[發明專利]基于改進SOM算法的數據智能檢測方法及裝置

有效

• 申請號: 202010575124.8
• 申請日: 2020-06-22
• 公開（公告）號: CN111767273B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 胡偉;郭秋婷;黃建平;陳浩;盛銀波
• 申請（專利權）人: 清華大學;國網浙江省電力有限公司嘉興供電公司;國家電網有限公司
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F16/28;G06F18/2321;G06N3/088;G06N3/04
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 石茵汀

1.一種基于改進自組織特征映射算法的數據智能檢測方法，其特征在于，包括以下步驟：

通過安裝在設備上的傳感器獲取非線性樣本集，將所述樣本集按維度分解，逐維進行基于密度的一維孤立點檢測，將多維樣本集按維度對離群點進行初步篩選，剔除離群點，所述樣本集包括設備運行數據，所述剔除離群點包括剔除兩點之間的歐式距離大于預設鄰域的樣本點；

通過基于自組織特征映射算法對剔除離群點后的樣本集進行聚類，剔除第一異常數據點；

通過改變當前輸入向量與基于自組織特征映射算法的輸出層神經元之間的距離的計算方法改變所述基于自組織特征映射算法中神經元的獲勝規則，通過核函數法對所述基于自組織特征映射算法中權值調整公式進行改進，通過改進后的基于自組織特征映射算法對剔除第一異常數據點的樣本集進行聚類，剔除第二異常數據點，其中，在所述基于自組織特征映射算法中，計算當前輸入向量與基于自組織特征映射算法的輸出層神經元之間的距離，距離最小的神經元為獲勝神經元，獲勝神經元的表達式為：其中，x_k(t)為輸入向量，k＝1,2，···,L，L為輸入向量的個數，w_j(t)為權值矩陣，j＝1,2,…,M，M為輸出層神經元個數；

權值調整公式為：

其中，η(t)是學習率參數，范圍為0η(t)1，N_q(t)是獲勝神經元q的鄰域半徑；

根據專家經驗剔除已剔除第二異常數據點的樣本集中的異常數據點，以完成數據的智能檢測。

2.根據權利要求1所述的基于改進自組織特征映射算法的數據智能檢測方法，其特征在于，不同的核函數確定不同的神經元獲勝規則和權值調整公式。

3.一種基于改進自組織特征映射算法的數據智能檢測裝置，其特征在于，包括：

第一剔除模塊，用于通過安裝在設備上的傳感器獲取非線性樣本集，將所述樣本集按維度分解，逐維進行基于密度的一維孤立點檢測，將多維樣本集按維度對離群點進行初步篩選，剔除離群點，所述樣本集包括設備運行數據，所述剔除離群點包括剔除兩點之間的歐式距離大于預設鄰域的樣本點；

第二剔除模塊，用于通過基于自組織特征映射算法對剔除離群點后的樣本集進行聚類，剔除第一異常數據點；

第三剔除模塊，用于通過改變當前輸入向量與基于自組織特征映射算法的輸出層神經元之間的距離的計算方法改變所述基于自組織特征映射算法中神經元的獲勝規則，通過核函數法對所述基于自組織特征映射算法中權值調整公式進行改進，通過改進后的基于自組織特征映射算法對剔除第一異常數據點的樣本集進行聚類，剔除第二，剔除異常數據點，其中，在所述基于自組織特征映射算法中，計算當前輸入向量與基于自組織特征映射算法的輸出層神經元之間的距離，距離最小的神經元為獲勝神經元，獲勝神經元的表達式為：其中，x_k(t)為輸入向量，k＝1,2，···,L，L為輸入向量的個數，w_j(t)為權值矩陣，j＝1,2,…,M，M為輸出層神經元個數；

權值調整公式為：

其中，η(t)是學習率參數，范圍為0η(t)1，N_q(t)是獲勝神經元q的鄰域半徑；

智能檢測模塊，用于根據專家經驗剔除已剔除第二異常數據點的樣本集中的異常數據點，以完成數據的智能檢測。

4.根據權利要求3所述的基于改進自組織特征映射算法的數據智能檢測裝置，其特征在于，不同的核函數確定不同的神經元獲勝規則和權值調整公式。