CN116991199B - 用于时钟芯片的时钟信号智能降噪方法 - Google Patents
用于时钟芯片的时钟信号智能降噪方法 Download PDFInfo
- Publication number
- CN116991199B CN116991199B CN202311242656.XA CN202311242656A CN116991199B CN 116991199 B CN116991199 B CN 116991199B CN 202311242656 A CN202311242656 A CN 202311242656A CN 116991199 B CN116991199 B CN 116991199B
- Authority
- CN
- China
- Prior art keywords
- dimension
- moment
- value
- sub
- correlation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000009467 reduction Effects 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 68
- 230000005856 abnormality Effects 0.000 claims abstract description 67
- 238000012512 characterization method Methods 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012880 independent component analysis Methods 0.000 claims description 8
- 239000000758 substrate Substances 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 16
- 238000000354 decomposition reaction Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 32
- 238000004364 calculation method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/04—Generating or distributing clock signals or signals derived directly therefrom
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/04—Generating or distributing clock signals or signals derived directly therefrom
- G06F1/14—Time supervision arrangements, e.g. real time clock
-
- 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
- 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
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种用于时钟芯片的时钟信号智能降噪方法;首先根据不同维度的子数据序列之间的相关特征获得代表维度,根据代表维度的子数据序列分解获得独立分量。根据维度的数据序列和对应的独立分量的相关特征获得维度的运行相关度,根据运行相关度的差异获得维度的任意时刻的异常程度。根据不同维度之间的异常程度的差异特征、子数据序列的相关特征获得维度的最终异常程度和权重系数。本发明根据权重系数优化了趋势曲线的拟合结果,避免了异常数据对拟合过程的干扰,提高了时钟芯片信号的去噪准确性和时钟运行的可靠性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于时钟芯片的时钟信号智能降噪方法。
背景技术
时钟芯片在时钟的数据同步、时序控制中起着重要作用;通过对时钟芯片信号的分析,可以确保各个组件按照正确的时钟信号工作,从而提高时钟的运行可靠性。而在时钟芯片信号在实际获取的过程中,时钟芯片信号可能受到来自其他电路、温度变化引起的信号波动,以及其他干扰源的干扰,最终影响芯片信号的质量和可靠性。
为了降低时钟芯片信号的噪声干扰,需要对芯片信号进行降噪,DFA去趋势化算法能够对芯片信号数据进行分析去去除低频噪声,DFA去趋势化算法通过拟合获得趋势曲线,并消除原始数据中的趋势波动的低频噪声完成去噪。传统的DFA去趋势化分析在拟合各阶段趋势的过程中,通常采用最小二乘法,这样得到的趋势曲线未考虑不同时刻的噪声干扰等异常情况,导致拟合的趋势曲线存在误差,最终导致对时钟芯片信号的去噪准确性低。
发明内容
为了解决上述传统的DFA去趋势化分析法消除芯片信号噪声的过程未考虑不同时刻的噪声干扰等异常情况,导致对时钟芯片信号的去噪准确性低的技术问题,本发明的目的在于提供一种用于时钟芯片的时钟信号智能降噪方法,所采用的技术方案具体如下:
获取时钟芯片工作中不同维度的数据序列,将每个维度的数据序列分割为不同时间区间内的子数据序列;根据所述时间区间内的不同维度的子数据序列之间的相关特征获得时间区间的代表维度;
将所述代表维度的子数据序列分解获得预设维度数量个独立分量;根据时间区间内的所述独立分量和子数据序列之间的相关特征获得不同独立分量和不同子数据序列的对应关系;根据任意时刻的预设时间滑窗内,所述维度的数据序列和对应的独立分量的相关特征获得任意时刻的所述维度的运行相关度;根据所述任意时刻所在的时间区间内,所述任意时刻与其他时刻的所述维度的运行相关度的差异特征获得任意时刻的所述维度的异常程度;
根据任意时刻的所述维度与其他维度的异常程度的差异特征、所述任意时刻所在的时间区间内的所述维度与其他维度之间的子数据序列的相关特征,获得任意时刻的所述维度的最终异常程度;
根据最终异常程度获得对应时刻的权重系数;根据所述权重系数和数据序列进行拟合获得维度的最终趋势曲线;根据所述最终趋势曲线对数据序列进行去噪获得去噪数据序列。
进一步地,所述根据所述时间区间内的不同维度的子数据序列之间的相关特征获得时间区间的代表维度的步骤包括:
分别计算同一个时间区间内每个维度与其他维度的子数据序列的皮尔逊相关系数绝对值的和值,作为维度的区间代表表征值,将时间区间内所述区间代表表征值最大的维度作为所述代表维度。
进一步地,所述根据时间区间内的所述独立分量和子数据序列之间的相关特征获得不同独立分量和不同子数据序列的对应关系的步骤包括:
计算时间区间内所有维度的子数据序列与所述时间区间内所有独立分量的皮尔逊相关系数,获得相关表征值,将相关表征值从大到小排序,将相关表征值最大的子数据序列和独立分量进行对应,将完成对应的独立分量和子数据序列剔除,遍历所有相关表征值,获得时间区间内一一对应的子数据序列和独立分量。
进一步地,所述根据任意时刻的预设时间滑窗内,所述维度的数据序列和对应的独立分量的相关特征获得任意时刻的所述维度的运行相关度的步骤包括:
计算任意时刻的预设时间滑窗内的所述维度的数据序列的平均值,获得局部数据均值;计算任意时刻的预设时间滑窗内与所述维度对应的独立分量的平均值,获得局部分量均值;计算预设时间滑窗内的所述维度的每个数据点与所述局部数据均值的差值,获得第一局部离散值;计算预设时间滑窗内与所述维度对应的独立分量的每个数据点与所述局部分量均值的差值,获得第二局部离散值;
计算所述任意时刻的预设时间滑窗内,每个时刻的预设权重、第一局部离散值和第二局部离散值三者的乘积的累加值,获得加权离散表征值,其中预设时间滑窗内的时刻越接近所述任意时刻,对应的预设权重越大;
计算任意时刻的预设时间滑窗内的所述维度的数据序列的标准差,获得局部数据标准差;计算任意时刻的预设时间滑窗内与所述维度对应的独立分量的标准差,获得局部分量标准差;计算局部数据标准差与局部分量标准差的乘积,获得局部标准差表征值;计算所述加权离散表征值与所述局部标准差表征值的比值,获得任意时刻的所述维度的运行相关度。
进一步地,所述根据所述任意时刻所在的时间区间内,所述任意时刻与其他时刻的所述维度的运行相关度的差异特征获得任意时刻的所述维度的异常程度的步骤包括:
计算所述任意时刻所在的时间区间内,所有时刻的所述维度的运行相关度的平均值,获得局部相关均值;计算所述任意时刻的所述维度的运行相关度与所述局部相关均值的差值绝对值,获得任意时刻的所述维度的异常程度。
进一步地,所述根据任意时刻的所述维度与其他维度的异常程度的差异特征、所述任意时刻所在的时间区间内的所述维度与其他维度之间的子数据序列的相关特征,获得任意时刻的所述维度的最终异常程度的步骤包括:
计算任意时刻的所有维度的异常程度的平均值,获得任意时刻的异常均值;计算所述任意时刻所在的时间区间内,所述维度与其他维度的子数据序列的皮尔逊相关系数的绝对值,获得维度相关值;计算常数1与所述维度相关值的差值和预设极小正数的和值;获得不同的维度相关映射值;计算任意时刻的所述维度与其他维度的异常程度的差值,获得不同的异常差异值;
计算所述异常差异值与所述维度相关映射值的比值,获得任意时刻的不同的子权重因子;计算所述任意时刻的所述子权重因子的绝对值的最大值,获得权重基底;计算所述子权重因子与所述权重基底的比值,获得不同的权重因子;计算所述任意时刻的所述维度的异常程度与所述异常均值的差值,获得所述维度的不同的异常差异离散值;
计算所述任意时刻的所述维度的所述权重因子和所述异常差异离散值的乘积的累加值,获得修正因子;计算任意时刻的所述维度的异常程度与所述修正因子的和值,获得所述任意时刻的所述维度的最终异常程度。
进一步地,所述根据最终异常程度获得对应时刻的权重系数的步骤包括:
将所述最终异常程度负相关映射,获得对应时刻的所述权重系数。
进一步地,所述根据所述权重系数和数据序列进行拟合获得维度的最终趋势曲线的步骤包括:
计算时间区间内所述维度的累积序列,根据所述权重系数和时间区间内的所述累积序列通过加权最小二乘法进行拟合;计算时间区间内所述维度的同一时刻的累积序列的值和拟合值的差值的平方值,获得拟合差异,计算时间区间内所述维度的每个时刻的所述权重系数和所述拟合差异的乘积的累加值,获得加权最小二乘法的损失函数;当满足所述损失函数的值最小时,获得时间区间的所述维度的最终趋势曲线。
进一步地,所述根据所述最终趋势曲线对数据序列进行去噪获得去噪数据序列的步骤包括:
将所述子数据序列和对应的最终趋势曲线作差获得去噪子序列,将所述维度的所有去噪子序列根据时间顺序进行拼接,获得所述维度的去噪数据序列。
进一步地,所述将所述代表维度的子数据序列分解获得预设维度数量个独立分量的步骤包括:
通过ICA独立成分分析算法将时间区间内的所述代表维度的子数据序列分解,获得预设维度数量个独立分量。
本发明具有如下有益效果:
在本发明实施例中,获得时间区间的子数据序列能够在各个时间区间内独立分析,提高最终去噪的准确性。因时钟芯片各个维度的数据具有相关特征,故通过代表维度获得独立分量,基于独立分量和维度之间的相关特征能够提高各个维度的异常程度的计算准确性。计算运行相关度能够表征不同时刻的维度和独立分量的相关程度,进而可根据不同时刻的运行相关度的差异特征获得维度的任意时刻的异常程度。因时钟芯片信号可能存在非异常情况的数据干扰导致异常程度变化,故需要对异常程度进行修正,故根据不同维度之间的异常程度差异特征和子数据序列的相关特征获得维度的最终异常程度;根据最终异常程度获得权重系数,根据权重系数优化了DFA去趋势化分析过程中趋势曲线的拟合效果,避免了异常数据的干扰,提高了趋势曲线的获取准确性;最终根据趋势曲线消除原始的数据序列的低频噪声,提高了芯片信号的去噪效果,以及时钟运行的可靠性与稳定性。
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为本发明一个实施例所提供的一种用于时钟芯片的时钟信号智能降噪方法流程图。
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一种用于时钟芯片的时钟信号智能降噪方法,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一种用于时钟芯片的时钟信号智能降噪方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于时钟芯片的时钟信号智能降噪方法流程图,该方法包括以下步骤:
步骤S1,获取时钟芯片工作中不同维度的数据序列,将每个维度的数据序列分割为不同时间区间内的子数据序列;根据时间区间内的不同维度的子数据序列之间的相关特征获得时间区间的代表维度。
在本发明实施例中,实施场景为对时钟芯片信号的去噪;首先获取时钟芯片工作过程中不同维度的数据序列,包括主时钟频率、时钟输入频率、时钟输出频率、温度波动数据、电压波动数据、处理器负载数据,每个维度的数据序列反映了芯片信号的运行状况,且不同维度的数据存在一定的相关性,实施者可根据实施场景自行确定不同维度的选取。
进一步地,为了提高去噪的准确性,需要将每个维度的数据序列分割为不同时间区间内的子数据序列,分别对于不同时间区间的子数据序列进行去噪分析,能够降低异常数据的误差干扰,提高去噪效果,在本发明实施例中,每个时间区间范围为60秒,分割点包含在时间区间内,实施者可根据实施场景自行确定。
因为现有的DFA去趋势化原理是通过对原数据的图像减去趋势曲线的低频噪声从而消去数据呈现出的趋势变化,最终实现原始数据的去噪,但原始数据中可能存在异常数据,导致拟合的趋势曲线可能存在误差,影响最终的去噪效果。因此需要对拟合趋势曲线的获取进行改进,减少异常数据对拟合趋势曲线的影响。
获取的不同维度的时钟信号数据是存在一定相关性的,即一个维度的数据变化会导致另一个维度的数据发生变化,因此可根据不同维度数据之间的相关特征提高后续异常程度的分析准确性;故首先根据时间区间内的不同维度的子数据序列之间的相关特征获得时间区间的代表维度。
优选地,在本发明一个实施例中,获取代表维度包括:分别计算同一个时间区间内每个维度与其他维度的子数据序列的皮尔逊相关系数绝对值的和值,作为维度的区间代表表征值,将时间区间内区间代表表征值最大的维度作为代表维度。需要说明的是,皮尔逊相关系数属于现有技术,具体计算步骤不再赘述,该值的区间为【-1,1】,当该值越接近0,意味着两个序列之间的相关性越小,变化趋势越不相关;故当某个维度的区间代表表征值越大,意味着该维度与其他维度的相关程度越大,变化趋势越相关,故可将该维度作为代表维度,该维度的数据能够辅助反映其他维度的数据变化特征。
确定每个时间区间的代表维度后,后续步骤需要分析每个维度的每个时刻的数据的异常情况。
步骤S2,将代表维度的子数据序列分解获得预设维度数量个独立分量;根据时间区间内的独立分量和子数据序列之间的相关特征获得不同独立分量和不同子数据序列的对应关系;根据任意时刻的预设时间滑窗内,维度的数据序列和对应的独立分量的相关特征获得任意时刻的维度的运行相关度;根据任意时刻所在的时间区间内,任意时刻与其他时刻的维度的运行相关度的差异特征获得任意时刻的维度的异常程度。
因为代表维度的数据序列与不同其他维度数据的相关性程度不同,为了提高后续异常程度的分析准确性,则需要将代表维度的子数据序列分解获得预设维度数量个独立分量,具体包括:通过ICA独立成分分析算法将时间区间内的代表维度的子数据序列分解,获得预设维度数量个独立分量,在本发明实施例中获取了6个维度的数据,故该预设维度数量为6,目的是为了将不同的独立分量和其他维度的数据进行对应。需要说明的是ICA独立成分分析算法属于现有技术,具体计算步骤不再赘述。
因为代表维度和所有其他维度的数据相关程度最明显,故每个独立分量都有与之相关性最强的维度数据。故在分析数据的异常程度之前,需要根据时间区间内的独立分量和子数据序列之间的相关特征获得不同独立分量和不同子数据序列的对应关系。
优选地,在本发明一个实施例中,获取不同独立分量和不同子数据序列的对应关系包括:计算时间区间内所有维度的子数据序列与时间区间内所有独立分量的皮尔逊相关系数,获得相关表征值,将相关表征值从大到小排序,将相关表征值最大的子数据序列和独立分量进行对应,将完成对应的独立分量和子数据序列剔除,遍历所有相关表征值,获得时间区间内一一对应的子数据序列和独立分量。因皮尔逊相关系数越接近1意味着两个序列的变化趋势越相关,故计算所有维度的子序列和所有独立分量之间的皮尔逊相关系数并进行排序,根据排序关系确定独立分量和不同维度的相关程度,进而实现一一对应关系。每个对应的独立分量和维度的子数据序列,其相关程度是最为明显的。
进一步地,确定了独立分量和维度子数据序列之间的对应关系后,可确定时间区间内不同时刻下的维度数据与子数据序列之间的相关特征,根据该相关特征进而计算该时刻下该维度的异常程度。故根据任意时刻的预设时间滑窗内,维度的数据序列和对应的独立分量的相关特征获得任意时刻的维度的运行相关度。
优选地,在本发明一个实施例中,获取运行相关度包括:计算任意时刻的预设时间滑窗内的维度的数据序列的平均值,获得局部数据均值;计算任意时刻的预设时间滑窗内与维度对应的独立分量的平均值,获得局部分量均值;计算预设时间滑窗内的维度的每个数据点与局部数据均值的差值,获得第一局部离散值;计算预设时间滑窗内与维度对应的独立分量的每个数据点与局部分量均值的差值,获得第二局部离散值;计算该任意时刻的预设时间滑窗内,每个时刻的预设权重、第一局部离散值和第二局部离散值三者的乘积的累加值,获得加权离散表征值,其中预设时间滑窗内的时刻越接近该任意时刻,对应的预设权重越大。
进一步地,计算任意时刻的预设时间滑窗内的维度的数据序列的标准差,获得局部数据标准差;计算任意时刻的预设时间滑窗内与维度对应的独立分量的标准差,获得局部分量标准差;计算局部数据标准差与局部分量标准差的乘积,获得局部标准差表征值;计算加权离散表征值与局部标准差表征值的比值,获得任意时刻的维度的运行相关度。该运行相关度越大,意味着该任意时刻的预设滑窗内的该维度数据和对应的独立分量的变化趋势越接近。
计算任意时刻的维度的运行相关度的过程可以看作是加权的皮尔逊相关系数计算过程,皮尔逊相关系数的计算为两个变量的协方差和标准差的比值,故该公式中现有的皮尔逊相关系数部分不再赘述。而计算运行相关度中将不同时刻赋予了不同的权重,在本发明实施例中,预设时间滑窗是以该任意时刻为中心,左右共5个数据点的窗口尺寸,若该时刻在时间区间边缘不满足该预设时间滑窗要求,则以包含该任意时刻最接近预设时间滑窗中心的窗口进行计算;实施者可根据实施场景自行确定。预设权重为5*0.1、5*0.2、5*0.4、5*0.2和5*0.1;其中需要以该任意时刻的预设权重最大,目的是提高该时刻的相关程度占比,更能够在后续过程中反映该任意时刻的异常程度情况;因为皮尔逊相关系数各个数据点的权重为1,故在此处乘以5是为了保持数量关系的一致性,即权重系数之和为5。获取运行相关度的公式具体包括:
;
式中,A表示任意时刻的维度的运行相关度,T表示该任意时刻的预设时间滑窗内的时刻数量,Rt表示第t个时刻的预设权重,Xt表示第t个时刻的维度的数据点数值,X表示局部数据均值,Y表示局部分量均值,表示局部数据标准差,/>表示局部分量标准差,表示第一局部离散值,/>表示第二局部离散值,表示加权离散表征值,/>表示局部标准差表征值。需要说明的是,该公式去除其中的预设权重即为皮尔逊相关系数的计算公式,加入预设权重能够提高该任意时刻的相关程度的占比,能够提高后续的异常程度计算准确性。
进一步地,获得该任意时刻的维度的运行相关度后,若该维度在该时刻的数据正常的情况下,则时间区间内该维度与对应的独立分量的所有时刻的运行相关度是接近的,故可通过该特征,根据该任意时刻所在的时间区间内,该任意时刻与其他时刻的该维度的运行相关度的差异特征获得该任意时刻的维度的异常程度。
优选地,在本发明一个实施例中,获取异常程度包括:计算该任意时刻所在的时间区间内,所有时刻的该维度的运行相关度的平均值,获得局部相关均值;计算该任意时刻的该维度的运行相关度与局部相关均值的差值绝对值,获得该任意时刻的维度的异常程度。当该任意时刻的运行相关度和该时间区间内的运行相关度的整体水平差异越大,则意味着该任意时刻的该维度的数据出现了异常情况,故异常程度越大;若该任意时刻未出现异常,则该异常程度值越小。获取异常程度公式具体包括:
;
式中,Gi表示第i个任意时刻的维度的异常程度,Ai表示第i个任意时刻的该维度的运行相关度,表示局部相关均值。
获得任意时刻的维度的异常程度后,为了提高异常程度的计算准确性,保证最终的去噪效果的准确性,需要结合不同维度之间的相关特征进行进一步分析。
步骤S3,根据任意时刻的维度与其他维度的异常程度的差异特征、任意时刻所在的时间区间内的维度与其他维度之间的子数据序列的相关特征,获得任意时刻的维度的最终异常程度。
步骤S2中计算的异常程度只考虑了单个维度下,维度的数据序列与对应独立分量之间的关系;在实际情况中,也可能是在动态频率调节中由于部分时刻耗能较高等其他非异常数据造成的,但该情况会导致其他各维度的数据序列产生相似的波动;即异常程度会随着各维度之间的相关特征产生类似的波动,对于此类情况需要对异常程度进行一定程度的减小,反之若仅仅是某个维度下的异常程度产生突变,则应该对该异常程度进行一定程度的放大,实现修正。故可根据任意时刻的维度与其他维度的异常程度的差异特征、任意时刻所在的时间区间内的维度与其他维度之间的子数据序列的相关特征,获得任意时刻的维度的最终异常程度。
优选地,在本发明一个实施例中,获取最终异常程度包括:计算任意时刻的所有维度的异常程度的平均值,获得任意时刻的异常均值;该异常均值能够反映该时刻的不同维度的整体异常情况。计算任意时刻所在的时间区间内,该维度与其他维度的子数据序列的皮尔逊相关系数的绝对值,获得维度相关值;该维度相关值能够反映该维度与其他维度在该时间区间内的相关程度,该值越大,意味着相关性越强。计算常数1与维度相关值的差值和预设极小正数的和值;获得不同的维度相关映射值;该维度相关映射值越接近0,意味着该维度和其他维度的相关性越强,其中预设极小正数为0.01,目的是避免为零,实施者可自行设定。计算任意时刻的维度与其他维度的异常程度的差值,获得不同的异常差异值;当该异常差异值越大,意味着该维度和其他维度的异常程度差异越大。
进一步地,计算该异常差异值与维度相关映射值的比值,获得任意时刻的不同的子权重因子;当异常差异值越大且维度相关映射值越小,意味着该维度和其他维度在该时间区间内的整体相关性较强,但在该任意时刻的异常程度差异较大,意味着该任意时刻两个维度中的某个维度出现异常,在修正过程中该其他维度的子权重因子越大;反之当该异常差异值越小,则修正过程中该子权重因子越小;该子权重因子存在正负,目的是对最终异常程度进行放大或缩小的修正。计算该任意时刻的子权重因子的绝对值的最大值,获得权重基底;计算权重基底的目的是对子权重因子归一化。计算子权重因子与权重基底的比值,获得不同的权重因子;该权重因子是不同的其他维度对该维度的修正程度的权重,权重因子越大,则该其他维度对该维度的修正程度越大。计算该任意时刻的维度的异常程度与异常均值的差值,获得维度的不同的异常差异离散值;该异常差异离散值能够反映该维度的异常程度与所有维度的整体异常水平的差异,当差异越大,对该维度的异常程度修正程度则越大。
计算该任意时刻的该维度的权重因子和异常差异离散值的乘积的累加值,获得修正因子;该修正因子是不同的其他维度的权重因子和异常差异离散值的乘积的累加,当该结果为正值时,意味着该维度的该任意时刻的异常程度偏小,需要增加;反之若该结果为负值,意味着该维度的该任意时刻的异常程度偏大,需要减小。计算任意时刻的维度的异常程度与修正因子的和值,获得该任意时刻的该维度的最终异常程度。获取最终异常程度的步骤包括:
;
式中,Hi表示第i个任意时刻的维度的最终异常程度,Gi表示第i个任意时刻的维度的异常程度,K表示其他维度的数量,表示预设极小正数,/>表示该维度与第k个其他维度的维度相关值,/>表示维度相关映射值,Gik表示第i个任意时刻的第k个其他维度的异常程度,/>表示异常差异值,/>表示权重因子。Lmax表示权重基底,/>表示第i个任意时刻的异常均值,/>表示第i个任意时刻的异常差异离散值。表示权重因子;/>表示修正因子。
至此,通过该维度和其他维度的相关特征获得了该任意时刻的该维度的最终异常因子;当该任意时刻所有维度的异常因子出现了波动,则意味着非异常情况造成的,需要对该时刻的异常因子进行缩小,若该任意时刻其他维度的异常因子未出现较大波动,则意味着该任意时刻该维度确实存在异常情况,需要对该维度的异常因子进行放大,进而提高最终的去噪效果。
步骤S4,根据最终异常程度获得对应时刻的权重系数;根据权重系数和数据序列进行拟合获得维度的最终趋势曲线;根据最终趋势曲线对数据序列进行去噪获得去噪数据序列。
因DFA去趋势化是拟合维度的数据序列的趋势曲线,去噪是对趋势曲线反映的低频噪声进行剔除。若任意时刻的数据为异常情况,则需要在拟合过程中降低该数据的权重,故需要根据最终异常程度获得对应时刻的权重系数;优选地,将最终异常程度负相关映射,获得对应时刻的权重系数。当该任意时刻的最终异常程度越大,则该任意时刻的数据在计算过程中权重越低。
进一步地,获得权重系数后,则可根据权重系数和数据序列进行拟合获得维度的最终趋势曲线;优选地,计算时间区间内该维度的累积序列,累积序列中的每个元素为该时间区间内该维度的该时刻与之前所有时刻的数据值的累加和值,需要说明的是,累积序列为DFA去趋势化中的现有技术,具体步骤不再赘述。根据权重系数和时间区间内的累积序列通过加权最小二乘法进行拟合;需要说明的是,加权最小二乘法属于现有技术,具体步骤不再赘述。计算时间区间内该维度的同一时刻的累积序列的值和拟合值的差值的平方值,获得拟合差异,计算时间区间内维度的每个时刻的权重系数和拟合差异的乘积的累加值,获得加权最小二乘法的损失函数;当满足所述损失函数的值最小时,认为拟合效果最优,获得时间区间的维度的最终趋势曲线。获取损失函数公式具体包括:
;
式中,D为损失函数的结果,N表示拟合的时间区间的时刻的数量,Sn表示该维度第n个时刻的权重系数,Fn表示累积序列中第n个时刻的值,Un表示拟合的趋势曲线的第n个时刻的拟合值,表示拟合差异值。
至此,获得了每个时间区间内的最终趋势曲线,该趋势曲线中减小了异常数据对拟合过程中的干扰,能够增加拟合曲线的准确性,进而可以提高去噪准确性。
进一步地,根据最终趋势曲线对数据序列进行去噪获得去噪数据序列,具体包括:将子数据序列和对应的最终趋势曲线作差获得去噪子序列,将该维度的所有去噪子序列根据时间顺序进行拼接,获得该维度的去噪数据序列。通过去噪数据序列能够提高时钟芯片信号的稳定和准确性,进而提高了时钟的工作可靠性。
综上所述,本发明实施例提供了一种用于时钟芯片的时钟信号智能降噪方法;首先根据不同维度的子数据序列之间的相关特征获得代表维度,根据代表维度的子数据序列分解获得独立分量。根据维度的数据序列和对应的独立分量的相关特征获得维度的运行相关度,根据运行相关度的差异获得维度的任意时刻的异常程度。根据不同维度之间的异常程度的差异特征、子数据序列的相关特征获得维度的最终异常程度和权重系数。本发明根据权重系数优化了趋势曲线的拟合结果,避免了异常数据对拟合过程的干扰,提高了时钟芯片信号的去噪准确性和时钟运行的可靠性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (9)
1.一种用于时钟芯片的时钟信号智能降噪方法,其特征在于,所述方法包括以下步骤:
获取时钟芯片工作中不同维度的数据序列,将每个维度的数据序列分割为不同时间区间内的子数据序列;根据所述时间区间内的不同维度的子数据序列之间的相关特征获得时间区间的代表维度;
将所述代表维度的子数据序列分解获得预设维度数量个独立分量;根据时间区间内的所述独立分量和子数据序列之间的相关特征获得不同独立分量和不同子数据序列的对应关系;根据任意时刻的预设时间滑窗内,所述维度的数据序列和对应的独立分量的相关特征获得任意时刻的所述维度的运行相关度;根据所述任意时刻所在的时间区间内,所述任意时刻与其他时刻的所述维度的运行相关度的差异特征获得任意时刻的所述维度的异常程度;
根据任意时刻的所述维度与其他维度的异常程度的差异特征、所述任意时刻所在的时间区间内的所述维度与其他维度之间的子数据序列的相关特征,获得任意时刻的所述维度的最终异常程度;
根据最终异常程度获得对应时刻的权重系数;根据所述权重系数和数据序列进行拟合获得维度的最终趋势曲线;根据所述最终趋势曲线对数据序列进行去噪获得去噪数据序列;
所述根据任意时刻的预设时间滑窗内,所述维度的数据序列和对应的独立分量的相关特征获得任意时刻的所述维度的运行相关度的步骤包括:
计算任意时刻的预设时间滑窗内的所述维度的数据序列的平均值,获得局部数据均值;计算任意时刻的预设时间滑窗内与所述维度对应的独立分量的平均值,获得局部分量均值;计算预设时间滑窗内的所述维度的每个数据点与所述局部数据均值的差值,获得第一局部离散值;计算预设时间滑窗内与所述维度对应的独立分量的每个数据点与所述局部分量均值的差值,获得第二局部离散值;
计算所述任意时刻的预设时间滑窗内,每个时刻的预设权重、第一局部离散值和第二局部离散值三者的乘积的累加值,获得加权离散表征值,其中预设时间滑窗内的时刻越接近所述任意时刻,对应的预设权重越大;
计算任意时刻的预设时间滑窗内的所述维度的数据序列的标准差,获得局部数据标准差;计算任意时刻的预设时间滑窗内与所述维度对应的独立分量的标准差,获得局部分量标准差;计算局部数据标准差与局部分量标准差的乘积,获得局部标准差表征值;计算所述加权离散表征值与所述局部标准差表征值的比值,获得任意时刻的所述维度的运行相关度。
2.根据权利要求1所述的一种用于时钟芯片的时钟信号智能降噪方法,其特征在于,所述根据所述时间区间内的不同维度的子数据序列之间的相关特征获得时间区间的代表维度的步骤包括:
分别计算同一个时间区间内每个维度与其他维度的子数据序列的皮尔逊相关系数绝对值的和值,作为维度的区间代表表征值,将时间区间内所述区间代表表征值最大的维度作为所述代表维度。
3.根据权利要求1所述的一种用于时钟芯片的时钟信号智能降噪方法,其特征在于,所述根据时间区间内的所述独立分量和子数据序列之间的相关特征获得不同独立分量和不同子数据序列的对应关系的步骤包括:
计算时间区间内所有维度的子数据序列与所述时间区间内所有独立分量的皮尔逊相关系数,获得相关表征值,将相关表征值从大到小排序,将相关表征值最大的子数据序列和独立分量进行对应,将完成对应的独立分量和子数据序列剔除,遍历所有相关表征值,获得时间区间内一一对应的子数据序列和独立分量。
4.根据权利要求1所述的一种用于时钟芯片的时钟信号智能降噪方法,其特征在于,所述根据所述任意时刻所在的时间区间内,所述任意时刻与其他时刻的所述维度的运行相关度的差异特征获得任意时刻的所述维度的异常程度的步骤包括:
计算所述任意时刻所在的时间区间内,所有时刻的所述维度的运行相关度的平均值,获得局部相关均值;计算所述任意时刻的所述维度的运行相关度与所述局部相关均值的差值绝对值,获得任意时刻的所述维度的异常程度。
5.根据权利要求1所述的一种用于时钟芯片的时钟信号智能降噪方法,其特征在于,所述根据任意时刻的所述维度与其他维度的异常程度的差异特征、所述任意时刻所在的时间区间内的所述维度与其他维度之间的子数据序列的相关特征,获得任意时刻的所述维度的最终异常程度的步骤包括:
计算任意时刻的所有维度的异常程度的平均值,获得任意时刻的异常均值;计算所述任意时刻所在的时间区间内,所述维度与其他维度的子数据序列的皮尔逊相关系数的绝对值,获得维度相关值;计算常数1与所述维度相关值的差值和预设极小正数的和值;获得不同的维度相关映射值;计算任意时刻的所述维度与其他维度的异常程度的差值,获得不同的异常差异值;
计算所述异常差异值与所述维度相关映射值的比值,获得任意时刻的不同的子权重因子;计算所述任意时刻的所述子权重因子的绝对值的最大值,获得权重基底;计算所述子权重因子与所述权重基底的比值,获得不同的权重因子;计算所述任意时刻的所述维度的异常程度与所述异常均值的差值,获得所述维度的不同的异常差异离散值;
计算所述任意时刻的所述维度的所述权重因子和所述异常差异离散值的乘积的累加值,获得修正因子;计算任意时刻的所述维度的异常程度与所述修正因子的和值,获得所述任意时刻的所述维度的最终异常程度。
6.根据权利要求1所述的一种用于时钟芯片的时钟信号智能降噪方法,其特征在于,所述根据最终异常程度获得对应时刻的权重系数的步骤包括:
将所述最终异常程度负相关映射,获得对应时刻的所述权重系数。
7.根据权利要求1所述的一种用于时钟芯片的时钟信号智能降噪方法,其特征在于,所述根据所述权重系数和数据序列进行拟合获得维度的最终趋势曲线的步骤包括:
计算时间区间内所述维度的累积序列,根据所述权重系数和时间区间内的所述累积序列通过加权最小二乘法进行拟合;计算时间区间内所述维度的同一时刻的累积序列的值和拟合值的差值的平方值,获得拟合差异,计算时间区间内所述维度的每个时刻的所述权重系数和所述拟合差异的乘积的累加值,获得加权最小二乘法的损失函数;当满足所述损失函数的值最小时,获得时间区间的所述维度的最终趋势曲线。
8.根据权利要求1所述的一种用于时钟芯片的时钟信号智能降噪方法,其特征在于,所述根据所述最终趋势曲线对数据序列进行去噪获得去噪数据序列的步骤包括:
将所述子数据序列和对应的最终趋势曲线作差获得去噪子序列,将所述维度的所有去噪子序列根据时间顺序进行拼接,获得所述维度的去噪数据序列。
9.根据权利要求1所述的一种用于时钟芯片的时钟信号智能降噪方法,其特征在于,所述将所述代表维度的子数据序列分解获得预设维度数量个独立分量的步骤包括:
通过ICA独立成分分析算法将时间区间内的所述代表维度的子数据序列分解,获得预设维度数量个独立分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311242656.XA CN116991199B (zh) | 2023-09-25 | 2023-09-25 | 用于时钟芯片的时钟信号智能降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311242656.XA CN116991199B (zh) | 2023-09-25 | 2023-09-25 | 用于时钟芯片的时钟信号智能降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116991199A CN116991199A (zh) | 2023-11-03 |
CN116991199B true CN116991199B (zh) | 2024-01-02 |
Family
ID=88532443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311242656.XA Active CN116991199B (zh) | 2023-09-25 | 2023-09-25 | 用于时钟芯片的时钟信号智能降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116991199B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216489B (zh) * | 2023-11-07 | 2024-01-26 | 山东正为新材料科技有限公司 | 一种基于互联网的防水涂料质检分析方法及系统 |
CN117235678B (zh) * | 2023-11-14 | 2024-01-26 | 山东交通学院 | 一种木材切割过程中刀片磨损程度的检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101410773A (zh) * | 2003-07-28 | 2009-04-15 | 索诺斯公司 | 同步多个独立时钟数字数据处理设备间的操作的系统和方法 |
CN102142862A (zh) * | 2009-12-04 | 2011-08-03 | 英特尔公司 | 用于噪声降低的混沌宽带频率调制器 |
CN212231411U (zh) * | 2020-06-15 | 2020-12-25 | 深圳扬兴科技有限公司 | 基于基准时钟生成电路的晶体振荡器 |
CN113624447A (zh) * | 2021-06-24 | 2021-11-09 | 长春工业大学 | 一种用于光纤光栅传感网络的复合去噪方法 |
CN113836704A (zh) * | 2021-09-06 | 2021-12-24 | 广州大学 | 一种基于改进奇异谱分析的时间序列降噪方法及装置 |
CN115514444A (zh) * | 2022-09-14 | 2022-12-23 | 烽火通信科技股份有限公司 | 多路异步波长标签信号时钟恢复方法与系统 |
CN115798502A (zh) * | 2023-01-29 | 2023-03-14 | 深圳市深羽电子科技有限公司 | 一种用于蓝牙耳机的音频去噪方法 |
CN115935296A (zh) * | 2023-03-09 | 2023-04-07 | 国网山东省电力公司营销服务中心(计量中心) | 一种电能数据计量方法及系统 |
CN116015212A (zh) * | 2022-10-19 | 2023-04-25 | 深圳扬兴科技有限公司 | 一种振荡器电路中噪声补偿的电路 |
CN116224312A (zh) * | 2023-05-08 | 2023-06-06 | 河海大学 | 一种多普勒计程仪测速数据去噪方法 |
CN116304751A (zh) * | 2023-05-23 | 2023-06-23 | 天佑京铁轨道技术有限公司 | 用于动车组部件检修的运行数据处理方法 |
CN116304604A (zh) * | 2023-05-12 | 2023-06-23 | 合肥工业大学 | 多变量时间序列数据异常检测、模型训练方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7743270B2 (en) * | 2006-09-11 | 2010-06-22 | International Business Machines Corporation | Assigning clock arrival time for noise reduction |
-
2023
- 2023-09-25 CN CN202311242656.XA patent/CN116991199B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101410773A (zh) * | 2003-07-28 | 2009-04-15 | 索诺斯公司 | 同步多个独立时钟数字数据处理设备间的操作的系统和方法 |
CN102142862A (zh) * | 2009-12-04 | 2011-08-03 | 英特尔公司 | 用于噪声降低的混沌宽带频率调制器 |
CN212231411U (zh) * | 2020-06-15 | 2020-12-25 | 深圳扬兴科技有限公司 | 基于基准时钟生成电路的晶体振荡器 |
CN113624447A (zh) * | 2021-06-24 | 2021-11-09 | 长春工业大学 | 一种用于光纤光栅传感网络的复合去噪方法 |
CN113836704A (zh) * | 2021-09-06 | 2021-12-24 | 广州大学 | 一种基于改进奇异谱分析的时间序列降噪方法及装置 |
CN115514444A (zh) * | 2022-09-14 | 2022-12-23 | 烽火通信科技股份有限公司 | 多路异步波长标签信号时钟恢复方法与系统 |
CN116015212A (zh) * | 2022-10-19 | 2023-04-25 | 深圳扬兴科技有限公司 | 一种振荡器电路中噪声补偿的电路 |
CN115798502A (zh) * | 2023-01-29 | 2023-03-14 | 深圳市深羽电子科技有限公司 | 一种用于蓝牙耳机的音频去噪方法 |
CN115935296A (zh) * | 2023-03-09 | 2023-04-07 | 国网山东省电力公司营销服务中心(计量中心) | 一种电能数据计量方法及系统 |
CN116224312A (zh) * | 2023-05-08 | 2023-06-06 | 河海大学 | 一种多普勒计程仪测速数据去噪方法 |
CN116304604A (zh) * | 2023-05-12 | 2023-06-23 | 合肥工业大学 | 多变量时间序列数据异常检测、模型训练方法和系统 |
CN116304751A (zh) * | 2023-05-23 | 2023-06-23 | 天佑京铁轨道技术有限公司 | 用于动车组部件检修的运行数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116991199A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116991199B (zh) | 用于时钟芯片的时钟信号智能降噪方法 | |
Hall et al. | A functional data—analytic approach to signal discrimination | |
US6782297B2 (en) | Methods and apparatus for data smoothing | |
CN116304581B (zh) | 一种空调用智能电控系统 | |
CN106649026B (zh) | 适用于运维自动化系统的监测数据压缩方法 | |
CN117236084B (zh) | 一种木工机械加工生产智能管理方法及系统 | |
CN108009122B (zh) | 一种改进的hht方法 | |
CN117454085B (zh) | 一种车辆在线监控方法及系统 | |
CN114970602A (zh) | 基于改进的经验模态分解与小波阀值函数的信号去噪方法与系统 | |
CN111274525A (zh) | 一种基于多线性增广拉格朗日乘子法的张量数据恢复方法 | |
CN115800245A (zh) | 基于sarima-随机森林组合模型的短期负荷预测方法 | |
CN116976684A (zh) | 用于物流输送机的风险模型预测控制方法及系统 | |
CN109724693B (zh) | 一种基于平稳小波的融合光谱去噪方法 | |
Chang et al. | Cubic spline interpolation with overlapped window and data reuse for on-line hilbert huang transform biomedical microprocessor | |
CN117169886A (zh) | 基于无迹卡尔曼滤波的高效率相位解缠方法 | |
CN115902528B (zh) | 一种直流牵引网振荡与短路故障辨识方法 | |
CN109544593B (zh) | 一种基于自相似度量的通用图像噪声估计方法 | |
CN109903181B (zh) | 基于压缩感知的缺失数据集下的线损预测方法 | |
CN114330850B (zh) | 一种用于气候预测的异常相对倾向生成方法与系统 | |
CN113362853B (zh) | 一种基于lstm网络emd端点效应抑制方法 | |
Tong et al. | A robust time-frequency decomposition model for suppression of mixed Gaussian-impulse noise in audio signals | |
CN111723677A (zh) | 一种基于自适应阈值的小波去噪方法 | |
CN117786325B (zh) | 一种大口径物联网水表的环境温度智慧预警系统 | |
Kharkov et al. | Blind estimation of noise variance for 1D signal denoising | |
CN117743758A (zh) | 一种改进经验模态的原子钟数据去噪算法 |
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 |