CN117527528B - 基于北斗定位的通信状态检测报告分析方法及系统 - Google Patents
基于北斗定位的通信状态检测报告分析方法及系统 Download PDFInfo
- Publication number
- CN117527528B CN117527528B CN202311855489.6A CN202311855489A CN117527528B CN 117527528 B CN117527528 B CN 117527528B CN 202311855489 A CN202311855489 A CN 202311855489A CN 117527528 B CN117527528 B CN 117527528B
- Authority
- CN
- China
- Prior art keywords
- vector
- state
- knowledge
- communication state
- communication
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 317
- 238000001514 detection method Methods 0.000 title claims abstract description 163
- 238000004458 analytical method Methods 0.000 title claims abstract description 75
- 239000013598 vector Substances 0.000 claims abstract description 610
- 238000011156 evaluation Methods 0.000 claims abstract description 170
- 230000010354 integration Effects 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims abstract description 93
- 238000012544 monitoring process Methods 0.000 claims abstract description 84
- 238000005065 mining Methods 0.000 claims abstract description 70
- 238000012423 maintenance Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims description 69
- 238000000034 method Methods 0.000 claims description 68
- 230000002441 reversible effect Effects 0.000 claims description 52
- 238000000605 extraction Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 21
- 238000009795 derivation Methods 0.000 claims description 12
- 230000001629 suppression Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 26
- 230000005540 biological transmission Effects 0.000 description 14
- 230000002829 reductive effect Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/20—Integrity monitoring, fault detection or fault isolation of space segment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于北斗定位的通信状态检测报告分析方法及系统,通过对移动目标多维状态监测数据进行故障状态初筛得到故障通信状态评价向量,以及对移动目标多维状态监测数据进行状态更新向量挖掘得到状态更新输出向量,通过状态检测决策模型对故障通信状态评价向量与状态更新输出向量进行向量集成后的通信状态评价集成向量进行处理生成状态检测掩码报告并确定疑似故障状态事项在移动目标多维状态监测数据中的用于指导目标北斗定位系统的通信故障维护的分布特征;本发明能够提高定位疑似故障状态事项的精度和全面性,为后续的通信故障维护提供可信依据。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于北斗定位的通信状态检测报告分析方法及系统。
背景技术
北斗定位系统的应用范围非常广泛,包括交通运输、农业、森林防火、灾害监测与救援、建筑施工、公共安全、时间服务、移动通信、海洋渔业、水文监测、天气预报、测绘地理信息等众多领域。随着技术的不断完善和服务能力的增强,北斗定位系统已经成为全球重要的基础设施之一。因此,针对北斗定位系统的通信状态检测必不可少且至关重要,但是传统的通信状态检测技术难以准确全面地实现故障状态事项的定位,这样难以为之后的可能的通信故障维护提供可信依据。
发明内容
为改善相关技术中存在的技术问题,本发明提供了一种基于北斗定位的通信状态检测报告分析方法及系统。
第一方面,本发明实施例提供了一种基于北斗定位的通信状态检测报告分析方法,应用于检测报告分析系统,所述方法包括:
获取移动目标多维状态监测数据;通过故障状态识别模型对所述移动目标多维状态监测数据进行处理,得到X个故障通信状态评价向量,其中,所述故障状态识别模型包括X个具有不同模型参量的故障状态识别分支,所述故障状态识别分支用于确定所述移动目标多维状态监测数据中疑似故障状态事项的检测报告内容框,X为不小于1的整数;
对所述移动目标多维状态监测数据进行状态更新向量挖掘,得到状态更新输出向量;
分别将所述X个故障通信状态评价向量与所述状态更新输出向量进行向量集成,生成X个通信状态评价集成向量;
通过状态检测决策模型对所述X个通信状态评价集成向量中的每个通信状态评价集成向量进行判别分析,得到所述每个通信状态评价集成向量对应的Y个状态检测掩码报告,其中,Y表征对于所述判别分析的维度数,Y为大于1的整数;
基于所述每个通信状态评价集成向量对应的Y个状态检测掩码报告确定所述疑似故障状态事项在所述移动目标多维状态监测数据中的分布特征;所述分布特征用于指导目标北斗定位系统的通信故障维护。
在一些方案中,所述状态检测决策模型包括深度知识提炼子模型及决策向量挖掘子模型,所述深度知识提炼子模型包括Z个知识提炼分支,每个知识提炼分支的输入为前一个知识提炼分支的输出,Z为大于1的整数;所述通过状态检测决策模型对所述X个通信状态评价集成向量中的每个通信状态评价集成向量进行判别分析,得到所述每个通信状态评价集成向量对应的Y个状态检测掩码报告,包括:
通过所述深度知识提炼子模型对所述每个通信状态评价集成向量进行知识提炼,得到所述每个通信状态评价集成向量对应的Z个目标通信状态下采样知识向量;
通过所述决策向量挖掘子模型对所述Z个目标通信状态下采样知识向量进行判别分析,得到所述每个通信状态评价集成向量对应的Y个状态检测掩码报告。
在一些方案中,所述决策向量挖掘子模型包括决策向量挖掘分支及第一报告掩码处理分支;所述通过所述决策向量挖掘子模型对所述Z个目标通信状态下采样知识向量进行判别分析,得到所述每个通信状态评价集成向量对应的Y个状态检测掩码报告,包括:
从所述Z个目标通信状态下采样知识向量中获取第一目标通信状态下采样知识向量及第二目标通信状态下采样知识向量,其中,所述第一目标通信状态下采样知识向量为Z个目标通信状态下采样知识向量中特征识别度最低的目标通信状态下采样知识向量,所述第二目标通信状态下采样知识向量的特征识别度大于所述第一目标通信状态下采样知识向量的特征识别度;
通过所述决策向量挖掘分支对所述第一目标通信状态下采样知识向量进行处理,得到第一关键通信状态评价向量,其中,所述决策向量挖掘分支用于消除所述第一目标通信状态下采样知识向量中的噪声特征;
将所述第一目标通信状态下采样知识向量及所述第一关键通信状态评价向量进行向量集成,生成第一融合向量;
对所述第一融合向量进行特征映射,生成第一特征映射向量;
将所述第二目标通信状态下采样知识向量与所述第一特征映射向量进行向量集成,生成第二融合向量;
通过第一报告掩码处理分支对所述第二融合向量进行处理,得到第一状态检测掩码报告,其中,所述第一状态检测掩码报告包括所述疑似故障状态事项的第一高亮文本掩码。
在一些方案中,所述通过所述决策向量挖掘分支对所述第一目标通信状态下采样知识向量进行处理,得到第一关键通信状态评价向量,包括:
获取所述第一目标通信状态下采样知识向量的第一故障热力信息;
基于所述第一故障热力信息消除所述第一目标通信状态下采样知识向量中的噪声特征,生成所述第一关键通信状态评价向量。
在一些方案中,所述将所述第一目标通信状态下采样知识向量及所述第一关键通信状态评价向量进行向量集成,生成第一融合向量,包括:
对所述第一关键通信状态评价向量进行可逆处理,生成第一可逆特征;
对所述第一可逆特征进行特征衍生,生成第一衍生状态评价向量;
将所述第一目标通信状态下采样知识向量及所述第一衍生状态评价向量进行向量集成,生成第一融合向量。
在一些方案中,所述将所述第二目标通信状态下采样知识向量与所述第一特征映射向量进行向量集成,生成第二融合向量,包括:
将所述第一特征映射向量进行特征衍生,生成第二衍生状态评价向量;
将所述第二目标通信状态下采样知识向量与所述第二衍生状态评价向量进行向量集成,生成第二融合向量。
在一些方案中,所述决策向量挖掘子模型还包括第二报告掩码处理分支;所述生成第一融合向量之后,还包括:
对所述第一融合向量进行知识提炼处理,生成第一知识提炼特征矩阵;
对所述第二融合向量进行知识提炼处理,生成第二知识提炼特征矩阵;
将所述第一知识提炼特征矩阵及所述第二知识提炼特征矩阵进行向量集成,生成第三融合向量;
通过所述第二报告掩码处理分支对所述第三融合向量进行处理,得到第二状态检测掩码报告,其中,所述第二状态检测掩码报告包括所述疑似故障状态事项的第二高亮文本掩码。
在一些方案中,所述决策向量挖掘子模型还包括第三报告掩码处理分支,所述通过所述决策向量挖掘分支对所述第一目标通信状态下采样知识向量进行处理,得到第一关键通信状态评价向量之后,还包括:对所述第一关键通信状态评价向量进行可逆处理,生成第一可逆特征;
所述得到第三融合向量之后,还包括:
对所述得到第三融合向量进行知识提炼处理,生成第三知识提炼特征矩阵;
将所述第一可逆特征及所述第三知识提炼特征矩阵进行向量集成,生成第四融合向量;
通过所述第三报告掩码处理分支对所述第四融合向量进行处理,得到第三状态检测掩码报告,其中,所述第三状态检测掩码报告包括所述疑似故障状态事项的第三高亮文本掩码。
在一些方案中,所述基于所述每个通信状态评价集成向量对应的Y个状态检测掩码报告确定所述疑似故障状态事项在所述移动目标多维状态监测数据中的分布特征,包括:
获取X个通信状态评价集成向量对应的X*Y个状态检测掩码报告,其中,每个所述状态检测掩码报告携带所述疑似故障状态事项的高亮文本掩码;
获取所述X*Y个状态检测掩码报告对应的X*Y个频繁项特征;
基于所述X*Y个频繁项特征确定目标状态检测掩码报告,其中,所述目标状态检测掩码报告为所述X*Y个状态检测掩码报告中频繁项特征最大的状态检测掩码报告;
基于所述目标状态检测掩码报告中所述疑似故障状态事项的高亮文本掩码,得到所述疑似故障状态事项在所述移动目标多维状态监测数据中的分布特征。
在一些方案中,所述通过故障状态识别模型对所述移动目标多维状态监测数据进行处理,得到X个故障通信状态评价向量,包括:
通过所述X个具有不同模型参量的故障状态识别分支对所述移动目标多维状态监测数据中的所述疑似故障状态事项的检测报告内容框进行识别,得到X个噪声抑制监测数据;
分别对所述X个噪声抑制监测数据进行特征提取,生成X个故障通信状态评价向量。
在一些方案中,所述对所述移动目标多维状态监测数据进行状态更新向量挖掘,得到状态更新输出向量,包括:
通过状态更新向量挖掘模型中的状态更新向量挖掘分支对所述移动目标多维状态监测数据进行状态更新向量挖掘,得到状态更新编码向量;
对所述状态更新编码向量进行可逆处理,生成状态更新可逆向量;
对所述状态更新可逆向量进行知识提炼,生成状态更新知识向量;
基于所述状态更新知识向量生成状态更新输出向量。
在一些方案中,所述分别将所述X个故障通信状态评价向量与所述状态更新输出向量进行向量集成,生成X个通信状态评价集成向量,包括:
基于所述X个故障通信状态评价向量生成X个局部状态关注向量;
基于所述状态更新输出向量生成状态更新编码向量;
分别将所述X个局部状态关注向量与所述状态更新编码向量进行可逆处理,生成X个全局状态卷积向量;
基于所述X个全局状态卷积向量生成所述X个通信状态评价集成向量。
第二方面,本发明还提供了一种检测报告分析系统,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
本发明实施例提供的基于北斗定位的通信状态检测报告分析方法,通过对移动目标多维状态监测数据进行故障状态初筛得到故障通信状态评价向量,以及对移动目标多维状态监测数据进行状态更新向量挖掘得到状态更新输出向量,通过状态检测决策模型对故障通信状态评价向量与状态更新输出向量进行向量集成后的通信状态评价集成向量进行处理,生成状态检测掩码报告,基于状态检测掩码报告确定疑似故障状态事项在移动目标多维状态监测数据中的用于指导目标北斗定位系统的通信故障维护的分布特征,本发明实施例提供的方法通过故障状态初筛、状态更新挖掘、状态检测决策等一系列联合分析策略,能够提高定位疑似故障状态事项的精度和全面性,从而为后续的通信故障维护提供可信依据。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种基于北斗定位的通信状态检测报告分析方法的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与本发明的一些方面相一致的装置和方法的例子。
需要说明的是,本发明的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在检测报告分析系统、计算机设备或者类似的运算装置中执行。以运行在检测报告分析系统上为例,检测报告分析系统可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器,可选地,上述检测报告分析系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述检测报告分析系统的结构造成限定。例如,检测报告分析系统还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种基于北斗定位的通信状态检测报告分析方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至检测报告分析系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括检测报告分析系统的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
基于此,请参阅图1,图1是本发明实施例所提供的一种基于北斗定位的通信状态检测报告分析方法的流程示意图,该方法应用于检测报告分析系统,进一步可以包括步骤101-步骤105。
步骤101、获取移动目标多维状态监测数据;通过故障状态识别模型对所述移动目标多维状态监测数据进行处理,得到X个故障通信状态评价向量;其中,所述故障状态识别模型包括X个具有不同模型参量的故障状态识别分支,所述故障状态识别分支用于确定所述移动目标多维状态监测数据中疑似故障状态事项的检测报告内容框,X为不小于1的整数。
在步骤101中,移动目标多维状态监测数据是指收集自移动目标(例如车辆、飞行器、船只等)的各种状态信息。这些数据可以包括位置、速度、加速度、温度、压力等多个维度的信息。故障状态识别模型是一种用于处理和分析监测数据的算法或软件模型,目的是为了从数据中识别出可能的故障状态。该模型可以基于机器学习或统计分析方法来实现。
在分析移动目标的多维状态监测数据后,故障状态识别模型会输出一个或多个向量,即故障通信状态评价向量。这些向量表征了移动目标在通信方面可能存在的问题或故障状态。
进一步地,模型参量是构成故障状态识别模型的参数,包括权重、阈值等,根据这些参数模型会有不同的行为和输出结果。故障状态识别分支指的是故障状态识别模型中的各个子模块或路径,每个分支可能关注监测数据的某个特定方面,以识别特定类型的故障状态。
疑似故障状态事项是在分析过程中被模型认为可能表示故障状态的数据点或事件。此外,检测报告内容框是一种数据结构或格式,用于记录和呈现识别出的疑似故障状态事项,便于进一步的分析和处理。
接下来通过一个例子来详细介绍步骤101的过程。
假设一个移动目标为一辆公交车,装备了多个传感器,传感器持续收集车辆的运行状态数据,包括发动机温度、油压、轮胎压力、车速、北斗位置等。所有这些数据形成了该车辆的多维状态监测数据。
步骤101开始时,首先收集这些多维状态监测数据。然后,使用预先设计好的故障状态识别模型来处理这些数据。这个模型可能包含三个故障状态识别分支,每个分支专门检测不同类型的故障:第一个分支负责监测引擎相关的问题,比如过热或油压异常;第二个分支负责监测轮胎相关的问题,比如轮胎压力不足;第三个分支负责监测导航系统的故障,比如北斗信号丢失或定位不准确。
每个分支都有其特定的模型参量,根据收集的数据与这些参量进行计算,最终产生三个故障通信状态评价向量。每个向量代表一个分支的输出,反映了在该分支关注的领域内,车辆是否可能存在故障状态。
接着,故障状态识别模型还将确定每个疑似故障状态事项,并将这些信息放入检测报告内容框中。这些内容框可以是简单的报告条目,比如“引擎温度超过警戒线,疑似过热”或“信号丢失频率增高,可能存在导航故障”。
可见,在一些示例下,故障通信状态评价向量确实可以从两个主要方面来考虑:
(1)移动目标本身的故障评价:这部分关注的是移动目标(如车辆、船舶或个人携带的设备)的北斗定位终端是否正常工作。这可能包括检测硬件故障、软件错误、电池电量低、信号接收质量差等问题。例如,如果一个运输车辆的北斗终端因为电池耗尽而无法工作,那么即使北斗系统本身完全正常,该车辆的位置和状态信息也将无法通过北斗系统进行有效传输;
(2)通信信息传输过程中的故障:这一方面着重于北斗系统在通信信息传输过程中可能遇到的问题,包括但不限于信号干扰、数据丢包、网络延迟、通信链路中断等。即使移动目标的北斗终端设备完全正常,但由于外部环境或系统本身的问题,通信仍可能受到影响。
对于这两个方面的故障评价,通常需要结合各种传感器数据、日志记录、历史性能数据以及实时监控数据来进行综合判断。这样可以确保更准确地诊断出存在的问题,并采取相应的预防或纠正措施。
此时,步骤101完成了对移动目标(公交车)多维状态监测数据的初步处理,输出了针对不同潜在故障的评价向量和检测报告内容,为后续的步骤102至步骤105提供了基础数据和判断依据。
步骤102、对所述移动目标多维状态监测数据进行状态更新向量挖掘,得到状态更新输出向量。
在步骤102中,状态更新向量挖掘是指对移动目标多维状态监测数据进行分析,以发现数据之间的关联性或趋势变化,从而提取出表征这些变化的向量。这个过程通常涉及到数据挖掘技术,比如聚类分析、时间序列分析、模式识别等。状态更新输出向量是状态更新向量挖掘过程的结果,即一个或多个数学向量,它们包含了反映移动目标状态变化的信息。这些向量可以用来更新或修正先前的状态评价,或者为后续的故障预测提供依据。
假设在步骤101中,已经从一辆公交车上收集到了多维状态监测数据,并通过故障状态识别模型得到了初步的故障通信状态评价向量。现在,在步骤102中,需要进一步挖掘这些数据,以便获取最新的状态变化信息。
例如,考虑到公交车的运营特点,它的某些状态参数(如车速、停靠次数)可能会随着一天中不同时间段的乘客流量而有规律的变化。状态更新向量挖掘可能会通过时间序列分析,识别出这种周期性的模式,从而生成一个表征这种规律性变化的状态更新输出向量。
另外,如果车辆在某个时间段内频繁地发生急刹车,那么通过挖掘加速度和减速度相关的数据,可以得到一个反映驾驶行为变化的状态更新输出向量。这个向量可能暗示车辆在这个时间段内可能遇到了不稳定的路况或其他问题。
或者,通过分析北斗位置数据与预期路线的偏差,可能会发现车辆实际行驶路径与计划路线之间的差异。这样的分析能够产生一个表征导航准确性的状态更新输出向量。
总结来说,步骤102中,利用各种数据挖掘技术对收集到的多维状态监测数据进行深入分析,从而获得描述车辆状态变化的更新向量。这些向量作为状态更新输出向量,为后续的状态评价和故障诊断提供了重要的补充信息。
步骤103、分别将所述X个故障通信状态评价向量与所述状态更新输出向量进行向量集成,生成X个通信状态评价集成向量。
在步骤103中,向量集成(Vector Integration)在数据分析和机器学习领域是一种技术,它将来自不同源或模型的多个向量合并为一个综合向量。这种方法通常用于结合不同特征或属性的信息,以得到更全面的视角。通信状态评价集成向量(CommunicationState Evaluation Integrated Vector)是步骤103中通过向量集成得到的结果,它结合了故障通信状态评价向量和状态更新输出向量,从而为每个故障状态提供了一个更完整的评价视图。集成向量旨在反映移动目标的通信状态的综合评估,包括北斗定位系统的性能以及传输过程中的通信质量等方面。
假设在步骤101中,得到了三个故障通信状态评价向量(A、B、C),每个向量都代表了不同的故障检测分支的结果。例如,向量A可能关注发动机性能,向量B关注轮胎压力,而向量C关注北斗信号强度。
同时,在步骤102中,进行了状态更新向量挖掘,并得到了一个状态更新输出向量D,该向量包含了车辆自上次状态评价以来的最新状态信息,比如最近的维护记录、传感器校准信息等。
在步骤103中,需要对这些向量进行集成处理。具体操作可能如下:将向量A与向量D集成,得到集成向量AD。这个集成向量可能通过加权平均、拼接、特征融合等方法生成,使其既包含发动机性能的评价,也融入了最新的状态更新信息。类似地,向量B与向量D集成得到BD,向量C与向量D集成得到CD。
集成后的向量AD、BD、CD各自综合了原始的故障评价信息和状态更新信息,为进一步的分析提供了更丰富的数据基础。例如,如果向量A中指出发动机温度存在异常,但在向量D中包含有最近的维护和检修记录显示发动机刚经过全面检查,那么集成向量AD可能会降低发动机故障的风险评级,因为最新的维护信息提供了额外的安全保障。
通过这样的集成,步骤103为决策者提供了一种全面考虑当前和历史状态信息的方法,以便更准确地评估移动目标的通信状态和潜在的故障风险。
在步骤103的另一个可能的示例中,目标是将步骤101得到的故障通信状态评价向量与步骤102得到的状态更新输出向量进行集成,以便得到一个更全面的通信状态评价。这个步骤关注的是如何综合考虑移动目标(例如车辆或船只)的北斗通信质量以及通信过程中可能发生的故障状态。
假设有一辆公交车,它配备了北斗定位系统,并且通过该系统与调度中心进行数据通信。现在,想要分析这辆公交车在行驶过程中北斗通信的质量和稳定性。已经从步骤101获得了基于多维监测数据的故障通信状态评价向量,它可能包括了诸如北斗信号质量、数据传输延迟等指标。此外,还从步骤102得到了状态更新输出向量,它可能反映了最近的通信质量变化,比如由于恶劣天气引起的信号干扰。
接下来,在步骤103中,需要将这两类向量进行集成。具体来说:故障通信状态评价向量可能表明某段时间内公交车的北斗信号经常丢失,导致定位不准确;数据传输延迟指标显示在高峰时段,数据到达调度中心的时间比平时更长。状态更新输出向量可能揭示了近期由于城市建设导致的某些路段信号受阻的情况,或者因为特殊事件(如大型体育赛事)导致的临时通信拥堵。
在步骤103中,会将上述两种向量合并,创建出通信状态评价集成向量。这可能是通过简单地叠加两个向量的方式,或者使用更复杂的算法,如权重平均或优化算法,来强调某些关键指标的影响。
例如,如果确定北斗信号质量对通信质量的影响非常关键,那么在集成向量时,可以给北斗信号质量指标更高的权重。同样,如果数据传输延迟在非高峰时段突然增加,这可能表明存在一个新的通信问题,因此状态更新输出向量中的这一变化也应被赋予相应的重视。
最终,步骤103完成后,会得到一个全面反映公交车北斗通信质量和稳定性的评价集成向量,它融合了历史故障数据和最新的状态变化信息。这个集成向量能够更精确地指示当前的通信状况,为进一步的故障诊断和预防维护提供依据。
步骤104、通过状态检测决策模型对所述X个通信状态评价集成向量中的每个通信状态评价集成向量进行判别分析,得到所述每个通信状态评价集成向量对应的Y个状态检测掩码报告;其中,Y表征对于所述判别分析的维度数,Y为大于1的整数。
例如,状态检测决策模型(State Detection Decision Model)是一种用于分析和判断移动目标通信状态的模型,通常基于统计学、机器学习或人工智能技术。它能够处理输入的评价向量,并输出决策结果。
判别分析(Discriminant Analysis)在统计学中是一种用于区分两个或多个属于不同类别或组的对象的方法。在此上下文中,它涉及到对通信状态评价集成向量进行分析,以确定其所属的状态类别,比如正常、预警或故障。
状态检测掩码报告(State Detection Mask Report)是状态检测决策模型的输出报告,其中“掩码”意味着这个报告能够遮盖或突出显示某些信息。报告中将包含有关移动目标通信状态的详细信息,可能会指出哪些方面是正常的,哪些方面存在潜在问题。
判别分析的维度数(Dimensionality of Discriminant Analysis)指的是在判别分析过程中使用的特征或变量的数量。维度数越高,分析就越复杂,但也可能更精确地反映实际情况。
假设在步骤103中,得到了三个通信状态评价集成向量AD、BD、CD,每个向量都综合了原始的故障评价信息和状态更新信息。
在步骤104中,需要使用状态检测决策模型来进一步分析这些集成向量。该模型可以是一个训练好的机器学习分类器,例如支持向量机(SVM)、决策树或神经网络,它已经被训练来识别不同的通信状态模式。
首先对集成向量AD进行判别分析,该分析可能考虑了诸如发动机温度、维护记录等多个维度。状态检测决策模型根据这些维度的数据来判断当前状态,并生成一个状态检测掩码报告,这个报告可能表明发动机状态正常,无需采取额外措施。
接着,对集成向量BD进行相同的判别分析。如果该分析发现轮胎压力连续几天低于标准值,那么生成的状态检测掩码报告可能提示需要进行轮胎检查。
最后,对集成向量CD进行判别分析,模型可能会侦测到GPS信号强度与预期的偏差。因此,对应的状态检测掩码报告可能指示导航系统需要调校或修理。
在步骤104完成后,将拥有针对每个集成向量的状态检测掩码报告,每个报告都提供了一组判别分析的结果,帮助了解每个向量所代表的通信状态评价情况。这样,可以更有针对性地识别并解决可能存在的问题。
步骤105、基于所述每个通信状态评价集成向量对应的Y个状态检测掩码报告确定所述疑似故障状态事项在所述移动目标多维状态监测数据中的分布特征;其中,所述分布特征用于指导目标北斗定位系统的通信故障维护。
在步骤105中,分布特征(Distribution Feature)在数据分析中指的是数据在不同维度上的分布情况,例如数据的频率分布、空间或时间分布。在本例中,分布特征可能指移动目标多维状态监测数据中疑似故障状态事项出现的模式和趋势。
用于指导目标北斗定位系统的通信故障维护指的是利用分析得到的分布特征来帮助维护团队确定应当如何优先进行故障维护工作,包括故障的预防、检测和修复。这种指导有助于提高维护效率,减少故障对用户的影响。
假设在前面的步骤中,已经为一辆装备北斗定位系统的公交车生成了通信状态评价集成向量,并且在步骤104中利用状态检测决策模型完成了判别分析,得到了相应的状态检测掩码报告。这些报告指出了不同通信状态评价集成向量中的潜在问题点。
在步骤105中,的任务是分析这些潜在问题点在整个监测数据集中的分布特征。具体操作可能包括:确定疑似故障发生的时间段,比如是否集中在某个特定的时段;分析疑似故障发生的地理位置,例如是否在城市的某个区域内更加频繁;考察故障与其他因素之间的相关性,比如天气条件、周边建筑物的构造等。例如,可能发现通信故障主要发生在早晚高峰时段,并且集中在城市中心区域。此外,也许这些故障在雨天时尤其频繁。
基于这些分布特征,维护团队可以采取针对性的措施:在高峰时段增加通信资源,比如通过部署额外的中继站来加强信号覆盖;在城市中心区域开展详细的信号质量测试,以识别可能导致通信故障的具体原因;在预报有恶劣天气的情况下,提前做好通信设备的检查和保养工作。
通过这样的分析和维护策略,步骤105有助于确保北斗定位系统的通信质量,从而提升整个系统的可靠性和用户的满意度。
可见,应用步骤101-步骤105,通过对移动目标多维状态监测数据进行故障状态初筛得到故障通信状态评价向量,以及对移动目标多维状态监测数据进行状态更新向量挖掘得到状态更新输出向量,通过状态检测决策模型对故障通信状态评价向量与状态更新输出向量进行向量集成后的通信状态评价集成向量进行处理,生成状态检测掩码报告,基于状态检测掩码报告确定疑似故障状态事项在移动目标多维状态监测数据中的用于指导目标北斗定位系统的通信故障维护的分布特征,本发明实施例提供的方法通过故障状态初筛、状态更新挖掘、状态检测决策等一系列联合分析策略,能够提高定位疑似故障状态事项的精度和全面性,从而为后续的通信故障维护提供可信依据。
在一些示例下,所述状态检测决策模型包括深度知识提炼子模型及决策向量挖掘子模型,所述深度知识提炼子模型包括Z个知识提炼分支,每个知识提炼分支的输入为前一个知识提炼分支的输出,Z为大于1的整数。基于此,步骤104中的所述通过状态检测决策模型对所述X个通信状态评价集成向量中的每个通信状态评价集成向量进行判别分析,得到所述每个通信状态评价集成向量对应的Y个状态检测掩码报告,包括步骤1041-步骤1042。
步骤1041、通过所述深度知识提炼子模型对所述每个通信状态评价集成向量进行知识提炼,得到所述每个通信状态评价集成向量对应的Z个目标通信状态下采样知识向量。
步骤1042、通过所述决策向量挖掘子模型对所述Z个目标通信状态下采样知识向量进行判别分析,得到所述每个通信状态评价集成向量对应的Y个状态检测掩码报告。
上述示例中,深度知识提炼子模型(Deep Knowledge Distillation Submodel)是状态检测决策模型中的一部分,它使用深度学习技术来提取和精炼输入数据中的关键信息。通过一系列的知识提炼分支,模型能够逐层抽象和转化数据,最终得到高度概括的特征表示。
在深度知识提炼子模型中,每个知识提炼分支都是一个处理步骤,它接收上一个分支的输出作为输入,并进一步提炼知识。分支通常由多层神经网络构成,每层都对数据进行变换和抽象化。
就目标通信状态下采样知识向量而言,经过深度知识提炼子模型处理后,得到的是对原始通信状态评价集成向量更加精炼和压缩的表示形式。这些向量包含了与目标通信状态相关的重要信息,但在数据规模上有所减小,便于进一步分析。
决策向量挖掘子模型(Decision Vector Mining Submodel)是另一个子模型,用于对从深度知识提炼子模型得到的下采样知识向量进行判别分析,以生成最终的状态检测掩码报告。这个子模型专注于挖掘决策所需的关键特征,可能包括分类器或其他统计分析工具。
假设正在监控一个船队的通信状态。每艘船只都装备了北斗定位系统,以及用于收集环境、机械和操作数据的传感器。已经通过步骤101至103获取并集成了各船的通信状态评价向量。
在步骤104中,使用带有深度知识提炼子模型和决策向量挖掘子模型的状态检测决策模型来分析这些集成向量。
步骤1041中,深度知识提炼子模型通过其多个知识提炼分支逐步处理每艘船的通信状态评价集成向量。例如,第一个分支可能将原始数据通过卷积层处理以提取空间特征,第二个分支可能使用循环层处理时间序列数据,每个分支都使得信息更加集中和精炼。最终,得到了每艘船的目标通信状态下采样知识向量。
步骤1042中,决策向量挖掘子模型接着对这些下采样知识向量进行判别分析。这可能涉及运用分类算法,如随机森林或梯度提升机,来确定通信状态是否存在异常,并生成对应的状态检测掩码报告。
如此设计,深度知识提炼可以去除冗余信息,使得数据集中于关键特征,提高了判别分析的准确性。下采样知识向量减少了数据的维度和复杂性,使得判别分析更加快速和高效。深度知识提炼有助于模型捕捉更本质的数据特征,从而在面对新的数据时具有更好的泛化能力。决策向量挖掘子模型确保了最终的掩码报告集中于对通信状态判断最关键的因素,从而提供了更可靠的决策依据。
在另外一些示例中,所述决策向量挖掘子模型包括决策向量挖掘分支及第一报告掩码处理分支。基于此,步骤1042中的所述通过所述决策向量挖掘子模型对所述Z个目标通信状态下采样知识向量进行判别分析,得到所述每个通信状态评价集成向量对应的Y个状态检测掩码报告,包括步骤10421-步骤10426。
步骤10421、从所述Z个目标通信状态下采样知识向量中获取第一目标通信状态下采样知识向量及第二目标通信状态下采样知识向量,其中,所述第一目标通信状态下采样知识向量为Z个目标通信状态下采样知识向量中特征识别度最低的目标通信状态下采样知识向量,所述第二目标通信状态下采样知识向量的特征识别度大于所述第一目标通信状态下采样知识向量的特征识别度。
步骤10422、通过所述决策向量挖掘分支对所述第一目标通信状态下采样知识向量进行处理,得到第一关键通信状态评价向量,其中,所述决策向量挖掘分支用于消除所述第一目标通信状态下采样知识向量中的噪声特征。
步骤10423、将所述第一目标通信状态下采样知识向量及所述第一关键通信状态评价向量进行向量集成,生成第一融合向量。
步骤10424、对所述第一融合向量进行特征映射,生成第一特征映射向量。
步骤10425、将所述第二目标通信状态下采样知识向量与所述第一特征映射向量进行向量集成,生成第二融合向量。
步骤10426、通过第一报告掩码处理分支对所述第二融合向量进行处理,得到第一状态检测掩码报告,其中,所述第一状态检测掩码报告包括所述疑似故障状态事项的第一高亮文本掩码。
在上述实施例中,第一报告掩码处理分支(First Report Mask ProcessingBranch)是决策向量挖掘子模型的一部分,专门用于生成状态检测掩码报告。在这里,“掩码”可能指的是一种突出显示关键信息的方式,例如通过高亮显示来标识出疑似故障状态事项。
下采样知识向量(Downsampled Knowledge Vector):在信号处理和机器学习中,下采样通常指的是减少数据点数量的过程。在此上下文中,下采样知识向量可能指的是经过处理以降低复杂度后的数据向量,便于进一步分析。
特征识别度(Feature Discriminability)表示数据特征在区分不同类别或状态时的有效性。高特征识别度意味着该特征对于分类或状态判别非常有用。
关键通信状态评价向量(Key Communication State Evaluation Vector)是经过处理(如噪声消除)后的向量,旨在更准确地评估通信状态。
向量集成(Vector Integration)、特征映射(Feature Mapping)、融合向量(Fusion Vector):涉及到的数据处理步骤,目的是将不同来源的数据结合起来,增强数据表征的能力。
高亮文本掩码(Highlighted Text Mask):在报告中,重要信息(如疑似故障状态事项)被高亮显示,以便用户快速识别。
假设正在处理一个北斗定位系统的通信故障检测问题,需要对来自多个车辆的通信状态数据进行分析。
在步骤1042中,利用决策向量挖掘子模型来处理Z个车辆的目标通信状态下采样知识向量,并最终得到Y个状态检测掩码报告。
首先选择特征识别度最低的目标通信状态下采样知识向量(第一目标向量),以及特征识别度较高的另一个向量(第二目标向量)。这一步可以帮助确定哪些车辆的通信状态数据需要更密切关注。使用决策向量挖掘分支对第一目标向量进行处理,去除噪声特征,从而得到第一关键通信状态评价向量。将第一目标向量与第一关键向量进行向量集成,生成第一融合向量,这可以增强数据特征,提高之后分析的准确度。对第一融合向量进行特征映射,生成第一特征映射向量。这个映射过程可以转化数据以揭示隐藏的结构或关系。将第二目标向量与第一特征映射向量进行集成,生成第二融合向量。这进一步丰富了数据的特征空间,可能会揭示更多的信息。最后,通过第一报告掩码处理分支对第二融合向量进行处理,得到第一状态检测掩码报告。这个报告通过高亮显示疑似故障状态事项,使得潜在的问题变得一目了然。
通过以上步骤,该方案可以有效提高通信故障检测的准确性和效率。具体来说,利用决策向量挖掘子模型和相关的数据处理方法可以剔除无关噪声,强化关键特征,使得状态检测更加精确。此外,生成的状态检测掩码报告通过高亮显示关键信息,帮助运维人员快速识别和响应潜在的故障,从而降低维护成本,减少系统停机时间,提高整个北斗定位系统的稳定性和可靠性。
在一些可能的实施例中,步骤10422所描述的通过所述决策向量挖掘分支对所述第一目标通信状态下采样知识向量进行处理,得到第一关键通信状态评价向量,包括步骤104221-步骤104222。
步骤104221、获取所述第一目标通信状态下采样知识向量的第一故障热力信息。
步骤104222、基于所述第一故障热力信息消除所述第一目标通信状态下采样知识向量中的噪声特征,生成所述第一关键通信状态评价向量。
在上述实施例中,故障热力信息(Fault Thermal Information)是指故障发生频率或者故障强度的一种度量,反映出不同通信状态评价指标在数据集中的分布热点,从而可以帮助确定哪些特征更可能与故障相关联。消除噪声特征涉及去除那些对判别目标通信状态无关紧要或误导性的数据特征,也就是“噪声”。消除这些特征有助于减少干扰,提升分析的准确性。
第一关键通信状态评价向量是在去除了噪声特征之后得到的精简且包含核心信息的特征向量。它专注于对通信状态影响最大的因素,为做出决策提供了更清晰的依据。
假设正在管理一个城市公交车队的北斗定位系统。每辆公交车的通信状态评价集成向量已经通过深度知识提炼子模型被处理,生成了多个目标通信状态下采样知识向量。
在步骤10422中,针对其中的第一目标通信状态下采样知识向量进行进一步处理,以提取决策所需的核心特征。
步骤104221中,首先获取这个下采样知识向量的故障热力信息。这可能涉及统计分析,如热图,显示哪些特征与过去的通信故障有较高的关联性。例如,如果某个特征与故障事件的空间位置或时间高度相关,则该特征的热力值会很高。
步骤104222中,根据故障热力信息来消除向量中的噪声特征。比如,如果发现某些传感器读数的波动与故障无明显关联,那么这些波动可以被视为噪声并从分析中移除。最终,得到了更加精确的第一关键通信状态评价向量。
这样一来,通过专注于与故障密切相关的特征,决策模型能够更准确地识别真正的问题,减少误报和漏报。具有高度关联性的特征可以帮助维护团队确定潜在的风险点,使得维护工作更加有针对性,从而节省资源。清晰地理解故障与特定特征之间的关系有助于预测未来可能的故障事件,实现预防性维护。消除噪声数据不仅简化了模型,还可以加快计算速度,提高系统的整体性能。
在其他可能的实施例中,步骤10423中的所述将所述第一目标通信状态下采样知识向量及所述第一关键通信状态评价向量进行向量集成,生成第一融合向量,包括步骤104231-步骤104233。
步骤104231、对所述第一关键通信状态评价向量进行可逆处理,生成第一可逆特征。
步骤104232、对所述第一可逆特征进行特征衍生,生成第一衍生状态评价向量。
步骤104233、将所述第一目标通信状态下采样知识向量及所述第一衍生状态评价向量进行向量集成,生成第一融合向量。
在上述实施例中,可逆处理(Reversible Processing)是指一种数据处理方式,它允许从处理后的结果中恢复原始数据。在机器学习和数据分析中,可逆处理可以用来确保重要信息在处理过程中不会丢失,可以,并且可以在必要时回溯到原始数据,比如可以是卷积处理。第一可逆特征(First Reversible Feature)是经过可逆处理生成的特征,它保留了足够的信息以便能够还原到原始状态评价向量。
特征衍生(Feature Derivation)是指基于原有数据特征创建新特征的过程。衍生的特征通常旨在捕获数据中未被直接观测到的模式或关系,增强数据的表达力。
第一衍生状态评价向量(First Derived State Evaluation Vector)是通过对第一可逆特征进行特征衍生得到的向量,它反映了更加细致或深层次的通信状态信息。
第一融合向量(First Fusion Vector)是将第一目标通信状态下采样知识向量与第一衍生状态评价向量集成后得到的向量。它结合了两种向量的信息,为后续的分析和决策提供了一个更为全面的数据基础。
假设负责监测一个大型物流公司的车队,每辆车都装有传感器和北斗定位系统,用于收集运行状态和通信数据。的目标是提前检测并预防可能的通信故障。
在步骤10423中,需要将第一目标通信状态下采样知识向量和第一关键通信状态评价向量集成,以生成第一融合向量。
首先,对第一关键通信状态评价向量进行可逆处理。例如,可以使用自编码器网络来提取关键特征,同时保证这些特征能够用于重构原始向量。接着,对得到的第一可逆特征进行特征衍生。这可能涉及到使用数学变换、统计方法或其他算法来生成新的特征,它们揭示了原始数据中未直接观察到的模式。最后,将第一目标通信状态下采样知识向量与第一衍生状态评价向量进行向量集成,生成第一融合向量。这个融合向量将原始数据和衍生特征结合在一起,为后续的判别分析提供了更全面的信息。
如此设计,通过可逆处理和特征衍生,可以从原始数据中提取更多有价值的信息,并且在必要时可以还原到原始数据。将下采样知识向量与衍生状态评价向量集成,可以使最终的数据表示更为丰富和全面,提高了故障检测的准确性。更精确的故障检测意味着可以更有效地预防通信故障,从而降低维护成本,减少车队运营中断的风险,提升服务质量和客户满意度。
在一些可选的实施例中,步骤10425所述将所述第二目标通信状态下采样知识向量与所述第一特征映射向量进行向量集成,生成第二融合向量,包括步骤104251-步骤104252。
步骤104251、将所述第一特征映射向量进行特征衍生,生成第二衍生状态评价向量。
步骤104252、将所述第二目标通信状态下采样知识向量与所述第二衍生状态评价向量进行向量集成,生成第二融合向量。
假设负责监控一个车队的北斗定位系统。每辆车都装备了北斗接收器,实时发送位置和通信状态数据。需要分析这些数据以检测可能的故障或性能下降,并确保车队导航的精确性和可靠性。
首先,对第一特征映射向量进行特征衍生。例如,如果原始特征映射向量包括了速度和方向,可能会衍生出加速度或是转向角速度等特征,这些都是根据现有数据计算出来的。然后,将第二目标通信状态下采样知识向量与第二衍生状态评价向量进行向量集成。这意味着将车辆在不同时间点的通信状态数据与衍生出的动态行驶特征整合在一起,形成了一个全面反映通信状态和行驶行为的第二融合向量。
如此设计,通过将通信状态的静态和动态特征相结合,能够更准确地检测北斗定位系统的异常情况,如信号中断或数据传输延迟。凭借更加全面的通信状态评估,运营人员可以更好地调度车辆,预防潜在的导航错误,提高整体的运营效率。第二融合向量可能帮助识别那些可能导致未来故障的模式,从而实施预测性维护策略,减少停机时间和维修成本。特征衍生和向量集成使得每一份数据都能够被最大限度地利用,从而为决策者提供更全面、更深入的见解。
在另外的示例中,所述决策向量挖掘子模型还包括第二报告掩码处理分支;基于此,所述生成第一融合向量之后,还包括步骤201-步骤204。
步骤201、对所述第一融合向量进行知识提炼处理,生成第一知识提炼特征矩阵。
步骤202、对所述第二融合向量进行知识提炼处理,生成第二知识提炼特征矩阵。
步骤203、将所述第一知识提炼特征矩阵及所述第二知识提炼特征矩阵进行向量集成,生成第三融合向量。
步骤204、通过所述第二报告掩码处理分支对所述第三融合向量进行处理,得到第二状态检测掩码报告,其中,所述第二状态检测掩码报告包括所述疑似故障状态事项的第二高亮文本掩码。
在一些可能的实施例中,所述决策向量挖掘子模型还包括第三报告掩码处理分支。基于此,在步骤10422所描述的通过所述决策向量挖掘分支对所述第一目标通信状态下采样知识向量进行处理,得到第一关键通信状态评价向量之后,还包括步骤300。
步骤300、对所述第一关键通信状态评价向量进行可逆处理,生成第一可逆特征。
进一步地,所述得到第三融合向量之后,还包括步骤401-步骤403。
步骤401、对所述得到第三融合向量进行知识提炼处理,生成第三知识提炼特征矩阵。
步骤402、将所述第一可逆特征及所述第三知识提炼特征矩阵进行向量集成,生成第四融合向量。
步骤403、通过所述第三报告掩码处理分支对所述第四融合向量进行处理,得到第三状态检测掩码报告,其中,所述第三状态检测掩码报告包括所述疑似故障状态事项的第三高亮文本掩码。
在上述实施例中,知识提炼特征矩阵(Knowledge Distilled Feature Matrix)是对原始数据进行转换和压缩后得到的,它保留了用于分析和模型训练的关键特征。
假设负责一个大型物流公司的车队管理,每辆车都装备有北斗定位设备,用来追踪车辆位置、导航和监控车辆状态。
首先,对第一融合向量进行知识提炼处理,这个向量可能包含了单个车辆在特定时间内的定位和通信数据。通过降维、特征选择等技术,生成了一个包含关键位置和通信特征的第一知识提炼特征矩阵。类似地,对第二融合向量进行知识提炼处理,这个向量可能来源于另一组车辆或同一车辆在不同时间的数据,生成第二知识提炼特征矩阵。接着,将两个知识提炼特征矩阵进行向量集成,创建了一个更为全面的第三融合向量,这个向量包含了跨越多个车辆或时间段的关键定位和通信特征。最后,通过第二报告掩码处理分支对第三融合向量进行处理,生成第二状态检测掩码报告。这份报告能够高亮显示那些可能预示着设备故障、信号丢失或其他通信问题的状况。
如此设计,利用融合和提炼的数据可以更准确地预测潜在的定位系统故障,从而快速响应并采取维修或替换措施。通过精确监控车辆的定位和通信状态,可以更好地规划车队路线,提高物流效率和减少运营成本。对故障状态的即时检测有助于保护定位数据的完整性,防止因故障造成的数据错误影响到关键决策。持续监控和及时维护北斗定位设备能够确保服务质量,增加客户满意度和公司信誉。
在一些示例性设计思路下,步骤105中的所述基于所述每个通信状态评价集成向量对应的Y个状态检测掩码报告确定所述疑似故障状态事项在所述移动目标多维状态监测数据中的分布特征,包括步骤1051-步骤1054。
步骤1051、获取X个通信状态评价集成向量对应的X*Y个状态检测掩码报告,其中,每个所述状态检测掩码报告携带所述疑似故障状态事项的高亮文本掩码。
步骤1052、获取所述X*Y个状态检测掩码报告对应的X*Y个频繁项特征。
步骤1053、基于所述X*Y个频繁项特征确定目标状态检测掩码报告,其中,所述目标状态检测掩码报告为所述X*Y个状态检测掩码报告中频繁项特征最大的状态检测掩码报告。
步骤1054、基于所述目标状态检测掩码报告中所述疑似故障状态事项的高亮文本掩码,得到所述疑似故障状态事项在所述移动目标多维状态监测数据中的分布特征。
在上述实施例中,状态检测掩码报告(State Detection Mask Report)是一种数据报告,它通过特定的掩码标记了数据集中可能存在问题或异常的部分。在北斗定位系统中,这可能指的是识别出的信号弱、数据不完整、通信中断等疑似故障状态。高亮文本掩码(Highlight Text Mask)是状态检测掩码报告中的一项特殊标记,用以高亮显示那些被识别为疑似故障状态的数据点。通过视觉突出,操作人员可以更容易地识别和关注这些数据点。在数据挖掘中,频繁项特征指的是在数据集中经常出现的模式或属性组合。在北斗定位场景中,频繁项特征可以帮助识别通常与故障状态相关联的数据模式。目标状态检测掩码报告(Target State Detection Mask Report)是从多个状态检测掩码报告中选出的一个,它具有最大的频繁项特征值,意味着它最有可能反映实际的故障状态。
假设正在使用北斗定位系统来跟踪和监控一组商业运输车队的行驶情况。车队的每辆车都装备有北斗定位装置,实时传输多维状态数据。
首先,获取X个通信状态评价集成向量对应的X*Y个状态检测掩码报告,每份报告都携带了识别出的疑似故障状态事项的高亮文本掩码。然后,分析这些掩码报告,提取出对应的频繁项特征。例如,某个特定类型的故障可能总是发生在特定的地理位置或在特定的通信条件下。接下来,根据频繁项特征的大小确定目标状态检测掩码报告。这份报告反映了最典型的、最有可能表示实际故障的数据模式。最后,基于目标状态检测掩码报告中的高亮文本掩码,得到了疑似故障状态事项在整个车队多维状态监测数据中的分布特征。
这样一来,通过识别频繁出现的异常模式,可以更精准地定位可能的故障区域,从而快速采取行动修复或预防问题。了解故障分布特征有助于制定更有效的维护计划和调整运输路线,以避免已知的问题区域。通过实时监测和及时响应疑似故障状态,可以提升车队行驶的安全性能,减少交通事故的风险。通过自动化的故障状态检测和高亮显示功能,减少了对数据的手动审查需求,节省了时间并减少了由于故障延迟引起的成本。
在另一些实施例中,步骤101中的通过故障状态识别模型对所述移动目标多维状态监测数据进行处理,得到X个故障通信状态评价向量,包括步骤1011-步骤1012。
步骤1011、通过所述X个具有不同模型参量的故障状态识别分支对所述移动目标多维状态监测数据中的所述疑似故障状态事项的检测报告内容框进行识别,得到X个噪声抑制监测数据。
步骤1012、分别对所述X个噪声抑制监测数据进行特征提取,生成X个故障通信状态评价向量。
其中,疑似故障状态事项的检测报告内容框(Suspected Fault State ItemsDetection Report Content Box)是一个特定格式的报告部分,其中包含了根据监测数据预测出的疑似故障状态信息。
噪声抑制监测数据(Noise Suppressed Monitoring Data)是通过故障状态识别分支处理后,剔除了干扰或噪声的数据。这些数据更加准确地反映了移动目标的真实状态。
特征提取(Feature Extraction)是指从原始监测数据中提取出有助于故障状态判定的信息特征,本实施例中可以是空洞卷积处理。
假设正在监控一个使用北斗定位服务的物流车队,需要评估每辆车的通信设备是否正常工作,以保证实时定位数据的准确性和完整性。
首先,使用不同参数设置的多个故障状态识别分支对车队的多维状态监测数据进行处理。每个分支都旨在从不同角度检测和识别疑似故障状态,例如信号丢失、数据异常等,并生成经过噪声抑制的监测数据。接着,对每组经过噪声抑制的监测数据进行特征提取,得到一系列故障通信状态评价向量。这些向量汇总了识别出的各种潜在问题,为进一步的分析和决策提供了依据。
这样一来,多个识别分支能够从不同方面识别潜在故障,增加了检测的全面性和准确性。通过噪声抑制,可以减少由环境干扰或非故障相关因素引起的误报,提高系统的可靠性。特征提取和评价向量的形成有助于快速确定故障发生的位置和原因,从而缩短响应时间。准确的故障检测使得维护团队可以有针对性地安排维修工作,避免不必要的成本开销。确保北斗定位系统的稳定运行对于物流车队的日常操作至关重要,减少因通信故障造成的延误,提高整体运营效率。
在另一些实施例中,步骤102中的对所述移动目标多维状态监测数据进行状态更新向量挖掘,得到状态更新输出向量,包括步骤1021-步骤1024。
步骤1021、通过状态更新向量挖掘模型中的状态更新向量挖掘分支对所述移动目标多维状态监测数据进行状态更新向量挖掘,得到状态更新编码向量。
步骤1022、对所述状态更新编码向量进行可逆处理,生成状态更新可逆向量。
步骤1023、对所述状态更新可逆向量进行知识提炼,生成状态更新知识向量。
步骤1024、基于所述状态更新知识向量生成状态更新输出向量。
在上述实施例中,状态更新向量挖掘旨在从移动目标的多维状态监测数据中提取出有助于理解和分析状态变化的信息。通过状态更新向量挖掘,可以得到捕获状态变化特征的向量。状态更新编码向量(State Update Encoding Vector)是通过状态更新向量挖掘模型处理后得到的编码向量,它包含了移动目标状态更新的编码表示,可用于后续的数据处理步骤。状态更新可逆向量(State Update Reversible Vector)是经过可逆处理后的状态更新编码向量,其特点是可以还原到处理前的状态。知识提炼是从大量的数据或复杂的模型中提取出最关键信息的过程。在这个上下文中,它涉及将状态更新可逆向量中的数据简化为更加精炼且易于理解的形式。状态更新知识向量(State Update KnowledgeVector)是通过知识提炼过程生成的向量,它包含了对移动目标状态更新的关键知识和洞察。基于状态更新知识向量,状态更新输出向量(State Update Output Vector)提供了一个简化但信息丰富的数据表示,可用于进一步的分析、决策支持或其他应用。
假设正在管理一个使用北斗定位系统的城市公交车网络,需要实时监控每辆公交车的位置和运行状态,以确保高效率和安全的运营。
首先,通过状态更新向量挖掘分支对公交车的多维状态监测数据进行处理,提取与状态变化相关的重要信息,并得到状态更新编码向量。然后,对这些状态更新编码向量进行可逆处理,保证了信息的完整性和还原能力,生成状态更新可逆向量。接着,对状态更新可逆向量进行知识提炼,剔除冗余信息,提取关键知识,生成状态更新知识向量。最后,基于状态更新知识向量,生成状态更新输出向量,这个向量简化了数据但仍保留了最关键的状态更新信息。
如此设计,通过挖掘和编码关键的状态更新信息,可以更快地处理和分析大量的监测数据。状态更新输出向量为管理人员提供了即时且精炼的信息,有助于更好地做出调度和运营决策。可逆处理保障了在需要时可以准确地还原数据,提高了数据的可靠性。知识提炼减少了数据传输的大小,减轻了网络负载,尤其在移动通信环境下显得尤为重要。及时准确的状态更新对公共交通服务至关重要,通过有效监控和管理,可以提高乘客满意度并减少运营延误。
在一些可能的实施例中,步骤103中的分别将所述X个故障通信状态评价向量与所述状态更新输出向量进行向量集成,生成X个通信状态评价集成向量,包括步骤1031-步骤1034。
步骤1031、基于所述X个故障通信状态评价向量生成X个局部状态关注向量。
步骤1032、基于所述状态更新输出向量生成状态更新编码向量。
步骤1033、分别将所述X个局部状态关注向量与所述状态更新编码向量进行可逆处理,生成X个全局状态卷积向量。
步骤1034、基于所述X个全局状态卷积向量生成所述X个通信状态评价集成向量。
在上述实施例中,通信状态评价向量(Communication State EvaluationVector)是通过分析移动目标(例如车辆、船只等)的通信数据得出的一个数学向量,用来评估其通信状态的质量,包括可能存在的故障或异常。状态更新输出向量(State UpdateOutput Vector)指的是从移动目标多维状态监测数据中提取并更新后的状态信息所形成的向量。这些向量反映了目标当前的状态和最近的变化。局部状态关注向量(Local StateFocus Vector)针对特定区域或条件下的状态进行关注,它可能会专注于一系列局部特征或问题点。状态更新编码向量(State Update Encoding Vector)是将状态更新输出向量经过编码处理得到的,可能涉及压缩或加密,以便于存储和传输。全局状态卷积向量(GlobalState Convolution Vector)是将局部状态关注向量与状态更新编码向量结合起来,并经过可逆处理得到的向量。“卷积”这一术语通常与深度学习中的卷积神经网络(CNNs)相关,但在此可能表示更广泛的整合或融合过程。通信状态评价集成向量(Communication StateEvaluation Integrated Vector)是基于全局状态卷积向量生成的向量,集成了各种不同方面的通信状态信息,为最终的评价提供了综合视角。
假设北斗定位系统正在用于远洋航行的船队管理。管理中心需要实时监控每艘船的通信状态,确保船只能够准确接收导航信号和发送位置数据。
首先,基于X个故障通信状态评价向量,生成X个局部状态关注向量。每个向量可能聚焦于特定类型的通信问题,比如信号干扰、数据延迟等。然后,基于状态更新输出向量,生成状态更新编码向量。这一步骤可能涉及对最新的状态更新数据进行编码,使其更适合长距离传输。接着,分别将X个局部状态关注向量与状态更新编码向量进行可逆处理,生成X个全局状态卷积向量。这一步旨在整合当前状态更新信息和特定的通信状态问题。最后,基于X个全局状态卷积向量,生成X个通信状态评价集成向量。这些向量为管理中心提供了关于每艘船通信状态的全面评价。
如此一来,通过集成局部关注和全局状态更新的向量,管理中心能够更精确地评估和监控船队的通信状况。生成的集成向量能够帮助快速定位通信问题,从而提高故障诊断的速度和效率。可逆处理保证了数据的安全传输,并允许恢复原始数据进行详细分析。更全面的通信状态评价可以帮助制定更有效的维护计划,预防潜在的通信故障。准确的通信状态监控对于船只安全航行至关重要,尤其是在远洋航行中,通信设备的稳定性直接关系到船员和货物的安全。
进一步地,还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (9)
1.一种基于北斗定位的通信状态检测报告分析方法,其特征在于,应用于检测报告分析系统,所述方法包括:
获取移动目标多维状态监测数据;通过故障状态识别模型对所述移动目标多维状态监测数据进行处理,得到X个故障通信状态评价向量,其中,所述故障状态识别模型包括X个具有不同模型参量的故障状态识别分支,所述故障状态识别分支用于确定所述移动目标多维状态监测数据中疑似故障状态事项的检测报告内容框,X为不小于1的整数;
对所述移动目标多维状态监测数据进行状态更新向量挖掘,得到状态更新输出向量;
分别将所述X个故障通信状态评价向量与所述状态更新输出向量进行向量集成,生成X个通信状态评价集成向量;
通过状态检测决策模型对所述X个通信状态评价集成向量中的每个通信状态评价集成向量进行判别分析,得到所述每个通信状态评价集成向量对应的Y个状态检测掩码报告,其中,Y表征对于所述判别分析的维度数,Y为大于1的整数;
基于所述每个通信状态评价集成向量对应的Y个状态检测掩码报告确定所述疑似故障状态事项在所述移动目标多维状态监测数据中的分布特征;所述分布特征用于指导目标北斗定位系统的通信故障维护;
其中,所述状态检测决策模型包括深度知识提炼子模型及决策向量挖掘子模型,所述深度知识提炼子模型包括Z个知识提炼分支,每个知识提炼分支的输入为前一个知识提炼分支的输出,Z为大于1的整数;所述通过状态检测决策模型对所述X个通信状态评价集成向量中的每个通信状态评价集成向量进行判别分析,得到所述每个通信状态评价集成向量对应的Y个状态检测掩码报告,包括:
通过所述深度知识提炼子模型对所述每个通信状态评价集成向量进行知识提炼,得到所述每个通信状态评价集成向量对应的Z个目标通信状态下采样知识向量;
通过所述决策向量挖掘子模型对所述Z个目标通信状态下采样知识向量进行判别分析,得到所述每个通信状态评价集成向量对应的Y个状态检测掩码报告;
其中,所述决策向量挖掘子模型包括决策向量挖掘分支及第一报告掩码处理分支;所述通过所述决策向量挖掘子模型对所述Z个目标通信状态下采样知识向量进行判别分析,得到所述每个通信状态评价集成向量对应的Y个状态检测掩码报告,包括:从所述Z个目标通信状态下采样知识向量中获取第一目标通信状态下采样知识向量及第二目标通信状态下采样知识向量,其中,所述第一目标通信状态下采样知识向量为Z个目标通信状态下采样知识向量中特征识别度最低的目标通信状态下采样知识向量,所述第二目标通信状态下采样知识向量的特征识别度大于所述第一目标通信状态下采样知识向量的特征识别度;通过所述决策向量挖掘分支对所述第一目标通信状态下采样知识向量进行处理,得到第一关键通信状态评价向量,其中,所述决策向量挖掘分支用于消除所述第一目标通信状态下采样知识向量中的噪声特征;将所述第一目标通信状态下采样知识向量及所述第一关键通信状态评价向量进行向量集成,生成第一融合向量;对所述第一融合向量进行特征映射,生成第一特征映射向量;将所述第二目标通信状态下采样知识向量与所述第一特征映射向量进行向量集成,生成第二融合向量;通过第一报告掩码处理分支对所述第二融合向量进行处理,得到第一状态检测掩码报告,其中,所述第一状态检测掩码报告包括所述疑似故障状态事项的第一高亮文本掩码。
2.根据权利要求1所述的基于北斗定位的通信状态检测报告分析方法,其特征在于,所述通过所述决策向量挖掘分支对所述第一目标通信状态下采样知识向量进行处理,得到第一关键通信状态评价向量,包括:
获取所述第一目标通信状态下采样知识向量的第一故障热力信息;
基于所述第一故障热力信息消除所述第一目标通信状态下采样知识向量中的噪声特征,生成所述第一关键通信状态评价向量。
3.根据权利要求1所述的基于北斗定位的通信状态检测报告分析方法,其特征在于,所述将所述第一目标通信状态下采样知识向量及所述第一关键通信状态评价向量进行向量集成,生成第一融合向量,包括:
对所述第一关键通信状态评价向量进行可逆处理,生成第一可逆特征;
对所述第一可逆特征进行特征衍生,生成第一衍生状态评价向量;
将所述第一目标通信状态下采样知识向量及所述第一衍生状态评价向量进行向量集成,生成第一融合向量。
4.根据权利要求1所述的基于北斗定位的通信状态检测报告分析方法,其特征在于,所述将所述第二目标通信状态下采样知识向量与所述第一特征映射向量进行向量集成,生成第二融合向量,包括:
将所述第一特征映射向量进行特征衍生,生成第二衍生状态评价向量;
将所述第二目标通信状态下采样知识向量与所述第二衍生状态评价向量进行向量集成,生成第二融合向量。
5.根据权利要求1所述的基于北斗定位的通信状态检测报告分析方法,其特征在于,所述决策向量挖掘子模型还包括第二报告掩码处理分支;所述生成第一融合向量之后,还包括:
对所述第一融合向量进行知识提炼处理,生成第一知识提炼特征矩阵;
对所述第二融合向量进行知识提炼处理,生成第二知识提炼特征矩阵;
将所述第一知识提炼特征矩阵及所述第二知识提炼特征矩阵进行向量集成,生成第三融合向量;
通过所述第二报告掩码处理分支对所述第三融合向量进行处理,得到第二状态检测掩码报告,其中,所述第二状态检测掩码报告包括所述疑似故障状态事项的第二高亮文本掩码;
其中,所述决策向量挖掘子模型还包括第三报告掩码处理分支,所述通过所述决策向量挖掘分支对所述第一目标通信状态下采样知识向量进行处理,得到第一关键通信状态评价向量之后,还包括:对所述第一关键通信状态评价向量进行可逆处理,生成第一可逆特征;
所述生成第三融合向量之后,还包括:对所述第三融合向量进行知识提炼处理,生成第三知识提炼特征矩阵;将所述第一可逆特征及所述第三知识提炼特征矩阵进行向量集成,生成第四融合向量;通过所述第三报告掩码处理分支对所述第四融合向量进行处理,得到第三状态检测掩码报告,其中,所述第三状态检测掩码报告包括所述疑似故障状态事项的第三高亮文本掩码。
6.根据权利要求1所述的基于北斗定位的通信状态检测报告分析方法,其特征在于,所述基于所述每个通信状态评价集成向量对应的Y个状态检测掩码报告确定所述疑似故障状态事项在所述移动目标多维状态监测数据中的分布特征,包括:
获取X个通信状态评价集成向量对应的X*Y个状态检测掩码报告,其中,每个所述状态检测掩码报告携带所述疑似故障状态事项的高亮文本掩码;
获取所述X*Y个状态检测掩码报告对应的X*Y个频繁项特征;
基于所述X*Y个频繁项特征确定目标状态检测掩码报告,其中,所述目标状态检测掩码报告为所述X*Y个状态检测掩码报告中频繁项特征最大的状态检测掩码报告;
基于所述目标状态检测掩码报告中所述疑似故障状态事项的高亮文本掩码,得到所述疑似故障状态事项在所述移动目标多维状态监测数据中的分布特征。
7.根据权利要求1所述的基于北斗定位的通信状态检测报告分析方法,其特征在于,所述通过故障状态识别模型对所述移动目标多维状态监测数据进行处理,得到X个故障通信状态评价向量,包括:
通过所述X个具有不同模型参量的故障状态识别分支对所述移动目标多维状态监测数据中的所述疑似故障状态事项的检测报告内容框进行识别,得到X个噪声抑制监测数据;
分别对所述X个噪声抑制监测数据进行特征提取,生成X个故障通信状态评价向量。
8.根据权利要求1所述的基于北斗定位的通信状态检测报告分析方法,其特征在于,所述对所述移动目标多维状态监测数据进行状态更新向量挖掘,得到状态更新输出向量,包括:通过状态更新向量挖掘模型中的状态更新向量挖掘分支对所述移动目标多维状态监测数据进行状态更新向量挖掘,得到状态更新编码向量;对所述状态更新编码向量进行可逆处理,生成状态更新可逆向量;对所述状态更新可逆向量进行知识提炼,生成状态更新知识向量;基于所述状态更新知识向量生成状态更新输出向量;
其中,分别将所述X个故障通信状态评价向量与所述状态更新输出向量进行向量集成,生成X个通信状态评价集成向量,包括:基于所述X个故障通信状态评价向量生成X个局部状态关注向量;基于所述状态更新输出向量生成状态更新编码向量;分别将所述X个局部状态关注向量与所述状态更新编码向量进行可逆处理,生成X个全局状态卷积向量;基于所述X个全局状态卷积向量生成所述X个通信状态评价集成向量。
9.一种检测报告分析系统,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311855489.6A CN117527528B (zh) | 2023-12-29 | 2023-12-29 | 基于北斗定位的通信状态检测报告分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311855489.6A CN117527528B (zh) | 2023-12-29 | 2023-12-29 | 基于北斗定位的通信状态检测报告分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117527528A CN117527528A (zh) | 2024-02-06 |
CN117527528B true CN117527528B (zh) | 2024-03-26 |
Family
ID=89744192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311855489.6A Active CN117527528B (zh) | 2023-12-29 | 2023-12-29 | 基于北斗定位的通信状态检测报告分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117527528B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307194A (zh) * | 2020-01-21 | 2020-06-19 | 中南民族大学 | 基于北斗的环境设备检测方法、装置、设备及存储介质 |
CN113219954A (zh) * | 2021-05-10 | 2021-08-06 | 江苏质享保信息科技有限公司 | 一种车辆运行状态远程监测及故障分析方法 |
CN117194163A (zh) * | 2023-09-15 | 2023-12-08 | 泰安市琴琴信息科技有限公司 | 一种计算机设备、故障检测系统、方法及可读存储介质 |
-
2023
- 2023-12-29 CN CN202311855489.6A patent/CN117527528B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307194A (zh) * | 2020-01-21 | 2020-06-19 | 中南民族大学 | 基于北斗的环境设备检测方法、装置、设备及存储介质 |
CN113219954A (zh) * | 2021-05-10 | 2021-08-06 | 江苏质享保信息科技有限公司 | 一种车辆运行状态远程监测及故障分析方法 |
CN117194163A (zh) * | 2023-09-15 | 2023-12-08 | 泰安市琴琴信息科技有限公司 | 一种计算机设备、故障检测系统、方法及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117527528A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
CN111798127B (zh) | 基于动态火灾风险智能评估的化工园区巡检机器人路径优化系统 | |
Sun et al. | Time series anomaly detection based on GAN | |
WO2020080047A1 (ja) | 侵入地点特定装置、および、侵入地点特定方法 | |
CN113256146B (zh) | 船舶监管方法及系统 | |
Obradović et al. | Machine learning approaches to maritime anomaly detection | |
Liu et al. | Traffic dynamics exploration and incident detection using spatiotemporal graphical modeling | |
CN115718874A (zh) | 异常检测 | |
CN116257565A (zh) | 船舶异常行为检测方法 | |
CN117527528B (zh) | 基于北斗定位的通信状态检测报告分析方法及系统 | |
CN113919207A (zh) | 上面级开放式电气智能健康监测与管理系统 | |
CN116630907A (zh) | 一种基于遥感的船舶航行数字孪生方法、系统、终端及存储介质 | |
Watawana et al. | Analyse near collision situations of ships using automatic identification system dataset | |
KR20210156502A (ko) | 화물 운송 상태 관리 시스템 및 방법 | |
Finogeev et al. | Proactive big data analysis for traffic accident prediction | |
Sedaghat et al. | A Heuristic ETL Process to Dynamically Separate and Compress AIS Data | |
Narezo Guzman et al. | Data-driven condition now-and forecasting of railway switches for improvement in the quality of railway transportation | |
Daouayry et al. | Data-centric helicopter failure anticipation: The mgb oil pressure virtual sensor case | |
Newaliya et al. | A review of maritime spatio-temporal data analytics | |
KR20230109491A (ko) | 기상상황에 따른 위해개소 및 고장원인 예측 방법과 예측 시스템 | |
Najjar et al. | Predictive maintenance of Urban Metro Vehicles: Classification of air production unit failures using machine learning | |
Flammini et al. | A robust approach for on-line and off-line threat detection based on event tree similarity analysis | |
CN117523499B (zh) | 基于北斗定位与感知的森林防火监测方法及系统 | |
Wang et al. | A functional model of AIS data fusion | |
De Donato et al. | Artificial intelligence in railways: current applications, challenges, and ongoing research |
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 |