CN116705180A - 基于多维数据分析的n2o催化分解监测方法及系统 - Google Patents
基于多维数据分析的n2o催化分解监测方法及系统 Download PDFInfo
- Publication number
- CN116705180A CN116705180A CN202310988003.XA CN202310988003A CN116705180A CN 116705180 A CN116705180 A CN 116705180A CN 202310988003 A CN202310988003 A CN 202310988003A CN 116705180 A CN116705180 A CN 116705180A
- Authority
- CN
- China
- Prior art keywords
- data
- preset number
- decomposition
- sequences
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003421 catalytic decomposition reaction Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000007405 data analysis Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 136
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 25
- 238000012790 confirmation Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 8
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical compound [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 92
- 239000001272 nitrous oxide Substances 0.000 description 46
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 24
- 239000011159 matrix material Substances 0.000 description 15
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 239000001301 oxygen Substances 0.000 description 13
- 229910052760 oxygen Inorganic materials 0.000 description 13
- 229910052757 nitrogen Inorganic materials 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000005192 partition Methods 0.000 description 7
- 238000011524 similarity measure Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 239000003380 propellant Substances 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000001994 activation Methods 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003795 desorption Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
- G06F18/20—Analysing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Abstract
本申请涉及数据处理领域,特别涉及一种基于多维数据分析的N2O催化分解监测方法及系统,方法包括:先根据预设数量的分解数据序列的第一分割点,确认预设数量分解数据序列对应的预设数量的划分时间节点,然后划分为多个数据区间,以根据所述多个数据区间确认预设数量的数据关联组,再构建与所述预设数量的数据关联组分别对应的图结构,通过预设聚类方法对图结构进行聚类,确认预设数量的分解数据序列的阶段数量,最后基于阶段数量将预设数量的分解数据序列进行阶段划分,以对分解数据序列进行分阶段分析与监测,相对传统通过经验值进行反应阶段划分,提高了反应阶段划分的准确度,以及提高数据分析与监控的准确性,降低工作成本。
Description
技术领域
本申请涉及数据处理领域,特别涉及一种基于多维数据分析的N2O催化分解监测方法及系统。
背景技术
一氧化二氮(N2O)的催化分解过程是指通过催化剂促使一氧化二氮(N2O)分解为氮气(N2)和氧气(O2)的化学反应,这个过程通常被称为N2O催化分解反应。N2O催化分解反应在工业上具有重要的应用。一方面,N2O是一种温室气体和强大的臭氧破坏物质,通过催化分解可以将其转化为无害的氮气和氧气,从而减少对环境的负面影响。另一方面,N2O也是一种高效的推进剂,通过催化分解可以产生大量的气体,用于火箭推进等应用。N2O催化分解这个过程可以通过吸附、活化、分解和解吸等步骤来描述。催化分解反应在减少环境污染和推进剂应用等方面具有重要的意义。
对于N2O催化分解过程,现有方法往往通过独立成分分析(ICA)得到每个阶段的成分,进而进行后续分析,其中阶段的划分至关重要,不合适的阶段划分会导致ICA分解结果的较大误差,进而影响后续的分析过程。传统的N2O催化分解过程的反应阶段划分通常是依靠历史经验进行人工划分,此种方式的阶段划分容易产生较大误差,导致反应阶段划分不准确,进而导致后续的数据分析与监控准确性较低,以提高工作成本。
发明内容
鉴于以上内容,有必要提供一种基于多维数据分析的N2O催化分解监测方法及系统,相对于传统的通过经验人工划分反应阶段,提高了反应阶段划分的准确度,进一步提高后续的数据分析与监控的准确性,降低工作成本。
本申请第一方面提供一种基于多维数据分析的N2O催化分解监测方法,应用于N2O催化分解分析领域,所述方法包括:根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,其中,所述预设数量的分解数据序列为N2O分解过程得到的数据序列;基于预设数量的划分时间节点的时间排序将每种分解数据序列对应划分为多个数据区间,以根据多个数据区间确认预设数量的数据关联组;基于所述预设数量的数据关联组,构建与所述预设数量的数据关联组分别对应的图结构;通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,确认预设数量的分解数据序列的阶段数量;基于所述阶段数量将预设数量的分解数据序列进行阶段划分,以对所述分解数据序列进行分阶段分析与监测。
在其中一种实施例中,所述根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,具体包括:通过预设分解算法分别对所述预设数量分解数据序列进行数据分割,确认预设数量的第一分割点;根据预设数量的分解数据序列的第一分割点,组建一个多数据序列;通过所述预设分解算法对所述多数据序列进行数据分割,确认预设数量的数据段;基于所述预设数量的数据段,确认所述预设数量分解数据序列对应的预设数量的划分时间节点。
在其中一种实施例中,所述基于所述预设数量的数据段,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,具体包括:将所述数据段中的目标数据点与其他数据点的时间差值作和计算,确认所述目标数据点对应的时间差值之和,其中,所述时间差值是指目标数据点对应的时刻与其他数据点对应的时刻之差的绝对值;将时间差值之和最小值对应的目标数据点的时刻,作为所述预设数量分解数据序列对应的预设数量的划分时间节点。
在其中一种实施例中,所述基于所述预设数量的数据关联组,构建与所述预设数量的数据关联组分别对应的图结构,具体包括:基于目标数据关联组对应的划分时间节点,计算目标数据关联组对应的相似度;将所述目标数据关联组中的数据组作为节点,相邻的数据组对应的DTW距离作为边值,不相邻的数据组对应的DTW距离与相似度乘积作为边值,构建数据关联组对应的图结构,其中,所述数据组为相邻的第一分割点之间的数据序列。
在其中一种实施例中,所述基于目标数据关联组对应的划分时间节点,计算目标数据关联组对应的相似度,具体包括:
其中,为目标数据关联组对应的相似度,/>为目标数据关联组的左边划分时间节点在对应的数据段中时间的第一方差,/>为目标数据关联组的右边划分时间节点在对应的数据段中时间的第二方差,/>为第一方差/>与第二方差/>的一致性。
在其中一种实施例中,所述通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,确认预设数量的分解数据序列的阶段数量,具体包括:基于所述预设聚类方法,将所述预设数量的数据关联组转换成子图层,其中,所述子图层包括预设数量的子图;基于所述预设数量的子图对应的差异值,计算所述子图层对应的区分度;比对预设数量的子图层的区分度,确认最大区分度的子图层;将所述最大区分度的子图层对应的子图数量,确认为预设数量的分解数据序列的阶段数量。
在其中一种实施例中,所述基于所述预设数量的子图对应的差异值,计算所述子图层对应的区分度,具体包括:根据预设数量的子图对应的数据值,计算目标子图与子图层中其他子图的差异值;将所述目标子图与子图层中其他子图的差异值之和,确认为所述子图层对应的区分度。
在其中一种实施例中,基于所述阶段数量将预设数量的分解数据序列进行阶段划分,以对所述分解数据序列进行分阶段分析与监测,具体包括:将预设数量的分解数据序列进行阶段划分,确认阶段数量个阶段数据;基于每个阶段数据对应的分解结果与标准变化曲线的比对结果,对所述分解数据序列进行分阶段分析与监测。
本申请第二方面提供一种基于多维数据分析的N2O催化分解监测系统,应用于N2O催化分解分析领域,所述系统包括:确认模块,用于根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,其中,所述预设数量的分解数据序列为N2O分解过程得到的数据序列;划分模块,用于基于预设数量的划分时间节点的时间排序将每种分解数据序列对应划分为多个数据区间,以根据多个数据区间确认预设数量的数据关联组;构建模块,用于基于所述预设数量的数据关联组,构建与所述预设数量的数据关联组分别对应的图结构;聚类模块,用于通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,确认预设数量的分解数据序列的阶段数量;分析模块,用于基于所述阶段数量将预设数量的分解数据序列进行阶段划分,以对所述分解数据序列进行分阶段分析与监测。
在其中一种实施例中,所述确认模块,用于根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,其中,所述预设数量的分解数据序列为N2O分解过程得到的数据序列,具体包括:确认单元,用于通过预设分解算法分别对所述预设数量分解数据序列进行数据分割,确认预设数量的第一分割点;组建单元,用于根据预设数量的分解数据序列的第一分割点,组建一个多数据序列;分割单元,用于通过所述预设分解算法对所述多数据序列进行数据分割,确认预设数量的数据段;划分单元,用于基于所述预设数量的数据段,确认所述预设数量分解数据序列对应的预设数量的划分时间节点。
本申请实施例先根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,其中,所述预设数量的分解数据序列为N2O分解过程得到的数据序列,然后基于预设数量的划分时间节点的时间排序将每种分解数据序列对应划分为多个数据区间,以根据多个数据区间确认预设数量的数据关联组,再基于所述预设数量的数据关联组,构建与所述预设数量的数据关联组分别对应的图结构,并且通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,确认预设数量的分解数据序列的阶段数量,最后基于所述阶段数量将预设数量的分解数据序列进行阶段划分,以对所述分解数据序列进行分阶段分析与监测。通过对所述预设数量分解数据序列进行多次数据处理,得到相应的图结构,进一步对图结构进行聚类获取的阶段数量进行阶段划分,相对传统通过经验值进行反应阶段划分,提高了反应阶段划分的准确度,进一步提高后续的数据分析与监控的准确性,降低工作成本。
附图说明
图1是本申请实施例的一种基于多维数据分析的N2O催化分解监测方法的流程示意图。
图2是本申请实施例的一种基于多维数据分析的N2O催化分解监测方法的第一子流程示意图。
图3是本申请实施例的一种基于多维数据分析的N2O催化分解监测方法的第二子流程示意图。
图4是本申请实施例的一种基于多维数据分析的N2O催化分解监测方法的第三子流程示意图。
图5是本申请实施例的一种基于多维数据分析的N2O催化分解监测方法的第四子流程示意图。
图6是本申请实施例的一种基于多维数据分析的N2O催化分解监测方法的第五子流程示意图。
图7是本申请实施例的一种基于多维数据分析的N2O催化分解监测方法的第六子流程示意图。
图8是本申请实施例的一种基于多维数据分析的N2O催化分解监测系统的方框示意图。
图9是本申请实施例的一种基于多维数据分析的N2O催化分解监测系统的方框示意图。
具体实施方式
在本申请实施例的描述中,“示例性”、“或者”、“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性”、“或者”、“例如”等词旨在以具体方式呈现相关概念。
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申请中的技术领域的技术人员通常理解的含义相同。本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。应理解,本申请中除非另有说明,“/”表示或的意思。例如,A/B可以表示A或B。本申请中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B三种情况。“至少一个”是指一个或者多个。“多个”是指两个或多于两个。例如,a、b或c中的至少一个,可以表示:a,b,c,a和b,a和c,b和c,a、b和c七种情况。
另外需要说明的是,本申请的说明书和权利要求书及附图中的术语“第一”、“第二”是用于部别类似的对象,而不是用于描述特定的顺序或先后次序。本申请实施例中公开的方法或流程图所示出的方法,包括用于实现方法的一个或多个步骤,在不脱离权利要求的范围的情况下,多个步骤的执行顺序可以彼此互换,其中某些步骤也可以被删除。
本申请实施例首先提出一种基于多维数据分析的N2O催化分解监测方法,应用于N2O催化分解分析领域,参考附图1,所述方法包括以下步骤:
S101、根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,其中,所述预设数量的分解数据序列为N2O分解过程得到的数据序列。
其中,所述预设数量的分解数据序列,是指N2O在分解过程得到的其他成分对应的数据序列,举个例子,所述预设数量的分解数据序列包括氮气(N2)对应的数据序列以及氧气(O2)对应的数据序列。所述第一分割点,是指预设数量的分解数据序列分别通过预设分解算法对进行数据分割处理得到的数据分割点,用于将分解数据序列分割成多个数据点相近的数据片段。需要说明的是,所述第一分割点是单独对每个分解数据序列进行数据分割得到的,多个分解数据序列的分割互不关联。所述预设数量分解数据序列对应的预设数量的划分时间节点,是指每个分解数据序列二次精准数据分割的时间节点,需要说明的是,划分时间节点对应的数据分割,是对每个分解数据序列的第二次更精准的数据分割处理(第一次即为第一分割点对应的数据分割处理)。
需要说明的是,所述预设分解算法可为大津(Otsu)多阈值分割,所述大津(Otsu)多阈值分割是一种常用的图像分割方法,本案中可将对应的分解数据序列进行图示化,对分解数据序列对应的图像进行分割,也可将分解数据序列对应的数据代替图像数据,根据图像分割原理对所述分解数据序列进行数据分割。具体的,所述大津(Otsu)多阈值分割,其原理基于灰度直方图和类间方差最大化。该方法的步骤如下:1. 计算图像的灰度直方图:统计图像中每个灰度级别的像素数量。2. 计算各个灰度级别的归一化概率分布:将灰度直方图中每个灰度级别的像素数量除以总像素数,得到每个灰度级别的出现概率。3. 计算累积概率分布:从灰度级别0开始,计算每个灰度级别的概率分布的累积和。4. 计算全局平均灰度值:将每个灰度级别乘以其对应的灰度值,然后将所有乘积相加,得到全局平均灰度值。5. 计算类间方差:对于每个灰度级别,计算其对应的类间方差,即将灰度级别分为两个类别的方差之和。方差越大,表示两个类别之间的差异越大。6. 遍历所有灰度级别,找到使类间方差最大的阈值:通过遍历所有可能的阈值,找到使类间方差最大的阈值。这个阈值将图像分为两个类别,一个类别包含低于阈值的像素,另一个类别包含高于阈值的像素。7.应用阈值:将图像中的每个像素与阈值进行比较,低于阈值的像素分配给一个类别,高于阈值的像素分配给另一个类别。通过使用大津多阈值分割方法,可以有效地将图像分割为多个类别,从而便于后续的图像处理和分析。
S102、基于预设数量的划分时间节点的时间排序将每种分解数据序列对应划分为多个数据区间,以根据多个数据区间确认预设数量的数据关联组。
其中,所述多个数据区间,是指预设数量的划分时间节点将每个分解数据序列进行划分得到的数据片段,不同的分解数据序列相对应的数据区间长度相同,举个例子,所述预设数量的划分时间节点将氧气分解数据序列划分成第一氧气数据区间、第二氧气数据区间以及第三氧气数据区间,所述预设数量的划分时间节点将氮气分解数据序列划分成第一氮气数据区间、第二氮气数据区间以及第三氮气数据区间,则所述第一氧气数据区间与第一氮气数据区间的区间长度相同,第二氧气数据区间与第二氮气数据区间的区间长度相同,第三氧气数据区间与第三氮气数据区间的区间长度相同。所述数据关联组,是由每种分解数据序列对应的数据区间构成,参照上述例子,则所述数据关联组为第一数据关联组、第二数据关联组以及第三数据关联组,其中,所述第一数据关联组包括第一氧气数据区间与第一氮气数据区间,所述第二数据关联组包括第二氧气数据区间与第二氮气数据区间,所述第三数据关联组包括第三氧气数据区间与第三氮气数据区间。
S103、基于所述预设数量的数据关联组,构建与所述预设数量的数据关联组分别对应的图结构。
其中,与所述预设数量的数据关联组分别对应的图结构,是指根据每个数据关联组的内部数据关系构建的数据结构。图结构,是一种用于表示对象之间关系的数据结构,它由一组节点和连接这些节点的边组成。节点表示对象,边表示对象之间的关系。图结构可以用来描述各种复杂的关系,如社交网络中的用户之间的关注关系、道路网络中的交通路线、电子电路中的元件连接等。在本实施例中的图结构,是用于描述数据关联组中不同预设数量的分解数据序列之间的连接关系。图结构可以是有向的(边有方向)或无向的(边没有方向),可以是带权重的(边有权重)或无权重的(边没有权重)。图结构可以使用不同的数据结构来实现,如邻接矩阵、邻接表、关联矩阵等。每种实现方式都有其优缺点,适用于不同的应用场景,本实施例中可根据实际应用场景自由选择,本案不做进一步限定。换句话说,与所述预设数量的数据关联组分别对应的图结构,是一种用于表示不同预设数量的分解数据序列之间关系的数据结构,由节点和边组成。
S104、通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,确认预设数量的分解数据序列的阶段数量。
其中,所述预设数量的分解数据序列的阶段数量,是指N2O分解过程中对应的反应阶段数量,不同的反应阶段反应出不同的物质成分。所述预设聚类方法可以是格里-纽曼算法,将格里-纽曼算法作为聚类算法结合使用,是将图中的社区划分应用于数据点的聚类。这可以通过以下步骤完成:
1.构建相似度图:根据数据点之间的相似性,构建一个无向加权图。可以使用各种相似性度量,如欧氏距离、余弦相似度等。
2.应用格里-纽曼算法:将相似度图作为输入,应用格里-纽曼算法来识别图中的社区结构。这将导致图中的节点被划分为不同的社区。
3聚类:将同一个社区中的节点视为同一类,即将属于同一个社区的数据点聚类在一起。可以使用各种聚类算法,如K均值聚类、层次聚类等,来对社区中的节点进行聚类。
需要注意的是,将格里-纽曼算法用于聚类的效果取决于数据点之间的相似度计算和图的构建方式。因此,在应用格里-纽曼算法进行聚类之前,需要仔细选择合适的相似度度量和图构建方法,以确保得到有效的聚类结果。
S105、基于所述阶段数量将预设数量的分解数据序列进行阶段划分,以对所述分解数据序列进行分阶段分析与监测。
其中,在得到预设数量的阶段数量之后,根据对应的时间点,将所述预设数量的分解数据序列进行不同阶段的划分,以得到多个不同阶段对应的数据,再依据不同阶段对应的数据进行分析与监测,以实现对所述N2O分解过程的分阶段分析与监测。
本申请实施例先根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,其中,所述预设数量的分解数据序列为N2O分解过程得到的数据序列,然后基于预设数量的划分时间节点的时间排序将每种分解数据序列对应划分为多个数据区间,以根据多个数据区间确认预设数量的数据关联组,再基于所述预设数量的数据关联组,构建与所述预设数量的数据关联组分别对应的图结构,并且通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,确认预设数量的分解数据序列的阶段数量,最后基于所述阶段数量将预设数量的分解数据序列进行阶段划分,以对所述分解数据序列进行分阶段分析与监测。通过对所述预设数量分解数据序列进行多次数据处理,得到相应的图结构,进一步对图结构进行聚类获取的阶段数量进行阶段划分,相对传统通过经验值进行反应阶段划分,提高了反应阶段划分的准确度,进一步提高后续的数据分析与监控的准确性,降低工作成本。
在本申请的一种实施例中,并参阅图2,所述步骤S101:所述根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,具体包括:
S201、通过预设分解算法分别对所述预设数量分解数据序列进行数据分割,确认预设数量的第一分割点。
其中,所述第一分割点,是指预设数量的分解数据序列分别通过预设分解算法对进行数据分割处理得到的数据分割点,用于将分解数据序列分割成多个数据点相近的数据片段。所述预设分解算法可为大津(Otsu)多阈值分割,具体分解过程参照上述实施例的解析说明。需要说明的是,每个分解数据序列均包括预设数量的第一分割点,且不同分解数据序列包括的第一分割点的时刻与位置不一致,因每个分解数据序列第一分割点,是单独对每个分解数据序列进行数据分割得到的,多个分解数据序列的分割互不关联。
S202、根据预设数量的分解数据序列的第一分割点,组建一个多数据序列。
其中,在获取预设数量的分解数据序列的第一分割点之后,将所有的分解数据序列对应的第一分割点按照数据值的大小进行排序,以组建成一个新的数据序列,也即为所述多数据序列。换句话说,所述多数据序列的数据点分别为预设数量的分解数据序列的第一分割点。
S203、通过所述预设分解算法对所述多数据序列进行数据分割,确认预设数量的数据段。
其中,在根据预设数量的分解数据序列的第一分割点,组建成一个多数据序列之后,通过大津(Otsu)多阈值分割对多数据序列进行再一次的数据分割处理,得到第二分割点,相邻两个第一分割点之间的数据片段即为数据段。需要说明是的,所述数据段中包括多个第一分割点,且多个第一分割点可以来自相同的分解数据序列,也可以来自不同的分解数据序列。需要说明的是,所述分解数据序列包括多个第一分割点,每个第一分割点均对应一个时刻。
S204、基于所述预设数量的数据段,确认所述预设数量分解数据序列对应的预设数量的划分时间节点。
其中,在获取到所述多数据序列对应的预设数量的数据段之后,根据预设数量的数据段中每个第一个分割点的时刻值,确认预设数量分解数据序列对应的预设数量的划分时间节点。
具体的,参照附图3,所述基于所述预设数量的数据段,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,具体包括:
S301、将所述数据段中的目标数据点与其他数据点的时间差值作和计算,确认所述目标数据点对应的时间差值之和,其中,所述时间差值是指目标数据点对应的时刻与其他数据点对应的时刻之差的绝对值。
其中,所述数据段中的目标数据点与其他数据点的时间差值,是指目标数据点的时刻与其他数据点的时刻的差值,所述目标数据点对应的时间差值之和即是目标数据点与所有的其他数据点的时间差值之和。
S302、将时间差值之和最小值对应的目标数据点的时刻,作为所述预设数量分解数据序列对应的预设数量的划分时间节点。
其中,在获取到数据段中所有数据点(即第一分割点)对应的时间差值之和之后,将所有的时间差值之和进行排序,以确认时间差值之和最小值。所述时间差值之和最小值对应的目标数据点,即为当前数据段中所有第一分割点对应的时刻的中值。然后将所述时间差值之和最小值对应的目标数据点的时刻,作为所述预设数量分解数据序列对应的预设数量的划分时间节点。
在本申请的一种实施例中,参照附图4,S103、所述基于所述预设数量的数据关联组,构建与所述预设数量的数据关联组分别对应的图结构,具体包括:
S401、基于目标数据关联组对应的划分时间节点,计算目标数据关联组对应的相似度。
其中,所述目标数据关联组对应的相似度,是指目标数据关联组中预设数量的分解数据序列的相似程度,相似度可以用于比较不同数据对象之间的相似性。通常,相似度的度量方法可包括:1、欧氏距离(Euclidean Distance):欧氏距离是最常见的一种相似度度量方法,它衡量了两个数据对象之间在各个维度上的差异。欧氏距离越小,表示两个数据越相似。2、曼哈顿距离(Manhattan Distance):曼哈顿距离是另一种常见的相似度度量方法,它衡量了两个数据对象之间在各个维度上的绝对差异。曼哈顿距离越小,表示两个数据越相似。3、余弦相似度(Cosine Similarity):余弦相似度衡量了两个数据对象之间的夹角余弦值,它忽略了数据的绝对大小,只关注数据之间的方向。余弦相似度越接近1,表示两个数据越相似。4、Jaccard相似度(Jaccard Similarity):Jaccard相似度主要用于比较集合数据之间的相似性。它衡量了两个集合的交集与并集之间的比例。Jaccard相似度越大,表示两个集合越相似。除了以上常用的相似度度量方法,还有其他一些特定领域或任务中使用的相似度度量方法,如汉明距离、编辑距离、皮尔逊相关系数等。本案不对哪一种相似度计算进一步限定,可根据具体的应用场景和数据特点选择合适的相似度度量方法。
具体的,所述基于目标数据关联组对应的划分时间节点,计算目标数据关联组对应的相似度,具体包括:
其中,为目标数据关联组对应的相似度,/>为目标数据关联组的左边划分时间节点在对应的数据段中时间的第一方差,/>为目标数据关联组的右边划分时间节点在对应的数据段中时间的第二方差,/>为第一方差/>与第二方差/>的一致性。
需要说明的是,当所述目标数据关联组的左边划分时间节点在对应的数据段中时间的第一方差越小,对应时间点的波动越小,应赋予越大的相似度值;当目标数据关联组的右边划分时间节点在对应的数据段中时间的第二方差/>越小,对应时间点的波动越小,应赋予越大的相似度值。同时,第一方差/>与第二方差/>的一致性/>的计算,是一种常见的统计方法,用于评估一组测量值的一致性或可靠性。方差是衡量数据分散程度的统计指标,通过计算测量值之间的方差可以判断它们的一致性。
S402、将所述目标数据关联组中的数据组作为节点,相邻的数据组对应的DTW距离作为边值,不相邻的数据组对应的DTW距离与相似度乘积作为边值,构建数据关联组对应的图结构,其中,所述数据组为相邻的第一分割点之间的数据序列。
具体的,相邻的数据组对应的DTW距离,是指相邻的数据组之间的相似度的度量指标,所述DTW距离的计算,可以为如下步骤:1、定义两个时间序列:假设有两个时间序列X和Y,其中X有m个元素,Y有n个元素。2、创建一个m×n的矩阵D:该矩阵用于存储每对序列元素之间的距离。3、初始化矩阵D:将矩阵D的所有元素初始化为无穷大。4、计算距离矩阵D:从矩阵D的左上角开始,按照以下步骤逐个计算矩阵D的元素:1)计算两个序列元素之间的距离:对于第i个元素和第j个元素,计算它们之间的距离(可以使用欧氏距离、曼哈顿距离等)。2)更新矩阵D的元素:将第i个元素和第j个元素的距离更新到矩阵D的第i行第j列的位置上。3)更新矩阵D的元素:将第i个元素和第j个元素的距离更新到矩阵D的第i行第j列的位置上。4)更新矩阵D的元素:将第i个元素和第j个元素的距离更新到矩阵D的第i行第j列的位置上。5、计算DTW距离:DTW距离是矩阵D的最后一个元素,即D[m][n]。
需要说明的是,DTW距离的计算过程可以通过动态规划的思想来理解。在计算距离矩阵D时,每个元素D[i][j]表示序列X的前i个元素和序列Y的前j个元素之间的最小距离。通过选择一条路径,使得路径上的元素之和最小,就可以得到最小的DTW距离。
在本申请的一种实施例中,参照附图5,步骤S104、所述通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,确认预设数量的分解数据序列的阶段数量,具体包括:
S501、基于所述预设聚类方法,将所述预设数量的数据关联组对应的图结构转换成子图层,其中,所述子图层包括预设数量的子图。
其中,通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,在聚类过程中,会将预设数量的图结构的部分边进行去除,然后进行聚类得到预设数量的子图层,所述子图层包括预设数量的子图。
S502、基于所述预设数量的子图对应的差异值,计算所述子图层对应的区分度。
其中,在聚类得到预设数量的子图层之后,计算每个子图层包括的两两子图对应的差异值,以根据所述两两子图对应的差异值,进一步计算所述子图层对应的区分度。
具体的,参照附图6,所述基于所述预设数量的子图对应的差异值,计算所述子图层对应的区分度,具体包括:
S601、根据预设数量的子图对应的数据值,计算目标子图与子图层中其他子图的差异值;
S602、将所述目标子图与子图层中其他子图的差异值之和,确认为所述子图层对应的区分度。
其中,在获取到所述预设数量的子图之后,统计所述预设数量的子图的数据值,再通过预设的差异值计算算法计算目标子图与子图层中其他子图的差异值。然后,将子图层中所有子图与子图层中其他子图的差异值做和计算,以作为子图层对应的区分度。
需要说明的是,所述预设的差异值计算算法可以是最大公共子图方法,最大公共子图(Maximum Common Subgraph)是指在两个或多个图之间找到一个具有最大节点数和边数的子图,使得该子图在所有给定的图中都存在。求解最大公共子图的问题是一个NP-hard问题,因此通常采用启发式算法或近似算法来解决。以下是一种常用的启发式算法:1.初始化:将两个输入图的所有节点对作为候选的最大公共子图。2.迭代优化:重复执行以下步骤直到收敛或满足停止条件为止:3.选择一个节点对:从候选的最大公共子图中选择一个节点对。4.扩展节点对:将所选的节点对扩展为更大的节点集合,即将节点对中的节点的邻居节点添加到节点集合中。5.筛选节点集合:根据一些筛选规则,筛选节点集合,去除不满足条件的节点集合。6.更新最大公共子图:如果筛选后的节点集合的节点数和边数大于当前最大公共子图,则更新最大公共子图。7.输出最大公共子图:返回最大公共子图作为输出结果。
S503、比对预设数量的子图层的区分度,确认最大区分度的子图层。
其中,在获取到所述预设数量的子图层的区分度之后,对所有的子图层的区分度进行比对,以确认最大区分度的子图层。
S504、将所述最大区分度的子图层对应的子图数量,确认为预设数量的分解数据序列的阶段数量。
其中,在获取到所述最大区分度的子图层之后,统计所述最大区分度的子图层对应的子图数量,所述子图数量即为反应阶段的阶段数量。
在本申请的一种实施例中,参照附图7,步骤S105、基于所述阶段数量将预设数量的分解数据序列进行阶段划分,以对所述分解数据序列进行分阶段分析与监测,具体包括:
S701、将预设数量的阶段数量按时间顺序进行排序,以对所述分解数据序列进行阶段划分,确认阶段数量个阶段数据;
其中,所述将预设数量的阶段数量按时间顺序进行排序,是指最大区分度的子图层对应的子图具备时间先后顺序,则其对应的子图数量也具备时间顺序,则根据预设数量的阶段数量按时间顺序,对所述分解数据序列进行阶段划分,确认阶段数量个阶段数据。
S702、基于每个阶段数据对应的分解结果与标准变化曲线的比对结果,对所述分解数据序列进行分阶段分析与监测。
其中,在对所述分解数据序列进行阶段划分确认阶段数量个阶段数据之后,分别对每个阶段的阶段数据进行分析得到分解结果,将分解结果与对应的标准变化曲线进行比对,根据两者的相似程度,确认对应的比对结果,以实现对所述分解数据序列进行分阶段分析与监测。
本申请实施例先根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,其中,所述预设数量的分解数据序列为N2O分解过程得到的数据序列,然后基于预设数量的划分时间节点的时间排序将每种分解数据序列对应划分为多个数据区间,以根据多个数据区间确认预设数量的数据关联组,再基于所述预设数量的数据关联组,构建与所述预设数量的数据关联组分别对应的图结构,并且通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,确认预设数量的分解数据序列的阶段数量,最后基于所述阶段数量将预设数量的分解数据序列进行阶段划分,以对所述分解数据序列进行分阶段分析与监测。通过对所述预设数量分解数据序列进行多次数据处理,得到相应的图结构,进一步对图结构进行聚类获取的阶段数量进行阶段划分,相对传统通过经验值进行反应阶段划分,提高了反应阶段划分的准确度,进一步提高后续的数据分析与监控的准确性,降低工作成本。
本申请实施例首先提出一种基于多维数据分析的N2O催化分解监测系统,应用于N2O催化分解分析领域,参考附图8,所述系统包括:
确认模块1,用于根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,其中,所述预设数量的分解数据序列为N2O分解过程得到的数据序列;
划分模块2,用于基于预设数量的划分时间节点的时间排序将每种分解数据序列对应划分为多个数据区间,以根据多个数据区间确认预设数量的数据关联组;
构建模块3,用于基于所述预设数量的数据关联组,构建与所述预设数量的数据关联组分别对应的图结构;
聚类模块4,用于通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,确认预设数量的分解数据序列的阶段数量;
分析模块5,用于基于所述阶段数量将预设数量的分解数据序列进行阶段划分,以对所述分解数据序列进行分阶段分析与监测。
具体的,所述确认模块1,用于根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,其中,所述预设数量的分解数据序列为N2O分解过程得到的数据序列,参考附图9,具体包括:
确认单元11,用于通过预设分解算法分别对所述预设数量分解数据序列进行数据分割,确认预设数量的第一分割点;
组建单元12,用于根据预设数量的分解数据序列的第一分割点,组建一个多数据序列;
分割单元13,用于通过所述预设分解算法对所述多数据序列进行数据分割,确认预设数量的数据段;
划分单元14,用于基于所述预设数量的数据段,确认所述预设数量分解数据序列对应的预设数量的划分时间节点。
具体基于多维数据分析的N2O催化分解监测系统实现过程参照上述基于多维数据分析的N2O催化分解监测方法实施例,本实施例中不再赘述。
本申请实施例系统包括确认模块,用于根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,其中,所述预设数量的分解数据序列为N2O分解过程得到的数据序列;划分模块,用于基于预设数量的划分时间节点的时间排序将每种分解数据序列对应划分为多个数据区间,以根据多个数据区间确认预设数量的数据关联组;构建模块,用于基于所述预设数量的数据关联组,构建与所述预设数量的数据关联组分别对应的图结构;聚类模块,用于通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,确认预设数量的分解数据序列的阶段数量;分析模块,用于基于所述阶段数量将预设数量的分解数据序列进行阶段划分,以对所述分解数据序列进行分阶段分析与监测。通过对所述预设数量分解数据序列进行多次数据处理,得到相应的图结构,进一步对图结构进行聚类获取的阶段数量进行阶段划分,相对传统通过经验值进行反应阶段划分,提高了反应阶段划分的准确度,进一步提高后续的数据分析与监控的准确性,降低工作成本。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将本申请上述的实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。
Claims (10)
1.一种基于多维数据分析的N2O催化分解监测方法,应用于N2O催化分解分析领域,其特征在于,所述方法包括:
根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,其中,所述预设数量的分解数据序列为N2O分解过程得到的数据序列;
基于预设数量的划分时间节点的时间排序将每种分解数据序列对应划分为多个数据区间,以根据多个数据区间确认预设数量的数据关联组;
基于所述预设数量的数据关联组,构建与所述预设数量的数据关联组分别对应的图结构;
通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,确认预设数量的分解数据序列的阶段数量;
基于所述阶段数量将预设数量的分解数据序列进行阶段划分,以对所述分解数据序列进行分阶段分析与监测。
2.根据权利要求1所述的基于多维数据分析的N2O催化分解监测方法,其特征在于,所述根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,具体包括:
通过预设分解算法分别对所述预设数量分解数据序列进行数据分割,确认预设数量的第一分割点;
根据预设数量的分解数据序列的第一分割点,组建一个多数据序列;
通过所述预设分解算法对所述多数据序列进行数据分割,确认预设数量的数据段;
基于所述预设数量的数据段,确认所述预设数量分解数据序列对应的预设数量的划分时间节点。
3.根据权利要求2所述的基于多维数据分析的N2O催化分解监测方法,其特征在于,所述基于所述预设数量的数据段,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,具体包括:
将所述数据段中的目标数据点与其他数据点的时间差值作和计算,确认所述目标数据点对应的时间差值之和,其中,所述时间差值是指目标数据点对应的时刻与其他数据点对应的时刻之差的绝对值;
将时间差值之和最小值对应的目标数据点的时刻,作为所述预设数量分解数据序列对应的预设数量的划分时间节点。
4.根据权利要求3所述的基于多维数据分析的N2O催化分解监测方法,其特征在于,所述基于所述预设数量的数据关联组,构建与所述预设数量的数据关联组分别对应的图结构,具体包括:
基于目标数据关联组对应的划分时间节点,计算目标数据关联组对应的相似度;
将所述目标数据关联组中的数据组作为节点,相邻的数据组对应的DTW距离作为边值,不相邻的数据组对应的DTW距离与相似度乘积作为边值,构建数据关联组对应的图结构,其中,所述数据组为相邻的第一分割点之间的数据序列。
5.根据权利要求4所述的基于多维数据分析的N2O催化分解监测方法,其特征在于,所述基于目标数据关联组对应的划分时间节点,计算目标数据关联组对应的相似度,具体包括:
其中,为目标数据关联组对应的相似度,/>为目标数据关联组的左边划分时间节点在对应的数据段中时间的第一方差,/>为目标数据关联组的右边划分时间节点在对应的数据段中时间的第二方差,/>为第一方差/>与第二方差/>的一致性。
6.根据权利要求5所述的基于多维数据分析的N2O催化分解监测方法,其特征在于,所述通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,确认预设数量的分解数据序列的阶段数量,具体包括:
基于所述预设聚类方法,将所述预设数量的数据关联组对应的图结构转换成子图层,其中,所述子图层包括预设数量的子图;
基于所述预设数量的子图对应的差异值,计算所述子图层对应的区分度;
比对预设数量的子图层的区分度,确认最大区分度的子图层;
将所述最大区分度的子图层对应的子图数量,确认为预设数量的分解数据序列的阶段数量。
7.根据权利要求6所述的基于多维数据分析的N2O催化分解监测方法,其特征在于,所述基于所述预设数量的子图对应的差异值,计算所述子图层对应的区分度,具体包括:
根据预设数量的子图对应的数据值,计算目标子图与子图层中其他子图的差异值;
将所述目标子图与子图层中其他子图的差异值之和,确认为所述子图层对应的区分度。
8.根据权利要求7所述的基于多维数据分析的N2O催化分解监测方法,其特征在于,基于所述阶段数量将预设数量的分解数据序列进行阶段划分,以对所述分解数据序列进行分阶段分析与监测,具体包括:
将预设数量的阶段数量按时间顺序进行排序,以对所述分解数据序列进行阶段划分,确认阶段数量个阶段数据;
基于每个阶段数据对应的分解结果与标准变化曲线的比对结果,对所述分解数据序列进行分阶段分析与监测。
9.一种基于多维数据分析的N2O催化分解监测系统,应用于N2O催化分解分析领域,其特征在于,所述系统包括:
确认模块,用于根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,其中,所述预设数量的分解数据序列为N2O分解过程得到的数据序列;
划分模块,用于基于预设数量的划分时间节点的时间排序将每种分解数据序列对应划分为多个数据区间,以根据多个数据区间确认预设数量的数据关联组;
构建模块,用于基于所述预设数量的数据关联组,构建与所述预设数量的数据关联组分别对应的图结构;
聚类模块,用于通过预设聚类方法对所述预设数量的数据关联组对应的图结构进行聚类,确认预设数量的分解数据序列的阶段数量;
分析模块,用于基于所述阶段数量将预设数量的分解数据序列进行阶段划分,以对所述分解数据序列进行分阶段分析与监测。
10.根据权利要求9所述的基于多维数据分析的N2O催化分解监测系统,其特征在于,所述确认模块,用于根据预设数量的分解数据序列的第一分割点,确认所述预设数量分解数据序列对应的预设数量的划分时间节点,其中,所述预设数量的分解数据序列为N2O分解过程得到的数据序列,具体包括:
确认单元,用于通过预设分解算法分别对所述预设数量分解数据序列进行数据分割,确认预设数量的第一分割点;
组建单元,用于根据预设数量的分解数据序列的第一分割点,组建一个多数据序列;
分割单元,用于通过所述预设分解算法对所述多数据序列进行数据分割,确认预设数量的数据段;
划分单元,用于基于所述预设数量的数据段,确认所述预设数量分解数据序列对应的预设数量的划分时间节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988003.XA CN116705180B (zh) | 2023-08-08 | 2023-08-08 | 基于多维数据分析的n2o催化分解监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988003.XA CN116705180B (zh) | 2023-08-08 | 2023-08-08 | 基于多维数据分析的n2o催化分解监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116705180A true CN116705180A (zh) | 2023-09-05 |
CN116705180B CN116705180B (zh) | 2023-10-31 |
Family
ID=87834291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310988003.XA Active CN116705180B (zh) | 2023-08-08 | 2023-08-08 | 基于多维数据分析的n2o催化分解监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116705180B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182382A (zh) * | 2017-12-06 | 2018-06-19 | 东南大学 | 基于图相似的行为识别方法及系统 |
CN110197211A (zh) * | 2019-05-17 | 2019-09-03 | 河海大学 | 一种面向大坝安全监测数据的相似性数据聚类方法 |
WO2020125716A1 (zh) * | 2018-12-21 | 2020-06-25 | 中兴通讯股份有限公司 | 一种实现网络优化的方法及相关设备 |
CN111510792A (zh) * | 2020-05-22 | 2020-08-07 | 山东师范大学 | 基于自适应加权图差异分析的视频摘要生成方法及系统 |
CN111709102A (zh) * | 2020-04-28 | 2020-09-25 | 武汉众智鸿图科技有限公司 | 一种基于层次聚类的供水管网分区方法 |
CN113870903A (zh) * | 2021-09-28 | 2021-12-31 | 平安科技(深圳)有限公司 | 病理语音的识别方法、装置、设备及存储介质 |
CN114722551A (zh) * | 2022-05-23 | 2022-07-08 | 北京航空航天大学 | 一种恶劣天气下空域网络容量预测方法 |
CN115696690A (zh) * | 2022-12-12 | 2023-02-03 | 保定思齐智科信息科技有限公司 | 一种分布式智慧建筑照明自适应节能控制方法 |
CN115955323A (zh) * | 2021-10-09 | 2023-04-11 | 中国移动通信集团贵州有限公司 | 一种网络安全态势感知方法、装置及电子设备 |
CN116228776A (zh) * | 2023-05-10 | 2023-06-06 | 威海职业学院(威海市技术学院) | 一种机电设备焊接缺陷识别方法及系统 |
CN116502169A (zh) * | 2023-06-28 | 2023-07-28 | 深圳特力自动化工程有限公司 | 一种基于数据检测的离心脱水机工作状态检测方法 |
CN116539167A (zh) * | 2023-07-04 | 2023-08-04 | 陕西威思曼高压电源股份有限公司 | 一种高压电源工作温度分布数据分析方法 |
-
2023
- 2023-08-08 CN CN202310988003.XA patent/CN116705180B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182382A (zh) * | 2017-12-06 | 2018-06-19 | 东南大学 | 基于图相似的行为识别方法及系统 |
WO2020125716A1 (zh) * | 2018-12-21 | 2020-06-25 | 中兴通讯股份有限公司 | 一种实现网络优化的方法及相关设备 |
CN110197211A (zh) * | 2019-05-17 | 2019-09-03 | 河海大学 | 一种面向大坝安全监测数据的相似性数据聚类方法 |
CN111709102A (zh) * | 2020-04-28 | 2020-09-25 | 武汉众智鸿图科技有限公司 | 一种基于层次聚类的供水管网分区方法 |
CN111510792A (zh) * | 2020-05-22 | 2020-08-07 | 山东师范大学 | 基于自适应加权图差异分析的视频摘要生成方法及系统 |
CN113870903A (zh) * | 2021-09-28 | 2021-12-31 | 平安科技(深圳)有限公司 | 病理语音的识别方法、装置、设备及存储介质 |
CN115955323A (zh) * | 2021-10-09 | 2023-04-11 | 中国移动通信集团贵州有限公司 | 一种网络安全态势感知方法、装置及电子设备 |
CN114722551A (zh) * | 2022-05-23 | 2022-07-08 | 北京航空航天大学 | 一种恶劣天气下空域网络容量预测方法 |
CN115696690A (zh) * | 2022-12-12 | 2023-02-03 | 保定思齐智科信息科技有限公司 | 一种分布式智慧建筑照明自适应节能控制方法 |
CN116228776A (zh) * | 2023-05-10 | 2023-06-06 | 威海职业学院(威海市技术学院) | 一种机电设备焊接缺陷识别方法及系统 |
CN116502169A (zh) * | 2023-06-28 | 2023-07-28 | 深圳特力自动化工程有限公司 | 一种基于数据检测的离心脱水机工作状态检测方法 |
CN116539167A (zh) * | 2023-07-04 | 2023-08-04 | 陕西威思曼高压电源股份有限公司 | 一种高压电源工作温度分布数据分析方法 |
Non-Patent Citations (3)
Title |
---|
LI CHENGL等: "Graph Regularized Weighted Low-Rank Representation for Image Clustering", IEEE * |
周志光;胡迪欣;刘亚楠;陈伟锋;陶煜波;林海;苏为华;: "面向空气质量监测数据时空多维属性的可视分析方法", 计算机辅助设计与图形学学报, no. 08 * |
杨方方;陈秀宏;: "最小加权熵支撑树图像边缘提取方法", 计算机工程与应用, no. 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN116705180B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gorban et al. | Principal manifolds and graphs in practice: from molecular biology to dynamical systems | |
Zorzi et al. | Polyworld: Polygonal building extraction with graph neural networks in satellite images | |
Tong et al. | A linear road object matching method for conflation based on optimization and logistic regression | |
US9323779B2 (en) | Reverse geocoding system using combined street segment and point datasets | |
Limketkai et al. | Relational object maps for mobile robots | |
CN110795467B (zh) | 交通规则数据处理方法、装置、存储介质和计算机设备 | |
Bonnet et al. | Necessary optimality conditions for optimal control problems in Wasserstein spaces | |
CN107679558A (zh) | 一种基于度量学习的用户轨迹相似性度量方法 | |
CN116539167B (zh) | 一种高压电源工作温度分布数据分析方法 | |
CN111209457B (zh) | 一种目标典型活动模式偏离告警方法 | |
CN113722409A (zh) | 空间关系的确定方法、装置、计算机设备及存储介质 | |
Kiefer et al. | Distinguishing hidden Markov chains | |
CN116705180B (zh) | 基于多维数据分析的n2o催化分解监测方法及系统 | |
Ding et al. | Transitive closure and metric inequality of weighted graphs: detecting protein interaction modules using cliques | |
Shigezumi et al. | A fast algorithm for matching planar maps with minimum Fréchet distances | |
Hurtado et al. | Separability by two lines and by nearly straight polygonal chains | |
CN111144612B (zh) | 一种加油站位置点预测方法、装置、存储介质及终端 | |
Chanchary et al. | Time Windowed Data Structures for Graphs. | |
Morvan et al. | Graph sketching-based space-efficient data clustering | |
Moreno-García et al. | Correspondence edit distance to obtain a set of weighted means of graph correspondences | |
Zhang et al. | Online vehicle trajectory compression algorithm based on motion pattern recognition | |
Yamazaki et al. | Newton diagram and stochastic complexity in mixture of binomial distributions | |
S. de Sousa et al. | A cluster-based framework for predicting large scale road-network constrained trajectories | |
Chanchary | Time Windowed Data Structures | |
Jiang et al. | Time synchronized velocity error for trajectory compression |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Monitoring method and system for N2O catalytic decomposition based on multidimensional data analysis Granted publication date: 20231031 Pledgee: Qilu bank Limited by Share Ltd. Ji'nan Shun Hua North Road subbranch Pledgor: SHANDONG BEIGUO DEVELOPMENT GROUP CO.,LTD. Registration number: Y2024370000010 |