CN117648588B - 基于相关性网络图聚类分析的气象雷达参数异常识别方法 - Google Patents

基于相关性网络图聚类分析的气象雷达参数异常识别方法 Download PDF

Info

Publication number
CN117648588B
CN117648588B CN202410115648.7A CN202410115648A CN117648588B CN 117648588 B CN117648588 B CN 117648588B CN 202410115648 A CN202410115648 A CN 202410115648A CN 117648588 B CN117648588 B CN 117648588B
Authority
CN
China
Prior art keywords
parameter
correlation
clustering
nodes
characteristic
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
Application number
CN202410115648.7A
Other languages
English (en)
Other versions
CN117648588A (zh
Inventor
王大林
李旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hechen Ziyi Jiaxing Technology Co ltd
Original Assignee
Hechen Ziyi Jiaxing Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hechen Ziyi Jiaxing Technology Co ltd filed Critical Hechen Ziyi Jiaxing Technology Co ltd
Priority to CN202410115648.7A priority Critical patent/CN117648588B/zh
Publication of CN117648588A publication Critical patent/CN117648588A/zh
Application granted granted Critical
Publication of CN117648588B publication Critical patent/CN117648588B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于相关性网络图聚类分析的气象雷达参数异常识别方法，包括：根据气象雷达标准控制采集器，收集气象雷达的运行状态参数，形成数据集；计算运行状态参数的参数特征，组合得到特征数据集；选取气象雷达历史运行时段的正常运行状态参数，计算特征数据集中各参数特征的特征相关性矩阵，得到参数相关性网络图；基于深度优先搜索算法，计算参数相关性网络图的所有连通子图；计算连通子图的聚类系数，得到聚类系数向量基准值；从气象雷达当前运行状态的实时数据中选取待测时段及其对应的运行状态参数，计算实时参数相关性网络图及其连通子图，得到实时聚类系数向量，将其与聚类系数向量基准值比较，判断参数组合是否异常。

Description

基于相关性网络图聚类分析的气象雷达参数异常识别方法
技术领域
本发明涉及气象雷达故障监测的技术领域，尤其涉及一种基于相关性网络图聚类分析的气象雷达参数异常识别方法。
背景技术
CINRAD/SA新一代天气雷达是当前国内天气雷达的主力机型，其运行状态参数的分析是雷达台站保障气象监测的重要任务，尤其在分析雷达故障分析时作为非常重要的参考依据，在分析雷达运行状态参数时，目前，现有技术中以单参数分析为主要分析手段，而针对气象雷达中多个参数组合发生异常问题，却无法得到有效的解决，因此，如何分析气象雷达多个参数组合发生异常，提取单个参数变化无法表现的参数偏离，对分析气象雷达的运行状态偏离和性能降级有很大的帮助。
CN110703214A公开了一种气象雷达状态评估和故障监测方法，其通过采用数据重构分析模块对雷达的在线监测参数进行分析，若分析结果认为雷达偏离正常状态，则调用报警信号分析模块进行报警信号的分析，若报警分析同样认为雷达处在异常状态，则输出雷达状态异常的结果，并给出预警；但是该方法仅针对单参数进行分析，无法考虑多个参数组合下的异常问题。
CN110333493A公开了一种气象雷达发射机故障检测系统及方法，其通过对发射机前端高压供电线路中的高压电源滤波稳压器进行故障检测电路设计，并利用线路中原有的继电器开关组中备用继电器对高压电源滤波稳压器进行运行状态监视，实现高压电源滤波稳压器的状态监测与发射机系统控制的联动；但是该方法无法分析气象雷达多个参数组合发生异常的问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
为解决上述技术问题，本发明提供如下技术方案：根据气象雷达标准控制采集器，收集气象雷达的运行状态参数，形成数据集；
计算所述运行状态参数的参数特征，组合得到特征数据集；
选取所述气象雷达历史运行时段的正常运行状态参数，计算所述特征数据集中各参数特征的特征相关性矩阵，得到参数相关性网络图；
基于深度优先搜索算法，计算所述参数相关性网络图的所有连通子图；
计算所述连通子图的聚类系数，得到聚类系数向量基准值；
从所述气象雷达当前运行状态的实时数据中选取待测时段及其对应的运行状态参数，计算实时参数相关性网络图及其连通子图，得到实时聚类系数向量：
若所述聚类系数向量基准值与所述实时聚类系数向量相同，则所述连通子图内特征节点的相关性聚类程度未发生变化，参数组合正常；
若所述聚类系数向量基准值与所述实时聚类系数向量不相同，则所述连通子图内特征节点的相关性聚类程度发生变化，参数组合异常。
作为本发明所述的基于相关性网络图聚类分析的气象雷达参数异常识别方法的一种优选方案，所述运行状态参数为各时刻的数据记录，呈数值型，所述数据集的数学表达形式为P={p1,p2,...,pi}；
其中，pi为气象雷达的第i个运行状态参数，pi= {pt1,pt2,...pts}，ts为第s个区间的单位时间。
作为本发明所述的基于相关性网络图聚类分析的气象雷达参数异常识别方法的一种优选方案，所述运行状态参数的参数特征包括趋势特征、波动特征和极差；
所述趋势特征为运行参数在单位时间区间的平均值，其数学表达公式如下：
所述波动特征为运行参数在单位时间区间的标准差，其数学表达公式如下：
所述极差为运行参数在单位时间区间的最大值与最小值差值，其数学表达公式如下：
其中，为极差，/>为运行参数在单位时间区间的最大值，/>为运行参数在单位时间区间的最小值。
作为本发明所述的基于相关性网络图聚类分析的气象雷达参数异常识别方法的一种优选方案，所述特征数据集的数学表达形式为X={x1,x2,...,xi,...,xn}；
其中，xi为气象雷达的第i个运行状态参数特征，共n个运行参数特征，n=3x。
作为本发明所述的基于相关性网络图聚类分析的气象雷达参数异常识别方法的一种优选方案，计算特征相关性矩阵，包括：
定义正常运行时段状态数据共t条记录，两个特征之间的相关系数计算公式如下：
其中，r(a,b)为第a个特征和第b个特征的相关系数，xai为第a个特征的第i条记录，为第a个特征的均值，r(a,b)为-1至1之间的数值，大于零表示为正相关，小于零表示为负相关。
作为本发明所述的基于相关性网络图聚类分析的气象雷达参数异常识别方法的一种优选方案，以每个特征为节点，以特征之间是否相关，作为两个节点之间的边权值，构建参数相关性网络图；
若相关系数的绝对值＞0.4，则两个特征节点之间存在明显相关关系，节点之间有边连通；
若相关系数的绝对值≤0.4，则两个节点之间无明显相关关系，节点之间互相不连通。
作为本发明所述的基于相关性网络图聚类分析的气象雷达参数异常识别方法的一种优选方案，计算所述连通子图，包括：
选取一个节点，进行深度优先搜索；
访问选取的所述节点，如果所述节点没有被访问过，则进行下一步，否则跳过；
将访问过的节点添加到当前的连通子图中；
如果深度优先搜索无法继续，则说明当前连通子图找到，将当前连通子图添加到连通子图列表；
继续遍历所有节点，重复上述步骤，直至所有节点都被访问；
得到的连通子图列表为{D1,D2,...,Di,...,De}，任意两个连通子图之间不存在重复节点。
作为本发明所述的基于相关性网络图聚类分析的气象雷达参数异常识别方法的一种优选方案，得到所述聚类系数向量基准值，包括：
连通子图的聚类系数可通过如下数学公式表示：
其中，Di为连通子图，di为Di子图的节点数，为Di子图的边权值；
聚类系数向量基准值表示为{CD1,CD2,...CDe}。
作为本发明所述的基于相关性网络图聚类分析的气象雷达参数异常识别方法的一种优选方案，所述实时聚类系数向量表示为{CD1’,CD2’,...,CDe’}。
本发明的有益效果：本发明能够分析气象雷达多个参数组合发生异常，提取单个参数变化无法表现的参数偏离，将参数偏离的多组参数组合进行输出，方便雷达台站维修人员快速定位故障参数，提高运维效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明所示的基于相关性网络图聚类分析的气象雷达参数异常识别方法的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。
基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
参照图1，为本发明实施例提供的一种基于相关性网络图聚类分析的气象雷达参数异常识别方法，具体包括以下步骤：
S1：根据气象雷达标准控制采集器，收集气象雷达的运行状态参数，形成数据集；其中，本步骤需要说明的是：
运行状态参数为各时刻的数据记录，呈数值型；
作为示例，数据集的数学表达形式为P={p1,p2,...,pi}；
其中，pi为气象雷达的第i个运行状态参数，pi= {pt1,pt2,...pts}，ts为第s个区间的单位时间。
S2：计算运行状态参数的参数特征，组合得到特征数据集；其中，本步骤还需要说明的是：
运行状态参数的参数特征包括趋势特征、波动特征和极差；
趋势特征为运行参数在单位时间区间的平均值，其数学表达公式如下：
波动特征为运行参数在单位时间区间的标准差，其数学表达公式如下：
极差为运行参数在单位时间区间的最大值与最小值差值，其数学表达公式如下：
其中，为极差，/>为运行参数在单位时间区间的最大值，/>为运行参数在单位时间区间的最小值。
进一步的，特征数据集的数学表达形式为X={x1,x2,...,xi,...,xn}；
其中，xi为气象雷达的第i个运行状态参数特征，共n个运行参数特征，n=3x。
S3：选取气象雷达历史运行时段的正常运行状态参数，计算特征数据集中各参数特征的特征相关性矩阵，得到参数相关性网络图；其中，本步骤需要说明的是，计算特征相关性矩阵，包括：
定义正常运行时段状态数据共t条记录，两个特征之间的相关系数计算公式如下：
其中，r(a,b)为第a个特征和第b个特征的相关系数，xai为第a个特征的第i条记录，为第a个特征的均值，r(a,b)为-1至1之间的数值，大于零表示为正相关，小于零表示为负相关。
作为示例，相关系数a和b之间的相关性强弱表达如下：
（1）数值属于0.8~1.0时，则为极强相关；
（2）数值属于0.6~0.8时，则为强相关；
（3）数值属于0.4~0.6时，则为中等程度相关；
（4）数值属于0.2~0.4时，则为弱相关；
（5）数值属于0.0~0.2时，则为极弱相关或无相关。
需要说明的是，本发明实施例以每个特征为节点，特征之间是否相关作为两个节点之间的边权值，以此构建相关性网络图：
若相关系数的绝对值＞0.4，则两个特征节点之间存在明显相关关系，节点之间有边连通；
若相关系数的绝对值≤0.4，则两个节点之间无明显相关关系，节点之间互相不连通。
具体的，节点之间的边权值的数学表达公式如下：
在可选的实施例中，建立n个特征节点相关性网络图，则该图为无向图D，若两个节点间相连，表示两个特征有明显相关性。
S4：基于深度优先搜索算法，计算参数相关性网络图的所有连通子图；其中，本步骤还需要说明的是，计算连通子图，包括：
选取一个节点，进行深度优先搜索；
访问选取的节点，如果节点没有被访问过，则进行下一步，否则跳过；
将访问过的节点添加到当前的连通子图中；
如果深度优先搜索无法继续，则说明当前连通子图找到，将当前连通子图添加到连通子图列表；
继续遍历所有节点，重复上述步骤，直至所有节点都被访问；
得到的连通子图列表为{D1,D2,...,Di,...,De}，任意两个连通子图之间不存在重复节点。
作为示例，如D1内的节点共d1个，其包括{x1,...,xd1}，则D2内的d2个节点为{xd1+1,...,xd1+d2}。
优选地，同一个连通子图内的参数特征节点之间是连通的，即该子图内的参数特征之间存在直接或间接的相关关系，因此，同一个连通子图内的特征节点作为一组参数特征组合，其相关性的变化作为监控目标。
S5：计算连通子图的聚类系数，得到聚类系数向量基准值；其中，本步骤还需要说明的是：
作为示例，对于任意一个连通子图，可计算其聚类系数，如对某个连通子图Di，其节点共di个，节点聚类系数定义为该节点与相邻节点之间的实际边数与理论存在最大链接边数的比值，衡量节点间的聚类程度；
节点xa的聚类程度为：
其中，c(a,xi)为a节点和Di子图中xi节点的边权值，di为Di子图的节点数。
连通子图的聚类系数可通过如下数学公式表示：
其中，Di为连通子图，di为Di子图的节点数，为Di子图的边权值；
对于气象雷达历史正常运行数据计算得到整个相关性网络图的各个连通子图，得到聚类系数向量基准值{CD1,CD2,...CDe}。
S6：从气象雷达当前运行状态的实时数据中选取待测时段及其对应的运行状态参数，计算实时参数相关性网络图及其连通子图，得到实时聚类系数向量：
a：若聚类系数向量基准值与实时聚类系数向量相同，则连通子图内特征节点的相关性聚类程度未发生变化，参数组合正常；
b：若聚类系数向量基准值与实时聚类系数向量不相同，则连通子图内特征节点的相关性聚类程度发生变化，参数组合异常。
作为示例，实时聚类系数向量表示为{CD1’,CD2’,...,CDe’}。
本实施例还需要再次说明的是，对于任意一个子图Di，若CDi≠CDi’，则认为该子图内特征节点的相关性聚类程度发生变化，该组参数组合之间的相关关系出现异常。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于相关性网络图聚类分析的气象雷达参数异常识别方法，其特征在于，包括：
根据气象雷达标准控制采集器，收集气象雷达的运行状态参数，形成数据集；
所述运行状态参数为各时刻的数据记录，呈数值型，所述数据集的数学表达形式为P={p1,p2,...,pi}；
其中，pi为气象雷达的第i个运行状态参数；
计算所述运行状态参数的参数特征，组合得到特征数据集；
所述运行状态参数的参数特征包括趋势特征、波动特征和极差；
所述趋势特征为运行参数在单位时间区间的平均值，其数学表达公式如下：
；
所述波动特征为运行参数在单位时间区间的标准差，其数学表达公式如下：
；
所述极差为运行参数在单位时间区间的最大值与最小值差值，其数学表达公式如下：
；
其中，Pr为极差，max（p）为运行参数在单位时间区间的最大值，min（p）为运行参数在单位时间区间的最小值，ts为第s个区间的单位时间；
选取所述气象雷达历史运行时段的正常运行状态参数，计算所述特征数据集中各参数特征的特征相关性矩阵，得到参数相关性网络图；
基于深度优先搜索算法，计算所述参数相关性网络图的所有连通子图，包括：
（1）选取一个节点，进行深度优先搜索；
（2）访问选取的所述节点，如果所述节点没有被访问过，则进行下一步，否则跳过；
（3）将访问过的节点添加到当前的连通子图中；
（4）如果深度优先搜索无法继续，则说明当前连通子图找到，将当前连通子图添加到连通子图列表；
（5）继续遍历所有节点，重复步骤（2）~步骤（4），直至所有节点都被访问；
（6）得到的连通子图列表为{D1,D2,...,Dj,...,De}，任意两个连通子图之间不存在重复节点;
计算所述连通子图的聚类系数，得到聚类系数向量基准值,包括：
连通子图的聚类系数可通过如下数学公式表示：
；
其中，Dj为连通子图，dj为Dj子图的节点数，Cj为Dj子图的边权值；
聚类系数向量基准值表示为{CD1,CD2,...,CDe};从所述气象雷达当前运行状态的实时数据中选取待测时段及其对应的运行状态参数，计算实时参数相关性网络图及其连通子图，得到实时聚类系数向量：
若所述聚类系数向量基准值与所述实时聚类系数向量相同，则所述连通子图内特征节点的相关性聚类程度未发生变化，参数组合正常；
若所述聚类系数向量基准值与所述实时聚类系数向量不相同，则所述连通子图内特征节点的相关性聚类程度发生变化，参数组合异常。
2.根据权利要求1所述的基于相关性网络图聚类分析的气象雷达参数异常识别方法，其特征在于，所述特征数据集的数学表达形式为X={x1,x2,...,xn}；
其中，xn为气象雷达的第n个运行状态参数特征。
3.根据权利要求1所述的基于相关性网络图聚类分析的气象雷达参数异常识别方法，其特征在于，计算特征相关性矩阵，包括：
定义正常运行时段状态数据共h条记录，两个特征之间的相关系数计算公式如下：
；
其中，r(a,b)为第a个特征和第b个特征的相关系数，xak为第a个特征的第k条记录，为第a个特征的均值，r(a,b)为-1至1之间的数值，大于零表示为正相关，小于零表示为负相关。
4.根据权利要求3所述的基于相关性网络图聚类分析的气象雷达参数异常识别方法，其特征在于，以每个特征为节点，以特征之间是否相关，作为两个节点之间的边权值，构建参数相关性网络图；
若相关系数的绝对值＞0.4，则两个特征节点之间存在明显相关关系，节点之间有边连通；
若相关系数的绝对值≤0.4，则两个节点之间无明显相关关系，节点之间互相不连通。
5.根据权利要求1所述的基于相关性网络图聚类分析的气象雷达参数异常识别方法，其特征在于，所述实时聚类系数向量表示为{CD1’,CD2’,...,CDe’}。
CN202410115648.7A 2024-01-29 2024-01-29 基于相关性网络图聚类分析的气象雷达参数异常识别方法 Active CN117648588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410115648.7A CN117648588B (zh) 2024-01-29 2024-01-29 基于相关性网络图聚类分析的气象雷达参数异常识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410115648.7A CN117648588B (zh) 2024-01-29 2024-01-29 基于相关性网络图聚类分析的气象雷达参数异常识别方法

Publications (2)

Publication Number Publication Date
CN117648588A CN117648588A (zh) 2024-03-05
CN117648588B true CN117648588B (zh) 2024-04-26

Family

ID=90045406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410115648.7A Active CN117648588B (zh) 2024-01-29 2024-01-29 基于相关性网络图聚类分析的气象雷达参数异常识别方法

Country Status (1)

Country Link
CN (1) CN117648588B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8131112B1 (en) * 2006-01-23 2012-03-06 Sandia Corporation Method for detecting cancer in a single cell using mitochondrial correlation microscopy
CN105335653A (zh) * 2014-07-21 2016-02-17 华为技术有限公司 一种异常数据检测方法及装置
CN109885734A (zh) * 2019-02-13 2019-06-14 北京航空航天大学 一种基于深度学习的异常子图发现方法
CN109947814A (zh) * 2018-08-21 2019-06-28 慧安金科（北京）科技有限公司 用于检测数据集合中的异常数据组的方法和设备
CN110703214A (zh) * 2019-10-15 2020-01-17 和尘自仪(嘉兴)科技有限公司 一种气象雷达状态评估和故障监测方法
CN110736968A (zh) * 2019-10-16 2020-01-31 清华大学 基于深度学习的雷达异常状态诊断方法
CN112365091A (zh) * 2020-11-30 2021-02-12 中国人民解放军国防科技大学 一种基于分类节点图注意力网络的雷达定量降水估计方法
CN113986595A (zh) * 2021-10-29 2022-01-28 深圳前海微众银行股份有限公司 一种异常定位方法及装置
CN116150429A (zh) * 2021-11-17 2023-05-23 腾讯科技（深圳）有限公司 异常对象识别方法、装置、计算设备以及存储介质
CN116257780A (zh) * 2023-02-22 2023-06-13 中国人民解放军国防科技大学 基于盲信号分离的无监督特征提取和自适应的dbscan聚类方法
CN116466314A (zh) * 2023-03-31 2023-07-21 科大讯飞股份有限公司 一种雷达个体分选方法、装置、存储介质及设备
CN116956090A (zh) * 2023-06-12 2023-10-27 华能国际电力股份有限公司上海石洞口第二电厂 基于相关性分析和fcm聚类的汽轮机运行状态参数优化方法
CN117091846A (zh) * 2023-08-23 2023-11-21 中国船舶集团有限公司第七一一研究所 柴油机异常状态检测方法和装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8131112B1 (en) * 2006-01-23 2012-03-06 Sandia Corporation Method for detecting cancer in a single cell using mitochondrial correlation microscopy
CN105335653A (zh) * 2014-07-21 2016-02-17 华为技术有限公司 一种异常数据检测方法及装置
CN109947814A (zh) * 2018-08-21 2019-06-28 慧安金科（北京）科技有限公司 用于检测数据集合中的异常数据组的方法和设备
CN109885734A (zh) * 2019-02-13 2019-06-14 北京航空航天大学 一种基于深度学习的异常子图发现方法
CN110703214A (zh) * 2019-10-15 2020-01-17 和尘自仪(嘉兴)科技有限公司 一种气象雷达状态评估和故障监测方法
CN110736968A (zh) * 2019-10-16 2020-01-31 清华大学 基于深度学习的雷达异常状态诊断方法
CN112365091A (zh) * 2020-11-30 2021-02-12 中国人民解放军国防科技大学 一种基于分类节点图注意力网络的雷达定量降水估计方法
CN113986595A (zh) * 2021-10-29 2022-01-28 深圳前海微众银行股份有限公司 一种异常定位方法及装置
CN116150429A (zh) * 2021-11-17 2023-05-23 腾讯科技（深圳）有限公司 异常对象识别方法、装置、计算设备以及存储介质
CN116257780A (zh) * 2023-02-22 2023-06-13 中国人民解放军国防科技大学 基于盲信号分离的无监督特征提取和自适应的dbscan聚类方法
CN116466314A (zh) * 2023-03-31 2023-07-21 科大讯飞股份有限公司 一种雷达个体分选方法、装置、存储介质及设备
CN116956090A (zh) * 2023-06-12 2023-10-27 华能国际电力股份有限公司上海石洞口第二电厂 基于相关性分析和fcm聚类的汽轮机运行状态参数优化方法
CN117091846A (zh) * 2023-08-23 2023-11-21 中国船舶集团有限公司第七一一研究所 柴油机异常状态检测方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Nguyen Van Loi 等.Abnormal Moving Speed Detection Using Combination of Kernel Density Estimator and DBSCAN for Coastal Surveillance Radars.《2020 7th International Conference on Signal Processing and Integrated Networks》.2020,143-147. *
方今 等.基于向量自回归模型的高频地波雷达海流异常值的识别算法研究.《海洋技术学报》.2021,第40卷(第4期),30-36. *
王沐贤 等.基于相关性的多维时序数据异常溯源方法.《计算机科学与探索》.2021,第15卷(第11期),2142-2150. *

Also Published As

Publication number Publication date
CN117648588A (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
CN111237134B (zh) 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法
CN111680820B (zh) 分布式光伏电站故障诊断方法和装置
CN107561997B (zh) 一种基于大数据决策树的电力设备状态监测方法
CN109858140B (zh) 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法
CN114254818B (zh) 一种基于风险评估模型的低压配电网连锁故障预警方法
CN111667102A (zh) 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法
CN112861350B (zh) 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
CN110580492A (zh) 一种基于小幅波动检测的轨道电路故障前兆发现方法
CN112883634B (zh) 基于多维度分析的直流测量系统状态预测方法及系统
CN112149877B (zh) 多元复杂城市电网多源数据驱动的故障预测方法及其系统
CN111999591B (zh) 一种配电网一次设备异常状态的识别方法
CN103729804A (zh) 一种应对电能质量预警的在线决策支持方法
CN115828466A (zh) 一种基于宽核卷积的风机主轴部件故障预测方法
CN116739829B (zh) 一种基于大数据的电力数据分析方法、系统及介质
CN113254249A (zh) 冷站故障分析方法、装置、及存储介质
CN115372816A (zh) 基于数据分析的配电开关设备运行故障预测系统及方法
CN112598144A (zh) 基于相关性分析的cnn-lstm突发故障预警方法
CN116776726A (zh) 基于分阶段差异化特征选择的机电装备零件寿命预测方法
CN117148045A (zh) 配电网运行状态的故障研判管理系统
CN109635430A (zh) 电网输电线路暂态信号监测方法和系统
CN117648588B (zh) 基于相关性网络图聚类分析的气象雷达参数异常识别方法
CN111934903A (zh) 一种基于时序演化基因的Docker容器故障智能预测方法
Sarquis Filho et al. Practical recommendations for the design of automatic fault detection algorithms based on experiments with field monitoring data
CN112434955A (zh) 一种基于多数据融合的配网线路运行风险感知方法
CN117893955B (zh) 一种环网柜故障检测系统

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