一种基于数据分析的键盘智能监测方法及系统技术方案

本发明专利技术涉及键盘监测技术领域，特别是一种基于数据分析的键盘智能监测方法及系统，获取键盘在各种历史工作环境条件之下的历史参数数据，根据所述历史参数数据建立预测模型，根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本；对所述参数数据本中的实际参数数据进行聚类，得到若干个子参数数据本；通过孤立森林算法对若干个所述子参数数据本进行评估，得到若干个最终子参数数据本；根据所述异常数据本对键盘各部件进行故障监测，生成第一监测报告或第二监测报告，通过定期监测键盘的工作状态，可以及时发现潜在的故障，并进行修复，从而降低维修成本和生产力损失。成本和生产力损失。成本和生产力损失。

【技术实现步骤摘要】
一种基于数据分析的键盘智能监测方法及系统


[0001]本专利技术涉及键盘监测
，特别是一种基于数据分析的键盘智能监测方法及系统。

技术介绍

[0002]键盘在计算机和其他电子设备中起到了输入和控制的作用，是用户与设备进行交互的重要工具，使得用户能够有效地输入命令、文字和数据，控制设备的运行和操作。键盘故障可能导致按键失灵、键盘卡死、键盘输入错误等问题，通过监测键盘的工作状态，可以及时发现和解决键盘故障，确保键盘的稳定性和可靠性；键盘故障会导致用户在输入过程中出现错误或延迟，这会大大降低用户的工作效率；在某些情况下，键盘故障可能导致输入的数据丢失或错误，这可能会对用户造成重大损失，尤其是在数据输入敏感性高的情况下，如金融交易、数据输入等。通过监测键盘故障，可以预防数据丢失，保护用户和组织的利益。对于组织来说，键盘故障可能需要维修或更换键盘的费用，而且如果键盘故障较为严重，可能导致用户无法正常工作，进一步增加了生产力的损失。因此，通过定期监测键盘的工作状态，可以及时发现潜在的故障，并进行修复，从而降低维修成本和生产力损失。

技术实现思路

[0003]本专利技术克服了现有技术的不足，提供了一种基于数据分析的键盘智能监测方法及系统。
[0004]为达到上述目的本专利技术采用的技术方案为：本专利技术第一方面公开了一种基于数据分析的键盘智能监测方法，包括以下步骤：获取键盘在各种历史工作环境条件之下的历史参数数据，根据所述历史参数数据建立预测模型，根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本；构建参数数据本，在多个预设时间节点上连续采集键盘的实际参数数据，并将所采集到的实际参数数据汇聚至所述参数数据本中，采集完毕后，将所述参数数据本输出；对所述参数数据本中的实际参数数据进行聚类，得到若干个子参数数据本；通过孤立森林算法对若干个所述子参数数据本进行评估，得到聚类异常数据，并对所述聚类异常数据进行重新聚类，得到若干个最终子参数数据本；构建数据库，将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对，以配对出异常数据本；根据所述异常数据本对键盘各部件进行故障监测，生成第一监测报告或第二监测报告。
[0005]进一步地，本专利技术的一个较佳实施例中，获取键盘在各种历史工作环境条件之下的历史参数数据，根据所述历史参数数据建立预测模型，根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本，具体为：获取键盘在各种历史工作环境条件之下的历史参数数据，基于卷积神经网络构建
预测模型，将键盘在各种历史工作环境条件之下的历史参数数据分为训练集与验证集；将所述训练集输入所述预测模型中的卷积层进行卷积运算，得到卷积值；将所述卷积值导入预测模型中的池化层中，以对所述卷积值进行池化；在所有卷积层中选取最大卷积值作为对应卷积层的特征值，将所述特征值与训练集中参数数据进行融合，得到局部特征值；通过交叉损失函数对所述局部特征值进行反向传播训练，直到预测模型收敛至预定的停止条件；最后通过验证集对预测模型进行验证，当验证结果满足预设要求后，保存预测模型所有参数，得到训练完成后的预测模型；获取键盘的实时工作环境，将所述实时工作环境导入所述训练完成后的预测模型中进行预测，预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本；其中，所述预设监测类别包括按键响应时间、按键敲击声、卡键频率、按键力度、按键无响应频率以及错字频率。
[0006]进一步地，本专利技术的一个较佳实施例中，对所述参数数据本中的实际参数数据进行聚类，得到若干个子参数数据本，具体为：预设聚类簇数目与聚类参数，根据所述聚类簇数目与聚类参数确定出若干个聚类中心；并计算所述参数数据本中的各实际参数数据与各聚类中心之间的曼哈顿距离，基于所述曼哈顿距离确定出各实际参数数据与各聚类中心之间的隶属度矩阵，根据所述隶属度矩阵确定出各实际参数数据与各聚类中心之间的隶属度值；将各实际参数数据与各聚类中心之间的隶属度值进行大小排序，排序完成后，提取出最大隶属度值，根据所述最大隶属度值将各实际参数数据聚类至对应的聚类中心内，以对参数数据本中的实际参数数据进行持续聚类；当各聚类中心的变动量均小于预设阈值后，则聚类完毕，输出若干个聚类后的初始子参数数据本；在各初始子参数数据本中选取任意一个实际参数数据，计算该实际参数数据与该初始子参数数据本中剩余实际参数数据之间的簇内平均曼哈顿距离；计算该实际参数数据与其余初始子参数数据本中所有实际参数数据之间的簇外平均曼哈顿距离；根据所述簇内平均曼哈顿距离与簇外平均曼哈顿距离计算得到各初始子参数数据本对应的轮廓系数；将轮廓系数大于预设轮廓系数对应的初始子参数数据本重复以上步骤进行继续迭代；直至所有初始子参数数据本的轮廓系数均不大于预设轮廓系数，则获取最终聚类结果，得到若干个子参数数据本。
[0007]进一步地，本专利技术的一个较佳实施例中，通过孤立森林算法对若干个所述子参数数据本进行评估，得到聚类异常数据，并对所述聚类异常数据进行重新聚类，得到若干个最终子参数数据本，具体为：构建孤立森林模型，将所述子参数数据本导入所述孤立森林模型中，根据所述子参数数据本的实际参数数据建立若干棵子树；对于每棵子树，随机选择一个特征点与切分点，根据所述特征点与切分点将各棵子树进行划分孤立，得到若干棵孤立树；获取每棵孤立树的树深度与路径长度，根据所述树深度与路径长度计算出各实际参数数据的孤立得分；逐一判断各实际参数数据的孤立得分是否大于预设得分，若实际参数数据的孤立得分大于预设得分，则将孤立得分大于预设得分的实际参数数据标定为聚类异常数据，并
将该聚类异常数据在对应的子参数数据本中剔除；将该聚类异常数据输入至其余子参数数据本中，并获取该聚类异常数据在其余子参数数据本中的孤立得分；若该聚类异常数据在其余子参数数据本中的孤立得分均大于预设得分，则将该聚类异常数据彻底剔除；若该聚类异常数据在其余子参数数据本中的孤立得分存在不大于预设得分的情况，则将该聚类异常数据在其余子参数数据本中的孤立得分进行大小排序，排序完成后，提取出最小孤立得分，将该聚类异常数据输入至与最小孤立得分相对应的子参数数据本中；当对所有子参数数据本中的实际参数数据筛选完毕后，输出若干个最终子参数数据本。
[0008]进一步地，本专利技术的一个较佳实施例中，构建数据库，将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对，以配对出异常数据本，具体为：构建数据库，将各预设监测类别的预测参数数据本导入所述数据库中，得到特性数据库；将所述最终子参数数据本导入所述特性数据库中，通过灰色关联分析法获取所述最终子参数数据本与对应的预测参数数据本之间基于时间序列的关联度，将基于时间序列上的关联度进行加权求和得到整体关联度；根据所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相似度指数，根据所述相似度指数确定出所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相对重合度；将所述相对重合度与预设相对重合度进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据分析的键盘智能监测方法，其特征在于，包括以下步骤：获取键盘在各种历史工作环境条件之下的历史参数数据，根据所述历史参数数据建立预测模型，根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本；构建参数数据本，在多个预设时间节点上连续采集键盘的实际参数数据，并将所采集到的实际参数数据汇聚至所述参数数据本中，采集完毕后，将所述参数数据本输出；对所述参数数据本中的实际参数数据进行聚类，得到若干个子参数数据本；通过孤立森林算法对若干个所述子参数数据本进行评估，得到聚类异常数据，并对所述聚类异常数据进行重新聚类，得到若干个最终子参数数据本；构建数据库，将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对，以配对出异常数据本；根据所述异常数据本对键盘各部件进行故障监测，生成第一监测报告或第二监测报告。2.根据权利要求1所述的一种基于数据分析的键盘智能监测方法，其特征在于，获取键盘在各种历史工作环境条件之下的历史参数数据，根据所述历史参数数据建立预测模型，根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本，具体为：获取键盘在各种历史工作环境条件之下的历史参数数据，基于卷积神经网络构建预测模型，将键盘在各种历史工作环境条件之下的历史参数数据分为训练集与验证集；将所述训练集输入所述预测模型中的卷积层进行卷积运算，得到卷积值；将所述卷积值导入预测模型中的池化层中，以对所述卷积值进行池化；在所有卷积层中选取最大卷积值作为对应卷积层的特征值，将所述特征值与训练集中参数数据进行融合，得到局部特征值；通过交叉损失函数对所述局部特征值进行反向传播训练，直到预测模型收敛至预定的停止条件；最后通过验证集对预测模型进行验证，当验证结果满足预设要求后，保存预测模型所有参数，得到训练完成后的预测模型；获取键盘的实时工作环境，将所述实时工作环境导入所述训练完成后的预测模型中进行预测，预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本；其中，所述预设监测类别包括按键响应时间、按键敲击声、卡键频率、按键力度、按键无响应频率以及错字频率。3.根据权利要求1所述的一种基于数据分析的键盘智能监测方法，其特征在于，对所述参数数据本中的实际参数数据进行聚类，得到若干个子参数数据本，具体为：预设聚类簇数目与聚类参数，根据所述聚类簇数目与聚类参数确定出若干个聚类中心；并计算所述参数数据本中的各实际参数数据与各聚类中心之间的曼哈顿距离，基于所述曼哈顿距离确定出各实际参数数据与各聚类中心之间的隶属度矩阵，根据所述隶属度矩阵确定出各实际参数数据与各聚类中心之间的隶属度值；将各实际参数数据与各聚类中心之间的隶属度值进行大小排序，排序完成后，提取出最大隶属度值，根据所述最大隶属度值将各实际参数数据聚类至对应的聚类中心内，以对参数数据本中的实际参数数据进行持续聚类；当各聚类中心的变动量均小于预设阈值后，则聚类完毕，输出若干个聚类后的初始子参数数据本；
在各初始子参数数据本中选取任意一个实际参数数据，计算该实际参数数据与该初始子参数数据本中剩余实际参数数据之间的簇内平均曼哈顿距离；计算该实际参数数据与其余初始子参数数据本中所有实际参数数据之间的簇外平均曼哈顿距离；根据所述簇内平均曼哈顿距离与簇外平均曼哈顿距离计算得到各初始子参数数据本对应的轮廓系数；将轮廓系数大于预设轮廓系数对应的初始子参数数据本重复以上步骤进行继续迭代；直至所有初始子参数数据本的轮廓系数均不大于预设轮廓系数，则获取最终聚类结果，得到若干个子参数数据本。4.根据权利要求1所述的一种基于数据分析的键盘智能监测方法，其特征在于，通过孤立森林算法对若干个所述子参数数据本进行评估，得到聚类异常数据，并对所述聚类异常数据进行重新聚类，得到若干个最终子参数数据本，具体为：构建孤立森林模型，将所述子参数数据本导入所述孤立森林模型中，根据所述子参数数据本的实际参数数据建立若干棵子树；对于每棵子树，随机选择一个特征点与切分点，根据所述特征点与切分点将各棵子树进行划分孤立，得到若干棵孤立树；获取每棵孤立树的树深度与路径长度，根据所述树深度与路径长度计算出各实际参数数据的孤立得分；逐一判断各实际参数数据的孤立得分是否大于预设得分，若实际参数数据的孤立得分大于预设得分，则将孤立得分大于预设得分的实际参数数据标定为聚类异常数据，并将该聚类异常数据在对应的子参数数据本中剔除；将该聚类异常数据输入至其余子参数数据本中，并获取该聚类异常数据在其余子参数数据本中的孤立得分；若该聚类异常数据在其余子参数数据本中的孤立得分均大于预设得分，则将该聚类异常数据彻底剔除；若该聚类异常数据在其余子参数数据本中的孤立得分存在不大于预设得分的情况，则将该聚类异常数据在其余子参数数据本中的孤立得分进行大小排序，排序完成后，提取出最小孤立得分，将该聚类异常数据输入至与最小孤立得分相对应的子参数数据本中；当对所有子参数数据本中的实际参数数据筛选完毕后，输出若干个最终子参数数据本。5.根据权利要求1所述的一种基于数据分析的键盘智能监测方法，其特征在于，构建数据库，将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对，以配对出异常数据本，具体为：构建数据库，将各预设监测类别的预测参数数据本导入所述数据库中，得到特性数据库；将所述最终子参数数据本导入所述特性数据库中，通过灰色关联分析法获取所述最终子参数数据本与对应的预测参数数据本之间基于时间序列的关联度，将基于时间序列上的关联度进行加权求和得到整体关联度；根据所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相似度指数，根据所述相似度指数确定出所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相对重合度；将所述相对重合度与预设相对重合度进行比较；若所述相对重合...

【专利技术属性】
技术研发人员：匡新华，
申请(专利权)人：深圳阿比特科技有限公司，
类型：发明
国别省市：