CN113780691B - 数据测试方法、装置、电子设备及存储介质 - Google Patents

数据测试方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113780691B
CN113780691B CN202010515895.8A CN202010515895A CN113780691B CN 113780691 B CN113780691 B CN 113780691B CN 202010515895 A CN202010515895 A CN 202010515895A CN 113780691 B CN113780691 B CN 113780691B
Authority
CN
China
Prior art keywords
data
tested
cluster
parameter
target
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
CN202010515895.8A
Other languages
English (en)
Other versions
CN113780691A (zh
Inventor
王正峯
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.)
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry Co Ltd
Original Assignee
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry 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 Futaihua Industry Shenzhen Co Ltd, Hon Hai Precision Industry Co Ltd filed Critical Futaihua Industry Shenzhen Co Ltd
Priority to CN202010515895.8A priority Critical patent/CN113780691B/zh
Priority to US17/333,472 priority patent/US11971959B2/en
Publication of CN113780691A publication Critical patent/CN113780691A/zh
Application granted granted Critical
Publication of CN113780691B publication Critical patent/CN113780691B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种数据测试方法、装置、电子设备及存储介质。该方法包括：响应于接收到的数据测试指令，从所述数据测试指令中获取待测试参数；从初始数据集中获取与所述待测试参数对应的目标数据；基于DBSCAN聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇；确定所述簇的数量；响应于所述簇的数量大于预设阈值，基于所述至少一个簇构建散点图；将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数；以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证。本发明能够自动识别对应的函数对待测试参数进行测试。

Description

数据测试方法、装置、电子设备及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种数据测试方法、装置、电子设备及存储介质。
背景技术
产线上的各个工站提供产品的某道工序，为了保证产线的正常运行，通常在这道工序完成之后，需要对产线上该道工序进行测试，通过测试才会进入下一个工站，而下一个工站会有另一套前期测试以确保上一个工站产出的半成品的品质无误。
如果没有通过测试，则会进入重工维修，导致成本上升。因此，如果可以在进入下一个工站之前就预测出是否能够通过其前期测试，能够有效节约测试与维修往返所浪费的时间。
目前，若要预测下一个工站的测试结果，通常要依靠经验来猜测两个工站的哪些测试参数之间有关联，需要采用哪种函数计算，再进行回归分析。但每个工站可能有成千上百个测试参数，采用人工分析显然会严重影响测试效率。因此，如何自动分析所有参数间的函数关系并进行测试成了亟需解决的问题。
发明内容
鉴于以上内容，有必要提供一种数据测试方法、装置、电子设备及存储介质，能够自动识别对应的函数对待测试参数进行测试。
一种数据测试方法，所述方法包括：
响应于接收到的数据测试指令，从所述数据测试指令中获取待测试参数；
从初始数据集中获取与所述待测试参数对应的目标数据；
基于DBSCAN聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇；
确定所述簇的数量；
响应于所述簇的数量大于预设阈值，基于所述至少一个簇构建散点图；
将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数；
以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证。
根据本发明优选实施例，所述方法还包括：
确定所述待测试参数所属的目标工站；
获取所述目标工站对应的上一工站的数据；
以获取的数据构建所述初始数据集。
根据本发明优选实施例，所述基于DBSCAN聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇包括：
标记所述目标数据，得到核心点、边界点及噪声点；
以所述噪声点作为所述离散点，并删除所述离散点；
计算每两个核心点间的第一距离；
连通所述第一距离在Eps之内的所有核心点，得到至少一个初始簇；
对于每个边界点，计算所述边界点与每个初始簇的中心点间的第二距离；
将所述边界点划分至最小的第二距离对应的初始簇中；
整合所有划分后的初始簇，得到所述至少一个簇。
根据本发明优选实施例，所述方法还包括：
获取历史数据中的所有散点图；
对所述所有散点图进行分类训练，得到所述预测模型。
根据本发明优选实施例，所述将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数包括：
采用配置图像比对算法将所述散点图输入至所述预测模型中进行比对，得到所述目标函数。
根据本发明优选实施例，所述以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证包括：
获取所述待测试参数对应的当前数据，并从所述分析结果中获取所述待测试参数对应的预测数据；
计算所述预测数据与所述当前数据间的相似度；
当所述相似度大于或者等于预设相似度时，确定所述待测试参数通过验证；或者
当所述相似度小于所述预设相似度时，确定所述待测试参数未通过验证。
根据本发明优选实施例，所述方法还包括:
当所述散点图在所述预测模型中匹配失败时，确定所述散点图的类型；
获取与所述散点图的类型对应的函数；
利用获取的函数对所述预测模型进行补充训练。
一种数据测试装置，所述装置包括：
获取单元，用于响应于接收到的数据测试指令，从所述数据测试指令中获取待测试参数；
所述获取单元，还用于从初始数据集中获取与所述待测试参数对应的目标数据；
聚类单元，用于基于DBSCAN聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇；
确定单元，用于确定所述簇的数量；
构建单元，用于响应于所述簇的数量大于预设阈值，基于所述至少一个簇构建散点图；
比对单元，用于将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数；
验证单元，用于以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证。
根据本发明优选实施例，所述确定单元，还用于确定所述待测试参数所属的目标工站；
所述获取单元，还用于获取所述目标工站对应的上一工站的数据；
所述构建单元，还用于以获取的数据构建所述初始数据集。
根据本发明优选实施例，所述聚类单元具体用于：
标记所述目标数据，得到核心点、边界点及噪声点；
以所述噪声点作为所述离散点，并删除所述离散点；
计算每两个核心点间的第一距离；
连通所述第一距离在Eps之内的所有核心点，得到至少一个初始簇；
对于每个边界点，计算所述边界点与每个初始簇的中心点间的第二距离；
将所述边界点划分至最小的第二距离对应的初始簇中；
整合所有划分后的初始簇，得到所述至少一个簇。
根据本发明优选实施例，所述获取单元，还用于获取历史数据中的所有散点图；
所述装置还包括：
训练单元，用于对所述所有散点图进行分类训练，得到所述预测模型。
根据本发明优选实施例，所述比对单元具体用于：
采用配置图像比对算法将所述散点图输入至所述预测模型中进行比对，得到所述目标函数。
根据本发明优选实施例，所述验证单元具体用于：
获取所述待测试参数对应的当前数据，并从所述分析结果中获取所述待测试参数对应的预测数据；
计算所述预测数据与所述当前数据间的相似度；
当所述相似度大于或者等于预设相似度时，确定所述待测试参数通过验证；或者
当所述相似度小于所述预设相似度时，确定所述待测试参数未通过验证。
根据本发明优选实施例，所述确定单元，还用于当所述散点图在所述预测模型中匹配失败时，确定所述散点图的类型；
所述获取单元，还用于获取与所述散点图的类型对应的函数；
所述训练单元，还用于利用获取的函数对所述预测模型进行补充训练。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述数据测试方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述数据测试方法。
由以上技术方案可以看出，本发明能够响应于接收到的数据测试指令，从所述数据测试指令中获取待测试参数，并从初始数据集中获取与所述待测试参数对应的目标数据，以便后续基于初始数据对所述待测试参数进行验证，进一步基于DBSCAN聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇，确定所述簇的数量，响应于所述簇的数量大于预设阈值，基于所述至少一个簇构建散点图，并将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数，实现对函数的自动识别及选择，进一步以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证，进而实现对待测试参数高效且准确地自动测试。
附图说明
图1是本发明数据测试方法的较佳实施例的流程图。
图2是本发明数据测试装置的较佳实施例的功能模块图。
图3是本发明实现数据测试方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明数据测试方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述数据测试方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，响应于接收到的数据测试指令，从所述数据测试指令中获取待测试参数。
其中，所述数据测试指令可以由相关工作人员触发，如测试人员等。
在本实施例中，所述待测试参数可以包括，但不限于以下一种或者多种的组合：
电压、电阻、电流、频率、温度等。
S11，从初始数据集中获取与所述待测试参数对应的目标数据。
例如：当所述待测试参数为电压时，所述目标数据即为所述初始数据集中电压的具体数值。
在本发明的至少一个实施例中，在从所述初始数据集中获取与所述待测试参数对应的所述目标数据前，所述方法还包括：
构建所述初始数据集。
具体地，所述构建所述初始数据集包括：
确定所述待测试参数所属的目标工站；
获取所述目标工站对应的上一工站的数据；
以获取的数据构建所述初始数据集。
通过上述实施方式，能够基于上一工站的数据对下一工站中参数设定的正确性进行有效验证。
当然，在其他实施例中，还可以以初始工站的数据对当前的工站进行测试，本发明不限制。
S12，基于DBSCAN(Density-Based Spatial Clustering of Applications withNoise，基于密度的聚类算法)聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇。
在本实施例中，所述基于DBSCAN聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇包括：
标记所述目标数据，得到核心点、边界点及噪声点；
以所述噪声点作为所述离散点，并删除所述离散点；
计算每两个核心点间的第一距离；
连通所述第一距离在Eps之内的所有核心点，得到至少一个初始簇；
对于每个边界点，计算所述边界点与每个初始簇的中心点间的第二距离；
将所述边界点划分至最小的第二距离对应的初始簇中；
整合所有划分后的初始簇，得到所述至少一个簇。
其中，Eps是指DBSCAN算法参数，属于一种距离阈值。
在本实施例中，所述DBSCAN聚类算法不需要事先知道要形成的簇的数量，且能够识别出噪声点并去除，能够发现任意形状的簇，识别效果更优，更加适用于工站参数。
S13，确定所述簇的数量。
在本实施例中，所述簇的数量用于判断是否满足构建散点图的条件。
S14，响应于所述簇的数量大于预设阈值，基于所述至少一个簇构建散点图。
例如：所述预设阈值可以为0。
另外，本实施例对构建散点图的方式不做限制。
在本实施例中，当所述簇的数量小于或者等于所述预设阈值时，停止测试。
S15，将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数。
在本发明的至少一个实施例中，所述方法还包括：
训练所述预测模型。
具体地，所述训练所述预测模型包括：
获取历史数据中的所有散点图；
对所述所有散点图进行分类训练，得到所述预测模型。
通过上述实施方式，能够基于历史数据训练所述预测模型，使所述预测模型的覆盖面更加全面。
进一步地，所述方法还包括：
当所述散点图在所述预测模型中匹配失败时，确定所述散点图的类型；
获取与所述散点图的类型对应的函数；
利用获取的函数对所述预测模型进行补充训练。
通过对所述预测模型进行补充训练，能够根据当前测试情况不断更新所述预测模型，使所述预测模型更加完善。
在本发明的至少一个实施例中，所述将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数包括：
采用配置图像比对算法将所述散点图输入至所述预测模型中进行比对，得到所述目标函数。
其中，所述配置图像比对算法可以包括，但不限于：像素点对比算法、分块对比算法等，本发明不限制。
S16，以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证。
在本发明的至少一个实施例中，所述以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证包括：
获取所述待测试参数对应的当前数据，并从所述分析结果中获取所述待测试参数对应的预测数据；
计算所述预测数据与所述当前数据间的相似度；
当所述相似度大于或者等于预设相似度时，确定所述待测试参数通过验证；
或者当所述相似度小于所述预设相似度时，确定所述待测试参数未通过验证。
通过上述实施方式，能够基于自动识别的目标函数对待测试参数进行快速、准确的测试。
当然，在其他实施例中，还可以利用所述目标函数对所述目标数据进行检定、残差分析等，在此不赘述。
由以上技术方案可以看出，本发明能够响应于接收到的数据测试指令，从所述数据测试指令中获取待测试参数，并从初始数据集中获取与所述待测试参数对应的目标数据，以便后续基于初始数据对所述待测试参数进行验证，进一步基于DBSCAN聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇，确定所述簇的数量，响应于所述簇的数量大于预设阈值，基于所述至少一个簇构建散点图，并将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数，实现对函数的自动识别及选择，进一步以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证，进而实现对待测试参数高效且准确地自动测试。
如图2所示，是本发明数据测试装置的较佳实施例的功能模块图。所述数据测试装置11包括获取单元110、聚类单元111、确定单元112、构建单元113、比对单元114、验证单元115、训练单元116。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
获取单元110响应于接收到的数据测试指令，从所述数据测试指令中获取待测试参数。
其中，所述数据测试指令可以由相关工作人员触发，如测试人员等。
在本实施例中，所述待测试参数可以包括，但不限于以下一种或者多种的组合：
电压、电阻、电流、频率、温度等。
所述获取单元110从初始数据集中获取与所述待测试参数对应的目标数据。
例如：当所述待测试参数为电压时，所述目标数据即为所述初始数据集中电压的具体数值。
在本发明的至少一个实施例中，在从所述初始数据集中获取与所述待测试参数对应的所述目标数据前，构建所述初始数据集。
具体地，确定单元112确定所述待测试参数所属的目标工站；
所述获取单元110获取所述目标工站对应的上一工站的数据；
构建单元113以获取的数据构建所述初始数据集。
通过上述实施方式，能够基于上一工站的数据对下一工站中参数设定的正确性进行有效验证。
当然，在其他实施例中，还可以以初始工站的数据对当前的工站进行测试，本发明不限制。
聚类单元111基于DBSCAN(Density-Based Spatial Clustering ofApplications with Noise，基于密度的聚类算法)聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇。
在本实施例中，所述聚类单元111基于DBSCAN聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇包括：
标记所述目标数据，得到核心点、边界点及噪声点；
以所述噪声点作为所述离散点，并删除所述离散点；
计算每两个核心点间的第一距离；
连通所述第一距离在Eps之内的所有核心点，得到至少一个初始簇；
对于每个边界点，计算所述边界点与每个初始簇的中心点间的第二距离；
将所述边界点划分至最小的第二距离对应的初始簇中；
整合所有划分后的初始簇，得到所述至少一个簇。
其中，Eps是指DBSCAN算法参数，属于一种距离阈值。
在本实施例中，所述DBSCAN聚类算法不需要事先知道要形成的簇的数量，且能够识别出噪声点并去除，能够发现任意形状的簇，识别效果更优，更加适用于工站参数。
所述确定单元112确定所述簇的数量。
在本实施例中，所述簇的数量用于判断是否满足构建散点图的条件。
所述构建单元113响应于所述簇的数量大于预设阈值，基于所述至少一个簇构建散点图。
例如：所述预设阈值可以为0。
另外，本实施例对构建散点图的方式不做限制。
在本实施例中，当所述簇的数量小于或者等于所述预设阈值时，停止测试。
比对单元114将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数。
在本发明的至少一个实施例中，训练所述预测模型。
具体地，所述获取单元110获取历史数据中的所有散点图；
训练单元116对所述所有散点图进行分类训练，得到所述预测模型。
通过上述实施方式，能够基于历史数据训练所述预测模型，使所述预测模型的覆盖面更加全面。
进一步地，当所述散点图在所述预测模型中匹配失败时，所述确定单元112确定所述散点图的类型；
所述获取单元110获取与所述散点图的类型对应的函数；
所述训练单元116利用获取的函数对所述预测模型进行补充训练。
通过对所述预测模型进行补充训练，能够根据当前测试情况不断更新所述预测模型，使所述预测模型更加完善。
在本发明的至少一个实施例中，所述比对单元114将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数包括：
采用配置图像比对算法将所述散点图输入至所述预测模型中进行比对，得到所述目标函数。
其中，所述配置图像比对算法可以包括，但不限于：像素点对比算法、分块对比算法等，本发明不限制。
验证单元115以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证。
在本发明的至少一个实施例中，所述验证单元115以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证包括：
获取所述待测试参数对应的当前数据，并从所述分析结果中获取所述待测试参数对应的预测数据；
计算所述预测数据与所述当前数据间的相似度；
当所述相似度大于或者等于预设相似度时，确定所述待测试参数通过验证；
或者当所述相似度小于所述预设相似度时，确定所述待测试参数未通过验证。
通过上述实施方式，能够基于自动识别的目标函数对待测试参数进行快速、准确的测试。
当然，在其他实施例中，还可以利用所述目标函数对所述目标数据进行检定、残差分析等，在此不赘述。
由以上技术方案可以看出，本发明能够响应于接收到的数据测试指令，从所述数据测试指令中获取待测试参数，并从初始数据集中获取与所述待测试参数对应的目标数据，以便后续基于初始数据对所述待测试参数进行验证，进一步基于DBSCAN聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇，确定所述簇的数量，响应于所述簇的数量大于预设阈值，基于所述至少一个簇构建散点图，并将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数，实现对函数的自动识别及选择，进一步以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证，进而实现对待测试参数高效且准确地自动测试。
如图3所示，是本发明实现数据测试方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如数据测试程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，所述电子设备1既可以是总线型结构，也可以是星形结构，所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如数据测试程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行数据测试程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个数据测试方法实施例中的步骤，例如图1所示的步骤S10、S11、S12、S13、S14、S15、S16。
或者，所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如：
响应于接收到的数据测试指令，从所述数据测试指令中获取待测试参数；
从初始数据集中获取与所述待测试参数对应的目标数据；
基于DBSCAN聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇；
确定所述簇的数量；
响应于所述簇的数量大于预设阈值，基于所述至少一个簇构建散点图；
将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数；
以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、聚类单元111、确定单元112、构建单元113、比对单元114、验证单元115、训练单元116。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种数据测试方法，所述处理器13可执行所述多个指令从而实现：
响应于接收到的数据测试指令，从所述数据测试指令中获取待测试参数；
从初始数据集中获取与所述待测试参数对应的目标数据；
基于DBSCAN聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇；
确定所述簇的数量；
响应于所述簇的数量大于预设阈值，基于所述至少一个簇构建散点图；
将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数；
以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种数据测试方法，其特征在于，所述方法包括：
响应于接收到的数据测试指令，从所述数据测试指令中获取待测试参数；
从初始数据集中获取与所述待测试参数对应的目标数据；
基于DBSCAN聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇，包括：标记所述目标数据，得到核心点、边界点及噪声点；以所述噪声点作为所述离散点，并删除所述离散点；计算每两个核心点间的第一距离；连通所述第一距离在Eps之内的所有核心点，得到至少一个初始簇；对于每个边界点，计算所述边界点与每个初始簇的中心点间的第二距离；将所述边界点划分至最小的第二距离对应的初始簇中；整合所有划分后的初始簇，得到所述至少一个簇；
确定所述簇的数量；
响应于所述簇的数量大于预设阈值，基于所述至少一个簇构建散点图；
将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数；
以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证。
2.如权利要求1所述的数据测试方法，其特征在于，所述方法还包括：
确定所述待测试参数所属的目标工站；
获取所述目标工站对应的上一工站的数据；
以获取的数据构建所述初始数据集。
3.如权利要求1所述的数据测试方法，其特征在于，所述方法还包括：
获取历史数据中的所有散点图；
对所述所有散点图进行分类训练，得到所述预测模型。
4.如权利要求1所述的数据测试方法，其特征在于，所述将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数包括：
采用配置图像比对算法将所述散点图输入至所述预测模型中进行比对，得到所述目标函数。
5.如权利要求1所述的数据测试方法，其特征在于，所述以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证包括：
获取所述待测试参数对应的当前数据，并从所述分析结果中获取所述待测试参数对应的预测数据；
计算所述预测数据与所述当前数据间的相似度；
当所述相似度大于或者等于预设相似度时，确定所述待测试参数通过验证；或者
当所述相似度小于所述预设相似度时，确定所述待测试参数未通过验证。
6.如权利要求1所述的数据测试方法，其特征在于，所述方法还包括：
当所述散点图在所述预测模型中匹配失败时，确定所述散点图的类型；
获取与所述散点图的类型对应的函数；
利用获取的函数对所述预测模型进行补充训练。
7.一种数据测试装置，其特征在于，所述装置包括：
获取单元，用于响应于接收到的数据测试指令，从所述数据测试指令中获取待测试参数；
所述获取单元，还用于从初始数据集中获取与所述待测试参数对应的目标数据；
聚类单元，用于基于DBSCAN聚类算法去除所述目标数据中的离散点并进行聚类，得到至少一个簇，包括：标记所述目标数据，得到核心点、边界点及噪声点；以所述噪声点作为所述离散点，并删除所述离散点；计算每两个核心点间的第一距离；连通所述第一距离在Eps之内的所有核心点，得到至少一个初始簇；对于每个边界点，计算所述边界点与每个初始簇的中心点间的第二距离；将所述边界点划分至最小的第二距离对应的初始簇中；整合所有划分后的初始簇，得到所述至少一个簇；
确定单元，用于确定所述簇的数量；
构建单元，用于响应于所述簇的数量大于预设阈值，基于所述至少一个簇构建散点图；
比对单元，用于将所述散点图输入至预先训练的预测模型中进行比对，得到目标函数；
验证单元，用于以所述目标函数对所述目标数据进行回归分析，得到分析结果，并根据所述分析结果对所述待测试参数进行验证。
8.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至6中任意一项所述的数据测试方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至6中任意一项所述的数据测试方法。
CN202010515895.8A 2020-06-09 2020-06-09 数据测试方法、装置、电子设备及存储介质 Active CN113780691B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010515895.8A CN113780691B (zh) 2020-06-09 2020-06-09 数据测试方法、装置、电子设备及存储介质
US17/333,472 US11971959B2 (en) 2020-06-09 2021-05-28 Data test method, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010515895.8A CN113780691B (zh) 2020-06-09 2020-06-09 数据测试方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113780691A CN113780691A (zh) 2021-12-10
CN113780691B true CN113780691B (zh) 2023-09-29

Family

ID=78817600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010515895.8A Active CN113780691B (zh) 2020-06-09 2020-06-09 数据测试方法、装置、电子设备及存储介质

Country Status (2)

Country Link
US (1) US11971959B2 (zh)
CN (1) CN113780691B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114389755B (zh) * 2022-01-12 2023-08-11 深圳华芯信息技术股份有限公司 一种数据校验方法、装置、存储介质及终端
CN114201246A (zh) * 2022-02-18 2022-03-18 浙江中控技术股份有限公司 数据预测方法及相关设备
CN115270420B (zh) * 2022-07-01 2023-05-09 东莞市赛测试验设备有限公司 一种基于拉力试验机的拉力弯曲度分析方法、装置
CN115268406B (zh) * 2022-07-29 2023-09-29 江苏芯安集成电路设计有限公司 一种单片机芯片测试方法、系统、计算机设备及存储介质
CN116192690B (zh) * 2023-05-04 2023-07-14 华砺智行(武汉)科技有限公司 面向量产的c-v2x设备快速测试方法、系统、设备及介质
CN117171056B (zh) * 2023-11-02 2024-01-09 绿城科技产业服务集团有限公司 基于自动化接口的测试方法及装置
CN117311166B (zh) * 2023-11-08 2024-04-30 杭州大仁科技有限公司 一种全自动一体翻袜装置的自适应控制方法及系统
CN117541200B (zh) * 2024-01-10 2024-03-29 福建亿安智能技术股份有限公司 一种基于ltc流程的项目管理方法及系统
CN117590204B (zh) * 2024-01-18 2024-04-05 北京中科飞鸿科技股份有限公司 一种面向传输性能的微波器件拼缝宽度的确定方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271424A (zh) * 2018-09-29 2019-01-25 海南大学 一种基于密度的参数自适应聚类方法
CN110334726A (zh) * 2019-04-24 2019-10-15 华北电力大学 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110246409A1 (en) * 2010-04-05 2011-10-06 Indian Statistical Institute Data set dimensionality reduction processes and machines
TW201415258A (zh) 2012-10-04 2014-04-16 Univ Nat Pingtung Sci & Tech 密度式資料分群方法
CN108269087B (zh) * 2018-01-12 2020-07-28 阿里巴巴集团控股有限公司 位置信息的处理方法及装置
CN110674603B (zh) 2019-09-04 2024-03-01 北斗(青岛)导航位置服务有限公司 一种gnss观测数据仿真方法及系统
CN113837596B (zh) * 2021-09-22 2024-04-02 广东电网有限责任公司 一种故障确定方法、装置、电子设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271424A (zh) * 2018-09-29 2019-01-25 海南大学 一种基于密度的参数自适应聚类方法
CN110334726A (zh) * 2019-04-24 2019-10-15 华北电力大学 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法

Also Published As

Publication number Publication date
US11971959B2 (en) 2024-04-30
CN113780691A (zh) 2021-12-10
US20210383162A1 (en) 2021-12-09

Similar Documents

Publication Publication Date Title
CN113780691B (zh) 数据测试方法、装置、电子设备及存储介质
CN112446025A (zh) 联邦学习防御方法、装置、电子设备及存储介质
CN110221145B (zh) 电力设备故障诊断方法、装置及终端设备
CN113592019B (zh) 基于多模型融合的故障检测方法、装置、设备及介质
CN109376873B (zh) 运维方法、装置、电子设备及计算机可读存储介质
CN111950738A (zh) 机器学习模型优化效果评估方法、装置、终端及存储介质
CN111950621B (zh) 基于人工智能的目标数据检测方法、装置、设备及介质
CN112613569B (zh) 图像识别方法、图像分类模型的训练方法及装置
CN111694844B (zh) 基于配置算法的企业运行数据分析方法、装置及电子设备
CN112015663B (zh) 测试数据录制方法、装置、设备及介质
CN111695594A (zh) 图像类别识别方法、装置、计算机设备及介质
CN114519524A (zh) 基于知识图谱的企业风险预警方法、装置及存储介质
CN112801434A (zh) 性能指标健康度的监测方法、装置、设备和存储介质
CN111985545B (zh) 基于人工智能的目标数据检测方法、装置、设备及介质
CN111339072B (zh) 基于用户行为的变化值分析方法、装置、电子设备及介质
CN112463530A (zh) 微服务系统的异常检测方法、装置、电子设备及存储介质
CN113504935A (zh) 软件开发质量评估方法、装置、电子设备及可读存储介质
CN111694843B (zh) 缺失号码检测方法、装置、电子设备及存储介质
CN112396547A (zh) 基于无监督学习的课程推荐方法、装置、设备及介质
CN112700006A (zh) 网络架构搜索方法、装置、电子设备及介质
CN111950707B (zh) 基于行为共现网络的行为预测方法、装置、设备及介质
CN111652282B (zh) 基于大数据的用户偏好分析方法、装置及电子设备
CN111476349A (zh) 一种模型测试方法及服务器
CN113822379B (zh) 工艺制程异常分析方法、装置、电子设备及存储介质
CN110716778A (zh) 应用兼容性测试方法、装置及系统

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