CN115271003A - 用于自动化环境监测设备的异常数据分析方法及系统 - Google Patents

用于自动化环境监测设备的异常数据分析方法及系统 Download PDF

Info

Publication number
CN115271003A
CN115271003A CN202211205291.9A CN202211205291A CN115271003A CN 115271003 A CN115271003 A CN 115271003A CN 202211205291 A CN202211205291 A CN 202211205291A CN 115271003 A CN115271003 A CN 115271003A
Authority
CN
China
Prior art keywords
point
data
environmental
similarity
data point
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.)
Granted
Application number
CN202211205291.9A
Other languages
English (en)
Other versions
CN115271003B (zh
Inventor
赵敏
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.)
Jiangsu Yuntian New Material Manufacturing Co ltd
Original Assignee
Jiangsu Yuntian New Material Manufacturing 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 Jiangsu Yuntian New Material Manufacturing Co ltd filed Critical Jiangsu Yuntian New Material Manufacturing Co ltd
Priority to CN202211205291.9A priority Critical patent/CN115271003B/zh
Publication of CN115271003A publication Critical patent/CN115271003A/zh
Application granted granted Critical
Publication of CN115271003B publication Critical patent/CN115271003B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G06F16/90348—Query processing by searching ordered data, e.g. alpha-numerically ordered data
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及用于自动化环境监测设备的异常数据分析方法及系统。方法包括：得到各环境数据在多维空间中的环境数据点；获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集；根据各环境数据点的时序邻近点集以及空间邻近点集，得到多维空间中的各环境数据点的点集排列相似性；根据各环境数据点的点集排列相似性，计算各环境数据点的时序邻近相似性；根据各环境数据点的点集排列相似性以及时序邻近相似性，得到环境异常数据以及传感器异常数据。本发明能够区分由环境异常引起的异常数据以及由传感器异常引起的异常数据，可以为后续对环境异常数据的分析提供更加精确有效的数据集。

Description

用于自动化环境监测设备的异常数据分析方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及用于自动化环境监测设备的异常数据分析方法及系统。
背景技术
环境监测设备的应用范围极广，对环境数据准确监测是进行气象预测、生态保护等后续环节的重要步骤，而异常的环境监测数据会影响后续的气象分析效果以及环境保护决策的制定，因此，对于环境监测中获取的异常数据进行识别筛选是保证后续工作效果的基础，而随着科学技术的发展，自动化的环境监测设备越来越普及，自动化环境监测设备的应用提高了环境监测数据采集的效率以及数量，为后续对环境数据的分析提供了大量的数据，但随之而来的是自动化监测设备在采集环境数据后不能有效的筛选出异常的数据，与人工采集数据可以及时的通过人工进行异常数据的分析相比，自动化检测设备不能确保采集数据的有效性。因此，对于自动化环境监测设备来说，在采集环境数据后对异常数据的识别分析与筛选就尤为重要。
现有技术一般利用如LOF的异常检测算法来检测异常数据，但是在自动化环境监测设备获取的数据中，其中存在的异常数据的成因有两种，一种是由于环境的异常变化而产生的环境异常数据，一种是由于自动化环境监测设备的传感器发生故障而产生的传感器异常数据，这两种异常数据均会被采集到环境数据集中。而LOF异常数据检测算法是根据异常数据的局部密度来进行异常检测的，而上述两种原因产生的异常数据均为局部密度较小的数据，这就会导致LOF异常数据检测算法对上述两种原因产生的异常数据是一视同仁的，也即无法区分二者，而无法区分二者产生的后果会导致对后续异常环境数据的分析结果不准确（由于异常环境数据中混入了传感器异常数据），因此在检测出异常环境数据的同时能区分这些异常环境数据的成因具体是环境异常，还是传感器异常是需要解决的问题。
发明内容
为了解决上述问题，本发明提供用于自动化环境监测设备的异常数据分析方法及系统，所采用的技术方案具体如下：
第一方面，本发明实施例提供了一种用于自动化环境监测设备的异常数据分析方法，包括以下步骤：
获取自动化环境监测设备收集到的各环境数据，一个环境数据为一个多维向量；一个环境数据对应一个时间戳；将收集到的各环境数据对应到多维空间中，得到各环境数据在多维空间中的数据点，记为环境数据点；一个环境数据对应一个环境数据点；
获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集；根据各环境数据点的时序邻近点集以及空间邻近点集，得到多维空间中的各环境数据点的点集排列相似性；根据各环境数据点的点集排列相似性，计算各环境数据点的时序邻近相似性；
根据各环境数据点的点集排列相似性以及时序邻近相似性，得到环境异常数据以及传感器异常数据。
第二方面，本发明提供了一种用于自动化环境监测设备的异常数据分析系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述用于自动化环境监测设备的异常数据分析方法。
优选的，所述多维向量中参数包括温度数据、湿度数据和风速数据。
优选的，获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集的方法，包括：
对于多维空间中的任一环境数据点：
将该环境数据点记为
Figure 482854DEST_PATH_IMAGE001
，该环境数据点
Figure 692119DEST_PATH_IMAGE002
的角标i该环境数据点对应的环境数据的采集时序序号；
该环境数据点
Figure 251276DEST_PATH_IMAGE001
的时序邻近点集是由与该环境数据点
Figure 961088DEST_PATH_IMAGE001
在时序上最邻近的
Figure 947498DEST_PATH_IMAGE003
个环境数据点组成，将该环境数据点
Figure 112900DEST_PATH_IMAGE001
的时序邻近点集记为
Figure 210169DEST_PATH_IMAGE004
；所述时序邻近点集
Figure 42996DEST_PATH_IMAGE004
中的环境数据点的数量为K；
该数据点
Figure 465887DEST_PATH_IMAGE001
的空间邻近点集是由与该数据点
Figure 118585DEST_PATH_IMAGE006
在多维空间内最邻近的
Figure 19545DEST_PATH_IMAGE007
个环境数据点组成，将该环境数据点
Figure 706879DEST_PATH_IMAGE002
的空间邻近点集记为
Figure 35092DEST_PATH_IMAGE008
；所述空间邻近点集
Figure 440665DEST_PATH_IMAGE008
中的环境数据点的数量为K。
优选的，得到多维空间中的各环境数据点的点集排列相似性的方法，包括：
对于多维空间中的任一环境数据点：
将该环境数据点记为
Figure 879737DEST_PATH_IMAGE001
，按照时序的顺序分别对该环境数据点的时序邻近点集中的各环境数据点以及该环境数据点的对应的空间邻近点集中的各环境数据点进行排序；将排序后的两个点集分别记为
Figure 155997DEST_PATH_IMAGE009
和
Figure 655112DEST_PATH_IMAGE010
；
获得该环境数据点
Figure 547982DEST_PATH_IMAGE001
对应的排列相似性序列；获得该环境数据点
Figure 793674DEST_PATH_IMAGE011
对应的排列相似性序列的过程为：若
Figure 190020DEST_PATH_IMAGE012
与
Figure 860036DEST_PATH_IMAGE013
相同，则将排序相似性置1，若
Figure 974622DEST_PATH_IMAGE012
与
Figure 286655DEST_PATH_IMAGE013
不相同，则将排序相似性置0；所述
Figure 537508DEST_PATH_IMAGE012
为
Figure 378425DEST_PATH_IMAGE009
中的第
Figure 980307DEST_PATH_IMAGE014
个环境数据点，
Figure 564873DEST_PATH_IMAGE013
为
Figure 935811DEST_PATH_IMAGE010
中的第
Figure 947629DEST_PATH_IMAGE014
个环境数据点，
Figure 36808DEST_PATH_IMAGE014
为正整数；
将该环境数据点
Figure 159485DEST_PATH_IMAGE001
对应的排列相似性序列记为
Figure 384930DEST_PATH_IMAGE015
，并以
Figure 833229DEST_PATH_IMAGE016
表示
Figure 965413DEST_PATH_IMAGE017
中第
Figure 157360DEST_PATH_IMAGE018
个位置的排列相似性的值；根据该环境数据点
Figure 502891DEST_PATH_IMAGE001
对应的排列相似性序列
Figure 856512DEST_PATH_IMAGE015
中的各排列相似性的值，得到该环境数据点
Figure 654704DEST_PATH_IMAGE001
的点集排列相似性，
Figure 650342DEST_PATH_IMAGE018
为正整数。
优选的，根据如下公式计算该环境数据点
Figure 850379DEST_PATH_IMAGE001
的点集排列相似性：
Figure 640480DEST_PATH_IMAGE019
其中，
Figure 457126DEST_PATH_IMAGE020
为该环境数据点
Figure 787614DEST_PATH_IMAGE001
的点集排列相似性，
Figure 373316DEST_PATH_IMAGE021
为该环境数据点
Figure 665144DEST_PATH_IMAGE001
对应的排列相似性序列
Figure 969087DEST_PATH_IMAGE015
中的参数数量，
Figure 306527DEST_PATH_IMAGE022
为该环境数据点
Figure 543473DEST_PATH_IMAGE001
对应的排列相似性序列
Figure 940957DEST_PATH_IMAGE015
中的第k1个排列相似性的值，
Figure 466616DEST_PATH_IMAGE018
为该环境数据点
Figure 76589DEST_PATH_IMAGE001
对应的排列相似性序列
Figure 105725DEST_PATH_IMAGE015
中的排列相似性的值的序号。
优选的，计算各环境数据点的时序邻近相似性的方法，包括：
获取该环境数据点
Figure 405600DEST_PATH_IMAGE002
的序号和该环境数据点
Figure 887397DEST_PATH_IMAGE002
对应的排序后的时序邻近点集中第k个环境数据点
Figure 301061DEST_PATH_IMAGE023
的序号；根据该环境数据点
Figure 184704DEST_PATH_IMAGE002
的序号和该环境数据点
Figure 658410DEST_PATH_IMAGE002
对应的排序后的时序邻近点集中第k个环境数据点
Figure 627503DEST_PATH_IMAGE023
的序号，得到该环境数据点
Figure 844858DEST_PATH_IMAGE002
的时序邻近相似性；根据如下公式计算该环境数据点
Figure 848586DEST_PATH_IMAGE001
的时序邻近相似性：
Figure 493194DEST_PATH_IMAGE024
其中，
Figure 949583DEST_PATH_IMAGE025
为该环境数据点
Figure 705050DEST_PATH_IMAGE002
的时序邻近相似性，
Figure 297705DEST_PATH_IMAGE026
为该环境数据点
Figure 378793DEST_PATH_IMAGE002
的序号与该环境数据点
Figure 322479DEST_PATH_IMAGE002
对应的排序后的时序邻近点集中第k个环境数据点
Figure 881636DEST_PATH_IMAGE023
的序号之间的欧式距离，
Figure 597307DEST_PATH_IMAGE007
为时序邻近点集和空间邻近点集中的环境数据点的数量，
Figure 318138DEST_PATH_IMAGE027
为以自然常数e为底的常数。
优选的，根据各环境数据点的点集排列相似性以及时序邻近相似性，得到环境异常数据以及传感器异常数据的方法，包括：
对于环境数据点
Figure 749119DEST_PATH_IMAGE001
：
对环境数据点
Figure 846388DEST_PATH_IMAGE001
对应的点集排列相似性以及时序邻近相似性进行归一化，得到归一化后的环境数据点
Figure 944794DEST_PATH_IMAGE001
对应的点集排列相似性
Figure 836527DEST_PATH_IMAGE028
以及时序邻近相似性
Figure 754804DEST_PATH_IMAGE029
；
将获取的
Figure 921344DEST_PATH_IMAGE028
、
Figure 343098DEST_PATH_IMAGE029
对应到二维空间中，以
Figure 671311DEST_PATH_IMAGE030
表示环境数据点
Figure 76884DEST_PATH_IMAGE001
的类别特征，计算环境数据点
Figure 781535DEST_PATH_IMAGE031
对应的
Figure 323375DEST_PATH_IMAGE030
与点
Figure 88069DEST_PATH_IMAGE032
的欧式距离
Figure 724148DEST_PATH_IMAGE033
，环境数据点
Figure 232490DEST_PATH_IMAGE001
对应的
Figure 628836DEST_PATH_IMAGE030
与点
Figure 298852DEST_PATH_IMAGE034
的欧式距离
Figure 413438DEST_PATH_IMAGE035
，环境数据点
Figure 459892DEST_PATH_IMAGE001
对应的
Figure 976324DEST_PATH_IMAGE030
与点
Figure 817241DEST_PATH_IMAGE036
的欧式距离
Figure 419123DEST_PATH_IMAGE037
，类别角标H、Z、C分别表示环境异常数据、正常数据、传感器异常数据；
以
Figure 3689DEST_PATH_IMAGE033
、
Figure 374627DEST_PATH_IMAGE035
、
Figure 386445DEST_PATH_IMAGE037
中最小的一个欧式距离对应的类别角标作为该环境数据点
Figure 210045DEST_PATH_IMAGE001
的异常类别。
有益效果：本发明首先获取自动化环境监测设备收集到的各环境数据，一个环境数据为一个多维向量；一个环境数据对应一个时间戳；将收集到的各环境数据对应到多维空间中，得到各环境数据在多维空间中的数据点，记为环境数据点；一个环境数据对应一个环境数据点；然后获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集；根据各环境数据点的时序邻近点集以及空间邻近点集，得到多维空间中的各环境数据点的点集排列相似性；根据各环境数据点的点集排列相似性，计算各环境数据点的时序邻近相似性；最后根据各环境数据点的点集排列相似性以及时序邻近相似性，得到环境异常数据以及传感器异常数据。本发明能够区分由环境异常引起的异常数据以及由传感器异常引起的异常数据，可以为后续对环境异常数据的分析提供更加精确有效的数据集。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其它附图。
图1为本发明一种用于自动化环境监测设备的异常数据分析方法的流程图。
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、完整的描述，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，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
除非另有定义，本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了一种用于自动化环境监测设备的异常数据分析方法，详细说明如下：
如图1所示，该用于自动化环境监测设备的异常数据分析方法，包括以下步骤：
步骤S001，获取自动化环境监测设备收集到的各环境数据，一个环境数据为一个多维向量；一个环境数据对应一个时间戳；将收集到的各环境数据对应到多维空间中，得到各环境数据在多维空间中的数据点，记为环境数据点；一个环境数据对应一个环境数据点。
由于现有技术中利用LOF异常数据检测算法来检测异常数据时会由于不能区分异常数据是由环境异常引起的，还是传感器异常引起的而导致对后续异常环境数据的分析结果不准确的现象，因此本实施例主要是结合环境数据的特点，区分异常数据是由环境异常引起的，还是传感器异常引起的，并且本实施例主要通过计算各环境数据时序以及空间邻近点集的排列相似性，以及时序点集中各点与目标环境数据的时序邻近相似性来计算各环境数据的异常程度，来区分由环境异常引起的异常数据以及由传感器异常引起的异常数据，可以为后续对环境异常数据的分析提供更加精确有效的数据集。
本实施例获取自动化环境监测设备收集到的各环境数据，一个环境数据是由多个不同种类描述环境特征的监测值组成的多维向量，所述多维向量中参数包括温度数据、湿度数据和风速数据；将各环境数据对应到多维空间中，得到各环境数据在多维空间中的数据点，，记为环境数据点；一个环境数据对应一个环境数据点，即在多维数据空间中的各个数据维度表示环境监测指标数据的各类型的指标，如温度、湿度、风速等。并且每个环境数据对应着一个时刻标签，即一个环境数据对应一个时间戳，任意相邻两个时间戳的时间间隔是随机的，即环境数据的采集时间间隔可以是不同的，本实施例为了保证采集的数据具有代表性，设置采集时间间隔的最大上限不超过30min。
步骤S002，获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集；根据各环境数据点的时序邻近点集以及空间邻近点集，得到多维空间中的各环境数据点的点集排列相似性；根据各环境数据点的点集排列相似性，计算各环境数据点的时序邻近相似性。
（1）获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集的具体过程为：
对于多维空间中的任一环境数据点：
将该环境数据点记为
Figure 863880DEST_PATH_IMAGE001
，该环境数据点
Figure 823746DEST_PATH_IMAGE002
的角标i该环境数据点对应的环境数据的采集时序序号，即环境数据点
Figure 274974DEST_PATH_IMAGE002
为环境监测设备采集的第i个环境数据，因此环境监测设备在时序上第一个获取的环境数据为
Figure 851449DEST_PATH_IMAGE038
；并且对于该环境数据点
Figure 777817DEST_PATH_IMAGE001
，其本身存在着两种邻近的衡量方式，一种是时序上的邻近，即该环境数据点对应的环境数据对应的时间戳的邻近，另一种为空间上的邻近，即多维空间中的环境数据点存在着位置的邻近；接下来本实施例将以这两种方式寻找该环境数据点的两种邻近点集，这两种邻近点集中设定寻找点的个数为均为K，具体应用中需要根据实际情况设置
Figure 857768DEST_PATH_IMAGE007
的值，本实施例将K的值设置为20；则该环境数据点
Figure 476969DEST_PATH_IMAGE001
的时序邻近点集是由与该环境数据点
Figure 540740DEST_PATH_IMAGE001
在时序上最邻近的
Figure 5219DEST_PATH_IMAGE003
个环境数据点组成，将该环境数据点
Figure 205256DEST_PATH_IMAGE001
的时序邻近点集记为
Figure 729778DEST_PATH_IMAGE004
，并以
Figure 15266DEST_PATH_IMAGE039
表示点集
Figure 283437DEST_PATH_IMAGE004
中与点
Figure 337980DEST_PATH_IMAGE001
在时序上第
Figure 564562DEST_PATH_IMAGE014
邻近的环境数据点；该数据点
Figure 71767DEST_PATH_IMAGE001
的空间邻近点集是由与该数据点
Figure 143628DEST_PATH_IMAGE002
在多维空间内最邻近的
Figure 315328DEST_PATH_IMAGE007
个环境数据点组成，将该环境数据点
Figure 181653DEST_PATH_IMAGE002
的空间邻近点集记为
Figure 441733DEST_PATH_IMAGE008
，并以
Figure 51706DEST_PATH_IMAGE040
表示点集
Figure 80841DEST_PATH_IMAGE008
中与该环境数据点
Figure 118068DEST_PATH_IMAGE002
在多维空间内第
Figure 865444DEST_PATH_IMAGE041
邻近的环境数据点，其中
Figure 279108DEST_PATH_IMAGE042
。
至此，通过上述上述方式获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集。
（2）根据各环境数据点的时序邻近点集以及空间邻近点集，得到多维空间中的各环境数据点的点集排列相似性的具体过程为：
由于对于一个环境数据点来说，且若是该环境数据点是由环境异常引起的环境异常数据点，其偏离正常环境数据点的程度越大，但无论是正常的环境数据还是异常的环境数据，其在较短的时间内均不会发生剧烈的变化，因此若一个环境数据的异常是由环境异常引起的，其本身相对于正常的环境数据点的偏移程度是在时序上累加的，恢复到正常数据点的过程也是在时序上衰减的，即由环境异常引起的环境异常数据点相对于正常的环境数据点在时序上应是一个峰值（或谷值），这样一来，若将一个环境数据的时序邻近点按照时序邻近进行排序后，这个排序的顺序越与该异常数据点在多维数据空间内的空间邻近点的近邻排序一致，越说明该环境数据处在峰值（或谷值）上，越说明这个环境数据点的异常越可能是由环境异常引起的。
而相对的，正常的环境数据由于其处于正常的环境数据水平的范围内，其空间内近邻的点集可能出现在不同的时刻（正常的环境数据点可能在各个时刻都是）因此将其空间内的邻近点与时序上的邻近点分别进行排序后，这两个点的排序序列是不相同的，而对于由传感器异常所引起的异常数据，由于传感器异常是无规律的，随机的，因此，两个排序也是不相同的。
因此对于多维空间中的任一环境数据点：
将该环境数据点记为
Figure 428329DEST_PATH_IMAGE001
，按照时序的顺序分别对该环境数据点的时序邻近点集中的各环境数据点以及该环境数据点的对应的空间邻近点集中的各环境数据点进行排序；将排序后的两个点集分别记为
Figure 902036DEST_PATH_IMAGE043
、
Figure 871129DEST_PATH_IMAGE010
，
Figure 822904DEST_PATH_IMAGE009
中的点排序后第
Figure 826632DEST_PATH_IMAGE014
个数据点以
Figure 205661DEST_PATH_IMAGE012
表示；
Figure 662050DEST_PATH_IMAGE010
中的点排序后第
Figure 420446DEST_PATH_IMAGE014
个数据点以
Figure 278681DEST_PATH_IMAGE013
表示。
接下来验证两个排序对应序号位置的点是否是相同的数据点，若相同则将该位置的排序相似性置1，若不相同则将该位置的排序相似性置0，即若
Figure 94190DEST_PATH_IMAGE012
与
Figure 303455DEST_PATH_IMAGE013
相同，则将排序相似性置1，若
Figure 331454DEST_PATH_IMAGE012
与
Figure 44195DEST_PATH_IMAGE013
不相同，则将排序相似性置0；因此得到该环境数据点
Figure 30605DEST_PATH_IMAGE001
对应的排列相似性序列；排列相似性序列中的值仅有0或1；将该环境数据点
Figure 461587DEST_PATH_IMAGE001
对应的排列相似性序列记为，并以
Figure 558856DEST_PATH_IMAGE016
表示
Figure 126103DEST_PATH_IMAGE044
中第
Figure 283415DEST_PATH_IMAGE018
个位置的排列相似性的值；根据该环境数据点
Figure 201692DEST_PATH_IMAGE001
对应的排列相似性序列
Figure 837073DEST_PATH_IMAGE015
中的各排列相似性的值，得到该环境数据点
Figure 524406DEST_PATH_IMAGE001
的点集排列相似性；根据如下公式计算该环境数据点
Figure 118199DEST_PATH_IMAGE001
的点集排列相似性：
Figure 258193DEST_PATH_IMAGE045
其中，
Figure 971633DEST_PATH_IMAGE020
为该环境数据点的点集排列相似性；
Figure 513473DEST_PATH_IMAGE021
为该环境数据点
Figure 12587DEST_PATH_IMAGE001
对应的排列相似性序列
Figure 639878DEST_PATH_IMAGE015
中的参数数量，也为时序邻近点集和空间邻近点集中的环境数据点的数量，本实施例K为20；
Figure 617061DEST_PATH_IMAGE016
为该环境数据点
Figure 278986DEST_PATH_IMAGE001
对应的排列相似性序列中的第k1个排列相似性的值；
Figure 949002DEST_PATH_IMAGE018
为该环境数据点
Figure 63589DEST_PATH_IMAGE001
对应的排列相似性序列
Figure 844463DEST_PATH_IMAGE015
中的排列相似性的值的序号；
Figure 626474DEST_PATH_IMAGE046
表示排列各序号位置的权重，由于k1越小说明与点
Figure 467391DEST_PATH_IMAGE001
在时序上或空间上越邻近，因此权重越大，
Figure 69274DEST_PATH_IMAGE020
为一个归一化数据，越趋近于1越说明点集排列相似性越大，越说明环境数据点越可能是由环境异常引起的异常数据点，反之越趋近于0越说明环境数据点越可能是正常的数据点或由传感器异常引起的环境异常数据点。
至此，通过上述方式计算所有环境数据点对应的点集排列相似性。
（3）根据各环境数据点的点集排列相似性，计算各环境数据点的时序邻近相似性的具体过程为：
对于环境数据点
Figure 653839DEST_PATH_IMAGE002
：
若其是由传感器异常引起的异常数据，其与时序邻近的数据点的相似性是不一致的，也即其没有像正常数据点或由环境异常引起的异常数据点一样的时序邻近的相似性，这是因为环境的变化在短时间内是不会形成剧烈变化的，但由传感器引起的异常数据却是复杂的、随机的，其变化是与时序邻域的其他环境数据点无关的，也即时序邻近相似性是较小的；因此本实施例获取该环境数据点
Figure 24777DEST_PATH_IMAGE002
的序号和该环境数据点
Figure 36596DEST_PATH_IMAGE002
对应的排序后的时序邻近点集中第k个环境数据点
Figure 594616DEST_PATH_IMAGE023
的序号；根据该环境数据点
Figure 985802DEST_PATH_IMAGE002
的序号和该环境数据点
Figure 476826DEST_PATH_IMAGE002
对应的排序后的时序邻近点集中第k个环境数据点
Figure 659546DEST_PATH_IMAGE023
的序号，得到该环境数据点
Figure 236020DEST_PATH_IMAGE002
的时序邻近相似性；根据如下公式计算该环境数据点
Figure 162388DEST_PATH_IMAGE001
的时序邻近相似性：
Figure 242340DEST_PATH_IMAGE047
其中，
Figure 861540DEST_PATH_IMAGE025
为该环境数据点
Figure 659731DEST_PATH_IMAGE002
的时序邻近相似性，
Figure 124211DEST_PATH_IMAGE026
为该环境数据点
Figure 324248DEST_PATH_IMAGE002
的序号与该环境数据点
Figure 114349DEST_PATH_IMAGE002
对应的排序后的时序邻近点集中第k个环境数据点
Figure 134258DEST_PATH_IMAGE023
的序号之间的欧式距离，
Figure 668008DEST_PATH_IMAGE007
为时序邻近点集和空间邻近点集中的环境数据点的数量，
Figure 988131DEST_PATH_IMAGE027
为以自然常数e为底的常数；
Figure 683554DEST_PATH_IMAGE048
表示排列各序号位置的权重，由于k越小说明与点
Figure 718988DEST_PATH_IMAGE002
在时序上越邻近因此权重越大，而
Figure 790849DEST_PATH_IMAGE049
表示
Figure 965478DEST_PATH_IMAGE002
的时序邻近点集中的序号为k的点
Figure 97382DEST_PATH_IMAGE050
与
Figure 357462DEST_PATH_IMAGE002
的欧氏距离。
Figure 498594DEST_PATH_IMAGE051
为这个欧式距离归一化结果，即越相似
Figure 527729DEST_PATH_IMAGE051
越趋近于1，反之为0，因此，
Figure 564956DEST_PATH_IMAGE025
也为一个归一化的数据，其越趋近于1，越说明时序邻近相似性越大；反之为0，时序邻近相似性越小；而若一个点越是由传感器异常所引起的异常数据，其对应的
Figure 577911DEST_PATH_IMAGE025
应越趋近于0。
至此，通过上述方式计算所有环境数据点的时序邻近相似性。
步骤S003，根据各环境数据点的点集排列相似性以及时序邻近相似性，得到环境异常数据以及传感器异常数据。
对于环境数据点
Figure 991575DEST_PATH_IMAGE001
，在获取其点集排列相似性
Figure 140796DEST_PATH_IMAGE020
以及时序邻近相似性
Figure 348924DEST_PATH_IMAGE052
后，由于
Figure 586526DEST_PATH_IMAGE020
、
Figure 69460DEST_PATH_IMAGE052
均为归一化的数据，由前述步骤的逻辑解释可知若
Figure 807609DEST_PATH_IMAGE001
为正常的环境数据点，
Figure 717796DEST_PATH_IMAGE028
应趋近于0、
Figure 174185DEST_PATH_IMAGE029
应趋近于1；若
Figure 195230DEST_PATH_IMAGE001
为由环境异常引起的异常数据点，
Figure 53465DEST_PATH_IMAGE028
应趋近于1、
Figure 868974DEST_PATH_IMAGE029
应趋近于1；若
Figure 547080DEST_PATH_IMAGE001
为由传感器异常引起的异常数据点，
Figure 371817DEST_PATH_IMAGE028
应趋近于0、
Figure 84558DEST_PATH_IMAGE029
应趋近于0。基于这个逻辑，对于一个环境数据点
Figure 336548DEST_PATH_IMAGE001
，将其获取的
Figure 33108DEST_PATH_IMAGE028
、
Figure 139166DEST_PATH_IMAGE029
对应到二维空间中，以
Figure 971993DEST_PATH_IMAGE030
表示环境数据点
Figure 660463DEST_PATH_IMAGE001
的类别特征，则计算环境数据点
Figure 578741DEST_PATH_IMAGE001
对应的
Figure 745280DEST_PATH_IMAGE030
与点
Figure 432613DEST_PATH_IMAGE032
的欧式距离
Figure 26406DEST_PATH_IMAGE033
，环境数据点
Figure 166400DEST_PATH_IMAGE001
对应的
Figure 605472DEST_PATH_IMAGE030
与点
Figure 147311DEST_PATH_IMAGE034
的欧式距离
Figure 646426DEST_PATH_IMAGE035
，环境数据点
Figure 273716DEST_PATH_IMAGE001
对应的
Figure 782058DEST_PATH_IMAGE030
与点
Figure 446913DEST_PATH_IMAGE036
的欧式距离
Figure 116929DEST_PATH_IMAGE037
，则类别角标H、Z、C分别表示环境异常数据、正常数据、传感器异常数据。以
Figure 231515DEST_PATH_IMAGE033
、
Figure 277969DEST_PATH_IMAGE035
、
Figure 794401DEST_PATH_IMAGE037
中最小的一个欧式距离对应的类别角标作为该环境数据点
Figure 900897DEST_PATH_IMAGE001
的异常类别，实现异常数据的分类分析。
本实施例首先获取自动化环境监测设备收集到的各环境数据，一个环境数据为一个多维向量；一个环境数据对应一个时间戳；将收集到的各环境数据对应到多维空间中，得到各环境数据在多维空间中的数据点，记为环境数据点；一个环境数据对应一个环境数据点；然后获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集；根据各环境数据点的时序邻近点集以及空间邻近点集，得到多维空间中的各环境数据点的点集排列相似性；根据各环境数据点的点集排列相似性，计算各环境数据点的时序邻近相似性；最后根据各环境数据点的点集排列相似性以及时序邻近相似性，得到环境异常数据以及传感器异常数据。本实施例能够区分由环境异常引起的异常数据以及由传感器异常引起的异常数据，可以为后续对环境异常数据的分析提供更加精确有效的数据集。
本实施例的用于自动化环境监测设备的异常数据分析系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述用于自动化环境监测设备的异常数据分析方法。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (5)

1.一种用于自动化环境监测设备的异常数据分析方法，其特征在于，该方法包括如下步骤：
获取自动化环境监测设备收集到的各环境数据，一个环境数据为一个多维向量；一个环境数据对应一个时间戳；将收集到的各环境数据对应到多维空间中，得到各环境数据在多维空间中的数据点，记为环境数据点；一个环境数据对应一个环境数据点；
获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集；根据各环境数据点的时序邻近点集以及空间邻近点集，得到多维空间中的各环境数据点的点集排列相似性；根据各环境数据点的点集排列相似性，计算各环境数据点的时序邻近相似性；
根据各环境数据点的点集排列相似性以及时序邻近相似性，得到环境异常数据以及传感器异常数据；
得到多维空间中的各环境数据点的点集排列相似性的方法，包括：
对于多维空间中的任一环境数据点：
将该环境数据点记为
Figure 189447DEST_PATH_IMAGE001
，按照时序的顺序分别对该环境数据点的时序邻近点集中的各环境数据点以及该环境数据点的对应的空间邻近点集中的各环境数据点进行排序；将排序后的两个点集分别记为
Figure 850235DEST_PATH_IMAGE002
和
Figure 930187DEST_PATH_IMAGE003
；
获得该环境数据点
Figure 549387DEST_PATH_IMAGE001
对应的排列相似性序列；获得该环境数据点
Figure 153105DEST_PATH_IMAGE001
对应的排列相似性序列的过程为：若
Figure 883164DEST_PATH_IMAGE004
与
Figure 817622DEST_PATH_IMAGE005
相同，则将排序相似性置1，若
Figure 342144DEST_PATH_IMAGE004
与
Figure 627632DEST_PATH_IMAGE007
不相同，则将排序相似性置0；所述
Figure 895802DEST_PATH_IMAGE004
为
Figure 950346DEST_PATH_IMAGE002
中的第
Figure 911349DEST_PATH_IMAGE008
个环境数据点，
Figure 215291DEST_PATH_IMAGE005
为
Figure 287152DEST_PATH_IMAGE003
中的第
Figure 461782DEST_PATH_IMAGE008
个环境数据点，
Figure 328107DEST_PATH_IMAGE008
为正整数；
将该环境数据点
Figure 588187DEST_PATH_IMAGE001
对应的排列相似性序列记为
Figure 932580DEST_PATH_IMAGE009
，并以
Figure 961716DEST_PATH_IMAGE010
表示
Figure 1872DEST_PATH_IMAGE011
中第
Figure 545986DEST_PATH_IMAGE012
个位置的排列相似性的值；根据该环境数据点
Figure 959650DEST_PATH_IMAGE001
对应的排列相似性序列
Figure 843292DEST_PATH_IMAGE009
中的各排列相似性的值，得到该环境数据点
Figure 316999DEST_PATH_IMAGE001
的点集排列相似性，
Figure 20512DEST_PATH_IMAGE012
为正整数；
根据如下公式计算该环境数据点
Figure 972288DEST_PATH_IMAGE001
的点集排列相似性：
Figure DEST_PATH_IMAGE013
其中，
Figure 303912DEST_PATH_IMAGE014
为该环境数据点
Figure 682941DEST_PATH_IMAGE001
的点集排列相似性，
Figure 139330DEST_PATH_IMAGE015
为该环境数据点
Figure 894796DEST_PATH_IMAGE001
对应的排列相似性序列
Figure 487452DEST_PATH_IMAGE009
中的参数数量，
Figure 302961DEST_PATH_IMAGE016
为该环境数据点
Figure 243717DEST_PATH_IMAGE001
对应的排列相似性序列
Figure 537295DEST_PATH_IMAGE009
中的第k1个排列相似性的值，
Figure 46773DEST_PATH_IMAGE012
为该环境数据点
Figure 33184DEST_PATH_IMAGE001
对应的排列相似性序列
Figure 464165DEST_PATH_IMAGE009
中的排列相似性的值的序号；
计算各环境数据点的时序邻近相似性的方法，包括：
获取该环境数据点
Figure 561434DEST_PATH_IMAGE017
的序号和该环境数据点
Figure 863103DEST_PATH_IMAGE017
对应的排序后的时序邻近点集中第k个环境数据点
Figure 20414DEST_PATH_IMAGE018
的序号；根据该环境数据点
Figure 938692DEST_PATH_IMAGE017
的序号和该环境数据点
Figure 574073DEST_PATH_IMAGE017
对应的排序后的时序邻近点集中第k个环境数据点
Figure 261406DEST_PATH_IMAGE018
的序号，得到该环境数据点
Figure 386357DEST_PATH_IMAGE017
的时序邻近相似性；根据如下公式计算该环境数据点
Figure 526351DEST_PATH_IMAGE001
的时序邻近相似性：
Figure 231002DEST_PATH_IMAGE019
其中，
Figure 510192DEST_PATH_IMAGE020
为该环境数据点
Figure 9307DEST_PATH_IMAGE017
的时序邻近相似性，
Figure 636597DEST_PATH_IMAGE021
为该环境数据点
Figure 410518DEST_PATH_IMAGE017
的序号与该环境数据点
Figure 72443DEST_PATH_IMAGE017
对应的排序后的时序邻近点集中第k个环境数据点
Figure 742459DEST_PATH_IMAGE018
的序号之间的欧式距离，
Figure 857046DEST_PATH_IMAGE022
为时序邻近点集和空间邻近点集中的环境数据点的数量，
Figure 637920DEST_PATH_IMAGE023
为以自然常数e为底的常数。
2.如权利要求1所述的用于自动化环境监测设备的异常数据分析方法，其特征在于，所述多维向量中参数包括温度数据、湿度数据和风速数据。
3.如权利要求1所述的用于自动化环境监测设备的异常数据分析方法，其特征在于，获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集的方法，包括：
对于多维空间中的任一环境数据点：
将该环境数据点记为
Figure 888773DEST_PATH_IMAGE001
，该环境数据点
Figure 729690DEST_PATH_IMAGE017
的角标i该环境数据点对应的环境数据的采集时序序号；
该环境数据点
Figure 331572DEST_PATH_IMAGE001
的时序邻近点集是由与该环境数据点
Figure 712875DEST_PATH_IMAGE001
在时序上最邻近的
Figure 83814DEST_PATH_IMAGE024
个环境数据点组成，将该环境数据点
Figure 95632DEST_PATH_IMAGE001
的时序邻近点集记为
Figure 740521DEST_PATH_IMAGE025
；所述时序邻近点集
Figure 863197DEST_PATH_IMAGE025
中的环境数据点的数量为K；
该数据点
Figure 88642DEST_PATH_IMAGE001
的空间邻近点集是由与该数据点
Figure 271362DEST_PATH_IMAGE017
在多维空间内最邻近的
Figure 847837DEST_PATH_IMAGE022
个环境数据点组成，将该环境数据点
Figure 570942DEST_PATH_IMAGE017
的空间邻近点集记为
Figure 650894DEST_PATH_IMAGE026
；所述空间邻近点集
Figure 270094DEST_PATH_IMAGE026
中的环境数据点的数量为K。
4.如权利要求1所述的用于自动化环境监测设备的异常数据分析方法，其特征在于，根据各环境数据点的点集排列相似性以及时序邻近相似性，得到环境异常数据以及传感器异常数据的方法，包括：
对于环境数据点
Figure 68286DEST_PATH_IMAGE001
：
对环境数据点
Figure 267186DEST_PATH_IMAGE001
对应的点集排列相似性以及时序邻近相似性进行归一化，得到归一化后的环境数据点
Figure 263961DEST_PATH_IMAGE001
对应的点集排列相似性
Figure 54062DEST_PATH_IMAGE027
以及时序邻近相似性
Figure 73971DEST_PATH_IMAGE028
；
将获取的
Figure 342141DEST_PATH_IMAGE027
、
Figure 399614DEST_PATH_IMAGE028
对应到二维空间中，以
Figure 95038DEST_PATH_IMAGE029
表示环境数据点
Figure 664559DEST_PATH_IMAGE001
的类别特征，计算环境数据点
Figure 736421DEST_PATH_IMAGE001
对应的
Figure 645471DEST_PATH_IMAGE029
与点
Figure 511796DEST_PATH_IMAGE030
的欧式距离
Figure 506296DEST_PATH_IMAGE031
，环境数据点
Figure 178586DEST_PATH_IMAGE001
对应的
Figure 207722DEST_PATH_IMAGE029
与点
Figure 244948DEST_PATH_IMAGE032
的欧式距离
Figure 726745DEST_PATH_IMAGE033
，环境数据点
Figure 140409DEST_PATH_IMAGE001
对应的
Figure 820789DEST_PATH_IMAGE029
与点
Figure 25987DEST_PATH_IMAGE034
的欧式距离
Figure 729501DEST_PATH_IMAGE035
，类别角标H、Z、C分别表示环境异常数据、正常数据、传感器异常数据；
以
Figure 743593DEST_PATH_IMAGE031
、
Figure 481742DEST_PATH_IMAGE033
、
Figure 126350DEST_PATH_IMAGE035
中最小的一个欧式距离对应的类别角标作为该环境数据点
Figure 317160DEST_PATH_IMAGE001
的异常类别。
5.一种用于自动化环境监测设备的异常数据分析系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-4任一项所述的一种用于自动化环境监测设备的异常数据分析方法。
CN202211205291.9A 2022-09-30 2022-09-30 用于自动化环境监测设备的异常数据分析方法及系统 Active CN115271003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211205291.9A CN115271003B (zh) 2022-09-30 2022-09-30 用于自动化环境监测设备的异常数据分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211205291.9A CN115271003B (zh) 2022-09-30 2022-09-30 用于自动化环境监测设备的异常数据分析方法及系统

Publications (2)

Publication Number Publication Date
CN115271003A true CN115271003A (zh) 2022-11-01
CN115271003B CN115271003B (zh) 2023-01-03

Family

ID=83758099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211205291.9A Active CN115271003B (zh) 2022-09-30 2022-09-30 用于自动化环境监测设备的异常数据分析方法及系统

Country Status (1)

Country Link
CN (1) CN115271003B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116011703A (zh) * 2023-02-08 2023-04-25 莒县环境监测站 一种动态环境监测站的管理方法及系统
CN116071901A (zh) * 2023-03-27 2023-05-05 山东金宇信息科技集团有限公司 一种机房环境的多元监测预警方法、设备及介质
CN116304960A (zh) * 2023-05-24 2023-06-23 合力（天津）能源科技股份有限公司 一种钻井环境的监测预警方法及系统
CN116413395A (zh) * 2023-06-08 2023-07-11 山东瑞程数据科技有限公司 一种环境异常智能检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107682319A (zh) * 2017-09-13 2018-02-09 桂林电子科技大学 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
CN108921202A (zh) * 2018-06-12 2018-11-30 成都信息工程大学 一种基于数据结构的异常点检测方法
CN111858712A (zh) * 2020-07-20 2020-10-30 上海仪电（集团）有限公司中央研究院 原位水质巡检数据时空分析与异常检测方法和系统
CN113742327A (zh) * 2021-09-02 2021-12-03 中国水利水电科学研究院 一种基于测雨雷达数据的自动雨量站异常值筛选方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107682319A (zh) * 2017-09-13 2018-02-09 桂林电子科技大学 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
CN108921202A (zh) * 2018-06-12 2018-11-30 成都信息工程大学 一种基于数据结构的异常点检测方法
CN111858712A (zh) * 2020-07-20 2020-10-30 上海仪电（集团）有限公司中央研究院 原位水质巡检数据时空分析与异常检测方法和系统
CN113742327A (zh) * 2021-09-02 2021-12-03 中国水利水电科学研究院 一种基于测雨雷达数据的自动雨量站异常值筛选方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116011703A (zh) * 2023-02-08 2023-04-25 莒县环境监测站 一种动态环境监测站的管理方法及系统
CN116011703B (zh) * 2023-02-08 2024-01-23 莒县环境监测站 一种动态环境监测站的管理方法及系统
CN116071901A (zh) * 2023-03-27 2023-05-05 山东金宇信息科技集团有限公司 一种机房环境的多元监测预警方法、设备及介质
CN116304960A (zh) * 2023-05-24 2023-06-23 合力（天津）能源科技股份有限公司 一种钻井环境的监测预警方法及系统
CN116304960B (zh) * 2023-05-24 2023-08-29 合力（天津）能源科技股份有限公司 一种钻井环境的监测预警方法及系统
CN116413395A (zh) * 2023-06-08 2023-07-11 山东瑞程数据科技有限公司 一种环境异常智能检测方法
CN116413395B (zh) * 2023-06-08 2023-08-25 山东瑞程数据科技有限公司 一种环境异常智能检测方法

Also Published As

Publication number Publication date
CN115271003B (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
CN115271003B (zh) 用于自动化环境监测设备的异常数据分析方法及系统
US8037533B2 (en) Detecting method for network intrusion
CN116304898B (zh) 基于机器学习的传感器数据智能存储系统
CN110533654A (zh) 零部件的异常检测方法及装置
CN109086793A (zh) 一种风力发电机的异常识别方法
CN113838054B (zh) 基于人工智能的机械零件表面损伤检测方法
CN107368807A (zh) 一种基于视觉词袋模型的监控视频车型分类方法
Bahtiar et al. Deep learning detected nutrient deficiency in chili plant
CN111368690A (zh) 基于深度学习的海浪影响下视频图像船只检测方法及系统
CN108416373A (zh) 一种基于正则化Fisher阈值选择策略的不平衡数据分类系统
WO2019200739A1 (zh) 数据欺诈识别方法、装置、计算机设备和存储介质
CN113781391A (zh) 图像缺陷检测方法以及相关设备
CN109976308A (zh) 一种基于拉普拉斯分值与ap聚类的故障特征的提取方法
CN111291818B (zh) 一种面向云掩膜的非均匀类别的样本均衡化方法
CN114399719A (zh) 一种变电站火灾视频监测方法
CN111078565A (zh) 基于hog特征提取和svm多分类器的软件测试结果的分析方法
CN117115148B (zh) 基于5g技术的芯片表面缺陷智能识别方法
CN114205766A (zh) 一种无线传感器网络异常节点检测与定位方法
Liu et al. Container-code recognition system based on computer vision and deep neural networks
CN117171690A (zh) 基于改进标签传播的光伏阵列故障诊断方法、装置及设备
CN116610938A (zh) 曲线模式分段的半导体制造无监督异常检测方法及设备
CN115937555A (zh) 一种基于标准化流模型的工业缺陷检测算法
Wang et al. Fault detection for the class imbalance problem in semiconductor manufacturing processes
CN114743048A (zh) 检测异常秸秆图片的方法和检测装置
CN112529835A (zh) 一种基于源相机识别的图像拼接篡改检测与定位方法

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
GR01 Patent grant
GR01 Patent grant