CN111222540A - 基于聚类的无监督学习的异常判断二噁英检测方法 - Google Patents
基于聚类的无监督学习的异常判断二噁英检测方法 Download PDFInfo
- Publication number
- CN111222540A CN111222540A CN201911155400.9A CN201911155400A CN111222540A CN 111222540 A CN111222540 A CN 111222540A CN 201911155400 A CN201911155400 A CN 201911155400A CN 111222540 A CN111222540 A CN 111222540A
- Authority
- CN
- China
- Prior art keywords
- clustering
- cluster
- data
- dioxin
- distance
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 28
- HGUFODBRKLSHSI-UHFFFAOYSA-N 2,3,7,8-tetrachloro-dibenzo-p-dioxin Chemical compound O1C2=CC(Cl)=C(Cl)C=C2OC2=C1C=C(Cl)C(Cl)=C2 HGUFODBRKLSHSI-UHFFFAOYSA-N 0.000 title claims abstract 17
- 238000000034 method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 12
- 238000004056 waste incineration Methods 0.000 claims description 11
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 239000002699 waste material Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- KVGZZAHHUNAVKZ-UHFFFAOYSA-N 1,4-Dioxin Chemical compound O1C=COC=C1 KVGZZAHHUNAVKZ-UHFFFAOYSA-N 0.000 description 49
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 12
- 239000003546 flue gas Substances 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000006555 catalytic reaction Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000010881 fly ash Substances 0.000 description 2
- 238000003987 high-resolution gas chromatography Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 125000004429 atom Chemical group 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000010170 biological method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004896 high resolution mass spectrometry Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000000322 laser mass spectrometry Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 231100001234 toxic pollutant Toxicity 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明提供了一种基于聚类的无监督学习的异常判断二噁英检测方法,包括一个标准化器、m个聚类器、一个评估器和一个分类器,其特征在于:标准化器对收集到的原始数据进行标准化,并把结果复制m份,分别传给每个聚类器;当聚类器接收到数据后,采用K‑means算法对数据进行聚类(每个聚类器的k值都不相同),聚类器根据各自的分簇结果计算簇内距离、簇间距离、DB指数,并将DB指数传给评估器;当评估器收到每个聚类器传来的DB指数后,按照“DB指数最小”原则选取对应的聚类器,从而得到最有分簇结果;分类器根据预先设置的最小,最大簇内距离阈值对最优分簇结果中的k个簇逐一进行分类。
Description
技术领域
本发明属于技术环保领域,本发明用于垃圾焚烧过程中的二噁英检测和定位。
背景技术
国外研究人员通过对原生垃圾样品中二噁英的含量研究得出每公斤城市生活垃圾中二噁英含量为6~5OngI-TEQ,对应于中国的垃圾条件,此数值应为11~255ngI-TEQ。在焚烧过程中,垃圾中含有的大量二噁英会因焚烧不彻底而不经分解直接随烟气进入环境中。
由于烟气中绝大部分的二噁英会在垃圾焚烧炉的高温环境(>850℃)中分解,因此二噁英形成的最主要方式是飞灰表面异相催化反应。异相催化反应的反应温度为250-500℃,在此温度条件下,二噁英既可由前驱物的催化反应合成,又可以通过Denove反应使飞灰中的残碳与氢、氯、氧等原子结合逐步生成。日本环保专家研究发现垃圾焚烧炉烟气中二噁英的平均浓度为14.47ngI-TEQ/m3,大大超过0.1ngI-TEQ/m3的排放标准,必须予以处理。
因为二噁英检测和化验的技术要求非常高,对二噁英的实时监测,目前在国际上同样是道难题,现在最快的监测速度只能做到12个小时,因为无法检测,所以就可能变成很随性的排放。在国内,目前,二噁英类有毒污染物的检测尚无法实现在线检测,一般是将样品送实验室离线分析。垃圾焚烧厂烟气中二噁英类物质的检测一般采用高分辨率气相色谱/高分辨率质谱法(HRGC/HRMS),主要优点是灵敏度高、选择性强、可以对某一单体进行定性和定量分析,其主要缺点是样品预处理过程复杂,检测成本高,分析周期长,检测配套设施昂贵。因此,开发准确、快速、低成本二噁英在线检测分析和监控技术是未来技术的发展方向。
现阶段,对垃圾焚烧过程中二噁英排放的监测方法仍主要以化学方法为主,包括色谱法、免疫法、生物法、激光质谱法等,上述方面均无法实现在线快速检测,相对于快速发展的垃圾焚烧行业而业,其污染物的监测监控技术明显落后。随着现代生产过程自动化程度的不断提高和工业控制计算机在连续生产过程中的应用日益广泛和深入,许多生产过程的重要过程变量,大部分由于技术或经济问题,很难通过现有的传感器进行测量。软测量技术的基本思路是根据某些最优准则,选择一组工业上容易检测而且与主导变量有密切关系的辅助变量,通过建立过程的数学模型实现对主导变量的在线测量。软测量技术主要由辅助变量的选择、数据采集与处理、软测量模型几部分组成,以软件来替代硬件的功能。应用软测量技术实现元素组分含量的在线检测不但经济可靠,且动态响应迅速、可连续给出萃取过程中元素组分含量。
发明内容
针对现有技术中存在的问题,本发明目的是将深度神经网络和机器学习应用于二噁英排放的软测量中,一方面解决复杂***非线性问题的优点,避免了非线性多变量复杂***建立数学模型的困难,另一方面加强垃圾焚烧过程控制与人工智能等软计算技术相互结合的可能性和必然性,进一步充实了二噁英排放软测量理论。该发明对多变量复杂非线性***的间接测量具有一定的通用性,对于及时测量垃圾焚烧过程中可能带来的二次污染问题以及优化垃圾的焚烧状态提供一定指导作用。
为了实现上述发明目的,本发明采用的技术方案为:
一种基于聚类的无监督学习的异常判断二噁英检测方法,包括一个标准化器(Normalizer)、m个聚类器(Cluster)、一个评估器(Assessor)和一个分类器(Classifier),其特征在于:
标准化器对收集到的原始数据进行标准化,并把结果复制m份,分别传给每个聚类器;当聚类器接收到数据后,采用K-means算法对数据进行聚类(每个聚类器的k值都不相同),聚类器根据各自的分簇结果计算簇内距离、簇间距离、DB指数,并将DB指数传给评估器;当评估器收到每个聚类器传来的DB指数后,按照“DB指数最小”原则选取对应的聚类器,从而得到最有分簇结果;分类器根据预先设置的最小,最大簇内距离阈值对最优分簇结果中的k个簇逐一进行分类。
所述标准化器(Normalizer):由于每条数据具有多个属性字段,不同属性都有不同的取值范围,这就会导致一些取值较小的属性严重受到取值较大的属性影响,因此,对数据进行标准化。
所述聚类器(Cluster):采用m个聚类器(m=10),每个聚类器通过K-means算法对标准化过的数据进行分簇,并计算分簇结果的DB值;数据源都是经过标准化的数据,唯一不同的就是k的取值,其目的就是降低K-means算法对k值得依赖。
所述评估器(Assessor):m个聚类器将各自计算的DB指数提交给评估器,评估器按照“DB指数最小”原则选取对应的聚类器,并把该聚类器中的分簇结果作为模型的最终分簇结果,将该结果发给分类器。
所述分类器(Classifier):在垃圾焚烧过程中,由于绝大部分的二噁英会在垃圾焚烧炉的高温环境(>850℃)中分解,二噁英分解后的数据簇内也同样具有高度相似性,从而导致簇内距离小,定义最小簇内距离min来识别二噁英超标异常;当二噁英含量正常的数据远超二噁英含量异常的数据时,由于正常数据和异常数据相似度较低,n案么那些二噁英异常的数据不会落入正常簇中,从而变成孤立点,这些孤立点被聚到一个簇时使用簇内距离过大,定义最大簇内距离为max;分类器利用最小簇内距离min和最大簇内距离max这两个阈值,分别对最终分簇结果中的每个簇进行分类:正常簇,异常簇;判断准测是:当簇内距离小于min或者大于max,该簇为异常簇,否则为正常簇。
有益效果:本发明从实地采集2015-2017年数据中选取20%约10万条数据进行验证,分成10组,每组1万条。设置3个聚类器,用(Ci,Ki)表示,分别为(C1,3),(C2,5),(C3,7),Ci指第i个聚类器,k是第i个聚类器所采用的k值。通过大量数据验证,min=1.34,max=21.69是,表现出良好的性能和准确性。
本发明的基于聚类的无监督学习的二噁英异常检测方法,采用多个聚类器对数据集进行聚类,模型选取最优分簇结果进行检测,使得该模型具有一定的智能性。通过设置不同的阈值,可以是该模型应用于任何二噁英的异常检测。实验结果表明模型在二噁英在多种交叉影响因素共同影响下表现出高检测率,低误报率的良好性能。
附图说明
图1为本发明实施例的检测模型图。
图2为本发明实施例的二噁英正常情况下的数据簇图。
图3为本发明实施例的少量二噁英异常情况下的数据簇图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步的说明。
本发明是为解决无法识别二噁英种类的情况,并且在提高检测率的同时尽可能地降低误报率,提出了一种能够达到该目标的基于聚类的无监督学习的异常判断二噁英检测方法。该模型建立在两个条件之上:
(1)在发生二噁英超标时,垃圾焚烧时各项指标变化状态相似度高,其中指标包括,炉尾部烟道进口烟气温度,炉尾部烟道出口烟气温度,炉膛出口O2浓度1,炉膛出口O2浓度2,CO的浓度,炉膛第一烟道出口烟气温度,炉膛第一烟道入口烟气温度,活性炭喷射量,炉一次风机实际运行电流,炉二次风机实际运行电流,锅炉蒸汽量。
(2)在垃圾焚烧过程时,二噁英正常的数据与二噁英超标的数据之间的相似度低。
图1为本发明实施例1的检测模型图。
该实施例所使用的模型是由一个标准化器(Normalizer)、m个聚类器(Cluster)、一个评估器(Assessor)和一个分类器(Classifier)组成。其工作原理是:标准化器对收集到的原始数据进行标准化,并把结果复制m份,分别传给每个聚类器;当聚类器接收到数据后,采用K-means算法对数据进行聚类(每个聚类器的k值都不相同),聚类器根据各自的分簇结果计算簇内距离、簇间距离、DB指数,并将DB指数传给评估器;当评估器收到每个聚类器传来的DB指数后,按照“DB指数最小”原则选取对应的聚类器,从而得到最有分簇结果;分类器根据预先设置的最小,最大簇内距离阈值对最优分簇结果中的k个簇逐一进行分类。其中,
1)标准化器(Normalizer)
由于每条数据具有多个属性字段,不同属性都有不同的取值范围,这就会导致一些取值较小的属性严重受到取值较大的属性影响,因此,对数据进行标准化。
从垃圾焚烧检测的历史数据中选取N条记录,利用公式(1),(2)分别计算每个属性的均值、标准差,结合公式(3)对每条数据进行标准化。
2)聚类器(Cluster)
本实施例采用m个聚类器(m=10),每个聚类器通过K-means算法对标准化过的数据进行分簇,并计算分簇结果的DB值。数据源都是经过标准化的数据,唯一不同的就是k的取值,其目的就是降低K-means算法对k值得依赖。
该算法如下所述:
输入:簇的数目k和n个对象
输出:k个簇
步骤:
a)随机选取k个对象作为初始的簇中心
b)根据簇中对象的平均值,将每个对象(重新)分配给离它最近的簇
c)更新簇的平均值,即计算每个簇中的对象的平均值
d)重复步骤2、3,直到每个簇中心不再变化
在计算数据与簇中心距离时,采取欧几里德公式,如公式(4)所示:
本实施例中每条记录的属性包括炉尾部烟道进口烟气温度,炉尾部烟道出口烟气温度,炉膛出口O2浓度1,炉膛出口O2浓度2,CO的浓度,炉膛第一烟道出口烟气温度,炉膛第一烟道入口烟气温度,活性炭喷射量,炉一次风机实际运行电流,炉二次风机实际运行电流,锅炉蒸汽量。
本实施例中簇间距离为:δ(Ci,Cj)=d(SCi-SCj),其中SCi表示第i簇的中心点,该公式是指第i簇的中心与第j簇的中心距离
其中,Xp表示第i簇中的第p条数据,|Ci|表示第i簇中的数据总数n,该公式是指在一个簇内所有样本与簇中心的平均距离的两倍。
本实施例中提到的DB指数是一种衡量聚类质量的方法。当簇间距离增大,簇内距离变小时,DB指数随之变小,最后指示分簇效果趋好,即DB指数变小,聚类达到的效果越好。模型采用DB指数是为了让评估器在多个聚类器中选择最好的分簇结果。DB指数计算如公式所示
3)评估器(Assessor)
m个聚类器将各自计算的DB指数提交给评估器,评估器按照”DB指数最小”原则选取对应的聚类器,并把该聚类器中的分簇结果作为模型的最终分簇结果,将该结果发给分类器。
4)分类器(Classifier)
在垃圾焚烧过程中,由于绝大部分的二噁英会在垃圾焚烧炉的高温环境(>850℃)中分解,因此,二噁英分解前的数据簇内有高度相似性,二噁英分解后的数据簇内也同样具有高度相似性,从而导致簇内距离小,因此本实施例中定义模型最小簇内距离min来识别二噁英超标异常。当二噁英含量正常的数据远超二噁英含量异常的数据时,由于正常数据和异常数据相似度较低,n案么那些二噁英异常的数据不会落入正常簇中,从而变成孤立点,这些孤立点被聚到一个簇时使用簇内距离过大,因此,本实施例定义最大簇内距离为max。
分类器利用最小簇内距离min和最大簇内距离max这两个阈值,分别对最终分簇结果中的每个簇进行分类:正常簇,异常簇。判断准测是:当簇内距离小于min或者大于max,该簇为异常簇,否则为正常簇。本实施例中阈值设置通过10万条实验数据测试确定,min=1.34,max=21.69是,表现出良好的性能和准确性。
如图2所示,二噁英正常情况下的数据簇图。
图3是少量二噁英异常情况下的数据簇图。
下表所示的是10组数据在本发明模型中的输出结果,每一行代表一组数据,第6列中t代表K-means算法中的迭代次数,最后一列表示模型所选取的聚类器及其结果。
本实施例提出一种基于聚类的无监督二噁英异常检测方法,采用多个聚类器对数据集进行聚类,模型选取最优分簇结果进行检测,使得该模型具有一定的智能性。通过设置不同的阈值,可以是该模型应用于任何二噁英的异常检测。实验结果表明模型在二噁英在多种交叉影响因素共同影响下表现出高检测率,低误报率的良好性能。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内;本发明未涉及的技术均可通过现有技术加以实现。
Claims (8)
1.一种基于聚类的无监督学习的异常判断二噁英检测方法,其特征在于:
标准化器对收集到的原始数据进行标准化,并把结果复制m份,分别传给每个聚类器;当聚类器接收到数据后,采用K-means算法对数据进行聚类(每个聚类器的k值都不相同),聚类器根据各自的分簇结果计算簇内距离、簇间距离、DB指数,并将DB指数传给评估器;当评估器收到每个聚类器传来的DB指数后,按照“DB指数最小”原则选取对应的聚类器,从而得到最有分簇结果;分类器根据预先设置的最小,最大簇内距离阈值对最优分簇结果中的k个簇逐一进行分类。
2.根据权利要求1所述的基于聚类的无监督学习的异常判断二噁英检测方法,其特征在于,所述标准化器(Normalizer):
由于每条数据具有多个属性字段,不同属性都有不同的取值范围,这就会导致一些取值较小的属性严重受到取值较大的属性影响,因此,对数据进行标准化。
4.根据权利要求1所述的基于聚类的无监督学习的异常判断二噁英检测方法,其特征在于,所述聚类器(Cluster):
采用m个聚类器(m=10),每个聚类器通过K-means算法对标准化过的数据进行分簇,并计算分簇结果的DB值;数据源都是经过标准化的数据,唯一不同的就是k的取值,其目的就是降低K-means算法对k值得依赖。
7.根据权利要求1所述的基于聚类的无监督学习的异常判断二噁英检测方法,其特征在于,所述评估器(Assessor):
m个聚类器将各自计算的DB指数提交给评估器,评估器按照“DB指数最小”原则选取对应的聚类器,并把该聚类器中的分簇结果作为模型的最终分簇结果,将该结果发给分类器。
8.根据权利要求1所述的基于聚类的无监督学习的异常判断二噁英检测方法,其特征在于,所述分类器(Classifier):
在垃圾焚烧过程中,由于绝大部分的二噁英会在垃圾焚烧炉的高温环境(>850℃)中分解,二噁英分解后的数据簇内也同样具有高度相似性,从而导致簇内距离小,定义最小簇内距离min来识别二噁英超标异常;当二噁英含量正常的数据远超二噁英含量异常的数据时,由于正常数据和异常数据相似度较低,n案么那些二噁英异常的数据不会落入正常簇中,从而变成孤立点,这些孤立点被聚到一个簇时使用簇内距离过大,定义最大簇内距离为max;
分类器利用最小簇内距离min和最大簇内距离max这两个阈值,分别对最终分簇结果中的每个簇进行分类:正常簇,异常簇;判断准测是:当簇内距离小于min或者大于max,该簇为异常簇,否则为正常簇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911155400.9A CN111222540A (zh) | 2019-11-22 | 2019-11-22 | 基于聚类的无监督学习的异常判断二噁英检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911155400.9A CN111222540A (zh) | 2019-11-22 | 2019-11-22 | 基于聚类的无监督学习的异常判断二噁英检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111222540A true CN111222540A (zh) | 2020-06-02 |
Family
ID=70827739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911155400.9A Pending CN111222540A (zh) | 2019-11-22 | 2019-11-22 | 基于聚类的无监督学习的异常判断二噁英检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222540A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114519101A (zh) * | 2020-11-18 | 2022-05-20 | 易保网络技术(上海)有限公司 | 数据聚类方法和***、数据存储方法和***以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858572A (zh) * | 2019-03-13 | 2019-06-07 | 中南大学 | 一种用于污水异常检测的改进型层次聚类方法 |
CN110149347A (zh) * | 2019-06-18 | 2019-08-20 | 中国刑事警察学院 | 利用拐点半径实现动态自适应聚类的网络入侵检测方法 |
-
2019
- 2019-11-22 CN CN201911155400.9A patent/CN111222540A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858572A (zh) * | 2019-03-13 | 2019-06-07 | 中南大学 | 一种用于污水异常检测的改进型层次聚类方法 |
CN110149347A (zh) * | 2019-06-18 | 2019-08-20 | 中国刑事警察学院 | 利用拐点半径实现动态自适应聚类的网络入侵检测方法 |
Non-Patent Citations (1)
Title |
---|
杨斌;刘卫国;: "一种基于聚类的无监督异常检测方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114519101A (zh) * | 2020-11-18 | 2022-05-20 | 易保网络技术(上海)有限公司 | 数据聚类方法和***、数据存储方法和***以及存储介质 |
CN114519101B (zh) * | 2020-11-18 | 2023-06-06 | 易保网络技术(上海)有限公司 | 数据聚类方法和***、数据存储方法和***以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001527B (zh) | 多特征融合深度神经网络的工业生产过程目标数据预测方法 | |
CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
CN109034260B (zh) | 基于统计原理和智能寻优的脱硫塔氧化风机故障诊断***及方法 | |
CN109508818B (zh) | 一种基于LSSVM的在线NOx预测方法 | |
CN111461355B (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
CN110717543B (zh) | 基于样本分布统计检验的双窗口概念漂移检测方法 | |
CN111752147B (zh) | 一种具有持续学习能力改进pca的多工况过程监测方法 | |
CN111289697B (zh) | Cems运行状态监控与数据作假识别方法及*** | |
CN114330845A (zh) | 基于多窗口概念漂移检测的mswi过程二噁英排放预测方法 | |
CN112733876A (zh) | 基于模块化神经网络的城市固废焚烧过程氮氧化物软测量方法 | |
CN115856204B (zh) | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 | |
CN111860701A (zh) | 一种基于聚类方法的脱硝***工况判别预处理方法 | |
CN111222540A (zh) | 基于聚类的无监督学习的异常判断二噁英检测方法 | |
Guo et al. | A review on data-driven approaches for industrial process modelling | |
CN116519555A (zh) | 一种稀释法烟气监测*** | |
CN111882230B (zh) | 一种基于神经网络的二噁英排放在线监测方法 | |
Zain et al. | Development of a neural network Predictive Emission Monitoring System for flue gas measurement | |
CN116110506A (zh) | 一种mswi过程二噁英排放浓度在线软测量方法 | |
CN114462636A (zh) | 一种工业时序数据通过数据处理进行在线异常监测方法 | |
CN112183642A (zh) | 一种基于随机森林模型的水泥烧成煤耗检测方法与*** | |
CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝***出口NOx浓度预警方法 | |
Ren et al. | Fault detection and process monitoring of industrial process based on spherical kernel T-PLS | |
CN118035903A (zh) | 一种基于深度学习的固定污染源异常数据识别***及方法 | |
CN112859815B (zh) | 一种焙烧过程异常炉况监测及诊断方法 | |
Dong et al. | Abnormal condition monitoring method of cement pre-decomposition process based on PCA and AutoEncoder network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200602 |
|
RJ01 | Rejection of invention patent application after publication |