CN113239250A - 一种数据采集关键节点的筛选方法 - Google Patents

一种数据采集关键节点的筛选方法 Download PDF

Info

Publication number
CN113239250A
CN113239250A CN202110644211.9A CN202110644211A CN113239250A CN 113239250 A CN113239250 A CN 113239250A CN 202110644211 A CN202110644211 A CN 202110644211A CN 113239250 A CN113239250 A CN 113239250A
Authority
CN
China
Prior art keywords
data acquisition
nodes
data
calculating
decision
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
Application number
CN202110644211.9A
Other languages
English (en)
Other versions
CN113239250B (zh
Inventor
张志文
薛玉君
杨晓英
李军星
吕锋
李亚杰
许惠丽
罗天宇
范卫锋
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN202110644211.9A priority Critical patent/CN113239250B/zh
Publication of CN113239250A publication Critical patent/CN113239250A/zh
Application granted granted Critical
Publication of CN113239250B publication Critical patent/CN113239250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/903—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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Devices For Executing Special Programs (AREA)

Abstract

一种数据采集关键节点的筛选方法，首先采集数据并建立决策矩阵，计算各数据采集节点的初始重要度，然后计算各数据采集节点之间的灰色综合关联关系，并建立各数据采集节点之间的直接关系矩阵Y，然后计算标准化矩阵G，再计算数据采集节点之间的相互影响矩阵Z，然后计算各数据采集节点的最终重要度，筛选出数据采集关键节点。本发明从制造型企业实际出发，减少决策过程中考虑的数据数量，可以降低数据交换成本及决策复杂度，整个过程没有决策者的主观因素参与，因此关键节点的筛选结果是客观的，能够保证筛选过程的正确性。

Description

一种数据采集关键节点的筛选方法
技术领域
本发明涉及数据采集领域，尤其涉及一种数据采集关键节点的筛选方法。
背景技术
数据采集的主要目的是为决策者提供各种数据，以实现准确决策。在制造领域，随着智能制造战略的进一步推进，各种智能化装备的出现以及信息技术的迅速发展使得各种数据的采集成为可能，但由此形成的海量多源异构数据也为正确决策制造了不小的障碍。现有技术中缺少能够对数据采集关键节点进行准确筛选的方法，数据决策中需要考虑的数据维度和数量较多，因此数据交换成本及决策复杂度也较高，难以准确分析出各个采集节点数据对决策的重要程度。
发明内容
本发明的目的是提供一种数据采集关键节点的筛选方法，减少决策中考虑的数据维度和数量，降低数据交换成本及决策复杂度。
本发明为解决上述技术问题所采用的技术方案是：一种数据采集关键节点的筛选方法，用于对n个数据采集节点中的关键节点进行筛选，包括以下步骤：
步骤一、建立决策矩阵
对n个数据采集节点进行m次数据采集，得到n组数据个数均为m的节点数据，并获得一组与m次数据采集分别对应的数据个数为m的决策数据；
定义节点数据组为
Figure 100002_DEST_PATH_IMAGE001
，决策数据组为d，节点数据为
Figure 39761DEST_PATH_IMAGE002
，决策数据为
Figure 100002_DEST_PATH_IMAGE003
，其中i为1～n的整数，k为1～m的整数，将所有节点数据和决策数据组成决策矩阵AT，
Figure 19218DEST_PATH_IMAGE004
；
步骤二、计算各数据采集节点的初始重要度
201、定义
Figure 100002_DEST_PATH_IMAGE005
，
Figure 565999DEST_PATH_IMAGE006
，然后计算得到
Figure 492367DEST_PATH_IMAGE007
，
Figure 100002_DEST_PATH_IMAGE008
，
Figure 837898DEST_PATH_IMAGE009
，
Figure 100002_DEST_PATH_IMAGE010
，
Figure 988256DEST_PATH_IMAGE011
；
202、定义
Figure 100002_DEST_PATH_IMAGE012
，
Figure 786448DEST_PATH_IMAGE013
，
Figure 719769DEST_PATH_IMAGE014
，
Figure 919806DEST_PATH_IMAGE015
，然后计算得到
Figure 709908DEST_PATH_IMAGE016
，
Figure 198658DEST_PATH_IMAGE017
，
Figure 100002_DEST_PATH_IMAGE018
，
Figure 762101DEST_PATH_IMAGE019
，
Figure 100002_DEST_PATH_IMAGE020
；
203、计算
Figure 895273DEST_PATH_IMAGE021
，然后计算数据采集节点的初始重要度
Figure 100002_DEST_PATH_IMAGE022
，
Figure 230177DEST_PATH_IMAGE023
，0.4≤
Figure 100002_DEST_PATH_IMAGE024
≤0.6，
Figure 393174DEST_PATH_IMAGE025
；
重复步骤二，即可计算得到所有数据采集节点的初始重要度；
步骤三、计算各数据采集节点之间的灰色综合关联关系
301、定义
Figure 432412DEST_PATH_IMAGE006
，
Figure 607042DEST_PATH_IMAGE026
，其中j为1～n的整数且j不等于i，然后计算得到
Figure 473366DEST_PATH_IMAGE027
，
Figure 999026DEST_PATH_IMAGE009
，
Figure 812261DEST_PATH_IMAGE028
，
Figure 841397DEST_PATH_IMAGE029
，
Figure 144202DEST_PATH_IMAGE030
；
302、定义
Figure 891578DEST_PATH_IMAGE013
，
Figure 100002_DEST_PATH_IMAGE031
，
Figure 400182DEST_PATH_IMAGE015
，
Figure 283825DEST_PATH_IMAGE032
，然后计算得到
Figure 100002_DEST_PATH_IMAGE033
，
Figure 288690DEST_PATH_IMAGE018
，
Figure 461045DEST_PATH_IMAGE034
，
Figure 412821DEST_PATH_IMAGE035
，
Figure 682128DEST_PATH_IMAGE036
；
303、计算
Figure 825271DEST_PATH_IMAGE037
，然后计算数据采集节点之间的灰色综合关联关系
Figure DEST_PATH_IMAGE038
，
Figure 16081DEST_PATH_IMAGE039
，0.4≤
Figure 771547DEST_PATH_IMAGE040
≤0.6，
Figure 364203DEST_PATH_IMAGE041
；
重复步骤三，即可分别计算得到任意两个数据采集节点之间的灰色综合关联关系；
步骤四、建立各数据采集节点之间的直接关系矩阵Y，
Figure 976450DEST_PATH_IMAGE042
，
然后计算标准化矩阵G，
Figure 920135DEST_PATH_IMAGE043
，
然后计算数据采集节点之间的相互影响矩阵Z，
Figure 479292DEST_PATH_IMAGE044
，其中E为单位矩阵；
步骤五、计算
Figure 100002_DEST_PATH_IMAGE045
，然后计算各数据采集节点的最终重要度
Figure 427919DEST_PATH_IMAGE046
，
Figure 100002_DEST_PATH_IMAGE047
，
Figure 945488DEST_PATH_IMAGE048
，0.4≤
Figure DEST_PATH_IMAGE049
≤0.6；
重复步骤五，即可计算得到所有数据采集节点的最终重要度；
步骤六、根据所有数据采集节点的最终重要度，筛选出数据采集关键节点。
优选的，步骤一中，如果所有数据的量纲不完全相同，则进行数据规范化处理，将所有节点数据和决策数据规范化至同一个无量纲区间，然后再组成决策矩阵AT。
优选的，步骤二中，
Figure 110890DEST_PATH_IMAGE024
=0.5。
优选的，步骤三中，
Figure 208159DEST_PATH_IMAGE040
=0.5。
优选的，步骤五中，
Figure 40986DEST_PATH_IMAGE049
=0.5。
优选的，步骤六中，将所有数据采集节点的最终重要度分别与阈值t进行比较，当
Figure 198298DEST_PATH_IMAGE050
，时，将
Figure 319837DEST_PATH_IMAGE001
对应的数据采集节点确定为数据采集关键节点。
优选的，步骤六中，将所有数据采集节点的最终重要度根据大小进行排序，并根据所需关键节点的数量从大到小确定数据采集关键节点。
根据上述技术方案，本发明的有益效果是：
1、本发明从制造型企业实际出发，提出了一种数据采集关键节点的筛选方法，减少决策过程中考虑的数据数量，可以降低数据交换成本及决策复杂度。
2、本发明基于决策数据确定各数据采集节点的重要性，整个过程没有决策者的主观因素参与，因此关键节点的筛选结果是客观的，能够保证筛选过程的正确性。
具体实施方式
本发明提供了一种数据采集关键节点的筛选方法，用于对n个数据采集节点中的关键节点进行筛选，包括以下步骤：
步骤一、建立决策矩阵
对n个数据采集节点进行m次数据采集，得到n组数据个数均为m的节点数据，并获得一组与m次数据采集分别对应的数据个数为m的决策数据；
定义节点数据组为
Figure 220797DEST_PATH_IMAGE001
，决策数据组为d，节点数据为
Figure 430103DEST_PATH_IMAGE002
，决策数据为
Figure 758316DEST_PATH_IMAGE003
，其中i为1～n的整数，k为1～m的整数，如果所有数据的量纲不完全相同，则进行数据规范化处理，将所有节点数据和决策数据规范化至同一个无量纲区间，然后将所有节点数据和决策数据组成决策矩阵AT，如式（1）所示，
Figure 101573DEST_PATH_IMAGE004
式（1）。
步骤二、计算各数据采集节点的初始重要度
201、定义
Figure 71803DEST_PATH_IMAGE005
，
Figure 613643DEST_PATH_IMAGE006
，然后根据式（2）、（3）、（4）、（5）计算得到
Figure 316020DEST_PATH_IMAGE007
，
Figure 943310DEST_PATH_IMAGE008
式（2），
Figure 451652DEST_PATH_IMAGE009
式（3），
Figure 847998DEST_PATH_IMAGE010
式（4），
Figure 721276DEST_PATH_IMAGE011
式（5）。
202、定义
Figure 835863DEST_PATH_IMAGE012
，
Figure 383781DEST_PATH_IMAGE013
，
Figure 900213DEST_PATH_IMAGE014
，
Figure 944392DEST_PATH_IMAGE015
，然后根据式（6）、（7）、（8）、（9）计算得到
Figure 811854DEST_PATH_IMAGE016
，
Figure 396419DEST_PATH_IMAGE017
式（6），
Figure 970620DEST_PATH_IMAGE018
式（7），
Figure 982438DEST_PATH_IMAGE019
式（8），
Figure 71617DEST_PATH_IMAGE020
式（9）。
203、计算
Figure 663136DEST_PATH_IMAGE021
，然后根据式（10）、（11）计算数据采集节点的初始重要度
Figure 888581DEST_PATH_IMAGE022
，
Figure 336879DEST_PATH_IMAGE023
式（10），
式（10）中，0.4≤
Figure 411889DEST_PATH_IMAGE024
≤0.6，
Figure 541519DEST_PATH_IMAGE024
优先取0.5，
Figure 887050DEST_PATH_IMAGE025
式（11）；
重复步骤二，即可计算得到所有数据采集节点的初始重要度。
步骤三、计算各数据采集节点之间的灰色综合关联关系
301、定义
Figure 506250DEST_PATH_IMAGE006
，
Figure 507704DEST_PATH_IMAGE026
，其中j为1～n的整数且j不等于i，然后根据式（3）、（12）、（13）、（14）计算得到
Figure 237763DEST_PATH_IMAGE027
，
Figure 437800DEST_PATH_IMAGE009
式（3），
Figure 431164DEST_PATH_IMAGE028
式（12），
Figure 982231DEST_PATH_IMAGE029
式（13），
Figure 250401DEST_PATH_IMAGE030
式（14）。
302、定义
Figure 508207DEST_PATH_IMAGE013
，
Figure 469210DEST_PATH_IMAGE031
，
Figure 743459DEST_PATH_IMAGE015
，
Figure 18582DEST_PATH_IMAGE032
，然后根据式（7）、（15）、（16）、（17）计算得到
Figure 193212DEST_PATH_IMAGE033
，
Figure 325116DEST_PATH_IMAGE018
式（7），
Figure 788458DEST_PATH_IMAGE034
式（15），
Figure 664010DEST_PATH_IMAGE035
式（16），
Figure 693146DEST_PATH_IMAGE036
式（17）。
303、计算
Figure 933635DEST_PATH_IMAGE037
，然后根据式（18）、（19）计算数据采集节点之间的灰色综合关联关系
Figure 946590DEST_PATH_IMAGE038
，
Figure 563516DEST_PATH_IMAGE039
式（18），
式（18）中，0.4≤
Figure 712738DEST_PATH_IMAGE040
≤0.6，
Figure 186444DEST_PATH_IMAGE040
优先取0.5，
Figure 358800DEST_PATH_IMAGE041
式（19）；
重复步骤三，即可分别计算得到任意两个数据采集节点之间的灰色综合关联关系。
步骤四、建立各数据采集节点之间的直接关系矩阵Y，如式（20）所示，
Figure 74690DEST_PATH_IMAGE042
式（20），
然后根据式（21）计算标准化矩阵G，
Figure 78418DEST_PATH_IMAGE043
式（21），
然后根据式（22）计算数据采集节点之间的相互影响矩阵Z，
Figure 660709DEST_PATH_IMAGE044
式（22），其中E为单位矩阵。
步骤五、根据式（23）计算
Figure 382677DEST_PATH_IMAGE045
，然后根据式（24）计算各数据采集节点的最终重要度
Figure 341406DEST_PATH_IMAGE046
，
Figure 199640DEST_PATH_IMAGE047
式（23），
Figure 280729DEST_PATH_IMAGE048
式（24），
式（24）中，0.4≤
Figure 427676DEST_PATH_IMAGE049
≤0.6，
Figure 986834DEST_PATH_IMAGE049
优先取0.5；
重复步骤五，即可计算得到所有数据采集节点的最终重要度。
步骤六、根据所有数据采集节点的最终重要度，筛选出数据采集关键节点，可根据实际情况，采用以下两种方法中的任一种：
1、将所有数据采集节点的最终重要度分别与阈值t进行比较，当
Figure 699575DEST_PATH_IMAGE050
，时，将
Figure 889248DEST_PATH_IMAGE001
对应的数据采集节点确定为数据采集关键节点。
2、将所有数据采集节点的最终重要度根据大小进行排序，并根据所需关键节点的数量从大到小确定数据采集关键节点。
实施例：
步骤一：对9个数据采集节点进行10次数据采集，得到9组数据个数均为10的节点数据，并获得一组与10次数据采集分别对应的数据个数为10的决策数据，然后建立决策矩阵AT，
Figure 585808DEST_PATH_IMAGE051
步骤二：
根据式（2）可得：
Figure 184542DEST_PATH_IMAGE052
根据式（3）可得：
Figure 955052DEST_PATH_IMAGE053
根据式（4）和式（5）可得：
Figure DEST_PATH_IMAGE055
根据式（6）可得：
Figure 112364DEST_PATH_IMAGE056
根据式（7）可得：
Figure DEST_PATH_IMAGE057
根据式（8）和式（9）可得：
Figure 827379DEST_PATH_IMAGE059
根据式（10）可得：
Figure DEST_PATH_IMAGE061
根据式（11）可得：
Figure 197181DEST_PATH_IMAGE063
步骤三：
各数据采集节点之间的灰色综合关联关系计算结果如下表所示：
Figure 150093DEST_PATH_IMAGE065
步骤四：
根据式（20）可得：
Figure 681569DEST_PATH_IMAGE067
根据式（21）可得：
Figure 87142DEST_PATH_IMAGE069
根据式（22）可得：
Figure 995055DEST_PATH_IMAGE071
步骤五：
根据式（23）可得：
Figure DEST_PATH_IMAGE073
根据式（24）可得：
Figure 832168DEST_PATH_IMAGE075
步骤六：
方法一：如果令阈值t=0.11，则重要度大于该阈值的关键节点为{a1, a2, a4,a9}；
方法二：重要度从大到小的排序为：
a4＞a9＞a2＞a1＞a3＞a7＞a5＞a8＞a6，
根据所需关键节点的数量从大到小确定数据采集关键节点，如当需要四个数据采集关键节点时，关键节点为{ a4, a9, a2, a1}。

Claims (7)

1.一种数据采集关键节点的筛选方法，用于对n个数据采集节点中的关键节点进行筛选，其特征在于，包括以下步骤：
步骤一、建立决策矩阵
对n个数据采集节点进行m次数据采集，得到n组数据个数均为m的节点数据，并获得一组与m次数据采集分别对应的数据个数为m的决策数据；
定义节点数据组为
Figure DEST_PATH_IMAGE001
，决策数据组为d，节点数据为
Figure 959683DEST_PATH_IMAGE002
，决策数据为
Figure DEST_PATH_IMAGE003
，其中i为1～n的整数，k为1～m的整数，将所有节点数据和决策数据组成决策矩阵AT，
Figure 142402DEST_PATH_IMAGE004
；
步骤二、计算各数据采集节点的初始重要度
201、定义
Figure DEST_PATH_IMAGE005
，
Figure 453298DEST_PATH_IMAGE006
，然后计算得到
Figure 881130DEST_PATH_IMAGE007
，
Figure DEST_PATH_IMAGE008
，
Figure 23399DEST_PATH_IMAGE009
，
Figure DEST_PATH_IMAGE010
，
Figure 111441DEST_PATH_IMAGE011
；
202、定义
Figure DEST_PATH_IMAGE012
，
Figure 909632DEST_PATH_IMAGE013
，
Figure 639691DEST_PATH_IMAGE014
，
Figure 105307DEST_PATH_IMAGE015
，然后计算得到
Figure 833092DEST_PATH_IMAGE016
，
Figure 118580DEST_PATH_IMAGE017
，
Figure DEST_PATH_IMAGE018
，
Figure 705460DEST_PATH_IMAGE019
，
Figure DEST_PATH_IMAGE020
；
203、计算
Figure 494425DEST_PATH_IMAGE021
，然后计算数据采集节点的初始重要度
Figure DEST_PATH_IMAGE022
，
Figure 455428DEST_PATH_IMAGE023
，0.4≤
Figure DEST_PATH_IMAGE024
≤0.6，
Figure 24949DEST_PATH_IMAGE025
；
重复步骤二，即可计算得到所有数据采集节点的初始重要度；
步骤三、计算各数据采集节点之间的灰色综合关联关系
301、定义
Figure 831231DEST_PATH_IMAGE006
，
Figure 209123DEST_PATH_IMAGE026
，其中j为1～n的整数且j不等于i，然后计算得到
Figure 75448DEST_PATH_IMAGE027
，
Figure 102572DEST_PATH_IMAGE009
，
Figure 915807DEST_PATH_IMAGE028
，
Figure 944943DEST_PATH_IMAGE029
，
Figure 513327DEST_PATH_IMAGE030
；
302、定义
Figure 995124DEST_PATH_IMAGE013
，
Figure DEST_PATH_IMAGE031
，
Figure 143209DEST_PATH_IMAGE015
，
Figure 292431DEST_PATH_IMAGE032
，然后计算得到
Figure DEST_PATH_IMAGE033
，
Figure 500558DEST_PATH_IMAGE018
，
Figure 735230DEST_PATH_IMAGE034
，
Figure 185541DEST_PATH_IMAGE035
，
Figure 392531DEST_PATH_IMAGE036
；
303、计算
Figure 37139DEST_PATH_IMAGE037
，然后计算数据采集节点之间的灰色综合关联关系
Figure 759108DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE039
，0.4≤
Figure 248995DEST_PATH_IMAGE040
≤0.6，
Figure 107229DEST_PATH_IMAGE041
；
重复步骤三，即可分别计算得到任意两个数据采集节点之间的灰色综合关联关系；
步骤四、建立各数据采集节点之间的直接关系矩阵Y，
Figure 922739DEST_PATH_IMAGE042
，
然后计算标准化矩阵G，
Figure DEST_PATH_IMAGE043
，
然后计算数据采集节点之间的相互影响矩阵Z，
Figure 600845DEST_PATH_IMAGE044
，其中E为单位矩阵；
步骤五、计算
Figure DEST_PATH_IMAGE045
，然后计算各数据采集节点的最终重要度
Figure 160002DEST_PATH_IMAGE046
，
Figure DEST_PATH_IMAGE047
，
Figure 170946DEST_PATH_IMAGE048
，0.4≤
Figure 891777DEST_PATH_IMAGE049
≤0.6；
重复步骤五，即可计算得到所有数据采集节点的最终重要度；
步骤六、根据所有数据采集节点的最终重要度，筛选出数据采集关键节点。
2.根据权利要求1所述的一种数据采集关键节点的筛选方法，其特征在于：步骤一中，如果所有数据的量纲不完全相同，则进行数据规范化处理，将所有节点数据和决策数据规范化至同一个无量纲区间，然后再组成决策矩阵AT。
3.根据权利要求1所述的一种数据采集关键节点的筛选方法，其特征在于：步骤二中，
Figure 526021DEST_PATH_IMAGE024
=0.5。
4.根据权利要求1所述的一种数据采集关键节点的筛选方法，其特征在于：步骤三中，
Figure 623290DEST_PATH_IMAGE040
=0.5。
5.根据权利要求1所述的一种数据采集关键节点的筛选方法，其特征在于：步骤五中，
Figure 721696DEST_PATH_IMAGE049
=0.5。
6.根据权利要求1所述的一种数据采集关键节点的筛选方法，其特征在于：步骤六中，将所有数据采集节点的最终重要度分别与阈值t进行比较，当
Figure 613428DEST_PATH_IMAGE050
，时，将
Figure 734968DEST_PATH_IMAGE001
对应的数据采集节点确定为数据采集关键节点。
7.根据权利要求1所述的一种数据采集关键节点的筛选方法，其特征在于：步骤六中，将所有数据采集节点的最终重要度根据大小进行排序，并根据所需关键节点的数量从大到小确定数据采集关键节点。
CN202110644211.9A 2021-06-09 2021-06-09 一种数据采集关键节点的筛选方法 Active CN113239250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110644211.9A CN113239250B (zh) 2021-06-09 2021-06-09 一种数据采集关键节点的筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110644211.9A CN113239250B (zh) 2021-06-09 2021-06-09 一种数据采集关键节点的筛选方法

Publications (2)

Publication Number Publication Date
CN113239250A true CN113239250A (zh) 2021-08-10
CN113239250B CN113239250B (zh) 2022-09-02

Family

ID=77139381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110644211.9A Active CN113239250B (zh) 2021-06-09 2021-06-09 一种数据采集关键节点的筛选方法

Country Status (1)

Country Link
CN (1) CN113239250B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861655A (zh) * 2023-02-15 2023-03-28 中建电子信息技术有限公司 一种基于施工大数据的ai辅助决策和管理优化服务系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160011776A (ko) * 2014-07-22 2016-02-02 성균관대학교산학협력단 다중 의사 결정 문제 해결을 위한 계층적 분석 기법, 회색수 및 엔트로피 기반의 해법 연산 방법
CN107482626A (zh) * 2017-08-17 2017-12-15 广东电网有限责任公司惠州供电局 一种区域电网关键节点识别方法
CN111198891A (zh) * 2019-12-05 2020-05-26 国网甘肃省电力公司电力科学研究院 数据源融合方法、电子设备及非暂态计算机可读存储介质
CN112036733A (zh) * 2020-08-27 2020-12-04 中国民航大学 一种民航关键业务节点识别方法
CN112040002A (zh) * 2020-09-07 2020-12-04 广东电网有限责任公司电力调度控制中心 一种基于配电云平台的数据融合方法、装置及设备
CN112053088A (zh) * 2020-09-24 2020-12-08 华中科技大学 一种配电网节点脆弱性评价方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160011776A (ko) * 2014-07-22 2016-02-02 성균관대학교산학협력단 다중 의사 결정 문제 해결을 위한 계층적 분석 기법, 회색수 및 엔트로피 기반의 해법 연산 방법
CN107482626A (zh) * 2017-08-17 2017-12-15 广东电网有限责任公司惠州供电局 一种区域电网关键节点识别方法
CN111198891A (zh) * 2019-12-05 2020-05-26 国网甘肃省电力公司电力科学研究院 数据源融合方法、电子设备及非暂态计算机可读存储介质
CN112036733A (zh) * 2020-08-27 2020-12-04 中国民航大学 一种民航关键业务节点识别方法
CN112040002A (zh) * 2020-09-07 2020-12-04 广东电网有限责任公司电力调度控制中心 一种基于配电云平台的数据融合方法、装置及设备
CN112053088A (zh) * 2020-09-24 2020-12-08 华中科技大学 一种配电网节点脆弱性评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何铭等: "基于多属性决策的电力网络关键节点识别", 《复杂系统与复杂性科学》 *
刘琳岚 等: "" 基于多属性决策的机会传感器网络关键节点预测"", 《计算机研究与发展》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861655A (zh) * 2023-02-15 2023-03-28 中建电子信息技术有限公司 一种基于施工大数据的ai辅助决策和管理优化服务系统

Also Published As

Publication number Publication date
CN113239250B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN107590247B (zh) 一种基于群体知识诊断的智能组卷方法
CN104462184B (zh) 一种基于双向抽样组合的大规模数据异常识别方法
Olson Comparison of weights in TOPSIS models
CN109344845B (zh) 一种基于Triplet深度神经网络结构的特征匹配方法
CN110837566B (zh) 一种针对cnc机床故障诊断的知识图谱的动态构建方法
EP4080429A1 (en) Technology readiness level determination method and system based on science and technology big data
CN113239250B (zh) 一种数据采集关键节点的筛选方法
CN111401573A (zh) 一种工况状态建模与修正模型方法
CN108363902A (zh) 一种致病遗传变异的精确预测方法
CN108304476A (zh) 一种基于不确定数据表的用户画像数据整合方法及系统
CN111079856A (zh) 一种基于csjitl-rvm的多时段间歇过程软测量建模方法
CN113641733B (zh) 一种河道断面流量实时智能推求方法
CN111667156A (zh) 一种多点生产的卷烟物理质量一致性评价的方法
CN114200245A (zh) 一种配电网的线损异常识别模型的构建方法
CN107728476B (zh) 一种基于SVM-forest的从非平衡类数据中提取敏感数据的方法
CN113761450A (zh) 一种基于修正区间模糊Shapley值的PPP项目利益分配方法
CN115116616A (zh) 基于组内组间优化的多重插补的乳腺癌缺失数据插补模型
CN112738724B (zh) 一种区域目标人群的精准识别方法、装置、设备和介质
CN111860631B (zh) 一种采用错因强化方式优化损失函数的物品识别方法
CN110222382B (zh) 一种飞机坐标系优化拟合方法
CN111144910B (zh) 基于模糊熵均值阴影集的招投标“串标、陪标”对象推荐方法及装置
CN114529739A (zh) 一种图像匹配方法
CN116933894B (zh) 一种基于抑郁症的小样本机器学习方法
CN109284478B (zh) 一种估计对数正态型单元可靠性参数的方法
TWI652481B (zh) 檢測微生物抗藥性方法

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
GR01 Patent grant
GR01 Patent grant