CN114742665A - 一种基于多类型监测数据的人工智能监测方法和系统 - Google Patents
一种基于多类型监测数据的人工智能监测方法和系统 Download PDFInfo
- Publication number
- CN114742665A CN114742665A CN202210381191.5A CN202210381191A CN114742665A CN 114742665 A CN114742665 A CN 114742665A CN 202210381191 A CN202210381191 A CN 202210381191A CN 114742665 A CN114742665 A CN 114742665A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- monitoring data
- type
- data
- sequence
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 13
- WXNXCEHXYPACJF-ZETCQYMHSA-N N-acetyl-L-leucine Chemical compound CC(C)C[C@@H](C(O)=O)NC(C)=O WXNXCEHXYPACJF-ZETCQYMHSA-N 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 19
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多类型监测数据的人工智能监测方法和系统,通过基于全局标准值和数值间隔的去类型处理,将多种类型的燃气管网监测数据有机组合起来进行人工智能监测,有效的利用了各种类型监测数据并提高了监测效率,使得各种类型的数据在不丢失信息的情况下共同参与后续人工智能预测。
Description
【技术领域】
本发明属于燃气管网自动化监测技术领域,尤其涉及一种基于多类型监测数据的人工智能监测方法和系统。
【背景技术】
目前,天然气消费增长明显加快,工业、发电等用气需求显著攀升。随着人们对燃气需求量的不断增加,城市中用于输送燃气的管道也越来越密集复杂,因此对燃气管道安全、使用情况的监测和维护,对用户需求的满足等提出了更高的要求。对燃气管道压力的监测是常用的燃气管道安全监测方式,通过对燃气管道不同监测区域在不同时间点压力的监测分析,可以得到燃气管道是否存在异常以及异常类型等信息,才能够进一步的对燃气管道进行相应的维护操作,以保证燃气供应和燃气管网的安全性。
但是随着技术水平的进步,现在的监测手段越来越多,这样得到的监测数据的类型也越来愈多,而且针对这些监测数据的分析手段也越来越多,例如人工智能手段,就是当前非常流行的一种监测手段分析方法。现有技术中在采用人工智能方式进行燃气管网监测时,往往只能选择一种单一类型的监测数据进行数据监测,这种单一类型的监测数据往往是比较重要的监测数据类型,但是在缺乏其他多种类型监测数据辅助作证的情况下,很多重要的信息被白白的丢失了;如果仅仅是直接将基于不同监测类型独立监测结果进行简单计算或者人工组合,这样对多种类型信息的利用还是非有机的方式,不是一个非常智能和有效的做法;如何将人工智能检测方式和多类型监测数据有机结合是个待解决的问题;本发明将多种类型的燃气管网监测数据有机组合起来进行人工智能监测,有效的利用了各种类型监测数据并提高了监测效率。
【发明内容】
为了解决现有技术中的上述问题,本发明提出了一种基于多类型监测数据的人工智能监测方法和系统,所述方法包含:
步骤S1:针对每种类型的监测数据,分别对其作去类型化以得到去类型序列;所述步骤S1具体包括如下步骤:
步骤S11:对于每种类型的监测数据,分别将其按照从大到小的顺序排列以构成分别对应于每种类型的监测数据序列,其中第k类型对应的监测数据序列为SEQk=(seqk,s),seqk,s为监测数据序列中第s监测节点对应的第s监测数据元素,也就是第s监测节点的监测数据值;
步骤S12:获取监测数据序列的距离序列SPk;其中:SPk=(spk,s);spk,s为距离序列中第s个距离元素;spk,s=seqk,s-seqk,s+1;s=1~(NALL-1);spk,NALL=seqk,NALL-seqk,1;其中:NALL是监测节点的总数;
步骤S2:将监测节点进行二维编码,所述二位编码和特征矩阵中监测节点的监测数据位置对应;
步骤S3:针对每种类型k的监测数据构建一个对应的特征矩阵MTk,第k类型监测数据对应的特征矩阵中的元素(i,j)设置二维编码为(i,j)的监测节点在去类型序列DTk中的相应元素值;
步骤S4:对k类型的特征矩阵MTk作梯度变化处理并得到k类型梯度变化向量Vk;
步骤S5:动态设置神经网络模型的权重向量;权重向量中的每个元素分别和一种类型相对应;
步骤S6:将梯度变化向量作为输入,权重向量作为输入参数的权重,输入神经网络模型并得到输出向量;
步骤S7:基于输出向量中查找监测情况对照表以获得监测结果。
进一步的,所述监测情况对照表是预设对照表。
进一步的,所述监测数据类型包括压力、温度、声音、流量、噪声度、图像、人为评定参数。
进一步的,所述编号是基于监测节点流量大小的。
进一步的,在作对齐之前,对监测数据进行预处理。
一种基于多类型监测数据的人工智能监测系统,所述系统用于实现所述的基于多类型监测数据的人工智能监测方法。
进一步的,所述系统是基于大数据平台燃气管网数据的监测系统。
一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述的基于多类型监测数据的人工智能监测方法。
一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行所述的基于多类型监测数据的人工智能监测方法。
一种执行设备,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现所述的基于多类型监测数据的人工智能监测方法。
基于同样的发明构思,本发明还提供一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述的基于多类型监测数据的人工智能监测方法。
本发明的有益效果包括:
(1)基于通量值对监测节点作二维码编码,从而将燃气管网结构中节点之间的关系代入后续的计算中,通过基于全局标准值和数值间隔的去类型处理,保持了样本数据在同一时间范围内的差异化;使得各种类型的数据在不丢失信息的情况下共同参与后续人工智能预测;(2)在经过去类型监测数据构成的特征矩阵的基础上,通过梯度变化在保留数据显著性的同时将二维矩阵转换为一维向量,大大数据分析维度,使得多种类型的燃气管网监测数据能够有机组合起来进行人工智能监测;(3)将输出向量代表的二进制值预先和监测结果无含义的对应起来形成对照表,通过训练形成二进制值自身的含义,扩大了监测结果的表示范围。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1为本发明的基于多类型监测数据的人工智能监测方法示意图。
图2为本发明实施例中的k类型梯度变化向量计算方式示意图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的限定;
如附图1所示,本发明提出一种基于多类型监测数据的人工智能监测方法,所述方法包括如下步骤:
步骤S1:针对每种类型的监测数据,分别对其作去类型化以得到去类型序列;也就是在不丧失和类型相关的数据内容信息的基础上,使得各种类型的数据更容易的进行最后的综合考量而不会带来过多的训练和准确率丧失;
优选的:所述监测数据类型包括压力、温度、声音、流量、噪声度、图像、人为评定参数等;
优选的:在作对齐之前,对监测数据进行预处理;所述预处理为:填充空白元素值为默认值、去除奇异点、进行归一化处理等中的一个或者多个;
所述步骤S1具体包括如下步骤:
步骤S11:对于每种类型的监测数据,分别将其按照从大到小的顺序排列以构成分别对应于每种类型的监测数据序列,其中第k类型对应的监测数据序列为SEQk=(seqk,s),seqk,s为监测数据序列中第s监测节点对应的第s监测数据元素,也就是第s监测节点的监测数据值,例如:压力参数值;
步骤S12:获取监测数据序列的距离序列SPk;其中:SPk=(spk,s);spk,s为距离序列中第s个距离元素;spk,s=seqk,s-seqk,s+1;s=1~(NALL-1);spk,NALL=seqk,NALL-seqk,1;其中:NALL是监测节点的总数;
步骤S13:基于距离序列SPk计算去类型序列DTk;其中:DTk=(dtk,s);dtk,s为去类型序列中第s去类型元素;其中:STDk是第k类型的基准值;该基准值可以设置为历史均值;该基准值只要在模型使用过程中保持不变即可,在模型进行重新训练时,可以根据选用的监测数据的分布来改变该基准值;
本发明通过上述去类型处理,使得各种类型的数据在不丢失信息的情况下共同参与后续人工智能预测;各种类型的数据在通过相对数据值保持样本值在历史使用时间内的差异化,同时代入了span信息,保持了样本数据在同一时间范围内的差异化;
步骤S2:将监测节点进行二维编码,所述二位编码和特征矩阵中监测节点的监测数据位置对应;具体包括如下步骤:
步骤S21:获取每个监测节点的连通数Rs和平均流量值Qs,并计算每个监测节点的通量值RQs=Rs×Qs;其中:连通数是燃气管拓扑图中和监测节点之间直接相连的其他监测节点的个数,也就是连接边的个数;
步骤S24:将监测节点按照Rs×Qs的从大到小的顺序进行先行后列的二维编码;此时,如果有24个监测节点,那么Rs×Qs最大者的二维编码是(1,1),Rs×Qs最小者的二维编码是(5,4);
步骤S3:针对每种类型k的监测数据构建一个对应的特征矩阵MTk,第k类型监测数据对应的特征矩阵中的元素(i,j)设置二维编码为(i,j)的监测节点在去类型序列DTk中的相应元素值;例如:将去类型序列DTk中第24元素放入特征矩阵中位置(5,4);此时一个燃气管网结构覆盖的监测区域就对应多个特征矩阵;
步骤S4:对k类型的特征矩阵MTk作梯度变化处理并得到k类型梯度变化向量Vk;将二维矩阵转换为一维向量,降低数据分析维度;
所述步骤S4具体包括如下步骤:
步骤S41:设置特征矩阵MTk中初始特定元素;
优选的:所述初始特定元素为特征矩阵MTk中的第一个元素;
步骤S42:从特征矩阵MTk中特定元素SPEu,v开始,计算最大行梯度方向对应的下一行梯度元素NLE_ku,v;其中:u,v分别为特定元素所在行列编号;mt_ku,v是特征矩阵MTk中第u行第v列元素;
EL_ku,v=|SPEu,v-mt_ku,v|/SPEu,v;其中,SPEu,v保持不变,而mt_ku,v中u不变,v=1~N;
设置下一行梯度元素NLE_ku,v为max(EL_ku,v)对应的元素;
步骤S43:在当前行存在下一相邻列时,从下一行梯度元素NLE_ku,v出发计算最大相邻列梯度方向对应的下一列梯度元素NCE_ku,v;将所述下一列梯度元素作为特定元素,并返回步骤S42;当不存在下一相邻列时,进入步骤S44;
EL_ku,v=|NLE_ku,v-mt_ku+1,v|/NLE_ku,v;其中,NLE_ku,v保持不变;
mt_ku+1,v中u+1保持不变而v=1~N;
设置下一列梯度元素NCE_ku,v为max(EL_ku,v)对应的元素;
步骤S44:从特定元素开始,按照最大行梯度方向或最大列梯度方向,依次设置下一行梯度元素和下一列梯度元素以构成梯度变化向量Vk;此时梯度变化向量中的元素个数为2N;
可替换的:如附图2所示,所述步骤S44具体为:从特定元素开始,按照最大列梯度方向,依次设置下一列梯度元素以构成梯度变化向量Vk;此时梯度变化向量中的元素个数为N;这样的设置方式能够进一步降低输入数据量;
步骤S5:动态设置神经网络模型的权重向量;权重向量中的每个元素分别和一种类型相对应;
优选的:所述动态设置神经网络模型的权重向量,具体为:根据采集到的监测数据的完备性程度来设置权重;
优选的:所述动态设置神经网络模型的权重向量,具体为:根据监控数据类型的重要程度设置权重向量,类型越重要则权重向量相应元素值越高;
可替换的:根据监测数据类型的重要程度和监控数据的监测频率设置权重向量;监测频率和类型的既有属性相关,监测数据本身如果不容易发生变化,则不需要进行频繁的监测,另外,受限于监测条件限制,有些参数是无法进行频繁的监测的,因而无法达到监测频率要求;
当采用权重加权后,一层隐含层神经元设置就能取得较好的训练和预测效果,因而大大提高了网络的训练速度;
步骤S6:将梯度变化向量作为输入,权重向量作为输入参数的权重,输入神经网络模型并得到输出向量;
其中:所述神经网络模型具有输入层、隐含层和输出层;输入向量向前传播到隐含层的神经元节点上,经过激活函数运算后,把隐含层神经元节点的输出信息传播到输出节点,最后给出输出向量;输入层具有K个输入层神经元节点,K为监测数据类型的个数;其中每个输入层神经元节点分别用于接收相应类型的输入向量,输入向量和权重向量作用后全连接于隐含层中的每个神经元节点;
优选的:所述激活函数为Sigmoid函数;
优选的:所述隐藏层神经元节点的作用函数是径向基函数;
优选的:所述隐含层为一层或者多层;
步骤S7:基于输出向量中查找监测情况对照表以获得监测结果;具体的:所述输出向量是一个N元输出向量,所述输出向量中的每个元素分别对应一个输出神经元的输出,也就是说,输出层神经元个数为N个,和监测类型的个数是相同的;所述输出向量的二进制数值分别和一种或者多种监测结果相对应的,从而形成对照表,所述对照表是预先设置的;
如果将输入向量中的每个元素的含义分开表示,使得每个元素分别对应一个输入向量数据的监测结果,那么还是需要进行简单判断,例如vote方式,或者人工判断的方式来确定最终的监测结果;本发明将输出向量代表的二进制值预先和监测结果无含义的对应起来形成对照表,通过训练形成二进制值自身的含义,一方面扩大了监测结果的表示范围,一方面神经网络模型将多种类型的数据含义有机结合;
优选的:步骤S5中计算得到的权重向量是神经网络模型输入层权重的初始值,在训练过程中,通过输入和输出样本集对网络进行训练,从而修正神经网络模型中的网络阈值,并通过反馈机制不断的修正所述权重向量的当前值,以便使神经网络模型实现给定输入与输出之间的映射关系,也就是达到准确的要求,而能够进行后续的预测;
计算机程序(也被称为程序、软件、软件应用、脚本或代码)能够以编程语言的任何形式来撰写,包括汇编或解释语言、说明或过程性语言,且其可以以任何形式部署,包括作为单机程序或者作为模块、组件、子例程、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必与文件系统中的文件相对应。程序能够存储在保持其他程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中,在专用于所述程序的单个文件中,或者在多个协同文件中(例如,存储一个或多个模块、子例程或代码部分的文件)。计算机程序可以部署为在一个计算机上或位于一个站点或跨多个站点分布且由通信网络互连的多个计算机上执行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于多类型监测数据的人工智能监测方法,其特征在于,包括:
步骤S1:针对每种类型的监测数据,分别对其作去类型化以得到去类型序列;所述步骤S1具体包括如下步骤:
步骤S11:对于每种类型的监测数据,分别将其按照从大到小的顺序排列以构成分别对应于每种类型的监测数据序列,其中第k类型对应的监测数据序列为SEQk=(seqk,s),seqk,s为监测数据序列中第s监测节点对应的第s监测数据元素,也就是第s监测节点的监测数据值;
步骤S12:获取监测数据序列的距离序列SPk;其中:SPk=(spk,s);spk,s为距离序列中第s个距离元素;spk,s=seqk,s-seqk,s+1;s=1~(NALL-1);spk,NALL=seqk,NALL-seqk,1;其中:NALL是监测节点的总数;
步骤S2:将监测节点进行二维编码,所述二位编码和特征矩阵中监测节点的监测数据位置对应;
步骤S3:针对每种类型k的监测数据构建一个对应的特征矩阵MTk,第k类型监测数据对应的特征矩阵中的元素(i,j)设置二维编码为(i,j)的监测节点在去类型序列DTk中的相应元素值;
步骤S4:对k类型的特征矩阵MTk作梯度变化处理并得到k类型梯度变化向量Vk;
步骤S5:动态设置神经网络模型的权重向量;权重向量中的每个元素分别和一种类型相对应;
步骤S6:将梯度变化向量作为输入,权重向量作为输入参数的权重,输入神经网络模型并得到输出向量;
步骤S7:基于输出向量中查找监测情况对照表以获得监测结果。
2.根据权利要求1所述的基于多类型监测数据的人工智能监测方法,其特征在于,所述监测情况对照表是预设对照表。
3.根据权利要求2所述的基于多类型监测数据的人工智能监测方法,其特征在于,所述监测数据类型包括压力、温度、声音、流量、噪声度、图像、人为评定参数。
4.根据权利要求3所述的基于多类型监测数据的人工智能监测方法,其特征在于,所述编号是基于监测节点流量大小的。
5.根据权利要求4所述的基于多类型监测数据的人工智能监测方法,其特征在于,在作对齐之前,对监测数据进行预处理。
6.一种基于多类型监测数据的人工智能监测系统,其特征在于,所述系统用于实现上述权利要求1-5中任一个所述的基于多类型监测数据的人工智能监测方法。
7.根据权利要求6所述的基于多类型监测数据的人工智能监测系统,其特征在于,所述系统是基于大数据平台燃气管网数据的监测系统。
8.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1-5中任一项所述的基于多类型监测数据的人工智能监测方法。
9.一种计算机可读存储介质,其特征在于,包括程序,当其在计算机上运行时,使得计算机执行如权利要求1-5中任一项所述的基于多类型监测数据的人工智能监测方法。
10.一种执行设备,其特征在于,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现如权利要求1-5中任一项所述的基于多类型监测数据的人工智能监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210381191.5A CN114742665A (zh) | 2022-04-12 | 2022-04-12 | 一种基于多类型监测数据的人工智能监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210381191.5A CN114742665A (zh) | 2022-04-12 | 2022-04-12 | 一种基于多类型监测数据的人工智能监测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742665A true CN114742665A (zh) | 2022-07-12 |
Family
ID=82282122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210381191.5A Pending CN114742665A (zh) | 2022-04-12 | 2022-04-12 | 一种基于多类型监测数据的人工智能监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742665A (zh) |
-
2022
- 2022-04-12 CN CN202210381191.5A patent/CN114742665A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220197233A1 (en) | Wind power prediction method and system for optimizing deep transformer network | |
CN108448610A (zh) | 一种基于深度学习的短期风功率预测方法 | |
CN111581343A (zh) | 基于图卷积神经网络的强化学习知识图谱推理方法及装置 | |
CN106897254B (zh) | 一种网络表示学习方法 | |
CN112838946B (zh) | 基于通信网故障智能感知与预警模型的构建方法 | |
CN108647839A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
CN113516133B (zh) | 一种多模态图像分类方法及系统 | |
CN113157919B (zh) | 语句文本方面级情感分类方法及系统 | |
CN113902108A (zh) | 一种量化位宽动态选择的神经网络加速硬件架构及方法 | |
CN111831354A (zh) | 数据精度配置方法、装置、芯片、芯片阵列、设备及介质 | |
US11948079B2 (en) | Multi-agent coordination method and apparatus | |
CN114169506A (zh) | 一种基于工业物联网平台的深度学习边缘计算系统框架 | |
CN117668563A (zh) | 文本识别方法、装置、电子设备及可读存储介质 | |
CN116935128A (zh) | 一种基于可学习提示的零样本异常图像检测方法 | |
CN114742665A (zh) | 一种基于多类型监测数据的人工智能监测方法和系统 | |
CN112561050A (zh) | 一种神经网络模型训练方法及装置 | |
Wang et al. | SignADAM++: Learning confidences for deep neural networks | |
CN113743595B (zh) | 基于物理驱动自编码器神经网络的结构参数识别方法 | |
CN115528750A (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
CN115907000A (zh) | 一种用于电力系统最优潮流预测的小样本学习方法 | |
CN110084356A (zh) | 一种深度神经网络数据处理方法和装置 | |
CN115100599A (zh) | 基于掩码transformer的半监督人群场景异常检测方法 | |
CN110852361B (zh) | 基于改进深度神经网络的图像分类方法、装置与电子设备 | |
Zhang et al. | Learning efficient sparse structures in speech recognition | |
CN113033422A (zh) | 基于边缘计算的人脸检测方法、系统、设备和存储介质 |
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 |