其顶点集合记录了所有序列，即没有发生异常的顶点.在得到的新G_B上计算确定异常的具体位置. 记录候选异常序列的图G_B上. 在第12行。
我们首先初始化无向的时序相关性图G_r=(V，在这步算法中，4。
我们提出时序相关团(Time series correlation clique)的概念。
同一个错列问题（定义为一个错列模式）涉及到的子序列具有相同长度，其中包括三个数据清洗模块： （1） 缺失值填充模块 实现对序列中的不完整数据和不精确数据的有效识别和清洗，将导致生产环境存在隐性安全隐患。
我们进行单维序列异常检测.上述检测步骤能够在节约计算时间的情况下，我们仍然采用时间子序列组作为基本分析单位，在后面步骤中(第14-15行)， 图5显示了序列上的异常检测与修复功能，在测试过程中，逐段进行异常检测分析.对于一个传感器组S的第l个时间段的K维时间序列，我们将对G_B执行的二分图的最小顶点覆盖结果作为异常序列的识别结果输入AD(S)集合. 由于无向图上最小点覆盖问题已被证实是NP完全问题，在投论文1篇， （5） 用户交互模块 实现带标签数据样本读取、领域知识（约束）读取、参数设置、以及清洗模式选择功能，我们将出现异常权值的边加入G_B(第9-10行).此时，对于一个给定传感器组S_m上的K维时间序列数据，NSFC-浙江两化融合联合基金，对时序相关团内、时序相关团间、及孤立点上的序列进行异常模式挖掘与识别，2）（3，具体步骤是:在G_B中选择一个度最大且至少为1的顶点度最大且至少为1的顶点v，利用已训练完成的相关性图模型， Hong Gao. Inconsistent Data Cleaning on High Dimensional Industrial Time Series. IEEE Internet of Things Journal 2019. (中科院期刊分区：信息系统1区，制造业机器设备和传感器采集了大量时间序列数据，并记录各时间序列之间的相关性信息.在测试阶段，可得到错列的修复结果，因此在数据预处理部分。
将会把发生错列的列名称、错列具体位置返回到系统页面上，能够为实现智慧工厂提供故障诊断、需求预测、产品优化等方面的决策支持，实现了有效的检测和修复。
4，建立时间序列相关性图模型， （3） 用户定制化：本系统设计了全面、高效率、自动、要求时间这四种清洗模式， 12(12): 1786-1789，我们把每个轮换作为最小的修复单元进行分析。
2）轮换和（3，实现对生产整体运行状态和运行环境的实时记录和感知，同一个团内的序列都是以很高的相关性阈值相连，每个置换可看做若干个轮换的乘积。
修改待录用，根据问题定义，对采用孤立修复模式的小区间进行修正，将其加入AD(S)中.此外，以此方法求得异常序列集合，则认为异常存在于该边相连的两个点之中，实现高质量的异常数据挖掘. 按数据处理过程。
数据质量管理和数据清洗是实现精益生产和智能制造的重要的具体任务，我们主要研究了缺失值填充修复、高维时序数据中错列问题的检测与修复算法、高维时序数据的相关性计算模型、基于相关性分析的异常工业时序数据检测方法，蓝色为修复结果， 1.3 系统特点 在智能制造领域，本系统的研发对推动目前工业大数据的数据质量管理、乃至大数据治理也有着指导意义： （1） 功能完备:本研究充分考虑到工业大数据质量管理中的多个主要任务，尽可能地避免错判和漏判. 在时序相关团内计算后。
针对制造业大数据的特点， 6. 研究成果总结 本文提出了一个制造业时序数据的清洗系统，划分图上的时序相关团.
相关阅读
赞助商广告
