CN113240076B - 一种基于聚类和神经网络算法的钟差异常数据检测方法 - Google Patents
一种基于聚类和神经网络算法的钟差异常数据检测方法 Download PDFInfo
- Publication number
- CN113240076B CN113240076B CN202110456451.6A CN202110456451A CN113240076B CN 113240076 B CN113240076 B CN 113240076B CN 202110456451 A CN202110456451 A CN 202110456451A CN 113240076 B CN113240076 B CN 113240076B
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- clock
- clock difference
- clock error
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 89
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims description 9
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 10
- 230000007787 long-term memory Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开一种基于聚类和神经网络算法的钟差异常数据检测方法,在一具体实施方式中,该方法包括:S10、获取历史钟差数据,包括钟差正常数据和钟差异常数据,对获取的历史钟差数据进行预处理,得到密度聚类算法所需数据格式;S20、对历史钟差数据进行密度聚类,得到带有标签的钟差正常数据和钟差异常数据;S40、将待判断的钟差数据输入到训练好的LSTM模型,得到钟差数据中的具体异常值并进行修正。该实施方式采用结合密度聚类算法和长短期记忆神经网络LSTM的方法来解决异常数据问题,可有效探测比对数据的异常情况并准确定位,修正后的数据可应用于守时工作。
Description
技术领域
本发明涉及钟差数据检测技术领域,更具体地,涉及一种基于聚类和神经网络算法的钟差异常数据检测方法、装置、存储介质和计算机设备。
背景技术
可靠的钟差数据是进行钟性能分析,开展守时工作的前提和基础,在守时系统中,由于受到系统断电、钟失锁、线路热噪声、器件老化等诸多外界因素的影响,钟差测量采集系统获取的钟差数据会出现异常情况,比如:数据缺失、错误数据、相位跳变等。存在异常的原子钟钟差数据并不能真实反映原子钟性能,无法应用于守时系统的时间尺度计算。因此开展原子钟钟差数据异常处理方法研究具有十分重要的意义。
发明内容
本发明的一个目的在于提供一种基于聚类和神经网络算法的钟差异常数据检测方法、装置、存储介质和计算机设备。
为达到上述目的,本发明采用下述技术方案:
本发明第一方面提供一种基于聚类和神经网络算法的钟差异常数据检测方法,包括:
S10、获取历史钟差数据,包括钟差正常数据和钟差异常数据,对获取的历史钟差数据进行预处理,得到密度聚类算法所需数据格式;
S20、对历史钟差数据进行密度聚类,得到带有标签的钟差正常数据和钟差异常数据;
S40、将待判断的钟差数据输入到训练好的LSTM模型,得到钟差数据中的具体异常值并进行修正。
在一个具体示例中,在步骤S40之前还包括:
S30、构建长短期记忆神经网络LSTM模型,将带有标签的钟差异常数据作为所述LSTM模型的时序输入,设置一天中的采样点个数s,LSTM模型的最优输入神经元个数为n,最优输出神经元个数为1,其中s至少大于100的n,得到所述训练好的LSTM模型。
在一个具体示例中,所述S20包括:
S201、利用欧式距离计算所述历史钟差数据点间的欧几里德距离;
S202、计算每个样本点的距离曲线突变的距离,并输出排序后的距离;
S203、标出变化最大的点;
S204、选取合适输入参数半径;
S205、利用输入参数半径和输入邻域点阈值找到所有核心点;
S206、找到密度可达的核心点,并入集合,对于不可达的点即为异常点;
S207、将密度相连的核心点及其邻域点放到起,形成一个簇,即带有标签的钟差正常数据;
S208、剩余部分数据为钟差异常数据。
在一个具体示例中,所述S30包括:
S301、初始化LSTM,根据LSTM前向计算和反向传播算法,初始化钟差异常数据的矩阵和向量;
S302、通过前向传播forward算法计算长短期记忆LSTM的前向传播;
S303、通过反向传播backword算法计算长短期记忆LSTM的反向传播;
S304、按照梯度下降规则,更新LSTM模型整体各中元权重。
在一个具体示例中,所述S40包括:
S401、将待判断的钟差数据输入到训练好的LSTM模型,得到该钟差数据的LSTM模型的预测值;
S402、对待判断的钟差数据点对应的实测值进行判断,若超出阈值,则判断该钟差数据为异常值,输出异常值及其所在序列位置;
S403、LSTM模型的预测值作为修正值,对判断钟差数据为异常值的数据进行修正,保存修正后的数据信息。
本发明第二方面提供一种基于聚类和神经网络算法的钟差异常数据检测装置,包括:
获取单元,用于获取历史钟差数据,包括钟差正常数据和钟差异常数据,对获取的历史钟差数据进行预处理,得到密度聚类算法所需数据格式;
密度聚类单元,用于对历史钟差数据进行密度聚类,得到带有标签的钟差正常数据和钟差异常数据;
LSTM模型,用于接收待判断的钟差数据,得到钟差数据中的具体异常值并进行修正。
本发明第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明第一方面所述的检测方法。
本发明第四方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明第一方面所述的检测方法。
本发明的有益效果如下:
本发明所述技术方案,采用结合密度聚类算法和长短期记忆神经网络LSTM的方法来解决异常数据问题,利用密度聚类算法对钟差数据进行异常值初始识别,再利用长短期记忆神经网络LSTM模型对异常值进行精准识别并修正,可有效探测比对数据的异常情况并准确定位,修正后的数据可应用于守时工作。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明实施例提供的基于聚类和神经网络算法的钟差异常数据检测方法的流程图。
图2示出本发明实施例提供的基于聚类和神经网络算法的钟差异常数据检测装置的示意图。
图3示出计算机系统的结构示意图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
如图1所示,本发明实施例提供一种基于聚类和神经网络算法的钟差异常数据检测方法,包括以下步骤:
S10、获取历史钟差数据,包括钟差正常数据和钟差异常数据,对获取的历史钟差数据进行预处理,得到密度聚类算法所需数据格式。
在一个具体示例中,利用守时系统来采集一年的数据,包括日期和钟差数据。
S20、对历史钟差数据进行密度聚类,得到带有标签的钟差正常数据和钟差异常数据。
在一种具体的实施方式中,所述S20包括:
S201、利用欧式距离计算所述历史钟差数据点间的欧几里德距离;
S202、计算每个样本点的距离曲线突变的距离,并输出排序后的距离;
S203、标出变化最大的点;
S204、选取合适输入参数半径;
S205、利用输入参数半径和输入邻域点阈值找到所有核心点;
S206、找到密度可达的核心点,并入集合,对于不可达的点即为异常点;
S207、将密度相连的核心点及其邻域点放到起,形成一个簇,即带有标签的钟差正常数据
S208、剩余部分数据为钟差异常数据。
S30、构建长短期记忆神经网络LSTM模型,将带有标签的钟差异常数据作为所述LSTM模型的时序输入,设置一天中的采样点个数s,LSTM模型的最优输入神经元个数为n,最优输出神经元个数为1,其中s至少大于100的n,得到训练好的LSTM模型。
在一种具体的实施方式中,所述S30包括:
S301、初始化LSTM,根据LSTM前向计算和反向传播算法,初始化钟差异常数据的矩阵和向量;
S302、通过前向传播forward算法计算长短期记忆LSTM的前向传播;
S303、通过反向传播backword算法计算长短期记忆LSTM的反向传播;
S304、按照梯度下降规则,更新LSTM模型整体各中元权重。
S40、将待判断的钟差数据输入到训练好的LSTM模型,得到钟差数据中的具体异常值并进行修正。
在一种具体的实施方式中,所述S40包括:
S401、将待判断的钟差数据输入到训练好的LSTM模型,得到该钟差数据的LSTM模型的预测值;
S402、对待判断的钟差数据点对应的实测值进行判断,若超出阈值,则判断该钟差数据为异常值,输出异常值及其所在序列位置;
S403、LSTM模型的预测值作为修正值,对判断钟差数据为异常值的数据进行修正,保存修正后的数据信息。
本发明实施例提供的基于聚类和神经网络算法的钟差异常数据检测方法,采用结合密度聚类算法和长短期记忆神经网络LSTM的方法来解决异常数据问题,利用密度聚类算法对钟差数据进行异常值初始识别,再利用长短期记忆神经网络LSTM模型对异常值进行精准识别并修正,可有效探测比对数据的异常情况并准确定位,修正后的数据可应用于守时工作。
如图2所示,本发明的另一个实施例提供了一种基于聚类和神经网络算法的钟差异常数据检测装置,包括:
获取单元,用于获取历史钟差数据,包括钟差正常数据和钟差异常数据,对获取的历史钟差数据进行预处理,得到密度聚类算法所需数据格式;
密度聚类单元,用于对历史钟差数据进行密度聚类,得到带有标签的钟差正常数据和钟差异常数据;
LSTM模型,用于接收待判断的钟差数据,得到钟差数据中的具体异常值并进行修正。
需要说明的是,本实施例提供的基于聚类和神经网络算法的钟差异常数据检测装置的原理及工作流程与上述基于聚类和神经网络算法的钟差异常数据检测方法相似,相关之处可以参照上述说明,在此不再赘述。
如图3所示,适于用来实现上述实施例提供的基于聚类和神经网络算法的钟差异常数据检测方法的计算机系统,包括中央处理模块(CPU),其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有计算机系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线被此相连。输入/输入(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地,根据本实施例,上文流程图描述的过程可以被实现为计算机软件程序。例如,本实施例包括一种计算机程序产品,其包括有形地包含在计算机可读介质上的计算机程序,上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。
附图中的流程图和示意图,图示了本实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或示意图中的每个方框可以代表一个模块、程序段或代码的一部分,上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本实施例还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质,也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当上述一个或者多个程序被一个设备执行时,使得上述设备:
S10、获取历史钟差数据,包括钟差正常数据和钟差异常数据,对获取的历史钟差数据进行预处理,得到密度聚类算法所需数据格式;
S20、对历史钟差数据进行密度聚类,得到带有标签的钟差正常数据和钟差异常数据;
S30、构建长短期记忆神经网络LSTM模型,将带有标签的钟差异常数据作为所述LSTM模型的时序输入,设置一天中的采样点个数s,LSTM模型的最优输入神经元个数为n,最优输出神经元个数为1,其中s至少大于100的n,得到训练好的LSTM模型;
S40、将待判断的钟差数据输入到训练好的LSTM模型,得到钟差数据中的具体异常值并进行修正。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (7)
1.一种基于聚类和神经网络算法的钟差异常数据检测方法,其特征在于,包括:
S10、获取历史钟差数据,包括钟差正常数据和钟差异常数据,对获取的历史钟差数据进行预处理,得到密度聚类算法所需数据格式;
S20、对历史钟差数据进行密度聚类,得到带有标签的钟差正常数据和钟差异常数据;
S40、将待判断的钟差数据输入到训练好的LSTM模型,得到钟差数据中的具体异常值并进行修正;
所述S20包括:
S201、利用欧式距离计算所述历史钟差数据点间的欧几里德距离;
S202、计算每个样本点的距离曲线突变的距离,并输出排序后的距离;
S203、标出变化最大的点;
S204、选取合适输入参数半径;
S205、利用输入参数半径和输入邻域点阈值找到所有核心点;
S206、找到密度可达的核心点,并入集合,对于不可达的点即为异常点;
S207、将密度相连的核心点及其邻域点放到起,形成一个簇,即带有标签的钟差正常数据;
S208、剩余部分数据为钟差异常数据。
2.根据权利要求1所述的方法,其特征在于,在步骤S40之前还包括:
S30、构建长短期记忆神经网络LSTM模型,将带有标签的钟差异常数据作为所述LSTM模型的时序输入,设置一天中的采样点个数s,LSTM模型的输入神经元个数为n,输出神经元个数为1,其中s至少大于100倍的n,得到所述训练好的LSTM模型。
3.根据权利要求2所述的方法,其特征在于,所述S30包括:
S301、初始化LSTM,根据LSTM前向计算和反向传播算法,初始化钟差异常数据的矩阵和向量;
S302、通过前向传播forward算法计算长短期记忆LSTM的前向传播;
S303、通过反向传播backword算法计算长短期记忆LSTM的反向传播;
S304、按照梯度下降规则,更新LSTM模型整体各中元权重。
4.根据权利要求1所述的方法,其特征在于,所述S40包括:
S401、将待判断的钟差数据输入到训练好的LSTM模型,得到该钟差数据的LSTM模型的预测值;
S402、对待判断的钟差数据点对应的实测值进行判断,若超出阈值,则判断该钟差数据为异常值,输出异常值及其所在序列位置;
S403、LSTM模型的预测值作为修正值,对判断钟差数据为异常值的数据进行修正,保存修正后的数据信息。
5.一种基于聚类和神经网络算法的钟差异常数据检测装置,其特征在于,包括:
获取单元,用于获取历史钟差数据,包括钟差正常数据和钟差异常数据,对获取的历史钟差数据进行预处理,得到密度聚类算法所需数据格式;
密度聚类单元,用于对历史钟差数据进行密度聚类,得到带有标签的钟差正常数据和钟差异常数据;
LSTM模型,用于接收待判断的钟差数据,得到钟差数据中的具体异常值并进行修正;
所述用于对历史钟差数据进行密度聚类,得到带有标签的钟差正常数据和钟差异常数据包括:利用欧式距离计算所述历史钟差数据点间的欧几里德距离;计算每个样本点的距离曲线突变的距离,并输出排序后的距离;标出变化最大的点;选取合适输入参数半径;利用输入参数半径和输入邻域点阈值找到所有核心点;找到密度可达的核心点,并入集合,对于不可达的点即为异常点;将密度相连的核心点及其邻域点放到起,形成一个簇,即带有标签的钟差正常数据;剩余部分数据为钟差异常数据。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一项所述的检测方法。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一项所述的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456451.6A CN113240076B (zh) | 2021-04-27 | 2021-04-27 | 一种基于聚类和神经网络算法的钟差异常数据检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456451.6A CN113240076B (zh) | 2021-04-27 | 2021-04-27 | 一种基于聚类和神经网络算法的钟差异常数据检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240076A CN113240076A (zh) | 2021-08-10 |
CN113240076B true CN113240076B (zh) | 2023-11-28 |
Family
ID=77129453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110456451.6A Active CN113240076B (zh) | 2021-04-27 | 2021-04-27 | 一种基于聚类和神经网络算法的钟差异常数据检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240076B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819932B (zh) * | 2023-08-31 | 2023-12-01 | 湖南时空信安科技有限公司 | 原子钟驾驭参数确定方法、装置、终端设备及存储介质 |
CN117687474A (zh) * | 2023-11-28 | 2024-03-12 | 中国地质大学(武汉) | 一种基于LFA-BiLSTM模型的星载原子钟差短期预报方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570024A (zh) * | 2014-12-22 | 2015-04-29 | 中国科学院国家授时中心 | 北斗天基高精度实时定位方法 |
CN104679989A (zh) * | 2015-01-27 | 2015-06-03 | 北京工业大学 | 一种基于改进型bp神经网络的氢原子钟钟差预测方法 |
CN107941324A (zh) * | 2017-10-08 | 2018-04-20 | 天津大学 | 一种消费级惯性传感单元环境噪声的估计方法 |
CN111275090A (zh) * | 2020-01-16 | 2020-06-12 | 山东大学 | 一种新型gnss超快速钟差预报方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11157782B2 (en) * | 2017-11-16 | 2021-10-26 | International Business Machines Corporation | Anomaly detection in multidimensional time series data |
-
2021
- 2021-04-27 CN CN202110456451.6A patent/CN113240076B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570024A (zh) * | 2014-12-22 | 2015-04-29 | 中国科学院国家授时中心 | 北斗天基高精度实时定位方法 |
CN104679989A (zh) * | 2015-01-27 | 2015-06-03 | 北京工业大学 | 一种基于改进型bp神经网络的氢原子钟钟差预测方法 |
CN107941324A (zh) * | 2017-10-08 | 2018-04-20 | 天津大学 | 一种消费级惯性传感单元环境噪声的估计方法 |
CN111275090A (zh) * | 2020-01-16 | 2020-06-12 | 山东大学 | 一种新型gnss超快速钟差预报方法 |
Non-Patent Citations (1)
Title |
---|
孙霞 ; 袁媛 ; 张然 ; 王超 ; 杨嘉明.《遗传算法优化BP神经网络在搬运钟时间同步中的应用》.《 第十一届中国卫星导航年会论文集》.2020,第1-5页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113240076A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113240076B (zh) | 一种基于聚类和神经网络算法的钟差异常数据检测方法 | |
US10747637B2 (en) | Detecting anomalous sensors | |
US11200511B1 (en) | Adaptive sampling of training data for machine learning models based on PAC-bayes analysis of risk bounds | |
US11650557B2 (en) | Learning apparatus, learning method, computer readable medium having recorded thereon learning program, determination apparatus, determination method, and computer readable medium having recorded thereon determination program | |
US20230297243A1 (en) | Method and apparatus for predicting service life of solid-state disk, and computer-readable storage medium | |
CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
CN113723618A (zh) | 一种shap的优化方法、设备及介质 | |
CN113515399A (zh) | 数据异常检测方法及装置 | |
CN110909804B (zh) | 基站异常数据的检测方法、装置、服务器和存储介质 | |
CN114726581B (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
US20150213373A1 (en) | Detecting deviations between event log and process model | |
CN114564345A (zh) | 一种服务器异常检测方法、装置、设备及存储介质 | |
CN112882898B (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
CN115359203B (zh) | 一种三维高精度地图生成方法、系统及云平台 | |
CN112347813A (zh) | 高信噪比时间序列的基线检测方法、设备及存储介质 | |
CN110991774A (zh) | 一种电量负荷预测方法及装置 | |
CN110737646A (zh) | 数据标注方法、装置、设备及可读存储介质 | |
US20230022253A1 (en) | Fast and accurate prediction methods and systems based on analytical models | |
CN111475641B (zh) | 一种数据抽取方法、装置、存储介质及设备 | |
CN110970080B (zh) | 训练人工智能估测存储装置的感测电压的方法 | |
CN111352754B (zh) | 一种数据存储检错纠错方法及数据存储装置 | |
CN113553309A (zh) | 一种日志模板的确定方法、装置、电子设备及存储介质 | |
KR101872823B1 (ko) | 정적 램의 수율 예측 방법 | |
WO2020240770A1 (ja) | 学習装置、推定装置、学習方法、推定方法及びプログラム | |
CN107122283A (zh) | 温度监测方法及装置 |
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 |