CN117131336A - 一种电子设备连接器数据处理方法 - Google Patents
一种电子设备连接器数据处理方法 Download PDFInfo
- Publication number
- CN117131336A CN117131336A CN202311393656.XA CN202311393656A CN117131336A CN 117131336 A CN117131336 A CN 117131336A CN 202311393656 A CN202311393656 A CN 202311393656A CN 117131336 A CN117131336 A CN 117131336A
- Authority
- CN
- China
- Prior art keywords
- noise
- current
- current data
- component
- data
- 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
- 238000003672 processing method Methods 0.000 title abstract description 5
- 239000011159 matrix material Substances 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 15
- 238000007621 cluster analysis Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 41
- 238000005070 sampling Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Complex Calculations (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明涉及数据处理技术领域,提出了一种电子设备连接器数据处理方法,包括:采集电子设备连接器的若干段电流数据,得到其中的当前段电流数据;根据每段电流数据EMD分解得到的每个IMF分量中能量分布,得到每个分量的噪声系数及每段电流数据的分量噪声序列;根据每段电流数据的分量噪声序列,构建当前段电流数据的噪声矩阵并得到噪声矩阵中每列元素的可信度;获取当前段电流数据每个分量的噪声拟合值及噪声概率;根据噪声概率得到修正距离并聚类分析;根据聚类结果对当前段电流数据进行去噪重构,得到当前段处理后的电流数据。本发明旨在解决电子设备连接器进行数据信号传输时受噪声影响导致数据丢失或错误的问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种电子设备连接器数据处理方法。
背景技术
在现代电子设备之间的通信和数据传输时,连接器起着至关重要的作用;连接器不仅用于物理上连接不同的电子设备,而且用于电子信号及数据的快速、准确及可靠传输;然而由于各种原因,包括电磁干扰、信号衰减、硬件限制等,传输过程中的电流数据在经过连接器后会出现噪声的情况,这些噪声会影响连接器传输电流数据的质量,甚至可能导致数据丢失或错误。
而在电流数据的模拟信号进行传输的过程中,由于模拟信号为连续数据,受到噪声影响较为严重,现有方法通过EMD分解并重构来对电流数据进行去噪并传输;然而通过EMD分解电流数据得到若干IMF分量后,若去除的IMF分量选择不当,会导致重构的电流数据损失过大,进而导致可能达成去噪效果但传输的数据信号出现错误的情况。
发明内容
本发明提供一种电子设备连接器数据处理方法,以解决现有的电子设备连接器进行数据信号传输时受噪声影响导致数据丢失或错误的问题,所采用的技术方案具体如下:
本发明一个实施例提供了一种电子设备连接器数据处理方法,该方法包括以下步骤:
采集电子设备连接器的若干段电流数据,得到其中的当前段电流数据;
根据每段电流数据EMD分解得到的每个IMF分量中能量分布,得到每个分量的噪声系数及每段电流数据的分量噪声序列;
根据每段电流数据的分量噪声序列,构建当前段电流数据的噪声矩阵并得到噪声矩阵中每列元素的可信度;根据噪声系数、噪声矩阵及可信度,获取当前段电流数据每个分量的噪声拟合值及噪声概率;
根据噪声概率对当前段电流数据分量间用于聚类的距离度量进行修正,得到修正距离并聚类分析;根据聚类结果对当前段电流数据进行去噪重构,得到当前段处理后的电流数据。
进一步的,所述得到每个分量的噪声系数及每段电流数据的分量噪声序列,包括的具体方法为:
通过EMD分解,获取当前段电流数据的若干IMF分量及每个分量的能量累加值与能量变化率;当前段电流数据第个IMF分量的噪声系数/>的计算方法为:
其中,表示第/>个IMF分量的能量累加值,/>表示第/>个IMF分量的能量变化率,/>表示以自然常数为底的指数函数,/>为归一化函数;
获取当前段电流数据每个分量的噪声系数,对当前段电流数据所有分量的噪声系数进行排列,排列顺序为分量的频率顺序,得到的序列记为当前段电流数据的分量噪声序列;
获取每段电流数据每个分量的噪声系数及每段电流数据的分量噪声序列。
进一步的,所述当前段电流数据的若干IMF分量及每个分量的能量累加值与能量变化率,具体的获取方法为:
获取当前段电流数据的曲线形式,对曲线进行EMD分解,得到当前段电流数据的若干IMF分量;
对于当前段电流数据的第个IMF分量,获取第/>个IMF分量中所有采样时刻的能量值的累加值,记为第/>个IMF分量的能量累加值;
对所有采样时刻的能量值进行线性归一化,得到的结果记为每个采样时刻的能量系数;将每个采样时刻的能量系数,都与相邻前一个采样时刻的能量系数获取差值绝对值,对所有差值绝对值进行累加,得到的结果记为第个IMF分量的能量变化率。
进一步的,所述构建当前段电流数据的噪声矩阵并得到噪声矩阵中每列元素的可信度,包括的具体方法为:
根据每段电流数据的分量噪声序列,获取当前段电流数据的若干参考段电流数据及噪声矩阵;对于任意一列矩阵元素,将该列矩阵元素对应的参考段电流数据的分量噪声序列中元素数量,与噪声矩阵行数的比值,作为该列矩阵元素的可信度。
进一步的,所述当前段电流数据的若干参考段电流数据及噪声矩阵,具体的获取方法为:
将当前段电流数据的前参考数量段电流数据,作为当前段电流数据的参考段电流数据;
构建噪声矩阵,噪声矩阵中同列为同一参考段电流数据不同分量的噪声系数,同行为不同参考段电流数据相同频率分量的噪声系数,将参考段电流数据的分量噪声序列中的元素,按照参考段电流数据的时间顺序,逐列填入到噪声矩阵中;
对于噪声矩阵中未填入噪声系数的矩阵元素,通过矩阵元素左右相邻的矩阵元素的噪声系数进行插值,通过插值对噪声矩阵中所有矩阵元素填入噪声系数,最终得到的噪声矩阵,记为当前段电流数据的噪声矩阵。
进一步的,所述当前段电流数据每个分量的噪声拟合值及噪声概率,具体的获取方法为:
对于当前段电流数据的第个IMF分量,获取第/>个IMF分量对应频率在噪声矩阵中对应的行,根据该行所有矩阵元素进行加权数据拟合,权重为每个矩阵元素所在列的可信度,通过数据拟合进行预测,得到第/>个IMF分量的噪声系数预测值,记为第/>个IMF分量的噪声拟合值;
根据当前段电流数据每个分量的噪声系数及噪声拟合值,得到当前段电流数据每个分量的噪声概率。
进一步的,所述得到当前段电流数据每个分量的噪声概率,包括的具体方法为:
将第个IMF分量的噪声系数与噪声拟合值的差值绝对值,作为第/>个IMF分量的噪声因子,获取当前段电流数据每个分量的噪声因子;对所有噪声因子进行线性归一化,得到的结果记为当前段电流数据每个分量的噪声概率。
进一步的,所述得到修正距离并聚类分析,包括的具体方法为:
对于当前段电流数据任意两个分量,将两个分量的噪声系数的差值绝对值,与两个分量的噪声概率的差值绝对值相乘,得到的乘积记为两个分量的修正距离;
根据修正距离对当前段电流数据所有分量进行聚类分析。
进一步的,所述根据修正距离对当前段电流数据所有分量进行聚类分析,包括的具体方法为:
对当前段电流数据的所有分量进行k-means聚类,k值设置为2,分量间采用修正距离进行聚类,得到两个聚簇;
对于任意一个聚簇,获取该聚簇中任意两个分量的修正距离,获取该聚簇所有修正距离的均值,记为该聚簇的距离均值;获取每个聚簇的距离均值,将距离均值最大的一个聚簇,记为噪声聚簇,噪声聚簇中所有分量记为噪声分量。
进一步的,所述得到当前段处理后的电流数据,包括的具体方法为:
对噪声分量进行去除,根据去除后保留的分量进行重构,重构的数据记为当前段处理后的电流数据。
本发明的有益效果是:本发明通过对电子设备连接器的电流数据进行去噪处理,来保证电流数据的传输不会出现数据丢失及错误;而在去噪过程中,通过对当前段电流数据进行EMD分解及重构,完成去噪处理;在对噪声分量的分析及获取过程中,根据各分量的能量分布来量化噪声系数,通过噪声系数来反映各分量包含噪声的可能性;同时为避免局部分类效果较差,根据当前段电流数据之前若干段电流数据来对当前段电流数据每个分量的噪声系数进行预测,得到噪声拟合值,通过噪声拟合值来反映每个分量的噪声系数分布,进而得到噪声概率,使得噪声概率反映的包含噪声的可能性更加准确,再根据噪声概率对噪声系数得到的距离度量进行修正,并聚类分析,根据聚类结果确定噪声分量,最终完成去噪重构处理,保证电流数据不会受到噪声影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种电子设备连接器数据处理方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例所提供的一种电子设备连接器数据处理方法流程图,该方法包括以下步骤:
步骤S001、采集电子设备连接器的若干段电流数据,得到其中的当前段电流数据。
本实施例的目的是对电子设备连接器的电流数据进行去噪处理,从而避免噪声影响下电流数据传输发生丢失及错误,因此首先需要通过电子设备连接器中的数据处理芯片,定期采集一段电流数据,得到若干段电流数据;其中本实施例电流数据的采样频率设置为5ms,每采集100个电流数据,作为一段电流数据;以最近一次采集到的一段电流数据为当前段电流数据,共采集包括当前段电流数据在内的向前20段电流数据,则得到若干段电流数据。
至此,获取到了电子设备连接器的若干段电流数据。
步骤S002、根据每段电流数据EMD分解得到的每个IMF分量中能量分布,得到每个分量的噪声系数及每段电流数据的分量噪声序列。
需要说明的是,对电流数据进行EMD分解得到若干IMF分量后,由于噪声随机出现且相较于电流数据所含能量较小,因此电流数据是连续的,且仍会占据主要的能量分布;而对于噪声,其在IMF分量中表现为高频小幅度的波动,而电流数据存在高频、低频或多频的成分,无法通过IMF分量的频率来判断噪声,因此需要结合噪声能量较小,且会破坏电流数据的连续性的特点,通过IMF分量中能量分布,来获取每个分量的噪声系数。
具体的,以当前段电流数据为例,以横坐标为采样时刻,纵坐标为电流值,获取当前段电流数据的曲线形式,对曲线进行EMD分解,得到当前段电流数据的若干IMF分量,EMD分解为公知技术,本实施例不再赘述;对于当前段电流数据的第个IMF分量,获取该分量中所有采样时刻的能量值的累加值,记为该分量的能量累加值;同时对所有采样时刻的能量值进行线性归一化,得到的结果记为每个采样时刻的能量系数;将每个采样时刻的能量系数,都与相邻前一个采样时刻的能量系数获取差值绝对值,对所有差值绝对值进行累加,得到的结果记为该分量的能量变化率,其中第一个采样时刻的能量系数不进行相应的差值绝对值计算;则当前段电流数据第/>个IMF分量的噪声系数/>的计算方法为:
其中,表示第/>个IMF分量的能量累加值,/>表示第/>个IMF分量的能量变化率,/>表示以自然常数为底的指数函数,/>为归一化函数;本实施例采用/>模型来呈现反比例关系,其中/>表示模型的输入,实施者可根据实际情况设置反比例函数;同时采用sigmoid函数来进行归一化处理,实施者可根据实际情况设置归一化函数;分量的能量累加值越大,其包含噪声的可能性越小,电流数据占比越多,相应能量值越大导致能量累加值越大,则噪声系数越小;能量变化率越大,表明分量中能量分布越不连续,发生变化较多,而电流数据的能量分布应是连续的,因此包含噪声的可能性越大,噪声系数越大。
进一步的,按照上述方法获取当前段电流数据每个分量的噪声系数,对当前段电流数据所有分量的噪声系数进行排列,排列顺序为分量的频率顺序,得到的序列记为当前段电流数据的分量噪声序列,其中高频分量的噪声系数排列在前,低频分量的噪声系数排列在后,分量的频率为EMD分解中的现有参数;按照上述方法对每段电流数据进行EMD分解,得到若干IMF分量,并对每个分量获取噪声系数,得到每段电流数据的分量噪声序列。
至此,获取到了每段电流数据的若干IMF分量,以及每个IMF分量的噪声系数及每段电流数据的分量噪声序列。
步骤S003、根据每段电流数据的分量噪声序列,构建当前段电流数据的噪声矩阵并得到噪声矩阵中每列元素的可信度;根据噪声系数、噪声矩阵及可信度,获取当前段电流数据每个分量的噪声拟合值及噪声概率。
需要说明的是,对于当前段电流数据,获取到分量的噪声系数后,可以通过K-means聚类进行二分类完成噪声分量的异常判断,然而电子设备连接器中电流速度较快,仅采用单独一段数据进行二分类会导致局部分类效果较差,从而导致噪声分量判断不准确,进而影响后续去噪效果;而电流具有连续性且噪声具有随机性,则可以通过分析当前段电流数据的相邻前若干段电流数据的分量噪声序列,通过相同频率在不同段电流数据中分量的噪声系数,获取当前段电流数据每个分量的噪声拟合值,通过噪声拟合值来与噪声系数进行比较分析,差异越大相应的分量的噪声概率越大,为后续聚类分析中距离度量的修正提供基础。
具体的,获取到每段电流数据的分量噪声序列后,对于当前段电流数据,预设一个参考数量,本实施例参考数量采用10进行叙述,将当前段电流数据前10段电流数据,作为当前段电流数据的参考段电流数据;构建噪声矩阵,噪声矩阵中同列为同一参考段电流数据不同分量的噪声系数,同行为不同参考段电流数据相同频率分量的噪声系数,将参考段电流数据的分量噪声序列中的元素,按照参考段电流数据的时间顺序,逐列填入到噪声矩阵中,需要说明的是,由于每段电流数据分解得到的IMF分量的数量存在差异,即分量噪声序列中元素对应的频率存在差异,因此噪声矩阵中每列都可能存在未填入噪声系数的矩阵元素,即对应参考段电流数据在该矩阵元素所处行对应的频率没有相应的分量,此时需要通过该矩阵元素左右相邻的矩阵元素的噪声系数进行插值;通过插值对噪声矩阵中所有矩阵元素填入噪声系数,最终得到的噪声矩阵,记为当前段电流数据的噪声矩阵。
进一步的,获取到噪声矩阵后,对于任意一列矩阵元素,将该列矩阵元素对应的参考段电流数据的分量噪声序列中元素数量,与噪声矩阵行数的比值,作为该列矩阵元素的可信度;获取每列矩阵元素的可信度;对于当前段电流数据的第个IMF分量,获取该分量对应频率在噪声矩阵中对应的行,根据该行所有矩阵元素进行加权数据拟合,权重为每个矩阵元素所在列的可信度,通过数据拟合进行预测,得到该分量的噪声系数预测值,记为该分量的噪声拟合值,其中数据拟合及预测为公知技术,本实施例采用最小二乘法进行拟合,本实施例不再赘述;将该分量的噪声系数与噪声拟合值的差值绝对值,作为该分量的噪声因子,按照上述方法获取当前段电流数据每个分量的噪声因子,需要说明的是,若当前段电流数据某个分量对应频率在噪声矩阵中没有对应的行,即参考段电流数据的EMD分解结果中均没有该频率的分量,则将该分量的噪声拟合值设置为0;对所有噪声因子进行线性归一化,得到的结果记为当前段电流数据每个分量的噪声概率。
至此,获取到了当前段电流数据每个分量的噪声概率,通过噪声系数与噪声拟合值的差异,差异越大,当前段电流数据的分量的噪声系数,越不符合对应频率分量的噪声系数分布,相应的能量分布与参考段电流数据相同频率的分量中能量分布的差异越大,包含噪声的可能性越大,则噪声概率越大。
步骤S004、根据噪声概率对当前段电流数据分量间用于聚类的距离度量进行修正,得到修正距离并聚类分析;根据聚类结果对当前段电流数据进行去噪重构,得到当前段处理后的电流数据。
需要说明的是,获取到当前段电流数据每个分量的噪声概率后,原本对分量进行聚类的距离度量是依据分量的噪声系数之间的差异,这种方法会过于局部化,因此通过获取噪声概率并修正距离度量,根据修正距离进行聚类分析,提高分量的噪声判断的准确性;再根据聚类结果得到噪声分量,并进行去噪重构,最终得到当前段处理后的电流数据。
具体的,对于当前段电流数据任意两个分量,其在k-means聚类过程中,距离度量原本采用两个分量的噪声系数的差值绝对值,将原本的距离度量,与两个分量的噪声概率的差值绝对值相乘,得到的乘积记为两个分量的修正距离;获取当前段电流数据任意两个分量的修正距离。
进一步的,对当前段电流数据的所有分量进行k-means聚类,由于进行二分类,k值设置为2,分量间采用修正距离进行聚类,得到两个聚簇;对于任意一个聚簇,获取该聚簇中任意两个分量的修正距离,获取该聚簇所有修正距离的均值,记为该聚簇的距离均值;获取每个聚簇的距离均值,将距离均值最大的一个聚簇,记为噪声聚簇,噪声聚簇中所有分量记为噪声分量;特别的,若其中一个聚簇中仅包含一个分量,则不再计算两个聚簇的距离均值,将仅包含一个分量的聚簇记为噪声聚簇,噪声聚簇中的分量记为噪声分量。
进一步的,对噪声分量进行去除,根据去除后保留的分量进行重构,重构的数据记为当前段处理后的电流数据,则对电子设备连接器最近一次采集到的一段电流数据完成了去噪处理。
至此,完成了对于电子设备连接器的电流数据的去噪处理。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电子设备连接器数据处理方法,其特征在于,该方法包括以下步骤:
采集电子设备连接器的若干段电流数据,得到其中的当前段电流数据;
根据每段电流数据EMD分解得到的每个IMF分量中能量分布,得到每个分量的噪声系数及每段电流数据的分量噪声序列;
根据每段电流数据的分量噪声序列,构建当前段电流数据的噪声矩阵并得到噪声矩阵中每列元素的可信度;根据噪声系数、噪声矩阵及可信度,获取当前段电流数据每个分量的噪声拟合值及噪声概率;
根据噪声概率对当前段电流数据分量间用于聚类的距离度量进行修正,得到修正距离并聚类分析;根据聚类结果对当前段电流数据进行去噪重构,得到当前段处理后的电流数据。
2.根据权利要求1所述的一种电子设备连接器数据处理方法,其特征在于,所述得到每个分量的噪声系数及每段电流数据的分量噪声序列,包括的具体方法为:
通过EMD分解,获取当前段电流数据的若干IMF分量及每个分量的能量累加值与能量变化率;当前段电流数据第个IMF分量的噪声系数/>的计算方法为:
其中,表示第/>个IMF分量的能量累加值,/>表示第/>个IMF分量的能量变化率,/>表示以自然常数为底的指数函数,/>为归一化函数;
获取当前段电流数据每个分量的噪声系数,对当前段电流数据所有分量的噪声系数进行排列,排列顺序为分量的频率顺序,得到的序列记为当前段电流数据的分量噪声序列;
获取每段电流数据每个分量的噪声系数及每段电流数据的分量噪声序列。
3.根据权利要求2所述的一种电子设备连接器数据处理方法,其特征在于,所述当前段电流数据的若干IMF分量及每个分量的能量累加值与能量变化率,具体的获取方法为:
获取当前段电流数据的曲线形式,对曲线进行EMD分解,得到当前段电流数据的若干IMF分量;
对于当前段电流数据的第个IMF分量,获取第/>个IMF分量中所有采样时刻的能量值的累加值,记为第/>个IMF分量的能量累加值;
对所有采样时刻的能量值进行线性归一化,得到的结果记为每个采样时刻的能量系数;将每个采样时刻的能量系数,都与相邻前一个采样时刻的能量系数获取差值绝对值,对所有差值绝对值进行累加,得到的结果记为第个IMF分量的能量变化率。
4.根据权利要求1所述的一种电子设备连接器数据处理方法,其特征在于,所述构建当前段电流数据的噪声矩阵并得到噪声矩阵中每列元素的可信度,包括的具体方法为:
根据每段电流数据的分量噪声序列,获取当前段电流数据的若干参考段电流数据及噪声矩阵;对于任意一列矩阵元素,将该列矩阵元素对应的参考段电流数据的分量噪声序列中元素数量,与噪声矩阵行数的比值,作为该列矩阵元素的可信度。
5.根据权利要求4所述的一种电子设备连接器数据处理方法,其特征在于,所述当前段电流数据的若干参考段电流数据及噪声矩阵,具体的获取方法为:
将当前段电流数据的前参考数量段电流数据,作为当前段电流数据的参考段电流数据;
构建噪声矩阵,噪声矩阵中同列为同一参考段电流数据不同分量的噪声系数,同行为不同参考段电流数据相同频率分量的噪声系数,将参考段电流数据的分量噪声序列中的元素,按照参考段电流数据的时间顺序,逐列填入到噪声矩阵中;
对于噪声矩阵中未填入噪声系数的矩阵元素,通过矩阵元素左右相邻的矩阵元素的噪声系数进行插值,通过插值对噪声矩阵中所有矩阵元素填入噪声系数,最终得到的噪声矩阵,记为当前段电流数据的噪声矩阵。
6.根据权利要求1所述的一种电子设备连接器数据处理方法,其特征在于,所述当前段电流数据每个分量的噪声拟合值及噪声概率,具体的获取方法为:
对于当前段电流数据的第个IMF分量,获取第/>个IMF分量对应频率在噪声矩阵中对应的行,根据该行所有矩阵元素进行加权数据拟合,权重为每个矩阵元素所在列的可信度,通过数据拟合进行预测,得到第/>个IMF分量的噪声系数预测值,记为第/>个IMF分量的噪声拟合值;
根据当前段电流数据每个分量的噪声系数及噪声拟合值,得到当前段电流数据每个分量的噪声概率。
7.根据权利要求6所述的一种电子设备连接器数据处理方法,其特征在于,所述得到当前段电流数据每个分量的噪声概率,包括的具体方法为:
将第个IMF分量的噪声系数与噪声拟合值的差值绝对值,作为第/>个IMF分量的噪声因子,获取当前段电流数据每个分量的噪声因子;对所有噪声因子进行线性归一化,得到的结果记为当前段电流数据每个分量的噪声概率。
8.根据权利要求1所述的一种电子设备连接器数据处理方法,其特征在于,所述得到修正距离并聚类分析,包括的具体方法为:
对于当前段电流数据任意两个分量,将两个分量的噪声系数的差值绝对值,与两个分量的噪声概率的差值绝对值相乘,得到的乘积记为两个分量的修正距离;
根据修正距离对当前段电流数据所有分量进行聚类分析。
9.根据权利要求8所述的一种电子设备连接器数据处理方法,其特征在于,所述根据修正距离对当前段电流数据所有分量进行聚类分析,包括的具体方法为:
对当前段电流数据的所有分量进行k-means聚类,k值设置为2,分量间采用修正距离进行聚类,得到两个聚簇;
对于任意一个聚簇,获取该聚簇中任意两个分量的修正距离,获取该聚簇所有修正距离的均值,记为该聚簇的距离均值;获取每个聚簇的距离均值,将距离均值最大的一个聚簇,记为噪声聚簇,噪声聚簇中所有分量记为噪声分量。
10.根据权利要求9所述的一种电子设备连接器数据处理方法,其特征在于,所述得到当前段处理后的电流数据,包括的具体方法为:
对噪声分量进行去除,根据去除后保留的分量进行重构,重构的数据记为当前段处理后的电流数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311393656.XA CN117131336B (zh) | 2023-10-26 | 2023-10-26 | 一种电子设备连接器数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311393656.XA CN117131336B (zh) | 2023-10-26 | 2023-10-26 | 一种电子设备连接器数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117131336A true CN117131336A (zh) | 2023-11-28 |
CN117131336B CN117131336B (zh) | 2024-01-30 |
Family
ID=88851119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311393656.XA Active CN117131336B (zh) | 2023-10-26 | 2023-10-26 | 一种电子设备连接器数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131336B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117559448A (zh) * | 2024-01-12 | 2024-02-13 | 山东德源电力科技股份有限公司 | 一种用于专变采集终端的用电负荷预测分析方法及系统 |
CN117761836A (zh) * | 2024-02-22 | 2024-03-26 | 深圳光通汇联技术有限公司 | 一种光纤阵列耦合器的自适应控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777442A (zh) * | 2015-04-07 | 2015-07-15 | 吉林大学 | 一种核磁共振测深fid信号噪声抑制方法 |
CN107219457A (zh) * | 2017-06-15 | 2017-09-29 | 河北工业大学 | 基于操作附件电流的框架式断路器故障诊断及程度评估方法 |
US20190022791A1 (en) * | 2017-06-19 | 2019-01-24 | C.R.F. Società Consortile Per Azioni | Method for performing a noise removal operation on a signal acquired by a sensor and system therefrom |
CN110346736A (zh) * | 2019-08-14 | 2019-10-18 | 合肥工业大学 | 基于改进小树变换的npc三电平逆变器故障诊断方法 |
CN114781430A (zh) * | 2022-03-18 | 2022-07-22 | 国网上海市电力公司 | 一种局部放电信号去噪方法 |
CN115210665A (zh) * | 2020-03-09 | 2022-10-18 | 三菱电机株式会社 | 基于稳健阻尼信号去混频来进行故障检测的系统和方法 |
-
2023
- 2023-10-26 CN CN202311393656.XA patent/CN117131336B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777442A (zh) * | 2015-04-07 | 2015-07-15 | 吉林大学 | 一种核磁共振测深fid信号噪声抑制方法 |
CN107219457A (zh) * | 2017-06-15 | 2017-09-29 | 河北工业大学 | 基于操作附件电流的框架式断路器故障诊断及程度评估方法 |
US20190022791A1 (en) * | 2017-06-19 | 2019-01-24 | C.R.F. Società Consortile Per Azioni | Method for performing a noise removal operation on a signal acquired by a sensor and system therefrom |
CN110346736A (zh) * | 2019-08-14 | 2019-10-18 | 合肥工业大学 | 基于改进小树变换的npc三电平逆变器故障诊断方法 |
CN115210665A (zh) * | 2020-03-09 | 2022-10-18 | 三菱电机株式会社 | 基于稳健阻尼信号去混频来进行故障检测的系统和方法 |
CN114781430A (zh) * | 2022-03-18 | 2022-07-22 | 国网上海市电力公司 | 一种局部放电信号去噪方法 |
Non-Patent Citations (2)
Title |
---|
HOU SIZU ET AL.: "Faulty Line Selection Based on Modified CEEMDAN Optimal Denoising Smooth Model and Duffing Oscillator for Un-Effectively Grounded System", 《 MATHEMATICAL PROBLEMS IN ENGINEERING》, pages 1 - 9 * |
齐庆周 等: "基于改进SSA的避雷器泄漏电流信号降噪算法研究", 《武汉理工大学学报》, pages 1 - 6 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117559448A (zh) * | 2024-01-12 | 2024-02-13 | 山东德源电力科技股份有限公司 | 一种用于专变采集终端的用电负荷预测分析方法及系统 |
CN117559448B (zh) * | 2024-01-12 | 2024-03-22 | 山东德源电力科技股份有限公司 | 一种用于专变采集终端的用电负荷预测分析方法及系统 |
CN117761836A (zh) * | 2024-02-22 | 2024-03-26 | 深圳光通汇联技术有限公司 | 一种光纤阵列耦合器的自适应控制方法及系统 |
CN117761836B (zh) * | 2024-02-22 | 2024-05-10 | 深圳光通汇联技术有限公司 | 一种光纤阵列耦合器的自适应控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117131336B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117131336B (zh) | 一种电子设备连接器数据处理方法 | |
CN116955938B (zh) | 一种基于数据分析的干式废气处理设备监测方法及系统 | |
CN111007566B (zh) | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 | |
CN116405109B (zh) | 基于线性直驱的光模块通信自适应调制方法 | |
CN111079710B (zh) | 一种基于改进ceemd滚动轴承信号的多层降噪方法 | |
CN109567789B (zh) | 心电图数据的分割处理方法、装置及可读存储介质 | |
CN116451029B (zh) | 一种除湿器工作状态预警方法 | |
CN112765550B (zh) | 一种基于Wi-Fi信道状态信息的目标行为分割方法 | |
CN116320043B (zh) | 一种提高多载波通信系统传输效率的方法及系统 | |
CN114937461A (zh) | 基于通道注意力与残差门控卷积的生猪声音事件检测方法及装置 | |
CN111353131B (zh) | 一种码载偏离度阈值计算的方法 | |
CN109194305B (zh) | 基于密度估计的数字化仪均值滤波方法 | |
CN117454085A (zh) | 一种车辆在线监控方法及系统 | |
CN110007342B (zh) | 一种用于低信噪比地震信号的时频域直接拾取初至方法及系统 | |
CN112986922B (zh) | 基于顺序统计滤波和二元检测的被动雷达信号检测方法 | |
CN114362851A (zh) | 一种基于机器学习的无线信道数据去噪方法 | |
CN117455911B (zh) | 一种网线水晶头生产测试方法及系统 | |
CN111007369A (zh) | 一种超高频电磁波信号到达时间差计算方法和装置 | |
CN111898567B (zh) | 基于经验小波变换的弹丸激波信号噪声抑制方法 | |
CN115877342B (zh) | 一种目标对象的确定方法、装置及设备 | |
CN113378614B (zh) | 一种局部放电信号去噪处理方法及系统 | |
CN118013191A (zh) | 基于lsm滤波、ceemdan联合小波检测绝缘子的去噪方法 | |
CN112395983B (zh) | 一种质谱数据峰位置对齐方法及装置 | |
CN117828285B (zh) | 一种生产数据管理系统及方法 | |
CN117590142B (zh) | 基于深度学习的开关柜故障诊断方法及系统 |
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 |