以及数据处理,即实现上述的用于跑冒滴漏检测的加载预训练卷积网络检测方法,在此不再赘述。
机器可读存储介质120可第一要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的仓储服务进程。存储数据区可存储根据终端的使用所创建的数据等。此外,机器可读存储介质120可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合时刻的存储器。在一些实例中,机器可读存储介质120可进一步包括相对于处理器130远程设置的存储器,这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器130可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器、数字信号处理器(DigitalSignalProcessorDSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。
服务器100可以通过通信接口110和其它设备进行信息交互。通信接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置。处理器130可以利用通信接口110收发信息。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用于跑冒滴漏检测的加载预训练卷积网络检测员线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(sol标识state disk,SSD))等。
本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种用于跑冒滴漏检测的加载预训练卷积网络检测方法,其特征在于,应用于服务器,所述方法包括:
获取用于表征加载预训练卷积网络在进行跑冒滴漏检测过程中的网络层节点流向状态的状态过程网络参数,所述网络层节点流向状态包括所述加载预训练卷积网络的流向持续时间、流向网络关系、流向处理过程类型以及流向数据加载量,所述状态过程网络参数包括多个状态过程向量,每个状态过程向量用于表征所述网络层节点流向状态的其中一个向量类型;
根据所述状态过程网络参数中的每个状态过程向量确定所述状态过程网络参数的跑冒滴漏检测状态参数,所述跑冒滴漏检测状态参数用于表征所述加载预训练卷积网络的跑冒滴漏检测指标;
在所述跑冒滴漏检测状态参数与标定参数不匹配时,根据所述跑冒滴漏检测状态参数与所述标定参数之间的参数差异获取所述加载预训练卷积网络对应的第一网络加载数据区域内的待更新参数,所述第一网络加载数据区域存储有所述加载预训练卷积网络的网络配置参数;
按照所述加载预训练卷积网络对应的多个第二网络加载数据区域中每个第二网络加载数据区域的区域配置参数的序列,依次判断所述待更新参数与每个第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系;
在判断出所述待更新参数与第二网络加载数据区域内的最新更新配置参数之间不存在所述参数覆盖关系时,将所述待更新参数从所述第一网络加载数据区域内转移至该第二网络加载数据区域内进行配置;
根据所述状态过程网络参数中的每个状态过程向量确定所述状态过程网络参数的跑冒滴漏检测状态参数的步骤,包括:
根据所述加载预训练卷积网络的训练过程信息确定每个状态过程向量的状态更新过程分布以及每个状态过程向量的各跑冒滴漏检测序列;
在根据所述状态更新过程分布确定出每个状态过程向量中包含有持续变化的向量分段的情况下,根据每个状态过程向量在所述持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及所述跑冒滴漏检测序列的列表信息确定每个状态过程向量在非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列与每个状态过程向量在所述持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列之间的覆盖部分,并将每个状态过程向量在所述非持续变化的向量分段对应的检测标签下的与在所述持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列之间的覆盖部分大于设定长度的跑冒滴漏检测序列调整到每个状态过程向量的持续变化的向量分段对应的检测标签下;
在每个状态过程向量的非持续变化的向量分段对应的检测标签下包含有多个跑冒滴漏检测序列的情况下,根据每个状态过程向量在所述持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及所述跑冒滴漏检测序列的列表信息确定每个状态过程向量在所述非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列之间的拟合参数,并根据所述各跑冒滴漏检测序列之间的拟合参数对所述非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列进行筛选;
根据每个状态过程向量在所述持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及所述跑冒滴漏检测序列的列表信息为上述筛选之后保留的每个跑冒滴漏检测序列设置更新指示信息,并将筛选之后保留的每个跑冒滴漏检测序列调整到所述更新指示信息指向的所述持续变化的向量分段对应的检测标签下;
根据每个状态过程向量在其持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列确定每个状态过程向量的跑冒滴漏检测子单元并根据所述跑冒滴漏检测子单元确定所述状态过程网络参数的跑冒滴漏检测状态参数。
2.根据权利要求1所述的用于跑冒滴漏检测的加载预训练卷积网络检测方法,其特征在于,所述方法还包括:
在判断出所有第二网络加载数据区域均存在参数覆盖关系时,确定所述待更新参数的第一参数更新等级以及每个第二网络加载数据区域内的最新更新配置参数的第二参数更新等级;
获取小于所述第一参数更新等级的每个第二参数更新等级对应的最新更新配置参数的配置初始等级;
将所述待更新参数转移至最大的配置初始等级对应的第二网络加载数据区域内进行配置并将最大的配置初始等级对应的第二网络加载数据区域内的最新更新配置参数进行删除。
3.根据权利要求1所述的用于跑冒滴漏检测的加载预训练卷积网络检测方法,其特征在于,依次判断所述待更新参数与每个第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系的步骤,包括:
从所述待更新参数的第一参数数据源中提取第一参数项目功能信息,获取所述第一参数项目功能信息中项目功能的功能位图单元并生成第一功能位图单元矩阵,所述第一功能位图单元矩阵中包含所述第一参数数据源的整个项目功能;
对所述第一功能位图单元矩阵进行切分得到所述第一功能位图单元矩阵对应的多个矩阵对象,确定每相邻两个矩阵对象之间的关联参数,根据确定出的所有关联参数生成用于表征所述待更新参数的项目功能的第一相关性向量序列;
确定所述第二网络加载数据区域内的最新更新配置参数的第二相关性向量序列;
分别将所述第一相关性向量序列以及所述第二相关性向量序列映射至预设映射比较空间得到第一映射节点和第二映射节点,所述预设映射比较空间用于对所述加载预训练卷积网络的数据的项目功能进行映射节点形式的描述;
判断所述第一映射节点和所述第二映射节点之间的位置差距是否小于预设位置差距;
若所述第一映射节点和所述第二映射节点之间的位置差距大于等于所述预设位置差距,则判定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间存在参数覆盖关系;
若所述第一映射节点和所述第二映射节点之间的位置差距小于所述预设位置差距,根据所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度确定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系。
4.根据权利要求1所述的用于跑冒滴漏检测的加载预训练卷积网络检测方法,其特征在于,根据所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度确定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系的步骤,包括:
判断所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度是否超过设定覆盖度;
若所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度超过所述设定覆盖度,则判定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间存在参数覆盖关系;
若所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度未超过所述设定覆盖度,则判定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间不存在参数覆盖关系;
所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度通过以下步骤得到:
提取用于表征所述待更新参数的参数更新行为的第一更新描述分量;
按照所述第一更新描述分量的向量维度提取用于表征所述第二网络加载数据区域内的最新更新配置参数的参数更新行为的第二更新描述分量,所述第二更新描述分量的向量维度与所述第一更新描述分量的向量维度相同;
确定所述第一更新描述分量与所述第二更新描述分量之间的正弦向量方向差距,根据所述正弦向量方向差距确定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度。
5.一种用于跑冒滴漏检测的加载预训练卷积网络检测装置,其特征在于,应用于服务器,所述装置包括:
第一获取模块,用于获取用于表征加载预训练卷积网络在进行跑冒滴漏检测过程中的网络层节点流向状态的状态过程网络参数,所述网络层节点流向状态包括所述加载预训练卷积网络的流向持续时间、流向网络关系、流向处理过程类型以及流向数据加载量,所述状态过程网络参数包括多个状态过程向量,每个状态过程向量用于表征所述网络层节点流向状态的其中一个向量类型;
确定模块,用于根据所述状态过程网络参数中的每个状态过程向量确定所述状态过程网络参数的跑冒滴漏检测状态参数,所述跑冒滴漏检测状态参数用于表征所述加载预训练卷积网络的跑冒滴漏检测指标;
第二获取模块,用于在所述跑冒滴漏检测状态参数与标定参数不匹配时,根据所述跑冒滴漏检测状态参数与所述标定参数之间的参数差异获取所述加载预训练卷积网络对应的第一网络加载数据区域内的待更新参数,所述第一网络加载数据区域存储有所述加载预训练卷积网络的网络配置参数;
判断模块,用于按照所述加载预训练卷积网络对应的多个第二网络加载数据区域中每个第二网络加载数据区域的区域配置参数的序列,依次判断所述待更新参数与每个第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系;
配置模块,用于在判断出所述待更新参数与第二网络加载数据区域内的最新更新配置参数之间不存在所述参数覆盖关系时,将所述待更新参数从所述第一网络加载数据区域内转移至该第二网络加载数据区域内进行配置;
根据所述状态过程网络参数中的每个状态过程向量确定所述状态过程网络参数的跑冒滴漏检测状态参数的方式,包括:
根据所述加载预训练卷积网络的训练过程信息确定每个状态过程向量的状态更新过程分布以及每个状态过程向量的各跑冒滴漏检测序列;
在根据所述状态更新过程分布确定出每个状态过程向量中包含有持续变化的向量分段的情况下,根据每个状态过程向量在所述持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及所述跑冒滴漏检测序列的列表信息确定每个状态过程向量在非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列与每个状态过程向量在所述持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列之间的覆盖部分,并将每个状态过程向量在所述非持续变化的向量分段对应的检测标签下的与在所述持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列之间的覆盖部分大于设定长度的跑冒滴漏检测序列调整到每个状态过程向量的持续变化的向量分段对应的检测标签下;
在每个状态过程向量的非持续变化的向量分段对应的检测标签下包含有多个跑冒滴漏检测序列的情况下,根据每个状态过程向量在所述持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及所述跑冒滴漏检测序列的列表信息确定每个状态过程向量在所述非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列之间的拟合参数,并根据所述各跑冒滴漏检测序列之间的拟合参数对所述非持续变化的向量分段对应的检测标签下的各跑冒滴漏检测序列进行筛选;
根据每个状态过程向量在所述持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列及所述跑冒滴漏检测序列的列表信息为上述筛选之后保留的每个跑冒滴漏检测序列设置更新指示信息,并将筛选之后保留的每个跑冒滴漏检测序列调整到所述更新指示信息指向的所述持续变化的向量分段对应的检测标签下;
根据每个状态过程向量在其持续变化的向量分段对应的检测标签下的跑冒滴漏检测序列确定每个状态过程向量的跑冒滴漏检测子单元并根据所述跑冒滴漏检测子单元确定所述状态过程网络参数的跑冒滴漏检测状态参数。
6.根据权利要求5所述的用于跑冒滴漏检测的加载预训练卷积网络检测装置,其特征在于,所述第二获取模块,还用于:
在判断出所有第二网络加载数据区域均存在参数覆盖关系时,确定所述待更新参数的第一参数更新等级以及每个第二网络加载数据区域内的最新更新配置参数的第二参数更新等级;
获取小于所述第一参数更新等级的每个第二参数更新等级对应的最新更新配置参数的配置初始等级;
将所述待更新参数转移至最大的配置初始等级对应的第二网络加载数据区域内进行配置并将最大的配置初始等级对应的第二网络加载数据区域内的最新更新配置参数进行删除。
7.根据权利要求5所述的用于跑冒滴漏检测的加载预训练卷积网络检测装置,其特征在于,依次判断所述待更新参数与每个第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系的方式,包括:
从所述待更新参数的第一参数数据源中提取第一参数项目功能信息,获取所述第一参数项目功能信息中项目功能的功能位图单元并生成第一功能位图单元矩阵,所述第一功能位图单元矩阵中包含所述第一参数数据源的整个项目功能;
对所述第一功能位图单元矩阵进行切分得到所述第一功能位图单元矩阵对应的多个矩阵对象,确定每相邻两个矩阵对象之间的关联参数,根据确定出的所有关联参数生成用于表征所述待更新参数的项目功能的第一相关性向量序列;
确定所述第二网络加载数据区域内的最新更新配置参数的第二相关性向量序列;
分别将所述第一相关性向量序列以及所述第二相关性向量序列映射至预设映射比较空间得到第一映射节点和第二映射节点,所述预设映射比较空间用于对所述加载预训练卷积网络的数据的项目功能进行映射节点形式的描述;
判断所述第一映射节点和所述第二映射节点之间的位置差距是否小于预设位置差距;
若所述第一映射节点和所述第二映射节点之间的位置差距大于等于所述预设位置差距,则判定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间存在参数覆盖关系;
若所述第一映射节点和所述第二映射节点之间的位置差距小于所述预设位置差距,根据所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度确定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系。
8.根据权利要求7所述的用于跑冒滴漏检测的加载预训练卷积网络检测装置,其特征在于,根据所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度确定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间是否存在参数覆盖关系的方式,包括:
判断所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度是否超过设定覆盖度;
若所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度超过所述设定覆盖度,则判定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间存在参数覆盖关系;
若所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度未超过所述设定覆盖度,则判定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间不存在参数覆盖关系;
所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度通过以下方式得到:
提取用于表征所述待更新参数的参数更新行为的第一更新描述分量;
按照所述第一更新描述分量的向量维度提取用于表征所述第二网络加载数据区域内的最新更新配置参数的参数更新行为的第二更新描述分量,所述第二更新描述分量的向量维度与所述第一更新描述分量的向量维度相同;
确定所述第一更新描述分量与所述第二更新描述分量之间的正弦向量方向差距,根据所述正弦向量方向差距确定所述待更新参数与所述第二网络加载数据区域内的最新更新配置参数之间的覆盖度。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202021513596 | 2020-07-27 | ||
CN2020215135962 | 2020-07-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465126A CN112465126A (zh) | 2021-03-09 |
CN112465126B true CN112465126B (zh) | 2023-12-19 |
Family
ID=74803260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011521351.9A Active CN112465126B (zh) | 2020-07-27 | 2020-12-21 | 用于跑冒滴漏检测的加载预训练卷积网络检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465126B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117037047A (zh) * | 2023-10-09 | 2023-11-10 | 成都格理特电子技术有限公司 | 石化跑冒滴漏视频监测识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105549557A (zh) * | 2015-12-16 | 2016-05-04 | 天津市奥朗新能源科技有限公司 | 电厂实时动态3d水平衡监测系统及其工作方法 |
CN109712140A (zh) * | 2019-01-02 | 2019-05-03 | 中楹青创科技有限公司 | 训练用于跑冒滴漏检测的全连接分类网络的方法及装置 |
CN109840531A (zh) * | 2017-11-24 | 2019-06-04 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
CN110796232A (zh) * | 2019-10-12 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 属性预测模型训练方法、属性预测方法及电子设备 |
CN111291076A (zh) * | 2020-01-16 | 2020-06-16 | 江苏禹治流域管理技术研究院有限公司 | 基于大数据的异常用水监测报警系统及其构建方法 |
-
2020
- 2020-12-21 CN CN202011521351.9A patent/CN112465126B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105549557A (zh) * | 2015-12-16 | 2016-05-04 | 天津市奥朗新能源科技有限公司 | 电厂实时动态3d水平衡监测系统及其工作方法 |
CN109840531A (zh) * | 2017-11-24 | 2019-06-04 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
CN109712140A (zh) * | 2019-01-02 | 2019-05-03 | 中楹青创科技有限公司 | 训练用于跑冒滴漏检测的全连接分类网络的方法及装置 |
CN110796232A (zh) * | 2019-10-12 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 属性预测模型训练方法、属性预测方法及电子设备 |
CN111291076A (zh) * | 2020-01-16 | 2020-06-16 | 江苏禹治流域管理技术研究院有限公司 | 基于大数据的异常用水监测报警系统及其构建方法 |
Non-Patent Citations (2)
Title |
---|
城市热网管道检测智能巡检机器人的设计与应用;赵俊杰 等;《能源科技》;第18卷(第6期);第6-11页 * |
基于人工智能算法的智能视频识别燃煤火电厂跑冒滴漏;赵俊杰 等;《神华科技》;第17卷(第9期);第40-44页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112465126A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108768728B (zh) | 运维任务处理方法、装置、计算机设备和存储介质 | |
CN111897705B (zh) | 服务状态处理、模型训练方法、装置、设备和存储介质 | |
CN112465126B (zh) | 用于跑冒滴漏检测的加载预训练卷积网络检测方法及装置 | |
CN113944888B (zh) | 燃气管道泄漏检测方法、装置、设备和存储介质 | |
CN110365641A (zh) | 跨站脚本攻击漏洞检测方法、设备及计算机可读介质 | |
CN115829297B (zh) | 装配式建筑的工作包生成方法、装置、终端及存储介质 | |
CN106776243A (zh) | 一种针对监控软件的监控方法及装置 | |
CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
CN113190457A (zh) | 面向网络化系统的软件可靠性测评方法 | |
CN117436593A (zh) | 基于人工智能的焚烧炉系统故障预测方法及系统 | |
CN108131158B (zh) | 一种井下可燃气体抑爆控制方法及系统 | |
KR101918591B1 (ko) | 에너지 사용 밀집지역 가스사고 예측 시스템 | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
CN114445041A (zh) | 一种危化品在途事故应急处理方法及系统 | |
CN113808727A (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
CN111475654A (zh) | 油气田生产故障确定、知识图谱建立方法及装置 | |
Shi et al. | A reliability estimation method based on two‐phase Wiener process with evidential variable using two types of testing data | |
CN112925680B (zh) | 一种管网监测方法、系统、介质及电子终端 | |
KR102458214B1 (ko) | 배관 파손 진단 장치 및 방법 | |
US20240084975A1 (en) | Method, internet of things system, and storage medium for assessing smart gas emergency plan | |
CN117092933B (zh) | 转动机械设备控制方法、装置、设备和计算机可读介质 | |
KR102180105B1 (ko) | 장치에 설치된 소프트웨어에 대한 악성 소프트웨어 판단 방법 및 장치 | |
Liang et al. | Fault Diagnosis Strategy Optimization Under Unreliable and Multivalued Tests | |
Puig et al. | Fault diagnosis using set-membership approaches | |
CN116485184A (zh) | 安全级别确定方法、装置、计算机设备及其存储介质 |
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 |