CN117574289A - 一种时间序列数据形态识别方法及其系统 - Google Patents
一种时间序列数据形态识别方法及其系统 Download PDFInfo
- Publication number
- CN117574289A CN117574289A CN202311443082.2A CN202311443082A CN117574289A CN 117574289 A CN117574289 A CN 117574289A CN 202311443082 A CN202311443082 A CN 202311443082A CN 117574289 A CN117574289 A CN 117574289A
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- time
- morphology
- model parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 230000007474 system interaction Effects 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 abstract description 14
- 230000008859 change Effects 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000009499 grossing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本申请公开了一种时间序列数据形态识别方法及其系统，其中时间序列数据形态识别方法包括以下步骤：进行时间序列数据和模型参数的接入；对接入的时间序列数据进行数据预处理；对数据预处理后的时间序列数据作为输入，进行形态识别；响应于完成形态识别，进行系统交互。本申请基于异常模式寻找为导向，实现对时间序列的变点检测、分段、合并、模式分类。实现了对时间序列的精细分段，减少模型错误指定、过度拟合，普遍适用于各种时间序列，并且有效消除时间序列的噪声影响。
Description
技术领域
本申请涉及数据处理领域，具体地，涉及一种时间序列数据形态识别方法及其系统。
背景技术
互联网技术的快速发展，极大的改变了现代工业的发展进程，沉淀下来大量的工业数据。其中很多数据的存储都是按照时间顺序的，这种按照时间顺序存储的数值型数据被称作时间序列。现有技术大多基于时间序列直接进行异常检测，较少关注时间序列本身的形态，而识别时间序列本身的形态具有极大的价值，不仅可以为基于时间序列的其他技术提供基础，还可以增强业务人员对真实工业数据的分析与理解。
因此，如何提供一种对整个时间序列进行系统的分析，呈现整个时间序列序列的形态走势的方法，成为本领域急需解决的问题。
发明内容
本申请提出的时间序列数据形态识别方法及其系统，可以对整个时间序列进行系统的分析，呈现整个时间序列序列的形态走势，将整个时间序列分为一个个独立的子序列，清晰的描述每一个子序列的斜率、幅值变化率等相关信息，为业务人员带来更加直观的分析。
为了解决上述问题，本申请提出一种时间序列数据形态识别方法，包括以下步骤：进行时间序列数据和模型参数的接入；对接入的时间序列数据进行数据预处理；对数据预处理后的时间序列数据作为输入，进行形态识别；响应于完成形态识别，进行系统交互。
如上的，其中，进行时间序列数据和模型参数的接入包括以下子步骤：进行时间序列数据的接入；进行模型参数的接入。
如上的，其中，接入的时间序列数据包括，接收和处理传感器、数据库、文件等不同来源、不同格式的时间序列数据。
如上的，其中，接入的模型参数包括，平滑去噪的窗口参数、分段合并参数以及形态定义参数。
如上的，其中，进行形态识别主要包括变点检测、时间序列分段、分段合并以及模式分类四个操作。
一种时间序列数据形态识别系统，包括数据接入单元、数据预处理单元、形态识别单元以及交互单元；数据接入单元用于进行时间序列数据和模型参数的接入；数据预处理单元用于对接入的时间序列数据进行数据预处理；形态识别单元用于对数据预处理后的时间序列数据作为输入，进行形态识别；交互单元用于响应于完成形态识别，进行系统交互。
如上的，其中，数据接入单元进行时间序列数据和模型参数的接入包括以下子步骤：进行时间序列数据的接入；进行模型参数的接入。
如上的，其中，数据接入单元接入的时间序列数据包括，接收和处理传感器、数据库、文件等不同来源、不同格式的时间序列数据。
如上的，其中，数据接入单元接入的模型参数包括，平滑去噪的窗口参数、分段合并参数以及形态定义参数。
如上的，其中，形态识别单元进行形态识别主要包括变点检测、时间序列分段、分段合并以及模式分类四个操作。
本申请具有以下有益效果：
本申请基于异常模式寻找为导向，实现对时间序列变点检测、分段、合并、模式分类。实现了对时间序列的精细分段，减少模型错误指定、过度拟合，普遍适用于各种时间序列，并且有效消除时间序列的噪声影响。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是根据本申请实施例提供的时间序列数据形态识别方法的流程图；
图2是根据本申请实施例提供的接入的原始时间序列图；
图3是根据本申请实施例提供的预处理后的时间序列图；
图4是根据本申请实施例提供的变点检测后的数据图；
图5是根据本申请实施例提供的变点分段后的线性线段图；
图6是根据本申请实施例提供的分段合并后的线性线段图；
图7是根据本申请实施例提供的模式分类数据图；
图8是根据本申请实施例提供的时间序列数据形态识别系统的内部结构示意图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请基于异常模式寻找为导向，实现对时间序列的变点检测、分段、合并、模式分类。算法基于贝叶斯估计的变点检测技术实现对时间序列的精细分段，减少模型错误指定、过度拟合，普遍适用于各种时间序列；算法基于分段合并技术对得到的精细分段进行合并，有效消除时间序列的噪声影响，加强了算法的鲁棒性。
实施例一
如图1所示，本申请提供了一种时间序列数据形态识别方法，具体包括以下步骤：
步骤S110：进行时间序列数据和模型参数的接入。
其中，进行时间序列数据和模型参数的接入和处理包括以下子步骤：
步骤S1101：进行时间序列数据的接入。
具体地，接收和处理传感器、数据库、文件等不同来源、不同格式的时间序列数据，图2为接入的原始时间序列，为散点图，由时间序列数据散点绘制而成，可以发现这段数据包含一段缓慢上升的趋势。
为了保证数据质量，接入的时间序列数据需要满足以下条件：
①采样率稳定：数据采集过程中，保持各个时间点的间隔一致。
②无缺失值：数据采集不应出现大面积缺失，保证数据采集的完整性。
步骤S1102：进行模型参数的接入。
具体地，将系统接入的参数输入模型，主要包括平滑去噪的窗口参数、分段合并参数、形态定义参数等。这些参数需要模型使用者根据不同的应用场景及时进行调整，以保证模型的准确性。
其中步骤S1101和步骤S1102可以同时进行也可以进行顺序执行，具体执行的顺序在此不进行限定。
步骤S120：对接入的时间序列数据进行数据预处理。
数据预处理主要负责对输入的数据进行清洗和处理，以提高后续模型的准确性。其主要包括异常点检测、平滑去噪操作。
图3为预处理后的时间序列数据，经过预处理后的光滑曲线，可以观察到经过处理的曲线消除了噪声的音响变得十分光滑。
其中异常点检测可以处理时间序列中的异常点，常用的算法包括孤立森林算法、LOF等。在检测到异常点后，采用线性插值、向前插值等将异常值替换掉。
平滑去噪主要是去除数据中的噪声对后续分析的影响，可用的方法包括滑动平均、指数平滑等。
步骤S130：对数据预处理后的时间序列数据作为输入，进行形态识别。
其中形态识别主要包括变点检测、时间序列分段、分段合并、模式分类四个操作，步骤S130具体包括以下子步骤：
步骤S1301：对预处理后的时间序列数据进行变点检测，获得变点的位置信息。
在时间序列数据中，变点是指数据的统计特征在时间上发生了显著的变化，例如均值、方差、相关性等。
变点检测的目的是识别上述变点，并确定变点发生的时间和位置信息。如图4所示为为检测到的变点，可以发现算法非常清晰的检测到了各个突变点，但是在某些位置变点过多。
目前常用的变点检测方法包括基于统计学的方法、基于机器学习的方法、基于贝叶斯估计的方法，其中贝叶斯估计的方法作为一种集成算法，能够减少模型错误指定、过度拟合，且普遍适用于各种时间序列，因此本实施例中优先使用贝叶斯估计方法。贝叶斯估计方法的具体过程在此不进行赘述。
步骤S1302：根据变点的位置信息对时间序列进行时间序列分段操作，获得时间序列数据的子序列。
具体地，根据变点检测得到的变点位置信息，将时间序列分为一段段的子序列，并对每一个子序列根据起点、终点做线性近似，最终将子序列的起点值start_value、终点值end_value、起点索引start_index、终点索引end_index斜率slop、变化率change_rate、起终点差值delta_value、起终点索引差值delta_id保存在子序列列表split_data中。
图5为经过变点分段后的线性线段，可以发现某些临近线段的趋势极为相似，因此需要进行合并以识别某些有影响的趋势。
步骤S1303：对时间序列数据的子序列进行分段合并。
其中根据变点检测得到的时间序列子序列分段含有很多邻近相似的子序列，不能满足模式识别的需求，因此必须对邻近的分段进行合并。合并主要依赖子序列之间的向量夹角，夹角小于一定阈值参数并满足一些辅助条件时，则进行合并。如下为具体的算法流程：
(a)首先进行初始化分段合并，初始化分段合并得到的列表为split_data、长度为m，设整个时间序列的差值为delta_y，初始化线段夹角阈值angle_threshold_0、绝对变化率阈值threshold_0、相对变化率阈值change_rate_threshold，子序列计数器i＝1，设子序列i与下一个子序列之间的角度计算函数为angle_fun(i)；
(b)若i<m，计算angle_fun(i)，若o≠(m-1)，计算夹角函数angle_fun(i+1)；否则，退出循环，结束程序；
(c)若angle_fun(i)<angle_threshold_0，则合并相邻分段i与i+1，列表split_data中删除i+1分段，得到新的列表split_data，重新计算新的split_data长度m，返回执行(b)；
(d)若o≠(m-1)，且angle_fun(i+1)<angle_threshold_0，则i+＝1，返回(b)；
(e)若第i个子序列的值的绝对变化率小于阈值(delta_value/delta_y<threshold_0)且数据点的数量的绝对变化率小于阈值(delta_id/m<threshold_0)且值的相对变化率小于阈值(change_rate<change_rate_threshold)，则合并相邻分段i与i+1，split_data删除i+1分段，重新计算新的split_data长度m，返回执行(b)；
(f)若以上条件都不满足，则i+＝1，返回执行(b)。
图6为经过分段合并后的线性线段，可以发现趋势的拟合非常好，趋势之间的界限已经非常明显。
步骤S1304：响应于完成分段合并，将不同的子序列归类为不同的模式。
具体地，根据子序列与水平直线的夹角的不同，分为跳变、急剧上升、缓慢上升等模式，同时若整个时间序列数据整体处于上升、下降趋势，则忽略子序列的趋势，仅输出整体趋势即可。如图7所示，为进行模式分类的数据图。
步骤S140：响应于完成形态识别，进行系统交互。
其中系统交互主要是与用户进行交互，根据用户提出的需求进行一些参数的调整和展示。其中步骤S140具体包括以下子步骤：
步骤S1401：进行模型参数修改。
其中用户需要针对实际场景及应用需求，对模型参数做出修改，以使得模型表现出最优性能。主要调整参数包括平滑去噪参数、分段合并参数、模式分类参数、故障预警参数等。
步骤S1402：完成模型参数修改后，模型结果展示。
其中本实施例以图形化界面持续输出展示模型的识别结果，用户可以随时对感兴趣的模式抽取保存，同时针对需要预警的模式，将发出预警，并通过界面提示用户。
实施例二
如图8所示，本申请提供了一种时间序列数据形态识别系统，其中该系统具体以包括：数据接入单元810、数据预处理单元820、形态识别单元830以及交互单元840。
数据接入单元810用于进行时间序列数据和模型参数的接入。
数据接入单元810具体包括以下模块：时间序列数据接入模块、模型参数接入模块。
时间序列数据接入模块用于进行时间序列数据的接入。
具体地，接收和处理传感器、数据库、文件等不同来源、不同格式的时间序列数据。
为了保证数据质量，接入的时间序列数据需要满足以下条件：
①采样率稳定：数据采集过程中，保持各个时间点的间隔一致。
②无缺失值：数据采集不应出现大面积缺失，保证数据采集的完整性。
模型参数接入模块用于进行模型参数的接入。
具体地，将系统接入的参数输入模型，主要包括平滑去噪的窗口参数、分段合并参数、形态定义参数等。这些参数需要模型使用者根据不同的应用场景及时进行调整，以保证模型的准确性。
数据预处理单元820用于对接入的时间序列数据进行数据预处理。
数据预处理主要负责对输入的数据进行清洗和处理，以提高后续模型的准确性。其主要包括异常点检测、平滑去噪操作。
其中异常点检测可以处理时间序列中的异常点，常用的算法包括孤立森林算法、LOF等。在检测到异常点后，采用线性插值、向前插值等将异常值替换掉。
平滑去噪主要是去除数据中的噪声对后续分析的影响，可用的方法包括滑动平均、指数平滑等。
形态识别单元830用于对数据预处理后的时间序列数据作为输入，进行形态识别。
形态识别单元830具体包括以下子模块：变点检测模块、分段操作模块、分段合并模块、模式分类模块。
变点检测模块用于对预处理后的时间序列数据进行变点检测，获得变点的位置信息。
在时间序列数据中，变点是指数据的统计特征在时间上发生了显著的变化，例如均值、方差、相关性等。
变点检测的目的是识别上述变点，并确定变点发生的时间和位置信息。目前常用的变点检测方法包括基于统计学的方法、基于机器学习的方法、基于贝叶斯估计的方法，其中贝叶斯估计的方法作为一种集成算法，能够减少模型错误指定、过度拟合，且普遍适用于各种时间序列，因此本实施例中优先使用贝叶斯估计方法。贝叶斯估计方法的具体过程在此不进行赘述。
分段操作模块用于根据变点的位置信息对时间序列进行时间序列分段操作，获得时间序列数据的子序列。
具体地，根据变点检测得到的变点位置信息，将时间序列分为一段段的子序列，并对每一个子序列根据起点、终点做线性近似，最终将子序列的起点值start_value、终点值end_value、起点索引start_index、终点索引end_index斜率slop、变化率change_rate、起终点差值delta_value、起终点索引差值delta_id保存在子序列列表split_data中。
分段合并用于对时间序列数据的子序列进行分段合并。
其中根据变点检测得到的时间序列子序列分段含有很多邻近相似的子序列，不能满足模式识别的需求，因此必须对邻近的分段进行合并。合并主要依赖子序列之间的向量夹角，夹角小于一定阈值参数并满足一些辅助条件时，则进行合并。如下为具体的算法流程：
(a)首先进行初始化分段合并，初始化分段合并得到的列表为split_data、长度为m，设整个时间序列的差值为delta_y，初始化阈值angle_threshold_0、angle_threshold_1、change_rate_threshold，子序列计数器i＝1，设子序列i与下一个子序列之间的角度计算函数为angle_fun(i)；
(b)若i<m，计算angle_fun(i)，若i≠(m-1)，计算angle_fun(i+1)；否则，退出循环，结束程序；
(c)若angle_fun(i)<angle_threshold_0，则合并相邻分段i与i+1，列表split_data中删除i+1分段，得到新的列表split_data，重新计算新的split_data长度m，返回执行(b)；
(d)若i≠(m-1)，且angle_fun(i+1)<angle_threshold_0，则i+＝1，返回(b)；
(e)若第i个子序列的delta_value/delta_y<threshold_1且delta_id/m<threshold_1且change_rate<change_rate_threshold，则合并相邻分段i与i+1，split_data删除i+1分段，重新计算新的split_data长度m，返回执行(b)；
(f)若以上条件都不满足，则i+＝1，返回执行(b)。
模式分类模块用于将不同的子序列归类为不同的模式。
具体地，根据子序列与水平直线的夹角的不同，分为跳变、急剧上升、缓慢上升等模式，同时若整个时间序列数据整体处于上升、下降趋势，则忽略子序列的趋势，仅输出整体趋势即可。如图7所示，为进行模式分类的数据图。
交互单元840用于进行系统交互。
其中交互单元840具体包括以下子模块：模型参数修改模块以及展示模块。
模型参数修改模块用于进行模型参数修改。
其中用户需要针对实际场景及应用需求，对模型参数做出修改，以使得模型表现出最优性能。主要调整参数包括平滑去噪参数、分段合并参数、模式分类参数、故障预警参数等。
展示模块用于进行模型结果展示。
其中本实施例以图形化界面持续输出展示模型的识别结果，用户可以随时对感兴趣的模式抽取保存，同时针对需要预警的模式，将发出预警，并通过界面提示用户。
本申请具有以下有益效果：
本申请基于异常模式寻找为导向，实现对时间序列的分段、合并、模式分类、故障预警。实现了对时间序列的精细分段，减少模型错误指定、过度拟合，普遍适用于各种时间序列，并且有效消除时间序列的噪声影响。
虽然当前申请参考的示例被描述，其只是为了解释的目的而不是对本申请的限制，对实施方式的改变，增加和/或删除可以被做出而不脱离本申请的范围。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种时间序列数据形态识别方法，其特征在于，包括以下步骤：
进行时间序列数据和模型参数的接入；
对接入的时间序列数据进行数据预处理；
将数据预处理后的时间序列数据输入系统，进行形态识别；
响应于完成形态识别，进行系统交互，系统交互包括对模型参数进行调整。
2.如权利要求1所述的时间序列数据形态识别方法，其特征在于，进行时间序列数据和模型参数的接入包括以下子步骤：
进行时间序列数据的接入；
进行模型参数的接入。
3.如权利要求2所述的时间序列数据形态识别方法，其特征在于，接入的时间序列数据包括，接收和处理来自不同来源、不同格式的传感器、数据库、文件的时间序列数据。
4.如权利要求2所述的时间序列数据形态识别方法，其特征在于，接入的模型参数包括，平滑去噪的窗口参数、分段合并参数以及形态定义参数。
5.如权利要求1所述的时间序列数据形态识别方法，其特征在于，进行形态识别包括变点检测、时间序列分段、分段合并以及模式分类四个操作。
6.一种时间序列数据形态识别系统，其特征在于，包括数据接入单元、数据预处理单元、形态识别单元以及交互单元；
数据接入单元用于进行时间序列数据和模型参数的接入；
数据预处理单元用于对接入的时间序列数据进行数据预处理；
形态识别单元用于将数据预处理后的时间序列数据输入系统，进行形态识别；
交互单元用于响应于完成形态识别，进行系统交互，系统交互包括对模型参数进行调整。
7.如权利要求6所述的时间序列数据形态识别系统，其特征在于，数据接入单元进行时间序列数据和模型参数的接入包括以下子步骤：
进行时间序列数据的接入；
进行模型参数的接入。
8.如权利要求7所述的时间序列数据形态识别系统，其特征在于，数据接入单元接入的时间序列数据包括，接收和处理来自不同来源、不同格式的传感器、数据库、文件的时间序列数据。
9.如权利要求7所述的时间序列数据形态识别系统，其特征在于，数据接入单元接入的模型参数包括，平滑去噪的窗口参数、分段合并参数以及形态定义参数。
10.如权利要求6所述的时间序列数据形态识别系统，其特征在于，形态识别单元进行形态识别包括变点检测、时间序列分段、分段合并以及模式分类四个操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311443082.2A CN117574289A (zh) | 2023-11-01 | 2023-11-01 | 一种时间序列数据形态识别方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311443082.2A CN117574289A (zh) | 2023-11-01 | 2023-11-01 | 一种时间序列数据形态识别方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117574289A true CN117574289A (zh) | 2024-02-20 |
Family
ID=89861465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311443082.2A Pending CN117574289A (zh) | 2023-11-01 | 2023-11-01 | 一种时间序列数据形态识别方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117574289A (zh) |
-
2023
- 2023-11-01 CN CN202311443082.2A patent/CN117574289A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102016545B1 (ko) | 검색 시스템 및 그의 동작 방법 | |
| KR20190056792A (ko) | 딥러닝 기반 얼굴 검출 및 감정 인식 시스템 및 방법 | |
| CN109063611A (zh) | 一种基于视频语义的人脸识别结果处理方法和装置 | |
| CN111241744A (zh) | 一种基于双向lstm的低压铸造机时间序列数据异常检测方法 | |
| CN115294332B (zh) | 一种图像处理方法、装置、设备和存储介质 | |
| CN110232331A (zh) | 一种在线人脸聚类的方法及系统 | |
| CN113485615B (zh) | 基于计算机视觉的典型应用智能图文教程制作的方法及系统 | |
| EP3336746A1 (en) | System and method of video content filtering | |
| Yasir et al. | Object identification using manipulated edge detection techniques | |
| CN113102770A (zh) | 一种激光选区熔化的激光辐射强度数据分析系统 | |
| CN117574289A (zh) | 一种时间序列数据形态识别方法及其系统 | |
| CN116149896B (zh) | 时序数据异常检测方法、存储介质和电子设备 | |
| Lei et al. | Direct least squares fitting of ellipses segmentation and prioritized rules classification for curve-shaped chart patterns | |
| Newson et al. | Robust automatic line scratch detection in films | |
| Huynh-The et al. | Locally statistical dual-mode background subtraction approach | |
| Wang et al. | Online change point detection on riemannian manifolds with Karcher mean estimates | |
| CN114842178A (zh) | 一种基于电子产品的在线可视化交互系统及方法 | |
| CN113096141B (zh) | 冠状动脉分割方法以及冠状动脉分割装置 | |
| Hussain et al. | Face-to-camera distance estimation using machine learning | |
| Guder et al. | Dichotomic decision cascading for video shot boundary detection | |
| US20240202598A1 (en) | Semi-automated labeling of time-series sensor data | |
| Waduge et al. | Consensus Patterns of a Set of Time Series via a Wavelet‐Based Temporal Localization: Emphasizing the Utility over Point‐Wise Averaging and Averaging under Dynamic Time Warping | |
| Dumler et al. | Automatic time series segmentation and clustering for process monitoring in series production | |
| Krause | Unsupervised Change Point Detection for heterogeneous sensor signals | |
| CN116975561B (zh) | 一种基于step格式的车床工艺识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |