CN105468887A - 数据分析系统以及方法 - Google Patents
数据分析系统以及方法 Download PDFInfo
- Publication number
- CN105468887A CN105468887A CN201410456755.2A CN201410456755A CN105468887A CN 105468887 A CN105468887 A CN 105468887A CN 201410456755 A CN201410456755 A CN 201410456755A CN 105468887 A CN105468887 A CN 105468887A
- Authority
- CN
- China
- Prior art keywords
- value
- group
- probit value
- input data
- data
- 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
Landscapes
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种数据分析系统以及方法,包括模型建立单元、特征撷取单元、处理单元以及输出单元。模型建立单元利用训练数据通过机器学习演算法建立预测模型。特征撷取单元撷取输入数据的多个特征数据,并将特征数据分类为多个群组。处理单元利用群组之一所对应的特征数据,并通过机器学习演算法取得输入数据对应于预测模型的机率值,并判断机率值。当机率值小于既定值时,则选取未被选取群组之一所对应的特征数据通过机器学习演算法,更新输入数据对应于预测模型的机率值,当机率值大于或等于既定值,则根据机率值分类输入数据。输出单元输出分类结果。本发明根据输入数据的特征值的权重将部分特征值输入机器学习演算法中,提高了数据处理效率。
Description
技术领域
本发明是有关于一种数据分析系统及方法,特别是有关于一种根据输入数据的不同特征值,更新输入数据与预测模型间的机率值。
背景技术
随着科技的进步,我们已有能力将大量数据转换为有意义的信息,并利用特定的演算法进行行为的预测。而通过机器学习演算法的运作,我们可以根据数据的数据建立一样版模型,再借由判断输入数据与样版模型的关联性来分类输入数据类型。由于预测准确度与演算法的复杂度有关,因此为了维持预测的准确度,演算法的计算通常需要大量数据以及时间。因此,如何在维持预测准确度的条件下,提升演算法运作效率为目前使用者所需解决之问题。
发明内容
本发明的目的在于提供一种数据分析系统,以在维持预测准确度的条件下,提升演算法运作效率。
本发明一实施例提供的数据分析系统,包括一模型建立单元、一特征撷取单元、一处理单元以及一输出单元。模型建立单元利用一训练数据通过一机器学习演算法建立一预测模型。特征撷取单元撷取输入数据的多个特征数据,并将特征数据分类为多个群组。处理单元利用群组之一所对应的特征数据通过机器学习演算法取得输入数据对应于预测模型的机率值,并判断机率值。当机率值小于一既定值时,则选取未选取群组之一所对应的特征数据通过机器学习演算法更新输入数据对应于预测模型的机率值,当机率值大于或等于既定值,则根据机率值分类输入数据。输出单元输出一分类结果。
本发明另一实施例提供一种数据分析方法,步骤包括:利用一训练数据通过一机器学习演算法建立一预测模型;接收一笔输入数据,其中输入数据具有多个特征数据;撷取输入数据的特征数据,并将特征数据分类为多个群组;选取群组之一所对应的特征数据通过机器学习演算法取得输入数据对应于预测模型的一机率值;判断机率值。当机率值小于一既定值时,则选取未选取群组之一所对应的特征数据通过机器学习演算法更新输入数据对应于预测模型的机率值,以及当机率值大于或等于既定值时,则根据机率值分类输入数据。
本发明另一实施例提供一种数据分析系统,包括一模型建立单元、一特征撷取单元、一处理单元以及一输出单元。模型建立单元利用训练数据通过机器学习演算法建立一预测模型。特征撷取单元撷取输入数据的多个特征数据,并将特征数据分类为第一群组以及第二群组。处理单元利用第一群组所对应的特征数据的部分以及第二群组所对应的特征数据的部分通过机器学习演算法分别取得对应于预测模型的第一机率值以及第二机率值,并根据第一机率值以及第二机率值取第一群组以及第二群组之一所对应的所有特征数据取得判断结果。输出单元输出判断结果。
本发明另一实施例提供一种数据分析方法,步骤包括:利用训练数据通过机器学习演算法建立一预测模型;接收一笔输入数据,其中输入数据具有多个特征数据;将特征数据分类为第一群组以及第二群组;利用第一群组所对应的特征数据的部分以及第二群组所对应的特征数据的部分通过机器学习演算法分别取得对应于预测模型的第一机率值以及第二机率值;根据第一机率值以及第二机率值取第一群组以及第二群组之一所对应所有特征数据取得一判断结果;以及输出判断结果。
根据本发明一实施例所提出的数据分析系统以及数据分析方法,使用者可根据输入数据的特征值的权重将部分特征值输入机器学习演算法中,以取得输入数据对应于预测模型的机率值,并根据机率值决定是否要选取更多的特征值以提高预测的准确率,如此可减少机器学习演算法的运算次数,以借此提高数据分析的处理效率。
附图说明
图1显示根据本发明一实施例所述的数据分析系统的方块图;
图2显示根据本发明一实施例所述的数据分析方法的流程图;
图3显示根据本发明另一实施例所述的数据分析系统的方块图;
图4显示根据本发明另一实施例所述的数据分析方法的流程图;
图5显示根据本发明另一实施例所述的数据分析系统的方块图;
图6显示根据本发明另一实施例所述的数据分析方法的流程图。
符号说明:
100、300、500~数据分析系统;
110、310、510~模型建立单元;
120、320、520~特征撷取单元;
130、330、530~处理单元;
140、340、540~输出单元;
S201~S208、S401~S412、S601~S612~步骤流程。
具体实施方式
有关本发明的系统及方法与其他范围将于接下来所提供的详述中清楚易见。必须了解的是下列详述及具体的实施例,当提出有关数据分析系统以及数据分析方法的示范实施例时,仅作为描述的目的,本发明范围不因此受限制。
图1显示根据本发明一实施例所述数据分析系统的示意图。如图1所示,数据分析系统100包括一模型建立单元110、一特征撷取单元120、一处理单元130以及一输出单元140。模型建立单元110利用一训练数据通过一机器学习演算法建立一预测模型。训练数据根据机器学习演算法的类型撷取相关的特征值以建立预测模型。特征撷取单元120撷取输入数据的多个特征数据,并将特征数据分类为多个群组。其中,特征撷取单元120还根据输入数据对应于机器学习演算法的一既定权重对特征数据进行分类。处理单元130利用群组之一所对应的特征数据通过机器学习演算法取得并判断输入数据对应于预测模型的机率值。当机率值大于或等于既定值时,则判断输入数据与训练数据为相同的类别。反之,当机率值小于既定值时,则选取未选取群组之一所对应的特征数据通过机器学习演算法更新输入数据对应于预测模型的机率值。然而,当已无未选取的群组,且机率值小于既定值时,则判断输入数据以及训练数据为不同的类别。输出单元140根据判断结果输出一分类结果。
请配合图1参阅图2。图2显示根据本发明另一实施例所述数据分析方法的流程图。于此实施例中,数据分析方法适用于一车牌辨识系统。首先,于步骤S201,模型建立单元110分别将单个或多个数字0~9的训练图像输入机器学习演算法以建立一第一预测模型。第一预测模型用以判断输入图像与训练图像的关联性。于步骤S202,输入一输入图像至特征撷取单元120。接着,于步骤S203,特征撷取单元120根据机器学习演算法的类型撷取输入图像的多个特征值,并根据特征值所对应的权重将其分类为多个群组。举例来说,一输入图像的大小为100像素*100像素,其中可将每一个像素视为一个特征值。换言之,此输入图像具有10000个特征值。特征撷取单元120根据权重将10000个特征值分类为40个群组。由于输入图像为图像数据,故特征数据通常与色彩信息以及边缘信息有关。此外,特征撷取单元120还根据机器学习演算法的类型赋与各个特征数据可调整的权重,而特征数据的权重可根据系统的需求进行调整。
于步骤S204,处理单元130选取具有最大权重的特征值作为输入机器学习演算法的特征值,并取得对应于第一预测模型的机率值。于步骤S205,处理单元130于取得机率值后,还判断机率值是否大于一既定值。若机率值大于或等于既定值,则进入步骤S206,处理单元130判断输入图像与预测模组的图像相同。
反之,当机率值小于既定值时,则进入步骤S207,处理单元130判断是否有未选取的群组。若仍有未选取的群组,则回到步骤S204,处理单元130重新选取具有最大权重的群组加上具有次大权重的群组作为输入机器学习演算法的特征值,以更新输入图像对应于第一预测模型的机率值。换言之,处理单元130第一次仅选取单一个群组的特征值作为输入机器学习演算法的特征值,若机率值小于既定值,则处理单元130于进行第二次运算时选取两个群组的特征值作为输入机器学习演算法的特征值。以此类推,若机率值持续小于既定值,则处理单元130依权重顺序持续新增未选取的群组的特征值以作为输入机器学习演算法的特征值。当输入图像的所有特征值皆被选取,且机率值仍小于既定值时,则进入步骤S208,处理单元130判断输入图像为无法辨识的图像。
值得注意的是,在此使用者亦可自行定义处理单元130运算的次数,举例来说,当选取五个群组的特征值作为输入机器学习演算法的特征值,而机率值仍未大于既定值时,处理单元130判断输入图像为无法辨识的图像。如此以来,可减少处理单元130的运算时间以提高数据的处理效率。
图3显示根据本发明另一实施例所述的数据分析系统的方块图。于此实施例中,数据分析系统300适用于一生产线的异常事件检测系统。如图3所示,数据分析系统300包括一模型建立单元310、一特征撷取单元320、一处理单元330以及一输出单元340。模型建立单元310分别将具有多个第一参数值的第一训练数据输入机器学习演算法以建立一第一异常预测模型,以及将具有多个第二参数值的第二训练数据输入机器学习演算法以建立一第二异常预测模型。训练数据根据机器学习演算法的类型撷取相关的特征值以建立异常预测模型。特征撷取单元320于接收到输入数据后,根据机器学习演算法的类型撷取输入数据的多个参数值。其中,特征撷取单元320还根据输入数据对应于机器学习演算法的一既定权重对特征数据进行分类。处理单元330利用群组之一所对应的特征数据通过机器学习演算法取得输入数据对应于第一异常预测模型的机率值,并判断第一机率值。当第一机率值大于或等于既定值时,则处理单元330判断输入数据与第一异常预测模型的参数值类似,即生产线的产品并无出现异常现象。反之,当机率值小于既定值时,则依权重顺序持续选取未选取群组之一所对应的特征数据通过机器学习演算法更新输入数据对应于第一异常预测模型的第一机率值。然而,已无未选取的群组,且第一机率值仍小于既定值时,则处理单元330判断输入数据出现异常。当处理单元330判断输入数据出现异常时,处理单元330利用群组之一所对应的特征数据通过机器学习演算法取得输入数据对应于第二异常预测模型的机率值,并判断第二机率值。由于判断第二机率值的方法与前述判断第一机率值的方法相同,故在此不加以叙述以精简说明。输出单元340根据第一机率值以及第二机率值输出一判断结果。
请配合图3参阅图4。图4显示根据本发明另一实施例所述的数据分析方法的流程图。首先,于步骤S401,模型建立单元310分别将具有多个第一参数值的第一训练数据输入机器学习演算法以建立一第一异常预测模型,以及将具有多个第二参数值的第二训练数据输入机器学习演算法以建立一第二异常预测模型,其中第一训练数据以及第二训练数据为生产线上正常产品的数据。异常预测模型是用以判断输入数据与训练数据的关联性。于步骤S402,输入一输入数据至特征撷取单元320。其中,输入数据包括多个参数值。特征撷取单元320根据机器学习演算法的类型赋予各个参数值可调整的权重,而参数值的权重可根据系统的需求进行调整。于步骤S403,特征撷取单元320根据参数值所对应的权重将其分类为多个群组。举例来说,一输入数据具有200个参数值,特征撷取单元320根据权重将200个参数值分类为10个群组。
接着,于步骤S404,于特征撷取单元320完成参数值的分类后,处理单元330选取具有最大权重的参数值作为输入机器学习演算法的参数值,并取得对应于第一异常预测模型的第一机率值。于步骤S405,处理单元330于取得第一机率值后,判断第一机率值是否大于一既定值。若第一机率值大于或等于既定值,则进入步骤S406,处理单元330判断输入数据与第一异常预测模型的参数值类似,即生产线的产品并无出现异常现象。
反之,当第一机率值小于既定值时,则进入步骤S407,处理单元330判断是否有未选取的群组。若仍有未选取的群组,则回到步骤S404,处理单元330重新选取具有最大权重的群组加上具有次大权重的群组作为输入机器学习演算法的特征值,以更新输入图像对应于第一异常预测模型的第一机率值。换言之,处理单元330第一次仅选取单一个群组的参数值作为输入机器学习演算法的参数值,若第一机率值小于既定值,则处理单元330于进行第二次运算时选取两个群组的参数值作为输入机器学习演算法的参数值。以此类推,若第一机率值持续小于既定值,则处理单元330依权重顺序持续新增未选取的群组的参数值以作为输入机器学习演算法的参数值。当输入图像的所有特征值皆被选取,且第一机率值仍小于既定值时,则进入步骤S408,处理单元330选取具有最大权重的参数值作为输入机器学习演算法的参数值,并取得对应于第二异常预测模型的第二机率值。接着,于步骤S409,判断第二机率值是否大于既定值。当第二机率值大于既定值时,则进入步骤S410,处理单元330判断第一异常预测模型的判断结果为误判,并判断输入数据所对应的产品并无出现异常现象。反之,当第二机率值小于既定值时,则进入步骤S411,处理单元330判断是否有未选取的群组。若仍有未选取的群组,则回到步骤S408,处理单元330选取具有最大权重的群组加上具有次大权重的群组作为输入机器学习演算法的参数值,以更新输入图像对应于第二预测模型的第二机率值。当输入数据的所有参数值皆被选取,且第二机率值仍小于既定值时,则进入步骤S412,处理单元330判断输入数据所对应的产品为有问题的产品,即生产线出现异常事件。
值得注意的是,在此使用者亦可自行定义处理单元330运算的次数,举例来说,当选取五个群组的特征值作为输入机器学习演算法的参数值,而第二机率值仍未大于既定值时,处理单元330判断输入数据为有问题的产品。如此以来,可减少处理单元330的运算时间以提高数据的处理效率,并可重复确认机器学习演算法的判断是否有误。
图5显示根据本发明另一实施例所述的数据分析系统的方块图。于此实施例中,数据分析系统500适用于一车辆追踪以及路径预测系统。如图5所示,数据分析系统系包括模型建立单元510、特征撷取单元520、处理单元530以及输出单元540。模型建立单元510分别将欲追踪一车牌图像输入机器学习演算法以建立一路径预测模型。特征撷取单元520于接收到输入数据后,将输入数据的多个特征数据根据时间函数分类为第一群组以及第二群组。处理单元530利用第一群组所对应的特征数据部分以及第二群组所对应的特征数据部分通过机器学习演算法分别取得对应于路径预测模型的第一机率值以及第二机率值。
处理单元530还比较第一机率值以及第二机率值。当第一机率值大于第二机率值时,则利用第一群组所对应的所有特征数据通过机器学习演算法更新第一机率值,并判断第一机率值是否大于或等于一既定值。若第一机率值大于既定值,则根据第一机率值取得判断结果。反之,当第一机率值小于既定值时,利用第二群组所对应的所有特征数据通过机器学习演算法更新第二机率值,并根据第二机率值取得判断结果。输出单元540输出判断结果。
请配合图5参阅图6。图6显示根据本发明另一实施例所述的数据分析方法的流程图。首先,于步骤S601,模型建立单元510分别将欲追踪的一车牌图像输入机器学习演算法以建立一路径预测模型。此路径预测模型用以判断输入数据与欲追踪的车牌图像的关联性,其中输入数据包括不同摄像机于不同时间点所拍摄的多个车牌图像。于步骤S602,输入一输入数据至特征撷取单元520。于步骤S603,特征撷取单元520于接收到输入数据后,根据时间点以及各摄像机的关系分类输入数据。举例来说,特征撷取单元520根据摄像机的关系将输入数据分类为第一群组以及第二群组,即第一群组代表一第一预测路径以及第二群组代表一第二预测路径。接着,特征撷取单元520还根据不同的时间点将第一群组分类为一第一子群组以及一第二子群组,以及将第二群组分类为一第三子群组以及一第四子群组。
于步骤S604,处理单元530将第一子群组所对应的特征值以及第三子群组所对应的特征值作为输入机器学习演算法的特征值,并取得对应于路径预测模型的第一路径机率值以及第二路径机率值。于步骤S605,处理单元530于取得第一路径机率值以及第二路径机率值,还判断第一路径机率值以及第二路径机率值的大小,并选取具有较大机率值的一个作为预测路径。若第一路径机率值大于第二路径机率值,则进入步骤S606,处理单元530选取第一子群组以及第二子群组所对应的特征值作为输入机器学习演算法的参数值,以更新第一群组对应于路径预测模型的第一路径机率值。于步骤S607,判断第一路径值是否大于既定值。当第一路径机率值大于或等于既定值时,则进入步骤S608,处理单元530判断第一群组所对应的车牌图像与欲追踪的车牌图像类似,即第一群组所对应的路径为欲追踪的车辆的路径。
反之,当第一路径机率值小于既定值时,则处理单元530判断第一群组所对应的车牌图像与欲追踪的车牌图像并不相同,即第一群组所对应的路径并非为欲追踪的车辆的路径。接着,进入步骤S609,处理单元530重新选取第三子群组以及第四子群组所对应的特征值作为输入机器学习演算法的参数值,以更新第二群组对应于路径预测模型的第二路径机率值。于步骤S610,处理单元530还判断第二路径机率值是否大于既定值。若第二路径机率值大于或等于既定值,则进入步骤S611,处理单元530判断第二群组所对应的车牌图像与欲追踪的车牌图像类似,即第二群组所对应的路径为欲追踪车辆的路径。若第二路径机率值小于既定值,则进入步骤S612,处理单元530判断输入图像所对应的路径皆非欲追踪的车辆的路径。
综上所述,根据本发明一实施例所提出的数据分析系统以及数据分析方法,使用者可根据输入数据的特征值的权重将部分特征值输入机器学习演算法中,以取得输入数据对应于预测模型的机率值,并根据机率值决定是否要选取更多的特征值以提高预测的准确率,如此可减少机器学习演算法的运算次数,以借此提高数据分析的处理效率。
以上叙述许多实施例的特征,使所属技术领域中的技术人员能够清楚理解本说明书的形态。所属技术领域中的技术人员能够理解其可利用本发明揭示内容为基础以设计或更动其他制造工艺及结构而完成相同于所述实施例的目的及/或达到相同于所述实施例的优点。所属技术领域中的技术人员亦能够理解不脱离本发明的精神和范围的等效构造可在不脱离本发明的精神和范围内作任意的更动、替代与润饰。
Claims (14)
1.一种数据分析系统,其特征在于,包括:
一模型建立单元,利用一训练数据通过一机器学习演算法建立一预测模型;
一特征撷取单元,撷取一输入数据的多个特征数据,并将所述特征数据分类为多个群组;
一处理单元,利用所述群组之一所对应的所述特征数据通过所述机器学习演算法取得所述输入数据对应于所述预测模型的一机率值,并判断所述机率值,其中当所述机率值小于一既定值时,则选取未选取的所述群组之一所对应的所述特征数据通过所述机器学习演算法更新所述输入数据对应于所述预测模型的所述机率值,当所述机率值大于或等于所述既定值,则根据所述机率值分类所述输入数据;以及
一输出单元,输出一分类结果。
2.如权利要求书1所述的数据分析系统,其特征在于,当已无未选取的所述群组,且所述机率值小于所述既定值时,则判断所述输入数据以及所述训练数据为不同的类别。
3.如权利要求书1所述的数据分析系统,其特征在于,当所述机率值大于或等于所述既定值时,则判断所述输入数据与所述训练数据为相同的类别。
4.如权利要求书1所述的数据分析系统,其特征在于,所述群组根据所述输入数据对应于所述机器学习演算法的一既定权重进行分类。
5.一种数据分析方法,其特征在于,包括:
利用一训练数据通过一机器学习演算法建立一预测模型;
接收一笔输入数据,其中所述输入数据具有多个特征数据;
撷取所述输入数据的所述特征数据,并将所述特征数据分类为多个群组;
选取所述群组之一所对应的所述特征数据通过所述机器学习演算法取得所述输入数据对应于所述预测模型的一机率值;以及
判断所述机率值;
其中,当所述机率值小于一既定值时,则选取未选取的所述群组之一所对应的所述特征数据通过所述机器学习演算法更新所述输入数据对应于所述预测模型的所述机率值;以及
当所述机率值大于或等于所述既定值时,则根据所述机率值分类所述输入数据。
6.如权利要求书5所述的数据分析方法,其特征在于,分类所述输入数据的步骤还包括:
当已无未选取的所述群组,且所述机率值小于所述既定值时,则判断所述输入数据以及所述训练数据为不同的类别。
7.如权利要求书5所述的数据分析方法,其特征在于,分类所述输入数据的步骤还包括:
当所述机率值大于或等于所述既定值时,则判断所述输入数据与所述训练数据为相同的类别。
8.一种数据分析系统,其特征在于,包括:
一模型建立单元,利用一训练数据通过一机器学习演算法建立一预测模型;
一特征撷取单元,撷取一输入数据的多个特征数据,并将所述特征数据分类为一第一群组以及一第二群组;
一处理单元,利用所述第一群组所对应的所述特征数据的部分以及所述第二群组所对应的所述特征数据的部分通过所述机器学习演算法分别取得对应于所述预测模型的一第一机率值以及一第二机率值,根据所述第一机率值以及所述第二机率值取所述第一群组以及所述第二群组之一所对应的所有所述特征数据取得一判断结果;以及
一输出单元,输出所述判断结果。
9.如权利要求书8所述的数据分析系统,其特征在于,当所述第一机率值大于或等于所述第二机率值时,则利用所述第一群组所对应的所有所述特征数据通过所述机器学习演算法更新所述第一机率值,并判断所述第一机率值是否大于或等于一既定值,若所述第一机率值大于或等于所述既定值,则根据所述第一机率值取得所述判断结果。
10.如权利要求书8所述的数据分析系统,其特征在于,当所述第一机率值小于所述既定值时,利用所述第二群组所对应的所有所述特征数据通过所述机器学习演算法更新所述第二机率值,并根据所述第二机率值取得一判断结果。
11.如权利要求书8所述的数据分析系统,其特征在于,所述特征数据根据一时间函数分类所述第一群组以及所述第二群组。
12.一种数据分析方法,其特征在于,包括:
利用一训练数据通过一机器学习演算法建立一预测模型;
接收一笔输入数据,其中所述输入数据具有多个特征数据;
将所述特征数据分类为一第一群组以及一第二群组;
利用所述第一群组所对应的所述特征数据的部分以及所述第二群组所对应的所述特征数据的部分通过所述机器学习演算法分别取得对应于所述预测模型的一第一机率值以及一第二机率值;
根据所述第一机率值以及所述第二机率值取所述第一群组以及所述第二群组之一所对应所有所述特征数据取得一判断结果;以及
输出所述判断结果。
13.如权利要求书12所述的数据分析方法,其特征在于,取得所述判断结果的步骤还包括:
当所述第一机率值大于或等于所述第二机率值时,则利用所述第一群组所对应的所有所述特征数据通过所述机器学习演算法更新所述第一机率值,并判断所述第一机率值是否大于或等于一既定值,若所述第一机率值大于或等于所述既定值,则根据所述第一机率值取得所述判断结果。
14.如权利要求书12所述的数据分析方法,其特征在于,取得所述判断结果的步骤还包括:
当所述第一机率值小于所述既定值时,利用所述第二群组所对应的所有所述特征数据通过所述机器学习演算法更新所述第二机率值,并根据所述第二机率值取得所述判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410456755.2A CN105468887B (zh) | 2014-09-10 | 2014-09-10 | 数据分析系统以及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410456755.2A CN105468887B (zh) | 2014-09-10 | 2014-09-10 | 数据分析系统以及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105468887A true CN105468887A (zh) | 2016-04-06 |
CN105468887B CN105468887B (zh) | 2019-03-15 |
Family
ID=55606582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410456755.2A Active CN105468887B (zh) | 2014-09-10 | 2014-09-10 | 数据分析系统以及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105468887B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112673327A (zh) * | 2018-12-20 | 2021-04-16 | 欧姆龙株式会社 | 控制装置及程序 |
US11531993B2 (en) * | 2018-09-25 | 2022-12-20 | Capital One Services, Llc | Machine learning-driven servicing interface |
US11605093B1 (en) * | 2017-02-22 | 2023-03-14 | Amazon Technologies, Inc. | Security policy enforcement |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070094158A1 (en) * | 2003-11-17 | 2007-04-26 | Tsutomu Osoda | Active learning method and system |
CN101178773A (zh) * | 2007-12-13 | 2008-05-14 | 北京中星微电子有限公司 | 基于特征提取和分类器的图像识别系统及方法 |
CN103678419A (zh) * | 2012-09-25 | 2014-03-26 | 日电(中国)有限公司 | 一种数据识别方法及装置 |
-
2014
- 2014-09-10 CN CN201410456755.2A patent/CN105468887B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070094158A1 (en) * | 2003-11-17 | 2007-04-26 | Tsutomu Osoda | Active learning method and system |
CN101178773A (zh) * | 2007-12-13 | 2008-05-14 | 北京中星微电子有限公司 | 基于特征提取和分类器的图像识别系统及方法 |
CN103678419A (zh) * | 2012-09-25 | 2014-03-26 | 日电(中国)有限公司 | 一种数据识别方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11605093B1 (en) * | 2017-02-22 | 2023-03-14 | Amazon Technologies, Inc. | Security policy enforcement |
US11810130B2 (en) | 2017-02-22 | 2023-11-07 | Amazon Technologies, Inc. | Security policy enforcement |
US11531993B2 (en) * | 2018-09-25 | 2022-12-20 | Capital One Services, Llc | Machine learning-driven servicing interface |
US11715111B2 (en) | 2018-09-25 | 2023-08-01 | Capital One Services, Llc | Machine learning-driven servicing interface |
CN112673327A (zh) * | 2018-12-20 | 2021-04-16 | 欧姆龙株式会社 | 控制装置及程序 |
EP3901721A4 (en) * | 2018-12-20 | 2022-09-21 | OMRON Corporation | CONTROL DEVICE AND PROGRAM |
US11782431B2 (en) | 2018-12-20 | 2023-10-10 | Omron Corporation | Control device and non-transitory computer-readable recording medium recording program |
CN112673327B (zh) * | 2018-12-20 | 2023-10-24 | 欧姆龙株式会社 | 控制装置及计算机可读取的存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105468887B (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241985B (zh) | 一种图像识别方法及装置 | |
CN110929934A (zh) | 设备故障预测方法、装置、计算机设备和存储介质 | |
CN116209963A (zh) | 故障诊断及解决方案推荐方法、设备、系统和存储介质 | |
CN109635292B (zh) | 基于机器学习算法的工单质检方法和装置 | |
CN110135514B (zh) | 一种工件分类方法、装置、设备及介质 | |
US20160189048A1 (en) | Data analysis system and method | |
US20180308231A1 (en) | Data-Analysis Pipeline with Visual Performance Feedback | |
CN106815639A (zh) | 流数据的异常点检测方法及装置 | |
CN110929785A (zh) | 数据分类方法、装置、终端设备及可读存储介质 | |
CN111008953B (zh) | 一种数字病理图像质控的方法及装置 | |
CN110634081A (zh) | 一种水电站异常数据的处理方法及装置 | |
CN105468887A (zh) | 数据分析系统以及方法 | |
CN110796039B (zh) | 一种面部瑕疵检测方法、装置、电子设备及存储介质 | |
US11256950B2 (en) | Image feature amount output device, image recognition device, the image feature amount output program, and image recognition program | |
CN107463963A (zh) | 一种故障分类方法及装置 | |
CN111598833A (zh) | 一种目标样本瑕疵检测的方法、装置及电子设备 | |
CN111369489B (zh) | 一种图像识别方法、装置及终端设备 | |
US20210027463A1 (en) | Video image processing and motion detection | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN106501703B (zh) | Bms均衡mos管检测方法及装置 | |
CN112784494A (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN111898570A (zh) | 基于双向特征金字塔网络的图像中文本识别方法 | |
CN116229355A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN105354833A (zh) | 一种阴影检测的方法和装置 | |
TWI598829B (zh) | 資料分析系統以及方法 |
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 |