基于相同系统中个体与群体特征差异性统计方法技术方案

本发明专利技术公开了一种基于相同系统中个体与群体特征差异性统计方法，包括以下步骤：在相同系统、相同工作环境中，对某一个体在某一时刻的工作状态中的原始数据进行特征统计；对该时刻群体的工作状态中的原始数据进行特征统计；对个体与群体的工作状态的特征差异性进行统计；对上述个体与群体的特征差异性统计结果进行显化。本发明专利技术对相同系统、相同环境下的个体与群体，通过将某一时刻某一个体的工作状态关键特征的统计结果与代表群体的工作状态关键特征的统计结果，重新组织分析，计算出个体与群体之间工作状态的差异性，从而获得对个体工作状态正常与否的判断依据。根据获取到的个体工作状态正常与否的判断依据，可以有效地判断个体的工作状态。

【技术实现步骤摘要】
基于相同系统中个体与群体特征差异性统计方法
本专利技术涉及计算机
，具体涉及基于相同系统中个体与群体特征差异性统计方法。
技术介绍
在相同的系统，相同的工作环境下的所有个体和群体具有相同的工作机制，并且在其不发生故障，工作正常的前提下，这些个体和群体具有相似的工作状态。现有技术中，为了判断某一个体在某一时刻的工作状态是否正常，仅仅应用该个体单一的数据特征与相应的特征指标去对比判断其工作状态的方法是不完善的。因为，如果该个体的工作状态符合特征指标，但是却与相同系统下相同时间的其它群体的工作状态的特征指标相差较大，那么出现这种情况的原因很可能是该个体已经出现工作不正常甚至发生故障。为此，必须同时统计代表个体和群体在相同系统下工作状态的特征指标，并分析两者之间的差异性，才能有效地判断个体的工作状态。针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
针对相关技术中的问题，本专利技术提出一种基于相同系统中个体与群体特征差异性统计方法,该方法通过统计能代表个体或/和群体工作状态在某一时刻的关键特征，尤其是针对相同系统、相同环境下具有相似工作机制和工作状态的个体与群体，通过将某一时刻单一的代表个体的工作状态关键特征的统计结果与代表群体的工作状态关键特征的统计结果，重新组织分析，计算出个体与群体之间工作状态的差异性，从而获得对个体工作状态正常与否的判断依据。根据获取到的个体工作状态正常与否的判断依据，可以有效地判断个体的工作状态。本专利技术的技术方案是这样实现的：根据本专利技术的一个方面，提供了一种基于相同系统中个体与群体特征差异性统计方法。该基于相同系统中个体与群体特征差异性统计方法包括以下步骤：、S1、在相同系统、相同工作环境中，对某一个体在某一时刻的工作状态中的原始数据进行特征统计；S2、对该时刻群体的工作状态中的原始数据进行特征统计；S3、对个体与群体的工作状态的特征差异性进行统计；S4、对上述个体与群体的特征差异性统计结果进行显化。根据本专利技术的一个实施例，步骤S1具体包括以下步骤：S101、对某一个体在某一时刻的工作状态中的原始数据，用一向量表示，该向量具有多个测量值；S102、预设一个输出向量,该输出向量的长度小于或等于上述测量值的个数，初始值全部为0；S103、选择重组能代表该个体在某一时刻的工作状态的特征集；S104、将该特征集复制到输出向量,最终得到该个体在某一时刻的工作状态特征向量，从而完成对该个体在某一时刻的特征统计表达。根据本专利技术的一个实施例，某一个体在某一时刻的工作状态特征向量表示为：Ao＝des(Ia)其中，A表示某一个体；向量表示当前t时刻个体A的工作状态中的原始数据，e表示测量值；下标1…n代表特征编号,共有n个测量值，长度为n；表示所述输出向量，该输出向量的长度为m，m<＝n，初始值全部为0；选择重组能代表该个体A在t时刻的工作状态的特征集表示为：r1＝des(Ia)；其中，des是指一种表示选择重组特征集的决策。根据本专利技术的一个实施例，步骤S2具体包括以下步骤：S201、对该群体的工作状态的原始数据，用一矩阵表示，且群体中每个个体有多个测量值；S202、预设一个输出矩阵；S203、对表示原始数据的矩阵进行相应处理，选择重组能代表该群体的工作状态的矩阵；S204、将上述能代表该群体的工作状态的矩阵复制到输出矩阵，最终得到该群体的工作状态特征矩阵，从而完成对群体在该时刻的特征统计表达。根据本专利技术的一个实施例，该群体的工作状态特征矩阵表示为：Go＝des(G)其中，G表示群体G的工作状态的原始数据的矩阵，其大小为(k-1)*n；I表示个体，I的上标表示个体编号，取值范围为2…k,代表除去个体I1之外的群体G；I的下标e表示测量值，e的下标表示测量编号，取值范围为1…n，表示群体中每个个体共有n个测量值；其中，Go表示输出矩阵，其大小为(k-1)*m，I表示个体，I的上标表示个体编号，取值范围为2…k,代表除去个体I1之外的群体G；I的下标f表示特征值，f的下标表示特征编号，取值范围为1…m，表示最后共有m个特征来表示群体中每个个体的工作状态；步骤S203中能代表该群体的工作状态的矩阵表示为：r2＝des(G)。根据本专利技术的一个实施例，步骤S3具体包括以下步骤：将所述某一个体在某一时刻的工作状态特征向量中的第一个元素，表示为输出的第一个特征；将该时刻所述群体的工作状态特征矩阵中的第一列元素，表示为群体中所有个体的特征的特征值；运用归一化函数对上述输出的第一个特征和群体中所有个体的特征的特征值进行归一化，得到归一化值；运用差异性函数计算上述归一化值中两个向量的差异性，得到差异值；按照上述步骤，依次将所述某一个体在某一时刻的工作状态特征向量中的所有元素取出，依次将该时刻所述群体的工作状态特征矩阵中的每列元素取出，直至计算出所有的归一化值，得到个体与群体特征差异性向量。本专利技术的有益技术效果在于：本专利技术提出一种基于相同系统中个体与群体特征差异性统计方法,该方法通过统计能代表个体或/和群体工作状态在某一时刻的关键特征，尤其是针对相同系统、相同环境下具有相似工作机制和工作状态的个体与群体，通过将某一时刻单一的代表个体的工作状态关键特征的统计结果与代表群体的工作状态关键特征的统计结果，重新组织分析，计算出个体与群体之间工作状态的差异性，从而获得对个体工作状态正常与否的判断依据。根据获取到的个体工作状态正常与否的判断依据，可以有效地判断个体的工作状态。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术中一种基于相同系统中个体与群体特征差异性统计方法流程图；图2为本专利技术中在t时刻系统中个体与群体的示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。下面结合说明书附图和具体实施方式对本专利技术做出详细的说明。如图1所示，本专利技术实施例提供的一种基于相同系统中个体与群体特征差异性统计方法，具体包括以下步骤：S1、在相同系统、相同工作环境中，对某一个体在某一时刻的工作状态中的原始数据进行特征统计。S2、对该时刻群体的工作状态中的原始数据进行特征统计。S3、对个体与群体的工作状态的特征差异性进行统计。S4、对上述个体与群体的特征差异性统计结果进行显化。根据本专利技术的一个实施例，步骤S1具体包括以下步骤：S101、对某一个体在某一时刻的工作状态中的原始数据，用一向量表示，该向量具有多个测量值；S102、预设一个输出向量,该输出向量的长度小于或等于上述测量值的个数，初始值全部为0；S103、选择重组能代表该个体在某一时刻的工作状态的特征集；S104、将该特征集复制到输出向量,最终得到该个体在某一时刻的工作状态特征向量，从而完成对该个体在某一时刻的特征统计表达。根据本专利技术的一个实施例，某一个体本文档来自技高网...

【技术保护点】
1.基于相同系统中个体与群体特征差异性统计方法，其特征在于，包括以下步骤：S1、在相同系统、相同工作环境中，对某一个体在某一时刻的工作状态中的原始数据进行特征统计；S2、对该时刻群体的工作状态中的原始数据进行特征统计；S3、对个体与群体的工作状态的特征差异性进行统计；S4、对上述个体与群体的特征差异性统计结果进行显化。

【技术特征摘要】
1.基于相同系统中个体与群体特征差异性统计方法，其特征在于，包括以下步骤：S1、在相同系统、相同工作环境中，对某一个体在某一时刻的工作状态中的原始数据进行特征统计；S2、对该时刻群体的工作状态中的原始数据进行特征统计；S3、对个体与群体的工作状态的特征差异性进行统计；S4、对上述个体与群体的特征差异性统计结果进行显化。2.根据权利要求1所述的基于相同系统中个体与群体特征差异性统计方法，其特征在于，步骤S1具体包括以下步骤：S101、对某一个体在某一时刻的工作状态中的原始数据，用一向量表示，该向量具有多个测量值；S102、预设一个输出向量,该输出向量的长度小于或等于上述测量值的个数，初始值全部为0；S103、选择重组能代表该个体在某一时刻的工作状态的特征集；S104、将该特征集复制到输出向量,最终得到该个体在某一时刻的工作状态特征向量，从而完成对该个体在某一时刻的特征统计表达。3.根据权利要求2所述的基于相同系统中个体与群体特征差异性统计方法，其特征在于，某一个体在某一时刻的工作状态特征向量表示为：Ao＝des(Ia)其中，A表示某一个体；向量表示当前t时刻个体A的工作状态中的原始数据，e表示测量值；下标1…n代表特征编号,共有n个测量值，长度为n；表示所述输出向量，该输出向量的长度为m，m<＝n，初始值全部为0；选择重组能代表该个体A在t时刻的工作状态的特征集表示为：r1＝des(Ia)；其中，des是指一种表示选择重组特征集的决策。4.根据权利要求3所述的基于相同系统中个体与群体特征差异性统计方法，其特征在于，步骤S2具体包括以下步骤：S201、对该群体的工作状态的原始数据，用一矩阵表示，且群体中每个个体有多个测量值；S202、预设一个输出矩阵；S203、对表示原...

【专利技术属性】
技术研发人员：马瑞，丁志禄，
申请(专利权)人：浙江长兴笛卡尔科技有限公司，
类型：发明
国别省市：浙江,33