CN117538910A - 基于ai的北斗定位信号测试分析方法及系统 - Google Patents
基于ai的北斗定位信号测试分析方法及系统 Download PDFInfo
- Publication number
- CN117538910A CN117538910A CN202311757977.3A CN202311757977A CN117538910A CN 117538910 A CN117538910 A CN 117538910A CN 202311757977 A CN202311757977 A CN 202311757977A CN 117538910 A CN117538910 A CN 117538910A
- Authority
- CN
- China
- Prior art keywords
- sensing data
- data stream
- signal
- key
- vector
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 238000012360 testing method Methods 0.000 title claims abstract description 30
- 230000015556 catabolic process Effects 0.000 claims abstract description 158
- 238000006731 degradation reaction Methods 0.000 claims abstract description 158
- 238000012545 processing Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 180
- 238000000034 method Methods 0.000 claims description 72
- 238000005457 optimization Methods 0.000 claims description 49
- 238000005065 mining Methods 0.000 claims description 40
- 230000000694 effects Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000013486 operation strategy Methods 0.000 claims description 6
- 238000001303 quality assessment method Methods 0.000 abstract description 4
- 230000001953 sensory effect Effects 0.000 description 51
- 230000008569 process Effects 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 11
- 238000005562 fading Methods 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 9
- 230000001629 suppression Effects 0.000 description 9
- 230000005764 inhibitory process Effects 0.000 description 8
- 230000007423 decrease Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical group C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- 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
-
- 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
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/1805—Append-only file systems, e.g. using logs or journals to store data
- G06F16/1815—Journaling file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于AI的北斗定位信号测试分析方法及系统,通过挖掘北斗传感器数据二元组中每个第一关键传感数据流的传感信号退化描述和每个第二关键传感数据流的传感信号退化描述,可能尽可能全面准确地挖掘北斗传感器数据二元组中的关键传感数据流的细节,从而完成对北斗传感器数据二元组的联合分析处理。如此,再确定两两关键传感数据流的传感信号退化描述之间的数据流描述特征共性评分,进而基于数据流描述特征共性评分准确地确定北斗传感器数据二元组的信号退化因素判别观点,以便准确可靠地进行北斗信号退化因素的判别分析,从而高效实现北斗信号质量评估和测试。
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AI的北斗定位信号测试分析方法及系统。
背景技术
传统的北斗信号测试分析方法主要是通过收集传感器数据,然后进行手动分析。这种方法不仅效率低下,而且可能会忽略一些重要信息,导致分析结果不准确。尤其是在处理复杂、大规模的数据时,传统方法往往无法满足需求。近年来,人工智能技术在许多领域都取得了显著的成果,其中包括数据挖掘和分析。然而,在北斗信号测试分析中,尚未看到基于AI的有效应用。如何利用AI技术进行更准确、更高效的北斗信号测试分析,成为了当前的一个重要问题。
因此,需要一种新的北斗信号测试分析方法,能够充分利用AI技术,从海量的传感器数据中挖掘出有价值的信息,从而实现准确、高效的北斗信号质量评估和测试。
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AI的北斗定位信号测试分析方法及系统。
第一方面,本发明实施例提供了一种基于AI的北斗定位信号测试分析方法,应用于AI测试分析系统,所述方法包括:
获取最少一个北斗传感器数据二元组,每个所述北斗传感器数据二元组包括第一传感数据文本日志和第二传感数据文本日志,所述第二传感数据文本日志的时序优先级高于所述第一传感数据文本日志的时序优先级,所述第一传感数据文本日志包括最少一个第一关键传感数据流,所述第二传感数据文本日志包括最少一个第二关键传感数据流,每个所述第一关键传感数据流用于表征所述第一传感数据文本日志中所对应的北斗信号处理任务,每个所述第二关键传感数据流用于表征所述第二传感数据文本日志中所对应的北斗信号处理任务;
对于每个所述北斗传感器数据二元组,挖掘每个所述第一关键传感数据流的传感信号退化描述,以及每个所述第二关键传感数据流的传感信号退化描述;
将每个所述第一关键传感数据流的传感信号退化描述分别与每个所述第二关键传感数据流的传感信号退化描述进行对应的描述特征差异确定,得到对应所述第一关键传感数据流与所述第二关键传感数据流之间的数据流描述特征共性评分;
依据每个所述数据流描述特征共性评分确定对应所述北斗传感器数据二元组的信号退化因素判别观点。
优选的,所述挖掘每个所述第一关键传感数据流的传感信号退化描述,包括:
基于设定文本语义挖掘网络挖掘所述第一传感数据文本日志的传感数据文本语义向量;
基于最少一个设定文本语义掩码窗口对所述第一传感数据文本日志的传感数据文本语义向量进行传感信号语义挖掘,得到每个所述第一关键传感数据流的传感信号退化描述。
优选的,挖掘每个所述第二关键传感数据流的传感信号退化描述,包括:
基于设定文本语义挖掘网络挖掘所述第二传感数据文本日志的传感数据文本语义向量;
基于最少一个设定文本语义掩码窗口对所述第二传感数据文本日志的传感数据文本语义向量进行传感信号语义挖掘,得到每个所述第二关键传感数据流的传感信号退化描述。
优选的,每个所述第一关键传感数据流的传感信号退化描述包括对应所述第一关键传感数据流的第一传感经纬度向量、第一多径效应描述向量以及第一信号环境干扰向量中的一个或多个,每个所述第二关键传感数据流的传感信号退化描述包括对应所述第二关键传感数据流的第二传感经纬度向量、第二多径效应描述向量以及第二信号环境干扰向量中的一个或多个;
所述将每个所述第一关键传感数据流的传感信号退化描述分别与每个所述第二关键传感数据流的传感信号退化描述进行对应的描述特征差异确定,得到对应所述第一关键传感数据流与所述第二关键传感数据流之间的数据流描述特征共性评分,包括:
确定第一局部传感数据流的所述第一传感经纬度向量与第二局部传感数据流的所述第二传感经纬度向量之间的第一描述特征差异,所述第一局部传感数据流为所述最少一个第一关键传感数据流中的任意一个,所述第二局部传感数据流为所述最少一个第二关键传感数据流中的任意一个;
确定所述第一局部传感数据流的所述第一多径效应描述向量与所述第二局部传感数据流的所述第二多径效应描述向量之间的第二描述特征差异;
确定所述第一局部传感数据流的所述第一信号环境干扰向量与所述第二局部传感数据流的所述第二信号环境干扰向量之间的第三描述特征差异;
对所述第一描述特征差异、所述第二描述特征差异以及所述第三描述特征差异中的一个或多个进行基于权重的整合,得到所述第一局部传感数据流与所述第二局部传感数据流之间的数据流描述特征共性评分。
优选的,所述确定第一局部传感数据流的所述第一传感经纬度向量与第二局部传感数据流的所述第二传感经纬度向量之间的第一描述特征差异,包括:
基于目标特征差异运算策略对第一局部传感数据流的所述第一传感经纬度向量与第二局部传感数据流的所述第二传感经纬度向量进行计算,得到第一局部传感数据流的所述第一传感经纬度向量与第二局部传感数据流的所述第二传感经纬度向量之间的第一描述特征差异。
优选的,所述确定所述第一局部传感数据流的所述第一多径效应描述向量与所述第二局部传感数据流的所述第二多径效应描述向量之间的第二描述特征差异,包括:
确定所述第一局部传感数据流中的所述第一多径效应描述向量中各个特征成员与所述第二局部传感数据流中的所述第二多径效应描述向量中相同成员分布标签下的特征成员之间的量化比较值;
通过每个所述量化比较值,得到所述第一局部传感数据流的所述第一多径效应描述向量与所述第二局部传感数据流的所述第二多径效应描述向量之间的第二描述特征差异。
优选的,所述确定所述第一局部传感数据流的所述第一信号环境干扰向量与所述第二局部传感数据流的所述第二信号环境干扰向量之间的第三描述特征差异,包括:
对所述第一局部传感数据流的所述第一信号环境干扰向量与所述第二局部传感数据流的所述第二信号环境干扰向量进行欧式距离计算,得到所述第一局部传感数据流的所述第一信号环境干扰向量与所述第二局部传感数据流的所述第二信号环境干扰向量之间的第三描述特征差异。
优选的,所述依据每个所述数据流描述特征共性评分确定对应所述北斗传感器数据二元组的信号退化因素判别观点,包括:
将每个所述数据流描述特征共性评分分别与第一设定门限值进行比较,确定目标关键传感数据流二元组,所述目标关键传感数据流二元组所对应的数据流描述特征共性评分大于所述第一设定门限值;
记录所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数;
依据所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数确定对应所述北斗传感器数据二元组的信号退化因素判别观点。
优选的,所述依据所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数确定对应所述北斗传感器数据二元组的信号退化因素判别观点,包括:
依据所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数确定第一牵涉权重,所述第一牵涉权重用于表征对应所述北斗传感器数据二元组的所述第一传感数据文本日志与所述第二传感数据文本日志中关键传感数据流的相关性系数;
在所述第一牵涉权重小于第二设定门限值时,确定对应所述北斗传感器数据二元组的信号退化因素判别观点为第一判别观点,所述第一判别观点用于表征所述第一传感数据文本日志与所述第二传感数据文本日志之间存在关键传感数据流差异。
优选的,所述依据所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数确定第一牵涉权重,包括:
从所述第一关键传感数据流的个数和所述第二关键传感数据流的个数中确定最大个数;
依据所述目标关键传感数据流二元组的个数和所述最大个数,得到所述第一牵涉权重。
优选的,在所述第一牵涉权重小于第二设定门限值时,确定对应所述北斗传感器数据二元组的信号退化因素判别观点为第一判别观点之后,所述方法还包括:
依据所述第一判别观点确定所述第一传感数据文本日志与所述第二传感数据文本日志中的关键传感数据流更新标签;
依据所述关键传感数据流更新标签对所述第二传感数据文本日志进行文本日志重构。
优选的,在获取最少一个北斗传感器数据二元组之前,所述方法还包括:
获取最少一个第一传感数据文本日志和最少一个第二传感数据文本日志;
对每个所述第一传感数据文本日志和每个所述第二传感数据文本日志分别进行文本日志匹配操作,得到文本日志匹配信息,所述文本日志匹配信息包括最少一个所述北斗传感器数据二元组。
优选的,所述方法还包括:
基于所述信号退化因素判别观点,确定目标北斗传感系统的信号优化策略。
第二方面,本发明还提供了一种AI测试分析系统,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。
本发明实施例中,首先获取最少一个北斗传感器数据二元组,并且每个北斗传感器数据二元组包括第一传感数据文本日志和第二传感数据文本日志,第二传感数据文本日志的时序优先级高于第一传感数据文本日志的时序优先级。此外,在第一传感数据文本日志中,包括最少一个第一关键传感数据流,并且每个第一关键传感数据流能够指示出第一传感数据文本日志中所对应的北斗信号处理任务。同样地,第二传感数据文本日志包括最少一个第二关键传感数据流,并且每个第二关键传感数据流用来指示第二传感数据文本日志中所对应的北斗信号处理任务。对于每个北斗传感器数据二元组,通过挖掘每个第一关键传感数据流的传感信号退化描述以及每个第二关键传感数据流的传感信号退化描述,以便将每个所述第一关键传感数据流的传感信号退化描述分别与每个所述第二关键传感数据流的传感信号退化描述进行对应的描述特征差异确定,得到对应所述第一关键传感数据流与所述第二关键传感数据流之间的数据流描述特征共性评分。这样,再依据每个数据流描述特征共性评分确定对应北斗传感器数据二元组的信号退化因素判别观点。这样一来,通过挖掘北斗传感器数据二元组中每个第一关键传感数据流的传感信号退化描述和每个第二关键传感数据流的传感信号退化描述,可能尽可能全面准确地挖掘北斗传感器数据二元组中的关键传感数据流的细节,从而完成对北斗传感器数据二元组的联合分析处理。如此,再确定两两关键传感数据流的传感信号退化描述之间的数据流描述特征共性评分,进而基于数据流描述特征共性评分准确地确定北斗传感器数据二元组的信号退化因素判别观点,以便准确可靠地进行北斗信号退化因素的判别分析,从而高效实现北斗信号质量评估和测试。
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AI的北斗定位信号测试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AI测试分析系统、计算机设备或者类似的运算装置中执行。以运行在AI测试分析系统上为例,AI测试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AI测试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AI测试分析系统的结构造成限定。例如,AI测试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AI的北斗定位信号测试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AI测试分析系统。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AI测试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AI的北斗定位信号测试分析方法的流程示意图,该方法应用于AI测试分析系统,进一步可以包括步骤110-步骤140。
步骤110、获取最少一个北斗传感器数据二元组,每个所述北斗传感器数据二元组包括第一传感数据文本日志和第二传感数据文本日志,所述第二传感数据文本日志的时序优先级高于所述第一传感数据文本日志的时序优先级,所述第一传感数据文本日志包括最少一个第一关键传感数据流,所述第二传感数据文本日志包括最少一个第二关键传感数据流,每个所述第一关键传感数据流用于表征所述第一传感数据文本日志中所对应的北斗信号处理任务,每个所述第二关键传感数据流用于表征所述第二传感数据文本日志中所对应的北斗信号处理任务。
步骤120、对于每个所述北斗传感器数据二元组,挖掘每个所述第一关键传感数据流的传感信号退化描述,以及每个所述第二关键传感数据流的传感信号退化描述。
步骤130、将每个所述第一关键传感数据流的传感信号退化描述分别与每个所述第二关键传感数据流的传感信号退化描述进行对应的描述特征差异确定,得到对应所述第一关键传感数据流与所述第二关键传感数据流之间的数据流描述特征共性评分。
步骤140、依据每个所述数据流描述特征共性评分确定对应所述北斗传感器数据二元组的信号退化因素判别观点。
在步骤110中,以下是对主要名词和技术方案的解释。
北斗传感器数据二元组是一个包含两个部分的数据集合,每个部分都是由北斗传感器收集的数据,以文本日志的形式存储。这两部分被称为第一传感数据文本日志和第二传感数据文本日志。
第一传感数据文本日志是北斗传感器数据二元组中的一部分,它包括至少一个所谓的第一关键传感数据流。这些数据流用于描述或表征北斗信号处理任务的特定方面或特性。
第二传感数据文本日志是北斗传感器数据二元组中的另一部分,它包括至少一个所谓的第二关键传感数据流。与第一传感数据文本日志类似,这些数据流也用于描述或表征北斗信号处理任务的特定方面或特性。
时序优先级是指在处理或分析数据时,某些数据具有优先权。在此场景中,第二传感数据文本日志的时序优先级高于第一传感数据文本日志,这意味着在进行后续的分析和处理时,第二传感数据文本日志的数据将被首先考虑。
第一关键传感数据流和第二关键传感数据流些是在传感数据文本日志中记录的数据,用于表征北斗信号处理任务。这些数据流可能包含各种信息,如信号强度、接收时间、接收器位置等,这些信息对于理解和分析北斗信号非常重要。
北斗信号处理任务是指使用北斗传感器数据进行的一系列处理和分析操作,目的是从原始的信号数据中提取有价值的信息。这些任务可能包括信号质量评估、定位计算、导航信息解码等。
在步骤110中,主要任务是获取并处理至少一个北斗传感器数据二元组。这涉及到从第一传感数据文本日志和第二传感数据文本日志中提取关键传感数据流,并根据这些数据流描述对应的北斗信号处理任务。注意,在处理过程中,第二传感数据文本日志的数据由于其时序优先级更高,会被优先考虑。
在北斗定位信号测试分析技术中,第一传感数据文本日志和第二传感数据文本日志是两种重要的数据来源,它们包含了从北斗传感器收集的数据信息。这两种日志主要区别在于其时序优先级以及记录的内容。
第一传感数据文本日志可以包含北斗接收机的原始观测数据,比如伪距、载波相位、信噪比等。这些数据主要用于计算卫星到接收机的距离,从而进行位置计算。这个日志还可能包括环境参数(如温度、湿度等),系统状态参数(如电源电压、CPU占用率等)等辅助信息。这个日志的“时序优先级”较低,意味着在数据处理过程中,这部分数据可能会被稍后处理。
举例来说,一个第一传感数据文本日志如下所示:
时间:2022-01-01T00:00:00Z;
卫星编号:C01;
伪距:21236547.8米;
载波相位:123.45度;
信噪比:35dBHz;
温度:25度;
湿度:50%;
电源电压:3.3伏特;
CPU占用率:20%。
第二传感数据文本日志的时序优先级高于第一传感数据文本日志,它可能包含更为即时的、重要的系统信息。比如北斗接收机的解算位置、速度、时间(PVT)结果,以及接收机的工作模式(如单点定位模式、差分定位模式等),甚至包括一些异常事件的记录(如发生了信号丢失、多径效应强等情况)。
举例来说,一个第二传感数据文本日志如下所示:
时间:2022-01-01T00:00:01Z;
解算位置:经度120.12345度,纬度30.12345度,高度50.0米;
解算速度:东向0.1米/秒,北向0.2米/秒,天向0.0米/秒;
接收机工作模式:单点定位;
异常事件:无。
在处理这两种日志时,通常会先处理第二传感数据文本日志,因为其时序优先级较高,包含的信息更为关键。然后再结合第一传感数据文本日志中的数据,进行进一步的分析和处理。
在步骤120中,传感信号退化描述是关键的概念,它指的是通过分析和挖掘第一关键传感数据流和第二关键传感数据流得到的信息,这些信息主要用于描述和识别北斗信号可能出现的退化情况。
传感信号退化描述涉及对收集的传感器数据进行深入分析和处理,以识别任何可能表示信号质量下降或其他问题的模式或趋势。这可能包括但不限于信号强度的减少、信号延迟的增加、信号干扰的增加、多径效应等。这些都可能影响到定位精度或者导致其他相关问题。
举例来说,如果在分析第一关键传感数据流时发现信号强度持续下降,那么对应的传感信号退化描述就可能是信号强度下降。如果在分析第二关键传感数据流时发现频繁的信号丢失事件,那么对应的传感信号退化描述就可能是信号丢失。
对于每个北斗传感器数据二元组,需要对其包含的第一关键传感数据流和第二关键传感数据流进行深入的分析和挖掘,得到对应的传感信号退化描述。这可能涉及各种数据分析和处理技术,包括但不限于数据清洗、特征提取、异常检测、趋势分析等。
具体来说,可能需要先进行数据清洗,剔除无效或者错误的数据;然后通过一些统计方法或者机器学习算法提取出有意义的特征;接着通过设定阈值或者使用一些复杂的异常检测算法识别出异常情况;最后通过趋势分析等方法确定信号是否存在退化趋势,并将结果作为传感信号退化描述。
通过这样的步骤,就可以从大量的传感器数据中提取出有价值的信息,了解北斗信号的实际状况,进而指导进行下一步的工作,如故障预测、系统优化等。
在另一些示例中,传感信号退化描述可以通过特征向量的形式进行表达。这些特征向量可以包括多种信号质量衡量参数,以及与信号退化相关的统计指标等。以下是一些示例性的特征:
信号强度:例如,可以计算过去一段时间内信号强度的平均值、最大值、最小值、标准差等;
信号丢失次数:记录在一段时间内信号丢失的次数;
信号延迟:可以计算信号延迟的平均值、最大值、最小值、标准差等;
多径效应:如果可用,可以记录多径效应的强度或者影响程度;
信噪比:记录信号到噪声比(SNR)的平均值、最大值、最小值、标准差等;
其他系统状态参数:如电源电压、CPU占用率等,也可能影响信号质量。
所有这些特征都可以被组织成一个特征向量。例如,一个示例性的特征向量可能如下所示:[平均信号强度,信号丢失次数,平均信号延迟,多径效应强度,平均信噪比,电源电压,CPU占用率]。
例如,一个具体的特征向量可能如下所示:[35dBm,3次,50ms,中度,30dB,3.3V,20%]。
这个特征向量就可以被视为对应时间段内的传感信号退化描述。通过比较不同时间段、不同地点或者不同环境条件下的特征向量,就可以分析和理解信号退化的具体情况,并找出可能的原因。
在步骤130中,主要涉及到的概念有描述特征差异确定和数据流描述特征共性评分。
描述特征差异确定:这一过程涉及比较第一关键传感数据流和第二关键传感数据流的传感信号退化描述。具体来说,它是对第一关键传感数据流和第二关键传感数据流的传感信号退化描述进行对比,找出其中的不同之处,从而了解两者在何种程度上存在差异。例如,如果第一关键传感数据流显示信号强度下降,而第二关键传感数据流显示多径效应加重,那么这两个描述的特征差异可能就是信号强度与多径效应。
数据流描述特征共性评分:在确定了描述特征差异后,需要对这些差异进行量化处理,得出一个共性评分。这个评分反映了第一关键传感数据流和第二关键传感数据流在传感信号退化描述上的相似度或者一致性。例如,如果第一关键传感数据流和第二关键传感数据流的传感信号退化描述完全一致,那么数据流描述特征共性评分可能就是100%;如果两者在所有方面都完全不同,那么评分可能就是0%。
对于步骤130的技术方案,一种可能的方法是采用机器学习或者数据挖掘的技术来进行描述特征差异确定和数据流描述特征共性评分。首先,可以通过算法模型来提取第一关键传感数据流和第二关键传感数据流的特征,然后比较这些特征的差异;接着,可以使用相似度计算方法(如余弦相似度、Jaccard相似度等)来计算两个传感信号退化描述之间的相似度,从而得出数据流描述特征共性评分。这样,就可以更好地理解两个关键传感数据流在传感信号退化上的共性和差异性,为进一步的分析和决策提供依据。
在步骤140中,信号退化因素判别观点是关键的概念。它指的是根据前面步骤分析和挖掘得到的数据流描述特征共性评分,确定可能导致北斗信号退化的因素或原因。
信号退化因素判别观点是一种对可能导致北斗信号质量下降的因素的理解或解释。这可能包括但不限于设备故障、环境变化、多径干扰等各种可能的原因。这个观点是基于大量数据分析和处理的结果得出的,因此具有较高的可信度和准确性。
其中,步骤140的任务是依据每个数据流描述特征共性评分,确定对应的信号退化因素判别观点。首先,需要对前面步骤得到的所有数据流描述特征共性评分进行综合考虑。然后,可能需要利用某种决策规则或模型,如决策树、神经网络等,来判断最可能的信号退化因素。
例如,如果某个北斗传感器数据二元组的第一关键传感数据流和第二关键传感数据流都显示信号强度持续下降,且这种下降与环境温度的升高有强相关性,那么可能会判断“环境温度过高”是导致信号退化的主要因素。于是,对应的信号退化因素判别观点就是“环境温度过高可能导致信号质量下降”。
在另外的示例中,信号退化因素判别观点是指通过对数据流描述特征共性评分的结果进行分析,得出关于北斗信号退化可能的原因或影响因素的判断和看法。这些看法可以通过特征向量的形式进行表达。
首先,需要确定哪些特征对于判断信号退化有重要的影响。这些特征可能包括信号强度、信号丢失次数、信号延迟、多径效应、信噪比等。然后,需要根据数据流描述特征共性评分的结果,以及对这些特征的理解,对每个特征赋予一个权重,这些权重反映了每个特征在判断信号退化中的重要程度。
接下来,就可以构造一个特征向量来表示信号退化因素判别观点。这个特征向量由每个特征的权重组成,例如:[信号强度权重,信号丢失次数权重,信号延迟权重,多径效应权重,信噪比权重]。
例如,如果认为信号强度和信噪比对于判断信号退化最为重要,那么可能会给这两个特征较高的权重,如下所示:[0.4,0.1,0.1,0.2,0.2]。
这个特征向量就可以被视为的信号退化因素判别观点。通过比较不同时间段、不同地点或者不同环境条件下的特征向量,就可以分析和理解信号退化的可能原因,进而指导进行进一步的工作,如故障预测、系统优化等。
应用上述技术方案,首先获取最少一个北斗传感器数据二元组,并且每个北斗传感器数据二元组包括第一传感数据文本日志和第二传感数据文本日志,第二传感数据文本日志的时序优先级高于第一传感数据文本日志的时序优先级。此外,在第一传感数据文本日志中,包括最少一个第一关键传感数据流,并且每个第一关键传感数据流能够指示出第一传感数据文本日志中所对应的北斗信号处理任务。同样地,第二传感数据文本日志包括最少一个第二关键传感数据流,并且每个第二关键传感数据流用来指示第二传感数据文本日志中所对应的北斗信号处理任务。对于每个北斗传感器数据二元组,通过挖掘每个第一关键传感数据流的传感信号退化描述以及每个第二关键传感数据流的传感信号退化描述,以便将每个所述第一关键传感数据流的传感信号退化描述分别与每个所述第二关键传感数据流的传感信号退化描述进行对应的描述特征差异确定,得到对应所述第一关键传感数据流与所述第二关键传感数据流之间的数据流描述特征共性评分。这样,再依据每个数据流描述特征共性评分确定对应北斗传感器数据二元组的信号退化因素判别观点。这样一来,通过挖掘北斗传感器数据二元组中每个第一关键传感数据流的传感信号退化描述和每个第二关键传感数据流的传感信号退化描述,可能尽可能全面准确地挖掘北斗传感器数据二元组中的关键传感数据流的细节,从而完成对北斗传感器数据二元组的联合分析处理。如此,再确定两两关键传感数据流的传感信号退化描述之间的数据流描述特征共性评分,进而基于数据流描述特征共性评分准确地确定北斗传感器数据二元组的信号退化因素判别观点,以便准确可靠地进行北斗信号退化因素的判别分析,从而高效实现北斗信号质量评估和测试。
在一些可能的实施例中,步骤120中的挖掘每个所述第一关键传感数据流的传感信号退化描述,包括步骤121-步骤122。
步骤121、基于设定文本语义挖掘网络挖掘所述第一传感数据文本日志的传感数据文本语义向量。
步骤122、基于最少一个设定文本语义掩码窗口对所述第一传感数据文本日志的传感数据文本语义向量进行传感信号语义挖掘,得到每个所述第一关键传感数据流的传感信号退化描述。
在步骤121-步骤122的基础上,挖掘每个所述第二关键传感数据流的传感信号退化描述,包括步骤123-步骤124。
步骤123、基于设定文本语义挖掘网络挖掘所述第二传感数据文本日志的传感数据文本语义向量。
步骤124、基于最少一个设定文本语义掩码窗口对所述第二传感数据文本日志的传感数据文本语义向量进行传感信号语义挖掘,得到每个所述第二关键传感数据流的传感信号退化描述。
在这个实施例中,使用了一种基于文本语义挖掘的方法来挖掘传感信号退化描述。具体涉及到的概念有文本语义挖掘网络、传感数据文本语义向量和文本语义掩码窗口。
文本语义挖掘网络是一种用于分析和理解文本内容的模型或框架,它可以提取出文本中的关键信息,并将其转化为机器可以理解的形式。例如,神经网络模型如卷积神经网络(CNN)、循环神经网络(RNN)或者更先进的Transformer等都可以用于文本语义挖掘。
传感数据文本语义向量是一种将传感数据文本日志转化为数值形式的表示方法。通过文本语义挖掘网络,可以把每个传感数据文本日志转化为一个向量,这个向量包含了原始文本的主要语义信息。
文本语义掩码窗口是一种用于处理和分析文本语义向量的工具。它定义了一个窗口或区域,在这个窗口内的文本语义向量会被特别关注或处理。
例如,第一传感数据文本日志是这样的一段文字:“在20:00到21:00的一小时内,北斗卫星的信号强度从50dBHz降低到30dBHz”。首先通过步骤121中的文本语义挖掘网络,将这段文字转化为一个语义向量,例如[20,21,50,30]。
然后在步骤122中,设定一个文本语义掩码窗口,比如只关注信号强度的变化,于是得到了“信号强度从50dBHz降低到30dBHz”这个传感信号退化描述。
同理,对于第二传感数据文本日志,也可以通过类似的方式获取到对应的传感信号退化描述。
这种方法的优点在于,它可以自动处理和分析大量的传感数据文本日志,提取出有价值的信息,而无需人工逐一查看和解读。这不仅提高了效率,也减少了错误的可能性。同时,这种方法还可以灵活地处理各种类型和格式的文本,具有很好的通用性和扩展性。
在一些示例中,每个所述第一关键传感数据流的传感信号退化描述包括对应所述第一关键传感数据流的第一传感经纬度向量、第一多径效应描述向量以及第一信号环境干扰向量中的一个或多个,每个所述第二关键传感数据流的传感信号退化描述包括对应所述第二关键传感数据流的第二传感经纬度向量、第二多径效应描述向量以及第二信号环境干扰向量中的一个或多个。基于此,步骤130中的将每个所述第一关键传感数据流的传感信号退化描述分别与每个所述第二关键传感数据流的传感信号退化描述进行对应的描述特征差异确定,得到对应所述第一关键传感数据流与所述第二关键传感数据流之间的数据流描述特征共性评分,包括步骤131-步骤134。
步骤131、确定第一局部传感数据流的所述第一传感经纬度向量与第二局部传感数据流的所述第二传感经纬度向量之间的第一描述特征差异,所述第一局部传感数据流为所述最少一个第一关键传感数据流中的任意一个,所述第二局部传感数据流为所述最少一个第二关键传感数据流中的任意一个。
步骤132、确定所述第一局部传感数据流的所述第一多径效应描述向量与所述第二局部传感数据流的所述第二多径效应描述向量之间的第二描述特征差异。
步骤133、确定所述第一局部传感数据流的所述第一信号环境干扰向量与所述第二局部传感数据流的所述第二信号环境干扰向量之间的第三描述特征差异。
步骤134、对所述第一描述特征差异、所述第二描述特征差异以及所述第三描述特征差异中的一个或多个进行基于权重的整合,得到所述第一局部传感数据流与所述第二局部传感数据流之间的数据流描述特征共性评分。
在这个示例中,关键传感数据流的信号退化描述被分解为三个部分:经纬度向量、多径效应描述向量和信号环境干扰向量。以下是对这些概念的解释。
经纬度向量:它反映了传感器在地球上的具体位置。例如,一个经纬度向量可能是[40.7128°N,74.0060°W],表示该传感器位于北纬40.7128度,西经74.0060度的位置。
多径效应描述向量:它反映了多径效应对信号质量的影响。多径效应是由于信号在传播过程中会经过多条路径到达接收器,造成信号的干扰。多径效应描述向量可能包括了多径效应的强度、频率等信息。
信号环境干扰向量:它反映了环境因素对信号质量的影响。例如,天气条件、建筑物、电磁干扰等都可能影响信号质量。
步骤131-步骤134则是根据以上描述的向量来确定描述特征差异,并得到数据流描述特征共性评分。比如,可以计算两个经纬度向量之间的欧氏距离作为第一描述特征差异,计算两个多径效应描述向量之间的角度或余弦相似度作为第二描述特征差异,计算两个信号环境干扰向量之间的相关系数或者信息增益作为第三描述特征差异。然后,可以根据预设的权重对这三个描述特征差异进行整合,得到数据流描述特征共性评分。
例如,如果认为经纬度对信号退化的影响最大,那么可能会给第一描述特征差异较高的权重,如下所示:[0.5,0.3,0.2]。
这样一来,能够全面考虑多个因素对信号退化的影响,并且能够根据实际情况调整各个因素的权重,使得结果更加准确和可靠。此外,通过计算数据流描述特征共性评分,可以更好地理解和比较不同关键传感数据流之间的相似性和差异性,从而有助于找出可能的信号退化原因,进一步提升北斗系统的性能和稳定性。
在一些可能的实施例中,步骤131中的确定第一局部传感数据流的所述第一传感经纬度向量与第二局部传感数据流的所述第二传感经纬度向量之间的第一描述特征差异,包括:基于目标特征差异运算策略对第一局部传感数据流的所述第一传感经纬度向量与第二局部传感数据流的所述第二传感经纬度向量进行计算,得到第一局部传感数据流的所述第一传感经纬度向量与第二局部传感数据流的所述第二传感经纬度向量之间的第一描述特征差异。
在这个实施例中,涉及到的主要概念有第一传感经纬度向量、第二传感经纬度向量和目标特征差异运算策略。
第一传感经纬度向量和第二传感经纬度向量:这两个向量分别代表了第一局部传感数据流和第二局部传感数据流的地理位置信息。它们可能包含了每一个观测点的经度和纬度值。例如,如果一个局部传感数据流在某个时间段内观测了三个位置点,那么对应的传感经纬度向量可能就是[(经度1,纬度1),(经度2,纬度2),(经度3,纬度3)]。
目标特征差异运算策略是一种用于计算两个传感经纬度向量之间差异的方法或规则。具体的运算方式可能会根据实际需要而定。比如,可以计算两个向量之间的欧氏距离、曼哈顿距离、余弦相似度等。
例如,第一局部传感数据流观测了三个位置点,对应的第一传感经纬度向量是[(120.1,30.2),(120.3,30.4),(120.5,30.6)];第二局部传感数据流观测了三个位置点,对应的第二传感经纬度向量是[(121.1,31.2),(121.3,31.4),(121.5,31.6)]。
然后可以设定目标特征差异运算策略为计算两个向量之间的欧氏距离。于是就得到了第一传感经纬度向量与第二传感经纬度向量之间的第一描述特征差异。
这种方法的优点在于,它能够通过比较传感数据流的地理位置信息,发现可能存在的异常或问题。例如,如果两个局部传感数据流应该观测同一个区域,但实际上它们的观测位置有很大差异,那么就可以判断可能存在设备故障、定位错误等问题。同时,这种方法也可以帮助理解传感数据流的空间分布情况,为进一步的分析和决策提供依据。
在一些可能的实施例中,步骤132中的确定所述第一局部传感数据流的所述第一多径效应描述向量与所述第二局部传感数据流的所述第二多径效应描述向量之间的第二描述特征差异,包括步骤1321-步骤1322。
步骤1321、确定所述第一局部传感数据流中的所述第一多径效应描述向量中各个特征成员与所述第二局部传感数据流中的所述第二多径效应描述向量中相同成员分布标签下的特征成员之间的量化比较值。
步骤1322、通过每个所述量化比较值,得到所述第一局部传感数据流的所述第一多径效应描述向量与所述第二局部传感数据流的所述第二多径效应描述向量之间的第二描述特征差异。
在步骤132中,将比较两个传感数据流的多径效应描述向量,这个过程被分为两个子步骤。
首先,确定第一局部传感数据流中的第一多径效应描述向量中各个特征成员与第二局部传感数据流中的第二多径效应描述向量中相同成员分布标签下的特征成员之间的量化比较值。简单来说,就是比较两个向量中相同位置的元素值。例如,如果第一多径效应描述向量是[0.3,0.5,0.2],第二多径效应描述向量是[0.4,0.6,0.1],那么对应位置的量化比较值可能是[0.1,0.1,-0.1]。
其次,通过每个量化比较值,得到第一局部传感数据流的第一多径效应描述向量与第二局部传感数据流的第二多径效应描述向量之间的第二描述特征差异。这个步骤是将上一步计算得到的所有量化比较值整合起来,得到一个总的描述特征差异。比如,可以将所有的量化比较值求和或者求平均,也可以使用其他的统计方法,如标准差、方差等。
通过这种方法,可以量化地比较两个传感数据流的多径效应描述向量,而不仅仅是直观地看它们是否相似。这有助于更准确地评估两个传感数据流之间的差异,并且能够为进一步的分析和处理提供依据。此外,这种方法还具有很好的灵活性,可以根据实际情况选择最适合的量化比较和整合方法,从而得到最有用的结果。
在一些可能的实施例中,步骤133中的确定所述第一局部传感数据流的所述第一信号环境干扰向量与所述第二局部传感数据流的所述第二信号环境干扰向量之间的第三描述特征差异,包括:对所述第一局部传感数据流的所述第一信号环境干扰向量与所述第二局部传感数据流的所述第二信号环境干扰向量进行欧式距离计算,得到所述第一局部传感数据流的所述第一信号环境干扰向量与所述第二局部传感数据流的所述第二信号环境干扰向量之间的第三描述特征差异。
在这个实施例中,涉及到的主要概念有第一信号环境干扰向量、第二信号环境干扰向量和欧式距离计算。
第一信号环境干扰向量和第二信号环境干扰向量:这两个向量分别代表了第一局部传感数据流和第二局部传感数据流的信号环境干扰信息。它们可能包含了各种环境因素对信号质量的影响,比如天气条件、建筑物、电磁干扰等。
欧式距离计算是一种常用的计算两个向量之间差异的方法。具体来说,如果有两个n维向量A和B,那么它们之间的欧式距离可以通过以下公式计算:d(A,B)=sqrt[(A1-B1)^2+(A2-B2)^2+...+(An-Bn)^2]。
这里,A1、A2、...、An和B1、B2、...、Bn分别是向量A和B的各个分量。
例如,第一局部传感数据流的第一信号环境干扰向量是[1,2,3],第二局部传感数据流的第二信号环境干扰向量是[4,5,6]。那么可以使用欧式距离公式来计算这两个向量之间的差异,结果是sqrt[(1-4)^2+(2-5)^2+(3-6)^2]=sqrt[9+9+9]=sqrt[27]。
这种方法的优点在于,它能够通过比较信号环境干扰信息,发现可能存在的问题或异常。例如,如果两个局部传感数据流应该受到相同的环境干扰,但实际上它们的环境干扰向量有很大差异,那么就可以判断可能存在设备故障、环境变化等问题。同时,这种方法也可以帮助理解信号环境干扰的分布情况,为进一步的分析和决策提供依据。
在一些优选的实施例中,步骤140中的依据每个所述数据流描述特征共性评分确定对应所述北斗传感器数据二元组的信号退化因素判别观点,包括步骤141-步骤143。
步骤141、将每个所述数据流描述特征共性评分分别与第一设定门限值进行比较,确定目标关键传感数据流二元组,所述目标关键传感数据流二元组所对应的数据流描述特征共性评分大于所述第一设定门限值。
步骤142、记录所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数。
步骤143、依据所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数确定对应所述北斗传感器数据二元组的信号退化因素判别观点。
在步骤140中,根据之前得到的数据流描述特征共性评分来确定北斗传感器数据二元组的信号退化因素判别观点,具体过程包括以下子步骤:将每个数据流描述特征共性评分与第一设定门限值进行比较,确定目标关键传感数据流二元组。这意味着会选择出那些评分超过某个预设门限值的数据流二元组作为目标关键传感数据流二元组。记录目标关键传感数据流二元组的个数、第一关键传感数据流的个数以及第二关键传感数据流的个数。这个步骤主要是统计各类数据流二元组的数量。依据目标关键传感数据流二元组的个数、第一关键传感数据流的个数以及第二关键传感数据流的个数确定对应的北斗传感器数据二元组的信号退化因素判别观点。这可能意味着根据各类数据流二元组的数量比例,或者其他一些规则来判断信号退化的可能原因。
比如,有10对数据流二元组,其中5对的评分超过了设定的门限值,那么这5对就被视为目标关键传感数据流二元组。然后记录下这个数字(5),以及第一关键传感数据流和第二关键传感数据流的数量(假设也都是10)。最后,可能会根据这些数量来判断信号退化的原因,比如如果目标关键传感数据流二元组的数量占总数的一半以上,可能会认为多径效应是主要的退化因素。
通过设置门限值和统计各类数据流二元组的数量,可以更系统、更客观地判断信号退化的可能原因,而不仅仅依赖于人工的主观判断。这有助于更准确、更快速地找出问题并进行修复,从而提高北斗系统的稳定性和可靠性。
在一些优选的实施例中,步骤143中的依据所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数确定对应所述北斗传感器数据二元组的信号退化因素判别观点,包括步骤1431-步骤1432。
步骤1431、依据所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数确定第一牵涉权重,所述第一牵涉权重用于表征对应所述北斗传感器数据二元组的所述第一传感数据文本日志与所述第二传感数据文本日志中关键传感数据流的相关性系数。
步骤1432、在所述第一牵涉权重小于第二设定门限值时,确定对应所述北斗传感器数据二元组的信号退化因素判别观点为第一判别观点,所述第一判别观点用于表征所述第一传感数据文本日志与所述第二传感数据文本日志之间存在关键传感数据流差异。
在这个实施例中,涉及的主要概念有目标关键传感数据流二元组、第一关键传感数据流、第二关键传感数据流、第一牵涉权重和信号退化因素判别观点。
目标关键传感数据流二元组是由两个关键传感数据流组成的一对数据,通常用于表示某种特定的状态或事件。
第一关键传感数据流和第二关键传感数据流:这两个数据流分别代表了北斗传感器数据二元组中的两个部分,它们可能包含了各种传感信息,比如经纬度、多径效应描述、信号环境干扰等。
第一牵涉权重是一个用于表示第一传感数据文本日志与第二传感数据文本日志之间相关性的系数。它可能由目标关键传感数据流二元组的个数、第一关键传感数据流的个数以及第二关键传感数据流的个数共同决定。
信号退化因素判别观点是一个用于描述信号退化原因的判断结果。例如,如果第一牵涉权重小于设定门限值,那么判别观点可能就是存在关键传感数据流差异,表示第一传感数据文本日志与第二传感数据文本日志之间存在显著差异。
在步骤1431中,依据目标关键传感数据流二元组的个数、第一关键传感数据流的个数以及第二关键传感数据流的个数确定第一牵涉权重。这里的第一牵涉权重是用于表征对应北斗传感器数据二元组的第一传感数据文本日志与第二传感数据文本日志中关键传感数据流的相关性系数。具体来说,这可能意味着将根据各类数据流二元组的数量比例来计算这个权重。
在步骤1432中,在第一牵涉权重小于第二设定门限值时,确定对应北斗传感器数据二元组的信号退化因素判别观点为第一判别观点。这里的第一判别观点用于表征第一传感数据文本日志与第二传感数据文本日志之间存在关键传感数据流差异。也就是说,如果两个日志中的关键传感数据流的相关性不强(即第一牵涉权重小于设定的门限值),那么就会认为它们之间存在关键传感数据流差异。
这种方法通过计算牵涉权重和设定门限值,使得能够更准确地判断信号退化的可能原因。特别是,它考虑了不同数据流二元组之间的相关性,从而可以发现那些在单一数据流中可能被忽视的问题。此外,通过对比两个传感数据文本日志,也可以发现潜在的数据记录错误或者设备故障等问题,从而进一步提高北斗系统的稳定性和可靠性。
在一些示例性实施例中,步骤1431中的依据所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数确定第一牵涉权重,包括步骤14311-步骤14312。
步骤14311、从所述第一关键传感数据流的个数和所述第二关键传感数据流的个数中确定最大个数。
步骤14312、依据所述目标关键传感数据流二元组的个数和所述最大个数,得到所述第一牵涉权重。
在步骤1431中,将依据目标关键传感数据流二元组的个数、第一关键传感数据流的个数以及第二关键传感数据流的个数确定第一牵涉权重。这个过程具体包括以下两个子步骤:从第一关键传感数据流的个数和第二关键传感数据流的个数中确定最大个数。简单来说,就是比较这两个数值,选取较大的一个。依据目标关键传感数据流二元组的个数和最大个数,得到第一牵涉权重。这可能意味着用目标关键传感数据流二元组的个数除以最大个数,从而得到一个介于0和1之间的比例值作为第一牵涉权重。
例如,有10个目标关键传感数据流二元组,15个第一关键传感数据流和20个第二关键传感数据流。那么首先会确定最大个数为20(因为20大于15),然后用10除以20,得到0.5作为第一牵涉权重。
通过这种方法,可以量化地表示出目标关键传感数据流二元组的数量在所有关键传感数据流中的比例,从而得到一个更具体、更直观的牵涉权重。这有助于更准确地判断信号退化的可能原因,并且能够为进一步的分析和处理提供依据。同时,这种方法也具有很好的灵活性,可以根据实际情况调整计算方式,从而得到最有用的结果。
在一些可选的实施例中,在所述第一牵涉权重小于第二设定门限值时,确定对应所述北斗传感器数据二元组的信号退化因素判别观点为第一判别观点之后,所述方法还包括:依据所述第一判别观点确定所述第一传感数据文本日志与所述第二传感数据文本日志中的关键传感数据流更新标签;依据所述关键传感数据流更新标签对所述第二传感数据文本日志进行文本日志重构。
在这个实施例中,主要涉及到的概念有第一牵涉权重、第二设定门限值、第一判别观点、关键传感数据流更新标签和文本日志重构。
第一牵涉权重:根据前述内容,这是一个反映第一传感数据文本日志与第二传感数据文本日志中关键传感数据流相关性的量化指标。
第二设定门限值:这是一个预设的阈值,用于评估第一牵涉权重是否达到某个特定水平。
第一判别观点:如果第一牵涉权重小于第二设定门限值,那么就确定信号退化因素判别观点为第一判别观点,即认为存在关键传感数据流差异。
关键传感数据流更新标签:依据第一判别观点确定的结果,对第一传感数据文本日志与第二传感数据文本日志中的关键传感数据流进行更新,这个更新过程可能涉及修改、删除或添加某些数据项。
文本日志重构:这是一个对原始日志进行修改和更新的过程,其目标是让日志更准确地反映当前的传感数据状态。具体来说,这可能包括删除错误的数据项、添加缺失的数据项、修改不准确的数据项等。
例如,发现第一传感数据文本日志与第二传感数据文本日志中的关键传感数据流存在差异,那么就可以标记出这些差异,并且根据这些标记对第二传感数据文本日志进行重构。例如,如果在第一日志中有一个数据项表示“温度:25℃”,但在第二日志中相应的数据项却是“温度:50℃”,那么就可能会将第二日志中的这个数据项修改为“温度:25℃”。
这种方法能够有效地修复由于数据不一致而导致的问题,从而提高数据的准确性和一致性。此外,通过对日志的重构,也可以更好地理解和分析传感数据,从而进一步提高北斗系统的稳定性和可靠性。
在另一些可选的实施例中,在获取最少一个北斗传感器数据二元组之前,所述方法还包括步骤210-步骤220。
步骤210、获取最少一个第一传感数据文本日志和最少一个第二传感数据文本日志。
步骤220、对每个所述第一传感数据文本日志和每个所述第二传感数据文本日志分别进行文本日志匹配操作,得到文本日志匹配信息,所述文本日志匹配信息包括最少一个所述北斗传感器数据二元组。
在这个实施例中,在获取北斗传感器数据二元组之前,还需要进行以下步骤:获取最少一个第一传感数据文本日志和最少一个第二传感数据文本日志。这两种日志可能来自不同的传感器或者同一传感器的不同时间段,包含了各种传感数据,如经纬度、多径效应描述、信号环境干扰等。对每个第一传感数据文本日志和每个第二传感数据文本日志分别进行文本日志匹配操作,得到文本日志匹配信息。这个信息包括至少一个北斗传感器数据二元组。也就是说,会通过比较和匹配两个日志,找出那些在两个日志中都存在的传感数据,然后将这些数据构成一个个的二元组。
例如,有两个传感数据文本日志,第一日志包含了10:00-11:00的数据,第二日志包含了10:30-11:30的数据。那么可以通过匹配操作,找出10:30-11:00这部分在两个日志中都存在的数据,并将它们构成一个个的二元组。
通过这种方法,可以更准确地找出那些在两个日志中都存在的传感数据,从而更准确地评估和比较不同传感器或者不同时间段的数据。同时,这种方法也有助于发现可能存在的数据错误或者异常,从而提高数据的准确性和一致性。此外,这种方法还具有很好的灵活性,可以根据实际情况调整匹配规则,从而得到最有用的结果。
在一些可独立的实施例中,所述方法还包括步骤150。
步骤150、基于所述信号退化因素判别观点,确定目标北斗传感系统的信号优化策略。
在步骤150中,将根据前面得到的信号退化因素判别观点来确定目标北斗传感系统的信号优化策略。
信号退化因素判别观点是基于数据分析和判断得出的信号退化的可能原因。比如,如果判别观点是“存在关键传感数据流差异”,那么就意味着第一传感数据文本日志与第二传感数据文本日志之间存在显著差异。
信号优化策略:这是针对特定的退化因素制定的优化方案。例如,如果判别观点是存在关键传感数据流差异,那么信号优化策略可能包括重新校准传感器、优化数据处理算法、改善硬件设备等。
例如,发现北斗传感系统的信号退化主要是由于多径效应引起的,那么可能会选择采用更高精度的多径效应补偿算法作为信号优化策略;如果发现信号退化主要是由于硬件故障导致的,那么可能需要更换或修复相应的硬件设备。
如此设计,能够根据具体的信号退化因素来制定更有效的优化策略,从而更准确地解决问题,提高北斗传感系统的性能。此外,通过对信号退化因素的深入分析,还可以更好地理解其产生的原因,这对于预防未来的问题、改进系统设计都是非常有帮助的。
在一些可独立的实施例中,步骤150中的基于所述信号退化因素判别观点,确定目标北斗传感系统的信号优化策略,包括:获取目标北斗传感系统的信号状态评估文本序列,其中,所述信号状态评估文本序列包括连续的R个信号状态评估文本,所述R为大于或等于1的整数;结合所述信号退化因素判别观点和所述信号状态评估文本序列获取衰退抑制方案文本序列,其中,所述衰退抑制方案文本序列包括连续的R个衰退抑制方案文本;基于所述信号状态评估文本序列,通过信号优化决策网络所包括的第一优化逻辑识别层获取信号状态优化逻辑向量序列,其中,所述信号状态优化逻辑向量序列包括R个信号状态优化逻辑向量;基于所述衰退抑制方案文本序列,通过所述信号优化决策网络所包括的第二优化逻辑识别层获取衰退抑制优化逻辑向量序列,其中,所述衰退抑制优化逻辑向量序列包括R个衰退抑制优化逻辑向量;基于所述信号状态优化逻辑向量序列以及所述衰退抑制优化逻辑向量序列,通过所述信号优化决策网络所包括的特征映射层获取所述信号状态评估文本所对应的信号优化模式标签;根据所述信号优化模式标签确定所述目标北斗传感系统的信号优化策略。
在这个实施例中,会根据信号退化因素判别观点来确定目标北斗传感系统的信号优化策略。具体步骤如下:
获取信号状态评估文本序列:这是一个包含连续R个信号状态评估文本的序列,其中R为大于或等于1的整数。每个信号状态评估文本可能描述了某一时刻北斗传感系统的信号状态。
获取衰退抑制方案文本序列:结合信号退化因素判别观点和信号状态评估文本序列,可以得到这个序列,它包括连续R个衰退抑制方案文本。每个衰退抑制方案文本可能包含了一种或多种针对信号退化的抑制方案;
获取信号状态优化逻辑向量序列:基于信号状态评估文本序列,通过信号优化决策网络中的第一优化逻辑识别层,可以得到这个序列,它包括R个信号状态优化逻辑向量;
获取衰退抑制优化逻辑向量序列:基于衰退抑制方案文本序列,通过信号优化决策网络中的第二优化逻辑识别层,可以得到这个序列,它包括R个衰退抑制优化逻辑向量;
获取信号优化模式标签:基于信号状态优化逻辑向量序列和衰退抑制优化逻辑向量序列,通过信号优化决策网络中的特征映射层,可以得到信号状态评估文本对应的信号优化模式标签;
确定信号优化策略:根据信号优化模式标签,就可以确定目标北斗传感系统的信号优化策略。例如,如果信号优化模式标签表示“增强信号接收质量”,那么信号优化策略可能就是“调整接收器参数”或者“更换高性能天线”等。
这种方法能够有效地结合信号退化因素判别观点、信号状态评估文本序列以及衰退抑制方案文本序列,通过信号优化决策网络来确定最佳的信号优化策略。这不仅能够提高北斗信号的质量,而且也能够提高北斗系统的稳定性和可靠性。此外,这种方法还具有很好的灵活性,可以根据实际情况调整信号优化决策网络,从而得到最有用的结果。
假设正在运行一个北斗传感系统,用于实时监测某个区域的地理位置信息。在运行过程中,发现信号质量开始退化,因此决定进行一次详细的分析和调试。
首先,收集了两个时间段的传感数据文本日志:第一传感数据文本日志(A)和第二传感数据文本日志(B),其中B的时序优先级高于A。在这两个日志中,都包含了关键传感数据流,比如GPS坐标、时间戳、接收信号强度等。接着,利用人工智能技术进行深入分析,对比A和B中的关键传感数据流,通过挖掘每个数据流的传感信号退化描述,确定A和B之间的描述特征差异,并得到描述特征共性评分。假设发现,尽管大部分数据流都非常相似,但是在接收信号强度这个数据流上,A和B有显著差异。更进一步的分析显示,这种差异可能是由于天线的物理损伤导致的。基于以上判别观点,可以确定目标北斗传感系统的信号优化策略:修复或更换损坏的天线。这样,就可以解决信号退化的问题,恢复系统的正常运行。
可见,通过对比和分析两个时间段的传感数据,找出可能导致信号退化的关键因素,并据此制定相应的优化策略,从而有效地提高了北斗传感系统的性能和可靠性。
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 (10)
1.一种基于AI的北斗定位信号测试分析方法,其特征在于,应用于AI测试分析系统,所述方法包括:
获取最少一个北斗传感器数据二元组,每个所述北斗传感器数据二元组包括第一传感数据文本日志和第二传感数据文本日志,所述第二传感数据文本日志的时序优先级高于所述第一传感数据文本日志的时序优先级,所述第一传感数据文本日志包括最少一个第一关键传感数据流,所述第二传感数据文本日志包括最少一个第二关键传感数据流,每个所述第一关键传感数据流用于表征所述第一传感数据文本日志中所对应的北斗信号处理任务,每个所述第二关键传感数据流用于表征所述第二传感数据文本日志中所对应的北斗信号处理任务;
对于每个所述北斗传感器数据二元组,挖掘每个所述第一关键传感数据流的传感信号退化描述,以及每个所述第二关键传感数据流的传感信号退化描述;
将每个所述第一关键传感数据流的传感信号退化描述分别与每个所述第二关键传感数据流的传感信号退化描述进行对应的描述特征差异确定,得到对应所述第一关键传感数据流与所述第二关键传感数据流之间的数据流描述特征共性评分;
依据每个所述数据流描述特征共性评分确定对应所述北斗传感器数据二元组的信号退化因素判别观点。
2.根据权利要求1所述的方法,其特征在于,所述挖掘每个所述第一关键传感数据流的传感信号退化描述,包括:
基于设定文本语义挖掘网络挖掘所述第一传感数据文本日志的传感数据文本语义向量;
基于最少一个设定文本语义掩码窗口对所述第一传感数据文本日志的传感数据文本语义向量进行传感信号语义挖掘,得到每个所述第一关键传感数据流的传感信号退化描述。
3.根据权利要求1所述的方法,其特征在于,挖掘每个所述第二关键传感数据流的传感信号退化描述,包括:
基于设定文本语义挖掘网络挖掘所述第二传感数据文本日志的传感数据文本语义向量;
基于最少一个设定文本语义掩码窗口对所述第二传感数据文本日志的传感数据文本语义向量进行传感信号语义挖掘,得到每个所述第二关键传感数据流的传感信号退化描述。
4.根据权利要求1所述的方法,其特征在于,每个所述第一关键传感数据流的传感信号退化描述包括对应所述第一关键传感数据流的第一传感经纬度向量、第一多径效应描述向量以及第一信号环境干扰向量中的一个或多个,每个所述第二关键传感数据流的传感信号退化描述包括对应所述第二关键传感数据流的第二传感经纬度向量、第二多径效应描述向量以及第二信号环境干扰向量中的一个或多个;
所述将每个所述第一关键传感数据流的传感信号退化描述分别与每个所述第二关键传感数据流的传感信号退化描述进行对应的描述特征差异确定,得到对应所述第一关键传感数据流与所述第二关键传感数据流之间的数据流描述特征共性评分,包括:
确定第一局部传感数据流的所述第一传感经纬度向量与第二局部传感数据流的所述第二传感经纬度向量之间的第一描述特征差异,所述第一局部传感数据流为所述最少一个第一关键传感数据流中的任意一个,所述第二局部传感数据流为所述最少一个第二关键传感数据流中的任意一个;
确定所述第一局部传感数据流的所述第一多径效应描述向量与所述第二局部传感数据流的所述第二多径效应描述向量之间的第二描述特征差异;
确定所述第一局部传感数据流的所述第一信号环境干扰向量与所述第二局部传感数据流的所述第二信号环境干扰向量之间的第三描述特征差异;
对所述第一描述特征差异、所述第二描述特征差异以及所述第三描述特征差异中的一个或多个进行基于权重的整合,得到所述第一局部传感数据流与所述第二局部传感数据流之间的数据流描述特征共性评分。
5.根据权利要求4所述的方法,其特征在于,所述确定第一局部传感数据流的所述第一传感经纬度向量与第二局部传感数据流的所述第二传感经纬度向量之间的第一描述特征差异,包括:基于目标特征差异运算策略对第一局部传感数据流的所述第一传感经纬度向量与第二局部传感数据流的所述第二传感经纬度向量进行计算,得到第一局部传感数据流的所述第一传感经纬度向量与第二局部传感数据流的所述第二传感经纬度向量之间的第一描述特征差异;
其中,所述确定所述第一局部传感数据流的所述第一多径效应描述向量与所述第二局部传感数据流的所述第二多径效应描述向量之间的第二描述特征差异,包括:确定所述第一局部传感数据流中的所述第一多径效应描述向量中各个特征成员与所述第二局部传感数据流中的所述第二多径效应描述向量中相同成员分布标签下的特征成员之间的量化比较值;通过每个所述量化比较值,得到所述第一局部传感数据流的所述第一多径效应描述向量与所述第二局部传感数据流的所述第二多径效应描述向量之间的第二描述特征差异;
其中,所述确定所述第一局部传感数据流的所述第一信号环境干扰向量与所述第二局部传感数据流的所述第二信号环境干扰向量之间的第三描述特征差异,包括:对所述第一局部传感数据流的所述第一信号环境干扰向量与所述第二局部传感数据流的所述第二信号环境干扰向量进行欧式距离计算,得到所述第一局部传感数据流的所述第一信号环境干扰向量与所述第二局部传感数据流的所述第二信号环境干扰向量之间的第三描述特征差异。
6.根据权利要求1所述的方法,其特征在于,所述依据每个所述数据流描述特征共性评分确定对应所述北斗传感器数据二元组的信号退化因素判别观点,包括:
将每个所述数据流描述特征共性评分分别与第一设定门限值进行比较,确定目标关键传感数据流二元组,所述目标关键传感数据流二元组所对应的数据流描述特征共性评分大于所述第一设定门限值;
记录所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数;
依据所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数确定对应所述北斗传感器数据二元组的信号退化因素判别观点;
其中,所述依据所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数确定对应所述北斗传感器数据二元组的信号退化因素判别观点,包括:依据所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数确定第一牵涉权重,所述第一牵涉权重用于表征对应所述北斗传感器数据二元组的所述第一传感数据文本日志与所述第二传感数据文本日志中关键传感数据流的相关性系数;在所述第一牵涉权重小于第二设定门限值时,确定对应所述北斗传感器数据二元组的信号退化因素判别观点为第一判别观点,所述第一判别观点用于表征所述第一传感数据文本日志与所述第二传感数据文本日志之间存在关键传感数据流差异;
其中,所述依据所述目标关键传感数据流二元组的个数、所述第一关键传感数据流的个数以及所述第二关键传感数据流的个数确定第一牵涉权重,包括:从所述第一关键传感数据流的个数和所述第二关键传感数据流的个数中确定最大个数;依据所述目标关键传感数据流二元组的个数和所述最大个数,得到所述第一牵涉权重;
其中,在所述第一牵涉权重小于第二设定门限值时,确定对应所述北斗传感器数据二元组的信号退化因素判别观点为第一判别观点之后,所述方法还包括:依据所述第一判别观点确定所述第一传感数据文本日志与所述第二传感数据文本日志中的关键传感数据流更新标签;依据所述关键传感数据流更新标签对所述第二传感数据文本日志进行文本日志重构。
7.根据权利要求1所述的方法,其特征在于,在获取最少一个北斗传感器数据二元组之前,所述方法还包括:
获取最少一个第一传感数据文本日志和最少一个第二传感数据文本日志;
对每个所述第一传感数据文本日志和每个所述第二传感数据文本日志分别进行文本日志匹配操作,得到文本日志匹配信息,所述文本日志匹配信息包括最少一个所述北斗传感器数据二元组。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述信号退化因素判别观点,确定目标北斗传感系统的信号优化策略。
9.一种AI测试分析系统,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。
10.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311757977.3A CN117538910B (zh) | 2023-12-20 | 2023-12-20 | 基于ai的北斗定位信号测试分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311757977.3A CN117538910B (zh) | 2023-12-20 | 2023-12-20 | 基于ai的北斗定位信号测试分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117538910A true CN117538910A (zh) | 2024-02-09 |
CN117538910B CN117538910B (zh) | 2024-04-30 |
Family
ID=89792034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311757977.3A Active CN117538910B (zh) | 2023-12-20 | 2023-12-20 | 基于ai的北斗定位信号测试分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117538910B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150189528A1 (en) * | 2013-03-15 | 2015-07-02 | DGS Global Systems, Inc. | Systems, Methods, and Devices for Electronic Spectrum Management with Remote Access to Data in a Virtual Computing Network |
US20180096055A1 (en) * | 2016-10-05 | 2018-04-05 | Reuben Emory Houser | System to determine a credibility weighting for electronic records |
US20210012199A1 (en) * | 2019-07-04 | 2021-01-14 | Zhejiang University | Address information feature extraction method based on deep neural network model |
WO2021139235A1 (zh) * | 2020-06-30 | 2021-07-15 | 平安科技(深圳)有限公司 | 系统异常检测方法、装置、设备及存储介质 |
US20230010938A1 (en) * | 2021-07-06 | 2023-01-12 | Spherex, Inc. | Content genome generation and management system in a multi-modal artificial intelligence system for media assets |
-
2023
- 2023-12-20 CN CN202311757977.3A patent/CN117538910B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150189528A1 (en) * | 2013-03-15 | 2015-07-02 | DGS Global Systems, Inc. | Systems, Methods, and Devices for Electronic Spectrum Management with Remote Access to Data in a Virtual Computing Network |
US20180096055A1 (en) * | 2016-10-05 | 2018-04-05 | Reuben Emory Houser | System to determine a credibility weighting for electronic records |
US20210012199A1 (en) * | 2019-07-04 | 2021-01-14 | Zhejiang University | Address information feature extraction method based on deep neural network model |
WO2021139235A1 (zh) * | 2020-06-30 | 2021-07-15 | 平安科技(深圳)有限公司 | 系统异常检测方法、装置、设备及存储介质 |
US20230010938A1 (en) * | 2021-07-06 | 2023-01-12 | Spherex, Inc. | Content genome generation and management system in a multi-modal artificial intelligence system for media assets |
Also Published As
Publication number | Publication date |
---|---|
CN117538910B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150219530A1 (en) | Systems and methods for event detection and diagnosis | |
CN113282461B (zh) | 传输网的告警识别方法和装置 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN111339129A (zh) | 远程抄表异常监测方法、装置、燃气表系统及燃气云平台 | |
CN111222683A (zh) | 一种基于pca-knn的tbm施工围岩综合分级预测方法 | |
US20050144537A1 (en) | Method to use a receiver operator characteristics curve for model comparison in machine condition monitoring | |
CN114997313B (zh) | 一种海洋在线监测数据的异常检测方法 | |
CN109844779B (zh) | 用于分析测量-良率相关性的方法和系统 | |
CN112988437B (zh) | 一种故障预测方法、装置及电子设备和存储介质 | |
CN112882898B (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
CN117538910B (zh) | 基于ai的北斗定位信号测试分析方法及系统 | |
CN113077121B (zh) | 一种基于多维度属性群决策的信号质量异常原因定位方法 | |
CN112526563A (zh) | 一种gnss信号质量监测方法及系统 | |
CN111309584A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN116203365A (zh) | 基于野马算法优化pnn的gis设备局部放电检测方法 | |
CN116910526A (zh) | 模型训练方法、装置、通信设备及可读存储介质 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN111967364B (zh) | 复合故障诊断方法、装置、电子设备和存储介质 | |
CN112199362B (zh) | 一种mes背景下的数据库数据缺失的填补方法及系统 | |
CN113487141A (zh) | 一种多源信息聚类融合的轴承状态评估方法 | |
CN113177484A (zh) | 基于lof自编码的机械故障智能诊断方法 | |
CN117235434B (zh) | 林业碳汇项目基线构建方法、系统、终端及介质 | |
CN115980890B (zh) | 一种基于时空要素的雨量站异常数据检测方法 | |
CN117875421B (zh) | 基于深度学习的光伏阵列故障诊断方法及系统 | |
CN112000705B (zh) | 一种基于主动漂移检测的非平衡数据流挖掘方法 |
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 |