CN117932482A - 一种用于围巾加热的碳纳米加热方法 - Google Patents
一种用于围巾加热的碳纳米加热方法 Download PDFInfo
- Publication number
- CN117932482A CN117932482A CN202410323378.9A CN202410323378A CN117932482A CN 117932482 A CN117932482 A CN 117932482A CN 202410323378 A CN202410323378 A CN 202410323378A CN 117932482 A CN117932482 A CN 117932482A
- Authority
- CN
- China
- Prior art keywords
- decision tree
- subtree
- heating
- matching
- tree
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 50
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 43
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 43
- 238000003066 decision tree Methods 0.000 claims abstract description 191
- 238000013138 pruning Methods 0.000 claims abstract description 71
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000007637 random forest analysis Methods 0.000 claims abstract description 15
- 230000014759 maintenance of location Effects 0.000 claims description 32
- 230000000737 periodic effect Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 4
- 244000141353 Prunus domestica Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002086 nanomaterial Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及加热供电数据处理技术领域,具体涉及一种用于围巾加热的碳纳米加热方法。该方法获取碳纳米围巾加热过程中的多维加热供电数据,构建决策树。在每个决策树类别中根据维度树的子树匹配关系获得匹配子树。在决策树中获得匹配子树的重复信息含量,确定匹配子树之间的子树关系,确定保留节点,获得保留系数。根据提取的特征确定匹配子树的剪枝优先级,在决策树上根据剪枝优先级进行剪枝,获得随机森林模型并预测是否存在异常电流信息,并控制碳纳米围巾加热的启停。本发明通过有效的剪枝操作获得简易高效的预测模型,进而及时预测出碳纳米围巾是否存在异常电流信息,通过控制加热的启停保证围巾加热过程中的安全。
Description
技术领域
本发明涉及加热供电数据处理技术领域,具体涉及一种用于围巾加热的碳纳米加热方法。
背景技术
碳纳米加热围巾可以为滑雪爱好者等户外运动人员提供额外的温暖。碳纳米加热方法可以使围巾迅速达到舒适的温度,并且因为碳纳米材料具有较好的柔软性和轻薄性,穿戴后不会给人体带来不便或者束缚感。
碳纳米加热围巾的加热温度可通过对供电电流进行控制,每个档位有固定的供电电流信息。但是对于户外运动人员而言,因为幅度过大的运动以及环境影响,碳纳米材料可能会出现破损,如果出现破损则会影响加热电路,进而导致人员的安全受到影响,因此需要实时检测电流信息的异常情况,及时检测出异常电流,避免安全隐患。随机森林模型是一种预测异常对象的无监督学习模型,现有技术中可利用随机森林模型中的多个决策树实现及时有效的异常电流检测。在利用决策树进行预测时,需要对初始构建的决策树进行剪枝操作,简化预测模型,进而实现快速准确的预测功能,但是现有的剪枝操作仅是从叶节点开始逐渐进行剪枝,会将包含较为重要内容的给剪掉,进而导致预测结果误差过大,无法及时有效的进行电流异常情况检测,导致碳纳米围巾加热过程产生安全隐患。
发明内容
为了解决现有技术中决策树剪枝效果不好,无法及时有效的进行电流异常情况检测,导致碳纳米围巾加热过程产生安全隐患的技术问题,本发明的目的在于提供一种用于围巾加热的碳纳米加热方法,所采用的技术方案具体如下:
本发明提出了一种用于围巾加热的碳纳米加热方法,所述方法包括:
获取碳纳米围巾加热过程中的多维加热供电数据;
根据所述多维加热供电数据利用随机森林算法构建决策树,每棵决策树中的节点对应一个维度的加热供电数据;根据每棵决策树对应数据的趋势进行分类,获得决策树类别;
在一个决策树类别中,将每棵决策树中的节点替换为对应维度的标号,获得维度树,将维度树两两匹配,获得每棵维度树与其他维度树之间的匹配子树;在一个决策树中,根据去除匹配子树对应节点前后的异常供电预测结果差异获得每个匹配子树的重复信息含量;若一个决策树中的匹配子树为另一个匹配子树的子树,则将两个匹配子树作为参考子树对;根据参考子树对中两棵参考子树的节点分布,获得保留节点;
统计所有决策树,将包含所述参考子树的决策树作为保留节点的参考树;根据参考树去除所述参考子树对应节点前后的异常供电预测结果差异获得所述保留节点的保留系数;
在一个决策树中,根据每个匹配子树的所述重复信息含量、层数,以及每个匹配子树对应保留节点的保留系数,获得每个匹配子树的剪枝优先级;根据所述剪枝优先级在每个决策树中对匹配子树进行剪枝,根据剪枝后的决策树预测是否存在异常电流信息;根据异常供电预测结果控制碳纳米围巾加热的启停。
进一步地,所述多维加热供电数据的获取方法包括:
所述多维加热供电数据包括统计特征维度下的加热供电数据、周期性特征维度下的加热供电数据和波形特征下的加热供电数据;
获取时序上碳纳米围巾加热过程中的电流信号;
获得所述电流信号的周期,将所述电流信号上每段周期上的电流均值、电流方差、电流最大值和电流最小值作为统计特征,将每个时刻对应的统计特征构成统计特征维度下的加热供电数据;
对电流信号上每段周期分别进行EMD分解,获得IMF分量,获得每个IMF分量的频率和相位,将最大频率及其对应的相位分别作为对应数据点的周期性特征,将每个时刻对应的周期性特征构成周期性特征维度下的加热供电数据;
将电流信号上每段周期的波形描述编码值作为对应周期上每个数据点的波形特征,将每个时刻对应的波形特征构成波形特征下的加热供电数据。
进一步地,所述根据所述多维加热供电数据构建决策树包括:
在所述电流信号上选择预设长度的信号段,所述信号段上的数据点组成所述决策树。
进一步地,所述决策树类别的获取方法包括:
获得每个决策树对应所述信号段的趋势项,获得决策树之间对应趋势项的余弦相似度,若余弦相似度大于预设相似度阈值,则判断对应决策树为同一个决策树类别,遍历所有决策树,获得所述决策树类别。
进一步地,所述匹配子树的获取方法包括:
定义哈希表,将一棵维度树的子树的第一子树哈希值存储至哈希表中,将另一棵维度树的第二子树哈希值存储至哈希表中,若存在第二子树哈希值与第一子树哈希值相等,则判定对应子树为匹配子树。
进一步地,所述重复信息含量的获取公式包括:
;其中/>为第/>个决策树中第/>个匹配子树的重复信息含量,/>为第/>个决策树去除第/>个匹配子树后的预测结果,/>为第/>个决策树去除第/>个匹配子树前的预测结果,/>为最大值选择函数,/>为最小值选择函数。
进一步地,所述保留节点的获取方法包括:
将所述参考子树对中节点数量最大的参考子树作为第一参考子树,另一个参考子树作为第二参考子树;获得所述第一参考子树与所述第二参考子树之间的共同节点,所述第一参考子树中除共同节点之外的节点为所述保留节点。
进一步地,所述保留系数的获取方法包括:
将包含所述第一参考子树的决策树作为第一参考决策树,包含所述第二参考子树的决策树作为第二参考决策树;
将每个第一参考决策树去除所述第一参考子树前后的预测值的差值绝对值作为第一预测结果差异,获得所有第一参考决策树的第一预测结果差异平均值;
统计每个第二参考决策树去除所述第二参考子树前后的预测值的差值绝对值作为第二预测结果差异,获得所有第二参考决策树的第二预测结果差异平均值;
获得所述第一预测结果差异平均值与所述第二预测结果差异平均值的差值,并归一化处理,获得所述保留节点的所述保留系数。
进一步地,所述剪枝优先级的获取公式包括:
;/>;其中/>为第/>个决策树中第/>个匹配子树的剪枝优先级,/>为第/>个决策树中第/>个匹配子树的树结构特征,/>为第/>个决策树中第/>个匹配子树的保留节点数量,/>为第/>个保留节点的保留系数,/>为第/>个保留节点在第/>个决策树中对应的第一参考决策树的数量,/>为第/>个保留节点对应的第/>个第一参考书在第/>个决策树中的树结构特征,/>为自然常数,/>为第/>个匹配子树在第/>个决策树中的层数占比,/>为第/>个决策树中第/>个匹配子树的重复信息含量。
进一步地,所述根据所述剪枝优先级在每个决策树中对匹配子树进行剪枝包括:
根据剪枝优先级从大到小的顺序对决策树中的匹配子树依次进行剪枝,直至剪枝前后预测结果差异大于预设差异阈值,结束剪枝操作,将前一次剪枝的决策树作为剪枝后的决策树。
本发明具有如下有益效果:
本发明实施例为了保证后续剪枝的对象不包含较为重要的信息,首先构建决策树类别,在决策树类别中确定每棵决策树上的匹配子树,因为匹配子树是在同一个类别中进行匹配获得的,因此其中包含更多的重复信息,在后续剪枝过程中可基于匹配子树进行剪枝处理。进一步分析匹配子树的特征,在一个决策树中通过重复信息含量表征匹配子树中所包含节点的重复信息特征,可作为剪枝参考指标之一。进一步考虑到匹配子树之间会存在子树关系,因此分析保留节点及其保留系数,通过保留系数表征对应节点的信息重要性,因此结合匹配子树的重复信息含量、在决策树中的层数以及对应保留节点的保留系数即可获得每个匹配子树的剪枝优先级,根据剪枝优先级对匹配子树依次进行剪枝即可实现有效的剪枝操作,进而获得简易有效的异常供电预测模型,根据异常供电预测结果控制碳纳米围巾加热的启停。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种用于围巾加热的碳纳米加热方法流程图;
图2为本发明一个实施例所提供的一种维度树处理方法示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于围巾加热的碳纳米加热方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于围巾加热的碳纳米加热方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于围巾加热的碳纳米加热方法流程图,该方法包括:
步骤S1:获取碳纳米围巾加热过程中的多维加热供电数据。
在本发明实施例中,碳纳米围巾内部不属于电流传感器以及数据处理芯片,电流传感器用于采集电流信号,进而发送至数据处理芯片中,获得多维加热供电数据并进行数据预测,识别异常电流。需要说明的是,在本发明一个实施例中数据处理芯片可与碳纳米围巾加热控制芯片为同一芯片,具体芯片类型和电路结构为本领域技术人员熟知的技术手段,在此不做赘述。
若仅根据电流传感器采集到的电流信号进行异常监测,会因为信息较为简单,无法进行有效的数据预测以及后续的决策树构建。因此获得电流信号之后还需要进行一定的特征提取获得碳纳米加热过程中的多维加热供电数据。
优选地,在本发明一个实施例中,多维加热供电数据的获取方法包括:
多维加热供电数据包括统计特征维度下的加热供电数据、周期性特征维度下的加热供电数据和波形特征下的加热供电数据。
获取时序上碳纳米围巾加热过程中的电流信号,即电流信号为通过电流传感器直接采集到的数据。
获得电流信号的周期,将电流信号上每段周期上的电流均值、电流方差、电流最大值和电流最小值作为统计特征,即一段周期上每个时刻的数据对应的统计特征是相同的,将每个时刻对应的统计特征构成统计特征维度下的加热供电数据,即统计特征维度下还包括四个维度,分别为电流均值、电流方差、电流最大值和电流最小值。需要说明的是,在本发明一个实施例中,周期的获取方式可通过傅里叶变换将时序数据转换至频域空间中,选择最大幅值对应的频率的倒数作为周期长度,在本发明其他实施例中也可选用其他算法获取周期信息,在此不做赘述。
对电流信号上每段周期分别进行经验模态分解(Empirical ModeDecomposition,EMD)分解,获得本征模函数(Intrinsic Mode Function,IMF)分量,获得每个IMF分量的频率和相位,将最大频率及其对应的相位分别作为对应数据点的周期性特征,即一段周期上的数据点的周期性特征是相同的,将每个时刻对应的周期性特征构成周期性特征维度下的加热供电数据,即周期性特征维度下包含两个维度,分别为IMF分类的最大频率及其对应的相位。需要说明的是,上述统计维度的数据获取过程中的周期数据为一种原始不够精确的周期信息,而EMD分解可将电流信号分解为多个频率下的IMF分量,进而根据IMF分量获取的频率及其相位能够更精准的表征该时间段下的周期信息,EMD分解为本领域技术人员熟知的技术手段,在此不做赘述。
将电流信号上每段周期的波形描述编码值作为对应周期上每个数据点的波形特征,将每个时刻对应的波形特征构成波形特征下的加热供电数据。需要说明的是波形描述编码值可通过识别波形形状,进而获得波形形状的语义描述,将语义描述转换至算数编码值即可获得波形描述编码值,具体的波形形状识别、语义描述获取和算数编码值转换为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S2:根据多维加热供电数据利用随机森林算法构建决策树,每棵决策树中的节点对应一个维度的加热供电数据;根据每棵决策树对应数据的趋势进行分类,获得决策树类别。
随机森林算法是一种常用于数据预测以及异常检测的方法,在随机森林中随机构建多个决策树,通过所有决策树构成森林模型实现数据预测于异常检测。需要说明的是,在随机森林算法中,通过两种方式引入随机性进而构建不同的决策树:1.对原始数据集进行有放回的随机抽样,从而得到不同的数据集构建每棵决策树;2.每次节点分裂时从特征集合中随机选择一个维度的特征用于评估分裂。通过两种随机性可根据多维加热供电数据利用随机森林算法构建多个决策树,并且每棵决策树中的节点对应一个维度的加热供电数据。
在本发明一个实施例中,在电流信号上选择预设长度的信号段,信号段上的数据点组成决策树。本发明实施例中的预设长度设置为50,即选择连续的50个时间点对电流信号截取,获得信号段,根据信号段上每个时刻对应的多维供电数据即可构建决策树,即一棵决策树上存在50个节点,每棵决策树均为二叉树。
在决策树构建完成后,因为是随机构建的结果,树中的信息并不都是具有参考意义,因此需要对决策树进行剪枝,保证整体模型的简易,进而实现快速准确地得出预测结果。常规方法是对树进行自下而上的剪枝,传统方法从叶节点开始逐渐剪掉节点,使整体决策树更简易,但是如果决策树的某些叶节点不是明显的过拟合节点,则通过传统剪枝进行处理时就会丢失这些节点提供的宝贵信息,进而影响决策结果的准确性。因此本发明实施例为了保证后续剪枝过程中所剪掉的节点均为存在重复性信息的节点,首先根据每棵决策树对应数据的趋势进行分类,获得决策树类别,即同一个决策树类别中的供电数据变化趋势相似,则在该类别内进行分析能够更好确定决策树中存在重复信息的节点。
优选地,在本发明一个实施例中,决策树类别的获取方法包括:
获得每个决策树对应信号段的趋势项,获得决策树之间对应趋势项的余弦相似度,若余弦相似度大于预设相似度阈值,则判断对应决策树为同一个决策树类别,遍历所有决策树,获得决策树类别。在本发明一个实施例中,利用STL分解获得信号段的趋势项,相似度阈值设置为0.7,STL分解和余弦相似度的计算方法为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S3:在一个决策树类别中,将每棵决策树中的节点替换为对应维度的标号,获得维度树,将维度树两两匹配,获得每棵维度树与其他维度树之间的匹配子树;在一个决策树中,根据去除匹配子树对应节点前后的异常供电预测结果差异获得每个匹配子树的重复信息含量;若一个决策树中的匹配子树为另一个匹配子树的子树,则将两个匹配子树作为参考子树对;根据参考子树对中两棵参考子树的节点分布,获得保留节点。
在本发明一个实施例中,存在7个维度的供电数据,对每个维度进行数字标号,进而将每棵决策树中的节点替换为对应维度的标号即可获得维度树。请参阅图2,其示出了本发明一个实施例所提供的一种维度树处理方法示意图,在图2中树节点上的数字标号即为维度标号。
一棵决策树中可视为存在多个分枝,即存在多个子树,子树表示以决策树中某个节点为根节点,包含该跟节点下所有节点所构成的分枝,后续的剪枝过程即为将这些子树依次剪掉的过程,为了保证在后续剪枝过程中仅将重复信息较大的子树剪掉,在一个决策树类别中,获得每棵维度树与其他维度树之间的匹配子树,若两棵维度树之间存在匹配子树,则说明两棵维度树在匹配子树上对应的节点的数据维度是相同的,在后续过程中即可分析匹配子树在决策树中对应的信息,进而确定重复信息含量。
优选地,在本发明一个实施例中匹配子树的获取方法包括:
定义哈希表,将一棵维度树的子树的第一子树哈希值存储至哈希表中,将另一棵维度树的第二子树哈希值存储至哈希表中,若存在第二子树哈希值与第一子树哈希值相等,则判定对应子树为匹配子树。需要说明的是,因为决策树为一种二叉树,因此子树哈希值可直接利用哈希算法对子树的树结构进行编码获得的,其为本领域技术人员熟知的技术手段,在此不做赘述。
如图2所示,其中存在维度树1、维度树2、维度树3和维度树4,需要说明的是因为整个维度树节点数目较多,因此图2中的维度树均为一个整体维度树的一部分。将维度树1和维度树2进行匹配,其中子树5和子树6树结构相同,即子树5和子树6互相匹配,则获得匹配子树7,同理将维度树3和维度树4进行匹配,获得匹配子树8。
因为重复信息含量越大表征对应的节点内容越不存在参考性,其对预测的结果影响越小,因此在一个决策树中可根据去除匹配子树对应节点前后的异常供电预测结果差异获得每个匹配子树的重复信息含量。需要说明的是,其中异常供电预测结果可直接利用现有技术对当前决策树进行处理,具体结果获取过程为本领域技术人员熟知的技术手段,在此不做赘述。
优选地,在本发明一个实施例中,重复信息含量的获取公式包括:
;其中/>为第/>个决策树中第/>个匹配子树的重复信息含量,/>为第/>个决策树去除第/>个匹配子树后的预测结果,/>为第/>个决策树去除第/>个匹配子树前的预测结果,/>为最大值选择函数,/>为最小值选择函数。
在重复信息含量的获取公式中,利用预测结果最大值减去最小值表征预测结果差异,分母的最大值作用在于归一化,即预测结果差异越大说明对应匹配子树对预测结果的影响越大,其越不属于重复信息,则经过负相关处理后获得重复信息含量,预测结果差异越大则重复信息含量越小。
在获取到的匹配子树之间,也会存在一个匹配子树为另一个匹配子树的子树,若匹配子树A是匹配子树B的子树,可能会存在去除匹配子树A后预测结果不会产生较大差异,而去除匹配子树B后产生了较大差异,则说明此时匹配子树B上存在信息较为重要的节点。因此定义参考子树对,若一个决策树中的匹配子树为另一个匹配子树的子树,则将两个匹配子树作为参考子树对。可根据参考子树对中两颗参考子树的节点分布,获得保留节点。
优选地,在本发明一个实施例中,保留节点的获取方法包括:
将参考子树对中节点数量最大的参考子树作为第一参考子树,另一个参考子树作为第二参考子树;获得第一参考子树与第二参考子树之间的共同节点,第一参考子树中除共同节点之外的节点为保留节点。如图2所述,匹配子树7为匹配子树8的子树,则两个匹配子树构成参考子树对,其中匹配子树8为第一参考子树,匹配子树7为第二参考子树,则共同节点为子树9对应的三个节点,在匹配子树8中除了子树9之外的节点即为保留节点。
步骤S4:统计所有决策树,将包含参考子树的决策树作为保留节点的参考树;根据参考树去除参考子树对应节点前后的异常供电预测结果差异获得保留节点的保留系数。
与获取重复信息含量相似的,因为匹配子树表示的是维度树的树结构,则参考子树同样表示的是维度树的树结构,为了分析所获得的保留节点的信息有效程度,本发明实施例统计所有决策树,将包含参考子树的决策树作为对应保留节点的参考树,即在决策树中若对应的子树与参考子树的维度树结构相同,则将对应决策树作为参考树。进而根据参考树去除参考子树对应节点前后的异常供电预测结果差异获得保留节点的保留系数,差异越大说明保留节点包含的有效信息越多。
优选地,在本发明一个实施例中保留系数的获取方法包括:
将包含第一参考子树的决策树作为第一参考决策树,包含第二参考子树的决策树作为第二参考决策树。
将每个第一参考决策树去除第一参考子树前后的预测值的差值绝对值作为第一预测结果差异,获得所有第一参考决策树的第一预测结果差异平均值。
统计每个第二参考决策树去除第二参考子树前后的预测值的差值绝对值作为第二预测结果差异,获得所有第二参考决策树的第二预测结果差异平均值。
获得第一预测结果差异平均值与第二预测结果差异平均值的差值,并归一化处理,获得保留节点的保留系数。若保留节点中包含较多有助于预测的信息,则包含保留节点的第一参考子树对应的第一参考决策树在去除节点前后的第一预测结果差异平均值应当较大;而不包含保留节点的第二参考子树对应的第二参考决策树在去除节点前后的第二预测结果差异平均值应当较小,则二者的差值会较大,即第一预测结果差异平均值与第二预测结果差异平均值的差值越大说明保留节点包含越多的有助于预测的信息,则保留系数越大。
步骤S5:在一个决策树中,根据每个匹配子树的重复信息含量、层数,以及每个匹配子树对应保留节点的保留系数,获得每个匹配子树的剪枝优先级;根据剪枝优先级在每个决策树中对匹配子树进行剪枝,根据剪枝后的决策树预测是否存在异常电流信息;根据异常供电预测结果控制碳纳米围巾加热的启停。
在一个决策树中,若一个匹配子树包含较多重复信息含量,并且层数较小,对应的保留节点的保留系数较少,则说明该匹配子树对应的节点包含的信息对于预测而言不重要,在剪枝环节中可优先进行剪枝。因此在一个决策树中,根据每个匹配子树的重复信息含量、层数,以及每个匹配子树对应保留节点的保留系数,获得每个匹配子树的剪枝优先级。
优选地,在本发明一个实施例中,所述剪枝优先级的获取公式包括:
;/>;其中/>为第/>个决策树中第/>个匹配子树的剪枝优先级,/>为第/>个决策树中第/>个匹配子树的树结构特征,/>为第/>个决策树中第/>个匹配子树的保留节点数量,/>为第/>个保留节点的保留系数,/>为第/>个保留节点在第/>个决策树中对应的第一参考决策树的数量,/>为第/>个保留节点对应的第/>个第一参考书在第/>个决策树中的树结构特征,/>为自然常数,/>为第/>个匹配子树在第/>个决策树中的层数占比,/>为第/>个决策树中第/>个匹配子树的重复信息含量。需要说明的是,层数占比即为匹配子树的深度占决策树总深度的比值。
在剪枝优先级获取公式中,首先通过树结构特征表征匹配子树的基础特征,即树结构特征包含层数占比信息以及重复信息含量信息,层数占比信息越小说明越容易被剪枝,重复信息含量越大说明越需要被剪枝。进一步统计匹配子树上的保留节点,因为会存在不同参考子树对获得相同保留节点的情况,因此在分析保留节点的信息时需要统计所有涉及到的参考子树对,所以在公式中统计保留节点在本决策树中对应的第一参考决策树,将第一参考决策树对应的树结构特征作为权重,对进行加权求和,其中/>表示利用自然常数为底数的指数函数对保留系数进行负相关映射并归一化,即保留系数越小,则说明对应的匹配子树中的保留节点越不包含有用的信息,进一步对匹配子树对应的保留节点的加权求和结果进行求平均,/>越大说明对应的匹配子树越需要被剪枝,剪枝优先级越大。
获得剪枝优先级后们根据匹配子树的剪枝优先级在决策树中对匹配子树进行剪枝,获得最终的随机森林模型。根据随机森林模型中的决策树即可预测是否会存在异常电流信息,进而根据异常供电预测结果控制碳纳米围巾加热的启停。
优选地,在本发明一个实施例中根据所述剪枝优先级在每个决策树中对匹配子树进行剪枝包括:
根据剪枝优先级从大到小的顺序对决策树中的匹配子树依次进行剪枝,直至剪枝前后预测结果差异大于预设差异阈值,结束剪枝操作,将前一次剪枝的决策树作为剪枝后的决策树。在本发明一个实施例中,将预测结果差异归一化后,将差异阈值设置0.02。
在本发明一个实施例中,根据随机森林模型分析实时加热供电的电流信号,进而预测是否会出现异常电流情况,若判断会出现异常电流情况,则及时关闭电路,并进行提醒,避免继续加热产生的异常电流对人体产生安全隐患。
综上所述,本发明实施例获取碳纳米围巾加热过程中的多维加热供电数据,进而构建决策树,获得决策树类别。在每个决策树类别中根据维度树的子树匹配关系获得匹配子树。进而在决策树中获得匹配子树的重复信息含量。确定匹配子树之间的子树关系,进而确定保留节点,获得保留系数。进一步根据提取的特征确定匹配子树的剪枝优先级,在决策树上根据剪枝优先级进行剪枝,获得随机森林模型。根据随机森林模型预测是否存在异常电流信息,并控制碳纳米围巾加热的启停。本发明通过有效的剪枝操作获得简易高效的预测模型,进而及时预测出碳纳米围巾是否存在异常电流信息,通过控制加热的启停保证围巾加热过程中的安全。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种用于围巾加热的碳纳米加热方法,其特征在于,所述方法包括:
获取碳纳米围巾加热过程中的多维加热供电数据;
根据所述多维加热供电数据利用随机森林算法构建决策树,每棵决策树中的节点对应一个维度的加热供电数据;根据每棵决策树对应数据的趋势进行分类,获得决策树类别;
在一个决策树类别中,将每棵决策树中的节点替换为对应维度的标号,获得维度树,将维度树两两匹配,获得每棵维度树与其他维度树之间的匹配子树;在一个决策树中,根据去除匹配子树对应节点前后的异常供电预测结果差异获得每个匹配子树的重复信息含量;若一个决策树中的匹配子树为另一个匹配子树的子树,则将两个匹配子树作为参考子树对;根据参考子树对中两棵参考子树的节点分布,获得保留节点;
统计所有决策树,将包含所述参考子树的决策树作为保留节点的参考树;根据参考树去除所述参考子树对应节点前后的异常供电预测结果差异获得所述保留节点的保留系数;
在一个决策树中,根据每个匹配子树的所述重复信息含量、层数,以及每个匹配子树对应保留节点的保留系数,获得每个匹配子树的剪枝优先级;根据所述剪枝优先级在每个决策树中对匹配子树进行剪枝,根据剪枝后的决策树预测是否存在异常电流信息;根据异常供电预测结果控制碳纳米围巾加热的启停。
2.根据权利要求1所述的一种用于围巾加热的碳纳米加热方法,其特征在于,所述多维加热供电数据的获取方法包括:
所述多维加热供电数据包括统计特征维度下的加热供电数据、周期性特征维度下的加热供电数据和波形特征下的加热供电数据;
获取时序上碳纳米围巾加热过程中的电流信号;
获得所述电流信号的周期,将所述电流信号上每段周期上的电流均值、电流方差、电流最大值和电流最小值作为统计特征,将每个时刻对应的统计特征构成统计特征维度下的加热供电数据;
对电流信号上每段周期分别进行EMD分解,获得IMF分量,获得每个IMF分量的频率和相位,将最大频率及其对应的相位分别作为对应数据点的周期性特征,将每个时刻对应的周期性特征构成周期性特征维度下的加热供电数据;
将电流信号上每段周期的波形描述编码值作为对应周期上每个数据点的波形特征,将每个时刻对应的波形特征构成波形特征下的加热供电数据。
3.根据权利要求2所述的一种用于围巾加热的碳纳米加热方法,其特征在于,所述根据所述多维加热供电数据构建决策树包括:
在所述电流信号上选择预设长度的信号段,所述信号段上的数据点组成所述决策树。
4.根据权利要求3所述的一种用于围巾加热的碳纳米加热方法,其特征在于,所述决策树类别的获取方法包括:
获得每个决策树对应所述信号段的趋势项,获得决策树之间对应趋势项的余弦相似度,若余弦相似度大于预设相似度阈值,则判断对应决策树为同一个决策树类别,遍历所有决策树,获得所述决策树类别。
5.根据权利要求1所述的一种用于围巾加热的碳纳米加热方法,其特征在于,所述匹配子树的获取方法包括:
定义哈希表,将一棵维度树的子树的第一子树哈希值存储至哈希表中,将另一棵维度树的第二子树哈希值存储至哈希表中,若存在第二子树哈希值与第一子树哈希值相等,则判定对应子树为匹配子树。
6.根据权利要求1所述的一种用于围巾加热的碳纳米加热方法,其特征在于,所述重复信息含量的获取公式包括:
;其中/>为第/>个决策树中第/>个匹配子树的重复信息含量,/>为第/>个决策树去除第/>个匹配子树后的预测结果,/>为第/>个决策树去除第/>个匹配子树前的预测结果,/>为最大值选择函数,/>为最小值选择函数。
7.根据权利要求1所述的一种用于围巾加热的碳纳米加热方法,其特征在于,所述保留节点的获取方法包括:
将所述参考子树对中节点数量最大的参考子树作为第一参考子树,另一个参考子树作为第二参考子树;获得所述第一参考子树与所述第二参考子树之间的共同节点,所述第一参考子树中除共同节点之外的节点为所述保留节点。
8.根据权利要求7所述的一种用于围巾加热的碳纳米加热方法,其特征在于,所述保留系数的获取方法包括:
将包含所述第一参考子树的决策树作为第一参考决策树,包含所述第二参考子树的决策树作为第二参考决策树;
将每个第一参考决策树去除所述第一参考子树前后的预测值的差值绝对值作为第一预测结果差异,获得所有第一参考决策树的第一预测结果差异平均值;
统计每个第二参考决策树去除所述第二参考子树前后的预测值的差值绝对值作为第二预测结果差异,获得所有第二参考决策树的第二预测结果差异平均值;
获得所述第一预测结果差异平均值与所述第二预测结果差异平均值的差值,并归一化处理,获得所述保留节点的所述保留系数。
9.根据权利要求8所述的一种用于围巾加热的碳纳米加热方法,其特征在于,所述剪枝优先级的获取公式包括:
;/>;其中/>为第/>个决策树中第/>个匹配子树的剪枝优先级,/>为第/>个决策树中第/>个匹配子树的树结构特征,/>为第/>个决策树中第/>个匹配子树的保留节点数量,/>为第/>个保留节点的保留系数,/>为第/>个保留节点在第/>个决策树中对应的第一参考决策树的数量,/>为第/>个保留节点对应的第/>个第一参考书在第/>个决策树中的树结构特征,/>为自然常数,/>为第/>个匹配子树在第/>个决策树中的层数占比,/>为第/>个决策树中第/>个匹配子树的重复信息含量。
10.根据权利要求1所述的一种用于围巾加热的碳纳米加热方法,其特征在于,所述根据所述剪枝优先级在每个决策树中对匹配子树进行剪枝包括:
根据剪枝优先级从大到小的顺序对决策树中的匹配子树依次进行剪枝,直至剪枝前后预测结果差异大于预设差异阈值,结束剪枝操作,将前一次剪枝的决策树作为剪枝后的决策树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410323378.9A CN117932482B (zh) | 2024-03-21 | 2024-03-21 | 一种用于围巾加热的碳纳米加热方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410323378.9A CN117932482B (zh) | 2024-03-21 | 2024-03-21 | 一种用于围巾加热的碳纳米加热方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117932482A true CN117932482A (zh) | 2024-04-26 |
CN117932482B CN117932482B (zh) | 2024-06-11 |
Family
ID=90755890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410323378.9A Active CN117932482B (zh) | 2024-03-21 | 2024-03-21 | 一种用于围巾加热的碳纳米加热方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117932482B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090281981A1 (en) * | 2008-05-06 | 2009-11-12 | Chen Barry Y | Discriminant Forest Classification Method and System |
CN102646137A (zh) * | 2012-04-19 | 2012-08-22 | 中国人民解放军总参谋部第六十三研究所 | 一种基于Markov模型的实体基本信息自动生成系统及方法 |
CN106611188A (zh) * | 2016-06-22 | 2017-05-03 | 四川用联信息技术有限公司 | 一种标准化的多维尺度代价敏感决策树构建方法 |
CN106611036A (zh) * | 2016-06-20 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进的多维尺度异构代价敏感决策树构建方法 |
CN110705683A (zh) * | 2019-10-12 | 2020-01-17 | 腾讯科技(深圳)有限公司 | 随机森林模型的构造方法、装置、电子设备及存储介质 |
CN112200293A (zh) * | 2020-11-02 | 2021-01-08 | 吉林大学 | 基于cart-amv改进的随机森林算法 |
CN113516297A (zh) * | 2021-05-26 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 基于决策树模型的预测方法、装置和计算机设备 |
WO2021259002A1 (zh) * | 2020-06-23 | 2021-12-30 | 平安科技(深圳)有限公司 | 基于决策树的异常数据源输出方法、装置和计算机设备 |
CN113869552A (zh) * | 2021-08-26 | 2021-12-31 | 国网河北省电力有限公司邢台供电分公司 | 基于蝙蝠算法优化的随机森林模型预测用电需求的方法 |
CN116168286A (zh) * | 2022-10-20 | 2023-05-26 | 国家管网集团川气东送天然气管道有限公司 | 一种滑坡单体变形预测方法、系统、介质及设备 |
CN117034151A (zh) * | 2023-10-09 | 2023-11-10 | 山东中力高压阀门股份有限公司 | 基于大数据分析的阀门寿命预测方法 |
CN117036781A (zh) * | 2023-07-18 | 2023-11-10 | 昆明理工大学 | 一种基于树综合多样性深度森林的图像分类方法 |
CN117473829A (zh) * | 2023-11-09 | 2024-01-30 | 河北工业大学 | 兼顾承载和储能的固态超级电容器器件一体化制备方法 |
-
2024
- 2024-03-21 CN CN202410323378.9A patent/CN117932482B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090281981A1 (en) * | 2008-05-06 | 2009-11-12 | Chen Barry Y | Discriminant Forest Classification Method and System |
CN102646137A (zh) * | 2012-04-19 | 2012-08-22 | 中国人民解放军总参谋部第六十三研究所 | 一种基于Markov模型的实体基本信息自动生成系统及方法 |
CN106611036A (zh) * | 2016-06-20 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进的多维尺度异构代价敏感决策树构建方法 |
CN106611188A (zh) * | 2016-06-22 | 2017-05-03 | 四川用联信息技术有限公司 | 一种标准化的多维尺度代价敏感决策树构建方法 |
CN110705683A (zh) * | 2019-10-12 | 2020-01-17 | 腾讯科技(深圳)有限公司 | 随机森林模型的构造方法、装置、电子设备及存储介质 |
WO2021259002A1 (zh) * | 2020-06-23 | 2021-12-30 | 平安科技(深圳)有限公司 | 基于决策树的异常数据源输出方法、装置和计算机设备 |
CN112200293A (zh) * | 2020-11-02 | 2021-01-08 | 吉林大学 | 基于cart-amv改进的随机森林算法 |
CN113516297A (zh) * | 2021-05-26 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 基于决策树模型的预测方法、装置和计算机设备 |
CN113869552A (zh) * | 2021-08-26 | 2021-12-31 | 国网河北省电力有限公司邢台供电分公司 | 基于蝙蝠算法优化的随机森林模型预测用电需求的方法 |
CN116168286A (zh) * | 2022-10-20 | 2023-05-26 | 国家管网集团川气东送天然气管道有限公司 | 一种滑坡单体变形预测方法、系统、介质及设备 |
CN117036781A (zh) * | 2023-07-18 | 2023-11-10 | 昆明理工大学 | 一种基于树综合多样性深度森林的图像分类方法 |
CN117034151A (zh) * | 2023-10-09 | 2023-11-10 | 山东中力高压阀门股份有限公司 | 基于大数据分析的阀门寿命预测方法 |
CN117473829A (zh) * | 2023-11-09 | 2024-01-30 | 河北工业大学 | 兼顾承载和储能的固态超级电容器器件一体化制备方法 |
Non-Patent Citations (3)
Title |
---|
杨立飞; 田银花; 刘子豪; 韩咚; 杜玉越: "基于活动次序决策树的业务过程合规性检查方法", 计算机集成制造系统, 23 March 2023 (2023-03-23) * |
杨顺成, 李彦, 赵其峰: "基于GCN和Bi-LSTM的微博立场检测方法", 重庆理工大学学报(自然科学), vol. 34, no. 6, 15 June 2020 (2020-06-15) * |
范洁, 杨岳湘: "决策树后剪枝算法的研究", 湖南广播电视大学学报, no. 01, 25 March 2005 (2005-03-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117932482B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bagnall et al. | A run length transformation for discriminating between auto regressive time series | |
Bai et al. | Time series classification based on multi-feature dictionary representation and ensemble learning | |
Cabello et al. | Fast and accurate time series classification through supervised interval search | |
Kumar et al. | Knowledge discovery from database using an integration of clustering and classification | |
Soroush et al. | A novel method of eeg-based emotion recognition using nonlinear features variability and Dempster–Shafer theory | |
Patri et al. | Extracting discriminative shapelets from heterogeneous sensor data | |
CN114386538B (zh) | 一种标记监测指标的kpi曲线的波段特征的方法 | |
Gohar et al. | Terrorist group prediction using data classification | |
Bairy et al. | Automated classification of depression electroencephalographic signals using discrete cosine transform and nonlinear dynamics | |
Bellisario et al. | Contributions of MIR to soundscape ecology. Part 3: Tagging and classifying audio features using a multi-labeling k-nearest neighbor approach | |
CN112380959A (zh) | 一种基于图神经网络的单变量时间序列分类方法 | |
CN114398891B (zh) | 基于日志关键词生成kpi曲线并标记波段特征的方法 | |
CN117932482B (zh) | 一种用于围巾加热的碳纳米加热方法 | |
CN113127464A (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
Berns et al. | Logic: Probabilistic machine learning for time series classification | |
Sethy et al. | On tree detection, counting & post-harvest grading of fruits based on image processing and machine learning approach-a review | |
Chen et al. | A deep learning approach for sleep-wake detection from hrv and accelerometer data | |
Festag et al. | Semantic anomaly detection in medical time series | |
Yuan et al. | A lazy associative classifier for time series | |
Bostrom | Shapelet transforms for univariate and multivariate time series classification | |
CN110265151B (zh) | 一种基于ehr中异构时态数据的学习方法 | |
Lotfabadi et al. | Using fuzzy rough feature selection for image retrieval system | |
Renard | Time series representation for classification: a motif-based approach | |
Shailendrakumar et al. | Wavelet and co-occurrence matrix based rotation invariant features for texture image retrieval using fuzzy logic | |
Sai et al. | Comparative evaluation of various models for the classification of music genre |
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 |