CN114386485A - 一种建筑光纤光栅应力传感器的应力曲线聚类方法 - Google Patents
一种建筑光纤光栅应力传感器的应力曲线聚类方法 Download PDFInfo
- Publication number
- CN114386485A CN114386485A CN202111573767.XA CN202111573767A CN114386485A CN 114386485 A CN114386485 A CN 114386485A CN 202111573767 A CN202111573767 A CN 202111573767A CN 114386485 A CN114386485 A CN 114386485A
- Authority
- CN
- China
- Prior art keywords
- data
- clustering
- stress
- sample
- daily load
- 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 40
- 239000000835 fiber Substances 0.000 title claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000036541 health Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000000295 complement effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 13
- 238000003064 k means clustering Methods 0.000 description 5
- 239000013307 optical fiber Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011946 reduction process 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
- G06F18/23—Clustering techniques
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种建筑光纤光栅应力传感器的应力曲线聚类方法,包括获取多个建筑应力传感器的日载荷数据;对每个建筑应力传感器的日载荷数据进行预处理,得到初始群集数据;对初始群集数据进行降维处理,得到降维群集数据,基于逆近邻的密度估计聚类算法对降维群集数据进行聚类,得到特征相似的传感器群,基于逆近邻的密度估计聚类算法中,其样本距离的计算方法为余弦相似度计算方法,建立传感器群的日载荷聚类特征集,建立全年模型分析链,构造建筑健康分析模型;本发明数据量庞大的光纤光栅建筑应力传感器应力数据聚类成特征相似的传感器群,可以更好地预测用不同类型建筑关键结构应力变化趋势,为智慧建筑安全监控提供更可靠的方法。
Description
技术领域
本发明涉及建筑应力传感器数据分析领域,具体涉及一种建筑用光纤光栅应力传感器的应力曲线聚类方法。
背景技术
随着光纤应力传感器监测系统在国防、铁路、化工、环境、核电、桥隧监测等许多领域的广泛应用,通过光纤应力传感器获取建筑应力监测数据变得更加实时和精确,与此同时,光纤应力监测系统会获得更加庞大以及精确的建筑应力数据。
由于地质、环境的变化是缓慢进化的过程,单从某种数据进行安全判断不可行,需要通过日积月累的可靠数据收集及正确的数学模型分析才能做出可靠度高的安全预测。因此,面对庞大的建筑应力数据,利用现有的数据挖掘和分析技术,通过聚类分析算法对建筑应力传感器日载荷数据进行规律分析以及特征提取,从而构造出数学分析模型来预测建筑整体健康状况,这对建筑安全监测场景具有非常重要的意义。
但是,传统的聚类算法聚类效率低,聚类效果差,例如,K-means算法聚类效果严重依赖于聚类中心的选择,对于样本数据量大的数据集,聚类结果往往会因为初始聚类中心不合适或者噪声和边界点的影响陷入局部最优,并且无法适应非凸形状数据。而K-means算法还需要指定聚类个数,DBSCAN算法针对不同的数据需要指定扫描半径和最小包含点数,需要研究人员逐个测试,调参难度较大,导致聚类效率低下。从而不能很好地反映光纤应力数据的潜在规律以及变化特征,无法为构造建筑健康数学分析模型提供良好的支持。
发明内容
为了解决传统的聚类算法用于建筑应力传感器数据的聚类效率低,聚类效果差的技术问题,本发明提供一种建筑用光纤光栅应力传感器的应力曲线聚类方法。
本发明解决上述技术问题的技术方案如下:
一种建筑光纤光栅应力传感器的应力曲线聚类方法,包括如下步骤,
S1、获取多个建筑应力传感器的日载荷数据;
S2、对每个建筑应力传感器的所述日载荷数据进行预处理,得到初始群集数据;
S3、对所述初始群集数据进行降维处理,得到降维群集数据;
S4、基于逆近邻的密度估计聚类算法对所述降维群集数据进行聚类,得到特征相似的传感器群;所述基于逆近邻的密度估计聚类算法的样本距离的计算方法为余弦相似度计算方法;
S5、根据特征相似的所述传感器群,建立传感器群的日载荷聚类特征集;
S6、根据所述传感器群的所述日载荷聚类特征集,建立全年模型分析链;
S7、根据所述全年模型分析链构造建筑健康分析模型。
本发明的有益效果是:
1、本发明中采用基于逆近邻的密度估计聚类算法对建筑应力传感器数据进行聚类,可以对任意形状的数据进行聚类,而传统K-Means之类的聚类算法只适用于凸数据;同时,基于逆近邻的密度估计聚类算法对数据中的异常点不敏感,算法结果稳定,而初始值对传统K-Means之类的聚类算法结果影响很大;并且,与传统基于密度的DBSCAN之类聚类算法相比,基于逆近邻的密度估计聚类算法输入参数少,更容易调优,对空间分布密度不均匀的样本数据聚类效果更好。
2、本发明中针对的光纤光栅传感器应力日负荷样本数据纬度很大,对光纤光栅传感器应力数据进行了降维处理,并采用余弦相似度计算样本距离,避免样本数据维度过大造成样本空间稀疏问题,降低聚类中的数据处理工作量,提高聚类效率。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述S1还包括,建立多个原始样本集,让多个原始样本集与多个所述建筑应力传感器一一对应;其中,每个所述原始样本集包含与当前所述原始样本集对应的所述建筑应力传感器在一天内的多个时间点所采集的日载荷数据。
进一步,所述S2具体为,对所有所述原始样本集分别进行数据缺失值处理,得到多个初始样本集;对每个所述初始样本集内的所有日载荷数据进行数据标准化处理以及数据正则化处理,得到多个初始日载荷数据。
进一步,所述数据缺失值处理方法具体为,对有效日载荷数据占比少于30%的原始样本集进行删除,对有效日载荷数据占比大于或等于30%的原始样本集的缺失数据进行补全。
进一步,所述数据标准化处理的方法具体为,将每个所述初始样本集内的所述日载荷数据归一化到[-1,1]的范围。
进一步,所述数据正则化处理的方法具体为,将每个经过数据标准化处理后的日载荷数据减去该日载荷数据所在的初始样本集内所有日载荷数据的平均值之后,再除以该日载荷数据所在的初始样本集内所有日载荷数据的方差。
进一步,所述降维处理的具体方法为,采用主成分分析方法,对每个初始样本集内的初始日载荷数据进行降维,得到多个降维样本集;其中,每个所述降维样本集中均包含有多个降维日载荷数据。
进一步,所述S4具体为,采用基于逆近邻的密度估计聚类算法,将多个所述降维样本集聚成多类,并使用聚类的内部评价指标对聚类结果进行评估,选取聚类的内部评价指标值最大的结果,得到多类降维样本集,从而得到多类特征相似的传感器群。
进一步,所述采用基于逆近邻的密度估计聚类算法具体包括如下步骤,
S10、给定近邻数k,给定样本点类标签为L,且L的初始值为1,选取未经聚类的所述降维样本集,并定义该降维样本集为S,其中近邻数k为正整数;
S20、将降维样本集S中的所述降维日载荷数据定义为样本si;
S30、依次对降维样本集S中的每个样本si调用类识别迭代函数CREATECLUSTER(S,si,k,L),并将所有样本si调用所述类识别迭代函数CREATECLUSTER(S,si,k,L)的返回值构成类集合CL;
S40、判断类集合CL的集合元素数量是否大于k;如果类集合CL的集合元素数量大于k,则将样本si的样本点类标签L执行L=L+1的赋值运算;如果类集合CL的集合元素数量小于或者等于k,则删除所述类标签L对应的所述样本si;
S50、判断降维样本集S与类集合CL的补集是否为空集;如果降维样本集S与类集合CL的补集为空集,则根据每个类集合CL所对应的所述降维样本集S,得到特征相似的传感器群;如果降维样本集S与类集合CL的补集不为空集,则重复S20至S50,直到降维样本集S与类集合CL的补集为空集为止;
S60、算法结束。
进一步,所述聚类的内部评价指标的具体计算公式如下,
其中,m表示聚类的数目,h表示当前的类,trB(h)表示类间距差矩阵的迹,trW(h)表示类内离差矩阵的迹,CH表示聚类的内部评价指标。
附图说明
图1为本发明的流程框图;
图2为聚类算法的流程框图;
图3为类识别迭代函数的流程框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
K-Meansk即k-means clustering algorithm,指均值聚类算法,是一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有或最小数目对象被重新分配给不同的聚类,没有或最小数目聚类中心再发生变化,误差平方和局部最小。
DBSCAN算法的全称为Density-Based Spatial Clustering of Applicationswith Noise,是一种基于密度的聚类算法,所谓密度,就是说样本的紧密程度对应其类别,属于同一个cluster的样本是紧密相连的。
实施例1
如图1所示,本实施例提供一种建筑光纤光栅应力传感器的应力曲线聚类方法,包括如下步骤,
S1、获取多个建筑应力传感器的日载荷数据,建立P个原始样本集,让P个原始样本集与多个所述建筑应力传感器一一对应;其中,每个所述原始样本集包含与当前所述样本集对应的所述建筑应力传感器在一天内的Q个时间点所采集的日载荷数据,其中P和Q均为正整数。
S2、对每个建筑应力传感器的所述日载荷数据进行预处理,得到初始群集数据。
具体地,对所有所述原始样本集分别进行数据缺失值处理,得到多个初始样本集;对每个所述初始样本集内的所有日载荷数据进行数据标准化处理以及数据正则化处理,得到多个初始日载荷数据;所述数据缺失值处理方法具体为,对有效日载荷数据占比少于30%的原始样本集进行删除,对有效日载荷数据占比大于或等于30%的原始样本集的缺失数据进行补全。其中,删除样本的过程中,若删除n个样本,则剩余p个样本,其中,剩余样本个数p等于原始样本数P减去需要删除的样本个数n,即p=P-n,n和p均为正整数。
数据标准化方法具体为,所述数据标准化处理的方法具体为,将每个所述初始样本集内的所述日载荷数据归一化到[-1,1]的范围即,将原始样本中的原始数据的值利用线性化的方法转换到-1到1的范围,其归一化的计算公式为:
该方法实现对原始数据的等比例缩放,其中,Xnorm为归一化后的数据,X为原始数据。
数据正则化处理的方法具体为,将每个经过数据标准化处理后的日载荷数据减去该日载荷数据所在的初始样本集内所有数据的平均值之后,再除以该日载荷数据所在的初始样本集内所有数据的方差。经过标准化与正则化处理后,每个属性的数据都聚集在0附近,且方差为1,即获得的样本数据具有零均值和单位方差。
S3、对所述初始群集数据进行降维处理,得到降维群集数据;具体地,采用主成分分析方法,对每个初始样本集内的初始日载荷数据进行降维,得到降维群集R,降维的过程中,若降维数为q,那么降维后的降维群集R则为p个样本、每个样本有q个属性的数据集矩阵。
S4、基于逆近邻的密度估计聚类算法对所述降维群集数据进行聚类,得到特征相似的传感器群。
S5、根据特征相似的所述传感器群,建立传感器群的日载荷聚类特征集。
S6、根据所述传感器群的所述日载荷聚类特征集,建立全年模型分析链。
S7、根据所述全年模型分析链构造建筑健康分析模型。
S4具体为,采用聚类算法,对数据集R内的数据进行聚类,获得用特征相似的的传感器群,具体包括,首先,采用基于逆近邻的密度估计聚类算法,将数据集中的p个样本聚成M类,其中M为正整数,并使用聚类的内部评价指标即Calinski-Harabasz指标,简写为CH指标对聚类结果进行评估,选取CH值最大的结果,最终得到M个类的传感器群。
如图2所示,在聚类过程中,基于逆近邻的密度估计聚类的具体过程包括,
计算过程定义:给定近邻数k,k为正整数,样本之间的距离采用余弦相似度计算:
假设样本集合为S,集合中某个样本点x的k近邻集合,即距离样本点x最近的k个样本点集合表示为:
样本点的k逆近邻集合表示为:
RNNk(x)={z∈S|x∈NNk(z)}
样本点的k互近邻集合表示为:
MNNk(x)=NNk(x)∩RNNk(x)
具体聚类算法步骤如下:
S1、将降维样本集S中的所述降维日载荷数据定义为si;
S2、依次对降维样本集S中的每个样本si调用类识别迭代函数CREATECLUSTER(S,si,k,L),所有样本si调用所述类识别迭代函数CREATECLUSTER(S,si,k,L)的返回值构成类集合CL;
S3、判断类集合CL的集合元素数量是否大于k;如果类集合CL的集合元素数量大于k,则设置样本点类标签设置为L,且令L=L+1;如果类集合CL的集合元素数量小于或者等于k,则设置样本点si类标签设置为噪声点;然后,令S等于S与类集合CL的补集。
S4、判断补集S是否为空集;如果补集S为空集,得到聚类好的多个样本点集合CL,根据每个样本点集合CL所对应的所述降维样本集,得到特征相似的传感器群;如果补集S不为空集,则重复步骤S2至步骤S4。
S5、算法结束。
所述聚类的内部评价指标的具体计算公式如下,
其中,m表示聚类的数目,h表示当前的类,trB(h)表示类间距差矩阵的迹,trW(h)表示类内离差矩阵的迹,CH表示聚类的内部评价指标。
如图3所示,函数CREATECLUSTER(S,si,k,L)中,S表示样本集,Si表示类构建开始样本点,K表示近邻数k,L表示类标签,返回值为聚类结果集合。
具体步骤如下:
S10、S定义空集合C;
S20、判断:如果si的互近邻集合MNNk(si)元素数量大于2k/3则执行步骤S30,否则执行S40;
S30、取出MNNk(si)中每一个样本点v,判断:如果样本点v还未设置类标签则执行:样本点v类标签设置为L,令C=C∪{v},令C=C∪CREATECLUSTER(S,v,k,L);
S40、返回C,函数结束。
实施例2
本实施例将不同有分类标记的数据集分别用基于逆近邻的密度估计聚类算法即RNN-DBSCAN算法与K-Means算法以及DBSCAN算法进行聚类,对于实际类别信息未知的情况,利用Calinski-Harabasz指标,即CH指标进行聚类效果评价;对于已知分类标记的数据集,聚类效果指标可以采用标准化互信息即Normalized Mutual Information以及调整互信息即Adjusted Mutual Information来评价。
假设U与V是对N个样本标签的分配情况,则两种分布的熵分别为:其中P(i)=|Ui|/N,P(j)=|Uj|/N,U与V之间的互信息定义为: 其中P(i,j)=|Ui∩Uj|/N,则标准化互信息为:调整互信息:其中NMI取值范围是[0,1],AMI取值范围是[-1,1],两者值越大说明聚类效果越好。
表1
表1为有分类标记的数据集聚类NMI实验结果,其中,数据集P1到P14为不同的建筑光纤光栅应力传感器的数据集,如表1所示,在则标准化互信息评价标准下,基于逆近邻的密度估计聚类算法RNN-DBSCAN的聚类效果比传统的K-Means聚类算法以及DBSCAN聚类算法应用于建筑光纤光栅应力传感器的应力数据聚类分析效果更优。
表2
表2为有分类标记的数据集聚类AMI实验结果,其中,数据集P1到P14为不同的建筑光纤光栅应力传感器的数据集,如表2所示,在调整互信息评价标准下,基于逆近邻的密度估计聚类算法RNN-DBSCAN的聚类效果比传统的K-Means聚类算法以及DBSCAN聚类算法应用于建筑光纤光栅应力传感器的应力数据聚类分析效果更优。
表3
表3为基于Calinski-Harabasz指标下RNN-DBSCAN聚类算法、K-Means聚类算法以及DBSCAN聚类算法的对比实验结果。如表3所示,将采集到的多个光纤光栅传感器应力数据预处理后用基于逆近邻的密度估计聚类算法RNN-DBSCAN与K-Means和DBSCAN算法进行聚类效果进行比较,其中,RNN-DBSCAN的聚类效果比K-Means以及DBSCAN好,因此能以更高的精确率对光纤光栅应力传感器应力数据进行聚类。
本发明把数据量庞大的光纤光栅建筑应力传感器应力数据聚类成特征相似的传感器群;建筑安全企业管理人对聚类成的传感器群进行分析,可以更好地预测用不同类型建筑关键结构应力变化趋势,构建建筑健康分析模型,为智慧建筑安全监控提供更可靠的方法。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的构思和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种建筑光纤光栅应力传感器的应力曲线聚类方法,其特征在于:包括如下步骤,
S1、获取多个建筑应力传感器的日载荷数据;
S2、对每个建筑应力传感器的所述日载荷数据进行预处理,得到初始群集数据;
S3、对所述初始群集数据进行降维处理,得到降维群集数据;
S4、基于逆近邻的密度估计聚类算法对所述降维群集数据进行聚类,得到特征相似的传感器群;所述基于逆近邻的密度估计聚类算法的样本距离的计算方法为余弦相似度计算方法;
S5、根据特征相似的所述传感器群,建立传感器群的日载荷聚类特征集;
S6、根据所述传感器群的所述日载荷聚类特征集,建立全年模型分析链;
S7、根据所述全年模型分析链构造建筑健康分析模型。
2.根据权利要求1所述的建筑光纤光栅应力传感器的应力曲线聚类方法,其特征在于:所述S1还包括,建立多个原始样本集,让多个原始样本集与多个所述建筑应力传感器一一对应;其中,每个所述原始样本集包含与当前所述原始样本集对应的所述建筑应力传感器在一天内的多个时间点所采集的日载荷数据。
3.根据权利要求2所述的建筑光纤光栅应力传感器的应力曲线聚类方法,其特征在于:所述S2具体为,对所有所述原始样本集分别进行数据缺失值处理,得到多个初始样本集;对每个所述初始样本集内的所有日载荷数据进行数据标准化处理以及数据正则化处理,得到多个初始日载荷数据。
4.根据权利要求3所述的建筑光纤光栅应力传感器的应力曲线聚类方法,其特征在于:所述数据缺失值处理方法具体为,对有效日载荷数据占比少于30%的原始样本集进行删除,对有效日载荷数据占比大于或等于30%的原始样本集的缺失数据进行补全。
5.根据权利要求3所述的建筑光纤光栅应力传感器的应力曲线聚类方法,其特征在于:所述数据标准化处理的方法具体为,将每个所述初始样本集内的所述日载荷数据归一化到[-1,1]的范围。
6.根据权利要求3所述的建筑光纤光栅应力传感器的应力曲线聚类方法,其特征在于:所述数据正则化处理的方法具体为,将每个经过数据标准化处理后的日载荷数据减去该日载荷数据所在的初始样本集内所有日载荷数据的平均值之后,再除以该日载荷数据所在的初始样本集内所有日载荷数据的方差。
7.根据权利要求3所述的建筑光纤光栅应力传感器的应力曲线聚类方法,其特征在于:所述降维处理的具体方法为,采用主成分分析方法,对每个初始样本集内的初始日载荷数据进行降维,得到多个降维样本集;其中,每个所述降维样本集中均包含有多个降维日载荷数据。
8.根据权利要求7所述的建筑光纤光栅应力传感器的应力曲线聚类方法,其特征在于:所述S4具体为,采用基于逆近邻的密度估计聚类算法,将多个所述降维样本集聚成多类,并使用聚类的内部评价指标对聚类结果进行评估,选取聚类的内部评价指标值最大的结果,得到多类降维样本集,从而得到多类特征相似的传感器群。
9.根据权利要求8所述的建筑光纤光栅应力传感器的应力曲线聚类方法,其特征在于:所述采用基于逆近邻的密度估计聚类算法具体包括如下步骤,
S10、给定近邻数k,给定样本点类标签为L,且L的初始值为1,选取未经聚类的所述降维样本集,并定义该降维样本集为S,其中近邻数k为正整数;
S20、将降维样本集S中的所述降维日载荷数据定义为样本si;
S30、依次对降维样本集S中的每个样本si调用类识别迭代函数CREATECLUSTER(S,si,k,L),并将所有样本si调用所述类识别迭代函数CREATECLUSTER(S,si,k,L)的返回值构成类集合CL;
S40、判断类集合CL的集合元素数量是否大于k;如果类集合CL的集合元素数量大于k,则将样本si的样本点类标签L执行L=L+1的赋值运算;如果类集合CL的集合元素数量小于或者等于k,则删除所述类标签L对应的所述样本si;
S50、判断降维样本集S与类集合CL的补集是否为空集;如果降维样本集S与类集合CL的补集为空集,则根据每个类集合CL所对应的所述降维样本集S,得到特征相似的传感器群;如果降维样本集S与类集合CL的补集不为空集,则重复S20至S50,直到降维样本集S与类集合CL的补集为空集为止;
S60、算法结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111573767.XA CN114386485A (zh) | 2021-12-21 | 2021-12-21 | 一种建筑光纤光栅应力传感器的应力曲线聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111573767.XA CN114386485A (zh) | 2021-12-21 | 2021-12-21 | 一种建筑光纤光栅应力传感器的应力曲线聚类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114386485A true CN114386485A (zh) | 2022-04-22 |
Family
ID=81197557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111573767.XA Pending CN114386485A (zh) | 2021-12-21 | 2021-12-21 | 一种建筑光纤光栅应力传感器的应力曲线聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114386485A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719831A (zh) * | 2023-08-03 | 2023-09-08 | 四川中测仪器科技有限公司 | 一种面向健康监测的标准数据库建立与更新方法 |
-
2021
- 2021-12-21 CN CN202111573767.XA patent/CN114386485A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719831A (zh) * | 2023-08-03 | 2023-09-08 | 四川中测仪器科技有限公司 | 一种面向健康监测的标准数据库建立与更新方法 |
CN116719831B (zh) * | 2023-08-03 | 2023-10-27 | 四川中测仪器科技有限公司 | 一种面向健康监测的标准数据库建立与更新方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
CN107682319A (zh) | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN107037980A (zh) | 时间序列数据的多表示存储 | |
CN114997276B (zh) | 一种面向压制成型设备的异构多源时序数据异常识别方法 | |
CN115641162A (zh) | 一种基于建筑工程造价的预测数据分析系统和方法 | |
CN117670066B (zh) | 基于智能决策的司库管理方法、系统、设备及存储介质 | |
CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN117828002B (zh) | 一种土地资源信息数据智能管理方法及系统 | |
CN109409407A (zh) | 一种基于le算法的工业监测数据聚类方法 | |
CN114386485A (zh) | 一种建筑光纤光栅应力传感器的应力曲线聚类方法 | |
CN115800538A (zh) | 基于人工智能的智能电网运维监控方法及系统 | |
CN114266457A (zh) | 一种配电线路异损诱因检测的方法 | |
CN116975535A (zh) | 一种基于土壤环境监测数据的多参数数据分析方法 | |
CN116738354A (zh) | 一种电力物联网终端行为异常检测方法及系统 | |
CN116383645A (zh) | 一种基于异常检测的系统健康度智能监测评估方法 | |
CN116894687A (zh) | 一种基于机器学习的用电量分析方法及系统、电子设备 | |
CN111008673A (zh) | 配电网信息物理系统中恶性数据链采集提取方法 | |
CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
CN115618083A (zh) | 一种面向多源异构数据归一化的方法及装置 | |
CN111797924B (zh) | 一种基于聚类算法的三维度园区画像方法及系统 | |
CN113535527A (zh) | 一种面向实时流数据预测性分析的降载方法及系统 |
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 |