CN114493023A - 一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法 - Google Patents
一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法 Download PDFInfo
- Publication number
- CN114493023A CN114493023A CN202210116677.6A CN202210116677A CN114493023A CN 114493023 A CN114493023 A CN 114493023A CN 202210116677 A CN202210116677 A CN 202210116677A CN 114493023 A CN114493023 A CN 114493023A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- adaboost
- value
- water regime
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 33
- 230000009471 action Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 abstract description 8
- 238000012731 temporal analysis Methods 0.000 abstract description 2
- 238000000700 time series analysis Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于RF‑Adaboost模型在异常水情数据中的诊断与插补方法,涉及水情监测技术领域,该方法包括以下步骤:获取实时水情数据,采用中值滤波对水情数据进行时间序列分析,绘制3‑Sigma图,基于3‑Sigma图对异常数据进行实时识别诊断;构建基于随机森林(RF)改进的Adaboost模型并训练,应用RF‑Adaboost模型对水情监测数据进行实时预测,并对异常数据进行插补,采用该方法可以有效提高水情监测数据的实时预测和监测,对于异常数据能够及时诊断、插补,从而可以提高数据的可靠性、客观反映水情变化、有效指导工程调度。
Description
技术领域
本发明涉及水情监测技术领域,尤其涉及一种流量监测数据的实时异常诊断与插补方法。
背景技术
随着智慧调水的发展,已建成的明渠调水工程沿线都布设众多水情自动监测设备,用来监测水位、流量、闸门开度等水情信息,由于各种设备随机故障和人为定期检修等干扰因素会导致的水情数据出现异常,在面对水情数据异常时,直接删除往往会造成大量信息丢失,破坏水情数据的完整性、连续性和一致性,简单修改又会严重降低数据集的可靠性和精度,严重时可能对闸门水力计算和调度控制产生较大影响。因此,在保证水情数据的完整性、连续性和一致性的前提下,及时识别缺失、异常数据并进行预测和插补,对提高数据的可靠性、客观反映水情变化、有效指导工程调度具有重要的应用价值和科学意义。
利用单一的某种机器学习方法如三样条(Spline)插值、随机森林(RF)插值等方法,对异常数据进行插补预测往往会包含较大的主观片面性,插补预测效果与实测值相差很大,不能够反映真实水情状况,应用于监测数据的实时插补时会受到较大限制。因此,有效地识别异常数据,并利用合理数据实时插补预测,是明渠调水工程水情监测有待解决的的关键问题。
因此,亟待找到一种流量预测与诊断的方法以解决上述技术问题。
发明内容
本发明的目的在于提供一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法,包括以下步骤:
S1,对获取的水情监测数据进行中值滤波分析,得到时间序列的趋势项和残差项;
S2,采用3-Sigma图法对异常数据进行实时诊断;
S3,构建基于RF改进的Adaboost模型并训练,模型输入为剔除噪声值、缺失值和异常值的水情数据的时刻,输出为水情数据的流量;
S4,应用基于RF-Adaboost模型对水情数据进行实时预测以及异常值的插补,输出预测变量。
优选的,所述预测变量指水情实时监测数据,包括节制闸水位和流量。
优选的,步骤S1具体包括:
S11,对获取的水情数据定义一个长度L=3的长窗口,;设在某一个时刻,窗口内的信号样本为x(i-1),x(i),x(i+1),其中x(i)为位于窗口中心的信号样本值;对这3个信号样本按样本值从小到大的顺序排列后,其中在i处的样本值,便定义为中值滤波的输出值,从而消除孤立的噪声点,即为所述时间序列的趋势项;
S12,计算所述时间序列的趋势项与实测值的差值,即为所述残差项。
优选的,步骤S2具体包括:
所述实时诊断的标准具体为:数据小于μ-βσ或大于μ+βσ为异常数据,其中μ为均值,σ为标准差,β为可变参数。
优选的,步骤S3具体包括:
给定训练数据集:(x1,y1),......,(xN,yN),其中yi∈{1,-1}用于表示训练样本的类别标签;
S31,初始化样本集权重为
式中:D1(i)表示训练样本集的初始权重分布;
w1i为每一个训练样本最开始被赋予相同的权重;
N为样本的个数;
S32,进行多轮迭代,用m=1,2,...,N表示迭代的第多少轮
e)选取随机森林(RF)作为基本分类器,对具有数据权重分布Dm的训练数据集学习,计算弱分类器Gm(x);
上式表示所述弱分类器Gm(x)通过一个阈值来对样本数据进行分类,所有在阈值一边的数据会分到类别-1,而在另外一边的数据会分到类别+1;
f)计算所述弱分类器Gm(x)在训练数据集上的分类误差率
式中:em为误差率;
P(Gm(xi)≠yi)为Gm(xi)≠yi的概率,即分错的概率;
I(Gm(xi)≠yi):即若Gm(xi)=yi时,I=1,否则I=0;
wmi为第m轮迭代时第i个训练样本被赋予的权重;
由此可以看出所述数据权重分布Dm与所述弱分类器Gm(x)的分类误差率的关系;
g)计算所述弱分类器Gm(x)的系数:
此时分类器为:fm(x)=αmGm(x)
h)更新训练数据的权值分布,用于下一轮迭代:
Dm+1=(wm+1,1,wm+1,2...wm+1,i...,wm+1,N) (4)
这里Zm是规范化因子,使得Dm+1成为一个概率分布:
S33,按弱分类器权重αm组合各个弱分类器,即
通过符号函数sign的作用,得到一个强分类器为:
优选的,步骤S3中建立的基于RF-Adaboost模型是:
采用随机森林(RF)作为弱分类器对Adaboost的样本数据集进行分类;
以步骤S1完成后,中值滤波后剔除孤立噪声点的水情数据,以及步骤S2完成后剔除异常值的实测水情数据对构建的基于RF-Adaboost模型进行训练;
所述的训练数据为时间跨度满一年的2小时实测水情数据;
在每一轮的训练中都会通过随机森林(RF)进行分类得到一个新的弱分类器,即通过改变样本的权重,特别是之前错误的样本会得到更大的权重,直到错误率低于指定值或者达到预设的最大迭代次数为止。
优选的,将步骤S1中所述获取的水情监测数据更新为2小时时间序列数据,输入步骤S3中训练完成的所述基于RF-Adaboost模型,输出的预测变量值即是实时预测值以及异常值的修正值。
本发明的有益效果是:
本发明公开了一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法,获取水情监测数据,进行中值滤波剔除明显噪声点,分析残差项;绘制3-Sigma图,基于3-Sigma图实时识别诊断异常数据;构建基于随机森林(RF)改进的Adaboost模型并训练;应用基于RF-Adaboost模型对水情监测数据进行实时预测,并进行异常数据的插补。采用该方法可以有效提高流量监测数据的实时诊断、预测和插补,从而提高数据的可靠性、客观反映水情变化、有效指导工程调度。
附图说明
图1是实施例1中的基于RF-Adaboost模型在异常水情数据中的诊断与插补方法流程示意图;
图2是实施例1中3-Sigma图识别诊断节制闸流量数据异常值结果;
图3是实施例1中采用基于RF-Adaboost模型对节制闸实测流量数据进行预测及插补后的结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例采用一个具体的实施例,以南水北调中线为例,提供一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法,具体包括以下步骤:
步骤1,对获取的水情监测数据进行中值滤波分析,得到时间序列的趋势项和残差项。
受到明渠调水工程中河渠水力特性、工程运行时期、人员劳动强度等多种因素影响,明渠调水工程的水情监测频率采用2小时,能够客观反映水情变化、有效指导工程调度。选取滹沱河节制闸2018年1月1日至2018年12月31日的过闸流量数据作为研究对象。
采用中值滤波方法提取流量数据时间序列的趋势项和残差项,流量数据经过中值滤波后得到的残差项的频率分布图呈现出明显的正态分布特征。
步骤2,采用3-Sigma图法对异常数据进行实时诊断。
绘制3-Sigma图,描绘出所述数据的离散分布情况,为满足不同数据集的异常数据诊断需要,将参数β引入3-Sigma法,以数据小于μ-βσ或大于μ+βσ作为异常数据的判断标准,其中μ为均值,σ为标准差,β=1.62,节制闸流量数据异常值结果如图2。
步骤3,构建基于RF-Adaboost模型并训练:
给定训练数据集:(x1,y1),......,(xN,yN),其中yi∈{1,-1}用于表示训练样本的类别标签。
(1)初始化样本集权重为
式中:D1(i)训练样本集的初始权重分布;
w1i为每一个训练样本最开始被赋予相同的权重;
N为样本的个数;
(2)进行多轮迭代,用m=1,2,...,N表示迭代的第多少轮
①选取随机森林(RF)作为基本分类器,对具有权重Dm的训练数据集学习,计算弱分类器Gm(x);
上式表示所述弱分类器Gm(x)通过一个阈值来对样本数据进行分类,所有在阈值一边的数据会分到类别-1,而在另外一边的数据会分到类别+1;
②计算Gm(x)在训练数据集上的分类误差率
式中:em为误差率;
P(Gm(xi)≠yi)为Gm(xi)≠yi的概率,即分错的概率;
I(Gm(xi)≠yi):即若Gm(xi)=yi时,I=1,否则I=0;
wmi为第m轮迭代时第i个训练样本被赋予的权重;
由此可以看出数据权重分布Dm与基本分类器Gm(x)的分类误差率的关系。
③计算弱分类器Gm(x)的系数:
此时分类器为:fm(x)=αmGm(x)
④更新训练数据的权值分布,用于下一轮迭代。
Dm+1=(wm+1,1,wm+1,2...wm+1,i...,wm+1,N) (4)
这里Zm是规范化因子,使得Dm+1成为一个概率分布:
由此可知,被弱分类器Gm(x)误分类样本的权值得以扩大,而被正确分类样本的权值却得以缩小。
(3)按弱分类器权重αm组合各个弱分类器,即
通过符号函数sign的作用,得到一个强分类器为:
模型输入为剔除中值滤波后的噪声值、3-Sigma图诊断的异常值后的正常数据的时间序列,输出为正常数据的流量值,在每一轮的训练中都会加入一个新的弱分类器,即通过决策树改变样本的权重,特别是之前错误的样本会得到更大的权重,直到达到足够低的错误率或者达到指定的最大迭代次数为止。
步骤4,应用基于RF-Adaboost模型对流量监测的噪声值、异常值进行预测插补。
将步骤1中获取水情监测数据的2小时时间序列数据作为RF-Adaboost模型输入,应用于步骤S3中训练完成的RF-Adaboost模型,输出的预测变量值即是实时预测值以及异常值的修正值,如图3。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明公开了一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法,涉及水情监测技术领域,该方法包括以下步骤:获取实时水情数据,采用中值滤波对水情数据进行时间序列分析,绘制3-Sigma图,基于3-Sigma图对异常数据进行实时识别诊断;构建基于随机森林(RF)改进的Adaboost模型并训练,应用RF-Adaboost模型对水情监测数据进行实时预测,并对异常数据进行插补,采用该方法可以有效提高水情监测数据的实时预测和监测,对于异常数据能够及时诊断、插补,从而可以提高数据的可靠性、客观反映水情变化、有效指导工程调度。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (7)
1.一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法,其特征在于,包括以下步骤:
S1,对获取的水情监测数据进行中值滤波分析,得到时间序列的趋势项和残差项;
S2,采用3-Sigma图法对异常数据进行实时诊断;
S3,构建基于RF改进的Adaboost模型并训练,模型输入为剔除噪声值、缺失值和异常值的水情数据的时刻,输出为水情数据的流量;
S4,应用基于RF-Adaboost模型对水情数据进行实时预测以及异常值的插补,输出预测变量。
2.根据权利要求1所述的基于RF-Adaboost模型在异常水情数据中的诊断与插补方法,其特征在于,所述预测变量指水情实时监测数据,包括节制闸水位和流量。
3.根据权利要求1所述的基于RF-Adaboost模型在异常水情数据中的诊断与插补方法,其特征在于,步骤S1具体包括:
S11,对获取的水情数据定义一个长度L=3的长窗口;设在某一个时刻,窗口内的信号样本为x(i-1),x(i),x(i+1),其中x(i)为位于窗口中心的信号样本值;对这3个信号样本按样本值从小到大的顺序排列后,其中在i处的样本值,便定义为中值滤波的输出值,从而消除孤立的噪声点,即为所述时间序列的趋势项;
S12,计算所述时间序列的趋势项与实测值的差值,即为所述残差项。
4.根据权利要求1所述的RF-Adaboost回归模型在异常水情数据中的诊断与插补方法,其特征在于,步骤S2具体包括:
所述实时诊断的标准具体为:数据小于μ-βσ或大于μ+βσ为异常数据,其中μ为均值,σ为标准差,β为可变参数。
5.根据权利要求1所述的基于RF-Adaboost模型在异常水情数据中的诊断与插补方法,其特征在于,步骤S3具体包括:
给定训练数据集:(x1,y1),......,(xN,yN),其中yi∈{1,-1}用于表示训练样本的类别标签;
S31,初始化样本集权重为
式中:D1(i)表示训练样本集的初始权重分布;
w1i为每一个训练样本最开始被赋予相同的权重;
N为样本的个数;
S32,进行多轮迭代,用m=1,2,...,N表示迭代的第多少轮
a)选取RF作为基本分类器,对具有数据权重分布Dm的训练数据集学习,计算弱分类器Gm(x);
上式表示所述弱分类器Gm(x)通过一个阈值来对样本数据进行分类,所有在阈值一边的数据会分到类别-1,而在另外一边的数据会分到类别+1;
b)计算所述弱分类器Gm(x)在训练数据集上的分类误差率
式中:em为误差率;
P(Gm(xi)≠yi)为Gm(xi)≠yi的概率,即分错的概率;
I(Gm(xi)≠yi):即若Gm(xi)=yi时,I=1,否则I=0;
wmi为第m轮迭代时第i个训练样本被赋予的权重;
由此可以看出所述数据权重分布Dm与所述弱分类器Gm(x)的分类误差率的关系;
c)计算所述弱分类器Gm(x)的系数:
此时分类器为:fm(x)=αmGm(x)
d)更新训练数据的权值分布,用于下一轮迭代:
Dm+1=(wm+1,1,wm+1,2...wm+1,i...,wm+1,N) (4)
这里Zm是规范化因子,使得Dm+1成为一个概率分布:
S33,按弱分类器权重αm组合各个弱分类器,即
通过符号函数sign的作用,得到一个强分类器为:
6.根据权利要求1所述的基于RF-Adaboost模型在异常水情数据中的诊断与插补方法,其特征在于,步骤S3中建立的基于RF-Adaboost模型是:
采用RF作为基本分类器对Adaboost的样本数据集进行分类;
以步骤S1完成后,中值滤波后剔除孤立噪声点的水情数据,以及步骤S2完成后剔除异常值的实测水情数据对构建的基于RF-Adaboost模型进行训练;
所述的训练数据为时间跨度满一年的2小时实测水情数据;
在每一轮的训练中都会通过RF进行分类得到一个新的弱分类器,即通过改变样本的权重,特别是之前错误的样本会得到更大的权重,直到错误率低于指定值或者达到预设的最大迭代次数为止。
7.根据权利要求1所述的基于RF-Adaboost回归模型在异常水情数据中的诊断与插补方法,其特征在于,将步骤S1中所述获取的水情监测数据更新为2小时时间序列数据,输入步骤S3中训练完成的所述基于RF改进的Adaboost模型,输出的预测变量值即是实时预测值以及异常值的修正值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210116677.6A CN114493023A (zh) | 2022-02-07 | 2022-02-07 | 一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210116677.6A CN114493023A (zh) | 2022-02-07 | 2022-02-07 | 一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493023A true CN114493023A (zh) | 2022-05-13 |
Family
ID=81478520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210116677.6A Pending CN114493023A (zh) | 2022-02-07 | 2022-02-07 | 一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493023A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406354A (zh) * | 2021-06-21 | 2021-09-17 | 湖南国天电子科技有限公司 | 一种用于adcp的数据优化方法及*** |
CN114925731A (zh) * | 2022-06-06 | 2022-08-19 | 华电金沙江上游水电开发有限公司叶巴滩分公司 | 检测柔性测斜仪监测数据异常值的方法 |
-
2022
- 2022-02-07 CN CN202210116677.6A patent/CN114493023A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406354A (zh) * | 2021-06-21 | 2021-09-17 | 湖南国天电子科技有限公司 | 一种用于adcp的数据优化方法及*** |
CN114925731A (zh) * | 2022-06-06 | 2022-08-19 | 华电金沙江上游水电开发有限公司叶巴滩分公司 | 检测柔性测斜仪监测数据异常值的方法 |
CN114925731B (zh) * | 2022-06-06 | 2024-05-31 | 华电金沙江上游水电开发有限公司叶巴滩分公司 | 检测柔性测斜仪监测数据异常值的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875771B (zh) | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN108875772B (zh) | 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | |
CN105700518B (zh) | 一种工业过程故障诊断方法 | |
CN114493023A (zh) | 一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法 | |
CN111160582B (zh) | 设备故障识别方法、装置及计算机可读存储介质 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN112116198B (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN113204914B (zh) | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN111738520A (zh) | 一种融合孤立森林与长短期记忆网络的***负载预测方法 | |
CN109240276B (zh) | 基于故障敏感主元选择的多块pca故障监测方法 | |
CN114707234B (zh) | 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
WO2022188425A1 (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
CN116522993A (zh) | 一种基于对抗自编码网络的化工过程故障检测方法 | |
CN115081514A (zh) | 一种数据不平衡情况下的工业设备故障识别方法 | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
CN112561153A (zh) | 一种基于模型集成的景区人群聚集预测方法 | |
CN116756619B (zh) | 一种基于大数据的设备智能诊断方法及*** | |
CN118228199B (zh) | 一种基于神经网络的减速机故障分析方法 | |
CN116643550A (zh) | 一种基于时序因果挖掘网络的工业故障溯源分析方法 | |
CN114513328B (zh) | 基于概念漂移和深度学习的网络流量入侵检测方法 | |
CN112381141A (zh) | 一种空调传感器故障检测方法及*** | |
CN118070146A (zh) | 一种基于部分迁移学习的滚动轴承故障诊断方法 |
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 |