CN116842328A - 基于人工智能决策的大数据采集及去噪方法及系统 - Google Patents
基于人工智能决策的大数据采集及去噪方法及系统 Download PDFInfo
- Publication number
- CN116842328A CN116842328A CN202310805739.9A CN202310805739A CN116842328A CN 116842328 A CN116842328 A CN 116842328A CN 202310805739 A CN202310805739 A CN 202310805739A CN 116842328 A CN116842328 A CN 116842328A
- Authority
- CN
- China
- Prior art keywords
- data
- acquisition
- noise
- acquired
- coefficient
- 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.)
- Withdrawn
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000009466 transformation Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000013501 data transformation Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及数据处理技术，揭露了一种基于人工智能决策的大数据采集及去噪方法及系统，其中，所述方法包括：获取待处理数据，对待处理数据进行数据变换，得到变换数据，获取变换数据的采集时间及资源占用率，并根据采集时间及资源占用率设定判定规则；根据判定规则对变换数据进行筛选，得到采集数据，并根据采集时间及采集数据建立采集直方图；基于采集直方图计算采集数据的噪声波动系数，并根据噪声波动系数确定噪声阈值；根据噪声阈值对采集数据进行剔除处理，得到剩余数据，计算剩余数据的质量系数及误差系数，并根据质量系数及误差系数从剩余数据中选取标准数据。本发明可以提高大数据采集的效率及大数据去噪的效率。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于人工智能决策的大数据采集及去噪方法及系统。
背景技术
随着大数据技术的日渐成熟，大数据计算与分析、人工智能、深度学习等先进技术取得了实质性的进步，围绕大数据的应用也呈现出了多种多样的特点，使得大数据的流转更加错综复杂，从而导致大数据暴露出较大的受攻击面，同时，大数据在全生命周期过程中呈现出了类型动态化、等级多样化、权属复杂化、使用实时化等特点，导致大数据分散、不易集成，从而使得大数据采集的效率较低。
进一步地，随着科技的不断发展，监测仪器的精度和广度不断提升，大数据中不可避免的存在一定的噪声干扰，如果无法有效识别和去除噪声干扰，则会影响到后续的数据处理和损伤识别精度。在传统的大数据去噪方法中存在以下几个问题：一是大数据对应的有效信号损伤，导致大数据去噪效率较低；二是数据参数较为复杂，导致参数受限且不易于调整，从而使得大数据的去噪效率较低。综上所述，现存技术中存在大数据采集的效率及大数据去噪的效率较低的问题。
发明内容
本发明提供一种基于人工智能决策的大数据采集及去噪方法及系统，其主要目的在于解决大数据采集的效率及大数据去噪的效率较低的问题。
为实现上述目的，本发明提供的一种基于人工智能决策的大数据采集及去噪方法，包括：
获取待处理数据，对所述待处理数据进行数据变换，得到变换数据，获取所述变换数据的采集时间及资源占用率，并根据所述采集时间及所述资源占用率设定判定规则；
根据所述判定规则对所述变换数据进行筛选，得到采集数据，并根据所述采集时间及所述采集数据建立采集直方图；
基于所述采集直方图计算所述采集数据的噪声波动系数，并根据所述噪声波动系数确定噪声阈值；
根据所述噪声阈值对所述采集数据进行剔除处理，得到剩余数据，计算所述剩余数据的质量系数及误差系数，并根据所述质量系数及所述误差系数从所述剩余数据中选取标准数据。
可选地，所述对所述待处理数据进行数据变换，得到变换数据，包括：
对所述待处理数据进行降维处理，得到降维数据；
计算所述降维数据的均值及标准差；
利用下述公式计算所述降维数据的均值及标准差：
其中，μ表示所述均值，σ表示所述标准差，xa表示第a个降维数据，A表示所述降维数据的总数；
利用预设的均值标准化方法根据所述均值及所述标准差对所述降维数据进行标准化处理，得到变换数据；
所述均值标准化方法表示为：
其中，ba表示第a个降维数据对应的变换数据，xa表示第a个降维数据，μ表示所述均值，σ表示所述标准差。
可选地，所述根据所述采集时间及所述采集数据建立采集直方图，包括：
统计多个所述采集时间的时间总长度，对所述时间总长度进行划分，得到时间窗；
根据所述时间窗对多个所述采集数据进行区间划分，得到数据区间；
对所述数据区间中所述采集数据的数量进行统计，得到采集数量；
将所述时间窗作为横轴参数并将所述采集数量作为纵轴参数建立采集直方图。
可选地，所述基于所述采集直方图计算所述采集数据的噪声波动系数，包括：
计算所述采集直方图中所述采集数量对应的采集数据的第一数据均值；
利用下述公式计算第一数据均值：
其中，表示第e个第一数据均值，Xn表示所述采集数量对应的第n个采集数据，N表示所述采集数量对应的采集数据的总数；
对所有所述第一数据均值进行均值计算，得到第二数据均值；
根据所述第一数据均值及所述第二数据均值计算数据方差；
利用下述公式计算数据方差：
其中，D表示所述数据方差，表示第e个第一数据均值，/>表示所述第二数据均值，E表示所述第一数据均值的总数；
根据所述数据方差及所述采集直方图中的时间窗进行拟合，得到拟合函数，根据所述拟合函数确定所述采集数据的噪声波动系数；
所述拟合函数表示为：
lgD＝d·lgF+l
其中，D表示所述数据方差，F表示所述时间窗的窗口数量，d表示预设的第一计算参数，l表示预设的第二计算参数。
可选地，所述根据所述噪声波动系数确定噪声阈值，包括：
判断所述噪声波动系数是否大于预设的波动系数；
当所述噪声波动系数大于所述波动系数时，获取所述噪声波动系数在所述采集直方图中采集数据对应的噪声值，计算多个所述噪声值的噪声均值，将所述噪声均值作为噪声阈值；
当所述噪声波动系数小于或等于所述波动系数时，获取所述噪声波动系数在所述采集直方图中采集数据对应的噪声值，将所述噪声值中的最大值作为噪声阈值。
可选地，所述根据所述噪声阈值对所述采集数据进行剔除处理，得到剩余数据，包括：
获取所述采集数据的噪声值，判断所述噪声值是否小于所述噪声阈值；
当所述噪声值大于或等于所述噪声阈值时，对所述噪声值对应的采集数据进行中值滤波处理，将处理后的采集数据作为剩余数据；
当所述噪声值小于所述噪声阈值时，将所述噪声值对应的采集数据作为剩余数据。
可选地，所述计算所述剩余数据的质量系数及误差系数，包括：
利用下述公式计算质量系数及误差系数：
其中，Q表示所述质量系数，K表示所述误差系数，s0(i)表示第i个采集数据，s1(i)表示第i个采集数据对应的剩余数据，I表示所述采集数据的总数。
可选地，所述根据所述质量系数及所述误差系数从所述剩余数据中选取标准数据，包括：
根据所述质量系数及所述误差系数分别对所述剩余数据进行排序，得到第一数据序列及第二数据序列；
提取所述第一数据序列中第一标准序列对应的剩余数据作为初始标准数据，并判断所述初始标准数据是否在所述第二数据序列对应的第二标准序列中；
当所述初始标准数据未在所述第二标准序列中时，对所述初始标准数据进行剔除处理；
当所述初始标准数据在所述第二标准序列中时，将所述初始标准数据作为标准数据。
可选地，所述根据所述采集时间及所述资源占用率设定判定规则，包括：
设置所述采集时间对应的时间间隔及所述资源占用率对应的资源占用阈值；
将所述资源占用率大于所述资源占用阈值作为第一判定规则，并将所述采集时间大于所述时间间隔作为第二判定规则；
对所述第一判定规则及所述第二判定规则进行汇总，得到判定规则。
为了解决上述问题，本发明还提供一种基于人工智能决策的大数据采集及去噪系统，所述系统包括：
判定规则设定模块，用于获取待处理数据，对所述待处理数据进行数据变换，得到变换数据，获取所述变换数据的采集时间及资源占用率，并根据所述采集时间及所述资源占用率设定判定规则；
采集直方图建立模块，用于根据所述判定规则对所述变换数据进行筛选，得到采集数据，并根据所述采集时间及所述采集数据建立采集直方图；
噪声阈值确定模块，用于基于所述采集直方图计算所述采集数据的噪声波动系数，并根据所述噪声波动系数确定噪声阈值；
标准数据选取模块，用于根据所述噪声阈值对所述采集数据进行剔除处理，得到剩余数据，计算所述剩余数据的质量系数及误差系数，并根据所述质量系数及所述误差系数从所述剩余数据中选取标准数据。
本发明实施例通过对待处理数据进行数据变换，能够准确得到变换数据；通过采集时间及资源占用率设定判定规则，从而加快计算机处理效率；通过判定规则对变换数据进行筛选，能够提高采集数据的准确性及数据采集的效率；通过采集时间及采集数据准确的建立采集直方图，提高了数据分析的效率；通过采集直方图计算采集数据的噪声波动系数，并根据噪声波动系数确定噪声阈值，可以提高大数据的去噪效率；通过噪声阈值对采集数据进行剔除处理，使得到的剩余数据更加准确，从而能够准确计算剩余数据的质量系数及误差系数；通过质量系数及误差系数从剩余数据中选取标准数据，能够减少参数限制且易于调整，提高大数据去噪效率。因此本发明提出的基于人工智能决策的大数据采集及去噪方法及系统，可以解决大数据采集的效率及大数据去噪的效率较低的问题。
附图说明
图1为本发明一实施例提供的基于人工智能决策的大数据采集及去噪方法的流程示意图；
图2为本发明一实施例提供的对待处理数据进行数据变换，得到变换数据的流程示意图；
图3为本发明一实施例提供的根据采集时间及资源占用率设定判定规则的流程示意图；
图4为本发明一实施例提供的基于人工智能决策的大数据采集及去噪系统的功能模块图；
图5为本发明一实施例提供的实现所述基于人工智能决策的大数据采集及去噪方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于人工智能决策的大数据采集及去噪方法。所述基于人工智能决策的大数据采集及去噪方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于人工智能决策的大数据采集及去噪方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于人工智能决策的大数据采集及去噪方法的流程示意图。在本实施例中，所述基于人工智能决策的大数据采集及去噪方法包括：
S1、获取待处理数据，对所述待处理数据进行数据变换，得到变换数据，获取所述变换数据的采集时间及资源占用率，并根据所述采集时间及所述资源占用率设定判定规则。
本发明实施例中，所述待处理数据指的是无法在一定时间内用常规软件工具对数据内容进行抓取、管理和处理的数据集合，其中，所述待处理数据包括结构化数据、半结构化数据以及非结构化数据。
请参阅图2所示，本发明实施例中，所述对所述待处理数据进行数据变换，得到变换数据，包括：
S21、对所述待处理数据进行降维处理，得到降维数据；
S22、计算所述降维数据的均值及标准差；
S23、利用预设的均值标准化方法根据所述均值及所述标准差对所述降维数据进行标准化处理，得到变换数据。
本发明实施例中，可以采用PCA(主成分分析)方法对所述待处理数据进行降维处理，能够获得较小的数据集，并保证所述待处理数据的完整性，从而加快计算机处理效率。
本发明实施例中，利用下述公式计算所述降维数据的均值及标准差：
其中，μ表示所述均值，σ表示所述标准差，xa表示第a个降维数据，A表示所述降维数据的总数。
本发明实施例中，所述均值标准化方法表示为：
其中，ba表示第a个降维数据对应的变换数据，xa表示第a个降维数据，μ表示所述均值，σ表示所述标准差。
本发明实施例中，所述采集时间指的是获取所述变换数据所需要的时间长度；所述资源占用率指的是所述变换数据在内存中的占用比例。
请参阅图3所示，本发明实施例中，所述根据所述采集时间及所述资源占用率设定判定规则，包括：
S31、设置所述采集时间对应的时间间隔及所述资源占用率对应的资源占用阈值；
S32、将所述资源占用率大于所述资源占用阈值作为第一判定规则，并将所述采集时间大于所述时间间隔作为第二判定规则；
S33、对所述第一判定规则及所述第二判定规则进行汇总，得到判定规则。
本发明实施例中，分别根据多个所述采集时间及多个所述资源占用率计算时间均值及占用率均值，将所述时间均值作为时间间隔并将所述占用率均值作为资源占用阈值；对所述第一判定规则及所述第二判定规则进行汇总指的是先判断第一判定规则，若第一判定规则成立，则判定成立；若第一判定规则不成立，则判断第二判定规则，若第二判定规则成立，则判定成立；若第二判定规则不成立，则判定不成立，将上述规则作为判定规则。
本发明实施例中，根据采集时间及资源占用率设定判定规则，能够提高数据采集的效率，并进一步减小对系统内存的占用率，对数据采集的整体过程进行了优化提升。
S2、根据所述判定规则对所述变换数据进行筛选，得到采集数据，并根据所述采集时间及所述采集数据建立采集直方图。
本发明实施例中，根据所述判定规则对所述变换数据进行筛选指的是判断所述变换数据是否满足所述判定规则，即所述变换数据满足第一判定规则或满足第二判定规则；当所述变换数据不满足所述判定规则时，表示所述变换数据不在要求范围内，则对所述变换数据进行删减；当所述变换数据满足所述判定规则时，表示所述变换数据在要求范围内，将所述变换数据作为采集数据。
本发明实施例中，所述根据所述采集时间及所述采集数据建立采集直方图，包括：
统计多个所述采集时间的时间总长度，对所述时间总长度进行划分，得到时间窗；
根据所述时间窗对多个所述采集数据进行区间划分，得到数据区间；
对所述数据区间中所述采集数据的数量进行统计，得到采集数量；
将所述时间窗作为横轴参数并将所述采集数量作为纵轴参数建立采集直方图。
本发明实施例中，对多个所述采集时间进行加和计算，得到时间总长度；预先设定划分数量，根据所述划分数量将所述时间总长度进行等份划分，得到多个时间长度相等的时间窗；将所述时间窗内采集的采集数据划分至一个数据区间内，得到多个数据区间；采用分组统计法统计所述数据区间内采集数据的数量，得到采集数量；按照时间窗的时间先后顺序对所述时间窗进行排序，得到时间序列，根据所述时间序列将所述时间窗作为横轴参数并将所述采集数量作为纵轴参数建立采集直方图。
本发明实施例中，根据判定规则对变换数据进行筛选，能够减少分析的数据量，使得到采集数据更加准确；根据采集时间及采集数据建立采集直方图，能够提高数据分析效率。
S3、基于所述采集直方图计算所述采集数据的噪声波动系数，并根据所述噪声波动系数确定噪声阈值。
本发明实施例中，所述基于所述采集直方图计算所述采集数据的噪声波动系数，包括：
计算所述采集直方图中所述采集数量对应的采集数据的第一数据均值；
对所有所述第一数据均值进行均值计算，得到第二数据均值；
根据所述第一数据均值及所述第二数据均值计算数据方差；
根据所述数据方差及所述采集直方图中的时间窗进行拟合，得到拟合函数，根据所述拟合函数确定所述采集数据的噪声波动系数。
本发明实施例中，利用下述公式计算第一数据均值：
其中，表示第e个第一数据均值，Xn表示所述采集数量对应的第n个采集数据，N表示所述采集数量对应的采集数据的总数。
本发明实施例中，利用下述公式计算数据方差：
其中，D表示所述数据方差，表示第e个第一数据均值，/>表示所述第二数据均值，E表示所述第一数据均值的总数。
本发明实施例中，所述拟合函数表示为：
lgD＝d·lgF+l
其中，D表示所述数据方差，F表示所述时间窗的窗口数量，d表示预设的第一计算参数，l表示预设的第二计算参数。
本发明实施例中，所述采集直方图中的时间窗对应的窗口数量与所述第一数据均值的总数是相等的；根据所述拟合函数确定所述采集数据的噪声波动系数指的是所述拟合函数对应的斜率即所述第一计算参数为所述噪声波动系数。
本发明实施例中，所述根据所述噪声波动系数确定噪声阈值，包括：
判断所述噪声波动系数是否大于预设的波动系数；
当所述噪声波动系数大于所述波动系数时，获取所述噪声波动系数在所述采集直方图中采集数据对应的噪声值，计算多个所述噪声值的噪声均值，将所述噪声均值作为噪声阈值；
当所述噪声波动系数小于或等于所述波动系数时，获取所述噪声波动系数在所述采集直方图中采集数据对应的噪声值，将所述噪声值中的最大值作为噪声阈值。
本发明实施例中，所述波动系数指的是预先设定的标准噪声波动系数，判断所述噪声波动系数是否大于预设的波动系数，例如，预先设定所述波动系数为0.5，当所述噪声波动系数大于0.5时，表示所述采集数据对应的噪声值较大，需要对所述采集数据中较为明显的噪声进行去噪处理，因此，采用预设的基于Laplace的差分隐私机制获取所有所述采集数据对应的噪声值，利用四则运算的方式计算所有所述噪声值对应的噪声均值，并将所述噪声均值作为噪声阈值；当所述噪声波动系数小于或等于所述波动系数时，表示所述采集数据对应的噪声值较小，因此所述噪声阈值可以设置为所述噪声值中的最大值。
本发明实施例中，基于采集直方图能够准确计算采集数据的噪声波动系数，从而提高采集数据的去噪效率。
S4、根据所述噪声阈值对所述采集数据进行剔除处理，得到剩余数据，计算所述剩余数据的质量系数及误差系数，并根据所述质量系数及所述误差系数从所述剩余数据中选取标准数据。
本发明实施例中，所述根据所述噪声阈值对所述采集数据进行剔除处理，得到剩余数据，包括：
获取所述采集数据的噪声值，判断所述噪声值是否小于所述噪声阈值；
当所述噪声值大于或等于所述噪声阈值时，对所述噪声值对应的采集数据进行中值滤波处理，将处理后的采集数据作为剩余数据；
当所述噪声值小于所述噪声阈值时，将所述噪声值对应的采集数据作为剩余数据。
本发明实施例中，所述噪声值指的是所述采集数据中存在着一个或多个错误的或者偏离期望的值；当所述噪声值大于或等于所述噪声阈值时，表示所述噪声值对应的采集数据出现异常，此时可以将所述采集数据对应的噪声值利用低于所述噪声阈值的采集数据对应的噪声值进行替换，将处理后的所述采集数据作为剩余数据；当所述噪声值小于所述噪声阈值时，表示所述噪声值对应的采集数据为正常数据，不需要进行去噪处理，此时可以将所述噪声值对应的采集数据保留并作为剩余数据。
本发明实施例中，所述计算所述剩余数据的质量系数及误差系数，包括：
利用下述公式计算质量系数及误差系数：
其中，Q表示所述质量系数，K表示所述误差系数，s0(i)表示第i个采集数据，s1(i)表示第i个采集数据对应的剩余数据，I表示所述采集数据的总数。
本发明实施例中，所述质量系数指的是质量因子；所述误差系数指的是均方根误差；所述质量系数及所述误差系数均为评价所述剩余数据的去噪效果优劣的指标。
本发明实施例中，所述根据所述质量系数及所述误差系数从所述剩余数据中选取标准数据，包括：
根据所述质量系数及所述误差系数分别对所述剩余数据进行排序，得到第一数据序列及第二数据序列；
提取所述第一数据序列中第一标准序列对应的剩余数据作为初始标准数据，并判断所述初始标准数据是否在所述第二数据序列对应的第二标准序列中；
当所述初始标准数据未在所述第二标准序列中时，对所述初始标准数据进行剔除处理；
当所述初始标准数据在所述第二标准序列中时，将所述初始标准数据作为标准数据。
本发明实施例中，由于所述质量系数越高，表示所述剩余数据的去噪效果越好，所述误差系数越低，表示所述剩余数据的去噪效果越好；因此，根据所述质量系数对所述剩余数据进行降序排列，得到第一数据序列；根据所述误差系数对所述剩余数据进行升序排列，得到第二数据序列。
本发明实施例中，所述第一标准序列指的是从所述第一数据序列中提取的序列，例如，提取所述第一数据序列中前60％的大小作为第一标准序列，将所述第一标准序列对应的剩余数据作为初始标准数据；所述第二标准序列指的是从所述第二数据序列中提取的序列，例如，可以提取所述第二数据序列的前70％的大小作为所述第二标准序列；当所述初始标准数据未在所述第二标准序列中时，表示所述初始标准数据的去噪效果较差，此时需要对所述初始标准数据进行进一步删减；当所述初始标准数据在所述第二标准序列中时，表示所述初始标准数据的去噪效果较好，此时将所述初始标准数据作为标准数据。
本发明实施例中，根据噪声阈值对采集数据进行剔除处理，能够提高采集数据的去噪效率及效果；根据质量系数及误差系数从剩余数据中选取标准数据，使得到的标准数据更加准确。
本发明实施例通过对待处理数据进行数据变换，能够准确得到变换数据；通过采集时间及资源占用率设定判定规则，从而加快计算机处理效率；通过判定规则对变换数据进行筛选，能够提高采集数据的准确性及数据采集的效率；通过采集时间及采集数据准确的建立采集直方图，提高了数据分析的效率；通过采集直方图计算采集数据的噪声波动系数，并根据噪声波动系数确定噪声阈值，可以提高大数据的去噪效率；通过噪声阈值对采集数据进行剔除处理，使得到的剩余数据更加准确，从而能够准确计算剩余数据的质量系数及误差系数；通过质量系数及误差系数从剩余数据中选取标准数据，能够减少参数限制且易于调整，提高大数据去噪效率。因此本发明提出的基于人工智能决策的大数据采集及去噪方法，可以解决大数据采集的效率及大数据去噪的效率较低的问题。
如图4所示，是本发明一实施例提供的基于人工智能决策的大数据采集及去噪系统的功能模块图。
本发明所述基于人工智能决策的大数据采集及去噪系统400可以安装于电子设备中。根据实现的功能，所述基于人工智能决策的大数据采集及去噪系统400可以包括判定规则设定模块401、采集直方图建立模块402、噪声阈值确定模块403及标准数据选取模块404。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述判定规则设定模块401，用于获取待处理数据，对所述待处理数据进行数据变换，得到变换数据，获取所述变换数据的采集时间及资源占用率，并根据所述采集时间及所述资源占用率设定判定规则；
所述采集直方图建立模块402，用于根据所述判定规则对所述变换数据进行筛选，得到采集数据，并根据所述采集时间及所述采集数据建立采集直方图；
所述噪声阈值确定模块403，用于基于所述采集直方图计算所述采集数据的噪声波动系数，并根据所述噪声波动系数确定噪声阈值；
所述标准数据选取模块404，用于根据所述噪声阈值对所述采集数据进行剔除处理，得到剩余数据，计算所述剩余数据的质量系数及误差系数，并根据所述质量系数及所述误差系数从所述剩余数据中选取标准数据。
详细地，本发明实施例中所述基于人工智能决策的大数据采集及去噪系统400中所述的各模块在使用时采用与附图中所述的基于人工智能决策的大数据采集及去噪方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于人工智能决策的大数据采集及去噪方法的电子设备的结构示意图。
所述电子设备500可以包括处理器501、存储器502、通信总线503以及通信接口504，还可以包括存储在所述存储器502中并可在所述处理器501上运行的计算机程序，如基于人工智能决策的大数据采集及去噪程序。
其中，所述处理器501在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器501是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器502内的程序或者模块(例如执行基于人工智能决策的大数据采集及去噪程序等)，以及调用存储在所述存储器502内的数据，以执行电子设备的各种功能和处理数据。
所述存储器502至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器502在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器502在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器502还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器502不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于人工智能决策的大数据采集及去噪程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线503可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器502以及至少一个处理器501等之间的连接通信。
所述通信接口504用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备500的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器501逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备500中的所述存储器502存储的基于人工智能决策的大数据采集及去噪程序是多个指令的组合，在所述处理器501中运行时，可以实现：
获取待处理数据，对所述待处理数据进行数据变换，得到变换数据，获取所述变换数据的采集时间及资源占用率，并根据所述采集时间及所述资源占用率设定判定规则；
根据所述判定规则对所述变换数据进行筛选，得到采集数据，并根据所述采集时间及所述采集数据建立采集直方图；
基于所述采集直方图计算所述采集数据的噪声波动系数，并根据所述噪声波动系数确定噪声阈值；
根据所述噪声阈值对所述采集数据进行剔除处理，得到剩余数据，计算所述剩余数据的质量系数及误差系数，并根据所述质量系数及所述误差系数从所述剩余数据中选取标准数据。
具体地，所述处理器501对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备500集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待处理数据，对所述待处理数据进行数据变换，得到变换数据，获取所述变换数据的采集时间及资源占用率，并根据所述采集时间及所述资源占用率设定判定规则；
根据所述判定规则对所述变换数据进行筛选，得到采集数据，并根据所述采集时间及所述采集数据建立采集直方图；
基于所述采集直方图计算所述采集数据的噪声波动系数，并根据所述噪声波动系数确定噪声阈值；
根据所述噪声阈值对所述采集数据进行剔除处理，得到剩余数据，计算所述剩余数据的质量系数及误差系数，并根据所述质量系数及所述误差系数从所述剩余数据中选取标准数据。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明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发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明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发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于人工智能决策的大数据采集及去噪方法，其特征在于，所述方法包括：
获取待处理数据，对所述待处理数据进行数据变换，得到变换数据，获取所述变换数据的采集时间及资源占用率，并根据所述采集时间及所述资源占用率设定判定规则；
根据所述判定规则对所述变换数据进行筛选，得到采集数据，并根据所述采集时间及所述采集数据建立采集直方图；
基于所述采集直方图计算所述采集数据的噪声波动系数，并根据所述噪声波动系数确定噪声阈值；
根据所述噪声阈值对所述采集数据进行剔除处理，得到剩余数据，计算所述剩余数据的质量系数及误差系数，并根据所述质量系数及所述误差系数从所述剩余数据中选取标准数据。
2.如权利要求1所述的基于人工智能决策的大数据采集及去噪方法，其特征在于，所述对所述待处理数据进行数据变换，得到变换数据，包括：
对所述待处理数据进行降维处理，得到降维数据；
计算所述降维数据的均值及标准差；
利用下述公式计算所述降维数据的均值及标准差：
其中，μ表示所述均值，σ表示所述标准差，xa表示第a个降维数据，A表示所述降维数据的总数；
利用预设的均值标准化方法根据所述均值及所述标准差对所述降维数据进行标准化处理，得到变换数据；
所述均值标准化方法表示为：
其中，ba表示第a个降维数据对应的变换数据，xa表示第a个降维数据，μ表示所述均值，σ表示所述标准差。
3.如权利要求1所述的基于人工智能决策的大数据采集及去噪方法，其特征在于，所述根据所述采集时间及所述采集数据建立采集直方图，包括：
统计多个所述采集时间的时间总长度，对所述时间总长度进行划分，得到时间窗；
根据所述时间窗对多个所述采集数据进行区间划分，得到数据区间；
对所述数据区间中所述采集数据的数量进行统计，得到采集数量；
将所述时间窗作为横轴参数并将所述采集数量作为纵轴参数建立采集直方图。
4.如权利要求1所述的基于人工智能决策的大数据采集及去噪方法，其特征在于，所述基于所述采集直方图计算所述采集数据的噪声波动系数，包括：
计算所述采集直方图中所述采集数量对应的采集数据的第一数据均值；
利用下述公式计算第一数据均值：
其中，表示第e个第一数据均值，Xn表示所述采集数量对应的第n个采集数据，N表示所述采集数量对应的采集数据的总数；
对所有所述第一数据均值进行均值计算，得到第二数据均值；
根据所述第一数据均值及所述第二数据均值计算数据方差；
利用下述公式计算数据方差：
其中，D表示所述数据方差，表示第e个第一数据均值，/>表示所述第二数据均值，E表示所述第一数据均值的总数；
根据所述数据方差及所述采集直方图中的时间窗进行拟合，得到拟合函数，根据所述拟合函数确定所述采集数据的噪声波动系数；
所述拟合函数表示为：
lgD＝d·lgF+l
其中，D表示所述数据方差，F表示所述时间窗的窗口数量，d表示预设的第一计算参数，l表示预设的第二计算参数。
5.如权利要求1所述的基于人工智能决策的大数据采集及去噪方法，其特征在于，所述根据所述噪声波动系数确定噪声阈值，包括：
判断所述噪声波动系数是否大于预设的波动系数；
当所述噪声波动系数大于所述波动系数时，获取所述噪声波动系数在所述采集直方图中采集数据对应的噪声值，计算多个所述噪声值的噪声均值，将所述噪声均值作为噪声阈值；
当所述噪声波动系数小于或等于所述波动系数时，获取所述噪声波动系数在所述采集直方图中采集数据对应的噪声值，将所述噪声值中的最大值作为噪声阈值。
6.如权利要求1所述的基于人工智能决策的大数据采集及去噪方法，其特征在于，所述根据所述噪声阈值对所述采集数据进行剔除处理，得到剩余数据，包括：
获取所述采集数据的噪声值，判断所述噪声值是否小于所述噪声阈值；
当所述噪声值大于或等于所述噪声阈值时，对所述噪声值对应的采集数据进行中值滤波处理，将处理后的采集数据作为剩余数据；
当所述噪声值小于所述噪声阈值时，将所述噪声值对应的采集数据作为剩余数据。
7.如权利要求1所述的基于人工智能决策的大数据采集及去噪方法，其特征在于，所述计算所述剩余数据的质量系数及误差系数，包括：
利用下述公式计算质量系数及误差系数：
其中，Q表示所述质量系数，K表示所述误差系数，s0(i)表示第i个采集数据，s1(i)表示第i个采集数据对应的剩余数据，I表示所述采集数据的总数。
8.如权利要求1所述的基于人工智能决策的大数据采集及去噪方法，其特征在于，所述根据所述质量系数及所述误差系数从所述剩余数据中选取标准数据，包括：
根据所述质量系数及所述误差系数分别对所述剩余数据进行排序，得到第一数据序列及第二数据序列；
提取所述第一数据序列中第一标准序列对应的剩余数据作为初始标准数据，并判断所述初始标准数据是否在所述第二数据序列对应的第二标准序列中；
当所述初始标准数据未在所述第二标准序列中时，对所述初始标准数据进行剔除处理；
当所述初始标准数据在所述第二标准序列中时，将所述初始标准数据作为标准数据。
9.如权利要求1所述的基于人工智能决策的大数据采集及去噪方法，其特征在于，所述根据所述采集时间及所述资源占用率设定判定规则，包括：
设置所述采集时间对应的时间间隔及所述资源占用率对应的资源占用阈值；
将所述资源占用率大于所述资源占用阈值作为第一判定规则，并将所述采集时间大于所述时间间隔作为第二判定规则；
对所述第一判定规则及所述第二判定规则进行汇总，得到判定规则。
10.一种基于人工智能决策的大数据采集及去噪系统，用于执行如权利要求1-9中任意一项所述基于人工智能决策的大数据采集及去噪方法，其特征在于，所述系统包括：
判定规则设定模块，用于获取待处理数据，对所述待处理数据进行数据变换，得到变换数据，获取所述变换数据的采集时间及资源占用率，并根据所述采集时间及所述资源占用率设定判定规则；
采集直方图建立模块，用于根据所述判定规则对所述变换数据进行筛选，得到采集数据，并根据所述采集时间及所述采集数据建立采集直方图；
噪声阈值确定模块，用于基于所述采集直方图计算所述采集数据的噪声波动系数，并根据所述噪声波动系数确定噪声阈值；
标准数据选取模块，用于根据所述噪声阈值对所述采集数据进行剔除处理，得到剩余数据，计算所述剩余数据的质量系数及误差系数，并根据所述质量系数及所述误差系数从所述剩余数据中选取标准数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310805739.9A CN116842328A (zh) | 2023-07-03 | 2023-07-03 | 基于人工智能决策的大数据采集及去噪方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310805739.9A CN116842328A (zh) | 2023-07-03 | 2023-07-03 | 基于人工智能决策的大数据采集及去噪方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116842328A true CN116842328A (zh) | 2023-10-03 |
Family
ID=88168400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310805739.9A Withdrawn CN116842328A (zh) | 2023-07-03 | 2023-07-03 | 基于人工智能决策的大数据采集及去噪方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842328A (zh) |
-
2023
- 2023-07-03 CN CN202310805739.9A patent/CN116842328A/zh not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112148577B (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
| CN113327136B (zh) | 归因分析方法、装置、电子设备及存储介质 | |
| CN112733023A (zh) | 资讯推送方法、装置、电子设备及计算机可读存储介质 | |
| CN112070180B (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
| CN112463530A (zh) | 微服务系统的异常检测方法、装置、电子设备及存储介质 | |
| CN115794578A (zh) | 一种电力系统的数据管理方法、装置、设备及介质 | |
| CN116755985A (zh) | 基于大数据和数据分析的平台智能监测管理系统 | |
| CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
| CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
| CN113220551A (zh) | 指标趋势预测及预警方法、装置、电子设备及存储介质 | |
| CN111950623A (zh) | 数据稳定性监控方法、装置、计算机设备及介质 | |
| CN116049765A (zh) | 数据分析处理方法、装置及设备 | |
| CN116842328A (zh) | 基于人工智能决策的大数据采集及去噪方法及系统 | |
| CN111860661B (zh) | 基于用户行为的数据分析方法、装置、电子设备及介质 | |
| CN114742412A (zh) | 一种软件技术服务系统及方法 | |
| CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
| CN113723554B (zh) | 模型调度方法、装置、电子设备及计算机可读存储介质 | |
| CN117235480B (zh) | 基于大数据实现数据加工下的筛选方法及系统 | |
| CN117422484B (zh) | 一种数字化营销协同数据处理系统、方法、设备及介质 | |
| CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 | |
| CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 | |
| CN117540179B (zh) | 一种用于实现环境检测的方法及系统 | |
| CN111414398B (zh) | 数据分析模型确定方法、装置及存储介质 | |
| CN113312409B (zh) | 任务监控方法、装置、电子设备及计算机可读存储介质 | |
| CN112183644B (zh) | 指标稳定性的监控方法、装置、计算机设备及介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231003 |
|
| WW01 | Invention patent application withdrawn after publication |