[发明专利]一种基于多判据融合的异常数据甄别方法有效
| 申请号： | 201910619209.9 | 申请日： | 2019-07-10 |
| 公开（公告）号： | CN110458195B | 公开（公告）日： | 2022-08-19 |
| 发明（设计）人： | 臧海祥;陈远;程礼临;卫志龙;孙国强 | 申请（专利权）人： | 河海大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 南京经纬专利商标代理有限公司 32200 | 代理人： | 许方 |
| 地址： | 210000 江*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于多判据融合的异常数据甄别方法，步骤如下：S1：对样本数据集进行预处理；S2：按照异常数据甄别模型中的四种检测模型，组建四种检测模型分别对应的样本数据集；S3：将深度学习方法的输入数据集输入长短期神经网络模型中进行训练，获取训练好的长短期神经网络模型；S4：将样本数据集分别输入对应的模型中，进行异常值的甄别，获取得到各数据点被相应模型分别甄别为异常点的概率；S5：将各个数据点被相应模型甄别的甄别结果概率进行融合，并将融合结果根据设定的判断准则进行判断，获取得到最终的异常数据甄别结果。本发明提高了数据异常点甄别精度，也提高了数据的准确性及可利用价值，为运营检测业务提供了精确数据保障。 | ||
| 搜索关键词： | 一种 基于 判据 融合 异常 数据 甄别 方法 | ||
【主权项】：
1.一种基于多判据融合的异常数据甄别方法，其特征在于，所述异常数据甄别方法具体包括如下步骤：/nS1：对样本数据集进行预处理，其中所述样本数据集由电力系统正常运行时采集的历史电气量数据组建而成；/nS2：将所述预处理后的样本数据集中的数据，按照异常数据甄别模型中的四种检测模型，组建四种检测模型分别对应的样本数据集；/nS3：将深度学习方法的输入数据集输入神经网络模型中进行训练，获取训练好的神经网络模型；/nS4：将四种检测模型对应的样本数据集分别输入原型聚类模型、密度聚类模型、概率密度模型、训练好的神经网络模型中，进行异常值的甄别，获取得到各个数据点被四种检测模型分别甄别为异常点的概率；/nS5：通过所述各个数据点被四种检测模型分别甄别为异常点的概率，将各个数据点被四种检测模型甄别的甄别结果概率进行融合，并将所述融合结果根据设定的判断准则进行判断，获取得到最终的异常数据甄别结果。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于河海大学，未经河海大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910619209.9/，转载请声明来源钻瓜专利网。
