CN115409070A - 离散数据序列临界点的确定方法、装置以及设备 - Google Patents
离散数据序列临界点的确定方法、装置以及设备 Download PDFInfo
- Publication number
- CN115409070A CN115409070A CN202211202551.7A CN202211202551A CN115409070A CN 115409070 A CN115409070 A CN 115409070A CN 202211202551 A CN202211202551 A CN 202211202551A CN 115409070 A CN115409070 A CN 115409070A
- Authority
- CN
- China
- Prior art keywords
- data
- data sequence
- target
- value
- sequence
- 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
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本申请涉及一种离散数据序列临界点的确定方法、装置、计算机设备、存储介质和计算机程序产品。方法包括:对离散数据序列进行平滑处理,得到平滑离散数据序列;识别平滑离散数据序列中的极值,构建极值数据序列;以极值数据序列中每一极值为目标极值,确定极值数据序列中与目标极值相邻的数据分别与目标极值之间差值的平均值;以目标极值为中心,基于极值数据序列中各数据与目标极值的大小比较结果,确定目标范围,识别目标范围内与目标极值的差值小于或等于平均值的目标数据;基于各目标数据在平滑离散数据序列中的位置,确定目标极值对应的临界点的位置,并将各目标数据的平均值确定为临界点的值。采用本方法能够提高寻找数据临界点准确性。
Description
技术领域
本申请涉及机器学习技术领域,特别是涉及一种确定离散数据序列临界点的方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着科学技术的发展,不同的领域都会产生大量的数据,而这些数据常常以离散的形式出现。传统技术中,采用多项式-高斯公式拟合法,对离散数据进行分析,以获取临界值等关键信息。
然而,传统方法在实际使用过程中,会因为离散数据的波动和变化而降低寻找离散数据临界点的准确性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高寻找数据临界点准确性的离散数据序列临界点的确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,一种离散数据序列临界点的确定方法,所述方法包括:
对获取的离散数据序列进行平滑处理,得到平滑离散数据序列;
识别所述平滑离散数据序列中的极值,构建极值数据序列,所述极值数据序列包括极大值数据序列和极小值数据序列中的至少一个;
分别以所述极值数据序列中的每一所述极值为目标极值,确定所述极值数据序列中与所述目标极值相邻的至少两个相邻数据分别与所述目标极值之间的差值的平均值;
以所述目标极值为中心,基于所述极值数据序列中各数据与所述目标极值的大小比较结果,确定所述极值数据序列中的目标范围,识别所述目标范围内与所述目标极值的差值小于或等于所述平均值的目标数据;
基于各所述目标数据在所述平滑离散数据序列中的排列位置,确定所述目标极值对应的临界点在所述平滑离散序列数据中的排列位置,并将各所述目标数据的平均值确定为所述临界点的临界值。
在其中一个实施例中,所述识别所述平滑离散数据序列中的极值,构建极值数据序列,包括:
当待确定的临界点包括所述离散数据序列的波峰时,识别所述平滑离散数据序列中的极大值,基于各所述极大值在所述平滑离散数据序列中的排列顺序,构建极大值数据序列;
当待确定的临界点包括所述离散数据序列的波谷时,识别所述平滑离散数据序列中的极小值,基于各所述极小值在所述平滑离散数据序列中的排列顺序,构建极小值数据序列。
在其中一个实施例中,所述以所述目标极值为中心,基于所述极值数据序列中各数据与所述目标极值的大小比较结果,确定所述极值数据序列中的目标范围,包括:
基于所述目标极值在所述极值数据序列中的目标排列位置,以所述目标排列位置为中心分别进行前向搜索和后向搜索,直至分别搜索到与所述目标极值的差值大于所述平均值的N个连续数据,得到所述极值数据序列中的搜索数据;
确定所述搜索数据所构成的目标范围。
在其中一个实施例中,所述极大值数据序列对应的临界点为波峰,所述极小值数据序列对应的临界点为波谷;
所述方法还包括:
当待确定的临界点还包括***波峰时,将所述波峰和所述波谷添加至所述平滑离散数据序列,得到更新的数据序列;
识别并剔除所述更新的数据序列中相邻的波峰和波谷之间的离群数据点,得到所述更新的数据序列中相邻的波峰和波谷之间的非离群数据点;
基于各所述非离群数据点在所述平滑离散数据序列中的排列位置和取值,确定所述相邻的波峰和波谷之间的***波峰。
在其中一个实施例中,所述识别并剔除所述更新的数据序列中相邻的波峰和波谷之间的离群数据点,包括:
确定所述相邻的波峰和波谷之间的数据点的最大差值;
根据所述最大差值,对所述相邻的波峰和波谷之间的数据点进行聚类分析,得到离群数据点,并将所述离群数据点剔除。
在其中一个实施例中,所述方法还包括:
基于临界点包含所述波峰、所述波谷以及所述***波峰的更新数据序列,确定所述更新数据序列中每一波峰的两个相邻临界点;
将所述波峰与两个所述相邻临界点的取值之和中数值较大者的一半确定所述波峰的半高;
从所述波峰到前一所述相邻临界点之间获取取值与所述半高最接近的第一数据点,并从所述波峰到后一所述相邻临界点之间获取取值与所述半高最接近的第二数据点;
基于所述第一数据点与所述第二数据点在所述平滑离散数据序列中的排列位置,确定所述波峰的半高宽。
第二方面,一种离散数据序列临界点的确定装置,所述装置包括:
平滑处理模块,用于对获取的离散数据序列进行平滑处理,得到平滑离散数据序列;
极值识别模块,用于识别所述平滑离散数据序列中的极值,构建极值数据序列,所述极值数据序列包括极大值数据序列和极小值数据序列中的至少一个;
平均值确定模块,用于分别以所述极值数据序列中的每一所述极值为目标极值,确定所述极值数据序列中与所述目标极值相邻的至少两个相邻数据分别与所述目标极值之间的差值的平均值;
目标数据确定模块,用于以所述目标极值为中心,基于所述极值数据序列中各数据与所述目标极值的大小比较结果,确定所述极值数据序列中的目标范围,识别所述目标范围内与所述目标极值的差值小于或等于所述平均值的目标数据;
临界点确定模块,用于基于各所述目标数据在所述平滑离散数据序列中的排列位置,确定所述目标极值对应的临界点在所述平滑离散序列数据中的排列位置,并将各所述目标数据的平均值确定为所述临界点的临界值。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面,一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法的步骤。
上述确定离散序列数据临界点的方法、装置、计算机设备、存储介质和计算机程序产品。通过将离散数据进行平滑处理,可以减少离散数据的波动带来的影响。通过对平滑离散数据序列中的所有数据进行识别,可以确定平滑离散数据序列中的所有极值并构建极值序列。通过求与目标极值相邻的至少两个相邻数据分别与目标极值之间差值的平均值,来确定目标极值的目标范围,从而可以准确识别出用于确定临界点临界值的目标数据。通过将各目标数据的平均值确定为临界点的临界值,可以进一步避免离散数据的波动影响,从而实现对离散序列数据临界点的准确判定。
附图说明
图1为一个实施例中离散数据序列临界点的确定方法的应用环境图;
图2为一个实施例中离散数据序列临界点的确定方法的流程示意图;
图3为另一个实施例中离散数据序列临界点的确定方法的流程示意图;
图4为一个实施例中双体分布函数离散数据序列图;
图5为一个实施例中双体分布函数平滑离散数据序列图;
图6为一个实施例中***波峰示意图;
图7为另一个实施例中离散数据序列临界点的确定方法的流程示意图;
图8为一个实施例中序列中各数据点的位置示意图;
图9为一个实施例中离散数据序列临界点的确定装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的离散数据序列临界点的确定方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。首先,服务器104会对离散数据进行平滑处理,以得到关于该离散数据的平滑离散数据序列。然后,服务器104会识别出平滑离散数据序列中的极值,并将识别出的极值组合成极值数据序列,识别出的所有极大值构成极大值数据序列,所有极小值构成极小值数据序列。服务器104以每一极值为一个目标极值,针对每一目标极值,计算目标极值与目标极值相邻数据之间差值的平均值。并以每一目标极值为中心,将极值序列中的每一极值与目标极值进行比较,以确定所需的极值序列中的目标范围。在确定目标范围后,服务器104会识别出目标范围中与中心极值的差值小于等于差值的平均值的目标数据。最后,服务器会根据确定的目标数据在平滑离散数据序列中的排列位置,来确定各个临界点的位置,而临界点的临界值则为目标数据的平均值。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种离散数据序列临界点的确定方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤202,对获取的离散数据序列进行平滑处理,得到平滑离散数据序列。
其中,离散数据序列是由自然数或整数单位计算的数据组成的集合。例如,[1,2,2,3,1,5,2,3]是由8个自然数组合而成的集合,称为离散数据序列。
平滑处理是使用滑动平均滤波法对离散数据序列进行处理。滑动平均滤波法是将连续取N个采样值看成一个队列,队列的长度固定为N,每次采样到一个新数据放入队尾,并扔掉原来队首的数据,把队列中的N个数据进行算术平均运算,就可获得新的滤波结果。滑动平均滤波法的N取值越小,平滑后的数据失真越少,结果越准确。
具体地,服务器将一组由自然数或整数单位计算的数据组成离散数据序列使用滑动平均滤波法进行平滑处理,将队伍的长度设置为N,从而得到平滑处理后的平滑离散数据序列。
在一个具体应用中,离散数据序列为[1,3,4,2,4,5,6,2,4,3,6,2],设置滑动平均滤波法的队列长度为4。每次采样到一个新数据放入队尾,并扔掉原来队首的数据,并将队列中的4个数据进行算术平均运算,得到的平滑离散数据序列为[2.5,3.25,3.75,4.25,4.25,4.25,3.75,3.75,3.75]。
步骤204,识别平滑离散数据序列中的极值,构建极值数据序列,极值数据序列包括极大值数据序列和极小值数据序列中的至少一个。
其中,极值包括函数中的极大值或极小值。如果一个函数在一点的一个邻域内处处都有确定的值,且以该点处的值为最大或最小,则函数在该点处的值就是一个极大值或极小值。例如,在序列[2,1,2.8,2.6,3,2.6,4,5,4]中,数据点5比它前后相邻的两个数据点取值都大,即5为该序列中的一个极大值;数据点1比它前后相邻的两个数据点取值都小,即1为该序列中的一个极小值。
极值数据序列是由平滑离散数据中得到的所有同类型极值构成的序列。例如,在序列[1,2.8,2.6,3,2.6,4,5,4]中,极大值2.8、3以及5会构成极大值数据序列[2.8,3,5],极小值1、2.6、2.6以及4会构成极小值数据序列[1,2.6,2.6,4]。
具体地,服务器在识别完平滑离散数据序列中的所有极值后,会将识别出的所有极大值组合成极大值数据序列,将识别出的所有极小值组合成极小值数据序列。
步骤206,分别以极值数据序列中的每一极值为目标极值,确定极值数据序列中与目标极值相邻的至少两个相邻数据分别与目标极值之间的差值的平均值。
其中,与目标极值相邻的至少两个相邻数据表示,在求差值的平均值时,可以取与目标极值相邻的前后两个数据,也可以取与极值相邻的前面N个和后面N个数据。例如,在序列[1,2.8,2.6,5,2.6,4,3,4]中,可以取与极大值5相邻的2.6和2.6两个数据,也可以取2.8,2.6,2.6和4四个数据,它们都为与极值相邻的数据。
具体地,服务器针对平滑离散数据序列中的每一个极大值或极小值,在得到与极大值或极小值相邻的至少两个相邻数据后,分别计算与极大值或极小值相邻的至少两个相邻数据和极大值或极小值之间的差值的平均值。
在一个具体应用中,针对序列[2.8,1,2.6,5,2.6,4,3,4]中的极大值5,取与极大值5相邻的数据值2.6和2.6,它们与极大值5之间的差值都为2.4,则序列中与极大值相邻的至少两个相邻数据分别与极大值之间的差值的平均值为2.4;针对序列[2.8,1,2.6,5,2.6,4,3,4]中的极小值1,取与极小值1相邻的数据值2.8和2.6,它们与极小值1之间的差值分别为1.8和1.6,则序列中与极小值相邻的至少两个相邻数据分别与极小值之间的差值的平均值为1.7。
步骤208,以目标极值为中心,基于极值数据序列中各数据与目标极值的大小比较结果,确定极值数据序列中的目标范围,识别目标范围内与目标极值的差值小于或等于平均值的目标数据。
其中,目标范围是从目标极值出发,计算目标极值前后各个数据值与目标极值差值的平均值,当出现连续N个数据值与目标极值的差值大于平均值时,连续N个数据值与目标极值之间的数据值就为目标范围。N表示搜索阈值,又叫搜索临界值,可以根据离散数据的具体情况来确定具体的搜索阈值。
目标数据是在目标范围中,符合与目标极值的差值小于或等于平均值的数据点。例如,在序列[1,1,2.8,1,2.6,5,2.6,4,3,4,2,2]中,极大值5与相邻数据点差值的平均值为2.4,当搜索阈值为2时,目标范围就是[2.8,1,2.6,5,2.6,4,3,4],目标数据则为2.6、5、2.6、4、3以及4。
具体地,服务器在确定极值的目标范围和目标数据时,会以目标极值为中心,并在极值序列中计算各个数据点与目标极值的差值,以确定目标极值的目标范围,再在目标范围中寻找与目标极值的差值小于等于平均值的目标数据。
步骤210,基于各目标数据在平滑离散数据序列中的排列位置,确定目标极值对应的临界点在平滑离散序列数据中的排列位置,并将各目标数据的平均值确定为临界点的临界值。
其中,目标数据的排列位置是指目标数据在平滑离散数据序列中的横坐标位置。目标极值对应的临界点的排列位置可以根据该目标极值所对应的目标数据在平滑离散数据序列中的横坐标平均值得到。例如,目标数据的横坐标分别为4和6,则相对应的临界点的排列位置为4和6的平均值5。
目标极值对应的临界点主要包括,根据每一极大值求出的波峰,和根据每一极小值求出的波谷。例如,针对序列[2.8,1,2.6,5,2.6,4,3,4]中的极大值5,取与极大值5相邻的数据值2.6和2.6,它们与极大值5之间差值平均值为2.4,设置搜索阈值2,向前向后分别搜索,得到目标数据2.8、2.6、5、2.6、4、3和4,计算目标数据的平均值,则极大值5所对应的波峰的临界值为3.33。
具体地,服务器根据识别出的目标数据在平滑离散数据序列中的横坐标位置,来确定每一个极大值所对应的波峰在平滑离散数据序列数据中的横坐标位置,和每一个极小值所对应的波谷在平滑离散数据序列数据中的横坐标位置。同时,根据各目标数据取值的平均值来确定波峰或者波谷的临界值。
上述确定离散序列数据临界点的方法中,通过将离散数据进行平滑处理,可以减少离散数据的波动带来的影响。通过对平滑离散数据序列中的所有数据进行识别,可以确定平滑离散数据序列中的所有极值并构建极值序列。通过求与目标极值相邻的至少两个相邻数据分别与目标极值之间差值的平均值,来确定目标极值的目标范围,从而可以准确识别出用于确定临界点临界值的目标数据。通过将各目标数据的平均值确定为临界点的临界值,可以进一步避免离散数据的波动影响,从而实现对离散序列数据临界点的准确判定。
在其中一个实施例中,识别平滑离散数据序列中的极值,构建极值数据序列,包括:
当待确定的临界点包括离散数据序列的波峰时,识别平滑离散数据序列中的极大值,基于各极大值在平滑离散数据序列中的排列顺序,构建极大值数据序列。
当待确定的临界点包括离散数据序列的波谷时,识别平滑离散数据序列中的极小值,基于各极小值在平滑离散数据序列中的排列顺序,构建极小值数据序列。
其中,待确定的临界点表示平滑离散序列中需要经过计算处理才能得到的临界点。
具体地,服务器在获取离散数据序列的波峰时,会先识别出平滑离散数据序列中的极大值,并根据各极大值在平滑离散数据序列中的排列顺序,构建极大值数据序列。在获取离散数据序列的波谷时,会先识别出平滑离散数据序列中的极小值,并根据极小值在平滑数据中的排列顺序,构建极小值数据序列。
本实施例中,通过将识别出的极值按照各极值的属性构建极大值数据序列和极小值数据序列,使波峰和波谷可以根据相应的极值数据序列获得,从而实现待确定临界点的准确计算。
在其中一个实施例中,以目标极值为中心,基于极值数据序列中各数据与目标极值的大小比较结果,确定极值数据序列中的目标范围,包括:
基于目标极值在极值数据序列中的目标排列位置,以目标排列位置为中心分别进行前向搜索和后向搜索,直至分别搜索到与目标极值的差值大于平均值的N个连续数据,得到极值数据序列中的搜索数据。
确定搜索数据所构成的目标范围。
其中,前向搜索和后向搜索表示对目标极值所在的目标排列位置的前后数据进行搜索,得到搜索数据,再根据搜索数据确定目标范围。例如,针对序列[1,1,2.8,1,2.6,5,2.6,4,3,4,1,1],当极大值为5与相邻数据点的差值的平均值为2.4,搜索阈值为2时,分别向极大值5的前后搜索,当双边都搜索到两个连续的数据点的取值与极大值5之间的差值都大于差值的平均值2.4后停止搜索,即搜索到两个连续的1后停止搜索,则极大值5对应的目标范围为[2.8,1,2.6,5,2.6,4,3,4]。
具体地,服务器识别出所有极值后,会确定每一目标极值在极值数据序列中的排列位置,并以该目标极值为中心出发点,向前向后分别搜索,直到双边都搜索出连续N个数据与目标极值之间的差值大于差值的平均值时,搜索停止并确定搜索数据,再根据搜索数据的位置得到目标极值所对应的目标范围。
本实施例中,通过向目标极值的前后都进行搜索,以确保对搜索数据准确寻找,从而实现目标范围的准确判定。
在其中一个实施例中,极大值数据序列对应的临界点为波峰,极小值数据序列对应的临界点为波谷,离散数据序列临界点的确定方法还包括:
当待确定的临界点还包括***波峰时,将波峰和波谷添加至平滑离散数据序列,得到更新的数据序列。
识别并剔除更新的数据序列中相邻的波峰和波谷之间的离群数据点,得到更新的数据序列中相邻的波峰和波谷之间的非离群数据点。
基于各非离群数据点在平滑离散数据序列中的排列位置和取值,确定相邻的波峰和波谷之间的***波峰。
其中,***波峰是在一些特殊情况下,由离散数据的波峰***出的平缓次峰。离群数据点是指更新的数据序列中相邻的波峰和波谷之间的噪声点。非离群数据点是指更新的数据序列中相邻的波峰和波谷之间的去除噪声后的点。
具体地,服务器在确定***波峰这一临界点时,首先将识别出的波峰和波谷添加至平滑离散数据序列当中,得到更新的数据序列。再对更新的数据序列中相邻波峰和波谷之间的噪声数据点进行识别,识别出所有噪声数据点后并将它们剔除掉,以获取到相邻波峰和波谷之间去除噪声后的数据点。最后根据相邻波峰和波谷之间去除噪声后的数据点的在平滑离散数据序列中的横坐标位置和取值,来确定相邻波峰和波谷之间***波峰的横坐标位置和取值。
本实施例中,通过将平滑离散数据中的离群数据点去除,可以避免异常值对***波峰的计算造成影响,从而实现对***波峰的准确计算。
在其中一个实施例中,识别并剔除更新的数据序列中相邻的波峰和波谷之间的离群数据点,包括:
确定相邻的波峰和波谷之间的数据点的最大差值。
根据最大差值,对相邻的波峰和波谷之间的数据点进行聚类分析,得到离群数据点,并将离群数据点剔除。
其中,最大差值是相邻波峰和波谷之间数据点的一阶差分的最大绝对值。聚类分析是利用基于密度的聚类方法对相邻的波峰和波谷之间的数据点进行聚类,并将算法的参数eps设置为最大差值。在聚类结果中,标签为1的数据点为噪声点,即离群数据点。
具体地,服务器通过求相邻波峰和波谷之间数据点的一阶差分,得到最大差值。采用基于密度的聚类方法对相邻的波峰和波谷之间的数据点进行聚类分析,并将聚类结果中标签为1的数据点剔除。
本实施例中,通过将求一阶差分中的最大差值,从而可以确定聚类算法中参数的取值,再通过将聚类结果中确定为离群数据点的数据剔除,可以减少异常值对求解***波峰的影响,从而实现对***波峰的准确计算。
在其中一个实施例中,如图3所示,离散数据序列临界点的确定方法还包括:
步骤302,基于临界点包含波峰、波谷以及***波峰的更新数据序列,确定更新数据序列中每一波峰的两个相邻临界点。
其中,每一波峰的两个相邻临界点的情况分为:两个相邻临界点都为波谷;一个相邻临界点为波谷,一个相邻临界点为***波峰。
步骤304,将波峰与两个相邻临界点的取值之和中数值较大者的一半确定波峰的半高。
步骤306,从波峰到前一相邻临界点之间获取取值与半高最接近的第一数据点,并从波峰到后一相邻临界点之间获取取值与半高最接近的第二数据点。
步骤308,基于第一数据点与第二数据点在平滑离散数据序列中的排列位置,确定波峰的半高宽。
其中,波峰的半高宽是指在平滑离散数据序列中波峰前后等于或接近半高的两个数据点之间的位置距离。例如,波峰到前一所述相邻临界点之间最接近半高的数据点的排列位置为x,波峰到后一所述相邻临界点之间最接近半高的数据点的排列位置为y,则该波峰对应的半高宽为y-x。
具体地,服务器针对更新数据序列中的每一波峰,首先确定波峰前后相邻的临界点。再计算波峰与前后两个相邻临界点取值之间的和,将最大和的一半作为该波峰的半高。然后,服务器获取波峰到前一相邻临界点之间取值最接近半高的第一数据点,获取波峰到后一相邻临界点之间取值最接近半高的第二数据点。最后,服务器根据第一数据点和第二数据点在平滑离散数据序列中的排列位置,得到与波峰对应的半高宽。
本实施例中,通过在波峰与前后相邻临界点之间各取一个最接近半高的两个数据点,并计算两个数据点的平均值,可以减少因为数据的波动对结果造成的影响,从而实现对波峰的半高、以及半高宽的准确计算。
本申请还提供一种应用场景,该应用场景应用上述的离散数据序列临界点的确定方法。具体地,该离散数据序列临界点的确定方法在该应用场景的应用如下:现有一分子动力学模拟产生的双体分布函数离散数据序列,如图4所示。将产生的双体分布函数离散数据序列利用滑动平均滤波法进行平滑处理后,得到平滑离散数据序列,如图5所示。针对平滑离散数据序列,首先设置默认比较阈值M和搜索阈值N,再遍历滑离散数据序列。当某点的取值比该数据点的前M个数据点的取值和后M个数据点的取值都大时,则该数据点是一个极大值,并将该点放入极大值序列。当某点的取值比该数据点的前M个数据点的取值和后M个数据点的取值都小时,则该数据点是一个极小值,并将该点放入极小值序列。
遍历极大值序列,计算每一个极大值与该极大值前后的两个或多个数据点之间的差值的平均值。从该极大值出发,向前向后分别遍历,当出现连续N个数据点与该极大值之间的差值都大于平均值时,停止遍历,将连续N个数据点与极大值之间的数据点确定为目标范围,并获取目标范围内与极大值之间的差值小于平均值的目标数据,计算所有目标数据的平均值,得到波峰的临界值,并根据各目标数据在平滑离散数据序列中的排列位置,确定波峰的位置。遍历极小值序列,计算每一个极小值与该极小值前后的两个或多个数据点之间的差值的平均值。从该极小值出发,向前向后分别遍历,当出现连续N个数据点与该极小值之间的差值都大于平均值时,停止遍历,将连续N个数据点与极小值之间的数据点确定为目标范围,并获取目标范围内与极小值之间的差值小于平均值的目标数据,计算所有目标数据的平均值,得到波谷的临界值,并根据各目标数据在平滑离散数据序列中的排列位置,确定波谷的位置。然后,将求得的波峰和波谷都添加至平滑离散数据序列中,得到一个更新的数据序列。
当波峰发生***时,如图6所示。首先计算每一对相邻波峰和波谷之间数据点的一阶差分,并获取最大绝对值。再利用基于密度函数的聚类方法对平滑离散数据序列中的所有数据进行聚类,将聚类结果中标签为-1的数据点去除,保留标签为1的数据点,并计算所有标签为1的数据点横纵坐标的平均值,得到***波峰的数据值和排列位置,离散数据序列临界点的确定方法的流程示意图如图7所示。
在求波峰的半高宽时,分别计算每一波峰与前后相邻临界点数据值的和。令波峰与该波峰前一个临界点临界值之和为H1,波峰与该波峰后一个临界点临界值之和为H2,当H1大于H2时,则该波峰所对应的半高为H1/2,反之则为H2/2。找出波峰与前一相邻临界点之间最接近或等于半高的数据点、以及波峰与后一相邻临界点之间最接近或等于半高的数据点,如图8所示,根据两个数据点在平滑离散数据序列中的排列位置,确定波峰的半高宽。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种离散数据序列临界点的确定装置,该装置包括:
平滑处理模块902,用于对获取的离散数据序列进行平滑处理,得到平滑离散数据序列。
极值识别模块904,用于识别平滑离散数据序列中的极值,构建极值数据序列,极值数据序列包括极大值数据序列和极小值数据序列中的至少一个。
平均值确定模块906,用于分别以极值数据序列中的每一极值为目标极值,确定极值数据序列中与目标极值相邻的至少两个相邻数据分别与目标极值之间的差值的平均值。
目标数据确定模块908,用于以目标极值为中心,基于极值数据序列中各数据与目标极值的大小比较结果,确定极值数据序列中的目标范围,识别目标范围内与目标极值的差值小于或等于平均值的目标数据。
临界点确定模块910,用于基于各目标数据在平滑离散数据序列中的排列位置,确定目标极值对应的临界点在平滑离散序列数据中的排列位置,并将各目标数据的平均值确定为临界点的临界值。
在其中一个实施例中,极值识别模块还包括:
极大值数据序列构建单元,用于当待确定的临界点包括离散数据序列的波峰时,识别平滑离散数据序列中的极大值,基于各极大值在平滑离散数据序列中的排列顺序,构建极大值数据序列。
极大值数据序列构建单元,用于当待确定的临界点包括离散数据序列的波谷时,识别平滑离散数据序列中的极小值,基于各极小值在平滑离散数据序列中的排列顺序,构建极小值数据序列。
在其中一个实施例中,目标数据确定模块还包括:
搜索数据确定单元,用于基于目标极值在极值数据序列中的目标排列位置,以目标排列位置为中心分别进行前向搜索和后向搜索,直至分别搜索到与目标极值的差值大于平均值的N个连续数据,得到极值数据序列中的搜索数据。
目标范围确定单元,用于确定搜索数据所构成的目标范围。
在其中一个实施例中,极大值数据序列对应的临界点为波峰,极小值数据序列对应的临界点为波谷。
离散数据序列临界点的确定装置还包括:
数据序列更新模块,用于当待确定的临界点还包括***波峰时,将波峰和波谷添加至平滑离散数据序列,得到更新的数据序列。
非离群数据点确定模块,用于识别并剔除更新的数据序列中相邻的波峰和波谷之间的离群数据点,得到更新的数据序列中相邻的波峰和波谷之间的非离群数据点。
***波峰确定模块,用于基于各非离群数据点在平滑离散数据序列中的排列位置和取值,确定相邻的波峰和波谷之间的***波峰。
在其中一个实施例中,非离群数据点确定模块还包括:
最大差值确定单元,用于确定相邻的波峰和波谷之间的数据点的最大差值。
离群数据点剔除单元,用于根据最大差值,对相邻的波峰和波谷之间的数据点进行聚类分析,得到离群数据点,并将离群数据点剔除。
在其中一个实施例中,离散数据序列临界点的确定装置还包括:
波峰相邻临界点确定模块,用于基于临界点包含波峰、波谷以及***波峰的更新数据序列,确定更新数据序列中每一波峰的两个相邻临界点。
半高确定模块,用于将波峰与两个相邻临界点的取值之和中数值较大者的一半确定波峰的半高。
相邻数据点确定模块,用于从波峰到前一相邻临界点之间获取取值与半高最接近的第一数据点,并从波峰到后一相邻临界点之间获取取值与半高最接近的第二数据点。
半高宽确定模块,用于基于第一数据点与第二数据点在平滑离散数据序列中的排列位置,确定波峰的半高宽。
上述离散数据序列临界点的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储离散数据序列、平滑离散数据序列、极值数据序列、目标极值相邻的至少两个相邻数据分别与目标极值之间的差值的平均值、极值数据序列中的目标范围、目标数据、目标数据的平均值、以及目标数据在平滑离散数据序列中的排列位置。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种离散数据序列临界点的确定方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对获取的离散数据序列进行平滑处理,得到平滑离散数据序列。识别平滑离散数据序列中的极值,构建极值数据序列,极值数据序列包括极大值数据序列和极小值数据序列中的至少一个。分别以极值数据序列中的每一极值为目标极值,确定极值数据序列中与目标极值相邻的至少两个相邻数据分别与目标极值之间的差值的平均值。以目标极值为中心,基于极值数据序列中各数据与目标极值的大小比较结果,确定极值数据序列中的目标范围,识别目标范围内与目标极值的差值小于或等于平均值的目标数据。基于各目标数据在平滑离散数据序列中的排列位置,确定目标极值对应的临界点在平滑离散序列数据中的排列位置,并将各目标数据的平均值确定为临界点的临界值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当待确定的临界点包括离散数据序列的波峰时,识别平滑离散数据序列中的极大值,基于各极大值在平滑离散数据序列中的排列顺序,构建极大值数据序列。当待确定的临界点包括离散数据序列的波谷时,识别平滑离散数据序列中的极小值,基于各极小值在平滑离散数据序列中的排列顺序,构建极小值数据序列。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于目标极值在极值数据序列中的目标排列位置,以目标排列位置为中心分别进行前向搜索和后向搜索,直至分别搜索到与目标极值的差值大于平均值的N个连续数据,得到极值数据序列中的搜索数据。确定搜索数据所构成的目标范围。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
极大值数据序列对应的临界点为波峰,极小值数据序列对应的临界点为波谷。离散数据序列临界点的确定方法还包括:当待确定的临界点还包括***波峰时,将波峰和波谷添加至平滑离散数据序列,得到更新的数据序列。识别并剔除更新的数据序列中相邻的波峰和波谷之间的离群数据点,得到更新的数据序列中相邻的波峰和波谷之间的非离群数据点。基于各非离群数据点在平滑离散数据序列中的排列位置和取值,确定相邻的波峰和波谷之间的***波峰。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
确定相邻的波峰和波谷之间的数据点的最大差值。根据最大差值,对相邻的波峰和波谷之间的数据点进行聚类分析,得到离群数据点,并将离群数据点剔除。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于临界点包含波峰、波谷以及***波峰的更新数据序列,确定更新数据序列中每一波峰的两个相邻临界点。将波峰与两个相邻临界点的取值之和中数值较大者的一半确定波峰的半高。从波峰到前一相邻临界点之间获取取值与半高最接近的第一数据点,并从波峰到后一相邻临界点之间获取取值与半高最接近的第二数据点。基于第一数据点与第二数据点在平滑离散数据序列中的排列位置,确定波峰的半高宽。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对获取的离散数据序列进行平滑处理,得到平滑离散数据序列。识别平滑离散数据序列中的极值,构建极值数据序列,极值数据序列包括极大值数据序列和极小值数据序列中的至少一个。分别以极值数据序列中的每一极值为目标极值,确定极值数据序列中与目标极值相邻的至少两个相邻数据分别与目标极值之间的差值的平均值。以目标极值为中心,基于极值数据序列中各数据与目标极值的大小比较结果,确定极值数据序列中的目标范围,识别目标范围内与目标极值的差值小于或等于平均值的目标数据。基于各目标数据在平滑离散数据序列中的排列位置,确定目标极值对应的临界点在平滑离散序列数据中的排列位置,并将各目标数据的平均值确定为临界点的临界值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当待确定的临界点包括离散数据序列的波峰时,识别平滑离散数据序列中的极大值,基于各极大值在平滑离散数据序列中的排列顺序,构建极大值数据序列。当待确定的临界点包括离散数据序列的波谷时,识别平滑离散数据序列中的极小值,基于各极小值在平滑离散数据序列中的排列顺序,构建极小值数据序列。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于目标极值在极值数据序列中的目标排列位置,以目标排列位置为中心分别进行前向搜索和后向搜索,直至分别搜索到与目标极值的差值大于平均值的N个连续数据,得到极值数据序列中的搜索数据。确定搜索数据所构成的目标范围。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
极大值数据序列对应的临界点为波峰,极小值数据序列对应的临界点为波谷。离散数据序列临界点的确定方法还包括:当待确定的临界点还包括***波峰时,将波峰和波谷添加至平滑离散数据序列,得到更新的数据序列。识别并剔除更新的数据序列中相邻的波峰和波谷之间的离群数据点,得到更新的数据序列中相邻的波峰和波谷之间的非离群数据点。基于各非离群数据点在平滑离散数据序列中的排列位置和取值,确定相邻的波峰和波谷之间的***波峰。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定相邻的波峰和波谷之间的数据点的最大差值。根据最大差值,对相邻的波峰和波谷之间的数据点进行聚类分析,得到离群数据点,并将离群数据点剔除。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于临界点包含波峰、波谷以及***波峰的更新数据序列,确定更新数据序列中每一波峰的两个相邻临界点。将波峰与两个相邻临界点的取值之和中数值较大者的一半确定波峰的半高。从波峰到前一相邻临界点之间获取取值与半高最接近的第一数据点,并从波峰到后一相邻临界点之间获取取值与半高最接近的第二数据点。基于第一数据点与第二数据点在平滑离散数据序列中的排列位置,确定波峰的半高宽。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
对获取的离散数据序列进行平滑处理,得到平滑离散数据序列。识别平滑离散数据序列中的极值,构建极值数据序列,极值数据序列包括极大值数据序列和极小值数据序列中的至少一个。分别以极值数据序列中的每一极值为目标极值,确定极值数据序列中与目标极值相邻的至少两个相邻数据分别与目标极值之间的差值的平均值。以目标极值为中心,基于极值数据序列中各数据与目标极值的大小比较结果,确定极值数据序列中的目标范围,识别目标范围内与目标极值的差值小于或等于平均值的目标数据。基于各目标数据在平滑离散数据序列中的排列位置,确定目标极值对应的临界点在平滑离散序列数据中的排列位置,并将各目标数据的平均值确定为临界点的临界值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当待确定的临界点包括离散数据序列的波峰时,识别平滑离散数据序列中的极大值,基于各极大值在平滑离散数据序列中的排列顺序,构建极大值数据序列。当待确定的临界点包括离散数据序列的波谷时,识别平滑离散数据序列中的极小值,基于各极小值在平滑离散数据序列中的排列顺序,构建极小值数据序列。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于目标极值在极值数据序列中的目标排列位置,以目标排列位置为中心分别进行前向搜索和后向搜索,直至分别搜索到与目标极值的差值大于平均值的N个连续数据,得到极值数据序列中的搜索数据。确定搜索数据所构成的目标范围。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
极大值数据序列对应的临界点为波峰,极小值数据序列对应的临界点为波谷。离散数据序列临界点的确定方法还包括:当待确定的临界点还包括***波峰时,将波峰和波谷添加至平滑离散数据序列,得到更新的数据序列。识别并剔除更新的数据序列中相邻的波峰和波谷之间的离群数据点,得到更新的数据序列中相邻的波峰和波谷之间的非离群数据点。基于各非离群数据点在平滑离散数据序列中的排列位置和取值,确定相邻的波峰和波谷之间的***波峰。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定相邻的波峰和波谷之间的数据点的最大差值。根据最大差值,对相邻的波峰和波谷之间的数据点进行聚类分析,得到离群数据点,并将离群数据点剔除。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于临界点包含波峰、波谷以及***波峰的更新数据序列,确定更新数据序列中每一波峰的两个相邻临界点。将波峰与两个相邻临界点的取值之和中数值较大者的一半确定波峰的半高。从波峰到前一相邻临界点之间获取取值与半高最接近的第一数据点,并从波峰到后一相邻临界点之间获取取值与半高最接近的第二数据点。基于第一数据点与第二数据点在平滑离散数据序列中的排列位置,确定波峰的半高宽。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种离散数据序列临界点的确定方法,其特征在于,所述方法包括:
对获取的离散数据序列进行平滑处理,得到平滑离散数据序列;
识别所述平滑离散数据序列中的极值,构建极值数据序列,所述极值数据序列包括极大值数据序列和极小值数据序列中的至少一个;
分别以所述极值数据序列中的每一所述极值为目标极值,确定所述极值数据序列中与所述目标极值相邻的至少两个相邻数据分别与所述目标极值之间的差值的平均值;
以所述目标极值为中心,基于所述极值数据序列中各数据与所述目标极值的大小比较结果,确定所述极值数据序列中的目标范围,识别所述目标范围内与所述目标极值的差值小于或等于所述平均值的目标数据;
基于各所述目标数据在所述平滑离散数据序列中的排列位置,确定所述目标极值对应的临界点在所述平滑离散序列数据中的排列位置,并将各所述目标数据的平均值确定为所述临界点的临界值。
2.根据权利要求1所述的方法,其特征在于,所述识别所述平滑离散数据序列中的极值,构建极值数据序列,包括:
当待确定的临界点包括所述离散数据序列的波峰时,识别所述平滑离散数据序列中的极大值,基于各所述极大值在所述平滑离散数据序列中的排列顺序,构建极大值数据序列;
当待确定的临界点包括所述离散数据序列的波谷时,识别所述平滑离散数据序列中的极小值,基于各所述极小值在所述平滑离散数据序列中的排列顺序,构建极小值数据序列。
3.根据权利要求1所述的方法,其特征在于,所述以所述目标极值为中心,基于所述极值数据序列中各数据与所述目标极值的大小比较结果,确定所述极值数据序列中的目标范围,包括:
基于所述目标极值在所述极值数据序列中的目标排列位置,以所述目标排列位置为中心分别进行前向搜索和后向搜索,直至分别搜索到与所述目标极值的差值大于所述平均值的N个连续数据,得到所述极值数据序列中的搜索数据;
确定所述搜索数据所构成的目标范围。
4.根据权利要求1所述的方法,其特征在于,所述极大值数据序列对应的临界点为波峰,所述极小值数据序列对应的临界点为波谷;
所述方法还包括:
当待确定的临界点还包括***波峰时,将所述波峰和所述波谷添加至所述平滑离散数据序列,得到更新的数据序列;
识别并剔除所述更新的数据序列中相邻的波峰和波谷之间的离群数据点,得到所述更新的数据序列中相邻的波峰和波谷之间的非离群数据点;
基于各所述非离群数据点在所述平滑离散数据序列中的排列位置和取值,确定所述相邻的波峰和波谷之间的***波峰。
5.根据权利要求4所述的方法,其特征在于,所述识别并剔除所述更新的数据序列中相邻的波峰和波谷之间的离群数据点,包括:
确定所述相邻的波峰和波谷之间的数据点的最大差值;
根据所述最大差值,对所述相邻的波峰和波谷之间的数据点进行聚类分析,得到离群数据点,并将所述离群数据点剔除。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
基于临界点包含所述波峰、所述波谷以及所述***波峰的更新数据序列,确定所述更新数据序列中每一波峰的两个相邻临界点;
将所述波峰与两个所述相邻临界点的取值之和中数值较大者的一半确定所述波峰的半高;
从所述波峰到前一所述相邻临界点之间获取取值与所述半高最接近的第一数据点,并从所述波峰到后一所述相邻临界点之间获取取值与所述半高最接近的第二数据点;
基于所述第一数据点与所述第二数据点在所述平滑离散数据序列中的排列位置,确定所述波峰的半高宽。
7.一种离散数据序列临界点的确定装置,其特征在于,所述装置包括:
平滑处理模块,用于对获取的离散数据序列进行平滑处理,得到平滑离散数据序列;
极值识别模块,用于识别所述平滑离散数据序列中的极值,构建极值数据序列,所述极值数据序列包括极大值数据序列和极小值数据序列中的至少一个;
平均值确定模块,用于分别以所述极值数据序列中的每一所述极值为目标极值,确定所述极值数据序列中与所述目标极值相邻的至少两个相邻数据分别与所述目标极值之间的差值的平均值;
目标数据确定模块,用于以所述目标极值为中心,基于所述极值数据序列中各数据与所述目标极值的大小比较结果,确定所述极值数据序列中的目标范围,识别所述目标范围内与所述目标极值的差值小于或等于所述平均值的目标数据;
临界点确定模块,用于基于各所述目标数据在所述平滑离散数据序列中的排列位置,确定所述目标极值对应的临界点在所述平滑离散序列数据中的排列位置,并将各所述目标数据的平均值确定为所述临界点的临界值。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202551.7A CN115409070A (zh) | 2022-09-29 | 2022-09-29 | 离散数据序列临界点的确定方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202551.7A CN115409070A (zh) | 2022-09-29 | 2022-09-29 | 离散数据序列临界点的确定方法、装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115409070A true CN115409070A (zh) | 2022-11-29 |
Family
ID=84166976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211202551.7A Pending CN115409070A (zh) | 2022-09-29 | 2022-09-29 | 离散数据序列临界点的确定方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409070A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118013257A (zh) * | 2024-04-07 | 2024-05-10 | 一网互通(北京)科技有限公司 | 基于数据序列的峰值查找方法、装置及电子设备 |
-
2022
- 2022-09-29 CN CN202211202551.7A patent/CN115409070A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118013257A (zh) * | 2024-04-07 | 2024-05-10 | 一网互通(北京)科技有限公司 | 基于数据序列的峰值查找方法、装置及电子设备 |
CN118013257B (zh) * | 2024-04-07 | 2024-06-07 | 一网互通(北京)科技有限公司 | 基于数据序列的峰值查找方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111522989B (zh) | 用于图像检索的方法、计算设备和计算机存储介质 | |
US8798357B2 (en) | Image-based localization | |
US20160203191A1 (en) | Recommendation system with metric transformation | |
CN111798273A (zh) | 产品的购买概率预测模型的训练方法及购买概率预测方法 | |
US20080046430A1 (en) | Clustering for structured data | |
CN110009662B (zh) | 人脸跟踪的方法、装置、电子设备及计算机可读存储介质 | |
CN109978006B (zh) | 人脸图像的聚类方法和装置 | |
CN112765362B (zh) | 基于改进自编码器的知识图谱实体对齐方法及相关设备 | |
EP4209959A1 (en) | Target identification method and apparatus, and electronic device | |
CN110837555A (zh) | 海量文本去重筛选的方法、设备和存储介质 | |
CN115409070A (zh) | 离散数据序列临界点的确定方法、装置以及设备 | |
WO2020142251A1 (en) | Prediction for time series data using a space partitioning data structure | |
CN113449062B (zh) | 轨迹处理方法、装置、电子设备和存储介质 | |
CN113568987B (zh) | 知识图谱嵌入模型的训练方法、装置、计算机设备 | |
CN111984812B (zh) | 一种特征提取模型生成方法、图像检索方法、装置及设备 | |
CN114690786A (zh) | 一种移动机器的路径规划方法和装置 | |
CN111881082A (zh) | 一种快照生成方法、装置、电子设备及存储介质 | |
US11620269B2 (en) | Method, electronic device, and computer program product for data indexing | |
CN115601550B (zh) | 模型确定方法、装置、计算机设备及计算机可读存储介质 | |
CN113420214B (zh) | 一种电子交易对象推荐方法和装置及设备 | |
CN113962156B (zh) | 基于矩阵分解模型的剪枝方法、装置、设备、存储介质 | |
US12026142B2 (en) | Method for processing data, electronic device, and non-transitory storage medium | |
CN117892166B (zh) | 稀疏数据识别方法、智能计算子***以及智能计算平台 | |
WO2023062734A1 (ja) | クラスタリング装置 | |
CN117875314A (zh) | 搜索联想词展示方法、计算机设备和计算机可读存储介质 |
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 |