CN113947112A - 一种时序数据集的预处理方法及其应用 - Google Patents
一种时序数据集的预处理方法及其应用 Download PDFInfo
- Publication number
- CN113947112A CN113947112A CN202111048055.6A CN202111048055A CN113947112A CN 113947112 A CN113947112 A CN 113947112A CN 202111048055 A CN202111048055 A CN 202111048055A CN 113947112 A CN113947112 A CN 113947112A
- Authority
- CN
- China
- Prior art keywords
- data set
- preprocessing
- wavelet
- data
- series 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000007781 pre-processing Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000005856 abnormality Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 37
- 230000006870 function Effects 0.000 description 19
- 238000003491 array Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241001091139 Limnoperna Species 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提供了一种时序数据集的预处理方法及其应用,包括以下步骤:S1、获取时序变化的原始数据集;S2、对步骤S1中得到的原始数据集进行小波分解,得到低频数组和高频数组;S3:采用K‑means算法对步骤S2中得到的高频数组中的异常数值进行识别及处理,得到处理后的数据集;完成对时序数据集的预处理。相比于现有技术,本预处理方法可有效提高原始数据集的准确度,降低异常数据对后续分析的影响,解决了目前时序监测过程中数据存在连续异常和缺失而降低监测数据准确度的问题。
Description
技术领域
本发明涉及环境工程气体污染研究领域,具体涉及一种时序数据集的预处理方法及其应用。
背景技术
气态污染物随时间动态变化,没有特定的规律性和稳定性,气体监测站在数据采集过程中常常受到环境变化和仪器性能等因素的影响,导致监测数据出现异常,使监测结果呈现出非平稳、非线性随时间变化的特征。在后续的数据分析中,异常数据易对模型的精度造成严重影响,对气体污染特征分析与研究带来了新的挑战。
对于异常数据,常见的处理方式是基于统计、距离、密度或聚类等方法识别离散点,如其中一种方法为在水质预测中使用线性插值法对异常值进行替换,使用Savitzky-Golay滤波器法进行降噪处理,经处理的数据集成为连续且平滑的时间序列;其中另一种方法为通过随机森林和完全集合经验模态分解法对感应传输温盐深测量仪数据进行预处理,将复杂的时间序列根据其变化特征细化为高低频基函数,进而对高频异常部分识别与去除,处理后信噪比提升约9dB,仪器测量准确性提升1.3倍。可见加强监测数据特征辨识和异常值处理,是气体污染研究的基础和前提,然而传统的数据预处理方法普遍将各个数据作为独立的对象看待,缺乏对数据时序关联性的分析和学习,即选用简单的线性插值或聚类法,直接对缺失数据进行补全或对异常数据进行替换,使得数据集预处理效果较差。并且,传统数据预处理方法具有较强的针对性,对后续分析任务的类型限制较多。
因此,一种尽可能准确地补全或还原序列中的缺失或异常数据的、更加通用的数据预处理方法成为当前建立气体监测数据库的关键问题。有鉴于此,本发明提供一种解决上述问题的技术方案。
发明内容
本发明的一目的在于:提供一种时序数据集的预处理方法,以解决目前时序监测过程中数据存在连续异常和缺失而降低监测数据准确度的问题,通过本发明的预处理方法,极大可能的补全或还原了序列中的缺失或异常数据,为具有波动性、时序性和复杂性的气体监测数据提供方法指导。
为了实现上述目的,本发明采用以下技术方案:
一种时序数据集的预处理方法,包括以下步骤:
S1、获取时序变化的原始数据集;
S2、对步骤S1中得到的原始数据集进行小波分解,得到低频数组和高频数组;
S3:采用K-means算法对步骤S2中得到的高频数组中的异常数值进行识别及处理,得到处理后的数据集;完成对时序数据集的预处理。
优选的,步骤S1中,所述原始数据集中至少包括2个因素变量。
优选的,步骤S2中,所述小波分解的函数包括haar小波、dbN小波、symN小波、coifN小波、biorN小波中的至少一种,N为分解的层数,N≥2。
优选的,dbN小波的函数公式为:
其中:a>0,为伸缩因子;v为平移因子;R为实数积分域;f(t)为分析信号函数;Ψa,v(t)称为基本小波。
优选的,所述高频数组至少有3组。
优选的,步骤S3中,K-means算法的步骤为:确定要生成的簇的数目K,在原始数据集D={X1,X2,...,Xm}中随机选取K个对象作为初始聚类的质心Zj,接着计算每个数据Xi与K个质心间的欧式距,并将各数据划分至其所距最近质心的所在簇,得到K个簇Cj,然后逐步计算新簇质心,重复上述步骤,直到聚类准则函数收敛,所述聚类准则函数为:其中,j=1,2,3,...,K;i=1,2,...,m;K∈N*,m∈N*。
优选的,步骤S3中,对异常数值的处理方法包括直接删除、插值修正、不处理中的至少一种。
优选的,对处理后的数据集进行重构,得到预处理后的时序数据集。
本发明的另一目的在于,提供一种上述任一项所述的时序数据集的预处理方法在气体监测数据中的应用。
相比于现有技术,本发明的有益效果在于:本发明提供的预处理方法,先采用小波分解对原始数据集进行处理,得到一个低频部分和高频部分,然后再将该低频部分再次分解为一个低频的粗略逼近部分和一个高频的细节部分,重复上述分解方法,进而根据不同频率的数据信号分解得到高频数组和低频数组,接着再采用K-means算法对高频数组中的异常数值进行识别,以剔除、修正等方法对其进行处理,最终得到预处理后的数据集。本方法可有效提高原始数据集的准确度,降低异常数据对后续分析的影响,解决了目前时序监测过程中数据存在连续异常和缺失而降低监测数据准确度的问题。
附图说明
图1为本发明预处理方法的流程图。
图2为五层小波分解的原理图。
图3为实施例1小波分解后气体浓度数据示意图。
图4为实施例1K-means算法异常值识别结果图。
图5为实施例1NH3浓度数据预处理前后对比图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面将结合具体实施方式和说明书附图,对本发明及其有益效果作进一步详细的描述,但本发明的实施方式不限于此。
本发明提供的时序数据集的预处理方法主要是在气体监测数据中的应用。当然,对于其他存在随机噪声和异常数据的集合,也可以采用本发明的预处理方法。
该时序数据集的预处理方法,如图1所示,包括以下步骤:
S1、获取时序变化的原始数据集;
S2、对步骤S1中得到的原始数据集进行小波分解,得到低频数组和高频数组;
S3:采用K-means算法对步骤S2中得到的高频数组中的异常数值进行识别及处理,得到处理后的数据集;完成对时序数据集的预处理。
其中,小波分解的过程为:根据原始数据集特征,选用适宜的小波基函数对数据低频部分进行处理,把每层低频信号再次分解成一个低频的粗略逼近部分和一个高频的细节部分,可如图2所示,Y(t)为原始数据信息,A(t)数组表示每层低频数据部分,对应原始数据的大体轮廓;D(t)数组表示每层高频数据部分,对应原始数据的细节。
相比于一维的原始序列,小波分解即是将不同频率的数据信号分解为高频信号和低频信号,不同频域数组更能有效地、准确地表达数据的潜在信息。随着变化频率依次降低,主频谱向低频集中靠拢,大量的有用信息主要集中在最低频谱,代表了原始数据集的轮廓,可反应因素变量的基本变化趋势;而大量的异常值成分则主要聚集在高频数组,代表所述原始数据集细节。
K-means算法主要是通过不断地迭代获得最佳的聚类效果,进而得到相对紧凑但两两之间又相互独立的簇类,而异常值因不满足因素变量的基本变化特征而偏离质心位置,表现出离群性,从而将高频数组中的异常值识别出。本发明采用的K-means算法可以避免低频数据偏移产生的影响,将分析集中的数据趋势本身的波动上,由此可以准确识别出高频数组中的异常值。
对于气体浓度而言,其异常值通常表现为异常大值或异常小值,通过对气体监测设备工作状态(传感器稳定、漂移与失灵)的区分与试验分析,即可判断当K-means算法簇个数为几时,可解释不同的数据情况,确保聚类结果的稳定。
进一步地,步骤S1中,所述原始数据集中至少包括2个因素变量。如当为气体监测数据时,因素变量包括时间和气体浓度。因素变量采用的气体检测设备包括空气站、便携式气体检测仪、手持式气体检测仪、固定式气体检测仪和在线式气体检测仪中的至少一种。本发明提供的处理方法主要针对的就是数据中存在较多的随机噪声以及异常数据的情形,通过本方法对数据进行处理后,可有效提高原始数据集的准确度,大大降低异常数据对后续分析的影响。
进一步地,步骤S2中,所述小波分解的函数包括haar小波、dbN小波、symN小波、coifN小波、biorN小波中的至少一种,N为分解的层数,N≥2。
这里只具体列出dbN小波的函数公式,其他小波分解的函数可参见现有的小波分解函数,dbN小波的函数公式为:
其中:a>0,为伸缩因子;v为平移因子;R为实数积分域;f(t)为分析信号函数;Ψa,v(t)称为基本小波。
分解的层数N与高频数组的组数是相对应的,比如当分解的层数N为3时,得到的高频数组即是3组;当分解的层数N为5时,得到的高频数组即是5组。具体的,高频数组至少为3组,具体的可为3组、4组、5组、6组、7组、8组、9组、10组;低频数组的组数与高频数组相同,同样至少为3组,具体的可为3组、4组、5组、6组、7组、8组、9组、10组。
经过多层分解后,原始数据集即为分为了多组高频数组和低频数组,通过不同频域数组能更有效、准确地表达数据潜在信息。
进一步地,步骤S3中,K-means算法的步骤为:确定要生成的簇的数目K,在原始数据集D={X1,X2,...,Xm}中随机选取K个对象作为初始聚类的质心Zj,接着计算每个数据Xi与K个质心间的欧式距dij,并将各数据划分至其所距最近质心的所在簇,得到K个簇Cj,然后逐步计算新簇质心,重复上述步骤,直到聚类准则函数收敛,所述聚类准则函数为:其中,j=1,2,3,...,K;i=1,2,...,m;K∈N*,m∈N*,此处的N*代指是正自然数集,并非上述的分解的层数N。
E值表征了聚类后所得各簇的最小化平方误差,E值越小则簇中气体浓度数据围绕质心越紧密,簇内相似度越高,聚类效果越好,因此各簇内气体浓度数据均应表现出聚集性,但异常值会因不满足气体浓度的基本变化特征而偏离质心位置,表现出离群性,从而将高频数组中的异常值筛选出。
进一步地,步骤S3中,对异常数值的处理方法包括直接删除、插值修正、不处理中的至少一种。
进一步地,对处理后的数据集进行重构,得到预处理后的时序数据集。
更具体的,采用本发明的预处理方法对以下实施例的数据集进行处理。
实施例1
1、数据说明及采集
说明:在输水工程停水检修期,输水隧洞壁面附着的大量淡水壳菜在短时间内迅速脱水死亡,腐臭味严重影响洞内空气质量,甚至威胁检修人员工作安全,开展对淡水壳菜腐败过程有害气体释放规律研究变得十分重要且急迫。因此,使用在线式气体检测设备对洞内水生生物腐烂产生的有害气体浓度进行连续监测。然而,由于洞内空气污染是个体差异性和生化反应复杂性共同作用的结果,受环境因素、仪器因素、采集因素、人为因素等的影响,监测数据不可避免地含有异常值,影响后续空气污染特征与控制研究。
采集:使用在线式气体检测设备对输水隧洞内NH3污染物进行为期五天的连续监测,数据记录频次为1s/次,即每组试验累计获取约43.2万条数据。为维持传感器性能稳定,设备每运行监测2min,停机吹扫20min,取22min内所有数据最大值记作该时段淡水壳菜有害气体浓度监测值,最终每组试验筛选获取约329条有效数据收集气体浓度数据。
2、小波分解
采用dbN小波函数对上述数据集进行分解,以得到低频数组和高频数组。
取N为5,公式如式Ⅰ所示,为:
其中:a>0,为伸缩因子,主要对窗口的位置和形状进行调节;v为平移因子,可正可负,主要对平面时间轴窗口的位置进行调节;R为实数积分域;f(t)为分析信号函数;Ψa,v(t)称为基本小波。
可如图2~3所示,经五层分解后,原始浓度数据集共分为五个高频数组d1~d5和五个低频数组a1~a5,其中,低频数组主要是取a5。d1时域上的幅值变化表现随机性,频域上的主频谱主要集中在高频域,含大量的异常值成分;从d1到d5,变化频率依次降低,主频谱向低频集中靠拢。有用信号的频率主要集中在a5,反映了气体浓度的基线变化趋势。
3、K-means异常值识别
采用K-means算法对高频数组中的异常数值进行识别及处理,具体步骤为:
K-means算法在气体浓度数据集D={X1,X2,...,Xm}中选取K个样本作为簇心,即质心Zj(j=1,2,3,...,K),进而计算各样本Xi(i=1,2,...,m)与K个质心间的欧式距dij,并将各样本划分至所距最近质心的所在簇,得到K个簇Cj(j=1,2,3,...,K),然后逐步计算新簇质心,并重复上述步骤,直到聚类准则函数收敛,聚类准则函数如式Ⅱ所示。
其中,j=1,2,3,...,K;i=1,2,...,m;K∈N*,m∈N*。
E值表征了聚类后所得各簇的最小化平方误差,E值越小则簇中气体浓度数据围绕质心越紧密,簇内相似度越高,聚类效果越好,因此各簇内气体浓度数据均应表现出聚集性,但异常值会因不满足气体浓度的基本变化特征而偏离质心位置,表现出离群性。
通过对气体监测设备工作状态(传感器稳定、漂移与失灵)的区分与试验分析,判断当K-means算法簇个数为4时,既可解释不同的数据情况,亦可确保聚类结果稳定,K-means算法异常值识别结果如图4所示,有害气体异常小值均体现在2号簇,有害气体中的异常大值均体现在3号簇。
4、数据重构
将识别的异常值进行以下处理做直接删除处理,NH3浓度数据异常值处理前后对比如图5所示,可以发现,气体浓度的变化趋势与真实信号高度一致,明显可见毛刺现象减少,异常值减少。对气体浓度数据集预处理效果的评价结果如表1可知,各组数据标准差σ和变异系数CV降低,意味着离群值干扰被有效降低,由此可见,经K-means算法处理得到的数据结果准确度高,可以用于后续分析。
综上可以看出,本发明提供的预处理方法,有效解决了目前时序监测过程中数据存在连续异常和缺失而降低监测数据准确度的问题,极大可能的补全或还原了序列中的缺失或异常数据,为具有波动性、时序性和复杂性的气体监测数据提供方法指导。
根据上述说明书的揭示和教导,本发明所属领域的技术人员还能够对上述实施方式进行变更和修改。因此,本发明并不局限于上述的具体实施方式,凡是本领域技术人员在本发明的基础上所作出的任何显而易见的改进、替换或变型均属于本发明的保护范围。此外,尽管本说明书中使用了一些特定的术语,但这些术语只是为了方便说明,并不对本发明构成任何限制。
Claims (9)
1.一种时序数据集的预处理方法,其特征在于,包括以下步骤:
S1、获取时序变化的原始数据集;
S2、对步骤S1中得到的原始数据集进行小波分解,得到低频数组和高频数组;
S3:采用K-means算法对步骤S2中得到的高频数组中的异常数值进行识别及处理,得到处理后的数据集;完成对时序数据集的预处理。
2.根据权利要求1所述的时序数据集的预处理方法,其特征在于,步骤S1中,所述原始数据集中至少包括2个因素变量。
3.根据权利要求1所述的时序数据集的预处理方法,其特征在于,步骤S2中,所述小波分解的函数包括haar小波、dbN小波、symN小波、coifN小波、biorN小波中的至少一种,N为分解的层数,N≥2。
5.根据权利要求3所述的时序数据集的预处理方法,其特征在于,所述高频数组至少有3组。
7.根据权利要求6所述的时序数据集的预处理方法,其特征在于,步骤S3中,对异常数值的处理方法包括直接删除、插值修正、不处理中的至少一种。
8.根据权利要求7所述的时序数据集的预处理方法,其特征在于,对处理后的数据集进行重构,得到预处理后的时序数据集。
9.一种权利要求1~8任一项所述的时序数据集的预处理方法在气体监测数据中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048055.6A CN113947112A (zh) | 2021-09-08 | 2021-09-08 | 一种时序数据集的预处理方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048055.6A CN113947112A (zh) | 2021-09-08 | 2021-09-08 | 一种时序数据集的预处理方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947112A true CN113947112A (zh) | 2022-01-18 |
Family
ID=79328085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111048055.6A Pending CN113947112A (zh) | 2021-09-08 | 2021-09-08 | 一种时序数据集的预处理方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947112A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156963A (zh) * | 2011-01-20 | 2011-08-17 | 中山大学 | 一种混合噪声图像去噪方法 |
CN107590455A (zh) * | 2017-09-05 | 2018-01-16 | 北京华电智成电气设备有限公司 | 一种基于小波分解的高频局放自适应滤波聚类方法及装置 |
CN110084096A (zh) * | 2019-03-12 | 2019-08-02 | 苏州哈特智能医疗科技有限公司 | 基于小波变换和k平均聚类算法的心电信号p波提取方法 |
CN112016732A (zh) * | 2020-03-23 | 2020-12-01 | 国网安徽省电力有限公司 | 一种基于irf和odbscan的电力负荷频域预测方法及系统 |
CN113298128A (zh) * | 2021-05-14 | 2021-08-24 | 西安理工大学 | 基于时间序列聚类的云服务器异常检测方法 |
-
2021
- 2021-09-08 CN CN202111048055.6A patent/CN113947112A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156963A (zh) * | 2011-01-20 | 2011-08-17 | 中山大学 | 一种混合噪声图像去噪方法 |
CN107590455A (zh) * | 2017-09-05 | 2018-01-16 | 北京华电智成电气设备有限公司 | 一种基于小波分解的高频局放自适应滤波聚类方法及装置 |
CN110084096A (zh) * | 2019-03-12 | 2019-08-02 | 苏州哈特智能医疗科技有限公司 | 基于小波变换和k平均聚类算法的心电信号p波提取方法 |
CN112016732A (zh) * | 2020-03-23 | 2020-12-01 | 国网安徽省电力有限公司 | 一种基于irf和odbscan的电力负荷频域预测方法及系统 |
CN113298128A (zh) * | 2021-05-14 | 2021-08-24 | 西安理工大学 | 基于时间序列聚类的云服务器异常检测方法 |
Non-Patent Citations (1)
Title |
---|
周俊: ""基于K-均值聚类与小波分析的声发射信号去噪"", 《石油化工高等学校学报》, 15 June 2013 (2013-06-15), pages 1 - 4 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2277039A1 (de) | Verfahren und vorrichtung zur klassifikation von schallerzeugenden prozessen | |
CN110555570B (zh) | 矿井受限空间灾害气体浓度智能预测方法及装置 | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN113139610A (zh) | 一种针对变压器监测数据的异常检测方法及装置 | |
CN108801950A (zh) | 一种基于滑动窗多尺度主元分析的紫外光谱水质异常检测方法 | |
CN110568483A (zh) | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 | |
CN1783092A (zh) | 数据分析装置和数据分析方法 | |
Han et al. | An intelligent fault diagnosis method of variable condition gearbox based on improved DBN combined with WPEE and MPE | |
CN113721000B (zh) | 一种变压器油中溶解气体异常检测方法和系统 | |
CN113792597A (zh) | 一种基于自监督特征提取的机械设备异常声音检测方法 | |
CN113947112A (zh) | 一种时序数据集的预处理方法及其应用 | |
CN112485217A (zh) | 一种应用于产地溯源的肉类鉴别模型的构建方法以及装置 | |
CN117150256A (zh) | 一种针对网络安全事件的数据泛化方法 | |
CN116187861A (zh) | 基于同位素的水质溯源监测方法及相关装置 | |
Mishra et al. | Power quality disturbances classification with deep learning approach | |
CN113408383B (zh) | 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
As | Comparisons of MFDFA, EMD and WT by neural network, Mahalanobis distance and SVM in fault diagnosis of gearboxes | |
CN110108489B (zh) | 一种滚动轴承性能退化趋势获取方法 | |
Maragoudakis et al. | Random forests identification of gas turbine faults | |
CN112200228A (zh) | 一种基于二维卷积神经网络的癫痫发作状态识别方法 | |
CN115856204B (zh) | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 | |
Wang et al. | Centrifugal pump fault diagnosis based on MEEMD-PE Time-frequency information entropy and Random forest | |
CN116659863B (zh) | 一种基于小波包的轴承振动信号处理方法 | |
CN112834194B (zh) | 一种无故障样本下基于软目标度量的故障智能检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |