CN118013257A - 基于数据序列的峰值查找方法、装置及电子设备 - Google Patents
基于数据序列的峰值查找方法、装置及电子设备 Download PDFInfo
- Publication number
- CN118013257A CN118013257A CN202410410416.4A CN202410410416A CN118013257A CN 118013257 A CN118013257 A CN 118013257A CN 202410410416 A CN202410410416 A CN 202410410416A CN 118013257 A CN118013257 A CN 118013257A
- Authority
- CN
- China
- Prior art keywords
- image data
- data sequence
- peak
- slope
- local
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012937 correction Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 18
- 238000013139 quantization Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 26
- 238000004458 analytical method Methods 0.000 description 19
- 238000004590 computer program Methods 0.000 description 11
- 238000012795 verification Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000012805 post-processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例中提供了一种基于数据序列的峰值查找方法、装置及电子设备，属于数据处理技术领域，该方法包括：将获取到的用于描述目标对象的原始图像数据D存储到存储装置中，通过对图像数据序列的每个数据计算斜率计算，得到图像数据序列L对应的临界点集合；对于临界点集合中的每个临界点，计算其前后数据点以确认是否存在局部极大值或局部极小值，形成局部极值集合;基于目标特征集合、局部极值集合中局部极值点的位置集合和波形宽度，确定图像数据序列的峰值集合。本方案通过利用图像数据序列的斜率和局部极值点来确定峰值，使得峰值的识别更准确，能够捕捉到数据中较小和复杂的峰值，提高了量化的准确性。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于数据序列的峰值查找方法、装置及电子设备。
背景技术
互联网大数据指的是在互联网上产生、收集、处理和分析的大规模数据集合。这些数据集合通常包含海量的、多样化的、高速产生的数据，无法用传统的数据处理工具和技术进行有效的处理和分析。
互联网大数据的特点可以概括为四个“V”：Volume（容量大）、Velocity（速度快）、Variety（类型多）、Value（价值高但密度低）。具体来说，互联网大数据的容量非常庞大，可以达到PB、EB甚至ZB级别；产生和更新的速度非常快，需要实时或准实时的处理；类型多样，包括结构化数据、半结构化数据和非结构化数据；价值密度相对较低，但通过数据挖掘和分析可以提取出有价值的信息。
互联网大数据在各个领域都有广泛的应用，如电商、金融、医疗、教育、交通等。通过分析和挖掘互联网大数据，企业可以更好地了解用户需求、优化产品设计、提高运营效率、预测市场趋势等。
在海量的互联网数据中，快速准确的查找到数据热点（即，数据峰值）是迫切需要的工作，现有技术中对基于海量数据的峰值查找存在如下问题：
1.现有的峰值查找算法在处理大规模数据集时效率不高，性能下降显著。在特定情况下无法准确地找到所有的峰值，特别在数据噪声较大时结果不稳定，这最终影响了算法准确性。
2.对新数据类型的处理不足：随着时间序列数据、多维数据和非结构化数据的增多，现有算法可能无法有效地处理这些新兴的数据类型，特别是在处理大规模、高维度或复杂关系数据时。。
3.实时性不达标：现有算法在大规模数据级的处理上，实时性欠缺，资源消耗巨大。
4.适应能力差：现有算法大多针对特定类型的图像数据序列，很难适应到其他领域，模型的适应能力差。
上述问题成为需要解决的技术问题。
发明内容
有鉴于此，本发明实施例提供一种基于数据序列的峰值查找方法、装置及电子设备，至少部分解决现有技术中存在的问题。
第一方面，本发明实施例提供了一种基于数据序列的峰值查找方法，包括：
将获取到的用于描述目标对象的原始图像数据D存储到存储装置中，以便于在所述存储装置中对所述原始图像数据进行特征提取，形成与目标特征集合K={K1,K2,…,Km}相关的图像数据序列L={L1,L2,…,Ln}；
通过对图像数据序列的每个数据计算斜率计算，得到图像数据序列L对应的临界点集合Q={Q1,Q2,…,Qj},j＜n；
对于临界点集合Q={Q1,Q2,…,Qj}中的每个临界点，计算其前后数据点以确认是否存在局部极大值或局部极小值，形成局部极值集合P={P1,P2,…,Pj};
基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，k＜j。
根据本公开实施例的一种具体实现方式，所述对图像数据序列的每个数据计算斜率计算之前，所述方法还包括：
对图像数据序列进行预处理步骤，所述预处理步骤包括去除噪声、平滑处理、和归一化，以减少异常值和偶然波动对斜率计算的影响。
根据本公开实施例的一种具体实现方式，所述确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}之后，所述方法还包括：
对确定的峰值集合F={F1,F2,…Fk}进行后处理，用以去除邻近的次要峰值或合并接近的峰值。
根据本公开实施例的一种具体实现方式，所述通过对图像数据序列的每个数据计算斜率计算，得到图像数据序列L对应的临界点集合Q={Q1,Q2,…,Qj}，包括：
对于图像数据序列中的每个点Li(xi,yi)， xi代表索引，yi代表数值，则Li(xi,yi)的斜率mi计算如下：
其中，i≥2。
根据本公开实施例的一种具体实现方式，所述对于临界点集合Q={Q1,Q2,…,Qj}中的每个临界点，计算其前后数据点以确认是否存在局部极大值或局部极小值，形成局部极值集合P={P1,P2,…,Pj}，包括：
对图像数据序列进行迭代，对于每个数据点，比较其斜率与前一点的斜率，如果斜率的正负值发生变化，则标记当前点为临界点。
根据本公开实施例的一种具体实现方式，所述基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，包括：
对目标特征集合K={K1,K2,…,Km}执行偏移计算，得到目标特征集合K的偏移度β：
其中，为第一修正参数。
根据本公开实施例的一种具体实现方式，所述基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，还包括：
计算局部极值集合P={P1,P2,…,Pj}对应的修正值集合，
其中
其中，为第二修正参数。
根据本公开实施例的一种具体实现方式，所述基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，还包括：
计算修正值集合所对应的能量值集合，其中
为第三修正参数，通过将大于预设值F0的Pi’’值筛选为峰值元素，进而形成峰
值集合F={F1,F2,…Fk}。
第二方面，本发明实施例提供了一种基于图像数据序列的峰值查找装置，包括：
采集模块，用于将获取到的用于描述目标对象的原始图像数据D存储到存储装置中，以便于在所述存储装置中对所述原始图像数据进行特征提取，形成与目标特征集合K={K1,K2,…,Km}相关的图像数据序列L={L1,L2,…,Ln}；
计算模块，用于通过对图像数据序列的每个数据计算斜率计算，得到图像数据序列L对应的临界点集合Q={Q1,Q2,…,Qj},j＜n；
形成模块，对于临界点集合Q={Q1,Q2,…,Qj}中的每个临界点，计算其前后数据点以确认是否存在局部极大值或局部极小值，形成局部极值集合P={P1,P2,…,Pj};
确定模块，基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，k＜j。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的基于数据序列的峰值查找方法。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于数据序列的峰值查找方法。
第五方面，本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的基于数据序列的峰值查找方法。
本发明实施例中的基于图像数据序列的峰值查找方案，包括：将获取到的用于描述目标对象的原始图像数据D存储到存储装置中，以便于在所述存储装置中对所述原始图像数据进行特征提取，形成与目标特征集合K={K1,K2,…,Km}相关的图像数据序列L={L1,L2,…,Ln}；通过对图像数据序列的每个数据计算斜率计算，得到图像数据序列L对应的临界点集合Q={Q1,Q2,…,Qj},j＜n；对于临界点集合Q={Q1,Q2,…,Qj}中的每个临界点，计算其前后数据点以确认是否存在局部极大值或局部极小值，形成局部极值集合P={P1,P2,…,Pj}; 基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，k＜j。本发明的方案具有如下有益效果：
高准确性：
该算法利用图像数据序列的斜率和局部极值点来确定峰值，而不是仅依赖于固定的阈值或滑动窗口。这使得峰值的识别更准确，能够捕捉到数据中较小和复杂的峰值。
强鲁棒性：
传统算法通常对数据中的噪声和突发变化敏感，容易产生误报或漏报。新算法通过斜率分析和局部极值点识别，对数据的噪声和变化具有一定的鲁棒性，能够更好地应对这些挑战。
自适应性好：
该算法不需要事先设定固定的阈值或窗口大小，而是根据图像数据序列的特征自适应地识别峰值。这使得算法更具通用性，适用于不同类型的数据。
应用广泛：
该算法适用于多个领域，包括信号处理、图像处理、数据挖掘和模式识别。它可以用于心电图中心跳峰值的检测、图像中的特征提取、金融数据中的市场峰值等各种应用场景。
高效性：
算法的基本原理相对简单，计算效率较高。它不需要大量的计算资源或复杂的参数调整，可以在实时或高吞吐量的数据处理环境中运行。
提供位置和振幅信息：
除了识别峰值外，该算法还提供了峰值的位置和振幅信息，使用户能够更全面地分析数据。
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的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于数据序列的峰值查找方法流程示意图；
图2为本发明实施例提供的另一种基于数据序列的峰值查找方法流程示意图；
图3为本发明实施例提供的基于图像数据序列的峰值查找装置结构示意图；
图4为本发明实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种基于数据序列的峰值查找方法。本实施例提供的基于数据序列的峰值查找方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。
参见图1和图2，本公开实施例提供了一种基于数据序列的峰值查找方法，包括：
S101，将获取到的用于描述目标对象的原始图像数据D存储到存储装置中，以便于在所述存储装置中对所述原始图像数据进行特征提取，形成与目标特征集合K={K1,K2,…,Km}相关的图像数据序列L={L1,L2,…,Ln}。
在处理用于描述目标对象的原始图像数据D并将其存储到存储装置中以便于后续的特征提取和图像数据序列形成时，可以按照以下步骤进行：
数据收集：获取用于描述目标对象的原始图像数据D。这些数据可能来自不同的源，如传感器、数据库、日志文件、用户输入等。
数据预处理：在存储之前，可能需要对原始图像数据进行一些预处理操作，如清洗（去除噪声、异常值、重复数据等）、转换（如标准化、归一化等）、合并（将多个数据源的数据整合到一起）等。
数据存储：将预处理后的原始图像数据D存储到存储装置中。存储装置可以是任何能够存储数据的设备或系统，如硬盘、数据库、云存储等。选择合适的存储方式以确保数据的安全性、可靠性和可访问性。
特征提取：在存储装置中，对原始图像数据D进行特征提取。特征提取是指从原始图像数据中提取出与目标特征集合K={K1, K2, …, Km}相关的特征。这些特征可以是数值、文本、图像、音频等，具体取决于目标对象的性质和分析需求。
形成图像数据序列：根据提取出的特征，形成与目标特征集合K相关的图像数据序列L={L1, L2, …, Ln}。图像数据序列L中的每个元素Li可能是一个特征向量，包含了目标对象在某个时间点或某个条件下的多个特征值。
上述步骤中的“存储装置”并不局限于物理上的存储设备，它也可以是一个逻辑上的存储概念，比如分布式文件系统、数据库管理系统等。此外，特征提取和图像数据序列形成的过程可能需要借助专门的算法和工具来实现。
S102，通过对图像数据序列的每个数据计算斜率计算，得到图像数据序列L对应的临界点集合Q={Q1,Q2,…,Qj},j＜n；
斜率计算是峰值检测算法中的一个重要步骤，它通过分析数据点之间的变化率来揭示数据的趋势变化。这一步骤对于识别图像数据序列中的增长、下降以及趋势转换点至关重要。以下是斜率计算步骤的详细描述：
定义斜率：
在数学和物理学中，斜率定义为直线或曲线上任意两点之间的垂直变化与水平变化之比。在图像数据序列中，斜率可以被定义为相邻两点间的值差除以它们的索引差（对于时间序列数据，这通常表示时间间隔）。
b定义方法：
对于图像数据序列中的每个点Li(xi,yi)， xi代表索引，yi代表数值，则Li(xi,yi)的斜率mi计算如下：
其中，i≥2；
对于等间距的数据点，即每两个相邻点之间的 x 值差是常数，斜率简化为相邻数据点的值差，因为xi−xi−1是常数。
如果mi为正，表明y值随x值增加，即图像数据序列在这一段是上升的。负斜率：如果mi为负，表明y值随x值减小，即图像数据序列在这一段是下降的。零斜率：如果mi为零，表明y值不随x值变化，即图像数据序列在这一段是平坦的。
临界点识别是峰值检测算法中的一个关键步骤，它依赖于斜率的变化来发现图像数据序列中的潜在峰值和谷值。以下是识别临界点的详细步骤：
在完成斜率计算之后，分析相邻数据点的斜率变化。这一分析的核心在于识别斜率的符号变化，即从正变为负或从负变为正的点。斜率的这种变化通常指示了数据趋势的重要转折点。
从正到负的斜率变化：当斜率从正变为负时，这表明图像数据序列的趋势从上升转变为下降，这样的点被认为是潜在的局部极大值点（峰值）。
从负到正的斜率变化：相反，当斜率从负变为正时，这表明图像数据序列的趋势从下降转变为上升，这样的点被认为是潜在的局部极小值点（谷值）。
对图像数据序列进行迭代，对于每个数据点，比较其斜率与前一点的斜率。如果斜率的符号发生变化，则标记当前点为临界点：
如果前一点的斜率为正且当前点的斜率为负，则当前点可能是一个峰值。
如果前一点的斜率为负且当前点的斜率为正，则当前点可能是一个谷值。
S103，对于临界点集合Q={Q1,Q2,…,Qj}中的每个临界点，计算其前后数据点以确认是否存在局部极大值或局部极小值，形成局部极值集合P={P1,P2,…,Pj}。
局部极值点分析是在临界点识别之后进行的，旨在验证这些临界点是否真正代表局部极大值或局部极小值，并评估其显著性。以下是进行局部极值点分析的详细步骤：
a 极值点确认：
斜率模式：分析临界点前后的斜率变化模式。一个真正的局部极大值点应该表现为斜率由正变负的变化；相反，一个真正的局部极小值点应该表现为斜率由负变正的变化。
数据点检查：检查临界点前后的数据点。对于一个局部极大值点，其值应该高于周围的点；对于一个局部极小值点，其值应该低于周围的点。
b 振幅分析：
振幅大小：计算临界点的振幅，即其值相对于周围点的高度或深度。这可以通过临界点与其邻近点的值差来衡量。
显著性判断：设定振幅的阈值，只有当临界点的振幅超过此阈值时，才将其视为显著的局部极值点。阈值的设定可以根据数据的特性和分析的需求来调整。
c 上下文分析：
趋势考虑：在评估临界点是否为显著的局部极值时，考虑整体趋势和上下文信息。例如，在长期上升趋势中的一个小幅下降可能不构成一个显著的局部极大值点。
周围点的角色：分析临界点周围点的角色和排列模式，这有助于进一步验证临界点的显著性和其作为极值点的真实性。
d 阈值调整与验证：
动态阈值：在某些情况下，可能需要根据数据的不同部分或不同特性动态调整阈值，以确保局部极值点的识别既灵敏又准确。
验证：通过可视化工具或利用已知的数据特征进行验证，确保局部极值点的分析结果是可靠和有效的。
e 显著性与实用性的平衡：
数据特性考量：考虑数据的特性和分析目标，平衡振幅大小和显著性的判断标准，以确保检测到的局部极值点既重要又实用。
这样一来，针对临界点集合Q={Q1,Q2,…,Qj}中的每个临界点，计算其前后数据点以确认是否存在局部极大值或局部极小值，形成局部极值集合P={P1,P2,…,Pj}。
S104，基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，k＜j。
峰值确定是在局部极值点分析之后进行的过程，其目的是从识别的局部极值点中筛选出实际的峰值，这些峰值对于图像数据序列的分析和解释至关重要。以下是进行峰值确定的详细步骤：
a 特征分析：
振幅：评估每个局部极值点的振幅大小。振幅较大的极值点通常被认为更显著，因为它们代表了数据中更重要的变化。
宽度：测量峰值的宽度或基底的广度。宽度可以帮助区分短暂的峰值和持续时间较长的趋势变化。
形状：考虑峰值的形状，包括其对称性和尖锐度。不同的形状可能指示了不同的底层过程或特性。
b 评估标准：
与其他峰值的比较：将局部极值点与序列中的其他峰值进行比较。这包括比较振幅、宽度和形状等特性，以确定哪些峰值相对更显著。
统计标准：应用统计标准或模型来评估峰值的显著性，例如，通过计算峰值特性的统计显著性水平或概率。
c 显著性测试：
设定阈值：根据上述分析和评估，设定振幅、宽度和形状的阈值，只有满足这些阈值的局部极值点才被确定为显著峰值。
动态调整：在复杂图像数据序列中，可能需要根据不同区域或条件动态调整这些阈值，以适应数据的变化。
d 最终确认：
显著峰值的选择：基于以上步骤，选择满足所有标准和阈值要求的局部极值点作为序列中的实际显著峰值。
上下文和目标的考虑：在最终确定峰值时，考虑数据的上下文和分析的目标。某些情况下，除了统计显著性外，峰值的实际意义和应用场景也非常重要。
e 验证与调整：
验证：通过可视化方法和/或与已知事件的比较来验证确定的峰值的准确性和可靠性。
反馈调整：根据验证结果和实际应用需求，调整分析参数和阈值设置，以优化峰值确定的过程。
作为一个具体的实现方式，可以对目标特征集合K={K1,K2,…,Km}执行偏移计算，得到目标特征集合K的偏移度β：
其中，为第一修正参数。
接下来，可以计算局部极值集合P={P1,P2,…,Pj}对应的修正值集合，其中
其中，为第二修正参数。
最后，可以计算修正值集合所对应的能量值集合，其
中
为第三修正参数，通过将大于预设值F0的Pi’’值筛选为峰值元素，进而形成峰
值集合F={F1,F2,…Fk}。
后处理是峰值检测过程中的另外一个步骤，它涉及到对已识别峰值的进一步优化和调整，以确保最终结果的准确性和适用性。以下是进行后处理的详细步骤：
a去除重复峰值
识别重复：分析峰值列表，识别那些因数据波动或算法敏感度而被多次识别的重复峰值。
选择标准：设定标准来决定当发现重复峰值时保留哪一个，常见的选择标准包括振幅最大、最接近其他峰值中心的峰值等。
b合并相近峰值
距离阈值：设定一个距离阈值，用于判断两个峰值是否足够接近以至于可以被视为同一事件的两个部分。
合并规则：对于满足合并条件的峰值对，确定合并后峰值的位置和特性。合并规则可能包括取两峰值的平均位置、选择两者中振幅较大的峰值等。
c调整峰值特性
特性调整：基于特定的应用需求，可能需要对峰值的特定特性（如振幅、宽度、形状）进行微调。
上下文调整：考虑数据的上下文信息和分析目标，对峰值识别结果进行调整，以确保它们与实际应用场景相符合。
d应用特定的需求调整
需求分析：明确应用的具体需求，这可能涉及到对峰值重要性的不同评价标准，或对峰值识别精度的特定要求。
定制化处理：根据这些需求对峰值识别的结果进行定制化的调整，包括但不限于调整阈值、改变峰值识别的算法参数等。
e验证与优化
结果验证：通过可视化手段和/或与已知事件的比较，验证后处理步骤的效果。
性能优化：基于验证结果，进一步优化后处理步骤，调整参数和规则以提高峰值检测的准确性和适用性。
f反馈循环
收集反馈：从实际应用中收集反馈信息，评估峰值检测和后处理步骤的表现。
迭代改进：利用收集到的反馈对后处理步骤进行迭代改进，以持续提升峰值检测的性能。
通过上述方案，能够达到如下效果：
高准确性：
该算法利用数据序列的斜率和局部极值点来确定峰值，而不是仅依赖于固定的阈值或滑动窗口。这使得峰值的识别更准确，能够捕捉到数据中较小和复杂的峰值。
鲁棒性：
传统算法通常对数据中的噪声和突发变化敏感，容易产生误报或漏报。新算法通过斜率分析和局部极值点识别，对数据的噪声和变化具有一定的鲁棒性，能够更好地应对这些挑战。
自适应性：
该算法不需要事先设定固定的阈值或窗口大小，而是根据数据序列的特征自适应地识别峰值。这使得算法更具通用性，适用于不同类型的数据。
应用广泛：
该算法适用于多个领域，包括信号处理、图像处理、数据挖掘和模式识别。它可以用于心电图中心跳峰值的检测、图像中的特征提取、金融数据中的市场峰值等各种应用场景。
高效性：
算法的基本原理相对简单，计算效率较高。它不需要大量的计算资源或复杂的参数调整，可以在实时或高吞吐量的数据处理环境中运行。
提供位置和振幅信息：
除了识别峰值外，该算法还提供了峰值的位置和振幅信息，使用户能够更全面地分析数据。
根据本公开实施例的一种具体实现方式，所述对图像数据序列的每个数据计算斜率计算之前，所述方法还包括：
对图像数据序列进行预处理步骤，所述预处理步骤包括去除噪声、平滑处理、和归一化，以减少异常值和偶然波动对斜率计算的影响。
根据本公开实施例的一种具体实现方式，所述确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}之后，所述方法还包括：
对确定的峰值集合F={F1,F2,…Fk}进行后处理，用以去除邻近的次要峰值或合并接近的峰值。
根据本公开实施例的一种具体实现方式，所述通过对图像数据序列的每个数据计算斜率计算，得到图像数据序列L对应的临界点集合Q={Q1,Q2,…,Qj}，包括：
对于图像数据序列中的每个点Li(xi,yi)， xi代表索引，yi代表数值，则Li(xi,yi)的斜率mi计算如下：
其中，i≥2。
根据本公开实施例的一种具体实现方式，所述对于临界点集合Q={Q1,Q2,…,Qj}中的每个临界点，计算其前后数据点以确认是否存在局部极大值或局部极小值，形成局部极值集合P={P1,P2,…,Pj}，包括：
对图像数据序列进行迭代，对于每个数据点，比较其斜率与前一点的斜率，如果斜率的正负值发生变化，则标记当前点为临界点。
根据本公开实施例的一种具体实现方式，所述基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，包括：
对目标特征集合K={K1,K2,…,Km}执行偏移计算，得到目标特征集合K的偏移度β：
其中，为第一修正参数。
根据本公开实施例的一种具体实现方式，所述基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，还包括：
计算局部极值集合P={P1,P2,…,Pj}对应的修正值集合，
其中
其中，为第二修正参数。
根据本公开实施例的一种具体实现方式，所述基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，还包括：
计算修正值集合所对应的能量值集合，其中
为第三修正参数，通过将大于预设值F0的Pi’’值筛选为峰值元素，进而形成峰
值集合F={F1,F2,…Fk}。
与上面的方法实施例相对应，参见图3，本发明实施例还公开了一种基于图像数据序列的峰值查找装置30，包括：
采集模块301，用于将获取到的用于描述目标对象的原始图像数据D存储到存储装置中，以便于在所述存储装置中对所述原始图像数据进行特征提取，形成与目标特征集合K={K1,K2,…,Km}相关的图像数据序列L={L1,L2,…,Ln}；
计算模块302，用于通过对图像数据序列的每个数据计算斜率计算，得到图像数据序列L对应的临界点集合Q={Q1,Q2,…,Qj},j＜n；
形成模块303，对于临界点集合Q={Q1,Q2,…,Qj}中的每个临界点，计算其前后数据点以确认是否存在局部极大值或局部极小值，形成局部极值集合P={P1,P2,…,Pj};
确定模块304，基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，k＜j。
参见图4，本发明实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中基于数据序列的峰值查找方法。
本发明实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中。
本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于数据序列的峰值查找方法。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备60可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储装置608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于数据序列的峰值查找方法，其特征在于，包括：
将获取到的用于描述目标对象的原始图像数据D存储到存储装置中，以便于在所述存储装置中对所述原始图像数据进行特征提取，形成与目标特征集合K={K1,K2,…,Km}相关的图像数据序列L={L1,L2,…,Ln}；
通过对图像数据序列的每个数据计算斜率计算，得到图像数据序列L对应的临界点集合Q={Q1,Q2,…,Qj},j＜n；
对于临界点集合Q={Q1,Q2,…,Qj}中的每个临界点，计算其前后数据点以确认是否存在局部极大值或局部极小值，形成局部极值集合P={P1,P2,…,Pj};
基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，k＜j。
2.根据权利要求1所述的方法，其特征在于，所述对图像数据序列的每个数据计算斜率计算之前，所述方法还包括：
对图像数据序列进行预处理步骤，所述预处理步骤包括去除噪声、平滑处理、和归一化，以减少异常值和偶然波动对斜率计算的影响。
3.根据权利要求2所述的方法，其特征在于，所述确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}之后，所述方法还包括：
对确定的峰值集合F={F1,F2,…Fk}进行后处理，用以去除邻近的次要峰值或合并接近的峰值。
4.根据权利要求3所述的方法，其特征在于，所述通过对图像数据序列的每个数据计算斜率计算，得到图像数据序列L对应的临界点集合Q={Q1,Q2,…,Qj}，包括：
对于图像数据序列中的每个点Li(xi,yi)， xi代表索引，yi代表数值，则Li(xi,yi)的斜率mi计算如下：
其中，i≥2。
5.根据权利要求4所述的方法，其特征在于，所述对于临界点集合Q={Q1,Q2,…,Qj}中的每个临界点，计算其前后数据点以确认是否存在局部极大值或局部极小值，形成局部极值集合P={P1,P2,…,Pj}，包括：
对图像数据序列进行迭代，对于每个数据点，比较其斜率与前一点的斜率，如果斜率的正负值发生变化，则标记当前点为临界点。
6.根据权利要求5所述的方法，其特征在于，所述基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，包括：
对目标特征集合K={K1,K2,…,Km}执行偏移计算，得到目标特征集合K的偏移度β：
其中，为第一修正参数。
7.根据权利要求6所述的方法，其特征在于，所述基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，还包括：
计算局部极值集合P={P1,P2,…,Pj}对应的修正值集合，其中
其中，为第二修正参数。
8.根据权利要求7所述的方法，其特征在于，所述基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，还包括：
计算修正值集合所对应的能量值集合/>，其中
为第三修正参数，通过将大于预设值F0的Pi’’值筛选为峰值元素，进而形成峰值集合F={F1,F2,…Fk}。
9.一种基于图像数据序列的峰值查找装置，其特征在于，包括：
采集模块，用于将获取到的用于描述目标对象的原始图像数据D存储到存储装置中，以便于在所述存储装置中对所述原始图像数据进行特征提取，形成与目标特征集合K={K1,K2,…,Km}相关的图像数据序列L={L1,L2,…,Ln}；
计算模块，用于通过对图像数据序列的每个数据计算斜率计算，得到图像数据序列L对应的临界点集合Q={Q1,Q2,…,Qj},j＜n；
形成模块，对于临界点集合Q={Q1,Q2,…,Qj}中的每个临界点，计算其前后数据点以确认是否存在局部极大值或局部极小值，形成局部极值集合P={P1,P2,…,Pj};
确定模块，基于目标特征集合K={K1,K2,…,Km}、局部极值集合P={P1,P2,…,Pj}中局部极值点的位置集合W={W1,W2,…,Wj}和波形宽度Y={Y1,Y2,…,Yj}，确定图像数据序列L={L1,L2,…,Ln}的峰值集合F={F1,F2,…Fk}，k＜j。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-8任一项所述的基于数据序列的峰值查找方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410410416.4A CN118013257B (zh) | 2024-04-07 | 2024-04-07 | 基于数据序列的峰值查找方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410410416.4A CN118013257B (zh) | 2024-04-07 | 2024-04-07 | 基于数据序列的峰值查找方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118013257A true CN118013257A (zh) | 2024-05-10 |
| CN118013257B CN118013257B (zh) | 2024-06-07 |
Family
ID=90954260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410410416.4A Active CN118013257B (zh) | 2024-04-07 | 2024-04-07 | 基于数据序列的峰值查找方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118013257B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050165566A1 (en) * | 2002-06-03 | 2005-07-28 | Omnigon Technologies Ltd. | Method for solving waveform sequence-matching problems using multidimensional attractor tokens |
| CN102779337A (zh) * | 2011-04-13 | 2012-11-14 | 南京大学 | 一种针对结构光的光带分离和峰值定位方法 |
| CN103064973A (zh) * | 2013-01-09 | 2013-04-24 | 华为技术有限公司 | 极值搜索方法及装置 |
| CN105160070A (zh) * | 2015-08-05 | 2015-12-16 | 中国电子科技集团公司第四十一研究所 | 一种半导体激光器光谱自适应峰值搜索方法 |
| CN105574888A (zh) * | 2016-03-01 | 2016-05-11 | 浙江工业大学 | 基于灰度峰值的裂缝位置查找方法 |
| CN110672058A (zh) * | 2019-10-11 | 2020-01-10 | 交通运输部公路科学研究所 | 结构监测用传感器的在线校准数据序列匹配方法和装置 |
| CN112381036A (zh) * | 2020-11-26 | 2021-02-19 | 厦门大学 | 一种应用于刑侦的微表情与宏表情片段识别方法 |
| CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
| CN113903063A (zh) * | 2021-09-27 | 2022-01-07 | 山东师范大学 | 基于深度时空网络决策融合的人脸表情识别方法及系统 |
| CN113986711A (zh) * | 2021-12-28 | 2022-01-28 | 云智慧（北京）科技有限公司 | 一种时间序列数据的峰值检测方法、装置及设备 |
| WO2022086740A1 (en) * | 2020-10-21 | 2022-04-28 | Bruce Hopenfeld | Multichannel heartbeat detection by temporal pattern search |
| CN115409070A (zh) * | 2022-09-29 | 2022-11-29 | 湖南大学 | 离散数据序列临界点的确定方法、装置以及设备 |
| WO2023130662A1 (zh) * | 2022-01-07 | 2023-07-13 | 乐普（北京）医疗器械股份有限公司 | 基于心脏超声视频筛选舒张期和收缩期图像的方法和装置 |
| CN116486942A (zh) * | 2022-01-21 | 2023-07-25 | 达索系统西姆利亚公司 | 测试数据预处理的临界点 |
| CN117114160A (zh) * | 2023-04-24 | 2023-11-24 | 中国电建集团成都勘测设计研究院有限公司 | 一种短期光伏功率预测方法 |
-
2024
- 2024-04-07 CN CN202410410416.4A patent/CN118013257B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050165566A1 (en) * | 2002-06-03 | 2005-07-28 | Omnigon Technologies Ltd. | Method for solving waveform sequence-matching problems using multidimensional attractor tokens |
| CN102779337A (zh) * | 2011-04-13 | 2012-11-14 | 南京大学 | 一种针对结构光的光带分离和峰值定位方法 |
| CN103064973A (zh) * | 2013-01-09 | 2013-04-24 | 华为技术有限公司 | 极值搜索方法及装置 |
| CN105160070A (zh) * | 2015-08-05 | 2015-12-16 | 中国电子科技集团公司第四十一研究所 | 一种半导体激光器光谱自适应峰值搜索方法 |
| CN105574888A (zh) * | 2016-03-01 | 2016-05-11 | 浙江工业大学 | 基于灰度峰值的裂缝位置查找方法 |
| CN110672058A (zh) * | 2019-10-11 | 2020-01-10 | 交通运输部公路科学研究所 | 结构监测用传感器的在线校准数据序列匹配方法和装置 |
| WO2022086740A1 (en) * | 2020-10-21 | 2022-04-28 | Bruce Hopenfeld | Multichannel heartbeat detection by temporal pattern search |
| CN112381036A (zh) * | 2020-11-26 | 2021-02-19 | 厦门大学 | 一种应用于刑侦的微表情与宏表情片段识别方法 |
| CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
| CN113903063A (zh) * | 2021-09-27 | 2022-01-07 | 山东师范大学 | 基于深度时空网络决策融合的人脸表情识别方法及系统 |
| CN113986711A (zh) * | 2021-12-28 | 2022-01-28 | 云智慧（北京）科技有限公司 | 一种时间序列数据的峰值检测方法、装置及设备 |
| WO2023130662A1 (zh) * | 2022-01-07 | 2023-07-13 | 乐普（北京）医疗器械股份有限公司 | 基于心脏超声视频筛选舒张期和收缩期图像的方法和装置 |
| CN116486942A (zh) * | 2022-01-21 | 2023-07-25 | 达索系统西姆利亚公司 | 测试数据预处理的临界点 |
| CN115409070A (zh) * | 2022-09-29 | 2022-11-29 | 湖南大学 | 离散数据序列临界点的确定方法、装置以及设备 |
| CN117114160A (zh) * | 2023-04-24 | 2023-11-24 | 中国电建集团成都勘测设计研究院有限公司 | 一种短期光伏功率预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| FENG WANG 等: ""Single-Pass Tropical Cyclone Detector and Scene-Classified Wind Speed Retrieval Model for Spaceborne GNSS Reflectometry"", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 61, 6 March 2023 (2023-03-06) * |
| XIAOLONG CUI 等: ""Real-time Detection Approach: Applied To Potential Transformer-based Over-voltage Monitoring"", 2019 IEEE PES ASIA-PACIFIC POWER AND ENERGY ENGINEERING CONFERENCE (APPEEC), 13 February 2020 (2020-02-13) * |
| 李晓康;: "极值分布参数的Dehaan矩估计", 陕西理工学院学报(自然科学版), no. 03, 15 September 2011 (2011-09-15) * |
| 王艳;徐进良;李文;刘欢;: "超临界Lennard-Jones流体结构特性分子动力学研究", 物理学报, no. 07, 8 April 2020 (2020-04-08) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118013257B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Schubert | Stop using the elbow criterion for k-means and how to choose the number of clusters instead | |
| CN110782123B (zh) | 决策方案的匹配方法、装置、计算机设备及存储介质 | |
| CN110826648A (zh) | 一种利用时序聚类算法实现故障检测的方法 | |
| CN110111113B (zh) | 一种异常交易节点的检测方法及装置 | |
| CN103582884A (zh) | 用于视觉搜索的稳健特征匹配 | |
| Nosovskiy et al. | Automatic clustering and boundary detection algorithm based on adaptive influence function | |
| CN115952062A (zh) | 数据异常检测方法、装置、设备及介质 | |
| CN112612820A (zh) | 数据处理方法及装置、计算机可读存储介质及处理器 | |
| WO2023208136A1 (zh) | 一种kpi异常检测方法、装置、设备及介质 | |
| CN114978877B (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
| CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
| CN115659411A (zh) | 数据分析的方法和装置 | |
| CN107992495B (zh) | 高维数据集的数据可视化分析方法及装置 | |
| CN113836240B (zh) | 时序数据分类方法、装置、终端设备及存储介质 | |
| CN114117134A (zh) | 一种异常特征检测方法、装置、设备和计算机可读介质 | |
| CN118013257B (zh) | 基于数据序列的峰值查找方法、装置及电子设备 | |
| JP5877825B2 (ja) | データ処理装置、及びデータ処理方法 | |
| CN111209158A (zh) | 服务器集群的挖矿监控方法及集群监控系统 | |
| CN111222550B (zh) | 一种用户用电行为确定方法和装置 | |
| CN114298245A (zh) | 异常检测方法、装置、存储介质和计算机设备 | |
| CN114330720A (zh) | 用于云计算的知识图谱构建方法、设备及存储介质 | |
| Li et al. | Detecting a multigranularity event in an unequal interval time series based on self-adaptive segmenting | |
| CN111798237A (zh) | 基于应用日志的异常交易诊断方法及系统 | |
| Kandasamy et al. | Modified PSO based optimal time interval identification for predicting mobile user behaviour (MPSO-OTI2-PMB) in location based services | |
| CN118627204B (zh) | 汽车用铝型材优化设计方法及设备 |
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 |