System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及电数字数据优化处理,具体涉及一种环境温湿度智能检测过程中数据清洗方法。
技术介绍
1、环境温湿度检测是指监测和测量特定区域的温度和湿度水平,这一过程通常使用温湿度传感器或仪器来实现。在室内环境中,温湿度的合适水平有助于防止过热或过冷,减少患感冒、过敏等健康问题的风险。对于工作场所、居住区域、医疗设施和娱乐场所等不同环境,确保适宜的温湿度水平是保障人们身体健康和提升生活质量的重要步骤。例如,大型体育场馆内的观众数量庞大,大规模的人员活动以及通风系统的开启会引起温湿度的快速变化,温湿度直接影响运动员的体能和表现。因此,如何准确有效的地实现异常值清洗和缺失值填补以提高温湿度数据质量,具有十分重要的实际意义。
2、数据清洗需要先检测出数据中的异常值,然后计算一个合理值来代替该异常值。而ema指数滑动平均算法在进行异常值处理时,通过历史数据求得一个点的估算值,若估算值与实际值差异偏大,则用估算值代替实际值以达到数据清洗的目的。由于大型体育馆温湿度数据变化较快,ema算法可能无法及时捕捉到变化,因此,该方法存在对平滑因子敏感的缺陷。
技术实现思路
1、为了解决上述技术问题,本专利技术提供一种环境温湿度智能检测过程中数据清洗方法,以解决现有的问题。
2、本专利技术的一种环境温湿度智能检测过程中数据清洗方法采用如下技术方案:
3、本专利技术一个实施例提供了一种环境温湿度智能检测过程中数据清洗方法,该方法包括以下步骤:
4、s1,采集足球场馆
5、s2,对于各时间段,对温度时序数据采用集合经验模态分解算法进行分解,获得预设数量阶的imf分量;根据温度时序数据的imf分量获得模态曲线陡峭度;根据温度时序数据中的各元素以及模态曲线陡峭度计算温度本征模态异常系数;根据温度时序数据的imf分量与温度时序数据之间的皮尔逊相关系数获得近似分量,进而获得各近似分量的希尔伯特谱;根据各希尔伯特谱中包含的所有频率计算希尔伯特谱的突变量;根据所有希尔伯特谱的突变量以及温度本征模态异常系数获得时间段内的本征模态异常突变指数;根据所有近似分量中的元素获得时间段内的平均周期量;根据时间段内的本征模态异常突变指数、平均周期量以及温度时序数据获得时间段内的本征模态平均周期影响因子;
6、s3,根据当前时刻之前的预设时段内各时间段的本征模态平均周期影响因子获得当前时刻的平滑因子;根据平滑因子以及温度时序数据获得当前时刻的温度估算值,完成温度数据的清洗;对于湿度时序数据采用与温度时序数据相同的处理方法实现湿度数据的清洗;
7、所述根据温度时序数据中的各元素以及模态曲线陡峭度计算温度本征模态异常系数,包括:
8、计算模态曲线陡峭度与第一预设权值系数的乘积,记为第一乘积;获取温度时序数据中所有元素的香农熵值,计算所述香农熵值与第二预设权值系数的乘积,记为第二乘积;将第一乘积与第二乘积的和值作为时间段内的温度本征模态异常系数。
9、进一步,所述根据温度时序数据的imf分量获得模态曲线陡峭度,包括:
10、对于各阶imf分量,计算imf分量中所有元素的均值,获取imf分量中各元素与所述均值的差值绝对值;获取imf分量中所有所述差值绝对值的均值,记为第一均值;计算imf分量中所有元素的方差,记为第一方差;计算温度时序数据中包含的所有元素的方差,记为第二方差;将第一方差与第二方差的比值作为imf分量的方差贡献率;计算所述方差贡献率与第一均值的乘积;获取所述乘积与imf分量的阶数的比值,记为第一比值;
11、将所有imf分量的所述第一比值的均值作为时间段的模态曲线陡峭度。
12、进一步,所述根据温度时序数据的imf分量与温度时序数据之间的皮尔逊相关系数获得近似分量,进而获得各近似分量的希尔伯特谱,包括:
13、对于第τ阶imf分量,计算imf分量与温度时序数据之间的皮尔逊相关系数;将所述相关系数大于预设数值的imf分量记为温度时序数据的近似分量;
14、分别对各近似分量进行希尔伯特-黄变换得到各近似分量的希尔伯特谱。
15、进一步,所述根据各希尔伯特谱中包含的所有频率计算希尔伯特谱的突变量,包括:
16、对于各希尔伯特谱,获取希尔伯特谱中所有频率的极差,计算所述极差的相反数,获取以自然常数为底数,以所述相反数为指数的指数函数;获取希尔伯特谱中所有频率的最大值;
17、对于希尔伯特谱中的各频率,计算所述最大值与频率的差值,获取所述差值与所述指数函数的计算结果的比值;获取以10为底数,以所述比值为真数的对数函数;
18、将希尔伯特谱中包含的所有频率的所述对数函数的计算结果的和值作为希尔伯特谱的突变量。
19、进一步,所述根据所有希尔伯特谱的突变量以及温度本征模态异常系数获得时间段内的本征模态异常突变指数,包括:
20、对于各希尔伯特谱,获取希尔伯特谱中所有频率的和值,计算所述和值与希尔伯特谱的突变量之间的乘积;
21、获取所有希尔伯特谱的所述乘积的均值,将时间段内的温度本征模态异常系数与所述均值的乘积作为时间段内的本征模态异常突变指数。
22、进一步,所述根据所有近似分量中的元素获得时间段内的平均周期量,包括:
23、对于各近似分量,获取近似分量的所有元素中的极大值,统计所述极大值的数量,计算近似分量的所有元素的数量与所述极大值的数量的比值;
24、将所有近似分量的所述比值的均值作为时间段内的平均周期量。
25、进一步,所述根据时间段内的本征模态异常突变指数、平均周期量以及温度时序数据获得时间段内的本征模态平均周期影响因子,包括:
26、计算温度时序数据中各元素与最后一个元素之间的差值绝对值;获取温度时序数据中所有元素的所述差值绝对值的均值;
27、计算时间段内的本征模态异常突变指数与平均周期量的比值,将所述比值与所述均值的乘积作为时间段内的本征模态平均周期影响因子。
28、进一步,所述根据当前时刻之前的预设时段内各时间段的本征模态平均周期影响因子获得当前时刻的平滑因子,包括:
29、计算当前时刻之前的预设时段内各时间段的本征模态平均周期影响因子的归一化值;将预设时段内所有时间段的所述归一化值的均值作为当前时刻的平滑因子。
30、进一步,所述根据平滑因子以及温度时序数据获得当前时刻的温度估算值,完成温度数据的清洗,包括:
31、将当前时刻的平滑因子以及所述预设时段内的所有温度时序数据输入指数滑动平均算法,获得当前时刻的温度估算值;
32、若当前时刻的温度估算值与采集得到的温度测量值之间的差值绝对值大于预设误差阈值时,将当前时刻的温度测量值作为异常值,使用温度估算值替换异常值,完成温度数据的清洗。
33、本专利技术至少具有如下有益效果:
34、本本文档来自技高网...
【技术保护点】
1.一种环境温湿度智能检测过程中数据清洗方法,其特征在于,该方法包括以下步骤:
2.如权利要求1所述的一种环境温湿度智能检测过程中数据清洗方法,其特征在于,所述根据温度时序数据的IMF分量获得模态曲线陡峭度,包括:
3.如权利要求1所述的一种环境温湿度智能检测过程中数据清洗方法,其特征在于,所述根据温度时序数据的IMF分量与温度时序数据之间的皮尔逊相关系数获得近似分量,进而获得各近似分量的希尔伯特谱,包括:
4.如权利要求1所述的一种环境温湿度智能检测过程中数据清洗方法,其特征在于,所述根据各希尔伯特谱中包含的所有频率计算希尔伯特谱的突变量,包括:
5.如权利要求1所述的一种环境温湿度智能检测过程中数据清洗方法,其特征在于,所述根据所有希尔伯特谱的突变量以及温度本征模态异常系数获得时间段内的本征模态异常突变指数,包括:
6.如权利要求1所述的一种环境温湿度智能检测过程中数据清洗方法,其特征在于,所述根据所有近似分量中的元素获得时间段内的平均周期量,包括:
7.如权利要求1所述的一种环境温湿度智能检测过程中数据
8.如权利要求1所述的一种环境温湿度智能检测过程中数据清洗方法,其特征在于,所述根据当前时刻之前的预设时段内各时间段的本征模态平均周期影响因子获得当前时刻的平滑因子,包括:
9.如权利要求8所述的一种环境温湿度智能检测过程中数据清洗方法,其特征在于,所述根据平滑因子以及温度时序数据获得当前时刻的温度估算值,完成温度数据的清洗,包括:
...【技术特征摘要】
1.一种环境温湿度智能检测过程中数据清洗方法,其特征在于,该方法包括以下步骤:
2.如权利要求1所述的一种环境温湿度智能检测过程中数据清洗方法,其特征在于,所述根据温度时序数据的imf分量获得模态曲线陡峭度,包括:
3.如权利要求1所述的一种环境温湿度智能检测过程中数据清洗方法,其特征在于,所述根据温度时序数据的imf分量与温度时序数据之间的皮尔逊相关系数获得近似分量,进而获得各近似分量的希尔伯特谱,包括:
4.如权利要求1所述的一种环境温湿度智能检测过程中数据清洗方法,其特征在于,所述根据各希尔伯特谱中包含的所有频率计算希尔伯特谱的突变量,包括:
5.如权利要求1所述的一种环境温湿度智能检测过程中数据清洗方法,其特征在于,所述根据所有希尔伯特谱的突变量以及温度本征模态异常系数获得时间段...
【专利技术属性】
技术研发人员:李亚,刘海桥,沈学军,何为,段翔宇,
申请(专利权)人:湖南工程学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。