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】
本文涉及数据检测领域,尤其是多维数据监测分析方法、装置、设备、存储介质及产品。
技术介绍
1、当前的电力物联移动应用程序中因处理的业务数量多、访问频繁,设备运维面临数据不同步,维护困难等问题。
2、当前的在线检测数据分析包括通过对电设备状态参数进行在线监测、应用模糊聚类算法分析设备故障,实现设备运行故障信息的实时挖掘。以上研究方法无法提高数据之间的区分效果,无法应用于本方案复杂、高维数据的分类,进而影响出现设备故障时的运维管理,影响工作效率、无法确保电力物联移动网的稳定性。
技术实现思路
1、为解决上述现有技术的问题,本文实施例提供了一种多维数据监测分析方法、装置、设备、存储介质及产品。
2、本文实施例公开了一种多维数据监测分析方法,所述方法包括:将电力物联移动监控数据进行维度划分,得到初始类别的监控数据集;计算每一初始类别的监控数据集中监控数据之间的测地距离,得到监控数据集对应的测地距离矩阵;根据所述测地距离矩阵及所述监控数据的协方差矩阵,对监控数据进行主成分提取,得到监控数据集的主成分矩阵;对所述主成分矩阵进行奇异值分解,并计算主成分矩阵的特征值及特征向量,得到初始类别的监控数据集对应的降维监控数据集;利用所述降维监控数据集,确定分类决策函数;根据所述分类决策函数,对降维监控数据集中的降维数据进行聚类,得到多维监控数据的分类结果。
3、根据本文实施例的一个方面,所述根据所述测地距离矩阵及所述监控数据的协方差矩阵,对监控数据进行主成分提取,得到
4、利用如下公式得到主成分矩阵:
5、
6、其中,v表示主成分矩阵,dg表示测地距离矩阵,为协方差矩阵中的元素,t为转置,为所述监控数据的协方差矩阵,s为初始类别的监控数据的个数。
7、根据本文实施例的一个方面,对所述主成分矩阵进行奇异值分解之前,所述方法进一步包括:利用如下公式对主成分矩阵进行双中心化处理:其中,τ(v)表示双中心处理后的主成分矩阵,v表示主成分矩阵,s为监控数据的个数,j为主成分矩阵中元素的数量,t表示转置。
8、根据本文实施例的一个方面,所述利用所述降维监控数据集确定分类决策函数,包括:利用所述降维监控数据集,确定多项式核函数;根据多项式核函数及sign函数,确定分类决策函数。
9、根据本文实施例的一个方面,利用所述降维监控数据集,确定多项式核函数包括:利用如下公式确定多项式核函数:其中,k(y,z)为所述多项式核函数,z表示空间平面的坐标,表示映射函数,p为正整数,y为降为数据集,其中,降维数据集通过如下公式获得:其中,y表示降维数据集,μi表示第i个特征向量,表示第i个特征值。
10、根据本文实施例的一个方面,根据所述分类决策函数,对降维监控数据集中的降维数据进行聚类包括:利用分类决策函数,确定降维数据集中各降维数据的分类得分,其中,所述分类函数由如下公式表示:其中,y表示所述降维数据集,yi表示第i个降维数据,表示最优解,b*为偏移变量;根据所述分类得分的分值大小,确定各降维数据的分类。
11、本文实施例还公开了一种多维数据监测分析装置,所述装置包括:初始类型的监控数据确定单元,用于将电力物联移动监控数据进行维度划分,得到初始类别的监控数据集;测地距离矩阵计算单元,用于计算每一初始类别的监控数据集中监控数据之间的测地距离,得到监控数据集对应的测地距离矩阵;主成分矩阵确定单元,用于根据所述测地距离矩阵及所述监控数据的协方差矩阵,对监控数据进行主成分提取,得到监控数据集的主成分矩阵;降维监控数据集确定单元,用于对所述主成分矩阵进行奇异值分解,并计算主成分矩阵的特征值及特征向量,得到降维监控数据集;分类决策函数确定单元,用于利用所述降维监控数据集,确定分类决策函数,分类结果获取单元,用于根据所述分类决策函数,对降维监控数据集中的降维数据进行聚类,得到多维监控数据的分类结果。
12、本文实施例还提供了一种计算机设备,所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述多维数据监测分析方法。
13、本文实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述多维数据监测分析方法。
14、本文实施例还提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现所述多维数据监测分析方法。
15、本方案通过确定监控数据之间的相关性,提高非线性数据降维的准确度,极大地满足电力物联移动平台复杂高维度数据的区分需求,准确获知不同电力设备之间的相关性的准确性,同时,应用svm方法能够实现数据分类,并应用改进k-means聚类实现高维数据映射,有效提升数据分类效果,有利于电力物联移动应用程序的中数据的运维管理。
本文档来自技高网...【技术保护点】
1.一种多维数据监测分析方法,其特征在于,所述方法包括:
2.根据权利要求1所述的多维数据监测分析方法,其特征在于,所述根据所述测地距离矩阵及所述监控数据的协方差矩阵,对监控数据进行主成分提取,得到监控数据集的主成分矩阵包括:
3.根据权利要求1所述的多维数据监测分析方法,其特征在于,对所述主成分矩阵进行奇异值分解之前,所述方法进一步包括:
4.根据权利要求3所述的多维数据监测分析方法,其特征在于,所述利用所述降维监控数据集确定分类决策函数,包括:
5.根据权利要求4所述的多维数据监测分析方法,其特征在于,利用所述降维监控数据集,确定多项式核函数包括:
6.根据权利要求5所述的多维数据监测分析方法,其特征在于,根据所述分类决策函数,对降维监控数据集中的降维数据进行聚类包括:
7.一种多维数据监测分析装置,其特征在于,所述装置包括:
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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任意一项所述的方法。<
...【技术特征摘要】
1.一种多维数据监测分析方法,其特征在于,所述方法包括:
2.根据权利要求1所述的多维数据监测分析方法,其特征在于,所述根据所述测地距离矩阵及所述监控数据的协方差矩阵,对监控数据进行主成分提取,得到监控数据集的主成分矩阵包括:
3.根据权利要求1所述的多维数据监测分析方法,其特征在于,对所述主成分矩阵进行奇异值分解之前,所述方法进一步包括:
4.根据权利要求3所述的多维数据监测分析方法,其特征在于,所述利用所述降维监控数据集确定分类决策函数,包括:
5.根据权利要求4所述的多维数据监测分析方法,其特征在于,利用所述降维监控数据集,确定多项式核函数包括:
6.根据权利要求5所述的多维数据...
【专利技术属性】
技术研发人员:张宁,尚芳剑,李信,陈重韬,娄竞,李欣怡,王艺霏,温馨,姚艳丽,王森,张海明,
申请(专利权)人:国网冀北电力有限公司信息通信分公司,
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。