CN115544811A - 应用于数字孪生模型的数据管理方法 - Google Patents
应用于数字孪生模型的数据管理方法 Download PDFInfo
- Publication number
- CN115544811A CN115544811A CN202211471107.5A CN202211471107A CN115544811A CN 115544811 A CN115544811 A CN 115544811A CN 202211471107 A CN202211471107 A CN 202211471107A CN 115544811 A CN115544811 A CN 115544811A
- Authority
- CN
- China
- Prior art keywords
- matrix
- value
- extreme value
- dimension
- category
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及应用于数字孪生模型的数据管理方法,包括:获取初始维度矩阵,对初始维度矩阵进行多级的极值采样,获取多个不同级别的极值矩阵;获取初始维度矩阵和极值矩阵中的保留点,进一步获得初始维度矩阵和极值矩阵的多个类别,根据每个类别的公共因子向量和独立因子向量构建每个类别的特征关联图;根据初始维度矩阵和极值矩阵中对应类别的特征关联图获取初始维度矩阵和极值矩阵的相似性;根据相似性、极值矩阵中保留点的数量以及极值矩阵的级别获取极值矩阵的评价值,进一步得到初始数据。本发明获得的初始数据保留了原始数据的特征以及特征之间的关联性,有助于构建表示大数据特征的数字孪生模型。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及应用于数字孪生模型的数据管理方法。
背景技术
数字孪生模型主要是对大量数据的一个缩略,例如:古代在打战时,用沙盘来对战争形式进行模拟,沙盘可以看作是对实际战争情况的一个缩略,相当于现在的数字孪生模型,通过一个小的模型对整体的局势进行把握,方便接下来的兵力部署等。在这个过程中,数字孪生模型与实际情况的贴合情况越高,根据数字孪生模型进行的一系列决策等越有助于对实际的形势进行把控。现有方法中是通过神经网络对大数据中的有用数据进行提取,但神经网络计算量较大,对于不同的数据要训练不同的神经网络,泛化性不强。
基于此,本发明提出了一种应用于数字孪生模型的数据管理方法,通过对大数据进行分析得到可以表示整体数据的趋势的最佳初始数据,通过所述最佳初始数据构建数字孪生模型,有助于构建可以更好的表示大数据特征的数字孪生模型。
发明内容
本发明提供应用于数字孪生模型的数据管理方法,以解决现有的问题。
本发明的应用于数字孪生模型的数据管理方法采用如下技术方案:
本发明一个实施例提供了应用于数字孪生模型的数据管理方法,该方法包括以下步骤:
S1:获取初始维度矩阵;将初始维度矩阵作为原始矩阵;
S2:根据原始矩阵每个维度中每个元素的梯度幅值获取原始矩阵的保留点以及所述每个保留点的重要值;根据原始矩阵中保留点的位置对保留点进行聚类得到多个类别,将每个类别中所有保留点的重要值的均值作为每个类别的重要性;根据每个类别所有维度的共因子向量以及每个维度的独立因子向量获取每个维度的节点值;根据每个类别的所有节点值获取每个类别的特征关联图;
S3:对原始矩阵每个维度利用预设大小的滑窗进行预设步长的遍历,获取每个维度每个窗口的极值;所有维度所有窗口的极值构成极值矩阵;将极值矩阵作为新的原始矩阵;
S4:重复S2-S3直到极值矩阵的类别数量与原始矩阵的类别数量不相等时停止迭代,获得多个极值矩阵,将每个极值矩阵获得的次序作为每个极值矩阵的级别;
S5:获取每个极值矩阵和初始维度矩阵中对应类别的特征关联图的关联度,作为对应类别的关联度;根据每个极值矩阵和初始维度矩阵中所有对应类别的关联度以及每个极值矩阵的每个类别的重要性获取每个极值矩阵和初始维度矩阵的相似度;
S6:根据每个极值矩阵与初始维度矩阵的相似度、每个极值矩阵的级别以及保留点的数量获取每个极值矩阵的评价值;获取评价值最大的极值矩阵中所有保留点中所有不同元素值作为初始数据;
S7:根据初始数据构建数字孪生模型。
优选的,所述获取每个维度每个窗口的极值包括:
获取每个维度每个窗口最大值的极值性以及最小值的极值性;
当最大值的极值性与最小值的极值性都小于第一预设阈值时,将窗口内所有元素的值的均值作为窗口的极值;当最大值的极值性或最小值的极值性大于或等于第一预设阈值时,获取最大值的极值性和最小值的极值性中极值性大的值作为窗口的极值。
优选的,所述根据原始矩阵每个维度中每个元素的梯度幅值获取初始维度矩阵的保留点以及所述每个保留点的重要值包括:
根据原始矩阵每个维度中所有元素的梯度幅值绘制每个维度的梯度幅值直方图;对梯度幅值直方图进行大津阈值分割得到分割阈值;将大于分割阈值的梯度幅值作为较大梯度;当原始矩阵每个维度中同一个位置的元素不同维度的梯度幅值中存在一个梯度幅值为较大梯度时,将所述元素作为保留点;
将每个保留点的每个维度的梯度幅值与分割阈值的比值作为每个保留点的每个维度的较大性;将每个保留点的所有维度的较大性中的最大值作为每个保留点的重要值。
优选的,所述根据每个类别所有维度的共因子向量以及每个维度的独立因子向量获取每个维度的节点值包括:
对每个类别进行因子分析,得到每个类别所有维度的公共因子向量以及每个维度的独立因子向量;
获取每个类别中每个维度的独立因子向量的熵与所有维度的公共因子向量的熵的和作为所述每个维度的第一比值,将每个类别中所有维度的公共因子向量的熵与每个维度的第一比值作为所述每个维度的节点值。
优选的,所述根据每个类别的所有节点值获取每个类别的特征关联图包括:
将每个类别的每个维度作为一个节点,将每个类别的任意两个节点的节点值中的较大值与较小值的比值作为所述两个节点的边权值;根据每个类别中所有节点的节点值以及不同节点之间的边权值构建有权无向图,作为每个类别的特征关联图。
优选的,所述获取每个极值矩阵和初始维度矩阵中对应类别的特征关联图的关联度,作为对应类别的关联度包括:
将极值矩阵的任意一个类别的特征关联图作为第一特征关联图,将初始维度矩阵中对应类别的特征关联图作为第二特征关联图;将第一特征关联图中每个节点的值与第二特征关联图中对应节点的节点值的比值,作为每个节点的比值;将第一特征关联图中每个边的边权值与第二特征关联图中对应边的边权值的比值,作为每个边的比值;将每个节点的比值和每个边的比值的均值作为第一特征关联图和第二特征关联图的关联度。
优选的,所述根据每个极值矩阵和初始维度矩阵中所有对应类别的关联度以及每个极值矩阵的每个类别的重要性获取每个极值矩阵和初始维度矩阵的相似度包括:
将极值矩阵每个类别的重要性作为极值矩阵和初始维度矩阵中对应类别的关联度的权重,对极值矩阵和初始维度矩阵中所有对应类别的关联度进行加权求和得到极值矩阵和初始维度矩阵的相似度。
优选的,所述评价值的表达式为:
优选的,所述极值性的表达式为:
本发明的技术方案的有益效果是:通过对初始维度矩阵进行极值采样获取多个不同级别的极值矩阵,获取极值矩阵中的保留点,使得后续得到的初始数据尽可能保留了初始维度矩阵中的重要特征;通过构建初始维度矩阵以及极值矩阵的不同类别的特征关联图,提取了初始维度矩阵以及极值矩阵中重要特征之间的关联性,进一步通过比较初始维度矩阵以及极值矩阵的对应类别的特征关联图计算初始维度矩阵和极值矩阵相似度,使得后续得到的初始数据尽可能保留了初始维度矩阵的重要特征之间的关联性;根据极值矩阵的级别、保留点的数量以及与初始维度矩阵的相似性计算不同极值矩阵的评价值,通过选择评价值最大的极值矩阵中所有保留点中所有不同元素值作为数字孪生模型的初始数据,确保了初始数据的数据量小且重要特征以及重要特征之间的关联性损失程度小,使得初始数据可以更好地表示整体数据的趋势,有助于构建可以更好的表示大数据特征的数字孪生模型。
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,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地介绍,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他的附图。
图1为本发明的应用于数字孪生模型的数据管理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的应用于数字孪生模型的数据管理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的应用于数字孪生模型的数据管理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的应用于数字孪生模型的数据管理方法的步骤流程图,该方法包括以下步骤:
101.获取初始维度矩阵。
数字孪生模型构建过程中会用到不同类型的数据,例如:激光切割中的工艺数据有:切割速度,激光功率、辅助气体气压等。
为了方便进行后续分析,首先将每个类型的数据转化为行列相近(如:100个数据,变为10*10的矩阵)的矩阵形式,得到每个类型的矩阵。需要说明的说,每个类型的数据量相同,因此得到的每个类型的矩阵大小相同。将所有类型的矩阵叠放得到一个高维度的矩阵,记作初始维度矩阵,其中一个类型对应初始维度矩阵的一个数据维度。类比于RGB图像,类型对应RGB图像中的通道,同一时刻的不同类型的数据对应同一个像素位置的R、G、B三个值。
至此,获取了初始维度矩阵。
102.获取初始维度矩阵中每个类别的特征关联图。
需要说明的是,原始的不同类型的数据之间是存在关联的,例如:为了保证切割质量,切割速度和切割功率之间存在某种关系,切割速度较大时,为了避免没有切穿,往往需要较大功率。为了使得构建的数字孪生模型较优,根据初始维度矩阵筛选出用于构建数字孪生模型的数据需要尽可能保留初始维度矩阵中不同类型数据之间的关联性。当初始维度矩阵中的重要特征保留时,则重要特征之间的关联性也会尽可能保留。而初始维度矩阵中梯度较大的元素反应了初始维度矩阵中数据的变化特征,因此初始维度矩阵中梯度较大的元素对应初始维度矩阵中的重要特征。
在本实施例中,利用sobel算子获取初始维度矩阵每个维度中每个元素的梯度幅值。根据初始维度矩阵每个维度中所有元素的梯度幅值绘制每个维度的梯度幅值直方图。对每个维度的梯度幅值直方图进行大津阈值分割得到每个维度的分割阈值。将大于分割阈值的梯度幅值作为较大梯度,将小于或等于分割阈值的梯度幅值作为较小梯度。
较大梯度越大,对应位置的元素反应的信息的重要程度越大。对于初始维度矩阵不同维度同一个位置来说,只要其中有一个维度的梯度幅值为较大梯度,该位置包含的信息的重要性较大,此时该位置就需要保留。因此,当初始维度矩阵每个维度中同一个位置的元素不同维度的梯度幅值中存在一个梯度幅值为较大梯度时,将该元素作为保留点。例如,在RGB图像中,每个位置(即每个像素点)都是一个三元组,RGB图像左上角第一个像素点的梯度幅值为,其中和都为较小梯度,为较大梯度,则该像素点为保留点,该像素点的像素值需要保留以便进行后续计算。
如此,可得到初始维度矩阵中所有的保留点。计算每个保留点的每个维度的梯度幅值与对应维度的分割阈值的比值,将得到的结果作为每个保留点的每个维度的较大性;将每个保留点的所有维度的较大性中的最大值作为每个保留点的重要值。
对于保留点,获取每个保留点的行列位置信息,通过DBSCAN密度聚类的方法根据每个保留点的行列位置信息对所有保留点进行聚类,将保留点分成不同的类别。将每个类别中所有保留点的重要值的均值作为对应类别的重要性。
需要说明的是,同一个类别中保留点的不同维度的数据具有关联性,为尽可能保留初始维度矩阵中不同维度的数据之间的关联性,需要对同一个类别中保留点的不同维度的数据的关联性进行分析,获取该类别特征关联图。而因子分析是一种对多个向量进行分析的方法,通过因子分析可以得到所有向量的公共因子向量(公共因子向量表示的是输入向量的共同特征,所有输入向量对应一个公共因子向量)和每个输入向量的独立因子向量(独立因子向量表示的是每个输入向量的独有特征,一个输入向量对应一个独立因子向量)。公共因子向量和独立因子向量可以用来表示不同维度的数据之间的关联性特征。
在本实施例中,对每个类别进行因子分析,获取同一个类别中所有维度的公共因子向量以及每个维度的独立因子向量。将同一个类别中每个维度作为一个节点,将每个维度的独立因子向量的熵与所有维度的公共因子向量的熵的和作为每个维度的第一比值,分别计算所有维度的公共因子向量的熵与每个维度第一比值的比值,将得到的结果分别作为每个维度对应节点的节点值。将任意两个节点的节点值之中较大的节点值与较小的节点值的比值作为此两个节点的边权值。如此,获取了每个节点的节点值以及不同节点之间的边权值。根据每个节点的节点值以及不同节点之间的边权值构建有权无向图,并将其作为对应类别的特征关联图。
需要说明的是,独立因子向量的熵或公共因子向量的熵的获取方法为:将独立因子向量看作一个一维的序列,获取该一维序列的信息熵作为独立因子向量的熵。公共因子向量的熵的计算方法同理。
至此,获取了初始维度矩阵的保留点、初始维度矩阵的每个类别的重要性以及每个类别的特征关联图。
103.根据初始维度矩阵构建极值矩阵,获取每个极值矩阵中每个类别的特征关联图。
需要说明的是,本实施例的目的是通过对大数据中的可以表示整体特征的主干数据进行提取,以数据量较小的主干数据构建数字孪生模型,保证数字孪生模型的初始数据量较小的同时可以更好的表示大数据的特征。为了构建较优的数字孪生模型,可对初始维度矩阵中的重要数据进行提取,所述重要数据是承载了初始维度矩阵更多信息量的数据,指变化较大的数据,即与周围数据的差异较大的数据。而初始维度矩阵中代表性的元素为局部极值点,相当于图像中的边缘点信息,局部极值点承载了初始维度矩阵更多的信息量。因此可根据初始维度矩阵获取极值矩阵,以便后续根据极值矩阵筛选后的数据可以更多的保留初始维度矩阵中的信息,使得根据筛选出的数据构建的数字孪生模型较优。
在本实施例中,对初始维度矩阵进行极值采样,得到不同级别的极值矩阵,不同级别的极值矩阵的获取过程如下:
初始维度矩阵每个维度对应一个类型的数据,可将初始维度矩阵每个维度的矩阵分别称为第一维矩阵、第二维矩阵、第三维度矩阵、…。对于每个维度的矩阵利用大小的滑动窗口进行步长为的遍历,将每个维度的矩阵的分成多个大小的窗口,需要说明的是,当滑窗滑动过程中得到的窗口大小不足时,对窗口进行补操作使得窗口的大小为。获取每个窗口的极值,所有维度的矩阵的窗口的极值构成一个极值矩阵。在本实施例中,在其他实施例中,实施人员可根据需要设置的值。
需要说明的是,每个窗口的极值的获取方法如下:
获取窗口内的最大值和最小值,分别计算最大值和最小值的极值性,如最大值的极值性的计算公式如下:
同理,计算最小值的极值性:
当最大值、最小值与均值的偏差均较小时,即最大值、最小值的极值性都小于第一预设阈值时,将窗口内所有元素的值的均值作为该窗口的极值;当最大值与均值的偏差或最小值与均值的偏差较大时,即最大值的极值性或最小值极值性大于或等于第一预设阈值时,此时当最大值的极值性较大时,将最大值作为该窗口的极值,当最小值的极值性较大时,将最小值作为该窗口的极值。在本实施例中,第一预设阈值,在其他实施例中,实施人员可根据需要设置第一预设阈值的值。
至此,获得了极值矩阵。利用步骤102中的方法获取极值矩阵的保留点、极值矩阵的每个类别的重要性以及每个类别的特征关联图。
当极值矩阵的类别数量与初始维度矩阵的类别数量不相同时,将该极值矩阵删除;反之,当极值矩阵的类别数量与初始维度矩阵的类别数量相同时,利用步骤103中的方法对极值矩阵进行极值采样得到下一级的极值矩阵,进一步利用步骤102中的方法得到下一级极值矩阵的保留点、下一级极值矩阵的每个类别的重要性以及每个类别的特征关联图。
同理,重复以上操作直到得到的极值矩阵的类别数量与初始维度矩阵的类别数量不相同时停止迭代,此时获得了多个极值矩阵。将每个极值矩阵获得的次序作为每个极值矩阵的级别,将所有极值矩阵分别记为一级极值矩阵、二级极值矩阵、三级极值矩阵、…。
至此,获取了不同级别的极值矩阵以及每个极值矩阵的保留点、每个极值矩阵的每个类别的重要性以及每个类别的特征关联图。
104.根据特征关联图获取每个极值矩阵与初始维度矩阵的相似性。
需要说明的是,为了使得构建数字孪生模型的数据尽可能保留初始维度矩阵中的重要特征以及重要特征之间的关联性,需要获取每个极值矩阵与初始维度矩阵的相似性,以便后续根据相似性获取最优的极值矩阵中的数据作为构建数字孪生模型的数据。而计算每个极值矩阵与初始维度矩阵的相似性首先需要是获取每个极值矩阵中不同类别与初始维度矩阵中不同类别的对应关系。
将极值矩阵中所有类别与初始维度矩阵中所有类别进行随机一一对应,则一共有种对应方式。获取每种对应方式中所有对应类别的类别中心之间的欧式距离之和作为每种对应方式的匹配距离。将匹配距离最小的对应方式作为极值矩阵与初始维度矩阵中类别的对应关系。需要说明的是,类别的类别中心为该类别中与该类别内所有保留点的距离之和最小的点。
计算极值矩阵与初始维度矩阵对应类别的特征关联图的关联度:将极值矩阵中一个类别的特征关联图作为第一特征关联图,将初始维度矩阵中对应类别的特征关联图作为第二特征关联图。计算第一特征关联图中每个节点的节点值与第二特征关联图中对应节点的节点值之间的比值,作为每个节点的比值。将第一特征关联图中每个边的边权值与第二特征关联图中对应边的边权值的比值,作为每个边的比值。计算所有节点的比值和所有边的比值的均值,作为第一特征关联图和第二特征关联图的关联度,即极值矩阵和初始维度矩阵中对应类别的特征关联图的关联度。
同理,获取极值矩阵和初始维度矩阵所有对应类别的特征关联图的关联度,作为对应类别的关联度。将极值矩阵每个类别的重要性作为极值矩阵和初始维度矩阵中对应类别的关联度的权重,对极值矩阵和初始维度矩阵中所有对应类别的关联度进行加权求和得到极值矩阵和初始维度矩阵的相似度。如此,可得到每个极值矩阵和初始维度矩阵的相似度。
105.获取每个极值矩阵的评价值,根据评价值获取数字孪生模型的初始数据。
需要说明的是,当极值矩阵的级别越大时,则其相对于初始维度矩阵减少的数据量越大,即极值矩阵的级别越大时用于建模的数据量越小,效果越好。而保留点为极值矩阵上的重要特征点,当极值矩阵中的保留点的数量与初始维度矩阵中的保留点的数量相比,变化越小,则对应的重要信息损失越少,利用极值矩阵中的保留点建模后的模型效果越好。当极值矩阵和初始维度矩阵的相似度越大,极值矩阵越能保留初始维度矩阵中重要特征之间的关联性,建模之后模型效果越好。因此,可结合极值矩阵的级别、极值矩阵中的保留点的数量以及极值矩阵与初始维度矩阵的相似度获取极值矩阵的评价值。
在本实施例中,不同极值矩阵的评价值的公式如下:
选择最大的评价值对应的极值矩阵中所有保留点中所有不同元素值(即根据保留点的值对所有保留点进行去重处理)作为数字孪生模型的初始数据。
通过对传感器、状态、加工等数据等进行采集、处理与融合,构建机床实时和历史数据模型,以实现物理机床电气系统的数字化映射,采用模型的初始数据,进行数字孪生模型的构建。
通过以上步骤,完成了数字孪生模型的初始数据的获取。
本发明实施例通过对初始维度矩阵进行极值采样获取多个不同级别的极值矩阵,获取极值矩阵中的保留点,使得后续得到的初始数据尽可能保留了初始维度矩阵中的重要特征;通过构建初始维度矩阵以及极值矩阵的不同类别的特征关联图,提取了初始维度矩阵以及极值矩阵中重要特征之间的关联性,进一步通过比较初始维度矩阵以及极值矩阵的对应类别的特征关联图计算初始维度矩阵和极值矩阵相似度,使得后续得到的初始数据尽可能保留了初始维度矩阵的重要特征之间的关联性;根据极值矩阵的级别、保留点的数量以及与初始维度矩阵的相似性计算不同极值矩阵的评价值,通过选择评价值最大的极值矩阵中所有保留点中所有不同元素值作为数字孪生模型的初始数据,确保了初始数据的数据量小且重要特征以及重要特征之间的关联性损失程度小,使得初始数据可以更好地表示整体数据的趋势,有助于构建可以更好的表示大数据特征的数字孪生模型。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,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 (9)
1.应用于数字孪生模型的数据管理方法,其特征在于,该方法包括以下步骤:
S1:获取初始维度矩阵;将初始维度矩阵作为原始矩阵;
S2:根据原始矩阵每个维度中每个元素的梯度幅值获取原始矩阵的保留点以及所述每个保留点的重要值;根据原始矩阵中保留点的位置对保留点进行聚类得到多个类别,将每个类别中所有保留点的重要值的均值作为每个类别的重要性;根据每个类别所有维度的共因子向量以及每个维度的独立因子向量获取每个维度的节点值;根据每个类别的所有节点值获取每个类别的特征关联图;
S3:对原始矩阵每个维度利用预设大小的滑窗进行预设步长的遍历,获取每个维度每个窗口的极值;所有维度所有窗口的极值构成极值矩阵;将极值矩阵作为新的原始矩阵;
S4:重复S2-S3直到极值矩阵的类别数量与原始矩阵的类别数量不相等时停止迭代,获得多个极值矩阵,将每个极值矩阵获得的次序作为每个极值矩阵的级别;
S5:获取每个极值矩阵和初始维度矩阵中对应类别的特征关联图的关联度,作为对应类别的关联度;根据每个极值矩阵和初始维度矩阵中所有对应类别的关联度以及每个极值矩阵的每个类别的重要性获取每个极值矩阵和初始维度矩阵的相似度;
S6:根据每个极值矩阵与初始维度矩阵的相似度、每个极值矩阵的级别以及保留点的数量获取每个极值矩阵的评价值;获取评价值最大的极值矩阵中所有保留点中所有不同元素值作为初始数据;
S7:根据初始数据构建数字孪生模型。
2.根据权利要求1所述的应用于数字孪生模型的数据管理方法,其特征在于,所述获取每个维度每个窗口的极值包括:
获取每个维度每个窗口最大值的极值性以及最小值的极值性;
当最大值的极值性与最小值的极值性都小于第一预设阈值时,将窗口内所有元素的值的均值作为窗口的极值;当最大值的极值性或最小值的极值性大于或等于第一预设阈值时,获取最大值的极值性和最小值的极值性中极值性大的值作为窗口的极值。
3.根据权利要求1所述的应用于数字孪生模型的数据管理方法,其特征在于,所述根据原始矩阵每个维度中每个元素的梯度幅值获取初始维度矩阵的保留点以及所述每个保留点的重要值包括:
根据原始矩阵每个维度中所有元素的梯度幅值绘制每个维度的梯度幅值直方图;对梯度幅值直方图进行大津阈值分割得到分割阈值;将大于分割阈值的梯度幅值作为较大梯度;当原始矩阵每个维度中同一个位置的元素不同维度的梯度幅值中存在一个梯度幅值为较大梯度时,将所述元素作为保留点;
将每个保留点的每个维度的梯度幅值与分割阈值的比值作为每个保留点的每个维度的较大性;将每个保留点的所有维度的较大性中的最大值作为每个保留点的重要值。
4.根据权利要求1所述的应用于数字孪生模型的数据管理方法,其特征在于,所述根据每个类别所有维度的共因子向量以及每个维度的独立因子向量获取每个维度的节点值包括:
对每个类别进行因子分析,得到每个类别所有维度的公共因子向量以及每个维度的独立因子向量;
获取每个类别中每个维度的独立因子向量的熵与所有维度的公共因子向量的熵的和作为所述每个维度的第一比值,将每个类别中所有维度的公共因子向量的熵与每个维度的第一比值作为所述每个维度的节点值。
5.根据权利要求1所述的应用于数字孪生模型的数据管理方法,其特征在于,所述根据每个类别的所有节点值获取每个类别的特征关联图包括:
将每个类别的每个维度作为一个节点,将每个类别的任意两个节点的节点值中的较大值与较小值的比值作为所述两个节点的边权值;根据每个类别中所有节点的节点值以及不同节点之间的边权值构建有权无向图,作为每个类别的特征关联图。
6.根据权利要求1所述的应用于数字孪生模型的数据管理方法,其特征在于,所述获取每个极值矩阵和初始维度矩阵中对应类别的特征关联图的关联度,作为对应类别的关联度包括:
将极值矩阵的任意一个类别的特征关联图作为第一特征关联图,将初始维度矩阵中对应类别的特征关联图作为第二特征关联图;将第一特征关联图中每个节点的值与第二特征关联图中对应节点的节点值的比值,作为每个节点的比值;将第一特征关联图中每个边的边权值与第二特征关联图中对应边的边权值的比值,作为每个边的比值;将每个节点的比值和每个边的比值的均值作为第一特征关联图和第二特征关联图的关联度。
7.根据权利要求1所述的应用于数字孪生模型的数据管理方法,其特征在于,所述根据每个极值矩阵和初始维度矩阵中所有对应类别的关联度以及每个极值矩阵的每个类别的重要性获取每个极值矩阵和初始维度矩阵的相似度包括:
将极值矩阵每个类别的重要性作为极值矩阵和初始维度矩阵中对应类别的关联度的权重,对极值矩阵和初始维度矩阵中所有对应类别的关联度进行加权求和得到极值矩阵和初始维度矩阵的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211471107.5A CN115544811A (zh) | 2022-11-23 | 2022-11-23 | 应用于数字孪生模型的数据管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211471107.5A CN115544811A (zh) | 2022-11-23 | 2022-11-23 | 应用于数字孪生模型的数据管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115544811A true CN115544811A (zh) | 2022-12-30 |
Family
ID=84721506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211471107.5A Pending CN115544811A (zh) | 2022-11-23 | 2022-11-23 | 应用于数字孪生模型的数据管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115544811A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051156A (zh) * | 2023-04-03 | 2023-05-02 | 北京智蚁杨帆科技有限公司 | 一种基于数字孪生的新能源动态电价数据管理系统 |
-
2022
- 2022-11-23 CN CN202211471107.5A patent/CN115544811A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051156A (zh) * | 2023-04-03 | 2023-05-02 | 北京智蚁杨帆科技有限公司 | 一种基于数字孪生的新能源动态电价数据管理系统 |
CN116051156B (zh) * | 2023-04-03 | 2023-07-25 | 北京智蚁杨帆科技有限公司 | 一种基于数字孪生的新能源动态电价数据管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322453B (zh) | 基于位置注意力和辅助网络的3d点云语义分割方法 | |
CN104462184B (zh) | 一种基于双向抽样组合的大规模数据异常识别方法 | |
CN108288035A (zh) | 基于深度学习的多通道图像特征融合的人体动作识别方法 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN103942571B (zh) | 一种基于遗传规划算法的图形图像分类方法 | |
CN114926699B (zh) | 一种室内三维点云语义分类方法、装置、介质及终端 | |
CN106780639B (zh) | 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法 | |
CN109299185B (zh) | 一种针对时序流数据的卷积神经网络提取特征的分析方法 | |
CN112819039A (zh) | 基于多尺度集成特征编码的纹理识别模型建立方法及应用 | |
CN110929848A (zh) | 基于多挑战感知学习模型的训练、跟踪方法 | |
CN107871103A (zh) | 一种人脸认证方法和装置 | |
CN115544811A (zh) | 应用于数字孪生模型的数据管理方法 | |
CN114120125A (zh) | 基于双流深度网络的农田识别方法、装置及存储介质 | |
CN112365511A (zh) | 基于重叠区域检索与对齐的点云分割方法 | |
CN111178196B (zh) | 一种细胞分类的方法、装置及设备 | |
CN112508181A (zh) | 一种基于多通道机制的图池化方法 | |
CN114386466B (zh) | 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法 | |
CN107451617A (zh) | 一种图转导半监督分类方法 | |
CN114639102A (zh) | 基于关键点与尺寸回归的细胞分割方法和装置 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN111860359B (zh) | 一种基于改进随机森林算法的点云分类方法 | |
CN112990336B (zh) | 基于竞争注意力融合的深度三维点云分类网络构建方法 | |
CN115512226A (zh) | 融入注意力机制多尺度CNN的LiDAR点云滤波方法 | |
CN113256793A (zh) | 一种三维数据处理方法及系统 | |
CN115423737A (zh) | 基于多块主成分分析网络的晶圆图缺陷检测方法 |
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 |