CN117932474A - 一种通信缺失数据确定模型的训练方法、装置、设备及存储介质 - Google Patents
一种通信缺失数据确定模型的训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117932474A CN117932474A CN202410330873.2A CN202410330873A CN117932474A CN 117932474 A CN117932474 A CN 117932474A CN 202410330873 A CN202410330873 A CN 202410330873A CN 117932474 A CN117932474 A CN 117932474A
- Authority
- CN
- China
- Prior art keywords
- data
- communication
- missing
- communication data
- sample
- 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
- 230000006854 communication Effects 0.000 title claims abstract description 352
- 238000004891 communication Methods 0.000 title claims abstract description 348
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 239000013307 optical fiber Substances 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种通信缺失数据确定模型的训练方法、装置、设备及存储介质,涉及工业控制技术领域。该方法包括:对原始通信数据进行预处理,得到样本通信数据;样本通信数据包括:正常通信数据和异常通信数据;异常通信数据为剔除了异常实例的5G通信数据;正常通信数据为通过网线和/或光纤方式传递的I/O数据;基于高斯朴素贝叶斯算法,对样本通信数据进行处理,得到通信缺失数据确定模型。上述技术方案,利用高斯朴素贝叶斯算法,确定通信缺失数据确定模型,有助于提高模型的分类能力和预测能力。
Description
技术领域
本申请实施例涉及数据处理技术领域,尤其涉及工业控制技术领域,具体涉及一种通信缺失数据确定模型的训练方法、装置、设备及存储介质。
背景技术
无线通信技术在现代核电中应用愈加频繁,出现了将5G(Fifth Generationmobile communication technology,第五代移动通信技术)与云计算、大数据、人工智能、机器视觉等技术融合,使得核电数字化仪控系统与5G无限通讯的结合使用成为未来的主流。
但由于核电现场环境复杂多变,且5G信号穿墙避障能力弱,单个基站覆盖范围小,难以完全保证核电生产数据的安全要求,并且电厂设备处于高温、高压等环境,设备长期运行易出现故障,导致历史站中相关数据出现空缺。
目前针对缺失数据的插补方法大多是回归插补、冷卡插补、演绎插补、热卡插补、均值插补等单一插补。单一插补简单易行,是传统的缺失值插补方法,但是单一插补将缺失数据看作是确定值,再加上受到单一插补模型的限制,得到的单一插补值替代缺失数据后,与原始数据相比会产生较大误差。
发明内容
本申请提供了一种通信缺失数据确定模型的训练方法、装置、设备及存储介质,以提高模型的分类能力和预测能力。
根据本申请的一方面,提供了一种通信缺失数据确定模型的训练方法,该方法包括:
对原始通信数据进行预处理,得到样本通信数据;所述样本通信数据包括:正常通信数据和异常通信数据;所述异常通信数据为剔除了异常实例的5G通信数据;所述正常通信数据为通过网线和/或光纤方式传递的I/O数据;
基于高斯朴素贝叶斯算法,对所述样本通信数据进行处理,得到通信缺失数据确定模型。
根据本申请的另一方面,提供了一种通信缺失数据确定方法,该方法包括:
获取目标5G通信数据;
基于通信缺失数据确定模型,对所述目标5G通信数据进行缺失数据预测,得到目标缺失位置和缺失预测数据。
根据本申请的另一方面,提供了一种通信缺失数据确定模型的训练装置,该装置包括:
数据处理模块,用于对原始通信数据进行预处理,得到样本通信数据;所述样本通信数据包括:正常通信数据和异常通信数据;所述异常通信数据为剔除了异常实例的5G通信数据;所述正常通信数据为通过网线和/或光纤方式传递的I/O数据;
模型生成模块,用于基于高斯朴素贝叶斯算法,对所述样本通信数据进行处理,得到通信缺失数据确定模型。
根据本申请的另一方面,提供了一种通信缺失数据确定装置,该装置包括:
数据获取模块,用于获取目标5G通信数据;
数据预测模块,用于基于通信缺失数据确定模型,对所述目标5G通信数据进行缺失数据预测,得到目标缺失位置和缺失预测数据;其中,所述通信缺失数据确定模型基于本申请任一实施例所提供的通信缺失数据确定模型的训练方法训练得到。
根据本申请的另一方面,提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本申请实施例所提供的任意一种方法。
根据本申请的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请实施例所提供的任意一种方法。
本申请通过对原始通信数据进行预处理,得到样本通信数据;样本通信数据包括:正常通信数据和异常通信数据;异常通信数据为剔除了异常实例的5G通信数据;正常通信数据为通过网线和/或光纤方式传递的I/O数据;基于高斯朴素贝叶斯算法,对样本通信数据进行处理,得到通信缺失数据确定模型。上述技术方案,利用高斯朴素贝叶斯算法,确定通信缺失数据确定模型,有助于提高模型的分类能力和预测能力。
附图说明
图1是根据本申请实施例一提供的一种通信缺失数据确定模型的训练方法的流程图;
图2是根据本申请实施例二提供的一种通信缺失数据确定模型的训练方法的流程图;
图3是根据本申请实施例三提供的一种通信缺失数据确定方法的流程图;
图4是根据本申请实施例四提供的一种通信缺失数据确定模型的训练装置的结构示意图;
图5是根据本申请实施例五提供的一种通信缺失数据确定装置的结构示意图;
图6是实现本申请实施例的通信缺失数据确定模型的训练方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将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,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
此外,还需要说明的是,本申请的技术方案中,所涉及的原始通信数据和样本通信数据等相关数据的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
实施例一
图1是根据本申请实施例一提供的一种通信缺失数据确定模型的训练方法的流程图,本实施例可适用于生成用于分析并确定核电数字化仪控系统中通过5G无线通讯过程产生的异常数据的模型的情况,可以由通信缺失数据确定模型的训练装置来执行,该通信缺失数据确定模型的训练装置可以采用硬件和/或软件的形式实现,该通信缺失数据确定模型的训练装置可配置于计算机设备中,例如服务器的核电数字化仪控系统中。如图1所示,该方法包括:
S110、对原始通信数据进行预处理,得到样本通信数据;样本通信数据包括:正常通信数据和异常通信数据;异常通信数据为剔除了异常实例的5G通信数据;正常通信数据为通过网线和/或光纤方式传递的I/O数据。
其中,原始通信数据是指核电数字化仪控系统采集到的数据,可以包括5G通信数据和通过网线传递的I/O(Input/Output,输入/输出)数据等中的至少一种。样本通信数据是指对原始通信数据进行处理得到的可用于模型训练的数据。5G通信数据是指核电数字化仪控系统从手机、平板电脑、物联网设备等终端设备上接收的数据,可以包括视频数据、音频数据和文本数据等中的至少一种。I/O数据是指外部设备和/或传感器传输的数据。异常实例是指异常通信数据中含有缺失值的实例。
需要说明的是,样本通信数据、正常通信数据和异常通信数据可以以矩阵的形式表示。
可选的,对原始通信数据进行预处理,得到样本通信数据可以是,对原始通信数据进行筛选,得到正常通信数据和5G通信数据;将正常通信数据和5G通信数据进行对比,确定5G通信数据中的缺失值;将缺失值从5G通信数据中剔除,得到异常通信数据。
其中,缺失值是指数据集中某些观测值或变量的取值缺失或未记录的情况。
进一步的,在对原始通信数据进行预处理,得到样本通信数据之后,可以为样本通信数据添加补充特征值。
其中,补充特征值是指为数据集中的每个实例添加的新的特征或属性,可以包括运行数据的不同时段、I/O模块掉线率和丢包率、5G通讯终端丢包率和掉线率等中的至少一种。
可以理解的是,通过补充特征值,可以丰富样本通信数据的表达能力,提供更多有用的信息用于通信缺失数据确定模型的生成。
S120、基于高斯朴素贝叶斯算法,对样本通信数据进行处理,得到通信缺失数据确定模型。
其中,高斯朴素贝叶斯算法是是一种基于贝叶斯定理和特征独立性假设的分类算法;在该算法中,每个特征被认为是独立的高斯分布,从而可以使用概率密度函数来描述每个类别下的特征分布情况。通信缺失数据确定模型是指可以定位数据集中缺失值位置,并使用预测的值进行插补的模型。
可选的,基于高斯朴素贝叶斯算法,对样本通信数据进行处理可通过下列公式实现:
其中,表示随机变量X中的第j个特征。表示随机变量的取值。表示另一个
随机变量,用于表示类别变量,即数据样本所属的类别。用于表示类别变量Y中的第k各
类别。exp表示自然指数函数,用于计算自变量的指数值。表示在给定类
别的条件下,特征取值为的概率。表示在给定类别的条件下,特征的均值,
即高斯分布的均值。表示在给定类别的条件下,特征的标准差,即高斯分布的标准
差。
可选的,在对样本通信数据进行处理,得到通信缺失数据确定模型之后,还可以根据正常通信数据和5G通信数据,确定通信缺失数据;采用通信缺失数据,对通信缺失数据确定模型进行验证。
其中,通信缺失数据是指与缺失值相关信息的数据,可以包括缺失位置信息和具体缺失数值等中的至少一种。
具体的,根据正常通信数据和5G通信数据,确定5G通信数据的缺失值和缺失值对应的缺失位置;将缺失值和缺失位置以数组的形式导出,得到通信缺失数据;采用通信缺失数据,对通信缺失模型进行验证。
其中,缺失位置是指缺失值在5G通信数据中的具体位置,可以是缺失值所在的行号。
可以理解的是,在生成通信缺失数据确定模型之后,利用通信缺失数据对模型进行验证,有助于确保模型的可靠性。
本申请实施例通过对原始通信数据进行预处理,得到样本通信数据;样本通信数据包括:正常通信数据和异常通信数据;异常通信数据为剔除了异常实例的5G通信数据;正常通信数据为通过网线和/或光纤方式传递的I/O数据;基于高斯朴素贝叶斯算法,对样本通信数据进行处理,得到通信缺失数据确定模型。上述技术方案,利用高斯朴素贝叶斯算法,确定通信缺失数据确定模型,有助于提高模型的分类能力和预测能力。
实施例二
图2是根据本申请实施例二提供的一种通信缺失数据确定模型的训练方法的流程图,本实施例在上述各实施例的技术方案的基础上,将“基于高斯朴素贝叶斯算法,对样本通信数据进行处理,得到通信缺失数据确定模型”细化为“对样本通信数据进行特征提取,得到样本通信数据的特征值;对样本通信数据进行标签处理,得到样本通信数据的类别标签值;基于高斯朴素贝叶斯算法,对样本通信数据的特征值和类别标签值进行处理,得到通信缺失数据确定模型”。需要说明的是,在本申请实施例中未详述部分,可参见其他实施例的相关表述。如图2所示,该方法包括:
S210、对原始通信数据进行预处理,得到样本通信数据;样本通信数据包括:正常通信数据和异常通信数据;异常通信数据为剔除了异常实例的5G通信数据;正常通信数据为通过网线和/或光纤方式传递的I/O数据。
S220、对样本通信数据进行特征提取,得到样本通信数据的特征值。
其中,特征值是指用于描述每个样本通信数据的属性或特征的数值,可以包括数值型特征和连续化离散特征等中的至少一种;例如运行数据的不同时段、I/O数据掉线率、I/O数据丢包率、5G通讯丢包率和5G通讯掉线率。
可选的,采用领域知识和统计分析特征提取方式,对样本通信数据进行特征提取,得到样本通信数据的特征值。
其中,领域知识和统计分析特征提取方式是指基于对特定领域的深入理解和相关统计分析方法,从原始数据中提取具有代表性和实际意义的特征;在通信数据处理领域,这种特征提取方式可以结合专业领域知识和统计分析技术,从而更好地反映数据的特点和规律。
进一步的,对样本通信数据进行预处理,得到目标通信数据;对目标通信数据进行特征提取,得到目标样本通信数据的特征值。
其中,目标通信数据是指对样本通信数据进行去噪、滤波、归一化等预处理后,得到的通信数据。
可以理解的是,在对通信数据进行特征提取前,对样本通信数据进行预处理,可以确保数据的质量和可靠性。
S230、对样本通信数据进行标签处理,得到样本通信数据的类别标签值。
其中,类别标签指是指用于表征样本通信数据中各个数据的所属的类别的数值。
具体的,对样本通信数据进行数据识别,得到样本通信数据中的至少一种数据类别;对样本通信数据与数据类别之间的关联进行标签处理,得到样本通信数据的类别标签值。
其中,数据识别是指将数据按照其共同的属性、特征或性质进行分类或分组的过程。数据类别用于表征数据的属性、特征或性质。
S240、基于高斯朴素贝叶斯算法,对样本通信数据的特征值和类别标签值进行处理,得到通信缺失数据确定模型。
可选的,基于高斯朴素贝叶斯算法,根据特征值和类别标签值,确定特征值对应的数据缺失概率;数据缺失概率包括条件概率分布和先验概率;根据数据缺失概率,得到通信缺失数据确定模型。
其中,数据缺失概率用于表征特征值缺失的概率。条件概率分布表示在已知类别标签值的情况下,特征值缺失的概率。先验概率表示特征值缺失的整体概率。
具体的,基于高斯朴素贝叶斯算法,根据特征值和类别标签值,确定特征值对应的先验概率、均值和方差;根据均值和方差,确定特征值对应的条件概率分布;将条件概率分布和先验概率进行存储,得到通信缺失数据确定模型。
其中,均值是指是一组数据中所有数据之和与数据的个数的比值,用来表示数据的集中趋势。方差是指一组数据每个数据与均值差的平方和的平均数,用来表示数据的离散程度。
本申请实施例通过对原始通信数据进行预处理,得到样本通信数据;样本通信数据包括:正常通信数据和异常通信数据;异常通信数据为剔除了异常实例的5G通信数据;正常通信数据为通过网线和/或光纤方式传递的I/O数据;对样本通信数据进行特征提取,得到样本通信数据的特征值;对样本通信数据进行标签处理,得到样本通信数据的类别标签值;基于高斯朴素贝叶斯算法,对样本通信数据的特征值和类别标签值进行处理,得到通信缺失数据确定模型。上述技术方案,通过高斯朴素贝叶斯算法和样本通信数据的特征值和类别标签值,确定通信缺失数据确定模型,有助于提高模型的分类能力和预测能力。
实施例三
图3是根据本申请实施例三提供的一种通信缺失数据确定方法的流程图,本实施例可适用于分析并确定核电数字化仪控系统中通过5G无线通讯过程产生的异常数据的情况,可以由通信缺失数据确定装置来执行,该通信缺失数据确定装置可以采用硬件和/或软件的形式实现,该通信缺失数据确定装置可配置于计算机设备中,例如服务器的核电数字化仪控系统中。如图3所示,该方法包括:
S310、获取目标5G通信数据。
其中,目标5G通信数据是指5G应用设备传递至核电数字化仪控系统的数据。
需要说明的是,目标5G通信数据可以以矩阵的形式表示。
S320、基于通信缺失数据确定模型,对目标5G通信数据进行缺失数据预测,得到目标缺失位置和缺失预测数据。
其中,缺失数据是指目标5G通信数据中与缺失值相关的数据,可以包括缺失的具体数值和缺失位置等中的至少一种。目标缺失位置是指目标5G通信数据中数据缺失的位置。缺失预测数据是指对目标5G通信数据中缺失位置上可能出现的数据值的预测结果。
其中,通信缺失数据确定模型基于本申请任一实施例所提供的通信缺失数据确定模型的训练方法训练得到。
具体的,将目标5G通信数据导入通信缺失数据确定模型;根据目标5G通信数据的类别标签和通信缺失数据确定模型的数据缺失概率,确定类别标签对应的后验概率;对类别标签对应的后验概率作对数运算,得到类别标签对应的概率似然;将最大概率似然对应的类别标签作为缺失数据对应的类别标签;根据缺失数据对应的类别标签,确定目标缺失位置和缺失预测数据。
其中,后验概率是指在已知特征值的条件下,类别标签出现的概率。概率似然是用于描述在给定一组观测数据的条件下,当前类别标签下的数据出现缺失值的可能性大小。
可选的,在对目标5G通信数据进行缺失数据预测之前,可以将目标5G通信数据的索引重新排列。
其中,索引用于表征矩阵的行号。
可以理解的是,由于目标5G通信数据中存在缺失值,通过对目标5G通信数据的索引重新排列,可以使目标5G通信数据与模型的测试集保持同样的纬度,有助于提高模型预测的精准度。
进一步的,在对目标5G通信数据进行缺失数据预测,得到目标缺失位置和缺失预测数据之后,可以根据目标缺失位置和缺失预测数据,对目标5G通信数据进行插补。
本申请实施例通过获取目标5G通信数据;基于通信缺失数据确定模型,对目标5G通信数据进行缺失数据预测,得到目标缺失位置和缺失预测数据。上述技术方案,基于利用高斯朴素贝叶斯算法生成的通信缺失数据确定模型,确定缺失值对应的缺失位置和缺失预测数据,可以确保通信缺失数据确定的高效性和合理性。
实施例四
图4是根据本申请实施例四提供的一种通信缺失数据确定模型的训练装置的结构示意图,可适用于生成用于分析并确定核电数字化仪控系统中通过5G无线通讯过程产生的异常数据的模型的情况,该通信缺失数据确定模型的训练装置可以采用硬件和/或软件的形式实现,该通信缺失数据确定模型的训练装置可配置于计算机设备中,例如核电数字化仪控系统中。如图4所示,该装置包括:
数据处理模块410,用于对原始通信数据进行预处理,得到样本通信数据;样本通信数据包括:正常通信数据和异常通信数据;异常通信数据为剔除了异常实例的5G通信数据;正常通信数据为通过网线和/或光纤方式传递的I/O数据;
模型生成模块420,用于基于高斯朴素贝叶斯算法,对样本通信数据进行处理,得到通信缺失数据确定模型。
本申请实施例通过对原始通信数据进行预处理,得到样本通信数据;样本通信数据包括:正常通信数据和异常通信数据;异常通信数据为剔除了异常实例的5G通信数据;正常通信数据为通过网线和/或光纤方式传递的I/O数据;基于高斯朴素贝叶斯算法,对样本通信数据进行处理,得到通信缺失数据确定模型。上述技术方案,利用高斯朴素贝叶斯算法,确定通信缺失数据确定模型,有助于提高模型的分类能力和预测能力。
可选的,模型生成模块420包括:
特征提取单元,用于对样本通信数据进行特征提取,得到样本通信数据的特征值;
标签处理单元,用于对样本通信数据进行标签处理,得到样本通信数据的类别标签值;
模型生成单元,用于基于高斯朴素贝叶斯算法,对样本通信数据的特征值和类别标签值进行处理,得到通信缺失数据确定模型。
可选的,模型生成单元,具体用于:
基于高斯朴素贝叶斯算法,根据特征值和类别标签值,确定特征值对应的数据缺失概率;数据缺失概率包括条件概率分布和先验概率;
根据数据缺失概率,得到通信缺失数据确定模型。
可选的,该装置还包括:模型验证模块,用于:
根据正常通信数据和5G通信数据,确定通信缺失数据;
采用通信缺失数据,对通信缺失数据确定模型进行验证。
本申请实施例所提供的通信缺失数据确定模型的训练装置可执行本申请任意实施例所提供的通信缺失数据确定模型的训练方法,具备执行各通信缺失数据确定模型的训练方法相应的功能模块和有益效果。
实施例五
图5是根据本申请实施例五提供的一种通信缺失数据确定装置的结构示意图,可适用于分析并确定核电数字化仪控系统中通过5G无线通讯过程产生的异常数据的情况,该通信缺失数据确定装置可以采用硬件和/或软件的形式实现,该通信缺失数据确定装置可配置于计算机设备中,例如核电数字化仪控系统中。如图5所示,该装置包括:
数据获取模块510,用于获取目标5G通信数据;
数据预测模块520,用于基于通信缺失数据确定模型,对目标5G通信数据进行缺失数据预测,得到目标缺失位置和缺失预测数据;其中,通信缺失数据确定模型基于本申请任一实施例所提供的通信缺失数据确定模型的训练方法训练得到。
本申请实施例通过获取目标5G通信数据;基于通信缺失数据确定模型,对目标5G通信数据进行缺失数据预测,得到目标缺失位置和缺失预测数据。上述技术方案,基于利用高斯朴素贝叶斯算法生成的通信缺失数据确定模型,确定缺失值对应的缺失位置和缺失预测数据,可以确保通信缺失数据确定的高效性和合理性。
可选的,该装置还包括:
数据插补模块,用于在对目标5G通信数据进行缺失数据预测,得到目标缺失位置和缺失预测数据之后,根据目标缺失位置和缺失预测数据,对目标5G通信数据进行插补。
本申请实施例所提供的通信缺失数据确定装置可执行本申请任意实施例所提供的通信缺失数据确定方法,具备执行各通信缺失数据确定方法相应的功能模块和有益效果。
实施例六
图6是实现本申请实施例的通信缺失数据确定模型的训练方法的电子设备610的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,电子设备610包括至少一个处理器611,以及与至少一个处理器611通信连接的存储器,如只读存储器(ROM)612、随机访问存储器(RAM)613等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器611可以根据存储在只读存储器(ROM)612中的计算机程序或者从存储单元418加载到随机访问存储器(RAM)613中的计算机程序,来执行各种适当的动作和处理。在RAM613中,还可存储电子设备610操作所需的各种程序和数据。处理器611、ROM612以及RAM613通过总线614彼此相连。输入/输出(I/O)接口615也连接至总线614。
电子设备610中的多个部件连接至I/O接口615,包括:输入单元616,例如键盘、鼠标等;输出单元617,例如各种类型的显示器、扬声器等;存储单元618,例如磁盘、光盘等;以及通信单元619,例如网卡、调制解调器、无线通信收发机等。通信单元619允许电子设备610通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器611可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器611的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器611执行上文所描述的各个方法和处理,例如通信缺失数据确定模型的训练方法。
在一些实施例中,通信缺失数据确定模型的训练方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元618。在一些实施例中,计算机程序的部分或者全部可以经由ROM612和/或通信单元619而被载入和/或安装到电子设备610上。当计算机程序加载到RAM613并由处理器611执行时,可以执行上文描述的通信缺失数据确定模型的训练方法的一个或多个步骤。备选地,在其他实施例中,处理器611可以通过其他任何适当的方式(例如,借助于固件)而被配置为通信缺失数据确定模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程通信缺失数据确定模型的训练装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种通信缺失数据确定模型的训练方法,其特征在于,包括:
对原始通信数据进行预处理,得到样本通信数据;所述样本通信数据包括:正常通信数据和异常通信数据;所述异常通信数据为剔除了异常实例的5G通信数据;所述正常通信数据为通过网线和/或光纤方式传递的I/O数据;
基于高斯朴素贝叶斯算法,对所述样本通信数据进行处理,得到通信缺失数据确定模型。
2.根据权利要求1所述的方法,其特征在于,所述基于高斯朴素贝叶斯算法,对所述样本通信数据进行处理,得到通信缺失数据确定模型,包括:
对所述样本通信数据进行特征提取,得到所述样本通信数据的特征值;
对所述样本通信数据进行标签处理,得到所述样本通信数据的类别标签值;
基于高斯朴素贝叶斯算法,对所述样本通信数据的特征值和类别标签值进行处理,得到通信缺失数据确定模型。
3.根据权利要求2所述的方法,其特征在于,所述基于高斯朴素贝叶斯算法,对所述样本通信数据的特征值和类别标签值进行处理,得到通信缺失数据确定模型,包括:
基于高斯朴素贝叶斯算法,根据所述特征值和所述类别标签值,确定所述特征值对应的数据缺失概率;所述数据缺失概率包括条件概率分布和先验概率;
根据所述数据缺失概率,得到通信缺失数据确定模型。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据正常通信数据和5G通信数据,确定通信缺失数据;
采用所述通信缺失数据,对所述通信缺失数据确定模型进行验证。
5.一种通信缺失数据确定方法,其特征在于,包括:
获取目标5G通信数据;
基于通信缺失数据确定模型,对所述目标5G通信数据进行缺失数据预测,得到目标缺失位置和缺失预测数据;其中,所述通信缺失数据确定模型基于权利要求1-4中任一项所述的通信缺失数据确定模型的训练方法训练得到。
6.根据权利要求5所述的方法,其特征在于,在对所述目标5G通信数据进行缺失数据预测,得到目标缺失位置和缺失预测数据之后,还包括:
根据目标缺失位置和缺失预测数据,对所述目标5G通信数据进行插补。
7.一种通信缺失数据确定模型的训练装置,其特征在于,包括:
数据处理模块,用于对原始通信数据进行预处理,得到样本通信数据;所述样本通信数据包括:正常通信数据和异常通信数据;所述异常通信数据为剔除了异常实例的5G通信数据;所述正常通信数据为通过网线和/或光纤方式传递的I/O数据;
模型生成模块,用于基于高斯朴素贝叶斯算法,对所述样本通信数据进行处理,得到通信缺失数据确定模型。
8.一种通信缺失数据确定装置,其特征在于,包括:
数据获取模块,用于获取目标5G通信数据;
数据预测模块,用于基于通信缺失数据确定模型,对所述目标5G通信数据进行缺失数据预测,得到目标缺失位置和缺失预测数据。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410330873.2A CN117932474A (zh) | 2024-03-22 | 2024-03-22 | 一种通信缺失数据确定模型的训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410330873.2A CN117932474A (zh) | 2024-03-22 | 2024-03-22 | 一种通信缺失数据确定模型的训练方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117932474A true CN117932474A (zh) | 2024-04-26 |
Family
ID=90766871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410330873.2A Pending CN117932474A (zh) | 2024-03-22 | 2024-03-22 | 一种通信缺失数据确定模型的训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117932474A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304887A (zh) * | 2018-02-28 | 2018-07-20 | 云南大学 | 基于少数类样本合成的朴素贝叶斯数据处理系统及方法 |
CN110826718A (zh) * | 2019-09-20 | 2020-02-21 | 广东工业大学 | 一种基于朴素贝叶斯的大段不等长缺失数据填补方法 |
CN111610407A (zh) * | 2020-05-18 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 基于朴素贝叶斯的电缆老化状态评估方法和装置 |
CN111667117A (zh) * | 2020-06-10 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用贝叶斯估计补充缺失值的方法 |
CN112215365A (zh) * | 2020-10-28 | 2021-01-12 | 天津大学 | 一种基于朴素贝叶斯模型提供特征预测能力方法 |
CN112529341A (zh) * | 2021-02-09 | 2021-03-19 | 西南石油大学 | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 |
CN113157561A (zh) * | 2021-03-12 | 2021-07-23 | 安徽工程大学 | 一种数控系统软件模块的缺陷预测方法 |
CN113827981A (zh) * | 2021-08-17 | 2021-12-24 | 杭州电魂网络科技股份有限公司 | 一种基于朴素贝叶斯的游戏流失用户预测方法和系统 |
CN114723548A (zh) * | 2022-02-16 | 2022-07-08 | 中国工商银行股份有限公司 | 数据处理方法、装置、设备、介质和程序产品 |
CN117349732A (zh) * | 2023-11-10 | 2024-01-05 | 江西善新环境科技有限公司 | 基于人工智能的高流量湿化治疗仪管理方法及系统 |
CN117523642A (zh) * | 2023-12-01 | 2024-02-06 | 北京理工大学 | 一种基于最优间距贝叶斯分类模型的人脸识别方法 |
-
2024
- 2024-03-22 CN CN202410330873.2A patent/CN117932474A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304887A (zh) * | 2018-02-28 | 2018-07-20 | 云南大学 | 基于少数类样本合成的朴素贝叶斯数据处理系统及方法 |
CN110826718A (zh) * | 2019-09-20 | 2020-02-21 | 广东工业大学 | 一种基于朴素贝叶斯的大段不等长缺失数据填补方法 |
CN111610407A (zh) * | 2020-05-18 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 基于朴素贝叶斯的电缆老化状态评估方法和装置 |
CN111667117A (zh) * | 2020-06-10 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用贝叶斯估计补充缺失值的方法 |
CN112215365A (zh) * | 2020-10-28 | 2021-01-12 | 天津大学 | 一种基于朴素贝叶斯模型提供特征预测能力方法 |
CN112529341A (zh) * | 2021-02-09 | 2021-03-19 | 西南石油大学 | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 |
CN113157561A (zh) * | 2021-03-12 | 2021-07-23 | 安徽工程大学 | 一种数控系统软件模块的缺陷预测方法 |
CN113827981A (zh) * | 2021-08-17 | 2021-12-24 | 杭州电魂网络科技股份有限公司 | 一种基于朴素贝叶斯的游戏流失用户预测方法和系统 |
CN114723548A (zh) * | 2022-02-16 | 2022-07-08 | 中国工商银行股份有限公司 | 数据处理方法、装置、设备、介质和程序产品 |
CN117349732A (zh) * | 2023-11-10 | 2024-01-05 | 江西善新环境科技有限公司 | 基于人工智能的高流量湿化治疗仪管理方法及系统 |
CN117523642A (zh) * | 2023-12-01 | 2024-02-06 | 北京理工大学 | 一种基于最优间距贝叶斯分类模型的人脸识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
CN116307672A (zh) | 一种故障诊断方法、装置、电子设备及介质 | |
CN114692778A (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN113761379B (zh) | 商品推荐方法及装置、电子设备和介质 | |
CN115794473A (zh) | 一种根因告警的定位方法、装置、设备及介质 | |
CN117932474A (zh) | 一种通信缺失数据确定模型的训练方法、装置、设备及存储介质 | |
CN115249043A (zh) | 数据分析方法、装置、电子设备及存储介质 | |
CN117591983B (zh) | 一种多指标异常检测方法、装置、电子设备和存储介质 | |
CN113361402B (zh) | 识别模型的训练方法、确定准确率的方法、装置和设备 | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN117688499A (zh) | 一种多指标异常检测方法、装置、电子设备和存储介质 | |
CN115455019A (zh) | 一种基于用户行为分析的搜索意图识别方法、装置及设备 | |
CN112966210A (zh) | 一种存储用户数据的方法和装置 | |
CN116167519A (zh) | 一种监测量预测方法、装置、设备及介质 | |
CN117667488A (zh) | 人工智能算力集群的异常定位方法、装置、设备及介质 | |
CN116662194A (zh) | 软件质量度量方法、装置、设备及介质 | |
CN116128651A (zh) | 交易量异常检测方法、装置、设备及存储介质 | |
CN116304796A (zh) | 一种数据分类方法、装置、设备及介质 | |
CN117635267A (zh) | 金融产品的推荐方法、装置、设备及存储介质 | |
CN117891643A (zh) | 一种异常指标排序方法、装置、电子设备和存储介质 | |
CN115564329A (zh) | 一种典型产能场景确定方法、装置、设备及存储介质 | |
CN116089499A (zh) | 基于kafka数据量的数据统计方法、装置及介质 | |
CN117195118A (zh) | 一种数据的异常检测方法、装置、设备及介质 | |
CN117973479A (zh) | 一种可重参数化模型隐私训练方法、装置、设备及介质 |
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 |