买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广东工业大学

摘要：本发明的实施例提供了一种应用于多维水文时间序列数据的变点检测方法，包括：根据水文模型的最小训练窗口，确定多维水文时间序列数据集的左右边界数据，针对左右边界数据以及两者之间的数据，从左边界数据开始，将左边界数据左右侧的数据对应划分为左右子数据集，计算左右子数据集对应的投影矩阵和零特征向量矩阵，以此计算左右子数据集对应的L2范数之和，判断其是否小于参考阈值，若不小于，则对下一个数据进行上述处理，否则将参考阈值赋值为L2范数之和，并判断左右子数据集对应的最小特征值比率因子数是否一致，若一致，则对下一个数据进行上述处理，否则将对应的数据确定为变点；对变点对应的左右子数据集分别进行递归，重复上述处理。

主权项：1.一种应用于多维水文时间序列数据的变点检测方法，其特征在于，所述方法包括：采集多维水文时间序列数据，得到多维水文时间序列数据集；根据待使用多维水文时间序列数据集进行训练的水文模型的最小训练窗口，确定多维水文时间序列数据集的左边界数据和右边界数据，针对左右边界数据以及左右边界数据之间的数据，从左边界数据开始，将左边界数据左右侧的数据对应划分为左子数据集、右子数据集，计算左右子数据集对应的投影矩阵和零特征向量矩阵，根据左子数据集对应的投影矩阵和零特征向量矩阵，计算左子数据集对应的L2范数，根据右子数据集对应的投影矩阵和零特征向量矩阵，计算右子数据集对应的L2范数，将左右子数据集对应的L2范数相加，得到L2范数之和，判断L2范数之和是否小于参考阈值，若不小于，则将下一个数据左右侧的数据对应划分为左子数据集、右子数据集，进行上述处理，若小于，则将参考阈值赋值为L2范数之和，并计算左右子数据集对应的最小特征值比率因子数，判断左右子数据集对应的最小特征值比率因子数是否一致，若一致，则将下一个数据左右侧的数据对应划分为左子数据集、右子数据集，进行上述处理，若不一致，则将对应的数据确定为变点；对变点对应的左子数据集、右子数据集分别进行递归，重复上述处理；所述根据待使用多维水文时间序列数据集进行训练的水文模型的最小训练窗口，确定多维水文时间序列数据集的左边界数据和右边界数据，包括：将多维水文时间序列数据集的数据序号范围记为1至n，将最小训练窗口记为min_size，以此确定多维水文时间序列数据集的左边界序号和右边界序号分别为min_size，n-min_size，进而确定min_size对应的数据为左边界数据，n-min_size对应的数据为右边界数据；所述计算左右子数据集对应的投影矩阵和零特征向量矩阵，根据左子数据集对应的投影矩阵和零特征向量矩阵，计算左子数据集对应的L2范数，根据右子数据集对应的投影矩阵和零特征向量矩阵，计算右子数据集对应的L2范数，将左右子数据集对应的L2范数相加，得到L2范数之和，包括：利用主成分分析算法对左右子数据集进行处理，得到左右子数据集对应的由因子数决定的投影矩阵，该处理过程通过以下公式进行表示：M1＝PCAX1,KTM2＝PCAX2,KT其中，M1表示左子数据集对应的投影矩阵；M2表示右子数据集对应的投影矩阵；X1表示左子数据集；X2表示右子数据集；K表示通过对多维水文时间序列数据集进行数据累计特征值贡献阈值不小于95％的估计得到的因子数；计算左右子数据集对应的协方差矩阵；具体地，对左右子数据集进行标准化，根据标准化后的左右子数据集，计算对应的协方差矩阵，该计算过程通过以下公式进行表示：Z1＝standardizeX1Z2＝standardizeX2C1＝COVZ1C2＝COVZ2其中，Z1表示标准化后的左子数据集；Z2表示标准化后的右子数据集；X1表示左子数据集；X2表示右子数据集；C1表示左子数据集对应的协方差矩阵；C2表示右子数据集对应的协方差矩阵；根据左右子数据集对应的协方差矩阵，计算左右子数据集对应的零特征向量矩阵；具体地，对左右子数据集对应的协方差矩阵C1、C2进行特征值分解，设定{λ11,λ12,...,λ1e}和{λ21,λ22,...,λ2f}分别为C1和C2升序排列的特征值，其所对应的特征向量分别为V1＝{v11,v12,...,v1e}和V2＝{v21,v22,...,v2f}，为了找到零空间，选择最小e-K个特征值对应的特征向量作为左子数据集对应的零特征向量矩阵的估计、f-K个特征值对应的特征向量作为右子数据集对应的零特征向量矩阵的估计，该计算过程通过以下公式进行表示： 其中，C1表示左子数据集对应的协方差矩阵；C2表示右子数据集对应的协方差矩阵；V1表示C1升序排列的特征值对应的特征向量；V2表示C2升序排列的特征值对应的特征向量；B1表示左子数据集对应的零特征向量矩阵；B2表示右子数据集对应的零特征向量矩阵；根据左子数据集对应的投影矩阵和零特征向量矩阵，计算左子数据集对应的L2范数，根据右子数据集对应的投影矩阵和零特征向量矩阵，计算右子数据集对应的L2范数，将左右子数据集对应的L2范数相加，得到L2范数之和，该计算过程通过以下公式进行表示： 其中，G表示L2范数之和；B1表示左子数据集对应的零特征向量矩阵；B2表示右子数据集对应的零特征向量矩阵；M1表示左子数据集对应的投影矩阵；M2表示右子数据集对应的投影矩阵；所述计算左右子数据集对应的最小特征值比率因子数，包括：基于左子数据集对应的协方差矩阵C1和右子数据集对应的协方差矩阵C2升序排列的特征值，通过查找特征值比率最小的索引值来估计左右子数据集对应的最小特征值比率因子数；所述对变点对应的左子数据集、右子数据集分别进行递归，重复上述处理，包括：对变点对应的左子数据集、右子数据集分别进行递归，重复上述处理，直到每个子数据集小于最小训练窗口后停止，最终输出所有的变点。

全文数据：

权利要求：

百度查询： 广东工业大学 一种应用于多维水文时间序列数据的变点检测方法