CN102609612A - 一种用于多参数仪表检定的数据融合方法 - Google Patents
一种用于多参数仪表检定的数据融合方法 Download PDFInfo
- Publication number
- CN102609612A CN102609612A CN2011104577673A CN201110457767A CN102609612A CN 102609612 A CN102609612 A CN 102609612A CN 2011104577673 A CN2011104577673 A CN 2011104577673A CN 201110457767 A CN201110457767 A CN 201110457767A CN 102609612 A CN102609612 A CN 102609612A
- Authority
- CN
- China
- Prior art keywords
- value
- evidence
- neural network
- bee colony
- calibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种用于多参数仪表检定的数据融合方法,包括对多次测量的多组历史数据,进行去噪处理,根据校准规则提取每组历史数据仪表校准项的特征参数;根据得到的特征参数建立并训练人工蜂群数据融合模型;根据得到的人工蜂群神经网络结构的权值参数对人工蜂群神经网络的识别结果进行归一化处理,构造证据的基本概率指派函数;根据证据组合结果,做出最终决策。本发明的方法能够融合历史测试数据来分析其内部特征,更合理的对仪表进行检定,通过建立人工蜂群神经网络结构和构造证据的基本概率指派函数,可以更智能化的判定仪表检定结论,减少检定数据处理过程中人为的干预和避免结论误判。
Description
技术领域
本发明属于的人工智能技术领域,具体涉及用于多参数仪表检定的数据融合方法。
背景技术
按照计量法的要求,计量器具必须定期检定。检定是指查明和确认计量器具是否符合法定要求的程序,它包括检查、加标记和出具检定证书。检定必须按照被检定仪表的检定规程操作,并在证书中记载被检定的各项参数的测试数据,然后根据它们对标准值的偏离状态来评定此仪表的整体技术性能状况。检定一般需要在特定实验环境下,进行多次重复实验后,综合分析测试数据得出检定结论。为了规避实验偶然干扰对结论判定的影响,一般对这些测试结果采用统计方法来筛选数据,并按照检定规程中指定计算规则得出检定结论。但上述这些方法没有更深层次的去考虑这些测试数据的内在特征和关系,导致结论判定结果与实际情况有一定的偏离,容易得出误判结论。
发明内容
本发明的目的是为了解决现有的仪表检定方法存在的上述缺陷,提出了一种用于多参数仪表检定的数据融合方法。
本发明的技术方案是:一种用于多参数仪表检定的数据融合方法,包括如下步骤:
步骤一、对多次测量的多组历史数据,进行去噪处理,根据校准规则提取每组历史数据仪表校准项的特征参数;
步骤二、根据步骤一得到的特征参数建立并训练人工蜂群数据融合模型,具体过程如下:
(1)建立包含输入层、单隐含层和输出层的三层人工蜂群神经网络结构;
依据步骤一中提取的特征参数种类,确定人工蜂群神经网络的输入层神经元数p;根据预先设定的检定结果的级别数q,确定人工蜂群神经网络输出层的神经元数为q;单隐含层的神经元数n0:
n0=2p+β;其中,β为无量纲的修正参数;
(2)优化人工蜂群神经网络结构的权值参数;具体步骤如下:
设标准网络模型中待优化的数目为N,利用Pareto最优概念,将优于某个体的个体适应度值作为该个体的适应度值,一个观察蜂选择蜜源的概率取决于蜜源的概率值probi,具体采用下式计算:
通过得到的蜜源的概率值probi,利用人工蜂群算法优化人工蜂群神经网络结构的权值参数;
步骤三、根据得到的人工蜂群神经网络结构的权值参数对人工蜂群神经网络的识别结果进行归一化处理,构造证据的基本概率指派函数;
步骤四、根据证据组合结果,做出最终决策:若信任度值最大的命题满足预先设定的阀值条件,则该命题为决策的目标,否则不做决策。
本发明的有益效果:本发明的方法能够融合历史测试数据来分析仪表的内部特征,更合理的对仪表进行检定,通过多次测量的多组历史数据,进行去噪处理,提取每组历史数据仪表校准项的特征参数,进而建立人工蜂群神经网络结构和构造证据的基本概率指派函数,可以更智能化的判定仪表检定结论,减少检定数据处理过程中人为的干预和避免结论误判。
说明书附图
图1是本发明方法的流程示意图。
图2是本发明实施例的优化人工蜂群神经网络结构的权值参数过程示意图。
具体实施方式
下面结合附图和具体的实施方式对本发明作进一步的阐述。
步骤一、对多次测量的多组历史数据,进行去噪处理,根据校准规则提取每组历史数据仪表校准项的特征参数;
这里去噪处理可以采用如下的方式进行处理:对历史数据进行小波分解;选取启发式阀值法对分解后的信号进行去噪。
这里,可以选取db4小波对多次测量的多组历史数据进行小波分解。
确定小波分解的适当层数。层数越多,计算工作量也越大,误差也会增加。但是,尺度越大越有利于从更深层次进行信号趋势分析,能使时间序列更加平稳,因此分解层数一般采用3~5层。
这里,特征参数具体包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系数。
步骤二、根据步骤一得到的特征参数建立并训练人工蜂群数据融合模型,具体过程如下:
(1)建立包含输入层、单隐含层和输出层的三层人工蜂群神经网络结构;
依据步骤一中提取的特征参数种类,确定人工蜂群神经网络的输入层神经元数p;根据预先设定的检定结果的级别数q,确定人工蜂群神经网络输出层的神经元数为q;单隐含层的神经元数n0:
n0=2p+β;其中,β为无量纲的修正参数;β的范围具体为1~10。
这里的特征参数的种类为6,即有p=6;检定结果的级别数一般分为:合格、不合格或者其它,可以预先设定,例如预先设定的检定结果为合格和不合格两类时,则级别数q=2。
(2)优化人工蜂群神经网络结构的权值参数,具体步骤如下:
设标准网络模型中待优化的数目为N,利用Pareto最优概念,将优于某个体的个体适应度值作为该个体的适应度值,一个观察蜂选择蜜源的概率取决于蜜源的概率值probi,其计算如下:
对于fiti的计算采用双倍排序和自适应密度法,对个体的适应度赋值,首先根据Pareto的支配关系,对群体中的每一个个体排序,再根据周围的拥挤情况计算适应度密度值,最后综合确定适应度值。其过程如下:
1)计算群体Q中每个个体i的排序R′(i)
其中,符号″f″表示Pareto支配关系;
上式表示当前群体Q中支配个体i的个数。
2)个体i的排序R(i):
上式表明个体i的排序数R(i)等于个体i的伪排序数与支配个体i的所有个体的伪排序数之和。
将每个个体所在的网格区域的个体数作为给个体的密度值。
4)个体适应度值:
式中,R(i)表示个体i的排序号,ρ(i)表示个体i的密度值。
通过得到的蜜源的概率值probi,利用人工蜂群算法优化人工蜂群神经网络结构的权值参数。这里,利用概率值probi进行权值的优化可以避免训练陷入局部最优解,从而可以获得一个全局最优解。
人工蜂群算法的具体过程如下:
为了从记忆中就得蜜源位置产生一个新的蜜源位置,人工蜂群算法采用如下表达式:
vij=xij+φij(xij-xkj),这里k∈{1,2,…,SN),j∈{1,2,…,D}是随机选择的下标,且k≠i;φ是在[-1,1]之间的随机数,D表示优化参数的个数;它控制xij领域内新的蜜源的产生并代表蜜蜂对两个可视范围内两个蜜源位置的比较,可以看出随着xij与xkj之间的差距缩小,对位置xij的扰动就越小,因此在解空间内随着最优解的逼近,步长将相应地减少。
在人工蜂群算法中,如果一个蜜源位置经过限定次数的循环后仍然不能被改进,那么该蜜源处的采蜜蜂成为侦察蜂,该蜜源位置将被解空间内随机产生的一个位置所代替。设放弃的蜜源位置是xi,则侦察蜂发现新蜜源并替换xi的操作如下:
待所有蜜源找到后,用蜜蜂所选权值作为神经网络参数,计算训练样本的输出误差,记录当前所选参数中的最优解;对所有集合中各元素的蜜源信息按下式进行调节:
其中,τj(Ipi)(t+m)表示集合Ipi中第j个元素在时刻t+m的蜜源信息,参数ρ表示蜜源信息的重复率,0<ρ<1,表示本次循环中第k只蜜蜂在集合Ipi的第j个元素Pj(Ipi)留下的蜜源信息,其计算方法为:
式中:Q是常数,表示蜜蜂完成一次循环后所释放的蜜源信息总和;ek是蜜蜂k选择的元素作为神经网络的权值时各训练样本的最大输出误差,定义为其中,h是样本数目,On和Oq表示神经网络的实际输出和期望输出,当误差越小,蜜源信息增加的就越多。
样本的训练误差若ek小于预先设定的期望误差ζ,则存储人工蜂群神经网络所选阈值和权值,若ek大于等于预先设定的期望误差ζ,则令Nc=Nc+1,t=t+m,对所有集合Ipi中各个元素的信息素按式做调节,重复上述操作,继续优化网络结构的权值参数。
步骤三、根据得到的人工蜂群神经网络结构的权值参数对人工蜂群神经网络的识别结果进行归一化处理,构造证据的基本概率指派函数;
具体可以采取如下一种过程:
根据仪表检定结论的级别建立完备的检定结论框架q表示仪表检定结论级别数,取自然数;设检定事件所属的簇共有m个参数,得证据集{ml(.)},l=1,2,3,…,m,设证据集第g个输出神经元的值为Ol(g),g=1,2,3,…,q,该人工蜂群神经网络的识别准确率为λ1;设测量参数偏离标准值的距离来评估个证据的权重,具体方法:以距离最近的簇内成员节点作为基准,该证据的权重为1,其它源节点的权重wl,wl通过自身距离与基准值间的比值来确定,具体的为:其中,1≤l≤m,δ=min(dl),T为权重的影响因子,取自然数,dl为节点l的测量参数至标准值之间的距离,则第l条证据的基本概率指派函数{ml(.)}为:
其中,Ag表示证据的焦元,l=1,2,3,…,m,g=1,2,3,…,q;
在簇头节点处,采用下面的D-S证据合成公式进行证据合成:
步骤四、根据证据组合结果,做出最终决策:若信任度值最大的命题满足预先设定的阀值条件,则该命题为决策的目标,否则不做决策。
确定性命题的信任度值大于未知命题的信任度值,且未知命题的信任度值小于预先设定的阈值εi1;对于信任度值最大的确定性命题,其信任度值与次信任度值之差大于预先设定的阈值εi2,其中,εi1、εi2是无量纲量,取值为0和1之间的随机数;若满足,则诊断结果为信任度值最大的命题,否则不做判断。
具体过程如下:
设Ai{i=1,2,3,…,q},A2是检定结论框架Ω的两个命题集合,基本概率指派值分别为 Aq表示检定结论识别框架Ω中任意一个命题,若满足:
这里的m(Ai)、m(Ω)与ml(Ag)ml(Ω)的计算公式相同,即有:
本发明的方法能够融合历史测试数据来分析其内部特征,更合理的对仪表进行检定,通过多次测量的多组历史数据,进行去噪处理,提取每组历史数据仪表校准项的特征参数,进而建立人工蜂群神经网络结构和构造证据的基本概率指派函数,可以更智能化的判定仪表检定结论,减少检定数据处理过程中人为的干预和避免结论误判。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种用于多参数仪表检定的数据融合方法,其特征在于,包括如下步骤:
步骤一、对多次测量的多组历史数据,进行去噪处理,根据校准规则提取每组历史数据仪表校准项的特征参数;
步骤二、根据步骤一得到的特征参数建立并训练人工蜂群数据融合模型,具体过程如下:
(1)建立包含输入层、单隐含层和输出层的三层人工蜂群神经网络结构;
依据步骤一中提取的特征参数种类,确定人工蜂群神经网络的输入层神经元数p;根据预先设定的检定结果的级别数q,确定人工蜂群神经网络输出层的神经元数为q;单隐含层的神经元数n0:
n0=2p+β;其中,β为无量纲的修正参数;
(2)优化人工蜂群神经网络结构的权值参数;具体步骤如下:
设标准网络模型中待优化的数目为N,利用Pareto最优概念,将优于某个体的个体适应度值作为该个体的适应度值,一个观察蜂选择蜜源的概率取决于蜜源的概率值probi,具体采用下式计算:
通过得到的蜜源的概率值probi,利用人工蜂群算法优化人工蜂群神经网络结构的权值参数;
步骤三、根据得到的人工蜂群神经网络结构的权值参数对人工蜂群神经网络的识别结果进行归一化处理,构造证据的基本概率指派函数;
步骤四、根据证据组合结果,做出最终决策:若信任度值最大的命题满足预先设定的阀值条件,则该命题为决策的目标,否则不做决策。
2.根据权利要求1所述的数据融合方法,其特征在于,所述的去噪处理的过程如下:对历史数据进行小波分解;选取启发式阀值法对分解后的信号进行去噪。
3.根据权利要求1或2所述的数据融合方法,其特征在于,所述的特征参数具体包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系数。
4.根据权利要求1或2所述的数据融合方法,其特征在于,步骤二中所述的第i个个体的适应度值fiti计算过程如下:
首先根据Pareto的支配关系,对群体中的每一个个体排序,再根据周围的拥挤情况计算适应度密度值,最后综合确定适应度值;其过程如下:
1)计算群体Q中每个个体i的排序R′(i)
其中,符号″f″表示Pareto支配关系;
2)个体i的排序R(i):
将每个个体所在的网格区域的个体数作为给个体的密度值。
4)个体适应度值:
式中,R(i)表示个体i的排序号,ρ(i)表示个体i的密度值。
5.根据权利要求4所述的数据融合方法,其特征在于,步骤三的具体过程如下:
根据仪表检定结论的级别建立完备的检定结论框架q表示仪表检定结论级别数,取自然数;设检定事件所属的簇共有m个参数,得证据集{ml(.)},l=1,2,3,…,m,设证据集第g个输出神经元的值为Ol(g),g=1,2,3,…,q,该人工蜂群神经网络的识别准确率为λ1;设测量参数偏离标准值的距离来评估个证据的权重,具体方法:以距离最近的簇内成员节点作为基准,该证据的权重为1,其它源节点的权重wl,wl通过自身距离与基准值间的比值来确定,具体的为:其中,1≤l≤m,δ=min(dl),T为权重的影响因子,取自然数,dl为节点l的测量参数至标准值之间的距离,则第l条证据的基本概率指派函数{ml(.)}为:
其中,Ag表示证据的焦元,l=1,2,3,…,m,g=1,2,3,…,q;
在簇头节点处,采用下面的D-S证据合成公式进行证据合成:
其中,kl,g表示证据间的冲突大小,A表示证据l和证据g组合后的焦元,B、C分别表示证据l、g的焦元,且 ml、mg分别表示证据l、g的基本概率指派函数。
6.根据权利要求4或5所述的数据融合方法,其特征在于,步骤四的具体过程如下:
确定性命题的信任度值大于未知命题的信任度值,且未知命题的信任度值小于预先设定的阈值εi1;对于信任度值最大的确定性命题,其信任度值与次最大信任度值之差大于预先设定的阈值εi2,其中,εi1、εi2是无量纲量,取值为0和1之间的随机数;若满足,则诊断结果为信任度值最大的命题,否则不做判断。具体过程如下:
设Ai{i=1,2,3,…,q},A2是检定结论框架Ω的两个命题集合,基本概率指派值分别为 Aq表示检定结论识别框架Ω中
任意一个命题,若满足:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110457767.3A CN102609612B (zh) | 2011-12-31 | 2011-12-31 | 一种用于多参数仪表检定的数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110457767.3A CN102609612B (zh) | 2011-12-31 | 2011-12-31 | 一种用于多参数仪表检定的数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102609612A true CN102609612A (zh) | 2012-07-25 |
CN102609612B CN102609612B (zh) | 2015-05-27 |
Family
ID=46526977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110457767.3A Expired - Fee Related CN102609612B (zh) | 2011-12-31 | 2011-12-31 | 一种用于多参数仪表检定的数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102609612B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946613A (zh) * | 2012-10-10 | 2013-02-27 | 北京邮电大学 | 一种用于测量用户业务体验质量的方法 |
CN103116693A (zh) * | 2013-01-14 | 2013-05-22 | 天津大学 | 基于人工蜂群的软硬件划分方法 |
CN103278772A (zh) * | 2013-05-29 | 2013-09-04 | 上海电机学院 | 基于证据熵的风力发电机组故障诊断方法及装置 |
CN104573821A (zh) * | 2015-01-29 | 2015-04-29 | 绍兴文理学院 | 一种通过多参数融合处理设备状态的方法和系统 |
CN105913118A (zh) * | 2015-12-09 | 2016-08-31 | 上海大学 | 一种基于概率计算的人工神经网络硬件实现装置 |
CN106198749A (zh) * | 2015-05-08 | 2016-12-07 | 中国科学院声学研究所 | 一种基于金属裂纹监测的多路传感器的数据融合方法 |
CN110390816A (zh) * | 2019-07-18 | 2019-10-29 | 电子科技大学 | 一种基于多模型融合的状态判别方法 |
CN110765834A (zh) * | 2019-08-25 | 2020-02-07 | 青岛科技大学 | 一种基于改进人工蜂群算法的参数小波阈值信号去噪方法 |
CN112015108A (zh) * | 2020-08-25 | 2020-12-01 | 湖南方彦半导体有限公司 | 基于传感技术的智能控制芯片 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1570628A (zh) * | 2004-04-30 | 2005-01-26 | 河海大学 | 多源监测数据信息融合处理方法 |
US20050234839A1 (en) * | 2004-04-14 | 2005-10-20 | The Boeing Company | Neural network for aeroelastic analysis |
CN1945602A (zh) * | 2006-07-07 | 2007-04-11 | 华中科技大学 | 一种基于人工神经网络的特征选择方法 |
-
2011
- 2011-12-31 CN CN201110457767.3A patent/CN102609612B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050234839A1 (en) * | 2004-04-14 | 2005-10-20 | The Boeing Company | Neural network for aeroelastic analysis |
CN1570628A (zh) * | 2004-04-30 | 2005-01-26 | 河海大学 | 多源监测数据信息融合处理方法 |
CN1945602A (zh) * | 2006-07-07 | 2007-04-11 | 华中科技大学 | 一种基于人工神经网络的特征选择方法 |
Non-Patent Citations (3)
Title |
---|
王太勇 等: "神经网络多参数诊断法及其应用研究", 《机械工程学报》 * |
胡珂 等: "改进的人工蜂群算法性能", 《计算机应用》 * |
臧朝平 等: "基于多神经网络多参数综合的旋转机械故障诊断系统研究", 《振动与冲击》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946613B (zh) * | 2012-10-10 | 2015-01-21 | 北京邮电大学 | 一种用于测量用户业务体验质量的方法 |
CN102946613A (zh) * | 2012-10-10 | 2013-02-27 | 北京邮电大学 | 一种用于测量用户业务体验质量的方法 |
CN103116693A (zh) * | 2013-01-14 | 2013-05-22 | 天津大学 | 基于人工蜂群的软硬件划分方法 |
CN103116693B (zh) * | 2013-01-14 | 2015-09-30 | 天津大学 | 基于人工蜂群的软硬件划分方法 |
CN103278772A (zh) * | 2013-05-29 | 2013-09-04 | 上海电机学院 | 基于证据熵的风力发电机组故障诊断方法及装置 |
CN104573821B (zh) * | 2015-01-29 | 2018-05-29 | 绍兴文理学院 | 一种通过多参数融合处理设备状态的方法和系统 |
CN104573821A (zh) * | 2015-01-29 | 2015-04-29 | 绍兴文理学院 | 一种通过多参数融合处理设备状态的方法和系统 |
CN106198749B (zh) * | 2015-05-08 | 2019-03-15 | 中国科学院声学研究所 | 一种基于金属裂纹监测的多路传感器的数据融合方法 |
CN106198749A (zh) * | 2015-05-08 | 2016-12-07 | 中国科学院声学研究所 | 一种基于金属裂纹监测的多路传感器的数据融合方法 |
CN105913118A (zh) * | 2015-12-09 | 2016-08-31 | 上海大学 | 一种基于概率计算的人工神经网络硬件实现装置 |
CN105913118B (zh) * | 2015-12-09 | 2019-06-04 | 上海大学 | 一种基于概率计算的人工神经网络硬件实现装置 |
CN110390816A (zh) * | 2019-07-18 | 2019-10-29 | 电子科技大学 | 一种基于多模型融合的状态判别方法 |
CN110765834A (zh) * | 2019-08-25 | 2020-02-07 | 青岛科技大学 | 一种基于改进人工蜂群算法的参数小波阈值信号去噪方法 |
CN112015108A (zh) * | 2020-08-25 | 2020-12-01 | 湖南方彦半导体有限公司 | 基于传感技术的智能控制芯片 |
Also Published As
Publication number | Publication date |
---|---|
CN102609612B (zh) | 2015-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102609612B (zh) | 一种用于多参数仪表检定的数据融合方法 | |
CN110147450B (zh) | 一种知识图谱的知识补全方法及装置 | |
Pham et al. | Application of the bees algorithm to the training of learning vector quantisation networks for control chart pattern recognition | |
CN110515364B (zh) | 一种基于变分模态分解和ls-svm的刀具磨损状态检测方法 | |
CN107992976B (zh) | 热点话题早期发展趋势预测系统及预测方法 | |
CN102622510A (zh) | 一种软件缺陷量化管理系统和方法 | |
CN110232434A (zh) | 一种基于属性图优化的神经网络架构评估方法 | |
CN108776820A (zh) | 一种利用宽度神经网络改进的随机森林集成方法 | |
CN109858714B (zh) | 基于改进神经网络的烟丝质检指标预测方法、装置及系统 | |
CN111243736A (zh) | 一种生存风险评估方法及系统 | |
CN106055922A (zh) | 一种基于基因表达数据的混合网络基因筛选方法 | |
CN111932039A (zh) | 一种列车到站晚点预测方法、装置、电子设备及存储介质 | |
CN105956798A (zh) | 一种基于稀疏随机森林的配网设备运行状态评估方法 | |
CN115602337A (zh) | 一种基于机器学习的刺激隐核虫疾病预警方法及系统 | |
CN106682448A (zh) | 基于多目标遗传规划算法的序贯测试优化方法 | |
Akinwale Adio et al. | Translated Nigeria stock market price using artificial neural network for effective prediction | |
Nazarov et al. | Optimization of prediction results based on ensemble methods of machine learning | |
Sánchez et al. | Obtaining transparent models of chaotic systems with multi-objective simulated annealing algorithms | |
CN115423148B (zh) | 一种基于克里金法和决策树的农机作业性能预测方法与装置 | |
CN112651168B (zh) | 基于改进神经网络算法的建设用地面积预测方法 | |
CN115359197A (zh) | 一种基于空间自相关神经网络的地质曲面重构方法 | |
US20230214668A1 (en) | Hyperparameter adjustment device, non-transitory recording medium in which hyperparameter adjustment program is recorded, and hyperparameter adjustment program | |
CN111860945A (zh) | 一种基于多源数据的输电线路鸟类分布预测方法 | |
Pooja et al. | Effect of increased number of covid-19 tests using supervised machine learning models | |
Özdemira et al. | Data Mining of SILC Data: Turkey Case |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150527 Termination date: 20171231 |
|
CF01 | Termination of patent right due to non-payment of annual fee |