CN113344137A - 基于som的数据融合方法、装置、存储介质及电子设备 - Google Patents
基于som的数据融合方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113344137A CN113344137A CN202110764976.6A CN202110764976A CN113344137A CN 113344137 A CN113344137 A CN 113344137A CN 202110764976 A CN202110764976 A CN 202110764976A CN 113344137 A CN113344137 A CN 113344137A
- Authority
- CN
- China
- Prior art keywords
- data
- mapping
- som
- fusion
- feature map
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 179
- 230000004927 fusion Effects 0.000 claims abstract description 80
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 210000002569 neuron Anatomy 0.000 claims description 59
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 32
- 238000005070 sampling Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 230000001360 synchronised effect Effects 0.000 abstract description 5
- 238000007499 fusion processing Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种基于SOM的数据融合方法、装置、存储介质及电子设备，利用第一数据和预设的第一SOM模型，可以得到第一映射特征图，同理，利用第二数据和预设的第二SOM模型，可以得到第二映射特征图。再利用预设映射关系(第一映射特征图与第二映射特征图之间的对应关系)，可以得到融合第一映射特征图和第二映射特征图的融合特征数据。由于第一数据和第二数据的检测对象为同一对象，且第一数据和第二数据是同步的，因此，可以保证数据融合的可靠性。而SOM模型结构简单，整体运行效率高，而两个SOM模型的输出层的同质性，可以保证融合过程的顺利进行，且能够尽可能保证第一数据的特征和第二数据的特征的完备性。
Description
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种基于SOM的数据融合方法、装置、存储介质及电子设备。
背景技术
传感器数据融合，表示把分布在不同位置的多个同类或不同类传感器所提供的局部数据资源加以综合，采用计算机技术对其进行分析，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，降低其不确实性，获得被测对象的一致性解释与描述，从而提高系统决策、规划、反应的快速性和正确性，使系统获得更充分的信息。传感器的信息融合可以在不同信息层次上出现，包括数据层融合、特征层融合、决策层融合。
数据级融合：依赖于传感器类型，进行同类数据的融合。数据级的融合要处理的数据都是在相同类别的传感器下采集，所以数据融合不能处理异构数据。
特征级融合：表示提取所采集数据包含的特征向量，用来体现所监测物理量的属性，这是面向监测对象特征的融合。
决策级融合：决策级融合是面向应用的融合，表示根据特征级融合所得到的数据特征，进行一定的判别、分类，以及简单的逻辑运算，根据应用需求进行较高级的决策，是高级的融合。
目前，各层次的数据融合，各有优势，但也存在相应的缺点。例如，数据级融合，理论上可以保留所有的底层信息，但处理量过于庞大，若要保证运行效率，对硬件要求极高，难以投入使用。而决策级融合，则具有相当大的灵活性，并且计算量小，运行快，但也存在则准确性不够、鲁棒性不强的问题，难以应用于对此具有较高要求的场景(例如无人驾驶、设备运行监测等)中。至于特征级融合，具有可应用性强、数据特征保留相对完善的特点，可以较好地应用于此类应用场景中。
目前的特征融合方法较多，例如代数法(加权融合、单变量图像差值法、图像比值法等)、图像回归法、主成分分析、K-T变换、小波变换、IHS变换、贝叶斯估计、D-S推理法、人工神经网络、专家系统等。
SOM(Self-Organization MappingNet，自组织映射神经网络)是一类“无监督学习”模型，可以通过学习输入空间中的数据，生成一个低维、离散的映射，自组织映射与其他人工神经网络的不同之处，在于它使用一个邻近函数来保持输入控件的拓扑性质。因此，可以将SOM作为数据融合的基础，以将其应用于传感器数据融合中，实现对传感器数据的特征级融合。
发明内容
本申请实施例的目的在于提供一种基于SOM的数据融合方法、装置、存储介质及电子设备，以高效实现数据融合。
为了实现上述目的，本申请的实施例通过如下方式实现：
第一方面，本申请实施例提供一种基于SOM的数据融合方法，包括：获取第一传感器实时检测的第一数据和第二传感器同步检测的第二数据，其中，所述第一数据和所述第二数据的检测对象为同一对象；根据所述第一数据和预设的第一SOM模型，获得所述第一数据对应的第一映射特征图，以及，根据所述第二数据和预设的第二SOM模型，获得所述第二数据对应的第二映射特征图；根据所述第一映射特征图、所述第二映射特征图和预设映射关系，确定出融合特征数据，其中，所述预设映射关系为所述第一映射特征图与所述第二映射特征图之间的对应关系。
在本申请实施例中，利用第一数据(第一传感器对监测对象进行实时检测得到)和预设的第一SOM模型，可以得到第一映射特征图(第一数据的特征在第一SOM模型的输出层的映射)，同理，利用第二数据(第二传感器对监测对象进行同步检测得到)和预设的第二SOM模型，可以得到第二映射特征图(第二数据的特征在第二SOM模型的输出层的映射)。再利用预设映射关系(第一映射特征图与第二映射特征图之间的对应关系)，可以得到融合第一映射特征图和第二映射特征图的融合特征数据。由于第一数据和第二数据的检测对象为同一对象，且第一数据和第二数据是同步的，因此，可以保证数据融合的可靠性。而SOM模型结构简单，整体运行效率高，而两个SOM模型(第一SOM模型和第二SOM模型)的输出层的同质性(例如均采用二维Kohonen网络)，可以保证融合过程的顺利进行，且能够尽可能保证第一数据的特征和第二数据的特征的完备性。
结合第一方面，在第一方面的第一种可能的实现方式中，所述第一数据为温度数据，获取所述温度数据的方式为：在设定周期内每间隔第一时长采样一次以得到包含多个采样数据的数据包，对应的，所述根据所述第一数据和预设的第一SOM模型，获得所述第一数据对应的第一映射特征图，包括：对所述温度数据进行处理，得到所述温度数据的时域特征，其中，所述温度数据的时域特征包括最大值、最小值、极差、均值、中位数、标准差、均方根值中的多项；将所述温度数据的时域特征输入至所述第一SOM模型，得到所述第一SOM模型输出的所述第一映射特征图。
在该实现方式中，这样的方式可以视为实现对温度数据的特征提取(得到时域特征)，并将提取的特征输入第一SOM模型进行映射。这样映射得到的第一映射特征图，与第二映射特征图相结合，不仅可以反映检测对象在当前时间下的状态，还能够起到预测作用(即，利用第一映射特征图与第二映射特征图融合得到的融合特征数据，能够反映第二数据与温度数据之间的联系，从而起到对温度数据或第二数据的预测作用)。因此，这种方式得到的融合数据，能够快速准确地反映融合的多种数据的特征，且能够起到一定的预测功能，对于需要在紧急情况下启动应急模式的应用场景中，能够为应急模式的响应预留时间。
结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述第二数据为转速数据，获取所述转速数据的方式为：在所述设定周期内每间隔第二时长采样一次以得到包含多个采样数据的数据包，对应的，所述根据所述第二数据和预设的第二SOM模型，获得所述第二数据对应的第二映射特征图，包括：对所述转速数据进行处理，得到所述转速数据的时域特征，其中，所述转速数据的时域特征包括最大值、最小值、极差、均值、中位数、标准差、均方根值中的多项；将所述转速数据的时域特征输入至所述第二SOM模型，得到所述第二SOM模型输出的所述第二探映射特征图。
在该实现方式中，这样的方式可以视为实现对转速数据的特征提取(得到时域特征)，并将提取的特征输入第二SOM模型进行映射。这样映射得到的第二映射特征图，与第一映射特征图相结合，不仅可以反映检测对象在当前时间下的状态，还能够起到预测作用(即，能够反映转速数据与温度数据之间的联系，从而起到对温度数据或转速数据的预测作用，例如，当前转速达到一定值，导致温度持续上升，由此实现对温度数据的预测)。因此，这种方式得到的融合数据，能够快速准确地反映融合的多种数据的特征，且能够起到一定的预测功能，对于需要在紧急情况下启动应急模式的应用场景中，能够为应急模式的响应预留时间。
结合第一方面的第一种可能的实现方式，在第一方面的第三种可能的实现方式中，所述第二数据为压力数据，获取所述压力数据的方式为：在所述设定周期内每间隔第三时长采样一次以得到包含多个采样数据的数据包，对应的，所述根据所述第二数据和预设的第二SOM模型，获得所述第二数据对应的第二映射特征图，包括：对所述压力数据进行处理，得到所述压力数据的时域特征，其中，所述压力数据的时域特征包括最大值、最小值、极差、均值、中位数、标准差、均方根值中的多项；将所述压力数据的时域特征输入至所述第二SOM模型，得到所述第二SOM模型输出的所述第二探映射特征图。
在该实现方式中，这样的方式可以视为实现对压力数据的特征提取(得到时域特征)，并将提取的特征输入第二SOM模型进行映射。这样映射得到的第二映射特征图，与第一映射特征图相结合，不仅可以反映检测对象在当前时间下的状态，还能够起到预测作用(即，能够反映压力数据与温度数据之间的联系，从而起到对温度数据或压力数据的预测作用，例如，当前压力达到一定值，导致温度持续上升，由此实现对温度数据的预测，或者，当前温度数据达到一定值，导致压力产生可预期的改变)。因此，这种方式得到的融合数据，能够快速准确地反映融合的多种数据的特征，且能够起到一定的预测功能，对于需要在紧急情况下启动应急模式的应用场景，能够为应急模式的响应预留时间。
结合第一方面，在第一方面的第四种可能的实现方式中，所述第一SOM模型具有第一输入层和第一Kohonen网络，所述第二SOM模型具有第二输入层和第二Kohonen网络，且所述第一Kohonen网络与所述第二Kohonen网络同质，所述第一映射特征图表示所述第一数据在所述第一Kohonen网络中的映射关系，所述第二映射特征图表示所述第二数据在所述第二Kohonen网络中的映射关系，对应的，所述预设映射关系表示所述第一Kohonen网络中的所有神经元与所述第二Kohonen网络中对应神经元之间的映射关系。
在该实现方式中，第一SOM模型的第一Kohonen网络(即输出层)与第二SOM模型得第二Kohonen网络(即输出层)同质，可以使得经第一SOM模型和第二SOM模型映射后分别得到的第一映射特征图和第二映射特征图具有一致的结构(均以Kohonen网络为基础)，在数值上表现差异，从而大大降低了特征级数据融合的难度，能够更加全面地保留特征数据，且能够整合到统一的结构中，实现一定意义上的数据级融合。
结合第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，所述根据所述第一映射特征图、所述第二映射特征图和预设映射关系，确定出融合特征数据，包括：针对所述第一映射特征图的每个神经元，获取该神经元的第一特征值，以及，获取所述第二映射特征图中与该神经元对应的神经元的第二特征值；基于获得的所述第一特征值和所述第二特征值构建输出矩阵中对应元素，得到以所述第一映射特征图和所述第二映射特征图中每个神经元的特征值为基础构建的输出矩阵，所述输出矩阵即所述融合特征数据。
在该实现方式中，针对第一映射特征图的每个神经元，通过获取该神经元的第一特征值，以及，获取第二映射特征图中与该神经元对应的神经元的第二特征值；并基于获得的第一特征值和第二特征值构建输出矩阵中对应元素，得到以第一映射特征图和第二映射特征图中每个神经元的特征值为基础构建的输出矩阵(即融合特征数据)。这样的方式得到的输出矩阵(融合特征数据)，一方面可以全面准确地反映每种特征数据的特性，另一方面，还能够体现每种数据的位置，从而有利于对关键位置的数据的监测，对于需要在紧急情况下启动应急模式的应用场景，能够高效实现监测并快速响应。
结合第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，所述基于获得的所述第一特征值和所述第二特征值构建输出矩阵中对应元素，得到以所述第一映射特征图和所述第二映射特征图中每个神经元的特征值为基础构建的输出矩阵，包括：针对输出矩阵的每个元素，将该元素的第一特征值乘以1，第二特征值乘以10，求和得到所述输出矩阵的该元素的值，由此得到所述输出矩阵，其中，第一特征值和第二特征值均为1～7中的一项，数值1～7分别表示时域特征中的最大值、最小值、极差、均值、中位数、标准差、均方根值的对应编号。
在该实现方式中，通过此种方式得到输出矩阵，可以通过判定某个元素的个位和十位数值来确定第一数据的时域特征和第二数据的时域特征的具体分布，判断过程高效且准确。并且，还能够进一步区分某个神经元内映射的具体时域特征(最大值、最小值、极差、均值、中位数、标准差、均方根值分别编号1～7)，从而通过个位和十位的具体数值区分是第一数据的哪项时域特征和/或第二数据的哪项时域特征映射到此神经元内。
结合第一方面，在第一方面的第七种可能的实现方式中，在确定出融合特征数据后，所述方法还包括：根据所述融合特征数据，确定所述融合特征数据中是否存在异常元素；若存在异常元素，生成预警信号，其中，所述预警信号用于表示该检测对象状态异常。
在该实现方式中，对融合特征数据进行异常元素的监测，能够高效且准确地发现(或预测)检测对象的运行状态，从而有利于应急模式的启动，尽可能减小甚至规避由检测对象运行状态异常导致的损失。
第二方面，本申请实施例提供一种基于SOM的数据融合装置，包括：数据获取单元，用于获取第一传感器实时检测的第一数据和第二传感器同步检测的第二数据，其中，所述第一数据和所述第二数据的检测对象为同一对象；特征映射单元，用于根据所述第一数据和预设的第一SOM模型，获得所述第一数据对应的第一映射特征图，以及，根据所述第二数据和预设的第二SOM模型，获得所述第二数据对应的第二映射特征图；数据融合单元，用于根据所述第一映射特征图、所述第二映射特征图和预设映射关系，确定出融合特征数据，其中，所述预设映射关系为所述第一映射特征图与所述第二映射特征图之间的对应关系。
第三方面，本申请实施例提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行第一方面或第一方面的可能的实现方式中任意一项所述的基于SOM的数据融合方法。
第四方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现第一方面或第一方面的可能的实现方式中任意一项所述的基于SOM的数据融合方法。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请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一种基于SOM的数据融合方法的应用场景的示意图。
图2为本申请实施例提供的一种电子设备的结构示意图。
图3为本申请实施例提供的SOM模型结构的示意图。
图4为本申请实施例提供的输出层的二维平面结构示意图。
图5为本申请实施例提供的一种基于SOM的数据融合方法的流程图。
图6为本申请实施例提供的一种基于SOM的数据融合装置的示意图。
图标：110-第一传感器；120-第二传感器；130-第三传感器；140-第四传感器；200-电子设备；210-存储器；220-通信模块；230-总线；240-处理模块；300-基于SOM的数据融合装置；310-数据获取单元；320-特征映射单元；330-数据融合单元。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
为了便于对本方案的理解，本实施例中以对设备(元件)运行状态进行监测的应用场景为例，对基于SOM的数据融合方法进行说明，但不应视为对本申请的限定。
请参阅图1，图1为本申请实施例提供的基于SOM的数据融合方法的应用场景的示意图。
在本实施例中，检测对象可以为生产过程中的设备(或设备的关键部位，例如轴承、发动机等)，此处不作限定。而执行检测任务的装置可以包括第一传感器110(例如温度传感器)、第二传感器120(例如发动机传感器)，甚至可以包括第三传感器130(例如压力传感器)、第四传感器140(例如振动传感器)等，每个传感器均与电子设备200连接。当然，也可以将压力传感器或振动传感器作为第二传感器120，以实际需要为准，此处不作限定。
请参阅图2，图2为本申请实施例提供的电子设备200的结构示意图。
在本实施例中，电子设备200可以为终端120，例如平板电脑、个人电脑等；电子设备200也可以为服务器110，例如云服务器、服务器集群等，此处不作限定。
示例性的，电子设备200可以包括：通过网络与外界连接的通信模块220、用于执行程序指令的一个或多个处理器240、总线230和不同形式的存储器210，例如，磁盘、ROM、或RAM，或其任意组合。存储器210、通信模块220、处理器240之间可以通过总线230连接。
示例性的，存储器210中存储有程序。处理器240可以从存储器210调用并运行这些程序，从而便可以通过运行程序而实现基于SOM的数据融合方法。
为了便于对本方案的理解，在对基于SOM的数据融合方法进行介绍之前，此处先对其中的第一SOM模型和第二SOM模型进行介绍。
在本实施例中，第一SOM模型和第二SOM模型，均为SOM模型，包括输入层和输出层(如图3所示)。其中，输入层神经元的数量主要由输入向量的维度决定(即本实施例中选用的第一数据的时域特征、第二数据的时域特征的维度决定)，一个神经元对应一个特征。输出层，可以选用二维平面的输出层，考虑到本实施例中的融合特征数据(输出矩阵)的形式，输出层选用的二维平面结构为Rectangular(矩形)，如图4所示。示例性的，输出层的节点数量可以设置为10*10(仅是举例，不作为限定)。
而SOM模型的训练样本，可以通过以下方式获取：
首先，针对第一SOM模型，样本来源于第一传感器110对检测对象进行实时检测得到的温度数据。第一传感器110可以在设定周期(例如1秒)内每间隔第一时长(例如0.1秒)采样一次以得到包含多个采样数据的数据包(可用CSV文件保存并以编号区别命名)。而后，可以对每组温度数据(即一个数据包里的多个温度数据)进行处理，得到温度数据的时域特征：最大值、最小值、极差、均值、中位数、标准差、均方根值中的多项(本实施例中以包含列举的所有是与特征为例进行介绍，但不作限定)。得到的温度数据的时域特征，即可作为一个样本，通过获取多个(例如400个)样本组成第一样本集。需要说明的是，设定周期可以选用其他周期，例如10秒、5秒等，另外，每个周期之间还可以间隔一定的间歇时长(例如1秒、4秒、5秒等，以实际需要为准)。而间隔的第一时长也可以为其他时长，例如0.2秒、0.5秒等。第一样本集中的样本包括检测对象处于正常状态时得到的数据，也包括检测对象处于异常状态时得到的数据。
同理，针对第二SOM模型，样本来源于第二传感器120对检测对象进行同步检测(与第一传感器110的检测时间一致)并处理后得到的转速数据。第二传感器120可以在设定周期内每间隔第二时长(例如0.1秒、0.2秒等，与第一时长可以不同，也可以相同，此处以相同为例)采样一次以得到包含多个采样数据的数据包(可用CSV文件保存并以编号区别命名)。而后，可以对每组转速数据(即一个数据包里的多个转速数据)进行处理，得到温度数据的时域特征：最大值、最小值、极差、均值、中位数、标准差、均方根值中的多项(本实施例中以包含列举的所有是与特征为例进行介绍，但不作限定)。得到的转速数据的时域特征，即可作为一个样本，通过获取多个(例如400个)样本组成第二样本集。第二样本集中的样本包括检测对象处于正常状态时得到的数据，也包括检测对象处于异常状态时得到的数据。
另外，针对第二SOM模型，样本也可以来源于第三传感器130对检测对象进行同步检测得到的压力数据，还可以来源于第四传感器140对检测对象进行同步检测得到的振动数据。获取对应样本集的方式可参阅前文所述，此处不再赘述。
此处以第一样本集训练SOM模型得到第一SOM模型为例进行说明，对第二SOM模型的训练类似，不做赘述。
示例性的，可以利用第一样本集中的400个样本(每个样本包括7个属性)，以7：3划分训练集和测试集。Neighborhood_function可以选用gaussian(高斯近邻函数)，也可以选用bubble近邻函数。
输出层的尺寸可以选用10*10，初始学习率可以设置为0.5或者0.6(优选0.6)，初始化权重为随机数，初始化完成后即可进行训练。随机取一个输入样本Xi，遍历竞争层中每一个节点：计算Xi与节点之间的相似度(可以通过欧式距离公式来计算)，而后选取距离最小的节点作为优胜节点。根据邻域半径σ确定优胜邻域将包含的节点；并通过neighborhoodfunction计算它们各自更新的幅度(靠近优胜节点，更新幅度越大；越远离优胜节点，更新幅度越小)。
由此，可以更新优胜邻域内节点的权重：
W_v(s+1)＝W_v(s)+θ(u,v,s)·α(s)·(D(t)-W_v(s))，…………(1)
其中，θ(u,v,s)是对更新的约束，离优胜节点的距离(即neighborhood function的返回值)，W_v(s)是节点v当前的权重值，α(s)为学习率(学习率的更新方式可以选用α(s+1)＝α(s)/(1+t/T))。
完成一轮迭代(迭代次数+1)，并随机取下一输入样本，直到满足设定的迭代次数(迭代次数可以设置为样本数400，或者大于样本数，例如500，此处不作限定，且一般不小于样本数)。
由此，可以完成对SOM模型的训练，得到第一SOM模型。
当然，对于第二SOM模型的训练，也可以参阅第一SOM模型的训练过程，此处不再赘述。
另外，在训练过程中，为了让训练好的模型在反映检测对象异常状态方面具有更好的效果，可以对样本集中检测对象处于异常状态的数据进行标注(或者同时区别标注所有样本的检测对象属于正常状态还是异常状态)。从而利用标注的样本集对SOM模型进行训练，得到第一SOM模型和第二SOM模型。
以上是对第一SOM模型和第二SOM模型的介绍，以下，将对基于SOM的数据融合方法进行介绍。
请参阅图4，图4为本申请实施例提供的一种基于SOM的数据融合方法的流程图。在本实施例中，基于SOM的数据融合方法可以包括步骤S10、步骤S20和步骤S30。
在本实施例中，传感器(例如第一传感器110、第二传感器120、第三传感器130、第四传感器140等)可以对检测对象进行实时检测，并按照设定的采样模型进行采样，并将获得的采样数据发送给电子设备200，由此，电子设备200可以执行步骤S10。
步骤S10：获取第一传感器实时检测的第一数据和第二传感器同步检测的第二数据，其中，所述第一数据和所述第二数据的检测对象为同一对象。
在本实施例中，电子设备200可以接收同一时段内第一传感器110检测得到的第一数据和第二传感器120检测得到的第二数据。第一数据和第二数据的检测对象为同一对象(例如发动机)。并且，第一数据和第二数据均为数据包，为其各自检测的一组数据(例如第一数据的数据包中包含一组温度数据，第二数据的数据包中包含一组转速数据，或者，包含一组压力数据或振动数据)。
另外，第一数据选定为温度数据，温度传感器获取温度数据的方式可以设定为：在设定周期内(例如1秒内)每间隔第一时长(例如0.1秒)采样一次以得到包含多个采样数据(10个温度数据)的数据包。
第二数据可以为转速数据、压力数据或者振动数据，此处以转速数据为例，不作限定。由于转速数据可以通过发动机传感器检测并进行相应处理后得到，此处不对其具体得到转速的处理过程进行赘述。示例性的，发动机传感器采样数据的方式可以设定为：在设定周期内(例如1秒内)每间隔第一时长(例如0.1秒)采样一次以得到包含多个采样数据(10个采样数据)的数据包，进行处理及换算后输出的相应的包含多个转速数据(10个转速数据)的数据包。
由于压力数据和振动数据可以通过检测获得，无需换算处理，因此可以参阅温度传感器获取温度数据的方式，此处不再赘述。
获得第一数据和第二数据后，电子设备200可以执行步骤S20。
步骤S20：根据所述第一数据和预设的第一SOM模型，获得所述第一数据对应的第一映射特征图，以及，根据所述第二数据和预设的第二SOM模型，获得所述第二数据对应的第二映射特征图。
在本实施例中，针对第一数据，电子设备200可以根据第一数据和预设的第一SOM模型(即前文中训练好的第一SOM模型，利用第一样本集进行训练得到的第一SOM模型，第一样本集包含大量且检测对象处于不同状态下的温度数据包)，获得第一数据对应的第一映射特征图。
示例性的，电子设备200可以对温度数据进行处理，得到温度数据的时域特征，其中，温度数据的时域特征包括最大值、最小值、极差、均值、中位数、标准差、均方根值中的多项(此处以包含最大值、最小值、极差、均值、中位数、标准差、均方根值为例进行说明)。
而后，电子设备200可以将温度数据的时域特征输入至第一SOM模型，得到第一SOM模型输出的第一映射特征图(以输出10*10的映射特征图为例)。
针对第二数据，电子设备200可以根据第二数据和预设的第二SOM模型(即前文中训练好的第二SOM模型，利用第二样本集进行训练得到的第二SOM模型，第二样本集包含大量且检测对象处于不同状态下的转速数据包)，获得第二数据对应的第二映射特征图。需要说明的是，在第二SOM模型用于对压力数据或者振动数据进行处理时，第二样本集则对应包含大量且检测对象处于不同状态下的压力数据包或者振动数据包。
而后，电子设备200可以将转速数据(或压力数据、或振动数据)的时域特征输入至第二SOM模型，得到第二SOM模型输出的第二映射特征图(以输出10*10的映射特征图为例)。
这样的方式可以视为实现对温度数据的特征提取(得到时域特征)，并将提取的特征输入第一SOM模型进行映射。这样映射得到的第一映射特征图，与第二映射特征图相结合，不仅可以反映检测对象在当前时间下的状态，还能够起到预测作用，即，利用第一映射特征图与第二映射特征图融合得到的融合特征数据，能够反映转速数据与温度数据之间的联系(或者，能够反映压力数据与温度数据之间的联系，或者能够反映振动数据与温度数据之间的联系)，从而起到对温度数据或转速数据(或压力数据、或振动数据)的预测作用。因此，这种方式得到的融合数据，能够快速准确地反映融合的多种数据的特征，且能够起到一定的预测功能，对于需要在紧急情况下启动应急模式的应用场景中，能够为应急模式的响应预留时间。并且，由于SOM模型的特性，可以自行建立映射关系，无需监督(标注)，因此，能够发现这些数据之间的联系和相互作用的关系。
由于第一SOM模型具有第一输入层和第一Kohonen网络(10*10的神经元)，第二SOM模型具有第二输入层和第二Kohonen网络(10*10的神经元)，且第一Kohonen网络与第二Kohonen网络同质，而第一映射特征图为第一数据(的时域特征)在第一Kohonen网络中的映射关系，第二映射特征图为第二数据(的时域特征)在第二Kohonen网络中的映射关系。因此，预设映射关系可以表示第一Kohonen网络中的所有神经元与第二Kohonen网络中对应神经元之间的映射关系。
示例性的，第一Kohonen网络与第二Kohonen网络的预设映射关系，可以为以神经元位置一一对应的方式，即，第一Kohonen网络的第(0，0)号神经元与第二Kohonen网络的第(0，0)号神经元对应，第一Kohonen网络的第(2，4)号神经元与第二Kohonen网络的第(2，4)号神经元对应，以此类推。
第一SOM模型的第一Kohonen网络(即输出层)与第二SOM模型得第二Kohonen网络(即输出层)同质，可以使得经第一SOM模型和第二SOM模型映射后分别得到的第一映射特征图和第二映射特征图具有一致的结构(均以Kohonen网络为基础)，在数值上表现差异，从而大大降低了特征级数据融合的难度，能够更加全面地保留特征数据，且能够整合到统一的结构中，实现一定意义上的数据级融合。
得到第一映射特征图和第二映射特征图后，电子设备200可以执行步骤S30。
步骤S30：根据所述第一映射特征图、所述第二映射特征图和预设映射关系，确定出融合特征数据，其中，所述预设映射关系为所述第一映射特征图与所述第二映射特征图之间的对应关系。
在本实施例中，针对第一映射特征图的每个神经元，电子设备200可以获取该神经元的第一特征值，以及，获取第二映射特征图中与该神经元对应的神经元的第二特征值。
而后，电子设备200可以基于获得的第一特征值和第二特征值构建输出矩阵中对应元素，得到以第一映射特征图和第二映射特征图中每个神经元的特征值为基础构建的输出矩阵，输出矩阵即融合特征数据。
示例性的，针对输出矩阵的每个元素，电子设备200可以将该元素的第一特征值乘以1，第二特征值乘以10，求和得到输出矩阵的该元素的值，由此得到输出矩阵。其中，第一特征值和第二特征值均为1～7中的一项，数值1～7分别表示时域特征中的最大值、最小值、极差、均值、中位数、标准差、均方根值的对应编号。
通过此种方式得到输出矩阵，可以通过判定某个元素的个位和十位数值来确定第一数据的时域特征和第二数据的时域特征的具体分布，判断过程高效且准确。并且，还能够进一步区分某个神经元内映射的具体时域特征(最大值、最小值、极差、均值、中位数、标准差、均方根值分别编号1～7)，从而通过个位和十位的具体数值区分是第一数据的哪项时域特征和/或第二数据的哪项时域特征映射到此神经元内。
当然，还可以采用别的方式，例如，以第(0，0)号神经元为例，第一特征值为0(表示第一数据的所有时域特征均未映射于此神经元)，第二特征值为1(表示第二数据的某项时域特征映射于此神经元)，因此，可以利用不同的权值相乘后得到输出矩阵该元素的值。例如，对于第一特征值，需要乘以1，对于第二元素值，需要乘以2(或0.5)，由此可以通过输出矩阵该元素的值的特征判定分布情况。例如，若输出矩阵的一个元素的值为0，表示第一数据的所有时域特征和第二数据的所有时域特征均未映射于此神经元；若输出矩阵的一个元素的值为0.5，表示第一数据的所有时域特征均未映射于此神经元，而第二数据的某项时域特征映射于此神经元；若输出矩阵的一个元素的值为1，表示第一数据的某项时域特征映射于此神经元，而第二数据的所有时域特征均未映射于此神经元；若输出矩阵的一个元素的值为1.5，表示第一数据的某项时域特征映射于此神经元，且第二数据的某项时域特征同样映射于此神经元。由此，可以得到输出矩阵。并且，此种方式可以通过判定某个元素的个位和小数点后的第一位数值是否为零来确定第一数据的时域特征和第二数据的时域特征的具体分布，判断过程高效且准确。
另外，若是想进一步区分某个神经元内映射的具体时域特征，则可以对最大值、最小值、极差、均值、中位数、标准差、均方根值分别编号1～7，那么，对于第一数据的时域特征映射的元素，可以乘以1，对于第二数据的是时域征映射的元素，可以乘以10(或者0.1、100等)，通过个位和十位的具体数值区分是第一数据的哪项时域特征和/或第二数据的哪项时域特征映射到此神经元内。并且，由于第一数据的时域特征数量和第二时域特征的数量，保证了应用此法进行数据融合的可行性。
当然，此种融合方式仅是示例性的一项，还可以采用其他方式作为数据融合的具体方式，例如利用分隔符连接对应位置的神经的第一特征值和第二特征值，将第一特征值和第二特征值融合在一起，此处不作限定。
这样的方式得到的输出矩阵(融合特征数据)，一方面可以全面准确地反映每种特征数据的特性，另一方面，还能够体现每种数据的位置，从而有利于对关键位置的数据的监测，对于需要在紧急情况下启动应急模式的应用场景，能够高效实现监测并快速响应。
另外，由于输出的融合特征数据的结构稳定(每次输出的融合特征数据具有一致的结构)，因此，利用融合特征数据，可以通过简单高效的处理方式识别检测对象的状态，从而高效确定检测对象当前的状态是否异常。还可以进行一定程度上的预测(例如预测检测对象在后两个周期是否会呈异常状态，可以通过融合数据中的第一数据的时域特征与第二数据的时域特征的分布反映)。
需要说明的是，本实施例中的数据融合方式，仅以第一数据和第二数据为例进行说明，但源于其原理，还可以进行多种数据的融合，此处不作限定。
在确定出融合特征数据后，电子设备200还可以根据融合特征数据，确定融合特征数据中是否存在异常元素；若存在异常元素，生成预警信号，其中，预警信号用于表示该检测对象状态异常。通过对融合特征数据进行异常元素的监测，能够高效且准确地发现(或预测)检测对象的运行状态，从而有利于应急模式的启动，尽可能减小甚至规避由检测对象运行状态异常导致的损失。
基于同一发明构思，本申请实施例中还提供一种基于SOM的数据融合装置300，包括：
数据获取单元310，用于获取第一传感器110实时检测的第一数据和第二传感器120同步检测的第二数据，其中，所述第一数据和所述第二数据的检测对象为同一对象。
特征映射单元320，用于根据所述第一数据和预设的第一SOM模型，获得所述第一数据对应的第一映射特征图，以及，根据所述第二数据和预设的第二SOM模型，获得所述第二数据对应的第二映射特征图。
数据融合单元330，用于根据所述第一映射特征图、所述第二映射特征图和预设映射关系，确定出融合特征数据，其中，所述预设映射关系为所述第一映射特征图与所述第二映射特征图之间的对应关系。
在本实施例中，所述第一数据为温度数据，获取所述温度数据的方式为：在设定周期内每间隔第一时长采样一次以得到包含多个采样数据的数据包，对应的，所述特征映射单元320，还用于对所述温度数据进行处理，得到所述温度数据的时域特征，其中，所述温度数据的时域特征包括最大值、最小值、极差、均值、中位数、标准差、均方根值中的多项；将所述温度数据的时域特征输入至所述第一SOM模型，得到所述第一SOM模型输出的所述第一映射特征图。
在本实施例中，所述第二数据为转速数据，获取所述转速数据的方式为：在所述设定周期内每间隔第二时长采样一次以得到包含多个采样数据的数据包，对应的，所述特征映射单元320，还用于对所述转速数据进行处理，得到所述转速数据的时域特征，其中，所述转速数据的时域特征包括最大值、最小值、极差、均值、中位数、标准差、均方根值中的多项；将所述转速数据的时域特征输入至所述第二SOM模型，得到所述第二SOM模型输出的所述第二探映射特征图。
在本实施例中，所述第二数据为压力数据，获取所述压力数据的方式为：在所述设定周期内每间隔第三时长采样一次以得到包含多个采样数据的数据包，对应的，所述特征映射单元320，还用于对所述压力数据进行处理，得到所述压力数据的时域特征，其中，所述压力数据的时域特征包括最大值、最小值、极差、均值、中位数、标准差、均方根值中的多项；将所述压力数据的时域特征输入至所述第二SOM模型，得到所述第二SOM模型输出的所述第二探映射特征图。
在本实施例中，所述第一SOM模型具有第一输入层和第一Kohonen网络，所述第二SOM模型具有第二输入层和第二Kohonen网络，且所述第一Kohonen网络与所述第二Kohonen网络同质，所述第一映射特征图表示所述第一数据在所述第一Kohonen网络中的映射关系，所述第二映射特征图表示所述第二数据在所述第二Kohonen网络中的映射关系，对应的，所述预设映射关系表示所述第一Kohonen网络中的所有神经元与所述第二Kohonen网络中对应神经元之间的映射关系。
在本实施例中，所述数据融合单元330，还用于针对所述第一映射特征图的每个神经元，获取该神经元的第一特征值，以及，获取所述第二映射特征图中与该神经元对应的神经元的第二特征值；基于获得的所述第一特征值和所述第二特征值构建输出矩阵中对应元素，得到以所述第一映射特征图和所述第二映射特征图中每个神经元的特征值为基础构建的输出矩阵，所述输出矩阵即所述融合特征数据。
在本实施例中，所述基于SOM的数据融合装置300还包括状态监测单元，用于在所述数据融合单元330确定出融合特征数据后，根据所述融合特征数据，确定所述融合特征数据中是否存在异常元素；若存在异常元素，生成预警信号，其中，所述预警信号用于表示该检测对象状态异常。
本申请实施例提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行本实施例中所述的基于SOM的数据融合方法。
综上所述，本申请实施例提供一种基于SOM的数据融合方法、装置、存储介质及电子设备，利用第一数据(第一传感器110对监测对象进行实时检测得到)和预设的第一SOM模型，可以得到第一映射特征图(第一数据的特征在第一SOM模型的输出层的映射)，同理，利用第二数据(第二传感器120对监测对象进行同步检测得到)和预设的第二SOM模型，可以得到第二映射特征图(第二数据的特征在第二SOM模型的输出层的映射)。再利用预设映射关系(第一映射特征图与第二映射特征图之间的对应关系)，可以得到融合第一映射特征图和第二映射特征图的融合特征数据。由于第一数据和第二数据的检测对象为同一对象，且第一数据和第二数据是同步的，因此，可以保证数据融合的可靠性。而SOM模型结构简单，整体运行效率高，而两个SOM模型(第一SOM模型和第二SOM模型)的输出层的同质性(例如均采用二维Kohonen网络)，可以保证融合过程的顺利进行，且能够尽可能保证第一数据的特征和第二数据的特征的完备性。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于SOM的数据融合方法，其特征在于，包括：
获取第一传感器实时检测的第一数据和第二传感器同步检测的第二数据，其中，所述第一数据和所述第二数据的检测对象为同一对象；
根据所述第一数据和预设的第一SOM模型，获得所述第一数据对应的第一映射特征图，以及，根据所述第二数据和预设的第二SOM模型，获得所述第二数据对应的第二映射特征图；
根据所述第一映射特征图、所述第二映射特征图和预设映射关系，确定出融合特征数据，其中，所述预设映射关系为所述第一映射特征图与所述第二映射特征图之间的对应关系。
2.根据权利要求1所述的基于SOM的数据融合方法，其特征在于，所述第一数据为温度数据，获取所述温度数据的方式为：在设定周期内每间隔第一时长采样一次以得到包含多个采样数据的数据包，对应的，所述根据所述第一数据和预设的第一SOM模型，获得所述第一数据对应的第一映射特征图，包括：
对所述温度数据进行处理，得到所述温度数据的时域特征，其中，所述温度数据的时域特征包括最大值、最小值、极差、均值、中位数、标准差、均方根值中的多项；
将所述温度数据的时域特征输入至所述第一SOM模型，得到所述第一SOM模型输出的所述第一映射特征图。
3.根据权利要求2所述的基于SOM的数据融合方法，其特征在于，所述第二数据为转速数据，获取所述转速数据的方式为：在所述设定周期内每间隔第二时长采样一次以得到包含多个采样数据的数据包，对应的，所述根据所述第二数据和预设的第二SOM模型，获得所述第二数据对应的第二映射特征图，包括：
对所述转速数据进行处理，得到所述转速数据的时域特征，其中，所述转速数据的时域特征包括最大值、最小值、极差、均值、中位数、标准差、均方根值中的多项；
将所述转速数据的时域特征输入至所述第二SOM模型，得到所述第二SOM模型输出的所述第二探映射特征图。
4.根据权利要求2所述的基于SOM的数据融合方法，其特征在于，所述第二数据为压力数据，获取所述压力数据的方式为：在所述设定周期内每间隔第三时长采样一次以得到包含多个采样数据的数据包，对应的，所述根据所述第二数据和预设的第二SOM模型，获得所述第二数据对应的第二映射特征图，包括：
对所述压力数据进行处理，得到所述压力数据的时域特征，其中，所述压力数据的时域特征包括最大值、最小值、极差、均值、中位数、标准差、均方根值中的多项；
将所述压力数据的时域特征输入至所述第二SOM模型，得到所述第二SOM模型输出的所述第二探映射特征图。
5.根据权利要求1所述的基于SOM的数据融合方法，其特征在于，所述第一SOM模型具有第一输入层和第一Kohonen网络，所述第二SOM模型具有第二输入层和第二Kohonen网络，且所述第一Kohonen网络与所述第二Kohonen网络同质，所述第一映射特征图表示所述第一数据在所述第一Kohonen网络中的映射关系，所述第二映射特征图表示所述第二数据在所述第二Kohonen网络中的映射关系，对应的，所述预设映射关系表示所述第一Kohonen网络中的所有神经元与所述第二Kohonen网络中对应神经元之间的映射关系。
6.根据权利要求5所述的基于SOM的数据融合方法，其特征在于，所述根据所述第一映射特征图、所述第二映射特征图和预设映射关系，确定出融合特征数据，包括：
针对所述第一映射特征图的每个神经元，获取该神经元的第一特征值，以及，获取所述第二映射特征图中与该神经元对应的神经元的第二特征值；
基于获得的所述第一特征值和所述第二特征值构建输出矩阵中对应元素，得到以所述第一映射特征图和所述第二映射特征图中每个神经元的特征值为基础构建的输出矩阵，所述输出矩阵即所述融合特征数据。
7.根据权利要求1所述的基于SOM的数据融合方法，其特征在于，在确定出融合特征数据后，所述方法还包括：
根据所述融合特征数据，确定所述融合特征数据中是否存在异常元素；
若存在异常元素，生成预警信号，其中，所述预警信号用于表示该检测对象状态异常。
8.一种基于SOM的数据融合装置，其特征在于，包括：
数据获取单元，用于获取第一传感器实时检测的第一数据和第二传感器同步检测的第二数据，其中，所述第一数据和所述第二数据的检测对象为同一对象；
特征映射单元，用于根据所述第一数据和预设的第一SOM模型，获得所述第一数据对应的第一映射特征图，以及，根据所述第二数据和预设的第二SOM模型，获得所述第二数据对应的第二映射特征图；
数据融合单元，用于根据所述第一映射特征图、所述第二映射特征图和预设映射关系，确定出融合特征数据，其中，所述预设映射关系为所述第一映射特征图与所述第二映射特征图之间的对应关系。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的基于SOM的数据融合方法。
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现权利要求1至7中任意一项所述的基于SOM的数据融合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110764976.6A CN113344137B (zh) | 2021-07-06 | 2021-07-06 | 基于som的数据融合方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110764976.6A CN113344137B (zh) | 2021-07-06 | 2021-07-06 | 基于som的数据融合方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113344137A true CN113344137A (zh) | 2021-09-03 |
| CN113344137B CN113344137B (zh) | 2022-07-19 |
Family
ID=77482949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110764976.6A Active CN113344137B (zh) | 2021-07-06 | 2021-07-06 | 基于som的数据融合方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344137B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6321216B1 (en) * | 1996-12-02 | 2001-11-20 | Abb Patent Gmbh | Method for analysis and display of transient process events using Kohonen map |
| CN102313577A (zh) * | 2011-06-24 | 2012-01-11 | 上海大学 | 基于多路传感信号的设备健康状态评估与衰退预测方法 |
| CN107368858A (zh) * | 2017-07-28 | 2017-11-21 | 中南大学 | 一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法 |
| CN108245880A (zh) * | 2018-01-05 | 2018-07-06 | 华东师范大学 | 基于多穿戴环带传感器融合的体感检测可视化方法和系统 |
| CN111140986A (zh) * | 2019-12-23 | 2020-05-12 | 珠海格力电器股份有限公司 | 空调系统的运行状态检测方法、装置、存储介质及空调 |
| CN112418324A (zh) * | 2020-11-25 | 2021-02-26 | 武汉大学 | 用于电气设备状态感知的跨模态数据融合方法 |
-
2021
- 2021-07-06 CN CN202110764976.6A patent/CN113344137B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6321216B1 (en) * | 1996-12-02 | 2001-11-20 | Abb Patent Gmbh | Method for analysis and display of transient process events using Kohonen map |
| CN102313577A (zh) * | 2011-06-24 | 2012-01-11 | 上海大学 | 基于多路传感信号的设备健康状态评估与衰退预测方法 |
| CN107368858A (zh) * | 2017-07-28 | 2017-11-21 | 中南大学 | 一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法 |
| CN108245880A (zh) * | 2018-01-05 | 2018-07-06 | 华东师范大学 | 基于多穿戴环带传感器融合的体感检测可视化方法和系统 |
| CN111140986A (zh) * | 2019-12-23 | 2020-05-12 | 珠海格力电器股份有限公司 | 空调系统的运行状态检测方法、装置、存储介质及空调 |
| CN112418324A (zh) * | 2020-11-25 | 2021-02-26 | 武汉大学 | 用于电气设备状态感知的跨模态数据融合方法 |
Non-Patent Citations (3)
| Title |
|---|
| GARY WHITTINGTON等: "Application of a neural network model to sensor data fusion", 《APPLICATIONS OF ARTIFICIAL NEURAL NETWORKS》 * |
| 石朝泓等: "基于聚类网络的IT系统绝缘故障检测研究", 《电工电气》 * |
| 赵婵婵: "基于SOM的无线传感器网络信息融合技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113344137B (zh) | 2022-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10817394B2 (en) | Anomaly diagnosis method and anomaly diagnosis apparatus | |
| CN113792453B (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
| CN109902832B (zh) | 机器学习模型的训练方法、异常预测方法及相关装置 | |
| AU2018203321B2 (en) | Anomaly detection system and method | |
| Huong et al. | Federated learning-based explainable anomaly detection for industrial control systems | |
| CN106897178B (zh) | 一种基于极限学习机的慢盘检测方法及系统 | |
| JP2022524244A (ja) | 将来の動作の予測分類 | |
| US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
| US11392821B2 (en) | Detecting behavior patterns utilizing machine learning model trained with multi-modal time series analysis of diagnostic data | |
| CN118093290A (zh) | 一种服务器散热异常检测方法、装置、设备及介质 | |
| Magableh et al. | A deep recurrent Q network towards self‐adapting distributed microservice architecture | |
| KR20190132223A (ko) | 네트워크 장애 원인 분석 장치 및 방법 | |
| CN113344137B (zh) | 基于som的数据融合方法、装置、存储介质及电子设备 | |
| CN113825165A (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
| CN116700955A (zh) | 作业处理方法、装置、计算机设备及可读存储介质 | |
| US7877234B1 (en) | System and method for statistically monitoring and analyzing sensed conditions | |
| Alghawli | Computer Vision Technology for Fault Detection Systems Using Image Processing. | |
| Huang | Application of the artificial fish school algorithm and particle filter algorithm in the industrial process control particle filtering algorithm for industrial process control | |
| Chen et al. | A multimode anomaly detection method based on oc-elm for aircraft engine system | |
| Li et al. | SCIF-ARF: Container Anomaly Prediction for Container Cloud Platforms | |
| US20230376837A1 (en) | Dependency checking for machine learning models | |
| CN117891566B (zh) | 智能软件的可靠性评估方法、装置、设备、介质和产品 | |
| Hallgrímsson et al. | Autoencoder based residual generation for fault detection of quadruple tank system | |
| CN102822806A (zh) | 检测应用的无进展状态 | |
| Ma et al. | Research on Fault Detection and Health Monitoring System of Turntable |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240904 Address after: No. 1405, 14th floor, building 1, 56 Tianhui middle street, high tech Zone, Chengdu, Sichuan 610000 Patentee after: Chengdu Lebeilu Digital Technology Co.,Ltd. Country or region after: China Address before: 610000 No. 1 Bai Ye Road, West District, Chengdu high tech Industrial Development Zone, Sichuan Patentee before: CHENGDU College OF UNIVERSITY OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA Country or region before: China |