CN116304996A - 一种石质文物监测数据本体趋势的提取方法和装置 - Google Patents
一种石质文物监测数据本体趋势的提取方法和装置 Download PDFInfo
- Publication number
- CN116304996A CN116304996A CN202310461084.8A CN202310461084A CN116304996A CN 116304996 A CN116304996 A CN 116304996A CN 202310461084 A CN202310461084 A CN 202310461084A CN 116304996 A CN116304996 A CN 116304996A
- Authority
- CN
- China
- Prior art keywords
- trend
- monitoring data
- fitting
- data
- relic
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000004575 stone Substances 0.000 title claims abstract description 33
- 230000007613 environmental effect Effects 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 14
- 239000000284 extract Substances 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 5
- 230000015556 catabolic process Effects 0.000 abstract description 3
- 238000006731 degradation reaction Methods 0.000 abstract description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Abstract
本发明公开的一种石质文物监测数据本体趋势的提取方法和装置,包括获得文物本体监测数据和赋存环境监测数据;对监测数据进行预处理并根据相关性对齐本体监测数据与环境监测数据,采用损失函数训练多项式多级回归趋势拟合模型,重构本体监测数据受环境因素影响的部分,进而得出本体监测数据除去环境影响部分的数据后得到本体变化趋势。该方法和装置能够绕开劣化机理定量化分析的复杂性,能够在不满一个年周期的情况下,基于环境监测数据提取文物本体变化趋势。
Description
技术领域
本发明属于数据挖掘技术领域,具体涉及一种石质文物监测数据本体趋势的提取方法和装置。
背景技术
文物本体及赋存环境监测、微环境调控是文物预防性保护的主要工作,其中,从监测数据中提取监测对象本体的变化趋势显得尤为重要。
公开号为CN112561161A的中国发明专利公开了一种基于压缩感知的时间序列趋势提取和预测方法,通过对原始时间序列进行随机亚采样得到观测向量后,在确定重构信号稀疏度的情况下,多次重构对原始时间序列进行趋势提取。利用基于欧式距离序列相似度评价指标,找出多个重构趋势中的最佳趋势序列,最后对最佳趋势使用支持向量回归预测方法对未来趋势发展进行预测。该方法针对本体单序列建模,本体序列和环境序列之间的相关性无法被学习到,提取出来的趋势包含了环境因素,并不是真实本体变化趋势,该方法适用于多周期场景,无法在序列不满足一个年周期的情况下提取本体趋势。
公开号为CN115410342A的中国发明专利公开了一种基于裂缝计实时监测的滑坡灾害智能预警方法,采用滑动平均方法对各个裂缝计监测到数据进行趋势提取,找出异常设备;剔除异常设备的监测数据,采用滑动平均方法对正常设备进行趋势提取,形成新的变形数据的时间序列;然后基于新的变形数据的时间序列,计算正常设备监测的历史数据的相邻两个时间间隔的变形差和变形速度。该方法同样无法在序列不满足一个年周期的情况下准确提取本体趋势。且滑动平均法计算趋势无法将环境因素带来的影响从最终的趋势中除去。
类似上述的大多方法都未能很好的从监测数据中提取监测对象本体的变化趋势。由于文物病害种类多样、风险因素复杂、褪化过程缓慢,针对不同文物病害的形成机理及其与赋存环境风险因素的关联关系研究尚处于起步阶段。一方面,针对一些活动病害,科研人员通过机理研究确定了病害主要驱动力来源以及环境风险因素阈值,但是,这类驱动力对监测数据的影响往往呈现周期性,呈现在监测数据上往往表现出一定的往复性,不能轻易的得出监测对象本体的变化趋势。因此,有必要对这些风险因素监测数据进行综合性关联分析进而探索得到文物本体的变化趋势,便于建立动态阈值模型;另一方面,经过多年的建设,很多遗产地已经积累了海量的文物风险监测数据,但如何利用这些数据,发现不同风险因素间关联关系,进而建立风险因素变化趋势分析预警模型,来尽早发现并及时消除各类风险隐患对文物造成的影响,这同样是许多遗产地当前面临的重要议题。因此,针对遗产地文物风险监测数据,开展数据智能分析与文物本体变化趋势研究,对于科学制定文物风险阈值,指导遗产地开放管理等工作都具有重要意义,是文物预防性保护工作的重要内容之一。
发明内容
鉴于上述,本发明的目的是提供一种石质文物监测数据本体趋势的提取方法和装置,该方法和装置能够绕开劣化机理定量化分析的复杂性,能够在不满一个年周期的情况下,基于环境监测数据和文物本体监测数据提取文物本体变化趋势。
为实现上述发明目的,实施例还提供了一种石质文物监测数据本体趋势的提取方法,包括以下步骤:
获取文物本体监测数据和环境监测数据,并进行预处理;
计算预处理后文物本体监测数据不同滞后时间对应环境监测数据之间的相关性,并依据相关性对文物本体监测数据和环境监测数据进行对齐;
将对齐的文物本体监测数据和环境监测数据输入多级趋势拟合模型进行趋势拟合,其中,多级趋势拟合模型基于多项式回归构建,包括多个等级的趋势拟合模型,每个等级趋势拟合模型用于根据输入的环境监测数据和数据标签预测重构文物本体数据,并将文物本体监测数据与历史重构文物本体数据之差作为拟合趋势,该拟合趋势作为下一等级趋势拟合模型的数据标签;
进行当前等级趋势拟合时,通过当前输出的拟合趋势与前一等级趋势模型输出的拟合趋势之间相似度来判断是否引入下一等级趋势模型继续进行趋势拟合,并在不需要引入下一等级趋势模型时,将当前输出的拟合趋势作为提取的最终本体趋势。
优选地,所述预处理包括:
去除监测数据中异常点,回填插补缺失值,以及数据归一化。
优选地,所述不同滞后时间对应环境监测数据通过以下方式获得:
设置不同的滞后时间值K,在时间方向上根据滞后时间值K平移环境监测数据值,得到环境数据Ri[K:len(Ri)+K],len(Ri)表示环境监测数据的序列长度,环境数据Ri[K:len(Ri)+K]左右数据空缺采用附近区间均值填充。
优选地,所述依据相关性对文物本体监测数据和环境监测数据进行对齐,包括:
筛选最大相关性对应的滞后时间值,将该滞后时间值对应的环境监测数据作为与文物本体监测数据对齐的数据,用于输入多级趋势拟合模型。
优选地,每个等级趋势拟合模型建立了环境监测数据与本体监测数据的多项式相关关系,目标函数为:
其中,n为等级索引,取值为大于等于1的整数,Wn和bn为每个等级趋势拟合模型的参数,为第t维环境监测数据的n次方,Yn为拟合目标值,S为文物本体监测数据,Si为文物本体监测数据中受环境影响部分,简称为重构文物本体数据;
基于以上目标函数,构建每个等级趋势拟合模型的误差为数据标签Yn与输出的重构文物本体数据Si之间的差值,并依据误差优化每个等级趋势拟合模型的参数Wn和bn。
优选地,每个等级趋势拟合模型的损失函数表示为:
Loss(Yn,Sn)=αMSE+(1-α)CrossEntrypyLoss
其中,Yn和Sn分别为等级为n的趋势拟合模型的数据标签和输出的重构文物本体数据,α∈[0,1]为所占权重,MSE为Yn和Sn的均方误差,CrossEntrypyLoss为Yn和Sn的交叉熵损失。
优选地,所述当前输出的拟合趋势与前一等级趋势拟合模型输出的拟合趋势之间的相似度采用余弦相似度方法计算,当余弦相似度小于设定阈值时,认为需要引入下一等级趋势拟合模型进行趋势拟合。
优选地,当环境监测数据为多个维度时,将每个维度的环境监测数据分别单独处理,以将每个维度的环境监测数据与文物本体监测数据对齐,所有对齐的数据作为样本输入至多级趋势拟合模型中进行趋势拟合。
为实现上述发明目的,实施例还提供了一种石质文物监测数据本体趋势的提取装置,其特征在于,包括:
获取及预处理模块,用于获取文物本体监测数据和环境监测数据,并进行预处理;
对齐模块,用于计算预处理后文物本体监测数据不同滞后时间对应环境监测数据之间的相关性,并依据相关性对文物本体监测数据和环境监测数据进行对齐;
拟合提取模块,将对齐的文物本体监测数据和环境监测数据输入多级趋势拟合模型进行趋势拟合,进行当前等级趋势拟合时,通过当前输出的拟合趋势与前一等级趋势模型输出的拟合趋势之间相似度来判断是否引入下一等级趋势模型继续进行趋势拟合,并在不需要引入下一等级趋势模型时,将当前输出的拟合趋势作为提取的最终本体趋势;
其中,多级趋势拟合模型基于多项式回归构建,包括多个等级趋势拟合模型,每个等级趋势拟合模型用于根据输入的环境监测数据和数据标签预测重构文物本体数据,并将文物本体监测数据与历史重构文物本体数据之差作为拟合趋势,该拟合趋势作为下一等级趋势拟合模型的数据标签。
为实现上述发明目的,实施例提供了一种石质文物监测数据本体趋势的提取装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序,所述处理器执行所述计算机程序时实现上述石质文物监测数据本体趋势的提取方法。
与现有技术相比,本发明具有的有益效果至少包括:
(1)由于基于历史环境监测数据进行提取,在监测数据不满一个年周期时仍能准确提取文物本体趋势。
(2)由于采用多级趋势拟合模型进行趋势拟合,能够消除了本体监测数据中含有的环境因素影响部分,提取出文物本体真实变化趋势。
(3)本方法适用于多种类型的监测数据,可迁移性强。
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做简单地介绍,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前提下,还可以根据这些附图获得其他附图。
图1是实施例提供的石质文物监测数据本体趋势的提取方法的流程图;
图2是实施例提供的多级趋势拟合模型进行多级趋势拟合的示意图;
图3是实施例提供的去环境影响后的本体趋势变化图;
图4是实施例提供的石质文物监测数据本体趋势的提取装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1是实施例提供的石质文物监测数据本体趋势的提取方法的流程图,如图1所示,实施例提供的提取方法,包括以下步骤:
S1,获取文物本体监测数据和环境监测数据,并进行预处理。
实施例中,文物本体监测数据和环境监测数据均由传感器采集得到,对采集的监测数据进行预处理,包括:去除监测数据异常点,回填插补缺失值,数据归一化,消除本体监测数据与环境监测数据之间的量纲影响。具体地,选择最大最小归一化方法,用公式表示为:
xi为序列原始值,yi为序列归一化后的值,n为序列长度。
S2,计算预处理后文物本体监测数据不同滞后时间对应环境监测数据之间的相关性,并依据相关性对文物本体监测数据和环境监测数据进行对齐。
实施例中,首先确定不同滞后时间对应环境监测数据,包括:设置不同的滞后时间值K,在时间方向上根据滞后时间值K平移环境监测数据值,得到环境数据Ri[K:len(Ri)+K],len(Ri)表示环境监测数据的序列长度,环境数据Ri[K:len(Ri)+K]左右数据空缺采用附近区间均值填充。
然后,计算预处理后文物本体监测数据不同滞后时间对应环境监测数据之间的相关性,具体地,可以通过Spearman相关系数计算两者的相关性ρs,用公式表示为:
最后,依据相关性对文物本体监测数据和环境监测数据进行对齐,包括:筛选最大相关性对应的滞后时间值,将该滞后时间值对应的环境监测数据作为与文物本体监测数据对齐的数据,用于输入多级趋势拟合模型。
需要说明的是,当环境监测数据为多个维度时,将每个维度的环境监测数据分别单独处理,以将每个维度的环境监测数据与文物本体监测数据对齐,所有对齐的数据作为样本输入至多级趋势拟合模型中进行趋势拟合。
S3,将对齐的文物本体监测数据和环境监测数据输入多级趋势拟合模型进行趋势拟合。
实施例中,多级趋势拟合模型基于多项式回归构建,如图2所示,包括多个等级趋势拟合模型,每个等级趋势拟合模型用于根据输入的环境监测数据和数据标签预测重构文物本体数据,并将文物本体监测数据与历史重构文物本体数据之差作为拟合趋势,该拟合趋势作为下一等级趋势拟合模型的数据标签。
实施例中,每个等级趋势拟合模型建立了环境监测数据与本体监测数据的多项式相关关系,目标函数为:
其中,n为等级索引,取值为大于等于1的整数,Wn和bn为每个等级趋势拟合模型的参数,为第t维环境监测数据的n次方,Yn为拟合目标值,S为文物本体监测数据,Si为文物本体监测数据中受环境影响部分,简称为重构文物本体数据。
基于以上目标函数,构建每个等级趋势拟合模型的损失函数,采用误差反向传播算法重构拟合文物本体监测数据S受环境影响部分将文物本体监测数据S与第1~n级模型的输出之和/>作差得到第n级趋势,并将第n级趋势作为第n+1级多模型的输入Yn,也为数据标签。
实施例中,依据数据标签Yn与输出的重构文物本体数据Si之间的差值构建损失函数,并依据该损失函数优化每个等级趋势拟合模型的参数Wn和bn。具体地,每个等级趋势拟合模型的损失函数表示为:
Loss(Yn,Sn)=αMSE+(1-α)CrossEntrypyLoss
其中,Yn和Sn分别为等级为n的趋势拟合模型的数据标签和输出的重构文物本体数据,α∈[0,1]为所占权重,MSE为Yn和Sn的均方误差,CrossEntrypyLoss为Yn和Sn的交叉熵损失。该损失函数从两者值的均方误差以及序列相似度两个维度来评价训练损失。
实施例中,在趋势拟合过程中,依据相邻两次趋势拟合结果的相似度来判断选择是否加入新等级趋势模型。具体地,如图2所示,进行当前等级趋势拟合时,通过当前输出的拟合趋势与前一等级趋势模型输出的拟合趋势之间相似度来判断是否引入下一等级趋势模型继续进行趋势拟合,并在不需要引入下一等级趋势模型时,当前输出的拟合趋势作为提取的最终本体趋势。
具体地,通过当前级趋势拟合模型输出拟合趋势Tn与上一级趋势拟合模型输出拟合趋势Tn-1的相似度H(Tn,Tn-1)来评价是否需要下一级趋势拟合模型参与,若H(Tn,Tn-1)<ε则引入下一级趋势拟合模型进行计算,若H(Tn,Tn-1)≥ε则将本级趋势拟合模型及历史所有模型输出之和确定为最终环境影响数据,H为相似度评价函数,ε为相似度评价阈值,而后将本体监测数据S除去环境影响数据/>后得到文物本体变化趋势Tn;在判定过程中的特征为本级趋势数据Ti与上级趋势数据Ti-1的余弦相似度:
其中,<Ti,Ti-1>表示本级趋势拟合数据Ti与上级趋势拟合数据Ti-1的内积,||Ti||与||Ti-1||则表示本级趋势数据Ti与上级趋势数据Ti-1的模。
图3为本发明实施实例提供的采用上述方法去环境影响后的本体趋势变化图。分析图3可得,在不到半年的时间里,文物本体监测数据存在明显的趋势,但是在去除环境影响后,得到的真实趋势较为平缓,与文物真实变化情况相似,由此验证提取本体趋势方法可行有效。
上述实施例提供的石质文物监测数据本体趋势的提取方法,在监测数据不满一个年周期时仍能准确提取文物本体趋势;通过数据分析手段得出文物本体监测数据在去除环境影响后的真实趋势变化,在一定程度上绕开劣化机理定量化分析的复杂性,消除了本体监测数据中含有的环境因素影响部分,提取出文物本体真实变化趋势,将海量监测数据投入实际应用,石质文物本体趋势预警工作提供了一种方法;适用于多种类型的文物本体监测数据,可迁移性强。
基于同样的发明构思,实施例还提供了一种石质文物监测数据本体趋势的提取装置400,包括获取及预处理模块410、对齐模块420、以及拟合提取模块430。
其中,获取及预处理模块410用于获取文物本体监测数据和环境监测数据,并进行预处理;
对齐模块420用于计算预处理后文物本体监测数据不同滞后时间对应环境监测数据之间的相关性,并依据相关性对文物本体监测数据和环境监测数据进行对齐;
拟合提取模块430将对齐的文物本体监测数据和环境监测数据输入多级趋势拟合模型进行趋势拟合,进行当前等级趋势拟合时,通过当前输出的拟合趋势与前一等级趋势模型输出的拟合趋势之间相似度来判断是否引入下一等级趋势模型继续进行趋势拟合,并在不需要引入下一等级趋势模型时,将当前输出的拟合趋势作为提取的最终本体趋势。
需要说明的是,上述实施例提供的石质文物监测数据本体趋势的提取装置在进行石质文物监测数据本体趋势的提取时,应以上述各功能模块的划分进行举例说明,可以根据需要将上述功能分配由不同的功能模块完成,即在终端或服务器的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的石质文物监测数据本体趋势的提取装置与石质文物监测数据本体趋势的提取方法实施例属于同一构思,其具体实现过程详见石质文物监测数据本体趋势的提取方法实施例,这里不再赘述。
实施例还提供了一种石质文物监测数据本体趋势的提取装置,包括存储器、处理器以及存储在所述存储器中并可在处理器上执行的计算机程序,处理器执行所述计算机程序时实现上述石质文物监测数据本体趋势的提取方法,包括以下步骤:
S1,获取文物本体监测数据和环境监测数据,并进行预处理;
S2,计算预处理后文物本体监测数据不同滞后时间对应环境监测数据之间的相关性,并依据相关性对文物本体监测数据和环境监测数据进行对齐;
S3,将对齐的文物本体监测数据和环境监测数据输入多级趋势拟合模型进行趋势拟合。
其中,计算机存储器可以为在近端的易失性存储器,如RAM,还可以是非易失性存储器,如ROM,FLASH,软盘,机械硬盘等,还可以是远端的存储云。计算机处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA),即可以通过这些处理器实现石质文物监测数据本体趋势的提取方法的步骤。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种石质文物监测数据本体趋势的提取方法,其特征在于,包括以下步骤:
获取文物本体监测数据和环境监测数据,并进行预处理;
计算预处理后文物本体监测数据不同滞后时间对应环境监测数据之间的相关性,并依据相关性对文物本体监测数据和环境监测数据进行对齐;
将对齐的文物本体监测数据和环境监测数据输入多级趋势拟合模型进行趋势拟合,其中,多级趋势拟合模型基于多项式回归构建,包括多个等级趋势拟合模型,每个等级趋势拟合模型用于根据输入的环境监测数据和数据标签预测重构文物本体数据,并将文物本体监测数据与历史重构文物本体数据之差作为拟合趋势,该拟合趋势作为下一等级趋势拟合模型的数据标签;
进行当前等级趋势拟合时,通过当前输出的拟合趋势与前一等级趋势模型输出的拟合趋势之间相似度来判断是否引入下一等级趋势模型继续进行趋势拟合,并在不需要引入下一等级趋势模型时,将当前输出的拟合趋势作为提取的最终本体趋势。
2.根据权利要求1所述的石质文物监测数据本体趋势的提取方法,其特征在于,所述预处理包括:
去除监测数据中异常点,回填插补缺失值,以及数据归一化。
3.根据权利要求1所述的石质文物监测数据本体趋势的提取方法,其特征在于,所述不同滞后时间对应环境监测数据通过以下方式获得:
设置不同的滞后时间值K,在时间方向上根据滞后时间值K平移环境监测数据值,得到环境数据Ri[K:len(Ri)+K],len(Ri)表示环境监测数据的序列长度,环境数据Ri[K:len(Ri)+K]左右数据空缺采用附近区间均值填充。
4.根据权利要求1所述的石质文物监测数据本体趋势的提取方法,其特征在于,所述依据相关性对文物本体监测数据和环境监测数据进行对齐,包括:
筛选最大相关性对应的滞后时间值,将该滞后时间值对应的环境监测数据作为与文物本体监测数据对齐的数据,用于输入多级趋势拟合模型。
6.根据权利要求5所述的石质文物监测数据本体趋势的提取方法,其特征在于,每个等级趋势拟合模型的损失函数表示为:
Loss(Yn,Sn)=αMSE+(1-α)CrossEntrypyLoss
其中,Yn和Sn分别为等级为n的趋势拟合模型的数据标签和输出的重构文物本体数据,α∈[0,1]为所占权重,MSE为Yn和Sn的均方误差,CrossEntrypyLoss为Yn和Sn的交叉熵损失。
7.根据权利要求1所述的石质文物监测数据本体趋势的提取方法,其特征在于,所述当前输出的拟合趋势与前一等级趋势拟合模型输出的拟合趋势之间的相似度采用余弦相似度方法计算,当余弦相似度小于设定阈值时,认为需要引入下一等级趋势拟合模型进行趋势拟合。
8.根据权利要求1所述的石质文物监测数据本体趋势的提取方法,其特征在于,当环境监测数据为多个维度时,将每个维度的环境监测数据分别单独处理,以将每个维度的环境监测数据与文物本体监测数据对齐,所有对齐的数据作为样本输入至多级趋势拟合模型中进行趋势拟合。
9.一种石质文物监测数据本体趋势的提取装置,其特征在于,包括:
获取及预处理模块,用于获取文物本体监测数据和环境监测数据,并进行预处理;
对齐模块,用于计算预处理后文物本体监测数据不同滞后时间对应环境监测数据之间的相关性,并依据相关性对文物本体监测数据和环境监测数据进行对齐;
拟合提取模块,将对齐的文物本体监测数据和环境监测数据输入多级趋势拟合模型进行趋势拟合,进行当前等级趋势拟合时,通过当前输出的拟合趋势与前一等级趋势模型输出的拟合趋势之间相似度来判断是否引入下一等级趋势模型继续进行趋势拟合,并在不需要引入下一等级趋势模型时,将当前输出的拟合趋势作为提取的最终本体趋势;
其中,多级趋势拟合模型基于多项式回归构建,包括多个等级趋势拟合模型,每个等级趋势拟合模型用于根据输入的环境监测数据和数据标签预测重构文物本体数据,并将文物本体监测数据与历史重构文物本体数据之差作为拟合趋势,该拟合趋势作为下一等级趋势拟合模型的数据标签。
10.一种石质文物监测数据本体趋势的提取装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8任一项所述的石质文物监测数据本体趋势的提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310461084.8A CN116304996B (zh) | 2023-04-26 | 2023-04-26 | 一种石质文物监测数据本体趋势的提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310461084.8A CN116304996B (zh) | 2023-04-26 | 2023-04-26 | 一种石质文物监测数据本体趋势的提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116304996A true CN116304996A (zh) | 2023-06-23 |
CN116304996B CN116304996B (zh) | 2024-03-22 |
Family
ID=86822510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310461084.8A Active CN116304996B (zh) | 2023-04-26 | 2023-04-26 | 一种石质文物监测数据本体趋势的提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304996B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210209467A1 (en) * | 2018-09-25 | 2021-07-08 | Ennew Digital Technology Co., Ltd. | Method and device for predicting thermal load of electrical system |
CN113592308A (zh) * | 2021-08-02 | 2021-11-02 | 浙江大学 | 一种基于常态模型的监测数据告警阈值提取方法 |
CN114119907A (zh) * | 2020-08-27 | 2022-03-01 | 北京陌陌信息技术有限公司 | 一种人体模型的拟合方法、设备和存储介质 |
CN115098561A (zh) * | 2022-06-28 | 2022-09-23 | 浙江大学 | 一种文物本体监测数据告警阈值的提取方法 |
CN115164361A (zh) * | 2022-06-13 | 2022-10-11 | 中国电信股份有限公司 | 一种数据中心控制方法、装置、电子设备和存储介质 |
-
2023
- 2023-04-26 CN CN202310461084.8A patent/CN116304996B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210209467A1 (en) * | 2018-09-25 | 2021-07-08 | Ennew Digital Technology Co., Ltd. | Method and device for predicting thermal load of electrical system |
CN114119907A (zh) * | 2020-08-27 | 2022-03-01 | 北京陌陌信息技术有限公司 | 一种人体模型的拟合方法、设备和存储介质 |
CN113592308A (zh) * | 2021-08-02 | 2021-11-02 | 浙江大学 | 一种基于常态模型的监测数据告警阈值提取方法 |
CN115164361A (zh) * | 2022-06-13 | 2022-10-11 | 中国电信股份有限公司 | 一种数据中心控制方法、装置、电子设备和存储介质 |
CN115098561A (zh) * | 2022-06-28 | 2022-09-23 | 浙江大学 | 一种文物本体监测数据告警阈值的提取方法 |
Non-Patent Citations (2)
Title |
---|
王秀丽;李恒凯;: "滑坡变形的回归-神经网络预测模型研究", 人民黄河, no. 07 * |
董亚波 等: "面向文化遗址保护的物联网技术研究与应用", 文物保护与考古科学 * |
Also Published As
Publication number | Publication date |
---|---|
CN116304996B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113392931B (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
CN112685950B (zh) | 一种海洋时序观测数据的异常检测方法、系统和设备 | |
CN112308124B (zh) | 一种面向用电信息采集系统的智能防窃电方法 | |
CN113936132B (zh) | 基于计算机视觉的化工厂水体污染检测方法与系统 | |
CN103310113A (zh) | 一种基于频带分离和数据建模的通用血糖预测方法 | |
CN111507155A (zh) | 联合U-Net++和UDA的微地震有效信号初至拾取方法及装置 | |
CN113096088A (zh) | 一种基于深度学习的混凝土结构检测方法 | |
Wu et al. | Quality estimation method for gear hobbing based on attention and adversarial transfer learning | |
Xu et al. | A fault diagnosis method for rolling bearing based on 1D-ViT model | |
Liu et al. | Multi-Scale Fusion Attention Convolutional Neural Network for Fault Diagnosis of Aero-Engine Rolling Bearing | |
CN117172430B (zh) | 一种基于深度学习的水体环境评估与预测方法及系统 | |
CN116304996B (zh) | 一种石质文物监测数据本体趋势的提取方法和装置 | |
CN116596326B (zh) | 一种基于遥感数据的城市环境检测及综合评估方法 | |
CN114550460B (zh) | 轨道交通异常检测方法、装置及存储介质 | |
Grycuk et al. | A novel method for solar image retrieval based on the parzen kernel estimate of the function derivative and convolutional autoencoder | |
CN116364203A (zh) | 一种基于深度学习的水质预测方法、系统和装置 | |
CN106816871B (zh) | 一种电力系统状态相似性分析方法 | |
CN115277151A (zh) | 一种基于鲸鱼提升算法的网络入侵检测方法 | |
CN111859773A (zh) | 基于正则化粒子滤波的电动闸阀故障确定方法及系统 | |
CN115687632B (zh) | 一种刑事量刑情节分解分析的方法和系统 | |
CN116431355B (zh) | 一种基于电力领域超算平台的计算负载预测方法及系统 | |
CN115831339B (zh) | 基于深度学习的医疗系统风险管控事前预测方法、系统 | |
Chandu et al. | Improved Prediction Accuracy of House Price Using Decision Tree Algorithm over Linear Regression Algorithm | |
Gao et al. | Fault Diagnosis Based on Sensitive SVD and Gaussian Process Latent Variable Model | |
CN117877232A (zh) | 一种基于gis的地质灾害预警方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |