CN116743961A - 一种高空监控可视化智能分析*** - Google Patents
一种高空监控可视化智能分析*** Download PDFInfo
- Publication number
- CN116743961A CN116743961A CN202310716507.6A CN202310716507A CN116743961A CN 116743961 A CN116743961 A CN 116743961A CN 202310716507 A CN202310716507 A CN 202310716507A CN 116743961 A CN116743961 A CN 116743961A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- dimensional
- monitoring data
- module
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 143
- 238000004458 analytical method Methods 0.000 title claims abstract description 61
- 230000000007 visual effect Effects 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000011157 data evaluation Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000012800 visualization Methods 0.000 claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 8
- 238000009795 derivation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000011068 loading method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 238000007794 visualization technique Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能化分析计算领域,尤其为一种高空监控可视化智能分析***,包括:监控采集模块:用于高空监控并采集监控数据;数据处理模块:用于通过处理清洗采集的监控数据;降维分析模块:用于通过降维分析算法对处理后的监控数据进行降维处理;数据评估模块:用于对降维分析后的数据进行均衡度评估;可视化模块:用于可视化显示数据评估模块评估结果。本发明基于高空监控***,获取海量实时监控数据,通过将监控数据结构化、标准化,实现视频数据参与数据智能分析和应用,同时通过降维分析算法对获取的监控数据进行降维处理,并进行均衡度评估,借助可视化方法呈现,辅助***运维和研究员更为直观地分析复杂数据所隐藏的问题。
Description
技术领域
本发明涉及智能化分析计算领域,尤其是一种高空监控可视化智能分析***。
背景技术
监控在社会各行业领域广泛应用,尤其是高空环境的监控,逐渐在社会治理、打击预防犯罪、社会治安防控、应急处突、公共服务等各方面扮演着重要角色。然而,数据智能分析应用所需要的是结构化数据,因此监控数据一直都难以成为数据运算分析对象。随着监控的普及化,高空监控数据的影响因素逐渐增多,导致高空监控数据中的不确定性问题逐渐增多。使高维化的监控数据的可视化进程受到了阻碍,因此如何在低维空间中表示高维监控数据变得越来越重要。
本发明基于高空监控***,获取海量实时监控数据,通过将监控数据结构化、标准化,实现视频数据参与数据智能分析和应用,同时通过降维分析算法对获取的监控数据进行降维处理,并进行均衡度评估,借助可视化方法呈现,辅助***运维和研究员更为直观地分析复杂数据所隐藏的问题。
发明内容
本发明的目的是通过提出一种高空监控可视化智能分析***,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供一种高空监控可视化智能分析***,包括:
监控采集模块:用于高空监控并采集监控数据;
数据处理模块:用于通过ETL处理清洗采集的监控数据;
降维分析模块:用于通过降维分析算法对处理后的监控数据进行降维处理;
数据评估模块:用于对降维分析后的数据进行均衡度评估;
可视化模块:用于可视化显示数据评估模块评估结果。
作为本发明的一种优选技术方案:所述数据处理模块中的ETL处理具体包括对监控数据的提取、转换和装载,将所述监控采集模块采集的监控数据转换为供降维分析模块直接使用的结构化监控数据。
作为本发明的一种优选技术方案:所述降维分析模块中的降维分析算法对监控数据进行降维处理,并通过T分布随机邻接嵌入的方法对低维结构化监控数据进行处理。
作为本发明的一种优选技术方案:所述降维分析算法如下:
设高维监控数据X中任意两个结构化监控数据点xi和xj,选择结构化监控数据点xj作为结构化监控数据点xi邻近点的概率为pj|i,且条件概率服从高斯分布,δi为高斯分布的标准差,随机给定一个初始化的低维空间,在低维空间中生成低维监控信息数据Y,则在高维空间中概率表示为pj|i,低维空间中概率表示为qj|i:将低维监控信息数据Y和原始高维数据X的条件概率改进为对称的联合概率密度,即对于任意的结构化监控数据点xi和xj有pi|j=pj|i,qi|j=qj|i对称位置相等,即:
其中,xk表示高维空间中的结构化监控数据点;yi、yj和yk表示低维空间中的结构化监控数据点;
高维监控数据空间中仍使用高斯分布,但低维监控数据空间中通过采用T分布随机邻接嵌入,计算高维监控数据样本之间的联合概率密度pij:
其中,N为高维空间结构化监控数据数量;
设低维监控数据空间的联合概率密度为qij:
其中,yl表示低维空间Y中的结构化监控数据点;
引入代价函数W:
将新的代价函数进W对yi进行求导,得到计算梯度:
其中,σ表示计算梯度。
作为本发明的一种优选技术方案:所述降维分析算法中,通过改进粒子群算法进行迭代寻优,将低维监控数据空间表达式作为优化结果,对作为中间变量目标函数的代价函数W进行寻优,不断更新低维监控数据点,直至得到对应所求最优解:
其中,θ为学习率,α(t)为学习动量,t、t-1和t-2均为迭代次数,最终达到预设精度则停止运算。
作为本发明的一种优选技术方案:所述改进粒子群算法步骤如下:设第h个粒子在第t次迭代的位置和速度分别是xh,t和vh,t,粒子通过监督个体和种群极值更新位置和速度,获得最优解,其更新公式为:
vh,t+1=ω×vh,t+c1×r1×(ph-xh,t)+c2×r2×(gh-xh,t)
xh,t+1=xh,t+λ×vh,t+1
其中,vh,t+1表示第h个粒子在第t+1次迭代的速度,xh,t+1表示第h个粒子在第t+1次迭代的位置,ω表示权重,c1和c2表示学***均目标函数值,fmin为当前所有粒子的最小目标函数值,T表示最大迭代次数,t表示当前迭代次数。
作为本发明的一种优选技术方案:所述数据评估模块的均衡度评估具体如下:
设高维数据d具有n个低维取值,每个n所对应的概率为P(dn),则其香农熵H(d)表示为:
其中,P(de)为高维数据d的第e个取值de对应的概率,Hmin(d)为最小香农熵,Hmax(d)为最大香农熵,高维数据u取值数量也为n;
则高维数据d的不均衡度分布UD(d)为:
UD(d)=H(u)-H(d)=logn-H(d)
对高维数据d运用标准化均衡度进行计算:降维数据有n个取值,离散概率分布设为v,u为有相同取值数量n的分布,得到其分布v的标准化均衡度:
其中,NUD(v)表示v分布的标准化均衡度,UD(v)表示分布v的不均衡度分布,H(v)、H(u)和H(d)分别表示分布v、高维数据u和高维数据d的香农熵。
作为本发明的一种优选技术方案:所述可视化模块基于动态网络布局,对数据评估模块的评估结果进行映射处理。
作为本发明的一种优选技术方案:所述动态网络布局设定图像节点为弹簧***,每个节点受到其他节点的排斥力而不重合。
作为本发明的一种优选技术方案:所述动态网络布局融合监控数据集群和监控节点数据间的层次布局信息,并通过不同颜色显示不同层次布局信息。
本发明提供的高空监控可视化智能分析***,与现有技术相比,其有益效果有:
本发明基于高空监控***,获取海量实时监控数据,通过将监控数据结构化、标准化,实现视频数据参与数据智能分析和应用,同时通过降维分析算法对获取的监控数据进行降维处理,并进行均衡度评估,借助可视化方法呈现,辅助***运维和研究员更为直观地分析复杂数据所隐藏的问题。
附图说明
图1为本发明优选实施例的***框图。
图中各个标记的意义为:100、监控采集模块;200、数据处理模块;300、降维分析模块;400、数据评估模块;500、可视化模块。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,本发明优选实施例提供了一种高空监控可视化智能分析***,包括:
监控采集模块100:用于高空监控并采集监控数据;
数据处理模块200:用于通过ETL处理清洗采集的监控数据;
降维分析模块300:用于通过降维分析算法对处理后的监控数据进行降维处理;
数据评估模块400:用于对降维分析后的数据进行均衡度评估;
可视化模块500:用于可视化显示数据评估模块400评估结果。
所述数据处理模块200中的ETL处理具体包括对监控数据的提取、转换和装载,将所述监控采集模块100采集的监控数据转换为供降维分析模块300直接使用的结构化监控数据。
所述降维分析模块300中的降维分析算法对监控数据进行降维处理,并通过T分布随机邻接嵌入的方法对低维结构化监控数据进行处理。
所述降维分析算法如下:
设高维监控数据X中任意两个结构化监控数据点xi和xj,选择结构化监控数据点xj作为结构化监控数据点xi邻近点的概率为pj|i,且条件概率服从高斯分布,δi为高斯分布的标准差,随机给定一个初始化的低维空间,在低维空间中生成低维监控信息数据Y,则在高维空间中概率表示为pj|i,低维空间中概率表示为qj|i:将低维监控信息数据Y和原始高维数据X的条件概率改进为对称的联合概率密度,即对于任意的结构化监控数据点xi和xj有pi|j=pj|i,qi|j=qj|i对称位置相等,即:
其中,xk表示高维空间中的结构化监控数据点;yi、yj和yk表示低维空间中的结构化监控数据点;
高维监控数据空间中仍使用高斯分布,但低维监控数据空间中通过采用T分布随机邻接嵌入,计算高维监控数据样本之间的联合概率密度pij:
其中,N为高维空间结构化监控数据数量;
设低维监控数据空间的联合概率密度为qij:
其中,yl表示低维空间Y中的结构化监控数据点;
引入代价函数W:
将新的代价函数进W对yi进行求导,得到计算梯度:
其中,σ表示计算梯度。
所述降维分析算法中,通过改进粒子群算法进行迭代寻优,将低维监控数据空间表达式作为优化结果,对作为中间变量目标函数的代价函数W进行寻优,不断更新低维监控数据点,直至得到对应所求最优解:
其中,θ为学习率,α(t)为学习动量,t、t-1和t-2均为迭代次数,最终达到预设精度则停止运算。
所述改进粒子群算法步骤如下:设第h个粒子在第t次迭代的位置和速度分别是xh,t和vh,t,粒子通过监督个体和种群极值更新位置和速度,获得最优解,其更新公式为:
vh,t+1=ω×vh,t+c1×r1×(ph-xh,t)+c2×r2×(gh-xh,t)
xh,t+1=xh,t+λ×vh,t+1
其中,vh,t+1表示第h个粒子在第t+1次迭代的速度,xh,t+1表示第h个粒子在第t+1次迭代的位置,ω表示权重,c1和c2表示学***均目标函数值,fmin为当前所有粒子的最小目标函数值,T表示最大迭代次数,t表示当前迭代次数。
所述数据评估模块400的均衡度评估具体如下:
设高维数据d具有n个低维取值,每个n所对应的概率为P(dn),则其香农熵H(d)表示为:
其中,P(de)为高维数据d的第e个取值de对应的概率,Hmin(d)为最小香农熵,Hmax(d)为最大香农熵,高维数据u取值数量也为n;
则高维数据d的不均衡度分布UD(d)为:
UD(d)=H(u)-H(d)=logn-H(d)
对高维数据d运用标准化均衡度进行计算:降维数据有n个取值,离散概率分布设为v,u为有相同取值数量n的分布,得到其分布v的标准化均衡度:
其中,NUD(v)表示v分布的标准化均衡度,UD(v)表示分布v的不均衡度分布,H(v)、H(u)和H(d)分别表示分布v、高维数据u和高维数据d的香农熵。
所述可视化模块500基于动态网络布局,对数据评估模块400的评估结果进行映射处理。
所述动态网络布局设定图像节点为弹簧***,每个节点受到其他节点的排斥力而不重合。
所述动态网络布局融合监控数据集群和监控节点数据间的层次布局信息,并通过不同颜色显示不同层次布局信息。
本实施例中,监控采集模块100进行高空监控并采集监控数据,再将采集的监控数据预存储至时间序列数据库中。数据处理模块200从时间序列数据库中按照时间顺序提取采集的监控数据,并通过ETL处理对监控数据进行提取、转换和装载,将其转化为能够供降维分析模块300直接使用的结构化监控数据。降维分析模块300接收数据处理模块处理完成的结构化监控数据,降维分析算法在低维空间中保持了高维数据的结构,能更多保留原始数据的信息,且改善了数据拥挤问题和数据可视化效果。
设高维监控数据X中任意两个监控数据点xi和xj,选择监控数据点xj作为监控数据点xi邻近点的概率为pj|i,且条件概率服从高斯分布,σi为高斯分布的标准差,随机给定一个初始化的低维空间,在低维空间中生成低维监控信息数据Y,则在高维空间中概率表示为pj|i,低维空间中概率表示为qj|i:
其中,xk表示高维空间中的结构化监控数据点;yi、yj和yk表示低维空间中的结构化监控数据点,δi为高斯分布标准差,
高维监控数据空间中仍使用高斯分布,但低维监控数据空间中通过采用T分布随机邻接嵌入,计算高维监控数据样本之间的联合概率密度pij:
其中,N为高维空间结构化监控数据数量;
设低维监控数据空间的联合概率密度为qij:
其中,yl表示低维空间Y中的结构化监控数据点;
若高维监控数据空间和低维监控数据空间都采用高斯分布,容易造成数据拥挤不易分辨的问题。采用T分布随机邻接嵌入的方法,解决了高维监控数据在低维空间可视化时,监控数据点在可视化模块500的数据拥挤问题。
引入代价函数W:
将新的代价函数进W对yi进行求导,得到计算梯度:
其中,σ表示计算梯度。
基于改进粒子群算法进行迭代寻优:
设第32个粒子在第16次迭代的位置和速度分别是x32,16和v32,16,粒子通过监督个体和种群极值更新位置和速度,获得最优解,其更新公式为:
v32,17=ω×v32,16+c1×r1×(p32-x32,t)+c2×r2×(g32-x32,16)
x32,17=x32,16+λ×v32,17
其中,v32,17表示第32个粒子在第17次迭代的速度,x32,17表示第32个粒子在第17次迭代的位置,ω表示权重,c1和c2表示学***均目标函数值,fmin为当前所有粒子的最小目标函数值,T表示最大迭代次数,t表示当前迭代次数。比较所有粒子目标函数值,寻找当前最优粒子目标函数值及其位置,依次更新粒子的搜索位置和搜索速度;并判断是否满足迭代终止条件,若满足,则算法结束,否则重新计算粒子目标函数值,最终输出最优解。
将低维监控数据空间表达式作为优化结果,对中间变量目标函数W进行寻优,不断更新低维监控数据点,直至得到对应所求最优解,以第52次迭代获得最优解为例:
其中,θ为学习率,α(t)为学习动量,最终达到预设精度则停止运算。
数据评估模块400对降维分析模块300降维分析获取的监控数据进行均衡度评估:
设高维数据d具有n个降维取值,每个n所对应的概率为P(dn),则其香农熵H(d)表示为:
其中,P(de)为高维数据d的第e个取值de对应的概率,Hmin(d)为最小香农熵,Hmax(d)为最大香农熵,高维数据u取值数量也为n;
则高维数据d的不均衡度分布UD(d)为:
UD(d)=H(u)-H(d)=log6-H(d)
对高维数据d运用标准化均衡度进行计算:降维数据有6个取值,离散概率分布设为v,u为有相同取值数量6的分布,得到其分布v的标准化均衡度:
其中,NUD(v)表示v分布的标准化均衡度,UD(v)表示分布v的不均衡度分布,H(v)、H(u)和H(d)分别表示分布v、高维数据u和高维数据d的香农熵。
可视化模块500基于数据评估模块400获取的监控数据评估结果进行可视化处理,构建动态网络布局,对评估结果进行映射处理,并将可视化图像中的图像节点设定为弹簧***,每个节点受到其他节点的排斥力而不重合,设定监控数据不均衡度标尺,根据监控数据的均衡度进行颜色叠加,通过不同的颜色线束不同数据的层次,便于数据的观测。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种高空监控可视化智能分析***,其特征在于:包括:
监控采集模块(100):用于高空监控并采集监控数据;
数据处理模块(200):用于通过ETL处理清洗采集的监控数据;
降维分析模块(300):用于通过降维分析算法对处理后的监控数据进行降维处理;
数据评估模块(400):用于对降维分析后的数据进行均衡度评估;
可视化模块(500):用于可视化显示数据评估模块(400)评估结果。
2.根据权利要求1所述的高空监控可视化智能分析***,其特征在于:所述数据处理模块(200)中的ETL处理具体包括对监控数据的提取、转换和装载,将所述监控采集模块(100)采集的监控数据转换为供降维分析模块(300)直接使用的结构化监控数据。
3.根据权利要求1所述的高空监控可视化智能分析***,其特征在于:所述降维分析模块(300)中的降维分析算法对监控数据进行降维处理,并通过T分布随机邻接嵌入的方法对低维结构化监控数据进行处理。
4.根据权利要求3所述的高空监控可视化智能分析***,其特征在于:所述降维分析算法如下:
设高维监控数据X中任意两个结构化监控数据点xi和xj,选择结构化监控数据点xj作为结构化监控数据点xi邻近点的概率为pj|i,且条件概率服从高斯分布,δi为高斯分布的标准差,随机给定一个初始化的低维空间,在低维空间中生成低维监控信息数据Y,则在高维空间中概率表示为pj|i,低维空间中概率表示为qj|i:将低维监控信息数据Y和原始高维数据X的条件概率改进为对称的联合概率密度,即对于任意的结构化监控数据点xi和xj有pi|j=pj|i,qi|j=qj|i对称位置相等,即:
其中,xk表示高维空间中的结构化监控数据点;yi、yj和yk表示低维空间中的结构化监控数据点;
高维监控数据空间中仍使用高斯分布,但低维监控数据空间中通过采用T分布随机邻接嵌入,计算高维监控数据样本之间的联合概率密度pij:
其中,N为高维空间结构化监控数据数量;
设低维监控数据空间的联合概率密度为qij:
其中,yl表示低维空间Y中的结构化监控数据点;
引入代价函数W:
将新的代价函数进W对yi进行求导,得到计算梯度:
其中,σ表示计算梯度。
5.根据权利要求4所述的高空监控可视化智能分析***,其特征在于:所述降维分析算法中,通过改进粒子群算法进行迭代寻优,将低维监控数据空间表达式作为优化结果,对作为中间变量目标函数的代价函数W进行寻优,不断更新低维监控数据点,直至得到对应所求最优解:
其中,θ为学习率,α(t)为学习动量,t、t-1和t-2均为迭代次数,最终达到预设精度则停止运算。
6.根据权利要求5所述的高空监控可视化智能分析***,其特征在于:所述改进粒子群算法步骤如下:设第h个粒子在第t次迭代的位置和速度分别是xh,t和vh,t,粒子通过监督个体和种群极值更新位置和速度,获得最优解,其更新公式为:
vh,t+1=ω×vh,t+c1×r1×(ph-xh,t)+c2×r2×(gh-xh,t)
xh,t+1=xh,t+λ×vh,t+1
其中,vh,t+1表示第h个粒子在第t+1次迭代的速度,xh,t+1表示第h个粒子在第t+1次迭代的位置,ω表示权重,c1和c2表示学***均目标函数值,fmin为当前所有粒子的最小目标函数值,T表示最大迭代次数,t表示当前迭代次数。
7.根据权利要求1所述的高空监控可视化智能分析***,其特征在于:所述数据评估模块(400)的均衡度评估具体如下:
设高维数据d具有n个低维取值,每个n所对应的概率为P(dn),则其香农熵H(d)表示为:
其中,P(de)为高维数据d的第e个取值de对应的概率,Hmin(d)为最小香农熵,Hmax(d)为最大香农熵,高维数据u取值数量也为n;
则高维数据d的不均衡度分布UD(d)为:
UD(d)=H(u)-H(d)=logn-H(d)
对高维数据d运用标准化均衡度进行计算:降维数据有n个取值,离散概率分布设为v,u为有相同取值数量n的分布,得到其分布v的标准化均衡度:
其中,NUD(v)表示v分布的标准化均衡度,UD(v)表示分布v的不均衡度分布,H(v)、H(u)和H(d)分别表示分布v、高维数据u和高维数据d的香农熵。
8.根据权利要求7所述的高空监控可视化智能分析***,其特征在于:所述可视化模块(500)基于动态网络布局,对数据评估模块(400)的评估结果进行映射处理。
9.根据权利要求8所述的高空监控可视化智能分析***,其特征在于:所述动态网络布局设定图像节点为弹簧***,每个节点受到其他节点的排斥力而不重合。
10.根据权利要求9所述的高空监控可视化智能分析***,其特征在于:所述动态网络布局融合监控数据集群和监控节点数据间的层次布局信息,并通过不同颜色显示不同层次布局信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310716507.6A CN116743961A (zh) | 2023-06-15 | 2023-06-15 | 一种高空监控可视化智能分析*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310716507.6A CN116743961A (zh) | 2023-06-15 | 2023-06-15 | 一种高空监控可视化智能分析*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116743961A true CN116743961A (zh) | 2023-09-12 |
Family
ID=87904153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310716507.6A Pending CN116743961A (zh) | 2023-06-15 | 2023-06-15 | 一种高空监控可视化智能分析*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116743961A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372756A (zh) * | 2016-09-07 | 2017-02-01 | 南京工程学院 | 一种基于繁殖粒子群算法的火电厂负荷优化分配方法 |
CN114492566A (zh) * | 2021-12-20 | 2022-05-13 | 西南科技大学 | 一种可调权重的高维数据降维方法及*** |
-
2023
- 2023-06-15 CN CN202310716507.6A patent/CN116743961A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372756A (zh) * | 2016-09-07 | 2017-02-01 | 南京工程学院 | 一种基于繁殖粒子群算法的火电厂负荷优化分配方法 |
CN114492566A (zh) * | 2021-12-20 | 2022-05-13 | 西南科技大学 | 一种可调权重的高维数据降维方法及*** |
Non-Patent Citations (1)
Title |
---|
唐阳坤: "基于可视化技术的高性能集群监控数据分析", 中国知网硕士电子期刊, no. 11, pages 22 - 29 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344285B (zh) | 一种面向监控的视频图谱构建和挖掘方法、设备 | |
CN109214599B (zh) | 一种对复杂网络进行链路预测的方法 | |
Shen et al. | A deep multi-label learning framework for the intelligent fault diagnosis of machines | |
CN115565232A (zh) | 基于改进YOLOv5算法的配电房开关柜柜面部件识别方法 | |
CN113037783B (zh) | 一种异常行为检测方法及*** | |
CN113642403B (zh) | 基于边缘计算的人群异动智能安全检测*** | |
CN113657678A (zh) | 一种基于信息新鲜度的电网电力数据预测方法 | |
Chen et al. | Applying Machine Learning Algorithm to Optimize Personalized Education Recommendation System | |
CN114743089B (zh) | 一种基于ssa-svm的图像识别gis故障诊断装置及方法 | |
CN111353051A (zh) | 一种基于K-means和Apriori的算法海事大数据关联分析的方法 | |
CN111966758B (zh) | 一种基于画像数据分析技术的电力隐患排查方法 | |
CN109002746A (zh) | 3d立体火灾识别方法和*** | |
CN116743961A (zh) | 一种高空监控可视化智能分析*** | |
CN113378962A (zh) | 一种基于图注意力网络的服装属性识别方法与*** | |
CN116304773A (zh) | 基于图神经网络的社区发现方法 | |
CN114880754A (zh) | 基于bim的建筑能耗管理方法及*** | |
Singh et al. | Implication of Mathematics in Data Science Technology Disciplines | |
CN111402223B (zh) | 一种利用变电站视频图像的变电站缺陷问题检测方法 | |
CN114169433A (zh) | 一种基于联邦学习+图学习+cnn的工业故障预测方法 | |
CN114140662A (zh) | 一种基于循环生成对抗网络的绝缘子雷击图像样本增广方法 | |
CN111652275B (zh) | 疏散星团识别模型构建方法、疏散星团的识别方法及*** | |
Alhaisoni et al. | SCF: smart big data classification framework | |
CN116721302B (zh) | 一种基于轻量级网络的冰雪晶粒子图像分类方法 | |
CN113254742B (zh) | 一种基于5g深度学习人工智能的展示装置 | |
Luo | Research on Artificial Intelligence Applications Based on Data Mining Algorithms in the Era of Big Data |
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 |