CN117370827A - 一种基于深度聚类模型的风机质量等级评估方法 - Google Patents
一种基于深度聚类模型的风机质量等级评估方法 Download PDFInfo
- Publication number
- CN117370827A CN117370827A CN202311666685.9A CN202311666685A CN117370827A CN 117370827 A CN117370827 A CN 117370827A CN 202311666685 A CN202311666685 A CN 202311666685A CN 117370827 A CN117370827 A CN 117370827A
- Authority
- CN
- China
- Prior art keywords
- data set
- fan
- quality grade
- data
- missing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000007637 random forest analysis Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000007621 cluster analysis Methods 0.000 claims abstract description 4
- 230000010354 integration Effects 0.000 claims abstract description 4
- 238000007619 statistical method Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000013028 emission testing Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000009423 ventilation 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
- G06F18/23—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
- 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
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
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)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于深度聚类模型的风机质量等级评估方法。它包括结合统计分析和频域数据业务机理的整合，对原始数据集I1进行频域特征提取，以获得数据集I2；对数据集I2进行增强，以获得增强后的数据集I3；依次对增强后的数据集I3进行缺失值处理、异常值处理和归一化处理，获得处理后的数据集I4；对数据集I4通过基于自编码器的深度聚类算法模型进行聚类分析，以获得由带有质量等级标签的风机组成的数据集I5；基于随机森林算法获得带有质量等级标签的数据集I5中的每一特征的重要度W；计算第k类质量等级的风机的质量等级数值。本发明将机器深度学习和业务机理相结合，从而大幅提高了产品质量评级分析的科学性和精确性。
Description
技术领域
本发明涉及风机质量评估技术领域，具体涉及一种基于深度聚类模型的风机质量等级评估方法。
背景技术
风机是一种能够将空气或气体输送或循环的机械设备，通常由电机、叶轮和机壳等部分组成。风机广泛应用于工业、建筑、农业、船舶等领域，用于通风、换气、降温、除尘、干燥、加热等作用。不同类型的风机具有不同的特点和用途，如轴流风机适用于大量空气输送，离心风机适用于较高的压力和流量。风机电磁兼容测试对于保证风机的正常工作、避免干扰其他设备和***、以及符合相关标准和法规等方面都具有重要的必要性。
在企业生产出风机产品之后，需要对其进行电磁兼容性测试，主要包括EMI（电磁干扰度）和EMS（电磁抗扰度）。前者是指电磁波与电子元件作用后而产生的干扰现象，传输途径分传导传输方式和辐射传输方式。传导发射（CE）属于第一种，主要测试电子、电气设备或***在正常工作时自身的电压电流通过信号线、电源线或地线传输出去而对其他设备造成的干扰强度，测试这些干扰量是否超过标准要求的界限值。几乎所有具备电源线的产品都会涉及到传导发射测试。
一方面，随着制造企业生产的产品复杂度的增加，企业对产品的质量提出了更高的要求，而对产品进行质量评估是提高产品质量与可靠性、降低研制成本的重要途径。另一方面，随着客户数据体量不断加速膨胀带来的消费升级，客户对于风机产品的需求也越来越多样化，企业实现精准化营销触达客户，为客户提供个性化的需求管理，也成为了今后企业在客户营销方面重要的探索方向。
大量学者将实验方法和聚类、决策树、神经网络等机器学习、人工智能算法应用到了产品质量等级评估分析中，取得了一定的效果。但仍存在以下不足：对于电磁兼容测试过程涉及到的频域数据分析不足，漏掉了一些影响被测产品质量的重要参数，没有将测试参数和人工经验结合起来，去***地考虑产品的质量，这些关系可能对产品质量有重要影响，因此导致相关的质量分析的准确性仍然不高。
发明内容
本发明的目的是针对现有技术存在的不足，提供一种基于深度聚类模型的风机质量等级评估方法。
为实现上述目的，本发明提供了一种基于深度聚类模型的风机质量等级评估方法，包括：
步骤1、结合统计分析和频域数据业务机理的整合，对原始数据集I1进行频域特征提取，以获得数据集I2；
步骤2、对所述数据集I2进行增强，以获得增强后的数据集I3；
步骤3、依次对增强后的数据集I3进行缺失值处理、异常值处理和归一化处理，获得处理后的数据集I4；
步骤4、对所述数据集I4通过基于自编码器的深度聚类算法模型进行聚类分析，以获得由带有质量等级标签的风机组成的数据集I5；
步骤5、基于随机森林算法获得所述带有质量等级标签的数据集I5中的每一特征的重要度W；
步骤6、计算第k类质量等级的风机的质量等级数值为：
其中，为各个评估指标下第k类质量等级所有风机的和值所组成的向量、/>第k类风机的数量，/>为根据人工经验赋权的结果存入的经验向量，T为转置符号；
步骤7、通过质量等级数值判断风机的质量等级，质量等级数值/>越小，则表示该风机的质量等级越高。
进一步的，所述步骤2中基于Mixup算法对所述数据集I2进行增强，具体如下：
其中，为数据集I3中增强获得的样本，/>和/>分别为从数据集I2中随机抽取的两个风机样本，/>为融合系数。
进一步的，所述步骤3中的缺失值处理的具体方式如下：
判断数据集I3中是否存在缺失的特征数据，具体如下：
统计数据集I3中特征数据数量n和非空特征数据数量m，若n不等于m，则表示数据集I3中存在缺失的特征数据；
对数据集中缺失的特征数据进行填充，具体如下：
计算缺失特征数据所在列数据的均值β，使用缺失列均值β对原始数据集中缺失的特征数据进行填充。
进一步的，所述步骤3中的异常值处理的具体方式如下：
利用异常数据挖掘算法对存在异常的数据进行分析与挖掘，然后通过分析直接删除或视为缺失值进行相关处理。
进一步的，所述步骤3中基于min-max标准化对增强后的数据集I3进行归一化处理。
进一步的，所述数据集I2中的特征包括风机的平均频率、重心频率、均方根频率、均方频率、频率标准差、频率方差、幅值方差和幅值标准差。
有益效果：本发明针对风机测试的频域数据集进行特征提取，采用基于自编码器的深度聚类算法使聚类效果较传统方法更加明显，然后进行质量评估，相较于只考虑单个因素例如方差波动使评级效果较为单一，本发明一方面提取平均频率，反映极端工况下的重心频率等特征，增强了评估的全面性和综合性；另一方面，创新地结合人工经验组合赋权±，在计算质量等级指标的公式中引入参数，提高了评估的准确性，将机器深度学习和业务机理相结合，从而大幅提高了产品质量评级分析的科学性和精确性。
附图说明
图1是本发明实施例的基于深度聚类模型的风机质量等级评估方法的流程图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，本实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
如图1所示，本发明实施例提供了一种基于深度聚类模型的风机质量等级评估方法，包括：
步骤1、结合统计分析和频域数据业务机理的整合，对原始数据集I1进行频域特征提取，以获得数据集I2。具体的，数据集I2主要包括风机的平均频率、重心频率、均方根频率、均方频率、频率标准差、频率方差、幅值方差和幅值标准差等特征。
步骤2、对所述数据集I2进行增强，以获得增强后的数据集I3。优选基于Mixup算法对数据集I2进行增强，具体如下：
其中，为数据集I3中增强获得的样本，/>和/>分别为从数据集I2中随机抽取的两个风机样本，/>为融合系数。通过对随机抽取的风机样本进行线性凸合并得到新的数据集I3，新的数据集I3既包含了原始风机样本数据信息，又不完全同于原始风机样本。
步骤3、依次对增强后的数据集I3进行缺失值处理、异常值处理和归一化处理，获得处理后的数据集I4。
具体的，上述缺失值处理的具体方式如下：
判断数据集I3中是否存在缺失的特征数据，具体如下：
统计数据集I3中特征数据数量n和非空特征数据数量m，若n不等于m，则表示数据集I3中存在缺失的特征数据。
对数据集中缺失的特征数据进行填充，具体如下：
计算缺失特征数据所在列数据的均值β，使用缺失列均值β对原始数据集中缺失的特征数据进行填充，从而得到完整的特征数据集。
上述异常值处理的具体方式如下：
利用异常数据挖掘算法对存在异常的数据进行分析与挖掘，然后通过分析直接删除或视为缺失值进行相关处理。上述异常数据是指风机样本中个别数据与其所在集合中的多数数据有较大差异，或与集合中其余数据有不同分布的数据。
优选基于min-max标准化对增强后的数据集I3进行归一化处理。min-max标准化也叫最小-最大规范化或离差标准化，该方法通过对特征数据进行线性变换，将特征数据压缩到[0,1]区间。
步骤4、对数据集I4通过基于自编码器的深度聚类算法模型进行聚类分析，以获得由带有质量等级标签的风机组成的数据集I5。
上述基于自编码器的深度聚类算法模型是通过以下方式训练合格的：
用AE进行参数初始化，这一步和VaDE的预训练很像，是为了让模型在初始化时就学习到良好的隐空间表示。对于聚类中心的初始化，在隐空间中使用标准的K-means方法。具体的，以为编码器的映射，即嵌入点/>，其中，/>是训练数据集X中的风机样本。预训练后，所有嵌入点/>可以通过编码器的映射/>提取，然后对嵌入点集合/>使用K‐means聚类得到初始的聚类中心簇/>。
用KL散度作为LOSS进行优化参数，该参数包括两部分{θ，μ}，θ是encoder的神经网络参数，μ是聚类中心。在这个过程首先计算隐空间的数据点和聚类中心的“软概率分布”，接着通过一个辅助的目标分布来计算KL散度作为损失函数以此来更新参数。具体过程如下：
经过初始化自编码器，然后移除解码器部分，通过优化以下目标，对剩余编码器部分进行微调。
在辅助目标分布的帮助下，通过从高置信度分配中学习来迭代地细化聚类，即通过匹配软分配到目标分布进行训练。优化目标为损失函数L，定义为软分配和辅助分布之间的KL散度损失。其过程中对样本进行标签分配，样本/>的预测标签为/>，上述损失函数L为：
根据下式计算损失函数L为：
其中，为真实分布P相对于拟合分布Q的KL散度，目标分布P由Q定义，其中P为真实分布，Q为P的拟合分布，所以对L的最小化优化是自我训练的一种形式。上述软分配/>实质上为嵌入点/>和聚类中心/>之间的相似性，由students-t分布测定，具体如下：
辅助分布的计算方式如下：
在对风机样本进行标签分配后，风机样本的预测标签为。在反向传播的过程中，L关于嵌入点/>和聚类中心/>的导函数/>和/>可以很容易求得，然后它们分别被传递用来更新编码器的映射/>和聚类中心/>，其中聚类中心/>的更新当时如下：
其中，为更新后的聚类中心，/>为更新前的聚类中心，/>为学习率。
步骤5、基于随机森林算法获得所述带有质量等级标签的数据集I5中的每一特征的重要度W。随机森林（Random forest，RF）算法作为集成学习中Bagging方法的变体，RF在训练决策树时引入了新的随机属性，即样本选择随机和特征选择随机。RF性能强，训练速度快，可以处理高维度数据，因此常用于分类任务中，通过投票机制，根据少数服从多数原则，确定样本所属的类别并进行特征评价，得到特征重要度W，作为质量评估指标的权重向量：
其计算过程具体如下：
（1）对数据集中的风机样本进行有放回随机抽样。设数据集共有N条风机样本，每次抽取T（T≤N）条风机样本，随机抽取K次。将每次未被抽取的（N-T）条数据作为袋外测试数据。
（2）基于随机抽取的K个数据集，对每一个数据集中的特征进行随机抽样。设数据集共有d个特征，每一次随机抽取f（f<d）个特征，一般选取特征的数目或。
（3）针对每一个质量指标数据集，构建单棵树模型，并以随机森林中的基尼指数作为树模型最优节点划分标准。
（4）使每个树完全生长，直到达到预先设置的决策树终止条件。
（5）计算随机森林分类模型的分类准确率。
其中TP表示正确的肯定；TN表示正确的否定，FP表示错误的肯定，FN表示错误的否定。
（6）运用熵权法计算特征重要度分数。信息熵是度量风机样本集合纯度最常用的一种指标，假定当前风机样本集合中第j向指标下第i类风机样本占该指标的比重为，则第j项指标的熵值/>为：
其中，满足/>。
根据指标熵值的计算公式，假设风机产品装配质量多个评估指标的信息熵分别为，则权重的计算公式为：
步骤6、计算第k类质量等级的风机的质量等级数值为：
其中，为各个评估指标下第k类质量等级所有风机的和值所组成的向量、/>第k类风机的数量，/>为根据人工经验赋权的结果存入的经验向量，/>，T为转置符号。
步骤7、通过质量等级数值判断风机的质量等级，质量等级数值/>越小，则表示该风机的质量等级越高。即包括产品质量稳定性、极端工况下的适应性等等在内的综合性能是越好的，实现了风机的质量等级评估。
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，其它未具体描述的部分，属于现有技术或公知常识。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为本发明的保护范围。
Claims (6)
1.一种基于深度聚类模型的风机质量等级评估方法，其特征在于，包括：
步骤1、结合统计分析和频域数据业务机理的整合，对原始数据集I1进行频域特征提取，以获得数据集I2；
步骤2、对所述数据集I2进行增强，以获得增强后的数据集I3；
步骤3、依次对增强后的数据集I3进行缺失值处理、异常值处理和归一化处理，获得处理后的数据集I4；
步骤4、对所述数据集I4通过基于自编码器的深度聚类算法模型进行聚类分析，以获得由带有质量等级标签的风机组成的数据集I5；
步骤5、基于随机森林算法获得所述带有质量等级标签的数据集I5中的每一特征的重要度W；
步骤6、计算第k类质量等级的风机的质量等级数值为：
；
其中，为各个评估指标下第k类质量等级所有风机的和值所组成的向量、/>第k类风机的数量，/>为根据人工经验赋权的结果存入的经验向量，T为转置符号；
步骤7、通过质量等级数值判断风机的质量等级，质量等级数值/>越小，则表示该风机的质量等级越高。
2.根据权利要求1所述的一种基于深度聚类模型的风机质量等级评估方法，其特征在于，所述步骤2中基于Mixup算法对所述数据集I2进行增强，具体如下：
；
其中，为数据集I3中增强获得的样本，/>和/>分别为从数据集I2中随机抽取的两个风机样本，/>为融合系数。
3.根据权利要求1所述的一种基于深度聚类模型的风机质量等级评估方法，其特征在于，所述步骤3中的缺失值处理的具体方式如下：
判断数据集I3中是否存在缺失的特征数据，具体如下：
统计数据集I3中特征数据数量n和非空特征数据数量m，若n不等于m，则表示数据集I3中存在缺失的特征数据；
对数据集中缺失的特征数据进行填充，具体如下：
计算缺失特征数据所在列数据的均值β，使用缺失列均值β对原始数据集中缺失的特征数据进行填充。
4.根据权利要求1所述的一种基于深度聚类模型的风机质量等级评估方法，其特征在于，所述步骤3中的异常值处理的具体方式如下：
利用异常数据挖掘算法对存在异常的数据进行分析与挖掘，然后通过分析直接删除或视为缺失值进行相关处理。
5.根据权利要求1所述的一种基于深度聚类模型的风机质量等级评估方法，其特征在于，所述步骤3中基于min-max标准化对增强后的数据集I3进行归一化处理。
6.根据权利要求1所述的一种基于深度聚类模型的风机质量等级评估方法，其特征在于，所述数据集I2中的特征包括风机的平均频率、重心频率、均方根频率、均方频率、频率标准差、频率方差、幅值方差和幅值标准差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311666685.9A CN117370827A (zh) | 2023-12-07 | 2023-12-07 | 一种基于深度聚类模型的风机质量等级评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311666685.9A CN117370827A (zh) | 2023-12-07 | 2023-12-07 | 一种基于深度聚类模型的风机质量等级评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117370827A true CN117370827A (zh) | 2024-01-09 |
Family
ID=89406241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311666685.9A Pending CN117370827A (zh) | 2023-12-07 | 2023-12-07 | 一种基于深度聚类模型的风机质量等级评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117370827A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190188416A1 (en) * | 2017-12-15 | 2019-06-20 | International Business Machines Corporation | Data de-identification based on detection of allowable configurations for data de-identification processes |
| CN110516920A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于指标融合的陀螺仪质量等级评估方法 |
| CN110675036A (zh) * | 2019-09-09 | 2020-01-10 | 河海大学 | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 |
| CN112037009A (zh) * | 2020-08-06 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于随机森林算法的消费信贷场景的风险评估方法 |
| CN112446597A (zh) * | 2020-11-14 | 2021-03-05 | 西安电子科技大学 | 贮箱质量评估方法、***、存储介质、计算机设备及应用 |
| CN113327062A (zh) * | 2021-06-25 | 2021-08-31 | 贵州电网有限责任公司电力科学研究院 | 信息的等级确定方法、装置、计算机设备和存储介质 |
| CN113807570A (zh) * | 2021-08-12 | 2021-12-17 | 水利部南京水利水文自动化研究所 | 基于XGBoost的水库大坝风险等级评估方法及*** |
| CN115419558A (zh) * | 2022-09-27 | 2022-12-02 | 许继电气股份有限公司 | 一种风电机组运行状态评估方法及装置 |
-
2023
- 2023-12-07 CN CN202311666685.9A patent/CN117370827A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190188416A1 (en) * | 2017-12-15 | 2019-06-20 | International Business Machines Corporation | Data de-identification based on detection of allowable configurations for data de-identification processes |
| CN110516920A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于指标融合的陀螺仪质量等级评估方法 |
| CN110675036A (zh) * | 2019-09-09 | 2020-01-10 | 河海大学 | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 |
| CN112037009A (zh) * | 2020-08-06 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于随机森林算法的消费信贷场景的风险评估方法 |
| CN112446597A (zh) * | 2020-11-14 | 2021-03-05 | 西安电子科技大学 | 贮箱质量评估方法、***、存储介质、计算机设备及应用 |
| CN113327062A (zh) * | 2021-06-25 | 2021-08-31 | 贵州电网有限责任公司电力科学研究院 | 信息的等级确定方法、装置、计算机设备和存储介质 |
| CN113807570A (zh) * | 2021-08-12 | 2021-12-17 | 水利部南京水利水文自动化研究所 | 基于XGBoost的水库大坝风险等级评估方法及*** |
| CN115419558A (zh) * | 2022-09-27 | 2022-12-02 | 许继电气股份有限公司 | 一种风电机组运行状态评估方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 陈守煜: "模糊模式识别迭代模型及在优选水电装机中的应用", 水利学报, no. 05 * |
| 黎梨苗;陈志刚;邓晓衡;桂劲松;: "基于模糊理论的主观信任综合评价模型研究", 计算机应用研究, no. 05 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114997051B (zh) | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 | |
| CN110362677B (zh) | 文本数据类别的识别方法及装置、存储介质、计算机设备 | |
| CN111553186A (zh) | 一种基于深度长短时记忆网络的电磁信号识别方法 | |
| CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及*** | |
| CN110795690A (zh) | 风电场运行异常数据检测方法 | |
| CN110263834B (zh) | 一种新能源电能质量异常值的检测方法 | |
| CN116780781B (zh) | 智能电网接入的功率管理方法 | |
| CN110321947A (zh) | 一种基于卷积神经网络的用电异常预判方法 | |
| CN105160598B (zh) | 一种基于改进em算法的电网业务分类方法 | |
| CN110544047A (zh) | 一种不良数据辨识方法 | |
| CN113839926A (zh) | 一种基于灰狼算法特征选择的入侵检测***建模方法、***及装置 | |
| CN111967501B (zh) | 一种遥测原始数据驱动的载荷状态判别方法及判别*** | |
| CN117370827A (zh) | 一种基于深度聚类模型的风机质量等级评估方法 | |
| CN115049446A (zh) | 商户识别方法、装置、电子设备及计算机可读介质 | |
| CN109508350B (zh) | 一种对数据进行采样的方法和装置 | |
| CN111950652A (zh) | 一种基于相似度的半监督学习数据分类算法 | |
| CN115344693B (zh) | 一种基于传统算法和神经网络算法融合的聚类方法 | |
| CN111209955A (zh) | 基于深度神经网络和随机森林的飞机电源***故障识别方法 | |
| CN115510964A (zh) | 一种针对液相色谱仪类科学仪器的机时计算方法 | |
| CN114610953A (zh) | 一种数据分类方法、装置、设备及存储介质 | |
| CN114301719A (zh) | 一种基于变分自编码器的恶意更新检测方法及模型 | |
| CN114091021A (zh) | 一种用于电力企业安全防护的恶意代码检测方法 | |
| CN113837096A (zh) | 一种基于ga随机森林的滚动轴承故障诊断方法 | |
| CN111191448A (zh) | 词处理方法、装置、存储介质以及处理器 | |
| CN118133065B (zh) | 一种电力数据要素的关联处理方法及装置 |
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 |