CN117251798A - 一种基于两层渐进式的气象设备异常检测方法 - Google Patents

一种基于两层渐进式的气象设备异常检测方法 Download PDF

Info

Publication number
CN117251798A
CN117251798A CN202311178041.5A CN202311178041A CN117251798A CN 117251798 A CN117251798 A CN 117251798A CN 202311178041 A CN202311178041 A CN 202311178041A CN 117251798 A CN117251798 A CN 117251798A
Authority
CN
China
Prior art keywords
data
anomaly
calculating
distance
meteorological equipment
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.)
Pending
Application number
CN202311178041.5A
Other languages
English (en)
Inventor
朱怡安
杨一丹
李联
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202311178041.5A priority Critical patent/CN117251798A/zh
Publication of CN117251798A publication Critical patent/CN117251798A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种基于两层渐进式的气象设备异常检测方法，属于气象设备检测领域。首先，通过特征选择方法来对高维数据进行处理，过滤掉与异常检测无关的数据达到降维的目的。其次，采用改进后的孤立森林算法快速扫描数据集，基于应用后的结果，根据异常分数的离散情况，设计基于数据异常度的修剪阈值方法，减去明显正常的数据，生成异常候选集。通过局部异常因子进行更精准的异常检测，使其更能满足精度需求。本发明在传统孤立森林上进行改进，解决了由二叉树的分支操作标准而对局部异常点检测准确性的影响，同时引入局部异常因子及剪枝操作，在提高检测精度的基础上降低时间复杂度，兼顾两种需求。

Description

一种基于两层渐进式的气象设备异常检测方法
技术领域
本发明属于气象设备检测领域，具体涉及一种气象设备异常检测的方法。
背景技术
目前大部分气象设备异常检测模型的构建大多采用以下两种方式，基于装备机理构建的方式，以及基于数据驱动的方式。基于装备机理构建的方式通常需要对系统的物理原理和行为进行深入理解。这对于复杂的系统而言可能是一项挑战，需要专门的领域知识和专业技能。同时，对于大量的训练数据和全面的参数范围具有较高的要求。如果数据不足或者参数范围过于广泛，模型的性能可能会受到限制。而采用数据驱动的方式，无需对气象设备的机理进行仿真建模。
气象设备包括降水仪、重力波、测云仪等，降水仪设备的全称为降水粒子三维成像测量仪。降水仪系统组成包括光学单元、成像单元、采集与控制单元、数据处理单元和整机防护单元。其中成像单元以IMX304型号的CMOS图像传感器为核心，其作用是对穿过采样区域的降水粒子进行快速曝光。根据降水仪的工作原理可知，设备能否正常工作，与降水仪脉冲光源和CMOS图像传感器的工作状态息息相关。因此分析降水仪脉冲光源与CMOS图像传感器的故障健康情况，可以成为判断降水仪设备故障健康情况的直接依据。
通用的异常检测算法，主要通过对特征提取后的电信号来进行异常检测，检测效率高的算法对于局部异常点的检测仍有不准确性，考虑局部异常点的分布则会产生较大的时间复杂度，无法兼顾精度与实时性的需求。
发明内容
本发明所要解决的技术问题是：
为了避免现有技术的不足之处，本发明提供一种两层渐进式的气象设备异常检测方法，其不仅能有效的检测出气象设备数据的异常，同时该检测方法在具有较高的检测精度的同时满足效率及实时性的需求，并最终在降水仪气象设备上进行验证。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于两层渐进式的气象设备异常检测方法，其特征在于，包括：
利用方差过滤法对气象设备数据进行特征选择，在所选的衡量气象设备是否发生故障的特征数据中过滤掉与异常无关的特征向量；
对气象设备特征数据进行标准化处理；
利用改进后的孤立森林算法对标准化处理后的气象设备数据构建多棵有效孤立树，形成孤立森林，计算异常得分值；
根据获得的异常得分，计算数据的离散程度，修剪掉明显正常的数据，获得异常检测候选者；
计算异常检测候选者的局部可达密度和局部异常因子，来判断数据点的相对异常程度，获得异常分数；
根据异常分数判断气象设备是否发生故障。
本发明进一步的技术方案：所述利用方差过滤法对数据进行特征选择具体为：
获取多维的气象设备特征数据；
计算每个特征的方差，将其与设定阈值进行比对，去除低于设定阈值的数据。
本发明进一步的技术方案：所述对气象设备特征数据进行标准化处理具体为：
计算数据中的最小值和最大值；
采用归一化公式对数据进行标准化处理，使得标准化后的数据服从0到1之间的正态分布，消除样本之间的数量级差异。
本发明进一步的技术方案：所述利用改进后的孤立森林算法对标准化处理后的气象设备数据构建多棵有效孤立树，形成孤立森林，计算异常得分值的方法具体为：
将待检测数据Fdec加入到多棵有效孤立树集Fi＝(F1,F2,...Fk)中得到孤立森林FiForest＝(F1,F2,...Fk,Fdec)；选择FiForest作为训练数据，确定FiForest集合中的最大值Fmax，最小值Fmin；
选择切割点x∈(Fmin,Fmax)；将切割点满足构成左侧集合，不满足构成右侧集合，其中p为截距，n为斜率；设第一个分割点的左侧集合数量为NUMleft，右侧集合数量为NUMright，那么/>如果τ∈[1,10]，那么认为该树为劣势树，则跳过该树，继续采用递归的方式构建下一棵树，直到构建满100棵树为止；其中树的生长的终止条件为：树的每个节点只有一个数据存在或者达到树的最大生长高度；其中树的最大高度限制h与子样本数量/>有关：/>
计算构建的二叉树的平均路径长度C(n′)，其中n′为构建孤立树时的样本个数；
设待检测数据Fdec在孤立森林中每棵树上的平均高度为E(h(x))；那么待检测数据Fdec的异常得分值为式中x＝Fdec。
本发明进一步的技术方案：所述根据获得的异常得分，计算数据的离散程度，修剪掉明显正常的数据，获得异常检测候选者的方法具体为：
获得由异常分数对应的数据构成的数据集D＝{x1,x2,…,xi,…,xn}，其中n是D的样本数，xi是数据值；该属性的离散系数定义为：其中/>是D的均值，fdi用于度量分散程度；
通过离散系数计算数据集的修剪阈值θD，θD用于表示数据集中异常值的比例：
其中，Top_m指在排序后具有最大异常分数的，m和α是调整因子，取决于数据集的大小和分布，Df为数据集的异常值系数向量；
将小于阈值θD的数据集视为正常数据，大于阈值θD视为异常数据的候选集。
本发明进一步的技术方案：所述计算异常检测候选者的局部可达密度和局部异常因子，来判断数据点的相对异常程度，获得异常分数的方法具体为：
设置点p为中心点，计算点p到其他数据点q之间的距离计算点p的k距离，即对从点p到其他数据点的距离进行排序，并将从点p至第k个
数据点的间距记录为k-distance。
计算点p的k距离邻域，即给定p的k距离，p的k距邻域包含其与p的距离不大于k距离的每个对象；这些对象q被称为p的k近邻，公式表达为
Nk-distance(p)(p)＝{q∈D\{p}|d(p,q)≤k-distance(p)}；
计算点p的可达距离，设k是一个自然数，对象p相对于对象o的可达性距离定义为
reach-diskk(p,o)＝max{k-distance(o),d(p,o)}；
计算点p的局部可达性密度，对象p的局部可达性密度是基于p的MinPtst最近的邻
居的平均可达性距离的倒数
计算异常分数值
本发明进一步的技术方案：所述根据异常分数判断气象设备是否发生故障具体为：
将异常分数值与阈值进行比较：当异常分数值大于阈值，判定气象设备发生异常，即设备出现故障；当异常分数值小于等于阈值，则判定气象设备正常，即设备状态良好。
一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
本发明的有益效果在于：
本发明提供的一种基于两层渐进式的气象设备异常检测方法，通过在传统孤立森林算法中引入斜率和截距，进行随机方向上对数据的切割，消除了因传统孤立森林算法按平行于坐标轴的方向切割数据导致的异常检测结果不正确的可能性；引入每个数据点与其相邻点之间的密度来对异常值进行判定，消除基于树结构算法在局部检测上的劣势，加强了异常检测局部检测的精确度；同时设计代码，通过判断离散程度来对数据进行剪枝，形成异常数据候选者，简化了异常检测过程，同时提高了算法运行的效率，消除了因对局部优化而造成的时间复杂度过高问题。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1本发明气象设备异常检测方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供的一种基于两层渐进式的气象设备异常检测方法，在传统孤立森林上进行改进，解决了由二叉树的分支操作标准而对局部异常点检测准确性的影响，同时引入局部异常因子及剪枝操作，在提高检测精度的基础上降低时间复杂度，兼顾两种需求。首先，通过特征选择方法来对高维数据进行处理，过滤掉与异常检测无关的数据达到降维的目的。其次，采用改进后的孤立森林算法快速扫描数据集，基于应用后的结果，根据异常分数的离散情况，设计基于数据异常度的修剪阈值方法，减去明显正常的数据，生成异常候选集。通过局部异常因子进行更精准的异常检测，使其更能满足精度需求。最后，本发明以降水仪为例，采用降水仪在不同低温环境下进行测试，数据验证该模型具有一定的先进性和有效性。
如图1所示，本发明具体包括以下步骤：
步骤S1：对数据进行特征选择，在降水仪气象设备的CMOS图像传感器数据中过滤掉与异常无关的特征向量：
步骤S1.1：对气象设备的电信号数据在多维度上Xi＝(x1,x2,…xm)进行特征选择。首先指定过滤的阈值threshold。
步骤S1.2：计算每个特征的方差。Score代表每个特征的方差值，即其中/>指数据值与其平均值之差的平方的平均值。
步骤S1.3：对于每个特征的方差值，如果其方差小于设定的阈值，则认为该特征的取值变化比较小，不存在潜在的故障，被判定为低方差特征。
步骤S1.4：去除所有被标记为低方差特征的数据列。
步骤S2：对降水仪气象设备CMOS特征数据进行标准化处理：
步骤S2.1：计算数据中的最小值xmin和数据中的最大值xmax
步骤S2.2：采用公式对数据进行标准化处理，使得标准化后的数据服从0到1之间的正态分布，消除样本之间的数量级差异。
步骤S3：利用改进后的孤立森林算法对标准化处理后的CMOS数据构建多棵有效孤立树，形成孤立森林，计算异常得分值：
步骤S3.1：将待检测数据加入到多棵有效孤立树集Fi＝(F1,F2,...Fk)中得到孤立森林FiForest＝(F1,F2,...Fk,Fdec)。选择FiForest作为训练数据，确定FiForest集合中的最大值Fmax，最小值Fmin。
步骤S3.2：选择切割点x∈(Fmin,Fmax)。将切割点满足的放作左节点(构成左侧集合)，不满足的放作右节点(构成右侧集合)，其中p为截距，n为斜率。设第一个分割点的左侧集合数量为NUMleft,右侧集合数量为NUMright，那么/>如果τ∈[1,10]，那么认为该树为劣势树，则跳过该树，继续采用递归的方式构建下一棵树，直到构建满100棵树为止。其中树的生长的终止条件为：树的每个节点只有一个数据存在或者达到树的最大生长高度。其中树的最大高度限制h与子样本数量/>有关：/>
步骤S3.3：计算构建的二叉树的平均路径长度其中n为构建孤立树时的样本个数，H(n-1)＝ln(n-1)+0.5772156649。
步骤S3.4：设待检测电信号数据Fdec在孤立森林中每棵树上的平均高度为E(h(x))。那么待检测电信号数据Fdec的异常得分值为式中x＝Fdec。
步骤S4：根据获得的异常得分，计算降水仪气象设备CMOS数据的离散程度，修剪掉明显正常的数据，获得异常检测候选者。
步骤S4.1：获得由异常分数构成的数据集D＝{x1,x2,…,xi,…,xn}，其中n是D的样本数，xi是数据值。该属性的离散系数定义为：其中/>是D的均值，fdi用于度量分散程度。
步骤S4.2：通过离散系数可以计算出数据集的修剪阈值θD，θD可以表示数据集中异常值的比例，具体的表示为：
其中，Top_m指在排序后具有最大异常分数的，m和α是调整因子，取决于数据集的大小和分布。Df为数据集的异常值系数向量。
步骤S4.3：将小于阈值θD的数据集视为正常数据，大于阈值θD视为异常数据的候选集。
步骤S5：计算异常检测候选者的局部可达密度和局部异常因子，来判断数据点的相对异常程度，获得异常分数：
步骤S5.1：设置点p为中心点，计算点p到其他数据点q之间的距离
步骤S5.2：计算点p的k距离，即对从点p到其他数据点的距离进行排序，并将从点p至第k个数据点的间距记录为k-distance。
步骤S5.3：计算点p的k距离邻域，即给定p的k距离，p的k距邻域包含其与p的距离不大于k距离的每个对象。这些对象q被称为p的k近邻，公式表达为Nk-distance(p)(p)＝{q∈D\{p}|d(p,q)≤k-distance(p)}。
步骤S5.4：计算点p的可达距离，设k是一个自然数，对象p相对于对象o的可达性距离定义为reach-diskk(p,o)＝max{k-distance(o),d(p,o)}。
步骤S5.5：计算点p的局部可达性密度，对象p的局部可达性密度是基于p的MinPtst最近的邻居的平均可达性距离的倒数
步骤S5.6：计算异常分数值
步骤S6：判断降水仪气象设备CMOS图像传感器数据是否出现异常，即降水仪气象设备是否出现设备故障：
步骤S6.1：确定判定气象设备数据异常的得分值LOFMinPts(p)：当LOFMinPts(p)＞S(LOF)时，判定气象设备发生异常，即设备出现故障；当LOFMinPts(p)≤S(LOF)时，则判定气象设备正常，即设备状态良好。其中，S(LOF)为设定的局部异常因子相对异常程度的阈值。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于两层渐进式的气象设备异常检测方法，其特征在于，包括：
利用方差过滤法对气象设备数据进行特征选择，在所选的衡量气象设备是否发生故障的特征数据中过滤掉与异常无关的特征向量；
对气象设备特征数据进行标准化处理；
利用改进后的孤立森林算法对标准化处理后的气象设备数据构建多棵有效孤立树，形成孤立森林，计算异常得分值；
根据获得的异常得分，计算数据的离散程度，修剪掉明显正常的数据，获得异常检测候选者；
计算异常检测候选者的局部可达密度和局部异常因子，来判断数据点的相对异常程度，获得异常分数；
根据异常分数判断气象设备是否发生故障。
2.根据权利要求1所述的一种基于两层渐进式的气象设备异常检测方法，其特征在于，所述利用方差过滤法对数据进行特征选择具体为：
获取多维的气象设备特征数据；
计算每个特征的方差，将其与设定阈值进行比对，去除低于设定阈值的数据。
3.根据权利要求2所述的一种基于两层渐进式的气象设备异常检测方法，其特征在于，所述对气象设备特征数据进行标准化处理具体为：
计算数据中的最小值和最大值；
采用归一化公式对数据进行标准化处理，使得标准化后的数据服从0到1之间的正态分布，消除样本之间的数量级差异。
4.根据权利要求1所述的一种基于两层渐进式的气象设备异常检测方法，其特征在于，所述利用改进后的孤立森林算法对标准化处理后的气象设备数据构建多棵有效孤立树，形成孤立森林，计算异常得分值的方法具体为：
将待检测数据Fdec加入到多棵有效孤立树集Fi＝(F1,F2,...Fk)中得到孤立森林FiForest＝(F1,F2,...Fk,Fdec)；选择FiForest作为训练数据，确定FiForest集合中的最大值Fmax，最小值Fmin；
选择切割点x∈(Fmin,Fmax)；将切割点满足构成左侧集合，不满足构成右侧集合，其中p为截距，n为斜率；设第一个分割点的左侧集合数量为NUMleft，右侧集合数量为NUMright，那么/>如果τ∈[1,10]，那么认为该树为劣势树，则跳过该树，继续采用递归的方式构建下一棵树，直到构建满100棵树为止；其中树的生长的终止条件为：树的每个节点只有一个数据存在或者达到树的最大生长高度；其中树的最大高度限制h与子样本数量/>有关：/>
计算构建的二叉树的平均路径长度C(n′)，其中n′为构建孤立树时的样本个数；
设待检测数据Fdec在孤立森林中每棵树上的平均高度为E(h(x))；那么待检测数据Fdec的异常得分值为式中x＝Fdec。
5.根据权利要求1所述的一种基于两层渐进式的气象设备异常检测方法，其特征在于，所述根据获得的异常得分，计算数据的离散程度，修剪掉明显正常的数据，获得异常检测候选者的方法具体为：
获得由异常分数对应的数据构成的数据集D＝{x1,x2,…,xi,…,xn}，其中n是D的样本数，xi是数据值；该属性的离散系数定义为：其中/>是D的均值，fdi用于度量分散程度；
通过离散系数计算数据集的修剪阈值θD，θD用于表示数据集中异常值的比例：
其中，Top_m指在排序后具有最大异常分数的，m和α是调整因子，取决于数据集的大小和分布，Df为数据集的异常值系数向量；
将小于阈值θD的数据集视为正常数据，大于阈值θD视为异常数据的候选集。
6.根据权利要求1所述的一种基于两层渐进式的气象设备异常检测方法，其特征在于，所述计算异常检测候选者的局部可达密度和局部异常因子，来判断数据点的相对异常程度，获得异常分数的方法具体为：
设置点p为中心点，计算点p到其他数据点q之间的距离
计算点p的k距离，即对从点p到其他数据点的距离进行排序，并将从点p至第k个数据点的间距记录为k-distance。
计算点p的k距离邻域，即给定p的k距离，p的k距邻域包含其与p的距离不大于k距离的每个对象；这些对象q被称为p的k近邻，公式表达为Nk-distance(p)(p)＝{q∈D\{p}|d(p,q)≤k-distance(p)}；
计算点p的可达距离，设k是一个自然数，对象p相对于对象o的可达性距离定义为reach-diskk(p,o)＝max{k-distance(o),d(p,o)}；
计算点p的局部可达性密度，对象p的局部可达性密度是基于p的MinPtst最近的邻居的平均可达性距离的倒数
计算异常分数值
7.根据权利要求1所述的一种基于两层渐进式的气象设备异常检测方法，其特征在于，所述根据异常分数判断气象设备是否发生故障具体为：
将异常分数值与阈值进行比较：当异常分数值大于阈值，判定气象设备发生异常，即设备出现故障；当异常分数值小于等于阈值，则判定气象设备正常，即设备状态良好。
8.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。
9.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。
CN202311178041.5A 2023-09-12 2023-09-12 一种基于两层渐进式的气象设备异常检测方法 Pending CN117251798A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311178041.5A CN117251798A (zh) 2023-09-12 2023-09-12 一种基于两层渐进式的气象设备异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311178041.5A CN117251798A (zh) 2023-09-12 2023-09-12 一种基于两层渐进式的气象设备异常检测方法

Publications (1)

Publication Number Publication Date
CN117251798A true CN117251798A (zh) 2023-12-19

Family

ID=89127322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311178041.5A Pending CN117251798A (zh) 2023-09-12 2023-09-12 一种基于两层渐进式的气象设备异常检测方法

Country Status (1)

Country Link
CN (1) CN117251798A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437271A (zh) * 2023-12-20 2024-01-23 湖南中斯信息科技有限公司 基于人工智能的三维目标测量方法
CN117740811A (zh) * 2024-02-20 2024-03-22 广东格绿朗节能科技有限公司 一种新能源汽车遮阳篷性能检测方法、系统及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437271A (zh) * 2023-12-20 2024-01-23 湖南中斯信息科技有限公司 基于人工智能的三维目标测量方法
CN117437271B (zh) * 2023-12-20 2024-03-08 湖南中斯信息科技有限公司 基于人工智能的三维目标测量方法
CN117740811A (zh) * 2024-02-20 2024-03-22 广东格绿朗节能科技有限公司 一种新能源汽车遮阳篷性能检测方法、系统及存储介质
CN117740811B (zh) * 2024-02-20 2024-04-30 广东格绿朗节能科技有限公司 一种新能源汽车遮阳篷性能检测方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN117251798A (zh) 一种基于两层渐进式的气象设备异常检测方法
CN111650453B (zh) 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统
CN108320306B (zh) 融合tld和kcf的视频目标跟踪方法
CN111753985A (zh) 基于神经元覆盖率的图像深度学习模型测试方法与装置
CN108399434B (zh) 基于特征提取的高维时间序列数据的分析预测方法
CN112507861A (zh) 一种多层卷积特征融合的行人检测方法
CN112116198A (zh) 数据驱动的流程工业状态感知网络关键节点筛选方法
CN116402825B (zh) 轴承故障红外诊断方法、系统、电子设备及存储介质
CN111680725A (zh) 基于重构贡献的气体传感器阵列多故障隔离算法
CN116861303A (zh) 一种变电站数字孪生多源信息融合诊断方法
CN116386081A (zh) 一种基于多模态图像的行人检测方法及系统
CN114443338A (zh) 面向稀疏负样本的异常检测方法、模型构建方法及装置
CN114487129A (zh) 基于声发射技术的柔性材料的损伤识别方法
CN114330486A (zh) 基于改进Wasserstein GAN的电力系统不良数据辨识方法
CN114297264A (zh) 一种时序信号异常片段检测方法及系统
CN116388865B (zh) 一种基于pon光模块光功率异常的自动筛选方法
CN115310499B (zh) 一种基于数据融合的工业设备故障诊断系统及方法
CN116595465A (zh) 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统
CN110632191A (zh) 一种基于决策树算法的变压器色谱峰定性方法和系统
CN113554079B (zh) 一种基于二次检测法的电力负荷异常数据检测方法及系统
CN114896228A (zh) 基于过滤规则多级组合优化的工业数据流清洗模型和方法
CN111626329B (zh) 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法
CN115147385A (zh) 一种航空孔探视频中重复损伤的智能检测和判定方法
CN114563771A (zh) 基于聚类分析的双阈值激光雷达云层检测算法
CN112183745A (zh) 基于粒子群算法和dbn的高压电缆局部放电模式识别方法

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