CN112614298A - 一种基于类内交互约束分层单分类的复合烟感监测方法 - Google Patents
一种基于类内交互约束分层单分类的复合烟感监测方法 Download PDFInfo
- Publication number
- CN112614298A CN112614298A CN202011462489.6A CN202011462489A CN112614298A CN 112614298 A CN112614298 A CN 112614298A CN 202011462489 A CN202011462489 A CN 202011462489A CN 112614298 A CN112614298 A CN 112614298A
- Authority
- CN
- China
- Prior art keywords
- output
- class
- wid
- rae
- intra
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开了一种基于类内交互约束分层单分类的复合烟感监测方法。本发明步骤:采集只包含正常类的训练数据样本集并进行预处理;训练多个类内交互距离约束随机自编码器WID‑RAE进行特征学习,得到重构的特征值;计算分类学习的输出权重β,将重构的编码特征Yk输入ELM分类层,并得到实际输出:计算单分类器决策阈值θ,将实际输出和期望输出的误差距离进行从大到小排序,根据预定义的阈值参数,确定正常类和异常类的阈值;输入测试数据进行测试,将包含正常类和异常类的测试数据输入到基于WID‑RAE的分层单分类器模型中,测试该模型的识别效果。本发明能够快速准确地对烟感中传感器的数据进行检测识别,并与自动报警系统联动,便于快速报警并及时通知人员来处理。
Description
技术领域
本发明涉及信号装置或呼叫装置,特别涉及一种基于类内交互约束分层单分类的复合烟感监测方法。
背景技术
烟雾报警器是通过探测火灾初期产生的烟雾粒子来实现火灾防范的报警装置。然而在烟感安装之后,由于缺少及时的维护,使得内部积灰过多,导致被误认为是烟气而引起误报。类似地,水蒸气的气雾也可能引起烟感误报。为了解决上述问题,现有的技术中,复合式感烟感温火灾探测器采用烟雾传感器件和半导体温度传感器件构成的多元复合探测器作为烟感进行探测,这在一定程度上降低了烟感的误报率,但是依然需要人工进行判别,效率低下。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于类内交互约束分层单分类的复合烟感监测方法。
本发明解决其技术问题所采用的技术方案如下:
本发明主要包括如下步骤:
步骤1、通过在新安装、短期内安装或者进行维护过的正常工作的复合烟感器上,采集多传感器的物理量,组成只包含正常类的训练数据样本集,并对训练数据样本进行分帧加窗、去噪和特征归一化的预处理;
步骤2、根据预处理后的训练数据样本集训练多个类内交互距离约束随机自编码器WID-RAE进行特征学习,得到重构的特征值,具体如下:
2-1、记归一化后的训练数据样本集为X=[x1,x2,...,xN],即WID-RAE的输入和输出矩阵。
2-2、随机生成隐藏层输入权值矩阵和正交化偏置向量矩阵并计算隐藏层输出矩阵[H]N×L=g(WX+b·1T)T;将输入的训练数据样本集X映射到相同或不同的数据维度空间:hk=g(wkxi+bk),(wk)Twk=I,(bk)Tbk=1,其中:g(·)表示激活函数,k=1,2,...,K是WID-RAE的个数,I是单位向量。
2-3、求解WID-RAE的编码特征Yk,具体实现如下:
首先计算WID-RAE的损失函数:
通过基于动量的随机梯度下降法对β进行求解,其关于β梯度为:
设WID-RAE个数为K,初始化Y0=X,第(k-1)层的输出为Yk-1,那么第k层的输出Yk=g(βkYk-1),k=1,...,K。
步骤3、计算分类学习的输出权重β,将重构的编码特征Yk输入ELM分类层,并得到实际输出:
3-1、经过多层类内交互距离约束随机自编码器WID-RAE得到输出YK,ELM分类层的输出权重为:
其中LK是第K个WID-RAE的隐藏层神经元个数,t=[t,...,t]T是期望输出。
步骤4、计算单分类器决策阈值θ,将实际输出和期望输出的误差距离进行从大到小排序,根据预定义的阈值参数,确定正常类和异常类的阈值;
4-1、计算实际输出oi与期望输出t的误差,ε(xi)=|oi-t|,i=1,...,N。
4-2、将得到的误差距离进行从大到小排序,ε=[ε1,...,εN],得到ε1≥...≥εN,其中ε1和εN分别表示最大和最小的距离误差。
4-3、设置阈值参数μ,得到决策阈值θ=εfloor(μ·N+1)。其中floor(a)表示取不大于a的最大整数。
步骤5、输入测试数据进行测试,将包含正常类和异常类的测试数据输入到基于WID-RAE的分层单分类器模型中,测试该模型的识别效果;
5-1、给定一系列测试样本{(x′i,t′i)|x′i∈Rd,t′∈R,i=1,...,P},其中x′i表示第i个样本,t′i=1表示其为正常样本,t′i≠1表示其为异常样本,P为总共的测试样本数量。
5-2、输入到多层WID-RAE得到每层输出Y′k=g(βkY′k-1),则最后一层WID-RAE输出为Y′K=[y′1 K,...,y′P K]。
5-3、输入到ELM分类层得到实际输出o′i=(y′i K)Tβ,计算实际输出与期望输出的误差距离ε(x′i)=|o′i-t′i|,i=1,...,P。
5-4、将得到的误差距离ε′=[ε′1,...,ε′P]与单分类器阈值θ比较:
当ε′i<θ,x′i属于正常类,否则属于异常类。
5-5、若识别为异常,则立即联动报警。
基于类内交互约束分层单分类的复合烟感监测方法使用的系统包括烟雾传感器、湿敏传感器和气敏传感器,主控芯片以及报警模块。当识别为异常时,主控芯片用于发送指令给报警模块后启动报警。
本发明通过在新安装、短期内安装或者进行维护过的正常工作的复合烟感器上,采集烟感中的烟雾传感器,湿敏传感器和气敏传感器在一段时间内的物理量,并组成未报警状态下的特征样本库,训练基于WID-RAE的分层单分类器。
本发明主要实现流程如下:首先,在新安装、短期内安装或者进行维护过的正常工作的复合烟感器上,采集得到一段时间内烟感中烟雾传感器,湿敏传感器和气体传感器的物理量;将以上三组物理量组合成正常情况下的样本特征库;将得到的样本数据集输入基于类内交互距离约束随机自编码器(WID-RAE)的分层单分类器中,得到每一个样本的实际输出;然后计算出实际输出和期望输出的距离误差向量,并对其进行排序,根据预定义的阈值参数确定正常和异常类的决策阈值;最后,将测试数据输入到该分层单分类器模型,若识别为异常,联动报警系统发出异常信号。
本发明有益效果如下:
本发明通过采集正常情况下,烟雾传感器、湿敏传感器和气体传感器观测到的物理量组成样本数据集构建烟感异常检测模型。对当下的烟感情况进行智能识别,不需要人工判别,能够及时高效的联动报警系统发出报警信号。从而能够快速准确地对烟感中传感器的数据进行检测识别,并与自动报警系统联动,便于快速报警并及时通知人员来处理。在一般的环境下,烟感的老化速度、积灰速度是基本一致的,在非极端情况下,本发明有较强的适用性。
本发明在烟感中置入了湿敏传感器和气敏传感器,建立多传感通道,通过获取多通道的检测值,组合得到正常情况特征样本库,基于此训练单分类模型,在单分类模型下,不在需要人工触发异常的烟感报警进行数据采集,减少了样本的采集的成本。此外。使用基于堆叠的WID-RAE的分层单分类器,提高模型抗干扰能力,明显降低烟感的误报率。而对于WID-RAE,通过最小化特征空间中样本之间的两两距离,能够在有效融合多特征的同时,最小化类内方差使得正常样本更加聚集,从而提高烟雾异常检测算法模型的鲁棒性。
附图说明
图1为本发明实施例烟雾报警器的结构示意图;
图2为本发明实施例中基于分层单分类器的烟雾异常检测模型的流程图;
具体实施方式
下面结合实施例对本发明做进一步的详细描述,但本发明的保护范围并不限于此。
如图1所示,本发明的烟雾报警器包括:
气敏传感器,与主控芯片连接,用于检测空气流速;烟雾传感器用于检测空气中的烟雾浓度,湿敏传感器用于检测温度和湿度。主控芯片中包含烟雾异常检测模型,联动报警系统,实时监测传感器检测值,如果超过报警阈值,报警模块收到控制信号后进行报警。
如图2所示,本发明中基于分层单分类器的烟雾异常检测模型的具体流程如下,首先通过在烟感中置入湿敏传感器和气敏传感器,建立多传感器通道,采集多通道的检测值拼接得到特征样本库,经过归一化处理之后,将只包含未发生报警的样本数据作为训练集进行模型训练,然后将包含未发生报警和发生报警的样本数据作为测试集,可以实时准确地基于结果进行报警或继续监测。
以下结合图1对本发明的实施方法作进一步说明。
步骤1、采集多传感器的物理量,组成只包含正常类的训练样本集,并进行特征归一化;
1-1、在烟感内置入湿敏传感器和气敏传感器,将各种传感器测量的物理量拼接后得到特征向量,每隔半个小时采集一次烟感未报警状态下的特征向量组成特征样本库,并进行归一化处理。
步骤2、将归一化后的训练样本经过多层WID-RAE自编码器进行编码和解码处理,得到重构的特征值;
2-1、随机生成隐藏层输入权值矩阵和正交化偏置向量矩阵计算hk=g(wkx+bk),(wk)Twk=I,(bk)Tbk=1,其中:g(·)表示激活函数,k=1,2,...,K是WID-RAE的个数,I是单位向量。
2-2、通过基于动量的随机梯度下降法对β进行求解,其关于β梯度为:
将WID-RAE的个数设置为K=3,记Y0=X,第(k-1)层的输出为Yk-1,那么第k层的输出Yk=g(βkYk-1),k=1,...,3。
步骤3、计算分类学习的输出权重β,将重构的特征值输入ELM分类层,并得到实际输出;
3-1、经过三层WID-RAE网络得到输出Y3,ELM分类层的输出权重为:
其中L3是第3个WID-RAE的隐藏层神经元个数,t=[t,...,t]T=[1,...,1]T是期望输出。
步骤4、计算单分类器决策阈值θ,将实际输出和期望输出的误差距离进行从大到小排序,根据预定义的阈值参数,确定正常类和异常类的阈值;
4-1、计算实际输出oi与期望输出t的误差,ε(xi)=|oi-t|,i=1,...,N。
4-2、将得到的误差距离进行从大到小排序,ε=[ε1,...,εN],得到ε1≥...≥εN,其中ε1和εN分别表示最大和最小的距离误差。
4-3、设置阈值参数μ,得到决策阈值θ=εfloor(μ·N+1)。其中floor(a)表示取不大于a的最大整数。例如,有100个训练样本,阈值参数μ=0.1,则决策阈值θ=εfloor(0.1×100+1)=ε11。
步骤5、输入测试数据进行测试,将包含正常类和异常类的测试数据输入到基于WID-RAE的分层单分类器模型中,测试该模型的识别效果;
5-1、给定一系列测试样本{(x′i,t′i)|x′i∈Rd,t′∈R,i=1,...,P},其中x′i表示第i个样本,t′i=1表示其为正常样本,t′i≠1表示其为异常样本,P为总共的测试样本数量。
5-2、输入到多层WID-RAE得到每层输出Y′k=g(βkY′k-1),则最后一层WID-RAE输出为Y′K=[y′1 K,...,y′P K]。
5-3、输入到ELM分类层得到实际输出o′i=(y′i K)Tβ,计算实际输出与期望输出的误差距离ε(x′i)=|o′i-t′i|,i=1,...,P。
5-4、将得到的误差距离ε′=[ε′1,...,ε′P]与单分类器阈值θ比较:
当ε′i<θ,x′i属于正常类,否则属于异常类。
5-5、若识别为异常,则立即联动报警。
Claims (5)
1.一种基于类内交互约束分层单分类的复合烟感监测方法,其特征在于包括如下步骤:
步骤1、通过在新安装、短期内安装或者进行维护过的正常工作的复合烟感器上,采集多传感器的物理量,组成只包含正常类的训练数据样本集,并对训练数据样本进行分帧加窗、去噪和特征归一化的预处理;
步骤2、根据预处理后的训练数据样本集训练多个类内交互距离约束随机自编码器WID-RAE进行特征学习,得到重构的特征值;
步骤3、计算分类学习的输出权重β,将重构的编码特征Yk输入ELM分类层,并得到实际输出:
步骤4、计算单分类器决策阈值θ,将实际输出和期望输出的误差距离进行从大到小排序,根据预定义的阈值参数,确定正常类和异常类的阈值;
步骤5、输入测试数据进行测试,将包含正常类和异常类的测试数据输入到基于WID-RAE的分层单分类器模型中,测试该模型的识别效果。
2.根据权利要求1所述的.一种基于类内交互约束分层单分类的复合烟感监测方法,其特征在于步骤2具体实现如下:
2-1、记归一化后的训练数据样本集为X=[x1,x2,...,xN],即WID-RAE的输入和输出矩阵;
2-2、随机生成隐藏层输入权值矩阵和正交化偏置向量矩阵并计算隐藏层输出矩阵[H]N×L=g(WX+b·1T)T;将输入的训练数据样本集X映射到相同或不同的数据维度空间:hk=g(wkxi+bk),(wk)Twk=I,(bk)Tbk=1,其中:g(·)表示激活函数,k=1,2,...,K是WID-RAE的个数,I是单位向量;
2-3、求解WID-RAE的编码特征Yk,具体实现如下:
首先计算WID-RAE的损失函数:
通过基于动量的随机梯度下降法对β进行求解,其关于β梯度为:
设WID-RAE个数为K,初始化Y0=X,第(k-1)层的输出为Yk-1,那么第k层的输出Yk=g(βkYk-1),k=1,...,K;。
4.根据权利要求3所述的.一种基于类内交互约束分层单分类的复合烟感监测方法,其特征在于步骤4具体实现如下:
4-1、计算实际输出oi与期望输出t的误差,ε(xi)=|oi-t|,i=1,...,N;
4-2、将得到的误差距离进行从大到小排序,ε=[ε1,...,εN],得到ε1≥...≥εN,其中ε1和εN分别表示最大和最小的距离误差;
4-3、设置阈值参数μ,得到决策阈值θ=εfloor(μ·N+1)。其中floor(a)表示取不大于a的最大整数。
5.根据权利要求4所述的.一种基于类内交互约束分层单分类的复合烟感监测方法,其特征在于步骤5具体实现如下:
5-1、给定一系列测试样本{(x′i,t′i)|x′i∈Rd,t′∈R,i=1,...,P},其中x′i表示第i个样本,t′i=1表示其为正常样本,t′i≠1表示其为异常样本,P为总共的测试样本数量;
5-4、将得到的误差距离ε′=[ε′1,...,ε′P]与单分类器阈值θ比较:
当ε′i<θ,x′i属于正常类,否则属于异常类;
5-5、若识别为异常,则立即联动报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462489.6A CN112614298A (zh) | 2020-12-09 | 2020-12-09 | 一种基于类内交互约束分层单分类的复合烟感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462489.6A CN112614298A (zh) | 2020-12-09 | 2020-12-09 | 一种基于类内交互约束分层单分类的复合烟感监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112614298A true CN112614298A (zh) | 2021-04-06 |
Family
ID=75233534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011462489.6A Pending CN112614298A (zh) | 2020-12-09 | 2020-12-09 | 一种基于类内交互约束分层单分类的复合烟感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614298A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383723A (zh) * | 2023-06-06 | 2023-07-04 | 中国地质调查局水文地质环境地质调查中心 | 一种泥石流数据异常辨识方法、计算机设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018079400A1 (ja) * | 2016-10-24 | 2018-05-03 | ホーチキ株式会社 | 火災監視システム |
CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
CN109818798A (zh) * | 2019-02-19 | 2019-05-28 | 上海海事大学 | 一种融合kpca和elm的无线传感器网络入侵检测系统及方法 |
CN109858509A (zh) * | 2018-11-05 | 2019-06-07 | 杭州电子科技大学 | 基于多层随机神经网络单分类器异常检测方法 |
CN110135374A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 采用图像块特征识别与回归分类的火灾烟雾检测方法 |
CN110287983A (zh) * | 2019-05-10 | 2019-09-27 | 杭州电子科技大学 | 基于最大相关熵深度神经网络单分类器异常检测方法 |
CN110701087A (zh) * | 2019-09-25 | 2020-01-17 | 杭州电子科技大学 | 基于单分类超限学习机的轴流压气机气动失稳检测方法 |
CN110751044A (zh) * | 2019-09-19 | 2020-02-04 | 杭州电子科技大学 | 基于深度网络迁移特征与增广自编码的城市噪声识别方法 |
CN111242278A (zh) * | 2019-12-29 | 2020-06-05 | 杭州拓深科技有限公司 | 一种基于智能算法的复合烟感低误报方法 |
CN111480167A (zh) * | 2017-12-20 | 2020-07-31 | 艾普维真股份有限公司 | 多数字表示的认证机器学习 |
CN111613037A (zh) * | 2020-04-30 | 2020-09-01 | 杭州拓深科技有限公司 | 一种基于智能算法的降低复合烟感误报的方法 |
CN111985546A (zh) * | 2020-08-10 | 2020-11-24 | 西北工业大学 | 基于单分类极限学习机算法的飞机发动机多工况检测方法 |
-
2020
- 2020-12-09 CN CN202011462489.6A patent/CN112614298A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018079400A1 (ja) * | 2016-10-24 | 2018-05-03 | ホーチキ株式会社 | 火災監視システム |
CN111480167A (zh) * | 2017-12-20 | 2020-07-31 | 艾普维真股份有限公司 | 多数字表示的认证机器学习 |
CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
CN109858509A (zh) * | 2018-11-05 | 2019-06-07 | 杭州电子科技大学 | 基于多层随机神经网络单分类器异常检测方法 |
CN109818798A (zh) * | 2019-02-19 | 2019-05-28 | 上海海事大学 | 一种融合kpca和elm的无线传感器网络入侵检测系统及方法 |
CN110287983A (zh) * | 2019-05-10 | 2019-09-27 | 杭州电子科技大学 | 基于最大相关熵深度神经网络单分类器异常检测方法 |
CN110135374A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 采用图像块特征识别与回归分类的火灾烟雾检测方法 |
CN110751044A (zh) * | 2019-09-19 | 2020-02-04 | 杭州电子科技大学 | 基于深度网络迁移特征与增广自编码的城市噪声识别方法 |
CN110701087A (zh) * | 2019-09-25 | 2020-01-17 | 杭州电子科技大学 | 基于单分类超限学习机的轴流压气机气动失稳检测方法 |
CN111242278A (zh) * | 2019-12-29 | 2020-06-05 | 杭州拓深科技有限公司 | 一种基于智能算法的复合烟感低误报方法 |
CN111613037A (zh) * | 2020-04-30 | 2020-09-01 | 杭州拓深科技有限公司 | 一种基于智能算法的降低复合烟感误报的方法 |
CN111985546A (zh) * | 2020-08-10 | 2020-11-24 | 西北工业大学 | 基于单分类极限学习机算法的飞机发动机多工况检测方法 |
Non-Patent Citations (1)
Title |
---|
盛铭等: "基于单分类支持向量机的CAN 总线异常检测方法", 《汽车技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383723A (zh) * | 2023-06-06 | 2023-07-04 | 中国地质调查局水文地质环境地质调查中心 | 一种泥石流数据异常辨识方法、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN109858509A (zh) | 基于多层随机神经网络单分类器异常检测方法 | |
CN109416531A (zh) | 异常数据的重要度判定装置及异常数据的重要度判定方法 | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
CN110533167B (zh) | 一种电动阀门执行机构用故障诊断方法及诊断系统 | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN110375983A (zh) | 基于时间序列分析的阀门故障实时诊断系统及诊断方法 | |
CN113139500A (zh) | 烟雾检测方法、系统、介质及设备 | |
CN112614298A (zh) | 一种基于类内交互约束分层单分类的复合烟感监测方法 | |
CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警系统及方法 | |
CN116805061B (zh) | 基于光纤传感的泄漏事件判断方法 | |
CN113574480A (zh) | 用于预测设备损坏的装置 | |
CN112702408A (zh) | 基于多感知功能的物联网系统及方法 | |
CN111191855A (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN207992717U (zh) | 一种水电站闸门在线状态监测系统 | |
CN112202630A (zh) | 一种基于无监督模型的网路质量异常检测方法及装置 | |
CN111242278A (zh) | 一种基于智能算法的复合烟感低误报方法 | |
CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
CN114202907B (zh) | 一种火灾报警实时分类方法及系统 | |
CN104980442A (zh) | 一种基于元样本稀疏表示的网络入侵检测方法 | |
CN114417729A (zh) | 一种基于bp神经网络的矿区环境安全预警方法 | |
CN118051744B (zh) | 基于数据处理的防水型信号连接器故障诊断方法 | |
CN116448062B (zh) | 一种桥梁沉降变形检测方法、装置、计算机及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210406 |