CN117454085B - 一种车辆在线监控方法及系统 - Google Patents
一种车辆在线监控方法及系统 Download PDFInfo
- Publication number
- CN117454085B CN117454085B CN202311403651.0A CN202311403651A CN117454085B CN 117454085 B CN117454085 B CN 117454085B CN 202311403651 A CN202311403651 A CN 202311403651A CN 117454085 B CN117454085 B CN 117454085B
- Authority
- CN
- China
- Prior art keywords
- denoising
- component
- value
- data
- obtaining
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 92
- 230000003044 adaptive effect Effects 0.000 claims abstract description 42
- 230000000694 effects Effects 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010606 normalization Methods 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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及数据监测技术领域，具体涉及一种车辆在线监控方法及系统；对数据序列进行分解获得数据分量；根据数据序列和数据分量之间的差异特征获得相关系数；根据相关系数的差异特征获得去噪分量和保留分量；根据去噪分量中数据点的分布特征获得自适应滤波窗口；根据自适应滤波窗口中数据点的差异特征获得滤波权重；根据滤波权重和对应的数据点获得滤波数值；根据滤波数值和去噪分量之间的差异特征获得去噪效果指数；根据去噪效果指数获得去噪最终分量。本发明根据保留分量和去噪最终分量获得去噪信号，提高了去噪效果并且保证了监控车辆状态的准确性。
Description
技术领域
本发明涉及数据监测领域，具体涉及一种车辆在线监控方法及系统。
背景技术
为了保障车辆在行驶过程中的安全，需要对车辆状态进行实时监测；车辆在行驶过程中各个结构都会产生大量的数据，并且容易产生噪声，因此为了提高车辆状态监测的准确性，需要对获取的数据进行去噪。
对车辆数据进行去噪的过程中可通过现有的经验模态分解获得多个分量，对各个分量进行均值滤波后重构，获得去噪数据。但通过分解后有包含大量噪声的个别分量，而对该类分量并没有舍弃从而直接去噪；以及通过均值滤波去噪中未根据数据的波动情况选取合适的滤波窗口和数据权重，导致最终去噪效果质量较差，进而对车辆在线监控的准确性不高。
发明内容
为了解决上述通过对分量进行均值滤波导致去噪效果较差，车辆监控的准确性低的技术问题，本发明的目的在于提供一种车辆在线监控方法及系统，所采用的技术方案具体如下：
获取车辆行驶的数据序列；对所述数据序列进行分解获得数据分量；根据所述数据序列和所述数据分量之间的差异特征获得相关系数；
根据所述相关系数的差异特征获得去噪分量和保留分量；根据所述去噪分量中数据点的分布特征获得自适应滤波窗口；根据所述自适应滤波窗口中数据点的差异特征获得滤波权重；
根据所述滤波权重和对应的数据点获得滤波数值；根据滤波数值和去噪分量之间的差异特征获得去噪效果指数；根据去噪效果指数获得去噪最终分量；
根据所述保留分量和所述去噪最终分量获得去噪信号；根据去噪信号监控车辆状态。
进一步地，所述根据所述相关系数的差异特征获得去噪分量和保留分量的步骤包括：
计算任意数据分量的相关系数与相关系数平均值的差值绝对值，获得任意数据分量的相关系数差异；计算预设常数与相关系数的标准差的乘积，获得差异区间；当所述相关系数差异不大于所述差异区间，则所述任意数据分量为去噪分量；当所述相关系数差异大于所述差异区间且相关系数大于相关系数平均值，则所述任意数据分量为保留分量。
进一步地，所述根据所述去噪分量中数据点的分布特征获得自适应滤波窗口的步骤包括：
计算所述去噪分量中任意数据点的预设窗口中所有相邻极值点的采样距离的和值，获得极值距离表征值；计算所述任意数据点的预设窗口中极值点的幅值绝对值的平均值，获得极值幅度表征值；计算所述极值距离表征值与所述极值幅度表征值的比值并归一化，获得窗口调整系数；计算所述窗口调整系数与预设窗口的长度的乘积并向下取整，获得任意数据点的自适应滤波窗口。
进一步地，所述根据所述自适应滤波窗口中数据点的差异特征获得滤波权重的步骤包括：
计算自适应滤波窗口中数据点和相邻数据点的幅值差值绝对值与采样距离的比值并负相关映射，获得数据点的波动表征值；计算自适应滤波窗口中最大值与最小值的差值，获得幅值差异值；计算所述幅值差异值与自适应滤波窗口长度的比值并正相关映射，获得窗口特征值；计算所述窗口特征值与所述波动表征值的乘积，获得自适应滤波窗口中数据点的滤波权重。
进一步地，所述根据所述滤波权重和对应的数据点获得滤波数值的步骤包括：
计算自适应滤波窗口中每个数据点的幅值与对应的滤波权重的乘积的平均值，获得自适应滤波窗口对应的所述滤波数值。
进一步地，所述根据滤波数值和去噪分量之间的差异特征获得去噪效果指数的步骤包括：
根据所述去噪分量中的数据点的幅值和对应的滤波数值计算均方根误差并负相关映射，获得去噪分量的去噪效果指数。
进一步地，所述根据去噪效果指数获得去噪最终分量的步骤包括：
当所述去噪效果指数超过预设效果阈值，根据所述去噪分量的滤波数值获得所述去噪最终分量；否则减小所述自适应滤波窗口的长度，直至获得所述去噪最终分量。
进一步地，所述根据所述保留分量和所述去噪最终分量获得去噪信号的步骤包括：
根据所述保留分量和所述去噪最终分量进行重构，获得车辆行驶的数据序列的所述去噪信号。
进一步地，所述对所述数据序列进行分解获得数据分量的步骤包括：
通过经验模态分解方法对所述数据序列进行分解，获得不同的数据分量。
本发明还提出了一种车辆在线监控系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序实现任意一项一种车辆在线监控方法的步骤。
本发明具有如下有益效果：
在本发明实施例中，根据相关系数的差异特征获得去噪分量和保留分量，能够确定需要去噪的数据分量以及直接保留的数据分量，提高了对数据序列的去噪准确性。获得自适应滤波窗口能够根据数据变化特征确定滤波窗口，提高滤波准确性；获得滤波权重能够根据自适应滤波窗口中数据点的变化幅度确定参与滤波的权重，能够进一步提高对数据点滤波的准确性。获得去噪效果指数能够反映滤波效果，根据去噪效果指数获得去噪最终分量能够提高滤波准确性。最终根据保留分量和去噪最终分量获得去噪信号，保证了对数据序列的去噪效果，提高了监控车辆状况的准确性。
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车辆在线监控方法流程图。
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车辆在线监控方法及系统，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车辆在线监控方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种车辆在线监控方法流程图，该方法包括以下步骤：
步骤S1，获取车辆行驶的数据序列；对数据序列进行分解获得数据分量；根据数据序列和数据分量之间的差异特征获得相关系数。
在本发明实施例中，实施场景为通过采集车辆行驶的数据序列对车辆状态进行监控；首先获取车辆行驶的数据序列，本发明实施例获取发动机的振动信号，车辆行驶过程中会产生大量对传感器干扰的噪声，例如车辆自身的振动、道路颠簸和电磁干扰等，使得振动信号包含了大量噪声，需要进行去噪；实施者可根据实施场景自行确定车辆信号对象，后续去噪过程相同。
由于信号是由低频数据和高频数据叠加而成的，噪声混合在数据序列中，且分布随机，故需要对其进行分解分析；现有技术可通过EMD经验模态分解算法对数据序列进行分解，获得不同的数据分量，对分解后的数据分量进行均值滤波与重构，需要说明的是，EMD算法属于现有技术，具体步骤不再赘述。因有些分量包含大量的噪声数据，需要分析该类分量并进行舍弃；以及均值滤波中需要根据数据的变化特征使用不同的滤波窗口和滤波权重，提高去噪效果的准确性。
对数据序列分解后得到的不同阶的数据分量，其包含的噪声程度不同，为了提高最终的去噪准确性，需要将噪声含量高的数据分量进行剔除，故根据数据序列和数据分量之间的差异特征获得相关系数，需要说明的是，相关系数可通过数据序列和数据分量之间的皮尔逊相关系数获得；当相关系数越接近1，正相关性越强；当相关系数越接近0，相关性越弱，意味着包含的噪声越多，越需要舍弃该数据分量；皮尔逊相关系数属于现有技术，具体计算步骤不再赘述。
步骤S2，根据相关系数的差异特征获得去噪分量和保留分量；根据去噪分量中数据点的分布特征获得自适应滤波窗口；根据自适应滤波窗口中数据点的差异特征获得滤波权重。
因相关系数越大，意味着该数据分量和数据序列的特征越相似，该类数据分量反映了原始的数据序列的主要特征，故对于该类数据分量可不进行均值滤波，提高数据的准确性；而对于相关系数越小的数据分量，意味着该数据分量和数据序列的特征差异越大，该类数据分量反映了原始的数据序列的大量的噪声特征，即使对该类数据分量进行均值滤波，但存在大量噪声数据，滤波效果较差，在重构过程中会影响去噪的准确性，故可对该类数据分量进行舍弃。对于相关系数处于中间范围的数据分量，该类数据分量包含了一定程度的噪声特征，该类数据分量占比最大，需要对该类数据分量进行自适应去噪。故可根据相关系数的差异特征获得去噪分量和保留分量。
优选地，在本发明一个实施例中，获取去噪分量和保留分量包括：计算任意数据分量的相关系数与相关系数平均值的差值绝对值，获得任意数据分量的相关系数差异；计算预设常数与相关系数的标准差的乘积，获得差异区间；在本发明实施例中预设常数为3，实施者可根据实施场景自行确定。当相关系数差异不大于差异区间，则任意数据分量为去噪分量；当相关系数差异大于差异区间且相关系数大于相关系数平均值，则任意数据分量为保留分量；因需要去噪的数据分量占比最多，故该类数据分量的相关系数最接近相关系数平均值，该类数据分量的相关系数差异不大于差异区间；而保留分量的相关系数远大于相关系数平均值。
进一步地，确定去噪的去噪分量后，则需要对去噪分量进行去噪；在本发明实施例中使用类似于均值滤波算法对数据点进行滤波，对于数据点的滤波首先取决于数据点的滤波窗口大小，若数据变化幅度较大，则需要较小的滤波窗口，避免滤波误差较大，提高去噪准确性；若数据变化幅度较小，可以选择较大的滤波窗口。故根据去噪分量中数据点的分布特征获得自适应滤波窗口。
优选地，在本发明一个实施例中，获取自适应滤波窗口包括：计算去噪分量中任意数据点的预设窗口中所有相邻极值点的采样距离的和值，获得极值距离表征值，采样距离指极值点时间轴上的欧氏距离；该极值距离表征值越大，意味着数据点的极值点分布越离散，数据波动越弱，能够适当增加滤波窗口，在本发明实施例中预设窗口为以该任意数据点为中心的长度为15的窗口，若数据点在边缘不满足该预设窗口，则舍弃该数据点，实施者可根据实施场景自行确定。计算任意数据点的预设窗口中极值点的幅值绝对值的平均值，获得极值幅度表征值；当极值幅度表征值越大，意味着该预设窗口中的数据变化幅度越强，为了提高数据滤波准确性，则需要适当减小滤波窗口。计算极值距离表征值与极值幅度表征值的比值并归一化，获得窗口调整系数；当该窗口调整系数越大，则滤波窗口越大；反之滤波窗口越小。计算窗口调整系数与预设窗口的长度的乘积并向下取整，获得任意数据点的自适应滤波窗口；当该任意数据点周围的数据波动越明显，幅度越大，则自适应滤波窗口越小，目的是减少滤波误差。获取自适应滤波窗口的公式包括：
式中，S表示数据点的自适应滤波窗口的长度，R表示预设窗口的长度，M表示预设窗口中相邻极值点的采样距离的数量，Dm表示第m个采样距离的长度，N表示预设窗口的极值点的数量，Fn表示第n个极值点的幅值绝对值。表示极值距离表征值；/>表示极值幅度表征值；/>表示窗口调整系数；norm()表示归一化函数。
获得去噪分量中每个数据点的自适应滤波窗口后，可根据自适应滤波窗口中其他数据点实现均值滤波；但在自适应滤波窗口中的其他数据点可能存在某些噪声点，该类噪声点的数据与窗口中其他数据点的数值差异较大，若该类噪声点参与滤波则会导致去噪准确性较差，故需要分析数据点的自适应滤波窗口中每个其他数据点的参与滤波的滤波权重，根据自适应滤波窗口中数据点的差异特征获得滤波权重。
优选地，在本发明一个实施例中，获取滤波权重包括：计算自适应滤波窗口中数据点和相邻数据点的幅值差值绝对值与采样距离的比值并负相关映射，获得数据点的波动表征值；在本发明实施例中以数据点和上一个相邻数据点计算波动表征值，当波动表征值越小，意味着该数据点的幅值与上一个数据点发生了突变，该数据点为噪声的可能性越大，需要降低该数据点的滤波权重。计算自适应滤波窗口中最大值与最小值的差值，获得幅值差异值；计算幅值差异值与自适应滤波窗口长度的比值并正相关映射，获得窗口特征值；当该幅值差异值越大，窗口长度越小，则窗口特征值越大，意味着该段数据分量的整体波动幅度越明显，该段中波动幅度大的数据点为噪声的可能性越小；反之窗口特征值越小，意味着整体波动幅度越弱，该段中波动幅度大的数据点为噪声的可能性越大。进而可通过窗口特征值修正波动表征值；当波动表征值较小但窗口特征值较大，可提高该数据点参与滤波的滤波权重；当波动表征值较小且窗口特征值较小，需要进一步降低该数据点参与滤波的滤波权重。计算窗口特征值与波动表征值的乘积，获得自适应滤波窗口中数据点的滤波权重，滤波权重越大，意味着该数据点的幅值越准确，为噪声的可能性较小。获取滤波权重的公式包括：
式中，H表示自适应窗口中数据点的滤波权重，T表示幅值差异值，S表示自适应滤波窗口的长度，G表示数据点和相邻数据点的幅值差值绝对值，Z表示数据点和相邻数据点的采样距离，exp()表示以自然常数为底的指数函数。
步骤S3，根据滤波权重和对应的数据点获得滤波数值；根据滤波数值和去噪分量之间的差异特征获得去噪效果指数；根据去噪效果指数获得去噪最终分量。
获得数据点的自适应滤波窗口中每个数据点的滤波权重后，可根据滤波权重和对应的数据点获得滤波数值，具体包括：计算自适应滤波窗口中每个数据点的幅值与对应的滤波权重的乘积的平均值，获得自适应滤波窗口对应的滤波数值，该滤波数值在均值滤波的基础上，对每个数据点赋予了滤波权重，当该数据点的滤波权重越低，意味着该数据点越偏离正常数据点的幅值，进而通过较小的滤波权重修正该数据点参与滤波的数值，提高滤波的准确性。
进一步地，获得去噪分量中每个数据点的滤波数值后需要分析去噪效果，故根据滤波数值和去噪分量之间的差异特征获得去噪效果指数，具体包括：根据去噪分量中的数据点的幅值和对应的滤波数值计算均方根误差并负相关映射，获得去噪分量的去噪效果指数；当均方根误差越大，意味着去噪后的数值和去噪分量中对应的数值差异较大，去噪程度过大，需要进行调整。
故根据去噪效果指数获得去噪最终分量，具体包括：当去噪效果指数超过预设效果阈值，意味着去噪效果较好，故可根据去噪分量的滤波数值获得去噪最终分量；否则减小自适应滤波窗口的长度，提高滤波数值的准确性，直至获得去噪最终分量，在本发明实施例中预设效果阈值为0.7，实施者可根据实施场景自行确定。
步骤S4，根据保留分量和去噪最终分量获得去噪信号；根据去噪信号监控车辆状态。
根据保留分量和去噪最终分量进行重构，获得车辆行驶的数据序列的去噪信号，需要说明的是，对分量重构属于现有技术，具体计算步骤不再赘述。获得去噪信号后可对车辆状态进行更准确地监测。至此，通过对车辆行驶的数据序列进行分解后根据相关特征获得了保留分量和去噪分量，对去噪分量中的数据进行自适应滤波，提高滤波效果，进而保证了监控车辆状态的准确性。
综上所述，本发明实施例提供了一种车辆在线监控方法；对数据序列进行分解获得数据分量；根据数据序列和数据分量之间的差异特征获得相关系数；根据相关系数的差异特征获得去噪分量和保留分量；根据去噪分量中数据点的分布特征获得自适应滤波窗口；根据自适应滤波窗口中数据点的差异特征获得滤波权重；根据滤波权重和对应的数据点获得滤波数值；根据滤波数值和去噪分量之间的差异特征获得去噪效果指数；根据去噪效果指数获得去噪最终分量。本发明根据保留分量和去噪最终分量获得去噪信号，提高了去噪效果并且保证了监控车辆状态的准确性。
本发明还提出了一种车辆在线监控系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序实现任意一项一种车辆在线监控方法的步骤。
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 (7)
1.一种车辆在线监控方法，其特征在于，所述方法包括以下步骤：
获取车辆行驶的数据序列；对所述数据序列进行分解获得数据分量；根据所述数据序列和所述数据分量之间的差异特征获得相关系数；
根据所述相关系数的差异特征获得去噪分量和保留分量；根据所述去噪分量中数据点的分布特征获得自适应滤波窗口；根据所述自适应滤波窗口中数据点的差异特征获得滤波权重；
根据所述滤波权重和对应的数据点获得滤波数值；根据滤波数值和去噪分量之间的差异特征获得去噪效果指数；根据去噪效果指数获得去噪最终分量；
根据所述保留分量和所述去噪最终分量获得去噪信号；根据去噪信号监控车辆状态；
所述根据所述相关系数的差异特征获得去噪分量和保留分量的步骤包括：
计算任意数据分量的相关系数与相关系数平均值的差值绝对值，获得任意数据分量的相关系数差异；计算预设常数与相关系数的标准差的乘积，获得差异区间；当所述相关系数差异不大于所述差异区间，则所述任意数据分量为去噪分量；当所述相关系数差异大于所述差异区间且相关系数大于相关系数平均值，则所述任意数据分量为保留分量；
所述根据所述去噪分量中数据点的分布特征获得自适应滤波窗口的步骤包括：
计算所述去噪分量中任意数据点的预设窗口中所有相邻极值点的采样距离的和值，获得极值距离表征值；计算所述任意数据点的预设窗口中极值点的幅值绝对值的平均值，获得极值幅度表征值；计算所述极值距离表征值与所述极值幅度表征值的比值并归一化，获得窗口调整系数；计算所述窗口调整系数与预设窗口的长度的乘积并向下取整，获得任意数据点的自适应滤波窗口；
所述根据所述自适应滤波窗口中数据点的差异特征获得滤波权重的步骤包括：
计算自适应滤波窗口中数据点和相邻数据点的幅值差值绝对值与采样距离的比值并负相关映射，获得数据点的波动表征值；计算自适应滤波窗口中最大值与最小值的差值，获得幅值差异值；计算所述幅值差异值与自适应滤波窗口长度的比值并正相关映射，获得窗口特征值；计算所述窗口特征值与所述波动表征值的乘积，获得自适应滤波窗口中数据点的滤波权重。
2.根据权利要求1所述的一种车辆在线监控方法，其特征在于，所述根据所述滤波权重和对应的数据点获得滤波数值的步骤包括：
计算自适应滤波窗口中每个数据点的幅值与对应的滤波权重的乘积的平均值，获得自适应滤波窗口对应的所述滤波数值。
3.根据权利要求1所述的一种车辆在线监控方法，其特征在于，所述根据滤波数值和去噪分量之间的差异特征获得去噪效果指数的步骤包括：
根据所述去噪分量中的数据点的幅值和对应的滤波数值计算均方根误差并负相关映射，获得去噪分量的去噪效果指数。
4.根据权利要求1所述的一种车辆在线监控方法，其特征在于，所述根据去噪效果指数获得去噪最终分量的步骤包括：
当所述去噪效果指数超过预设效果阈值，根据所述去噪分量的滤波数值获得所述去噪最终分量；否则减小所述自适应滤波窗口的长度，直至获得所述去噪最终分量。
5.根据权利要求1所述的一种车辆在线监控方法，其特征在于，所述根据所述保留分量和所述去噪最终分量获得去噪信号的步骤包括：
根据所述保留分量和所述去噪最终分量进行重构，获得车辆行驶的数据序列的所述去噪信号。
6.根据权利要求1所述的一种车辆在线监控方法，其特征在于，所述对所述数据序列进行分解获得数据分量的步骤包括：
通过经验模态分解方法对所述数据序列进行分解，获得不同的数据分量。
7.一种车辆在线监控系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实现如权利要求1-6任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311403651.0A CN117454085B (zh) | 2023-10-27 | 2023-10-27 | 一种车辆在线监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311403651.0A CN117454085B (zh) | 2023-10-27 | 2023-10-27 | 一种车辆在线监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117454085A CN117454085A (zh) | 2024-01-26 |
| CN117454085B true CN117454085B (zh) | 2024-04-09 |
Family
ID=89582958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311403651.0A Active CN117454085B (zh) | 2023-10-27 | 2023-10-27 | 一种车辆在线监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117454085B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117871466B (zh) * | 2024-03-12 | 2024-05-24 | 苏州安易得安全科技有限公司 | 一种监测数据自检的激光甲烷探测器 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183259A (zh) * | 2020-09-17 | 2021-01-05 | 昆明理工大学 | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 |
| CN113240608A (zh) * | 2021-05-26 | 2021-08-10 | Oppo广东移动通信有限公司 | 图像去噪方法、装置、电子设备和可读存储介质 |
| CN116818739A (zh) * | 2023-08-29 | 2023-09-29 | 天津博霆光电技术有限公司 | 一种基于光学的吲哚菁绿检测方法 |
| CN116828354A (zh) * | 2023-08-30 | 2023-09-29 | 深圳市智纬科技有限公司 | 一种用于领夹无线麦克风的收音质量优化方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7453040B2 (ja) * | 2020-04-01 | 2024-03-19 | 富士フイルムヘルスケア株式会社 | 超音波撮像装置、および、画像処理装置 |
-
2023
- 2023-10-27 CN CN202311403651.0A patent/CN117454085B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183259A (zh) * | 2020-09-17 | 2021-01-05 | 昆明理工大学 | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 |
| CN113240608A (zh) * | 2021-05-26 | 2021-08-10 | Oppo广东移动通信有限公司 | 图像去噪方法、装置、电子设备和可读存储介质 |
| CN116818739A (zh) * | 2023-08-29 | 2023-09-29 | 天津博霆光电技术有限公司 | 一种基于光学的吲哚菁绿检测方法 |
| CN116828354A (zh) * | 2023-08-30 | 2023-09-29 | 深圳市智纬科技有限公司 | 一种用于领夹无线麦克风的收音质量优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117454085A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117454085B (zh) | 一种车辆在线监控方法及系统 | |
| DE102017116528B4 (de) | Verfahren und Vorrichtung zur Audiosignal-Qualitätsverbesserung basierend auf quantitativer SNR-Analyse und adaptiver Wiener-Filterung | |
| CN116304581B (zh) | 一种空调用智能电控系统 | |
| CN110648290A (zh) | 一种基于sure参数优化的双核非局部均值图像去噪方法 | |
| CN116701845B (zh) | 基于数据处理的水产品品质评价方法及系统 | |
| CN110363763B (zh) | 图像质量评价方法、装置、电子设备及可读存储介质 | |
| CN110503060B (zh) | 一种光谱信号去噪方法及其系统 | |
| CN117235652B (zh) | 一种基于大数据的钢丝加工环境监管方法及系统 | |
| CN112957055B (zh) | 基于eemd-pca去除eeg信号中运动伪迹的方法及装置 | |
| CN116955938A (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 | |
| CN113616213B (zh) | 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质 | |
| CN111260131A (zh) | 一种短期交通流的预测方法及装置 | |
| US11610073B2 (en) | Device and method for analyzing the state of a system in a noisy context | |
| CN117434153A (zh) | 基于超声波技术的道路无损检测方法及系统 | |
| CN117158999A (zh) | 一种基于ppmcc和自适应vmd的脑电信号去噪方法及系统 | |
| JP2001512585A (ja) | 促進されたコンボリューションノイズ除去 | |
| CN112237433B (zh) | 一种脑电信号异常监测系统及方法 | |
| CN113516025B (zh) | 一种基于模型构建的高光谱图像处理方法、设备及介质 | |
| CN114881883A (zh) | 一种红外图像多维降噪方法、存储介质及装置 | |
| CN111142134B (zh) | 一种坐标时间序列处理方法及装置 | |
| CN117216489B (zh) | 一种基于互联网的防水涂料质检分析方法及系统 | |
| CN113031074B (zh) | 一种测井曲线消噪方法、装置、设备及存储介质 | |
| CN117912484B (zh) | 一种剪枝可调的音频分离模型优化方法和装置 | |
| CN118069998A (zh) | 一种基于物联网的食用菌生产环境智能调控方法 | |
| CN117454095B (zh) | 一种桥梁动挠度数据降噪方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |