-
公开(公告)号：CN106384128A
公开(公告)日：2017-02-08
申请号：CN201610814387.3
申请日：2016-09-09
Applicant: 西安交通大学 , 中国西安卫星测控中心
IPC: G06K9/62
CPC classification number: G06K9/6218
Abstract: 一种挖掘时序数据状态关联的方法，首先对时序数据变量进行预处理，包括去野值、等间隔插值、归一化操作；然后对单个变量进行状态挖掘，用动态划分聚类方法对单个变量所有窗口的综合特征向量进行聚类，不同簇的窗口代表不同的状态，将所有簇按照大小排序，将每个窗口用其所在簇对应的字符表示，这样原始数值型数据被转化成字符串形式，即获取每个变量的状态字符串；再将所有变量的状态字符串对齐，获得多变量状态矩阵；利用Apriori算法挖掘不同变量状态之间的关联规则并给出形式化表达及其关联强度；最后进行关联规则约简以去除冗余信息；本发明具有抗噪音干扰能力，适合于对小参数集合细致地分析其状态取值关联性，挖掘出状态值映射关系。
-
公开(公告)号：CN105205111A
公开(公告)日：2015-12-30
申请号：CN201510551484.3
申请日：2015-09-01
Applicant: 西安交通大学 , 中国西安卫星测控中心
IPC: G06F17/30
CPC classification number: G06F16/35
Abstract: 本发明公开一种挖掘时序数据故障模式的系统及方法，包括数据预处理模块、TK-Means聚类模块、统计学习模块、DBSCAN聚类模块、故障模式生成模块；本发明通过对时序数据异常信息进行分析，一方面可以挖掘出数据变化规律的共同特征，从而发现比较通用、一致的异常和故障模式；另一方面也可以挖掘出新型变化规律，从而发现未知异常和故障模式。本发明利用DBSCAN方法对异常模式进行聚类，根据聚类结果将故障模式写成形式化规则。同时，形式化规则的前件和后件也反映了对应事件的先后关系。
-
公开(公告)号：CN106649050B
公开(公告)日：2019-03-12
申请号：CN201610814544.0
申请日：2016-09-09
Applicant: 西安交通大学 , 中国西安卫星测控中心
Abstract: 本发明提供了一种时序系统多参数运行态势图形表示方法，本方法通过对多参数历史数据分别进行机器学习，提取特征、聚类、生成特征字符并将特征信息记录到参数信息库，然后对实时数据在同一时间段内所有参数的特征字符进行统计，最后根据同一时间段内所有参数特征字符的概率分布以图形方式表达出该时间段内时序系统的运行态势；本方法包括数据预处理模块、聚类学习特征字符模块、特征统计模块、图形表示模块；本方法以图形方式直观地把时序系统运行态势表达出来，并能够实时持续更新，用户能够直截了当观察到系统运行正常，还是出现了重大异常情况，以及系统运行态势的发展变化趋势。
-
公开(公告)号：CN106649050A
公开(公告)日：2017-05-10
申请号：CN201610814544.0
申请日：2016-09-09
Applicant: 西安交通大学 , 中国西安卫星测控中心
CPC classification number: G06F11/323 , G06F11/3072 , G06F11/322 , G06K9/6223 , G06K9/6298
Abstract: 本发明提供了一种时序系统多参数运行态势图形表示方法，本方法通过对多参数历史数据分别进行机器学习，提取特征、聚类、生成特征字符并将特征信息记录到参数信息库，然后对实时数据在同一时间段内所有参数的特征字符进行统计，最后根据同一时间段内所有参数特征字符的概率分布以图形方式表达出该时间段内时序系统的运行态势；本方法包括数据预处理模块、聚类学习特征字符模块、特征统计模块、图形表示模块；本方法以图形方式直观地把时序系统运行态势表达出来，并能够实时持续更新，用户能够直截了当观察到系统运行正常，还是出现了重大异常情况，以及系统运行态势的发展变化趋势。
-
公开(公告)号：CN111858680B
公开(公告)日：2022-10-25
申请号：CN202010764018.4
申请日：2020-08-01
Applicant: 西安交通大学 , 中国西安卫星测控中心
IPC: G06F16/2455 , G06F16/26 , G06K9/62
Abstract: 本发明提供了一种快速实时检测卫星遥测时序数据异常的方法，适用于卫星部件参数的遥测时序数据。本发明方法利用滑动窗口对遥测数据流进行分段处理，每个窗口数据与前k个窗口比较，具有自适应性，无需人工设置固定的参数上下限。本发明方法从时域和频域多重角度分析数据，综合了四种实时异常检测技术，包括时域统计量异常检测、时域一阶导数异常检测、频域相似性异常检测、频域统计量异常检测。本发明方法可以将多种异常检测技术同时使用或者组合使用，从而降低了漏检率和误报率，能够有效利用遥测时序数据流快速实时检测卫星遥测时序数据异常，帮助专家实时监测卫星运行状态，确保卫星健康安全运行。
-
Patent Agency Ranking
公开(公告)号：CN106447039A
公开(公告)日：2017-02-22
申请号：CN201610855703.1
申请日：2016-09-28
Applicant: 西安交通大学
Abstract: 基于自编码神经网络的无监督特征提取方法，先进行训练数据矩阵的构建，然后把训练数据矩阵的各个分量值归一化到[0,1]之间，再进行参数学习，得到自编码神经网络模型，然后计算隐藏层的输出，获取特征，最后按照“对折取值”法确定最佳隐藏层神经元的个数，最终确定自编码神经网络的结构，在网络的训练学习中，自编码神经网络规定网络的期望输出等于网络的输入，这样的学习目标使得自编码神经网络的训练过程中不需要训练数据提供期望网络输出，本发明在缺乏先验知识的情形下，可以挖掘设备海量状态数据的内在规律并提取特征。
-
公开(公告)号：CN106446081A
公开(公告)日：2017-02-22
申请号：CN201610814069.7
申请日：2016-09-09
Applicant: 西安交通大学 , 中国西安卫星测控中心
IPC: G06F17/30
CPC classification number: G06F16/287 , G06F16/2465
Abstract: 基于变化一致性挖掘时序数据关联关系的方法，首先对时序数据变量进行预处理；然后对单个变量进行小波变换，用滑动窗口将原始时间序划分成若干个窗口，对每个窗口进行离散小波变换，提取最大小波细节系数；再对单个变量所有窗口的最大小波细节系数进行WDC聚类，目的是区分出和大部分窗口小波特征不一样的窗口，这些窗口对应了变量的变化点；最后对所有变量的变化点进行CCP聚类，聚类结果中同一个簇内变量的变化点是近似的，因此这些变量具有变化一致性，被认为具有潜在关联关系；本发明从变量间变化一致性角度出发，不但能够发现具有线性关联关系的变量，还能检测到具有复杂非线性关联关系的变量，这对于大型复杂系统变量之间的关联分析具有重要作用。
-
公开(公告)号：CN105205113A
公开(公告)日：2015-12-30
申请号：CN201510551876.X
申请日：2015-09-01
Applicant: 西安交通大学 , 中国西安卫星测控中心
IPC: G06F17/30
CPC classification number: G06F16/2474 , G06F16/2465
Abstract: 本发明公开一种时序数据异常变化过程的挖掘系统及方法，包括数据预处理模块、综合特征向量提取模块、SDMC聚类模块、特征字符串生成模块、异变过程学习模块。本发明能够从海量时序数据中挖掘出从正常到异常偏离再到明显故障的变化过程，分析上述过程中的特征变化规律。本发明把时序数据抽象成特征字符串，利用统计学习方法挖掘出频繁单词，由连续频繁单词构成频繁模式。频繁模式对应一般正常过程。而相邻频繁模式之间的间隙就是异变过程。异变过程的特征字符串就表达了该过程的特征。本发明可用于挖掘发现实时系统异常变化和故障发展过程，对于分析系统故障成因，提高故障诊断效率具有重要作用；对于进行复杂系统全寿命健康管理具有重要意义。
-
公开(公告)号：CN111858680A
公开(公告)日：2020-10-30
申请号：CN202010764018.4
申请日：2020-08-01
Applicant: 西安交通大学 , 中国西安卫星测控中心
IPC: G06F16/2455 , G06F16/26 , G06K9/62
Abstract: 本发明提供了一种快速实时检测卫星遥测时序数据异常的方法，适用于卫星部件参数的遥测时序数据。本发明方法利用滑动窗口对遥测数据流进行分段处理，每个窗口数据与前k个窗口比较，具有自适应性，无需人工设置固定的参数上下限。本发明方法从时域和频域多重角度分析数据，综合了四种实时异常检测技术，包括时域统计量异常检测、时域一阶导数异常检测、频域相似性异常检测、频域统计量异常检测。本发明方法可以将多种异常检测技术同时使用或者组合使用，从而降低了漏检率和误报率，能够有效利用遥测时序数据流快速实时检测卫星遥测时序数据异常，帮助专家实时监测卫星运行状态，确保卫星健康安全运行。
-
公开(公告)号：CN106446081B
公开(公告)日：2019-08-13
申请号：CN201610814069.7
申请日：2016-09-09
Applicant: 西安交通大学 , 中国西安卫星测控中心
IPC: G06F16/2458 , G06F16/28
Abstract: 基于变化一致性挖掘时序数据关联关系的方法，首先对时序数据变量进行预处理；然后对单个变量进行小波变换，用滑动窗口将原始时间序划分成若干个窗口，对每个窗口进行离散小波变换，提取最大小波细节系数；再对单个变量所有窗口的最大小波细节系数进行WDC聚类，目的是区分出和大部分窗口小波特征不一样的窗口，这些窗口对应了变量的变化点；最后对所有变量的变化点进行CCP聚类，聚类结果中同一个簇内变量的变化点是近似的，因此这些变量具有变化一致性，被认为具有潜在关联关系；本发明从变量间变化一致性角度出发，不但能够发现具有线性关联关系的变量，还能检测到具有复杂非线性关联关系的变量，这对于大型复杂系统变量之间的关联分析具有重要作用。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.023 seconds)
