CN112965964A - 一种实测飞参数据的野值检测方法、系统及计算机相关产品 - Google Patents
一种实测飞参数据的野值检测方法、系统及计算机相关产品 Download PDFInfo
- Publication number
- CN112965964A CN112965964A CN202110170530.0A CN202110170530A CN112965964A CN 112965964 A CN112965964 A CN 112965964A CN 202110170530 A CN202110170530 A CN 202110170530A CN 112965964 A CN112965964 A CN 112965964A
- Authority
- CN
- China
- Prior art keywords
- value
- current detection
- normal
- detection
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000013450 outlier detection Methods 0.000 claims description 8
- 230000003111 delayed effect Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012850 discrimination method Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种实测飞参数据的野值检测方法、系统及计算机相关产品，旨在克服现有飞参预处理野值判别方法的准确性和实时性无法有效均衡的缺陷。该方法包括：步骤1)获取实测飞参原始数据，按照帧序列生成输入数组A1；对输入数组A1进行增量处理，根据正态分布的3σ原则输出初步调整后的数组A2；步骤2)数组A2进行抖动检测，判断当前检测值是否超出正常抖动变化范围，如果是，则进行下一步检测；步骤3)继续进行跳跃幅度检测，判断当前检测值是否超出正常变化幅度，如果是，则进行下一步检测；步骤4)继续进行斜率连续性检测，判断当前检测值是否离群，如果是，则确定为野值。本发明能够在保证实时性的前提下提高野值鉴别准确度。
Description
技术领域
本发明涉及飞参实时预处理领域，具体涉及一种应用于实测飞参数据的野值剔除方法。
背景技术
实际飞行过程中，数据采集设备易受到电磁信号等干扰，使得接收数据中存在异常跳变点，这种偏离被测信号变化规律的数据点称为野值。野值的存在严重影响测量数据的准确性和可靠性，对于实时监控系统来说，野值会导致监视系统发出虚报、误报、漏报，影响正常飞行。
金慧琴等在2017年发表的文章“飞机飞行参数数据预处理方法研究”中，针对不满足统计特性的数据误差，总结了飞行参数数据野值剔除三种方法，分别是增量法，差分法，稳健异值检测方法。增量法对前后帧数据的差值进行阈值判断，计算简单，实时性好，但只能针对一些有确定边界的连续信号进行处理；差分法是根据n次多项式的n+1阶导数为零，得出的一种处理确定信号的近似方法，野值的鉴别相较于增量法更为精确，但基于统计的基础，前期需要完备的统计数据；稳健异值检测方法对时序数据按段进行代数多项式与三角多项式的线性组合的一致逼近，使用Huber型或Hampel型函数来构建具有抗异值干扰能力的稳健拟合曲线，相对于差分法有更高的野值检测精度，且不需要前期的统计数据，但是计算量大，对当前拟合的数据段的中点值判断准确，对实时性有显著的影响。
左思佳等在2019年发表的题为“航空发动机试飞数据野值识别与补正算法”的文章中，针对在航空发动机智能实时监视系统中由数据野值导致的虚报警问题，提出了基于最小二乘拟合和莱特准则的野值识别算法，在对原始数据进行最小二乘拟合计算拟合残差后，对拟合残差的标准差进行标准判断，若不达标则调整拟合阶数重新拟合直至残差的标准差在一个设定的合理范围内，通过多次迭代的方式来减少野值本身对数据标准差的干扰，最后根据莱特准则判断是否存在野值。通过选用合适的阶数进行拟合来保证将偏离真实值不大的野值识别出来，与之前的三种方法相对比，这种方法兼顾了野值识别准确度和实时性，但是对于飞参变化的多样性，对于部分情况其残差的标准差值的范围标准无法有效确定。
发明内容
本发明的目的是克服现有飞参预处理野值判别方法的准确性和实时性无法有效均衡的缺陷。
为了实现以上目的，本发明提出以下技术方案：
一种实测飞参数据的野值检测方法，其特殊之处在于，包括：
步骤1)获取实测飞参原始数据，按照帧序列生成输入数组A1；对输入数组A1进行增量处理，根据正态分布的3σ原则输出初步调整后的数组A2；
步骤2)数组A2进行抖动检测，判断当前检测值是否超出正常抖动变化范围，如果是，则进行下一步检测；否则，认定当前检测值为正常值并输出；
步骤3)继续进行跳跃幅度检测，判断当前检测值是否超出正常变化幅度，如果是，则进行下一步检测；否则，认定当前检测值为正常值并输出；
步骤4)继续进行斜率连续性检测，判断当前检测值是否离群，如果是，则确定为野值；否则，认定当前检测值为正常值并输出。
进一步地，步骤1)中所述对输入数组A1进行增量处理，根据正态分布的3σ原则输出初步调整后的数组A2，具体是：对输入数组A1中的相邻两个数分别相减得到相应差值，构成差值数组B；对差值进行正态分布处理，根据正态分布的3σ原则找出差值过大的数据，对应于所述差值过大的数据，在输入数组A1中采用相邻两个数的平均数替代，从而输入数组A1调整为数组A2。
进一步地，步骤1)中所述对差值进行正态分布处理，根据正态分布的3σ原则找出差值过大的数据，具体是：遍历差值数组B中的每一项元素，根据标准正态分布公式求其概率，若在0.3％以下，则视为差值过大的数据。
进一步地，步骤2)中判断当前检测值是否超出正常抖动变化范围，具体是：设value为当前帧的值，nvalue为前一帧的值，glitch_n为设定的抖动基线的最小连续帧数；当前帧的值与前一帧的值相等时，glitch_k作为计数器加1；当glith_k>＝glitch_n时，将当前帧的值确定为抖动基线，判断下一帧与抖动基线的值的差的绝对值是否超出设定的抖动幅度；如果是，即表明当前检测值超出了正常抖动变化范围。
进一步地，步骤3)中判断当前检测值是否超出正常变化幅度，具体是：设经过步骤2)输出的数组为[s0，s1，s2，s3]，其中s1表示当前检测帧，s0表示前一帧，s2、s3表示延后的两帧；Lim为给定的幅度限制，即上升沿下降沿的较小值与前一变化幅度的倍数限制，所述前一变化幅度取前后两帧的数据差值；如果当前检测值的变化幅值大于前后两帧变化幅值的倍数为Lim以上时，即表明当前检测值超出了正常变化幅度。
进一步地，步骤4)中判断当前检测值是否离群、确定野值点，具体是：设定当前拟合数据段长度的最大值，拟合线段与原值的参差，若参差里的数值全部同号，认定拟合不达标，并缩小拟合数据段长度重新拟合直至达标；若当前检测点无达标的拟合数据段，认定其为潜在的异常点，用下一帧的数据替代，重新拟合；此时若达标，则认定该潜在的异常点是野值点。
进一步地，步骤4)中，确定野值点后，将其值替换为前一帧数据或者前后两帧数据的均值。
本发明还提供一种实测飞参数据的野值检测系统，其特殊之处在于，包括以下程序模块：
增量处理模块，用于获取实测飞参原始数据，按照帧序列生成输入数组A1；对输入数组A1进行增量处理，根据正态分布的3σ原则输出初步调整后的数组A2；
抖动检测模块，用于对数组A2进行抖动检测，判断当前检测值是否超出正常抖动变化范围，如果是，则进行下一步检测；否则，认定当前检测值为正常值并输出；
跳跃幅度检测模块，用于继续进行跳跃幅度检测，判断当前检测值是否超出正常变化幅度，如果是，则进行下一步检测；否则，认定当前检测值为正常值并输出；
斜率连续性检测模块，用于继续进行斜率连续性检测，判断当前检测值是否离群，如果是，则确定为野值；否则，认定当前检测值为正常值并输出。
本发明还提供一种计算机设备，包括处理器和存储器，所述存储器存储有若干程序，其特殊之处在于，所述程序被处理器加载运行时实现上述的一种实测飞参数据的野值检测方法。
本发明还提供一种计算机可读存储介质，存储有若干程序，其特殊之处在于，所述程序被处理器加载运行时实现上述的一种实测飞参数据的野值检测方法。
本发明提出了一种基于实测数据增量的野值判别方法，通过抖动和幅值检测过滤掉曲线起伏变化平稳的数据，对处于阈值边界及边界外潜在的野值点进行分析判别，保证实时性的前提下提高野值鉴别准确度。相比现有技术，本发明具体有以下优点：
与背景技术中提到的差分法相比，不需要准确的统计数据；与增量法相比，对野值的鉴别有更好的准确性。
与稳健回归算法相比，通过增加后续数据点对拟合曲线的对比分析替代拟合段中点，增强了实时性。
与“航空发动机试飞数据野值识别与补正算法”中的方法相比，通过拟合段长度的自适应来替代拟合阶数的自适应，可解决飞参变化多样性带来的野值鉴别的不确定性和多项式拟合阶数无法确定的问题。
附图说明
图1为本发明一个实施例的增量化处理的流程示意图。
图2为本发明一个实施例的对增量化处理后的数据进行处理(野值检测)的整体流程示意图。
图3为本发明一个实施例的抖动检测的具体流程图。
图4为本发明一个实施例的跳跃幅度检测的具体流程图。
图5为本发明一个实施例的斜率连续性检测的具体流程图。
图6为本发明一个实施例的处理前后的对比图，其中(a)为处理前的数据，(b)为处理后的数据。
具体实施方式
以下结合附图，通过实施例进一步详述本发明。
本实施例提出的一种实测飞参数据的野值检测方法，首先进行增量化的处理，调整帧序列(数据)；增量即前后两帧数据的差值，以此来简化飞参变化的多样性。
如图1所示，获取实测飞参原始数据，按照帧序列生成输入数组A1；对原数据A1的相邻两个数相减成差值，对差值进行正态分布处理，根据正态分布的3σ原则找出差值过大的数据，并返回原数据取相邻两个数的平均数替代。
具体可以编写一个新函数“preprocess”，输入一个数组A1，对数组的相邻两项元素相减求差值bi＝ai+1-ai，把差值构成一个新的数组B[b1,b2,…,bn-1]。对新数组求平均值、方差和标准差，编写正态分布的概率密度公式：
遍历新构成的差值数组B[]中的每一项元素，根据标准正态分布公式求其概率，并检验是否在3σ范围内(99.7％)。对于3σ范围外(0.3％)的差值数据舍去并以其相邻两项的平均值替代ai＝(ai+1+ai-1)/2，进而输出一个修改后的数组A2[a1,a2,…,an]。
然后，对增量化处理后的数据按照图2所示流程进行处理。对于野值检测分为三个串联的处理子模块，分别为抖动检测，跳跃幅度检测和斜率连续性检测。按照图2所示流程，只有当三个子模块都返回为”True”时，才确定当前实时传输来的待检测数据为单个孤立型异常值，并去掉异常值，以前后两帧的数据的均值或前一帧数据代替。其中：
抖动检测如图3所示，确定当前值是否在正常抖动变化的范围内，若超出正常抖动的范围，则返回“True”进行下面预处理子模块的检测；否则返回“False”认定当前检测值为正常值，保持原值输出。其设定值:glitch_n(>＝2)，确定抖动基线的最小连续帧数；glitch为抖动幅度(不同飞行参数有不同的抖动幅度，与当前参数的精确度有关)，例如当前值为1.03，若此后的值序列为1.04，1.05，1.04，1.03…则glitch＝0.01。
准则描述可以是：nvalue表示前一帧的值，当前帧的值与前一帧相等时，glitch_k作为计数器加1(有连续三帧值相等则glitch_k＝3)，当glitch_k达到设定的连续界限时(即glith_k>＝glitch_n)，把当前帧的值设为抖动基线(即value＝nvalue)。判断下一帧与基线的值的差的绝对值是否在设定的抖动幅度(glitch)内，若在认定为正常值并输出，否则进行后续的预处理判断。
跳跃幅值检测如图4所示，设其输入为[s0，s1，s2，s3]，此为连续帧数组(帧序列)，其中s1为当前检测帧，s2、s3为延后的两帧；Lim为给定的幅度限制，即上升沿下降沿的较小值与前一变化幅度的倍数限制，前一变化幅度(正常变化幅度)取此起伏前后两帧的数据差值。
斜率连续性检测如图5所示，此检验的目的是判断当前检测点是否离群，即对数据曲线的连续性趋势偏离程度进行判断，若偏离幅度超过当前窗口数据的趋势，则判断为间断点。
以下给出一个具体实例：
已知某机型真攻角参数如表1所示。
表1真攻角参数表
步骤一、对气压高度进行增量化，即前一帧数据减后一帧的数值序列，如表2所示。
表2真攻角参数差值表
步骤二、抖动检测
表中气压高度参数值为整型，观察帧数1到10的数值，其增量单位为1，因此赋给参数glitch＝1，筛选出大于glitch的值进行后续步骤的检测
步骤三、跳跃幅值检测
给定lim＝2，即认为检测点的变化赋值大于前后变化幅值的两倍时，当作跳出点，进行下一步骤检测。
步骤四、斜率连续性检测
给定参数size_w＝10，即当前拟合数据段长度最大为10，拟合线段与原数值的参差，若参差里的数值全部同号认定拟合不达标，缩小拟合数据段长度重新拟合直至达标。若当前监测点无达标的拟合数据段，认定其为潜在的异常点，用下一帧的数值替代重新拟合，若达标则认定潜在的异常点是野值点，并用前一帧数据或前后两帧数据的均值替换。
处理前后对比效果如图6所示。可以看出，本实施例能够保证实时性的前提下准确鉴别野值点，并将其替换为正常值。
在硬件上本实施例通常基于计算机设备实现，该计算机设备至少包括处理器和存储器。其中，处理器可用于提供计算和控制能力，存储器包括非易失性存储介质和/或内存储器等。非易失性存储介质可以存储有操作系统、计算机程序和数据库；内存储器可以为非易失性存储介质中的操作系统和计算机程序的运行提供环境。将上述实测飞参数据的野值检测方法的整体或部分步骤编写相应的计算机程序存入上述存储器，计算机程序被处理器加载运行时即实现该实测飞参数据的野值检测方法。
相应的，本实施例在硬件上还可直接体现于计算机可读存储介质，其存储有按照上述实测飞参数据的野值检测方法的整体或部分步骤编写的计算机程序，计算机程序被处理器执行时即实现该实测飞参数据的野值检测方法。
Claims (10)
1.一种实测飞参数据的野值检测方法，其特征在于，包括：
步骤1)获取实测飞参原始数据，按照帧序列生成输入数组A1；对输入数组A1进行增量处理，根据正态分布的3σ原则输出初步调整后的数组A2；
步骤2)数组A2进行抖动检测，判断当前检测值是否超出正常抖动变化范围，如果是，则进行下一步检测；否则，认定当前检测值为正常值并输出；
步骤3)继续进行跳跃幅度检测，判断当前检测值是否超出正常变化幅度，如果是，则进行下一步检测；否则，认定当前检测值为正常值并输出；
步骤4)继续进行斜率连续性检测，判断当前检测值是否离群，如果是，则确定为野值；否则，认定当前检测值为正常值并输出。
2.根据权利要求1所述的一种实测飞参数据的野值检测方法，其特征在于，步骤1)中所述对输入数组A1进行增量处理，根据正态分布的3σ原则输出初步调整后的数组A2，具体是：对输入数组A1中的相邻两个数分别相减得到相应差值，构成差值数组B；对差值进行正态分布处理，根据正态分布的3σ原则找出差值过大的数据，对应于所述差值过大的数据，在输入数组A1中采用相邻两个数的平均数替代，从而输入数组A1调整为数组A2。
3.根据权利要求1所述的一种实测飞参数据的野值检测方法，其特征在于，步骤1)中所述对差值进行正态分布处理，根据正态分布的3σ原则找出差值过大的数据，具体是：遍历差值数组B中的每一项元素，根据标准正态分布公式求其概率，若在0.3％以下，则视为差值过大的数据。
4.根据权利要求1所述的一种实测飞参数据的野值检测方法，其特征在于，步骤2)中判断当前检测值是否超出正常抖动变化范围，具体是：设value为当前帧的值，nvalue为前一帧的值，glitch_n为设定的抖动基线的最小连续帧数；当前帧的值与前一帧的值相等时，glitch_k作为计数器加1；当glith_k>＝glitch_n时，将当前帧的值确定为抖动基线，判断下一帧与抖动基线的值的差的绝对值是否超出设定的抖动幅度；如果是，即表明当前检测值超出了正常抖动变化范围。
5.根据权利要求1所述的一种实测飞参数据的野值检测方法，其特征在于，步骤3)中判断当前检测值是否超出正常变化幅度，具体是：设经过步骤2)输出的数组为[s0，s1，s2，s3]，其中s1表示当前检测帧，s0表示前一帧，s2、s3表示延后的两帧；Lim为给定的幅度限制，即上升沿下降沿的较小值与前一变化幅度的倍数限制，所述前一变化幅度取前后两帧的数据差值；如果当前检测值的变化幅值大于前后两帧变化幅值的倍数为Lim以上时，即表明当前检测值超出了正常变化幅度。
6.根据权利要求1所述的一种实测飞参数据的野值检测方法，其特征在于，步骤4)中判断当前检测值是否离群、确定野值点，具体是：设定当前拟合数据段长度的最大值，拟合线段与原值的参差，若参差里的数值全部同号，认定拟合不达标，并缩小拟合数据段长度重新拟合直至达标；若当前检测点无达标的拟合数据段，认定其为潜在的异常点，用下一帧的数据替代，重新拟合；此时若达标，则认定该潜在的异常点是野值点。
7.根据权利要求1或6所述的一种实测飞参数据的野值检测方法，其特征在于，步骤4)中，确定野值点后，将其值替换为前一帧数据或者前后两帧数据的均值。
8.一种实测飞参数据的野值检测系统，其特征在于，包括以下程序模块：
增量处理模块，用于获取实测飞参原始数据，按照帧序列生成输入数组A1；对输入数组A1进行增量处理，根据正态分布的3σ原则输出初步调整后的数组A2；
抖动检测模块，用于对数组A2进行抖动检测，判断当前检测值是否超出正常抖动变化范围，如果是，则进行下一步检测；否则，认定当前检测值为正常值并输出；
跳跃幅度检测模块，用于继续进行跳跃幅度检测，判断当前检测值是否超出正常变化幅度，如果是，则进行下一步检测；否则，认定当前检测值为正常值并输出；
斜率连续性检测模块，用于继续进行斜率连续性检测，判断当前检测值是否离群，如果是，则确定为野值；否则，认定当前检测值为正常值并输出。
9.一种计算机设备，包括处理器和存储器，所述存储器存储有若干程序，其特征在于，所述程序被处理器加载运行时实现权利要求1至7任一所述的一种实测飞参数据的野值检测方法。
10.一种计算机可读存储介质，存储有若干程序，其特征在于，所述程序被处理器加载运行时实现权利要求1至7任一所述的一种实测飞参数据的野值检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110170530.0A CN112965964B (zh) | 2021-02-08 | 2021-02-08 | 一种实测飞参数据的野值检测方法、系统及计算机相关产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110170530.0A CN112965964B (zh) | 2021-02-08 | 2021-02-08 | 一种实测飞参数据的野值检测方法、系统及计算机相关产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112965964A true CN112965964A (zh) | 2021-06-15 |
| CN112965964B CN112965964B (zh) | 2023-09-08 |
Family
ID=76275318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110170530.0A Active CN112965964B (zh) | 2021-02-08 | 2021-02-08 | 一种实测飞参数据的野值检测方法、系统及计算机相关产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112965964B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343897A (zh) * | 2021-06-25 | 2021-09-03 | 中国电子科技集团公司第二十九研究所 | 一种基于辐射信号斜率变化加快信号处理的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090216393A1 (en) * | 2008-02-27 | 2009-08-27 | James Schimert | Data-driven anomaly detection to anticipate flight deck effects |
| CN106933977A (zh) * | 2017-02-16 | 2017-07-07 | 中国航天空气动力技术研究院 | 一种基于大数据挖掘分类剔除飞行参数野值的方法 |
| CN107092780A (zh) * | 2017-03-31 | 2017-08-25 | 哈尔滨工程大学 | 一种基于最小二乘法的速度信息野值剔除方法 |
-
2021
- 2021-02-08 CN CN202110170530.0A patent/CN112965964B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090216393A1 (en) * | 2008-02-27 | 2009-08-27 | James Schimert | Data-driven anomaly detection to anticipate flight deck effects |
| CN106933977A (zh) * | 2017-02-16 | 2017-07-07 | 中国航天空气动力技术研究院 | 一种基于大数据挖掘分类剔除飞行参数野值的方法 |
| CN107092780A (zh) * | 2017-03-31 | 2017-08-25 | 哈尔滨工程大学 | 一种基于最小二乘法的速度信息野值剔除方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343897A (zh) * | 2021-06-25 | 2021-09-03 | 中国电子科技集团公司第二十九研究所 | 一种基于辐射信号斜率变化加快信号处理的方法 |
| CN113343897B (zh) * | 2021-06-25 | 2022-06-07 | 中国电子科技集团公司第二十九研究所 | 一种基于辐射信号斜率变化加快信号处理的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112965964B (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109558295B (zh) | 一种性能指标异常检测方法及装置 | |
| US20180225166A1 (en) | Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium | |
| CN108763346B (zh) | 一种滑窗箱型图中值滤波的异常点处理方法 | |
| CN111521915B (zh) | 一种高压直流线路起晕场强判定方法及系统 | |
| CN109450405B (zh) | 一种应用于ad采集中的复合式软件滤波方法及系统 | |
| CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
| CN110175353B (zh) | 电梯运行指标趋势分析方法 | |
| CN110188810A (zh) | 一种基于密度聚类的在线野值检测、识别与修正方法 | |
| CN109726737B (zh) | 基于轨迹的异常行为检测方法及装置 | |
| US20210097060A1 (en) | Missing data compensation method, missing data compensation system, and non-transitory computer-readable medium | |
| CN111353131B (zh) | 一种码载偏离度阈值计算的方法 | |
| CN112965964A (zh) | 一种实测飞参数据的野值检测方法、系统及计算机相关产品 | |
| CN112965966B (zh) | 一种基于实测飞参数据的快速预处理方法、系统及计算机相关产品 | |
| CN101782763B (zh) | 统计过程控制的监控方法 | |
| CN110988856B (zh) | 一种基于密度聚类的目标检测点迹凝聚算法 | |
| CN117171157A (zh) | 基于数据分析的清算数据采集清洗方法 | |
| CN111949937A (zh) | 一种基于链式方程的分布式光伏数据多重插补方法 | |
| CN113468014A (zh) | 一种运维数据的异常检测方法及装置 | |
| KR101615345B1 (ko) | 반도체 생산 공정에서 센서 데이터들을 이용하여 웨이퍼의 수율을 분석하는 방법 | |
| CN109462242A (zh) | 基于iir数字滤波和esprit辨识算法的电力系统低频振荡检测方法 | |
| CN110487315B (zh) | 一种仪表漂移的分析系统及方法 | |
| US10549862B1 (en) | Method and system for smart and continuous engine operation monitoring | |
| CN117466153B (zh) | 故障检测方法、装置、计算机设备和可读存储介质 | |
| CN111010393B (zh) | 一种用于大数据清洗的异常检测和消除的方法 | |
| CN117092526B (zh) | 电池故障预警模型的训练方法、装置及电子设备 |
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 |