CN105007170B - 一种基于fahp-svm理论的wlan网络负载综合评价方法 - Google Patents
一种基于fahp-svm理论的wlan网络负载综合评价方法 Download PDFInfo
- Publication number
- CN105007170B CN105007170B CN201510238101.7A CN201510238101A CN105007170B CN 105007170 B CN105007170 B CN 105007170B CN 201510238101 A CN201510238101 A CN 201510238101A CN 105007170 B CN105007170 B CN 105007170B
- Authority
- CN
- China
- Prior art keywords
- load
- wlan network
- evaluation
- sub
- indicate
- 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.)
- Expired - Fee Related
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种网络负载综合评价方法,一种基于FAHP‑SVM理论的WLAN网络负载综合评价方法,包括以下步骤:1、构建WLAN网络负载综合评价指标体系,2、选择机器学习算法的学习样本,3、采用层次分析法确定WLAN网络负载评价指标体系中各个指标的权重,4、运用模糊综合评价法确定样本数据的网络负载评价值与负载评价等级,5、机器学习算法支持向量机模型训练,获得网络负载自动评价模型,6、WLAN网络负载评价模型根据输入的实时WLAN网络性能数据,输出该时刻网络对应的负载值与负载等级。本发明方法既充分利用了专家知识,又不依赖于某个具体的专家意见,使得评估结果准确客观。通过运用机器学习经典算法SVM实现了对WLAN网络性能的自动评价,大大降低了人工成本。
Description
技术领域
本发明涉及一种网络负载综合评价方法,更具体地说,涉及一种基于FAHP-SVM理论的WLAN网络负载综合评价方法。
背景技术
最近几年,智能终端数量越来越多,移动互联网逐渐兴起,以此带来了WLAN网络建设规模的持续扩大。相比于传统的有线网络,WLAN网络具有使用更方便、部署成本低、使用灵活等特点,因此,在很多公共场景,WLAN网络已经开始取代传统的组网方式。目前,各大城市基本已经建立起了大规模的WLAN网络,但是对WLAN网络的管理以及优化还不是很成熟。WLAN优化管理面临网络结构复杂、性能指标多、数据海量等问题。
目前,在各大运营商内部,现有的WLAN网管系统仅仅是对部分关键性能指标进行监控,但是也仅仅局限于指标的数据采集、监视告警而已。WLAN网络的负载评价往往是通过网络优化人员的主观评价来得出结果,这样不仅浪费了大量的人力物力,而且无法对WLAN网络的整体运行状况做出一个客观合理的判断。所以,一种能够综合各个性能指标并且可以实现自动评价的WLAN网络负载评价方法就显得尤为重要。
发明内容
为了克服现有技术中存在的不足,本发明目的是提供一种基于FAHP-SVM理论的WLAN网络负载综合评价方法。该评价方法不仅降低了人工成本,还能够实现自动评价,克服了现有技术中存在的判断主观性强、人工成本高等缺点,实现了比较全面客观地对WALN网络进行评估的目的。
为了实现上述发明目的,解决现有技术中所存在的问题,本发明采取的技术方案是:一种基于FAHP-SVM理论的WLAN网络负载综合评价方法,其特征在于包括以下步骤:
步骤1、构建WLAN网络负载综合评价指标体系,该指标体系在综合了WLAN网络特点的基础上,以可行性、代表性、综合性为指标挑选原则,选取CPU利用率、内存利用率、下挂AP数、DHCP地址池利用率和关联用户数构成WLAN网络负载评价指标体系;
步骤2、选择机器学习算法的学习样本,为后续模型的自动评价奠定基础;
步骤3、采用层次分析法确定WLAN网络负载评价指标体系中各个指标的权重,根据专家意见,构造出判断矩阵并以此求得权重向量,具体包括以下子步骤:
子步骤(a)、采用1-9比例标度法构造判断矩阵C=(cij)n×m;
子步骤(b)、计算判断矩阵C的最大特征值λmax及其对应的特征向量ξ=(x1,x2,…,xn),将此特征向量进行归一化处理即可得到权重向量A={a1,a2,…,an};
子步骤(c)、对判断矩阵C进行一致性检验,首先采用公式(1)计算一般一致性指标CI,
式中,λmax表示判断矩阵C的最大特征值,n表示判断矩阵的阶数;其次通过查表得到平均随机一致性指标RI,最后通过公式(2)计算判断矩阵C的一致性比率CR,
式中,CI表示一般一致性指标,RI表示平均随机一致性指标,当CR<0.1时,可以认为该判断矩阵C达到了满意的一致性,当CR≥0.1时,应该对判断矩阵做出适当的修改,直至满足CR<0.1的条件;
步骤4、运用模糊综合评价法确定样本数据的网络负载评价值与负载评价等级,具体包括以下子步骤:
子步骤(a)、将WLAN网络负载分成高负载、均衡、低负载三种状态,并以此建立相应的评价等级集V和相对应的得分向量c;
V={v1,v2,v3}
c=(1,0.6,0.2)
其中:v1表示高负载状态的评价等级,与之相对应的得分向量为1,v2表示均衡状态的评价等级,与之相对应的得分向量为0.6,v3表示低负载状态的评价等级集,与之相对应的得分向量为0.2;
子步骤(b)、明确隶属度矩阵R,根据专家意见,建立学习样本的模糊关系矩阵,求得学习样本的评价值与评价等级之间的隶属关系,用专家打分的方法,对每一具体指标按照高负载、均衡、低负载进行等级评价,建立隶属度矩阵R;
子步骤(c)、计算模糊综合评价结果向量F和模糊综合评价值y,模糊综合评价结果向量F通过公式(3)计算,模糊综合评价值y通过公式(4)计算,
F=AR (3)
式中,F表示模糊综合评价向量,A表示指标权重向量,R表示隶属度矩阵;
y=Fc (4)
式中,y表示模糊综合评价值,F表示模糊综合评价向量,c表示负载评价等级对应的得分向量;
子步骤(d)、确定模糊综合评价等级;
步骤5、机器学习算法支持向量机模型训练,获得网络负载自动评价模型,具体包括以下子步骤:
子步骤(a)、确定输入输出;
子步骤(b)、数据归一化处理;
为了防止大数量级数据对小数量级数据的掩盖,需要对训练集输入进行归一化处理,按照公式(5)处理,使输入值都介于[-1,1]之间,
式中,x为输入指标值,xmax表示输入训练集的最大值,xmin表示输入训练集的最小值,Y为归一化后的输出矩阵,ymax=1,ymin=-1;
子步骤(c)、确定核函数以及SVM模型最优参数;
子步骤(d)、输出最佳参数,获得SVM模型,输出WLAN网络负载评价模型;
步骤6、WLAN网络负载评价模型根据输入的实时WLAN网络性能数据,输出该时刻网络对应的负载值与负载等级。
本发明有益效果是:一种基于FAHP-SVM理论的WLAN网络负载综合评价方法,包括以下步骤:步骤1、构建WLAN网络负载综合评价指标体系;步骤2、选择机器学习算法的学习样本,为后续模型的自动评价奠定基础;步骤3、采用层次分析法确定WLAN网络负载评价指标体系中各个指标的权重;步骤4、运用模糊综合评价法确定样本数据的网络负载评价值与负载评价等级;步骤5、机器学习算法支持向量机模型训练,获得网络负载自动评价模型;步骤6、WLAN网络负载评价模型根据输入的实时WLAN网络性能数据,输出该时刻网络对应的负载值与负载等级。与已有技术相比,本发明既充分利用了专家知识,又不依赖于某个具体的专家意见,使得评估结果准确客观。该发明方法综合各方面的不同性能指标,能够较全面地评估WLAN网络性能质量,可以指导运营商网络优化部门有效地进行WLAN网络优化和负载均衡。另外,该发明方法通过运用机器学习经典算法SVM实现了对WLAN网络负载的自动评价,大大降低了人工成本和时间成本。
附图说明
图1为本发明方法流程图。
图2为本发明方法评估效果对比图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,一种基于FAHP-SVM理论的WLAN网络性能综合评价方法,包括以下步骤:步骤1、构建WLAN网络负载综合评价指标体系,该指标体系在综合了WLAN网络特点的基础上,以可行性、代表性、综合性为指标挑选原则,选取CPU利用率、内存利用率、下挂AP数、DHCP地址池利用率和关联用户数构成WLAN网络负载评价指标体系,具体的指标及其指标的含义如表1所示;
步骤2、选择机器学习算法的学习样本,为后续模型的自动评价奠定基础。考虑到WLAN网络负载评价系统本身,学习样本的输出评价值需要专家大量的工作,样本数量不宜过大。经过反复试验以及专家讨论,现选取出附录A中30组具有代表性的样本数据,作为机器学习建模的样本来源。在这30组样本数据中,高负载、均衡、低负载状态的数据各10组,每种状态的10组数据都均匀分布,避免重复覆盖。
表1
步骤3、采用层次分析法确定WLAN网络负载评价指标体系中各个指标的权重,根据专家意见,构造出判断矩阵并以此求得权重向量,具体包括以下子步骤:
步骤(a)、用1-9比例标度法构造判断矩阵C=(cij)n×m,C具体表示为:
步骤(b)、计算判断矩阵C的最大特征值λmax及其对应的特征向量ξ=(x1,x2,…,xn),将此特征向量进行归一化处理即可得到权重向量A={a1,a2,…,an};
通过特征根法求解判断矩阵可以得出判断矩阵C的最大特征值λmax=5.0687,经过计算对应该特征根的特征向量为:
ξ=(x1,x2,x3,x4,x5)=(-0.6405,-0.0878,-0.6405,-0.1303,-0.3935)
对该特征向量归一化之后即可得到评价指标的权重向量A
A=(0.3384,0.0464,0.3384,0.0689,0.2079)
步骤(c)、对判断矩阵C进行一致性检验,首先采用公式(1)计算一般一致性指标CI,
式中,λmax表示判断矩阵C的最大特征值,n表示判断矩阵的阶数;其次通过查表得到平均随机一致性指标RI,最后通过公式(2)计算判断矩阵C的一致性比率CR,
式中,CI表示一般一致性指标,RI表示平均随机一致性指标,当CR<0.1时,可以认为该判断矩阵C达到了满意的一致性,当CR≥0.1时,应该对判断矩阵做出适当的修改,直至满足CR<0.1的条件;通过查表可知,当n=5时,RI=1.12,则
此时CR<0.1,满足一致性的要求,就此可以得出WLAN网络负载评价体系各个指标的权重,结果如表2所示。
表2
评价指标 | 指标权重 |
CPU实时利用率 | 0.3384 |
内存利用率 | 0.0464 |
下挂AP数 | 0.3384 |
DHCP地址池利用率 | 0.0689 |
关联用户数 | 0.2079 |
步骤4、运用模糊综合评价法确定样本数据的网络负载评价值与负载评价等级,具体包括以下子步骤:
步骤(a)、将WLAN网络负载分成高负载、均衡、低负载三种状态,并以此建立相应的评价等级集V和相对应的得分向量c;
V={v1,v2,v3}
c=(1,0.6,0.2)
其中:v1表示高负载状态的评价等级,与之相对应的得分向量为1,v2表示均衡状态的评价等级,与之相对应的得分向量为0.6,v3表示低负载状态的评价等级集,与之相对应的得分向量为0.2;
步骤(b)、明确隶属度矩阵R,根据专家意见,建立学习样本的模糊关系矩阵,求得学习样本的评价值与评价等级之间的隶属关系。用专家打分的方法,对每一具体指标按照高负载、均衡、低负载进行等级评价,建立隶属度矩阵R;
步骤(c)、计算模糊综合评价结果向量F和模糊综合评价值y,模糊综合评价结果向量F通过公式(3)计算,模糊综合评价值y通过公式(4)计算
F=AR (3)
式中,F表示模糊综合评价向量,A表示指标的权重向量,R表示隶属度矩阵;
y=Fc (4)
式中,y表示模糊综合评价值,F表示模糊综合评价向量,c表示负载评价等级对应的得分向量。经计算得出的样本模糊综合评价向量和负载值如表3所示;
表3
步骤(d)、确定模糊综合评价等级,负载评价值与负载等级之间的对应关系如表4所示;
表4
负载值综合评分 | 负载等级 | 负载状况描述 |
(0.75,1] | 高负载 | 设备运行负载大,存在运行故障隐患 |
(0.40,0.75] | 均衡 | 设备运行健康,可以长期运行 |
[0,0.40] | 低负载 | 设备运行负载低,可为高负载设备分担负载压力 |
步骤5、机器学习算法支持向量机模型训练,获得网络负载自动评价模型,具体包括以下子步骤:
步骤(a)、确定输入输出,以30组样本数据作为训练集输入矩阵X,经过模糊层次分析法确定样本负载值作为训练集的输出矩阵Y;
步骤(b)、数据归一化处理;
为了防止大数量级数据对小数量级数据的掩盖,需要对训练集输入进行归一化处理,按照公式(5)处理,使输入值都介于[-1,1]之间
式中,x为输入指标值,xmax表示输入训练集的最大值,xmin表示输入训练集的最小值,Y为归一化后的输出矩阵,ymax=1,ymin=-1;
步骤(c)、确定核函数以及SVM模型最优参数,选用RBF核函数K(x,y)=e-γ||x-y||2,运用网格搜索算法寻找最优参数,获得SVM最佳参数(惩罚因子C和核参数γ)为C=4.0,γ=0.0825;
步骤(d)、输出最佳参数,获得SVM模型,输出WLAN网络负载评价模型;
步骤6、WLAN网络负载评价模型根据输入的实时WLAN网络性能数据,输出该时刻网络对应的负载值与负载等级。
为了验证模型的有效性与可靠性,现选取10组测试数据进行模型的验证,以专家给出的负载评价值为标准,分别计算本文的负载评价模型和另一种机器学习算法——BP神经网络模型的负载预测值,三者负载评价值如表5所示。
表5
样本号 | 专家评价值Y | SVM预测值X1 | BP预测值X2 |
1 | 0.7841 | 0.8162 | 0.7667 |
2 | 0.9116 | 0.8503 | 0.7062 |
3 | 0.8337 | 0.8474 | 0.9939 |
4 | 0.7494 | 0.777 | 0.8487 |
5 | 0.2371 | 0.2944 | 0.3307 |
6 | 0.2371 | 0.2625 | 0.2484 |
7 | 0.4371 | 0.3735 | 0.3126 |
8 | 0.4481 | 0.4788 | 0.5342 |
9 | 0.4885 | 0.4143 | 0.4909 |
10 | 0.4542 | 0.4758 | 0.5073 |
为了有效比较后两者的预测精度,现选取以下四个模型评价标准来进行模型的评价,分别为:均相对误差(MRE)、均方根误差(RMSE)、模型训练时间、模型预测时间,模型的比较结果如表6所示。
两种机器学习评价模型的预测结果与专家给出的负载评价值对比图如图2所示。由图2以及表6可以看出,BP神经网络模型的预测值平均相对误差比较大,已经超过了10%,SVM模型的预测值相对误差小,说明该模型的负载评价预测值精确。总体来看,支持向量机模型有更高的预测精度、更短的预测时间,整体评价效果强于BP神经网络学习方法。
表6
模型评价标准 | SVM模型 | BP网络模型 |
MRE(%) | 5.91 | 14.26 |
RMSE | 0.0454 | 0.0636 |
模型训练时间(秒) | 0.0016 | 2.0812 |
预测时间(秒) | 0.0034 | 0.066 |
本发明优点在于:一种基于FAHP-SVM理论的WLAN网络负载综合评价方法既充分利用了专家知识,又不依赖于某个具体的专家意见,使得评估结果准确客观。该发明方法综合各方面的不同性能指标,能够较全面地评估WLAN网络性能质量,可以指导运营商网络优化部门有效地进行WLAN网络优化和负载均衡。另外,该发明方法通过运用机器学习经典算法SVM实现了对WLAN网络负载的自动评价,大大降低了人工成本和时间成本。
Claims (1)
1.一种基于FAHP-SVM理论的WLAN网络负载综合评价方法,其特征在于包括以下步骤:
步骤1、构建WLAN网络负载综合评价指标体系,该指标体系在综合了WLAN网络特点的基础上,以可行性、代表性、综合性为指标挑选原则,选取CPU利用率、内存利用率、下挂AP数、DHCP地址池利用率和关联用户数构成WLAN网络负载评价指标体系;
步骤2、选择机器学习算法的学习样本,为后续模型的自动评价奠定基础;
步骤3、采用层次分析法确定WLAN网络负载评价指标体系中各个指标的权重,根据专家意见,构造出判断矩阵并以此求得权重向量,具体包括以下子步骤:
子步骤(a)、采用1-9比例标度法构造判断矩阵C=(cij)n×m;
子步骤(b)、计算判断矩阵C的最大特征值λmax及其对应的特征向量ξ=(x1,x2,…,xn),将此特征向量进行归一化处理即可得到权重向量A={a1,a2,…,an};
子步骤(c)、对判断矩阵C进行一致性检验,首先采用公式(1)计算一般一致性指标CI,
式中,λmax表示判断矩阵C的最大特征值,n表示判断矩阵的阶数;其次通过查表得到平均随机一致性指标RI,最后通过公式(2)计算判断矩阵C的一致性比率CR,
式中,CI表示一般一致性指标,RI表示平均随机一致性指标,当CR<0.1时,可以认为该判断矩阵C达到了满意的一致性,当CR≥0.1时,应该对判断矩阵做出适当的修改,直至满足CR<0.1的条件;
步骤4、运用模糊综合评价法确定样本数据的网络负载评价值与负载评价等级,具体包括以下子步骤:
子步骤(a)、将WLAN网络负载分成高负载、均衡、低负载三种状态,并以此建立相应的评价等级集V和相对应的得分向量c;
V={v1,v2,v3}
c=(1,0.6,0.2)
其中:v1表示高负载状态的评价等级,与之相对应的得分向量为1,v2表示均衡状态的评价等级,与之相对应的得分向量为0.6,v3表示低负载状态的评价等级,与之相对应的得分向量为0.2;
子步骤(b)、明确隶属度矩阵R,根据专家意见,建立学习样本的模糊关系矩阵,求得学习样本的评价值与评价等级之间的隶属关系,用专家打分的方法,对每一具体指标按照高负载、均衡、低负载进行等级评价,建立隶属度矩阵R;
子步骤(c)、计算模糊综合评价结果向量F和模糊综合评价值y,模糊综合评价结果向量F通过公式(3)计算,模糊综合评价值y通过公式(4)计算,
F=AR (3)
式中,F表示模糊综合评价向量,A表示指标权重向量,R表示隶属度矩阵;
y=F c (4)
式中,y表示模糊综合评价值,F表示模糊综合评价向量,c表示负载评价等级对应的得分向量;
子步骤(d)、确定模糊综合评价等级;
步骤5、机器学习算法支持向量机模型训练,获得网络负载自动评价模型,具体包括以下子步骤:
子步骤(a)、确定输入输出;
子步骤(b)、数据归一化处理;
为了防止大数量级数据对小数量级数据的掩盖,需要对训练集输入进行归一化处理,按照公式(5)处理,使输入值都介于[-1,1]之间,
式中,x为输入指标值,xmax表示输入训练集的最大值,xmin表示输入训练集的最小值,Y为归一化后的输出值,ymax=1,ymin=-1;
子步骤(c)、确定核函数以及SVM模型最优参数;
子步骤(d)、依据最优参数,获得SVM模型,输出WLAN网络负载评价模型;
步骤6、WLAN网络负载评价模型根据输入的实时WLAN网络性能数据,输出该时刻网络对应的负载值与负载等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510238101.7A CN105007170B (zh) | 2015-05-11 | 2015-05-11 | 一种基于fahp-svm理论的wlan网络负载综合评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510238101.7A CN105007170B (zh) | 2015-05-11 | 2015-05-11 | 一种基于fahp-svm理论的wlan网络负载综合评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105007170A CN105007170A (zh) | 2015-10-28 |
CN105007170B true CN105007170B (zh) | 2018-08-14 |
Family
ID=54379697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510238101.7A Expired - Fee Related CN105007170B (zh) | 2015-05-11 | 2015-05-11 | 一种基于fahp-svm理论的wlan网络负载综合评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105007170B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108684058B (zh) * | 2018-03-14 | 2021-06-29 | 大连理工大学 | 一种基于fahp-集成学习的lte小区负载评价方法 |
CN108764481A (zh) * | 2018-05-04 | 2018-11-06 | 国家计算机网络与信息安全管理中心 | 一种基于移动终端行为的信息安全能力评测方法及系统 |
CN109033561A (zh) * | 2018-07-05 | 2018-12-18 | 平安煤炭开采工程技术研究院有限责任公司 | 矿井通风系统抗灾能力评价方法及装置 |
CN108960662A (zh) * | 2018-07-17 | 2018-12-07 | 安徽理工大学 | 一种基于模糊层次分析的煤层底板灰岩突水性评价方法 |
CN109558983A (zh) * | 2018-12-03 | 2019-04-02 | 华中师范大学 | 网络课程辍学率预测方法及装置 |
CN110135093B (zh) * | 2019-05-22 | 2024-03-01 | 北京城市系统工程研究中心 | 面向暴雨内涝的城市道路交通系统韧性评估方法 |
CN110196811B (zh) * | 2019-06-04 | 2024-02-13 | 上海浦东软件平台有限公司 | 一种用于评价软件质量的方法及设备 |
CN110856233B (zh) * | 2019-11-14 | 2022-04-22 | Oppo广东移动通信有限公司 | 通信控制方法及相关产品 |
CN111131155B (zh) * | 2019-11-19 | 2021-09-24 | 广东电网有限责任公司 | 一种无线网络安全评估方法、系统以及终端 |
CN112308251A (zh) * | 2020-12-31 | 2021-02-02 | 北京蒙帕信创科技有限公司 | 一种基于机器学习的工单分派方法和系统 |
CN113360358B (zh) * | 2021-06-25 | 2022-05-27 | 杭州优云软件有限公司 | 一种自适应计算it智能运维健康指数的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7620807B1 (en) * | 2004-02-11 | 2009-11-17 | At&T Corp. | Method and apparatus for automatically constructing application signatures |
CN101867960A (zh) * | 2010-06-08 | 2010-10-20 | 江苏大学 | 一种无线传感器网络性能综合评价方法 |
-
2015
- 2015-05-11 CN CN201510238101.7A patent/CN105007170B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7620807B1 (en) * | 2004-02-11 | 2009-11-17 | At&T Corp. | Method and apparatus for automatically constructing application signatures |
CN101867960A (zh) * | 2010-06-08 | 2010-10-20 | 江苏大学 | 一种无线传感器网络性能综合评价方法 |
Non-Patent Citations (3)
Title |
---|
AHP及模糊综合评价法在电子资源评价中的应用;温东琰、于光;《现代情报》;20060825(第8期);全文 * |
基于改进的网格搜索法的 SVM 参数优化;王健峰等;《应用科技》;20120615;第39卷(第3期);全文 * |
应用层次分析法计算分插机构优化目标的权重;代丽等;《农业工和学报》;20130115;第29卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105007170A (zh) | 2015-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105007170B (zh) | 一种基于fahp-svm理论的wlan网络负载综合评价方法 | |
CN108108877A (zh) | 一种基于bp神经网络的输电线路雷害风险评估方法 | |
CN105760997B (zh) | 基于模糊评价的配电网异常电压评估方法 | |
CN109856515A (zh) | 一种直流电缆绝缘状态判断方法及系统 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN102063657A (zh) | 一种城市配电网运行水平与供电能力评估方法 | |
CN109003000A (zh) | 一种主动配电网的电能质量综合评估方法 | |
CN104331773A (zh) | 一种电网规划方案综合评估方法 | |
CN104933627A (zh) | 机床产品制造系统的能效组合评价方法 | |
CN106296019A (zh) | 区域电能质量综合评估方法及系统 | |
CN109858765A (zh) | 基于topsis法的ev充电机综合评价方法及装置 | |
CN110310031A (zh) | 一种配电网多维风险评估方法 | |
CN108898275A (zh) | 一种基于云模型的奶牛养殖环境舒适度评价方法及系统 | |
CN105488352B (zh) | 基于长期挠度监测数据的混凝土桥梁刚度可靠度评估方法 | |
CN106208043B (zh) | 一种中低压配电网关键耗能环节辨识方法 | |
CN110581783A (zh) | 基于ahp和topsis的通信方案决策方法 | |
CN106548413A (zh) | 一种电力系统储能适用性评价方法及系统 | |
CN109002978A (zh) | 一种基于模糊综合数学的混凝剂效能评价方法 | |
CN107463532A (zh) | 一种电力统计数据的质量分析方法 | |
CN112990627A (zh) | 电能质量评估方法 | |
CN107300907A (zh) | 结合综合评估与假设检验的飞行器控制系统性能评定方法 | |
CN112541634B (zh) | 一种顶层油温预测、误报火警判别方法、装置和存储介质 | |
CN105471624A (zh) | 一种通信设备接入终端通信接入网的综合评价方法 | |
CN112819354A (zh) | 海外矿业项目竞争力评价的方法及装置 | |
CN107679017A (zh) | 一种自愈合电缆状态评价方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180814 |