CN119475202A 回旋管异常测试数据识别方法及系统 （中国科学院合肥物质科学研究院）

本发明公开一种回旋管异常测试数据识别2回旋管的工作状态，所述高斯混合模型为GMM，其拟合的分布P(V)由与两个参数决,其中，z是决定观测值分配给高斯混合分量的离散潜在变量；p(z=是高斯混合模型学习到的数据均值及标准差；N(VIur.o)是给参数与or后预测v的概3.如权利要求1所述的一种回旋管异常测试数步骤1.2初始化特征提取器的深度神经网络的4.如权利要求3所述的一种回旋管异常测试数据识别方法，其,是多层感知机对回旋管测试数据的潜在特征进行故障3所述浅层特征提取层包括依序连接的第一线性层、第一ReLU激活函数和第二线性层，所述预测分类层包括第五线性层，利用通过深层特征提取层学习到的高维回6.如权利要求1所述的一种回旋管异常测试数据识别,,其中，po(y;=klx)表示模型预测的回旋管运行状态；norm表示L2正则化；vi是学习后7.如权利要求6所述的一种回旋管异常测试数4测试数据集模块，用于构建回旋管测试数据集，并将分布建模模块，用于预热结束后，使用高斯混合模型对置信度计算模块，用于使用高斯混合模型计算回旋管测试数据,,其中，po(y;=klx)表示模型预测的回旋管运行状态；norm表示L2正则化；vi是学习后56旋管异常测试数据的识别。[0005]公布号为CN118797243A中国专利公开了一种用于大数据分析的异常数据清洗消而获取所有时间点的聚类簇。依据参考序列与目标聚类簇之间的差异进行异常数据的识[0006]公布号为CN116894151A的中国专利公开了一种基于人工智能的智慧电网异常数[0007]本发明所要解决的技术问题在于如何能够精确检测和识别回旋管的异常测试数7,vi的概率分布表达式。步骤1.2初始化特征提取器的深度神经网络的,作状态；vi是学习后的回旋管测试数据的潜在特征；是对比学习所用到的超参数缩放因8在分布建模过程中，将经过特征提取器E学习后的回旋管数据的潜在特征vi与离,,习后的回旋管测试数据的潜在特征；为神经网络的参数；ur及ox分别为高斯混合模型9在分布建模过程中，将经过特征提取器E学习后的回旋管数据的潜在特征vi与离,,习后的回旋管测试数据的潜在特征；为神经网络的参数；ur及ox分别为高斯混合模型[0024]定义回旋管测试数据集为D={(x,y)兴1，其中表示与可能回旋管故障产生有,为学习后的回旋管测试数据的潜在特征与分别是高斯混合模型学习到的数据均[0028]步骤1.1在使用回旋管异常测试数据识别方法时，首先构建回旋管测试数据集数据集D中没有异常数据的情况下进行训练，特征提取器E能够学习到回旋管测试数据的,征vi进行分布建模。行分布建模。该过程通过建立学习后的回旋管测试数据的潜在特征vi的概率分布，能够有旋管测试数据集的收集过程中受到人为因素和环境光照等因素的影响，导致回旋管测试旋管数据的潜在特征vi与离散潜在变量z进行关联，从而进一步优化高斯混合模型GMM的,,到了回旋管测试数据的表征分布。[0043]利用高斯混合模型GMM对提取的学习后的回旋管测试数据的潜在特征vi进行分回旋管测试数据的潜在特征vi的后验概率，以获得置信度分数，从而识别回旋管的异常测有异常与