-
公开(公告)号：CN106709509B
公开(公告)日：2021-05-28
申请号：CN201611086623.0
申请日：2016-11-30
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 本发明提供了一种基于时间序列特殊点的卫星遥测数据聚类方法。步骤1：对原始时间序列序列集合X＝[X1,X2,…,Xl]，使用Zscore算法预处理；步骤2：使用SPSegmentation分割表示方法，提取每条原始时间序列Xi的所有特殊点，形成特殊点序列SPSi＝[xi(tp1),xi(tp2),…,xi(tpk)]，来替代原始序列作为聚类输入；步骤3：对任意两条特殊点序列SPSi和SPSj进行对应时间位置补齐处理，且使两SPS中各元素对应次序的特殊点，在原始时间轴上时间位置对齐；步骤4：对已经成对对齐的特殊点序列，进行相似性系数计算。由于已经进行序列对齐，可适用于大多数相似性度量计算，最终得到PSPS_Dist相似性矩阵；步骤5：采用凝聚层次聚类算法，实现时间序列聚类。
-
公开(公告)号：CN106778840A
公开(公告)日：2017-05-31
申请号：CN201611079220.3
申请日：2016-11-30
Applicant: 哈尔滨工业大学
Inventor： 刘大同 , 彭宇 , 张玉杰 , 宋歌 , 其他发明人请求不公开姓名
IPC: G06K9/62
CPC classification number: G06K9/6221
Abstract: 一种基于特殊点线性分段的卫星遥测数据时间序列表示方法。(1)给定时间序列X＝{x(t1),x(t2),…,x(tn)}，X的初始局部极值点为满足公式(1)所有点，以及x(t1)和x(tn)；X的初始局部极值点集合记为并且p1＝1，pm＝n(2)引入局部极值保持时间参数C值，进一步筛选出IM序列中满足公式(2)的点作为特征点；其中，1≤j≤m‑1；(3)将X的起始点和终点也添加至筛选后得到的特征点集合，得到最终的特征序列X的转折点为原序列中所有满足公式(3)，式中，1＜i＜n。从而得到转折点特征序列合并M和N，按照时间下标大小重新排序，作为序列X的关键点序列，以此关键点序列对卫星遥测原始数据进行表示。
-
公开(公告)号：CN106778839A
公开(公告)日：2017-05-31
申请号：CN201611078758.2
申请日：2016-11-30
Applicant: 哈尔滨工业大学
IPC: G06K9/62
CPC classification number: G06K9/6218
Abstract: 一种基于局部极值优化提取的卫星遥测数据时间序列表示方法。(1)给定时间序列X＝{x(t1),x(t2),…,x(tn)}，X的初始局部极值点为满足公式(1)所有点，以及x(t1)和x(tn)；X的初始局部极值点集合记为(2)引入局部极值保持时间参数C值，进一步筛选出IM序列中满足公式(2)的点作为特征点；同时，对基于保持时间为C的局部极值的提取进行优化，(3)将X的起始点和终点也添加至筛选后得到的特征点集合，得到最终的特征序列X的转折点为原序列中所有满足公式(3)的集合：合并M和N，按照时间下标大小重新排序，作为序列X的关键点序列，以此关键点序列对卫星遥测原始数据进行表示。
-
公开(公告)号：CN104156615A
公开(公告)日：2014-11-19
申请号：CN201410422010.4
申请日：2014-08-25
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 基于LS-SVM的传感器检测数据点异常检测方法，属于航天器测试数据的异常检测领域。为了解决目前对时间序列数据进行异常检测的方法实时性和有效性差的问题。它包括：一：获取训练数据和测试数据；二：建立LS-SVM预测模型，利用训练数据训练好模型；三：将测试数据中下一时刻输入向量输入模型中，获取下一时刻预测值，求出对应该时刻的真实观测值的估计方差；四：根据预测值和估计方差，确定P置信概率下的置信区间；五：当下一时刻真实观测数据到来时，判断所述真实观测数据是否在置信区间内，若是，标记正常，返回三；若否，标记异常，预测值替换观测真实数据，用替换后时间序列构造之后的输入向量，返回三。它用于航天器测试数据。
-
公开(公告)号：CN106709509A
公开(公告)日：2017-05-24
申请号：CN201611086623.0
申请日：2016-11-30
Applicant: 哈尔滨工业大学
IPC: G06K9/62
CPC classification number: G06K9/6219
Abstract: 本发明提供了一种基于时间序列特殊点的卫星遥测数据聚类方法。步骤1：对原始时间序列序列集合X＝[X1,X2,…,Xl]，使用Zscore算法预处理；步骤2：使用SPSegmentation分割表示方法，提取每条原始时间序列Xi的所有特殊点，形成特殊点序列SPSi＝[xi(tp1),xi(tp2),…,xi(tpk)]，来替代原始序列作为聚类输入；步骤3：对任意两条特殊点序列SPSi和SPSj进行对应时间位置补齐处理，且使两SPS中各元素对应次序的特殊点，在原始时间轴上时间位置对齐；步骤4：对已经成对对齐的特殊点序列，进行相似性系数计算。由于已经进行序列对齐，可适用于大多数相似性度量计算，最终得到PSPS_Dist相似性矩阵；步骤5：采用凝聚层次聚类算法，实现时间序列聚类。
-
Patent Agency Ranking
公开(公告)号：CN106778839B
公开(公告)日：2021-02-26
申请号：CN201611078758.2
申请日：2016-11-30
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种基于局部极值优化提取的卫星遥测数据时间序列表示方法。(1)给定时间序列X＝{x(t1),x(t2),…,x(tn)}，X的初始局部极值点为满足公式(1)所有点，以及x(t1)和x(tn)；X的初始局部极值点集合记为(2)引入局部极值保持时间参数C值，进一步筛选出IM序列中满足公式(2)的点作为特征点；同时，对基于保持时间为C的局部极值的提取进行优化，(3)将X的起始点和终点也添加至筛选后得到的特征点集合，得到最终的特征序列X的转折点为原序列中所有满足公式(3)的集合：合并M和N，按照时间下标大小重新排序，作为序列X的关键点序列，以此关键点序列对卫星遥测原始数据进行表示。
-
公开(公告)号：CN103974311B
公开(公告)日：2017-06-20
申请号：CN201410216320.0
申请日：2014-05-21
Applicant: 哈尔滨工业大学
IPC: H04W24/04
Abstract: 基于改进高斯过程回归方法的状态监测数据流异常检测方法，本发明涉及状态监测数据流异常检测方法。本发明是要解决现有方法处理监测数据流的异常检测效果低的问题。一、确定历史数据滑动窗口尺寸；二、确定均值函数与协方差函数的类型；三、设定超参数初始值为[0‑1]之间的随机数；四、提取与当前时刻t最近的q个数据；五、确定高斯过程回归模型；六、利用高斯过程回归模型的性质进行预测；七、计算t+1时刻的正常数据的PI；八、将监测数据与PI比较；九、判断是否将真实的监测数据标记为异常；十、计算对应于t+1时刻监测值的β(xt+1)；十一、将真实值或者预测均值与t+1添加到DT；十二、创建新的DT。本发明应用于网络通信领域。
-
公开(公告)号：CN104156473B
公开(公告)日：2017-05-03
申请号：CN201410422006.8
申请日：2014-08-25
Applicant: 哈尔滨工业大学
IPC: G06F17/30
Abstract: 一种基于LS‑SVM的传感器检测数据异常片段检测方法，涉及航天器监测数据异常检测领域。本发明是为了解决现有的单个测试点的异常检测方式难以判断时间序列中出现的短期趋势或模式出现的变化或异常的问题。该方法包括：1、设置所需检测置信概率p，检测片段长度n，片段内异常点最小个数m，2、从t0时刻起对时间序列长度n内的数据进行点异常检测置信概率为p的LS‑SVM点异常检测，获得时间序列长度n内的预测残差和数据的异常点的个数，3、根据残差和数据的异常点的个数确定异常点存在的位置。它可应用在航空航天飞行器监控领域。
-
公开(公告)号：CN104156473A
公开(公告)日：2014-11-19
申请号：CN201410422006.8
申请日：2014-08-25
Applicant: 哈尔滨工业大学
IPC: G06F17/30
CPC classification number: G05B23/0254
Abstract: 一种基于LS-SVM的传感器检测数据异常片段检测方法，涉及航天器监测数据异常检测领域。本发明是为了解决现有的单个测试点的异常检测方式难以判断时间序列中出现的短期趋势或模式出现的变化或异常的问题。该方法包括：1、设置所需检测置信概率p，检测片段长度n，片段内异常点最小个数m，2、从t0时刻起对时间序列长度n内的数据进行点异常检测置信概率为p的LS-SVM点异常检测，获得时间序列长度n内的预测残差和数据的异常点的个数，3、根据残差和数据的异常点的个数确定异常点存在的位置。它可应用在航空航天飞行器监控领域。
-
公开(公告)号：CN103974311A
公开(公告)日：2014-08-06
申请号：CN201410216320.0
申请日：2014-05-21
Applicant: 哈尔滨工业大学
IPC: H04W24/04
Abstract: 基于改进高斯过程回归方法的状态监测数据流异常检测方法，本发明涉及状态监测数据流异常检测方法。本发明是要解决现有方法处理监测数据流的异常检测效果低的问题。一、确定历史数据滑动窗口尺寸；二、确定均值函数与协方差函数的类型；三、设定超参数初始值为[0-1]之间的随机数；四、提取与当前时刻t最近的q个数据；五、确定高斯过程回归模型；六、利用高斯过程回归模型的性质进行预测；七、计算t+1时刻的正常数据的PI；八、将监测数据与PI比较；九、判断是否将真实的监测数据标记为异常；十、计算对应于t+1时刻监测值的β(xt+1)；十一、将真实值或者预测均值与t+1添加到DT；十二、创建新的DT。本发明应用于网络通信领域。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.029 seconds)
