CN113553776B - 一种电磁辐射数据监控分析方法及系统 - Google Patents

一种电磁辐射数据监控分析方法及系统 Download PDF

Info

Publication number
CN113553776B
CN113553776B CN202111095842.6A CN202111095842A CN113553776B CN 113553776 B CN113553776 B CN 113553776B CN 202111095842 A CN202111095842 A CN 202111095842A CN 113553776 B CN113553776 B CN 113553776B
Authority
CN
China
Prior art keywords
electromagnetic radiation
source
time sequence
main
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.)
Active
Application number
CN202111095842.6A
Other languages
English (en)
Other versions
CN113553776A (zh
Inventor
唐泰可
林仁辉
苏茂才
廖峪
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.)
Nobicam Artificial Intelligence Technology Chengdu Co ltd
Original Assignee
Chengdu Nuobikan Technology Co ltd
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 Chengdu Nuobikan Technology Co ltd filed Critical Chengdu Nuobikan Technology Co ltd
Priority to CN202111095842.6A priority Critical patent/CN113553776B/zh
Publication of CN113553776A publication Critical patent/CN113553776A/zh
Application granted granted Critical
Publication of CN113553776B publication Critical patent/CN113553776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/08—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)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

本发明公开了一种电磁辐射数据监控分析方法及系统，包括以下步骤：步骤S1、对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据；步骤S2、基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型；步骤S3、利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并判定电磁辐射主发射源的稳定性。本发明通过对电磁辐射主发射源的进行稳定性预测以及稳定性监听，可实现掌握目标区域的电磁辐射的波动特征，得到目标区域的电磁辐射的波动规律。

Description

一种电磁辐射数据监控分析方法及系统
技术领域
本发明涉及电磁辐射数据处理技术领域，具体涉及一种电磁辐射数据监控分析方法及系统。
背景技术
电磁辐射有一个电场和磁场分量的振荡，分别在两个相互垂直的方向传播能量。电磁辐射根据频率或波长分为不同类型，这些类型包括（按序增加频率）：电力，无线电波，微波，太赫兹辐射，红外辐射，可见光，紫外线，X射线和伽玛射线。其中，无线电波的波长最长而伽玛射线的波长最短。X射线和伽玛射线电离能力很强，其他电磁辐射电离能力相对较弱，而更低频的没有电离能力。
目前测定一个未知区域的电磁辐射的波动规律，通常需要对未知区域中所有的电磁辐射的发射源进行逐一分析，从而分析出波动规律，但是由于发射源稳定性的不同，有些发射源的稳定性强，不会对未知区域的电磁辐射的波动规律产生影响，因此对所有发射源进行逐一分析会导致冗余运算，降低分析效率。
发明内容
本发明的目的在于提供一种电磁辐射数据监控分析方法及系统，以解决现有技术中对所有发射源进行逐一分析会导致冗余运算，降低分析效率的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种电磁辐射数据监控分析方法，包括以下步骤：
步骤S1、对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据，所述电磁辐射主源时序数据表征为电磁辐射主发射源的波动特征；
步骤S2、基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型，所述电磁辐射主源波动趋势模型用于输出电磁辐射主源时序数据在未来时序的预测发展趋势；
步骤S3、利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并根据监听因子判定电磁辐射主发射源的稳定性，以及根据所述稳定性对所述电磁辐射主发射源进行波动分析，实现对目标区域内电磁辐射主发射源的波动监听以掌握电磁辐射主发射源的波动特征。
作为本发明的一种优选方案，所述步骤S1中，所述电磁辐射主源时序数据的识别方法包括：
将所述电磁辐射多源时序数据
Figure 210370DEST_PATH_IMAGE001
按时序量化为时序特征矩阵
Figure 673712DEST_PATH_IMAGE002
，其中，
Figure 93805DEST_PATH_IMAGE003
表征为时序
Figure 326203DEST_PATH_IMAGE004
处的电磁辐射发射源
Figure 425746DEST_PATH_IMAGE005
的时序数据，n为电磁辐射发射源的总数目，m为电磁辐射多源时序数据的时序总数目；
对所述时序特征矩阵进行主成分分析得到电磁辐射发射源
Figure 110805DEST_PATH_IMAGE006
的特征贡献率
Figure 727731DEST_PATH_IMAGE007
，并按特征贡献率
Figure 424423DEST_PATH_IMAGE007
对电磁辐射发射源
Figure 101392DEST_PATH_IMAGE005
进行降序排列得到电磁辐射发射源贡献顺序；
选取所述电磁辐射发射源贡献顺序中前p(p<n)个电磁辐射发射源
Figure 132802DEST_PATH_IMAGE005
作为电磁辐射主发射源标记为
Figure 287840DEST_PATH_IMAGE008
，其中，所述前p个电磁辐射发射源
Figure 494830DEST_PATH_IMAGE005
的特征贡献率
Figure 686908DEST_PATH_IMAGE007
之和在预设贡献率阈值范围内；
将电磁辐射多源时序数据
Figure 346560DEST_PATH_IMAGE001
转换为电磁辐射主发射源
Figure 39709DEST_PATH_IMAGE008
的电磁辐射主源时序数据
Figure 960261DEST_PATH_IMAGE009
，其中，
Figure 713453DEST_PATH_IMAGE010
表征为时序
Figure 735767DEST_PATH_IMAGE004
处的电磁辐射主发射源
Figure 967028DEST_PATH_IMAGE011
的时序数据，p为电磁辐射主发射源的总数目，m为电磁辐射多源时序数据的时序总数目。
作为本发明的一种优选方案，所述步骤S2中，所述电磁辐射主源波动趋势模型的构建方法包括：
将所述电磁辐射主源时序数据
Figure 883031DEST_PATH_IMAGE009
拆分为两个连续时序段
Figure 931759DEST_PATH_IMAGE012
和
Figure 566002DEST_PATH_IMAGE013
的时序数据
Figure 479250DEST_PATH_IMAGE014
和
Figure 249760DEST_PATH_IMAGE015
，并分别作为训练时序样本和测试时序样本，其中，
Figure 344755DEST_PATH_IMAGE016
表征为时序
Figure 590929DEST_PATH_IMAGE017
处的训练样本，且为时序
Figure 163993DEST_PATH_IMAGE017
处的电磁辐射主源真实数据，
Figure 54588DEST_PATH_IMAGE018
表征为时序
Figure 461430DEST_PATH_IMAGE019
处的测试样本，且为时序
Figure 539107DEST_PATH_IMAGE019
处的电磁辐射主源真实数据，M表征为训练时序样本的时序总数目，m表征为电磁辐射多源时序数据的时序总数目；
将电磁辐射主发射源
Figure 447021DEST_PATH_IMAGE008
的训练时序样本
Figure 51177DEST_PATH_IMAGE014
和测试时序样本
Figure 753554DEST_PATH_IMAGE015
运用至CNN-LSTM时序预测模型中进行模型训练得到电磁辐射主源波动趋势模型
Figure 193894DEST_PATH_IMAGE020
，其中，
Figure 374339DEST_PATH_IMAGE021
表征为电磁辐射主发射源
Figure 973948DEST_PATH_IMAGE011
的电磁辐射主源波动趋势模型。
作为本发明的一种优选方案，所述电磁辐射主源波动趋势模型的构建方法还包括：
将所述训练时序样本
Figure 971860DEST_PATH_IMAGE014
依时序输入CNN卷积神经网络进行电磁辐射主发射源的波动特征提取，输出波动特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络滤波器设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.20；
将所述波动特征序列输入值LSTM长短期记忆网络中进行时序预测训练，输出连续时序段
Figure 24129DEST_PATH_IMAGE012
上的电磁辐射主源预测时序数据
Figure 8266DEST_PATH_IMAGE022
，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为电参特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为
Figure 337747DEST_PATH_IMAGE023
，M为训练时序样本的时序总数目，
Figure 381927DEST_PATH_IMAGE024
表征为电磁辐射主发射源
Figure 46126DEST_PATH_IMAGE011
在时序
Figure 833954DEST_PATH_IMAGE017
的电磁辐射主源真实数据，
Figure 408154DEST_PATH_IMAGE025
为LSTM长短期记忆网络输出的电磁辐射主发射源
Figure 230092DEST_PATH_IMAGE011
在时序
Figure 256954DEST_PATH_IMAGE017
的电磁辐射主源预测数据，
Figure 582893DEST_PATH_IMAGE026
表征为电磁辐射主发射源
Figure 870655DEST_PATH_IMAGE011
的预测误差；
根据误差
Figure 256637DEST_PATH_IMAGE026
最小原则以及所述测试时序样本
Figure 36374DEST_PATH_IMAGE015
测试结果确定出电磁辐射主发射源
Figure 775791DEST_PATH_IMAGE011
对应的 CNN卷积神经网络和LSTM长短期记忆网络的网络参数得到出电磁辐射主源波动趋势模型
Figure 59005DEST_PATH_IMAGE021
。
作为本发明的一种优选方案，所述电磁辐射主源波动趋势模型
Figure 740522DEST_PATH_IMAGE021
的输入为电磁辐射主源时序数据
Figure 741976DEST_PATH_IMAGE009
，输出为未来时序
Figure 409718DEST_PATH_IMAGE027
的预测电磁辐射主源时序数据
Figure 813018DEST_PATH_IMAGE028
，其中，
Figure 416168DEST_PATH_IMAGE029
表征为电磁辐射主发射源
Figure 639339DEST_PATH_IMAGE011
在未来时序
Figure 376351DEST_PATH_IMAGE030
处的电磁辐射主源预测数据，r为未来时序的总数目，m为电磁辐射多源时序数据的时序总数目。
作为本发明的一种优选方案，所述步骤S3中，所述监听因子的构建方法包括：
计算未来时序
Figure 493212DEST_PATH_IMAGE027
的电磁辐射主源时序数据
Figure 391898DEST_PATH_IMAGE031
与未来时序
Figure 367944DEST_PATH_IMAGE027
的预测电磁辐射主源时序数据
Figure 252854DEST_PATH_IMAGE028
的差异度时序链，所述差异度时序链的计算公式为：
Figure 365167DEST_PATH_IMAGE032
；
其中，
Figure 700333DEST_PATH_IMAGE033
表征为电磁辐射主发射源
Figure 757151DEST_PATH_IMAGE034
在时序
Figure 835965DEST_PATH_IMAGE035
的电磁辐射主源真实数据
Figure 68364DEST_PATH_IMAGE036
和电磁辐射主源预测数据
Figure 909850DEST_PATH_IMAGE037
的差异度；
将电磁辐射主发射源
Figure 860488DEST_PATH_IMAGE038
在未来时序
Figure 336469DEST_PATH_IMAGE039
的差异度时序链
Figure 423374DEST_PATH_IMAGE040
作为电磁辐射主发射源
Figure 834764DEST_PATH_IMAGE038
在未来时序
Figure 616906DEST_PATH_IMAGE039
的监听因子
Figure 37523DEST_PATH_IMAGE041
。
作为本发明的一种优选方案，所述步骤S3中，所述稳定性的判定方法包括：
若监听因子
Figure 978934DEST_PATH_IMAGE041
位于稳定阈值范围内，则所述电磁辐射主发射源k在未来时序
Figure 826805DEST_PATH_IMAGE035
处处于高稳定性；
若监听因子
Figure 345511DEST_PATH_IMAGE042
未位于稳定阈值范围内，则所述电磁辐射主发射源k在未来时序
Figure 304239DEST_PATH_IMAGE030
处处于低稳定性。
作为本发明的一种优选方案，所述步骤S3中，所述波动分析的方法包括：
将所述电磁辐射主发射源k中处于低稳定性的未来时序
Figure 365736DEST_PATH_IMAGE035
处的所有电磁辐射主源真实数据
Figure 259874DEST_PATH_IMAGE036
依时序链接为波动时序链；
将所述波动时序链进行曲线拟合得到波动特征分析曲线，所述波动特征分析曲线包含有电磁辐射主发射源k发射的电磁辐射的波动规律。
作为本发明的一种优选方案，本发明提供了一种根据所述的电磁辐射数据监控分析方法的分析系统，包括：
数据预处理单元，用于对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据；
模型建立单元，用于基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型；
稳定性监听单元，用于利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并根据监听因子判定电磁辐射主发射源的稳定性。
本发明与现有技术相比较具有如下有益效果：
本发明利用主成分分析电磁辐射多源时序数据计算出目标区域内多个电磁辐射发射源在每个时序上的特征贡献率，根据特征贡献率识别出目标区域内作为对电磁辐射多源时序数据的波动特征具有主要影响的电磁辐射主发射源，因此通过对电磁辐射主发射源的进行稳定性预测以及稳定性监听，可实现掌握目标区域的电磁辐射的波动特征，得到目标区域的电磁辐射的波动规律。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的电磁辐射数据监控分析方法流程图；
图2为本发明实施例提供的分析系统结构框图。
图中的标号分别表示如下：
1-数据预处理单元；2-模型建立单元；3-稳定性监听单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种电磁辐射数据监控分析方法，包括以下步骤：
在测定包含多个电磁辐射发射源的目标区域内的电磁辐射的波动规律时，需要利用由多个电磁辐射发射源综合作用产生的辐射数据（本实施例中的电磁辐射多源时序数据）判断出处于强烈波动（稳定性低）的电磁辐射主发射源，即电磁辐射主发射源稳定性低，是造成电磁辐射多源时序数据产生波动的主要影响因素，只需掌握电磁辐射主发射源的波动特征，就能够掌握到整个目标区域的电磁辐射的波动规律，无需对所有电磁辐射发射源进行波动分析，降低了数据处理量，提高了分析效率。
步骤S1、对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据，电磁辐射主源时序数据表征为电磁辐射主发射源的波动特征；
步骤S1中，电磁辐射主源时序数据的识别方法包括：
将电磁辐射多源时序数据
Figure 875663DEST_PATH_IMAGE001
按时序量化为时序特征矩阵
Figure 638083DEST_PATH_IMAGE002
，其中，
Figure 678720DEST_PATH_IMAGE003
表征为时序
Figure 602814DEST_PATH_IMAGE004
处的电磁辐射发射源
Figure 237057DEST_PATH_IMAGE005
的时序数据，n为电磁辐射发射源的总数目，m为电磁辐射多源时序数据的时序总数目；
对时序特征矩阵进行主成分分析得到电磁辐射发射源
Figure 412955DEST_PATH_IMAGE006
的特征贡献率
Figure 183465DEST_PATH_IMAGE007
，并按特征贡献率
Figure 278460DEST_PATH_IMAGE007
对电磁辐射发射源
Figure 259054DEST_PATH_IMAGE005
进行降序排列得到电磁辐射发射源贡献顺序；
选取电磁辐射发射源贡献顺序中前p(p<n)个电磁辐射发射源
Figure 363276DEST_PATH_IMAGE005
作为电磁辐射主发射源标记为
Figure 253872DEST_PATH_IMAGE008
，其中，前p个电磁辐射发射源
Figure 392205DEST_PATH_IMAGE005
的特征贡献率
Figure 735461DEST_PATH_IMAGE007
之和在预设贡献率阈值范围内；
将电磁辐射多源时序数据
Figure 377795DEST_PATH_IMAGE001
转换为电磁辐射主发射源
Figure 122897DEST_PATH_IMAGE008
的电磁辐射主源时序数据
Figure 684329DEST_PATH_IMAGE009
，其中，
Figure 514881DEST_PATH_IMAGE010
表征为时序
Figure 960906DEST_PATH_IMAGE004
处的电磁辐射主发射源
Figure 435881DEST_PATH_IMAGE011
的时序数据，p为电磁辐射主发射源的总数目，m为电磁辐射多源时序数据的时序总数目。
本实施例提供一种识别方法的实例，目标区域的电磁辐射多源时序数据如表1所示。
表1 电磁辐射多源时序数据
Figure 309159DEST_PATH_IMAGE043
以上数据就很难观察出哪个发射源是导致目标区域电磁辐射波动的主要发射源，主成分分析步骤：
将电磁辐射多源时序数据转变为时序特征矩阵如表2所示。
表2 时序特征矩阵
Figure 361429DEST_PATH_IMAGE044
对每个发射源求时序特征均值如表3所示。
表3 时序特征均值
Figure 470199DEST_PATH_IMAGE045
将时序特征矩阵进行去均值处理得到去中心化矩阵，如表4所示。
表4 去中心化矩阵
Figure 189893DEST_PATH_IMAGE046
计算协方差矩阵的特征值与特征向量，如表5、6所示。
表5 协方差矩阵
Figure 234073DEST_PATH_IMAGE047
表6 特征值矩阵
Figure 383426DEST_PATH_IMAGE048
计算每个发射源的特征贡献率并排序，如表7所示。
表7 特征贡献率矩阵
Figure 171253DEST_PATH_IMAGE049
一般取累计贡献率达85%-95%发射源作为主发射源，发射源6和发射源5的累计贡献率达到99.8%。因此发射源6和发射源5为目标区域的电磁辐射主发射源，即发射源6和发射源5时目标区域电磁辐射发生波动的主要影响因素，发射源6和发射源5的电磁辐射主源时序数据如表8所示。
表8电磁辐射主源时序数据
Figure 745454DEST_PATH_IMAGE050
步骤S2、基于电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型，电磁辐射主源波动趋势模型用于输出电磁辐射主源时序数据在未来时序的预测发展趋势；
为了使得电磁辐射主源波动趋势模型的预测准确率较高需要获得大数量级的电磁辐射主源数据，如表9所示。
表9 电磁辐射主源时序数据
Figure 85168DEST_PATH_IMAGE051
步骤S2中，电磁辐射主源波动趋势模型的构建方法包括：
将电磁辐射主源时序数据
Figure 112030DEST_PATH_IMAGE009
拆分为两个连续时序段
Figure 437969DEST_PATH_IMAGE012
和
Figure 7622DEST_PATH_IMAGE013
的时序数据
Figure 128025DEST_PATH_IMAGE014
和
Figure 642183DEST_PATH_IMAGE015
，并分别作为训练时序样本和测试时序样本，其中，
Figure 896446DEST_PATH_IMAGE016
表征为时序
Figure 445239DEST_PATH_IMAGE017
处的训练样本，且为时序
Figure 736544DEST_PATH_IMAGE017
处的电磁辐射主源真实数据，
Figure 616293DEST_PATH_IMAGE018
表征为时序
Figure 549614DEST_PATH_IMAGE019
处的测试样本，且为时序
Figure 952914DEST_PATH_IMAGE019
处的电磁辐射主源真实数据，M表征为训练时序样本的时序总数目，m表征为电磁辐射多源时序数据的时序总数目；
将电磁辐射主发射源
Figure 539753DEST_PATH_IMAGE008
的训练时序样本
Figure 28503DEST_PATH_IMAGE014
和测试时序样本
Figure 765515DEST_PATH_IMAGE015
运用至CNN-LSTM时序预测模型中进行模型训练得到电磁辐射主源波动趋势模型
Figure 23321DEST_PATH_IMAGE020
，其中，
Figure 531794DEST_PATH_IMAGE021
表征为电磁辐射主发射源
Figure 507840DEST_PATH_IMAGE011
的电磁辐射主源波动趋势模型。
电磁辐射主源波动趋势模型的构建方法还包括：
将训练时序样本
Figure 642018DEST_PATH_IMAGE014
依时序输入CNN卷积神经网络进行电磁辐射主发射源的波动特征提取，输出波动特征序列，其中，CNN卷积神经网络的训练参数设定包括：网络滤波器设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.20；
将波动特征序列输入值LSTM长短期记忆网络中进行时序预测训练，输出连续时序段
Figure 754331DEST_PATH_IMAGE012
上的电磁辐射主源预测时序数据
Figure 89497DEST_PATH_IMAGE022
，其中，LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为电参特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为
Figure 897047DEST_PATH_IMAGE023
，M为训练时序样本的时序总数目，
Figure 975862DEST_PATH_IMAGE024
表征为电磁辐射主发射源
Figure 942681DEST_PATH_IMAGE011
在时序
Figure 448748DEST_PATH_IMAGE017
的电磁辐射主源真实数据，
Figure 992862DEST_PATH_IMAGE025
为LSTM长短期记忆网络输出的电磁辐射主发射源
Figure 609788DEST_PATH_IMAGE011
在时序
Figure 306480DEST_PATH_IMAGE017
的电磁辐射主源预测数据，
Figure 983449DEST_PATH_IMAGE026
表征为电磁辐射主发射源
Figure 155804DEST_PATH_IMAGE011
的预测误差；
根据误差
Figure 576421DEST_PATH_IMAGE026
最小原则以及测试时序样本
Figure 376887DEST_PATH_IMAGE015
测试结果确定出电磁辐射主发射源
Figure 224758DEST_PATH_IMAGE011
对应的 CNN卷积神经网络和LSTM长短期记忆网络的网络参数得到出电磁辐射主源波动趋势模型
Figure 884409DEST_PATH_IMAGE021
。
电磁辐射主源波动趋势模型
Figure 449995DEST_PATH_IMAGE021
的输入为电磁辐射主源时序数据
Figure 511492DEST_PATH_IMAGE009
，输出为未来时序
Figure 264684DEST_PATH_IMAGE027
的预测电磁辐射主源时序数据
Figure 536266DEST_PATH_IMAGE028
，其中，
Figure 33106DEST_PATH_IMAGE029
表征为电磁辐射主发射源
Figure 949109DEST_PATH_IMAGE011
在未来时序
Figure 14149DEST_PATH_IMAGE030
处的电磁辐射主源预测数据，r为未来时序的总数目，m为电磁辐射多源时序数据的时序总数目。
电磁辐射主源波动趋势模型输入输出结果如表10所示。
表10 电磁辐射主源波动趋势模型输入输出结果
Figure 382813DEST_PATH_IMAGE052
可预测出发射源5和发射源6在未来时序上的电磁辐射值，一旦发射源5和发射源6发生异常波动，则会打破发射源5和发射源6的辐射发射的稳定性，导致发射源5和发射源6在未来时序上的真实电磁辐射值与发射源5和发射源6在未来时序上的预测电磁辐射值不一致，而不一致的时序正好体现了发射源5和6的异常波动的发生时序，本实施例提供了一种监听因子用于监测发射源5和6的异常波动的发生时序。
步骤S3、利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并根据监听因子判定电磁辐射主发射源的稳定性，以及根据稳定性对电磁辐射主发射源进行波动分析，实现对目标区域内电磁辐射主发射源的波动监听以掌握电磁辐射主发射源的波动特征。
步骤S3中，监听因子的构建方法包括：
计算未来时序
Figure 417765DEST_PATH_IMAGE027
的电磁辐射主源时序数据
Figure 578488DEST_PATH_IMAGE031
与未来时序
Figure 939062DEST_PATH_IMAGE027
的预测电磁辐射主源时序数据
Figure 529444DEST_PATH_IMAGE028
的差异度时序链，差异度时序链的计算公式为：
Figure 509032DEST_PATH_IMAGE032
；
其中，
Figure 399628DEST_PATH_IMAGE033
表征为电磁辐射主发射源
Figure 931103DEST_PATH_IMAGE034
在时序
Figure 133414DEST_PATH_IMAGE035
的电磁辐射主源真实数据
Figure 775748DEST_PATH_IMAGE036
和电磁辐射主源预测数据
Figure 520850DEST_PATH_IMAGE037
的差异度；
将电磁辐射主发射源
Figure 833014DEST_PATH_IMAGE038
在未来时序
Figure 663567DEST_PATH_IMAGE039
的差异度时序链
Figure 109592DEST_PATH_IMAGE040
作为电磁辐射主发射源
Figure 709200DEST_PATH_IMAGE038
在未来时序
Figure 441533DEST_PATH_IMAGE039
的监听因子
Figure 759382DEST_PATH_IMAGE041
。
电磁辐射主发射源的真实监测输出和模型预测输出如表11所示。
表11电磁辐射主发射源的真实监测输出和模型预测输出。
Figure 9098DEST_PATH_IMAGE053
电磁辐射主发射源的监听因子如表12所示。
表12 电磁辐射主发射源的监听因子
Figure 87648DEST_PATH_IMAGE054
步骤S3中，稳定性的判定方法包括：
若监听因子
Figure 131827DEST_PATH_IMAGE041
位于稳定阈值范围内，则电磁辐射主发射源k在未来时序
Figure 936972DEST_PATH_IMAGE035
处处于高稳定性；
若监听因子
Figure 849434DEST_PATH_IMAGE041
未位于稳定阈值范围内，则电磁辐射主发射源k在未来时序
Figure 158055DEST_PATH_IMAGE035
处处于低稳定性。
本实施例对稳定阈值范围不作限定，由使用者进行自定义。
步骤S3中，波动分析的方法包括：
将电磁辐射主发射源k中处于低稳定性的未来时序
Figure 373136DEST_PATH_IMAGE035
处的所有电磁辐射主源真实数据
Figure 540943DEST_PATH_IMAGE036
依时序链接为波动时序链；
将波动时序链进行曲线拟合得到波动特征分析曲线，波动特征分析曲线包含有电磁辐射主发射源k发射的电磁辐射的波动规律，波动特征分析曲线仅包含电磁辐射主发射源k发射的电磁辐射出现异常波动的时序，可以对电磁辐射主发射源k的电磁辐射主源时序数据进行压缩成仅保留异常波动特征的时序数据，能够降低波动分析的数据处理量，从而更为精准的分析出波动规律。
如图2所示，基于上述电磁辐射数据监控分析方法，本发明提供了一种分析系统，包括：
数据预处理单元1，用于对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据；
模型建立单元2，用于基于电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型；
稳定性监听单元3，用于利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并根据监听因子判定电磁辐射主发射源的稳定性。
本发明利用主成分分析电磁辐射多源时序数据计算出目标区域内多个电磁辐射发射源在每个时序上的特征贡献率，根据特征贡献率识别出目标区域内作为对电磁辐射多源时序数据的波动特征具有主要影响的电磁辐射主发射源，因此通过对电磁辐射主发射源的进行稳定性预测以及稳定性监听，可实现掌握目标区域的电磁辐射的波动特征，得到目标区域的电磁辐射的波动规律。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (6)

1.一种电磁辐射数据监控分析方法，其特征在于，包括以下步骤：
步骤S1、对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据，所述电磁辐射主源时序数据表征为电磁辐射主发射源的波动特征；
步骤S2、基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型，所述电磁辐射主源波动趋势模型用于输出电磁辐射主源时序数据在未来时序的预测发展趋势；
步骤S3、利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并根据监听因子判定电磁辐射主发射源的稳定性，以及根据所述稳定性对所述电磁辐射主发射源进行波动分析，实现对目标区域内电磁辐射主发射源的波动监听以掌握电磁辐射主发射源的波动特征；
所述监听因子的构建方法包括：
计算未来时序
Figure 42538DEST_PATH_IMAGE001
的电磁辐射主源时序数据
Figure 427252DEST_PATH_IMAGE002
与未来时序
Figure 302804DEST_PATH_IMAGE001
的预测电磁辐射主源时序数据
Figure 207306DEST_PATH_IMAGE003
的差异度时序链，所述差异度时序链的计算公式为：
Figure 244532DEST_PATH_IMAGE004
；
其中，
Figure 382122DEST_PATH_IMAGE005
表征为电磁辐射主发射源
Figure 671152DEST_PATH_IMAGE007
在时序
Figure 554794DEST_PATH_IMAGE008
的电磁辐射主源真实数据
Figure 153134DEST_PATH_IMAGE009
和电磁辐射主源预测数据
Figure 387807DEST_PATH_IMAGE010
的差异度；
将电磁辐射主发射源
Figure 214948DEST_PATH_IMAGE011
在未来时序
Figure 218677DEST_PATH_IMAGE001
的差异度时序链
Figure 719409DEST_PATH_IMAGE012
作为电磁辐射主发射源
Figure 175798DEST_PATH_IMAGE011
在未来时序
Figure 806631DEST_PATH_IMAGE001
的监听因子
Figure 664866DEST_PATH_IMAGE013
；
所述稳定性的判定方法包括：
若监听因子
Figure 605009DEST_PATH_IMAGE013
位于稳定阈值范围内，则所述电磁辐射主发射源k在未来时序
Figure 689639DEST_PATH_IMAGE008
处处于高稳定性；
若监听因子
Figure 983217DEST_PATH_IMAGE013
未位于稳定阈值范围内，则所述电磁辐射主发射源k在未来时序
Figure 820592DEST_PATH_IMAGE008
处处于低稳定性；
所述波动分析的方法包括：
将所述电磁辐射主发射源k中处于低稳定性的未来时序
Figure 807003DEST_PATH_IMAGE008
处的所有电磁辐射主源真实数据
Figure 113350DEST_PATH_IMAGE009
依时序链接为波动时序链；
将所述波动时序链进行曲线拟合得到波动特征分析曲线，所述波动特征分析曲线包含有电磁辐射主发射源k发射的电磁辐射的波动规律。
2.根据权利要求1所述的一种电磁辐射数据监控分析方法，其特征在于：所述步骤S1中，所述电磁辐射主源时序数据的识别方法包括：
将所述电磁辐射多源时序数据
Figure 476199DEST_PATH_IMAGE014
按时序量化为时序特征矩阵
Figure 168080DEST_PATH_IMAGE015
，其中，
Figure 325392DEST_PATH_IMAGE016
表征为时序
Figure 119036DEST_PATH_IMAGE017
处的电磁辐射发射源
Figure 754416DEST_PATH_IMAGE018
的时序数据，n为电磁辐射发射源的总数目，m为电磁辐射多源时序数据的时序总数目；
对所述时序特征矩阵进行主成分分析得到电磁辐射发射源
Figure 834892DEST_PATH_IMAGE018
的特征贡献率
Figure 38472DEST_PATH_IMAGE019
，并按特征贡献率
Figure 444045DEST_PATH_IMAGE019
对电磁辐射发射源
Figure 273330DEST_PATH_IMAGE018
进行降序排列得到电磁辐射发射源贡献顺序；
选取所述电磁辐射发射源贡献顺序中前p个电磁辐射发射源
Figure 815170DEST_PATH_IMAGE018
作为电磁辐射主发射源标记为
Figure 189650DEST_PATH_IMAGE011
，其中，p<n，所述前p个电磁辐射发射源
Figure 207154DEST_PATH_IMAGE018
的特征贡献率
Figure 184337DEST_PATH_IMAGE019
之和在预设贡献率阈值范围内；
将电磁辐射多源时序数据
Figure 721629DEST_PATH_IMAGE014
转换为电磁辐射主发射源
Figure 391644DEST_PATH_IMAGE011
的电磁辐射主源时序数据
Figure 896444DEST_PATH_IMAGE020
，其中，
Figure 83843DEST_PATH_IMAGE021
表征为时序
Figure 600275DEST_PATH_IMAGE017
处的电磁辐射主发射源
Figure 562896DEST_PATH_IMAGE007
的时序数据，p为电磁辐射主发射源的总数目，m为电磁辐射多源时序数据的时序总数目。
3.根据权利要求2所述的一种电磁辐射数据监控分析方法，其特征在于：所述步骤S2中，所述电磁辐射主源波动趋势模型的构建方法包括：
将所述电磁辐射主源时序数据
Figure 305724DEST_PATH_IMAGE020
拆分为两个连续时序段
Figure 890289DEST_PATH_IMAGE022
和
Figure 385861DEST_PATH_IMAGE023
的时序数据
Figure 397680DEST_PATH_IMAGE024
和
Figure 627804DEST_PATH_IMAGE025
，并分别作为训练时序样本和测试时序样本，其中，
Figure 140694DEST_PATH_IMAGE026
表征为时序
Figure 631718DEST_PATH_IMAGE027
处的训练样本，且为时序
Figure 689804DEST_PATH_IMAGE027
处的电磁辐射主源真实数据，
Figure 266279DEST_PATH_IMAGE028
表征为时序
Figure 317280DEST_PATH_IMAGE029
处的测试样本，且为时序
Figure 538177DEST_PATH_IMAGE029
处的电磁辐射主源真实数据，M表征为训练时序样本的时序总数目，m为电磁辐射多源时序数据的时序总数目；
将电磁辐射主发射源
Figure 157377DEST_PATH_IMAGE011
的训练时序样本
Figure 83132DEST_PATH_IMAGE024
和测试时序样本
Figure 547612DEST_PATH_IMAGE025
运用至CNN-LSTM时序预测模型中进行模型训练得到电磁辐射主源波动趋势模型
Figure 623015DEST_PATH_IMAGE030
，其中，
Figure 678696DEST_PATH_IMAGE031
表征为电磁辐射主发射源
Figure 823238DEST_PATH_IMAGE007
的电磁辐射主源波动趋势模型。
4.根据权利要求3所述的一种电磁辐射数据监控分析方法，其特征在于：所述电磁辐射主源波动趋势模型的构建方法还包括：
将所述训练时序样本
Figure 356988DEST_PATH_IMAGE024
依时序输入CNN卷积神经网络进行电磁辐射主发射源的波动特征提取，输出波动特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络滤波器设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.20；
将所述波动特征序列输入至LSTM长短期记忆网络中进行时序预测训练，输出连续时序段
Figure 286898DEST_PATH_IMAGE022
上的电磁辐射主源预测时序数据
Figure 372534DEST_PATH_IMAGE032
，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为电参特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为
Figure 145318DEST_PATH_IMAGE033
，M为训练时序样本的时序总数目，
Figure 92546DEST_PATH_IMAGE034
表征为电磁辐射主发射源
Figure 1596DEST_PATH_IMAGE007
在时序
Figure 258134DEST_PATH_IMAGE027
的电磁辐射主源真实数据，
Figure 518214DEST_PATH_IMAGE035
为LSTM长短期记忆网络输出的电磁辐射主发射源
Figure 269132DEST_PATH_IMAGE007
在时序
Figure 298268DEST_PATH_IMAGE027
的电磁辐射主源预测数据，
Figure 480636DEST_PATH_IMAGE036
表征为电磁辐射主发射源
Figure 228012DEST_PATH_IMAGE007
的预测误差；
根据误差
Figure 517042DEST_PATH_IMAGE036
最小原则以及所述测试时序样本
Figure 790897DEST_PATH_IMAGE025
测试结果确定出电磁辐射主发射源
Figure 999025DEST_PATH_IMAGE007
对应的 CNN卷积神经网络和LSTM长短期记忆网络的网络参数得到电磁辐射主源波动趋势模型
Figure 843484DEST_PATH_IMAGE031
。
5.根据权利要求4所述的一种电磁辐射数据监控分析方法，其特征在于：所述电磁辐射主源波动趋势模型
Figure 326418DEST_PATH_IMAGE031
的输入为电磁辐射主源时序数据
Figure 189200DEST_PATH_IMAGE020
，输出为未来时序
Figure 833808DEST_PATH_IMAGE001
的预测电磁辐射主源时序数据
Figure 431143DEST_PATH_IMAGE003
，其中，
Figure 311243DEST_PATH_IMAGE010
表征为电磁辐射主发射源
Figure 169478DEST_PATH_IMAGE007
在未来时序
Figure 125932DEST_PATH_IMAGE008
处的电磁辐射主源预测数据，r为未来时序的总数目，m为电磁辐射多源时序数据的时序总数目。
6.一种根据权利要求1-5任一项所述的电磁辐射数据监控分析方法构建的分析系统，其特征在于，包括：
数据预处理单元（1），用于对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据；
模型建立单元（2），用于基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型；
稳定性监听单元（3），用于利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子，并根据监听因子判定电磁辐射主发射源的稳定性。
CN202111095842.6A 2021-09-18 2021-09-18 一种电磁辐射数据监控分析方法及系统 Active CN113553776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111095842.6A CN113553776B (zh) 2021-09-18 2021-09-18 一种电磁辐射数据监控分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111095842.6A CN113553776B (zh) 2021-09-18 2021-09-18 一种电磁辐射数据监控分析方法及系统

Publications (2)

Publication Number Publication Date
CN113553776A CN113553776A (zh) 2021-10-26
CN113553776B true CN113553776B (zh) 2022-02-08

Family

ID=78134424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111095842.6A Active CN113553776B (zh) 2021-09-18 2021-09-18 一种电磁辐射数据监控分析方法及系统

Country Status (1)

Country Link
CN (1) CN113553776B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107238873A (zh) * 2017-05-05 2017-10-10 池德龙 一种关于气旋状态的统计分析预报系统及调节方法
WO2019222556A1 (en) * 2018-05-16 2019-11-21 Gtx, Inc. Selective androgen receptor degrader (sard) ligands and methods of use thereof
CN111244975A (zh) * 2020-03-09 2020-06-05 特变电工西安电气科技有限公司 一种基于主从微电网系统离网运行模式的稳定控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561251B (zh) * 2020-11-30 2022-10-25 广东电网有限责任公司广州供电局 配电网异常点检测方法、装置、计算机设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107238873A (zh) * 2017-05-05 2017-10-10 池德龙 一种关于气旋状态的统计分析预报系统及调节方法
WO2019222556A1 (en) * 2018-05-16 2019-11-21 Gtx, Inc. Selective androgen receptor degrader (sard) ligands and methods of use thereof
CN111244975A (zh) * 2020-03-09 2020-06-05 特变电工西安电气科技有限公司 一种基于主从微电网系统离网运行模式的稳定控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Electromagnetic Disturbance of Electric Drive System Signal is Extracted Based on PLS;Yun Wang 等;《AIP Conference Proceedings》;20180531;第020028-1-020028-5页 *
人工视网膜的电磁辐射抗扰度测试方法及测试平台研究;郝烨 等;《中国医疗设备》;20190910;第34卷(第9期);第13-16、23页 *

Also Published As

Publication number Publication date
CN113553776A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
US6487523B2 (en) Model for spectral and chromatographic data
CN116559598B (zh) 一种智慧配电网故障定位方法及系统
Corbetta et al. On dynamic state-space models for fatigue-induced structural degradation
CN110632546B (zh) 基于全网域证据集的电子式互感器可信度评估方法和装置
CN105158200A (zh) 一种提高近红外光谱定性分析准确度的建模方法
Aufort et al. Constraining the recent star formation history of galaxies: an approximate Bayesian computation approach
Bhaduri et al. Multiplicity fluctuation and phase transition in high-energy collision—A chaos-based study with complex network perspective
CN114548493A (zh) 一种电能表电流过载预测方法与系统
CN113553776B (zh) 一种电磁辐射数据监控分析方法及系统
CN114118460A (zh) 基于变分自编码器的低压台区线损率异常检测方法及装置
CN116340757B (zh) 一种特征自适应地震预警震级预测方法及其系统
Huan et al. A variable selection method of near infrared spectroscopy based on automatic weighting variable combination population analysis
US20130304396A1 (en) Online statistical analysis of neutron time intervals using bayesian probability analysis
Musselle Insights into the antigen sampling component of the dendritic cell algorithm
CN112395280B (zh) 一种数据质量检测方法及其系统
CN114861800A (zh) 模型训练方法、概率确定方法、装置、设备、介质及产品
Veronig et al. Determination of fractal dimensions of solar radio bursts
JPH0750042B2 (ja) スペクトル分析装置における状態分析方法
Van Milligen et al. Function parametrization: a fast inverse mapping method
Soulsbury et al. A rules-based approach to classification of chemical acoustic emission signals
Srinivasan et al. Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction
Lista Hypothesis Testing
Dixon et al. Data Assimilation Applied to Pressurised Water Reactors
Clark et al. Measurement of the top quark mass in the $ t\bar {t}\rightarrow $ lepton+ jets channel from $\sqrt {s}= 8$ TeV ATLAS data and combination with previous results
Alamaniotis et al. Short-term gamma background anticipation using learning Gaussian processes

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
CP03 Change of name, title or address

Address after: 610015 No. 1534, floor 15, building 1, No. 88, Guanghua South Third Road, Qingyang District, Chengdu, Sichuan Province

Patentee after: Nobicam Artificial Intelligence Technology (Chengdu) Co.,Ltd.

Address before: No. 1534, floor 15, building 1, No. 88, Guanghua South Third Road, Qingyang District, Chengdu, Sichuan 610074

Patentee before: CHENGDU NUOBIKAN TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address