CN106447046A - 一种基于机器学习的户型设计方案评测方法 - Google Patents
一种基于机器学习的户型设计方案评测方法 Download PDFInfo
- Publication number
- CN106447046A CN106447046A CN201610903237.XA CN201610903237A CN106447046A CN 106447046 A CN106447046 A CN 106447046A CN 201610903237 A CN201610903237 A CN 201610903237A CN 106447046 A CN106447046 A CN 106447046A
- Authority
- CN
- China
- Prior art keywords
- design
- model
- machine learning
- size dwelling
- parameter
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明提供了基于机器学习的设计方案测评方法,包括以下步骤:S1:所述设计方案采集器从所述户型设计方案库采集一批设计方案作为机器学习的样本;S2:用户通过所述设计方案数据输入终端输入户型设计数据,或者用户通过所述实体设计终端进行户型设计,所述设计方案特征提取器从所述的户型设计方案中提取适用于训练机器学习的模型的特征;S3:所述控制组件设置有用于存储待训练的户型模型数据的户型数据训练集存储模块及用于存储户型设计方案样本的校验集存储模块,该基于机器学习的户型设计方案评测方法能在大量的典型的设计方案提取优质的户型评测标准,对新增模型进行精准预判,精确对比,避免人工误差,能对户型设计方案进行自动评测。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种基于机器学习的户型设计方案评测方法。
背景技术
面向家居装修设计的云设计平台,每天都会有很多的装修设计方案上传到后台,这些设计方案既有好的方案也有差的甚至是未完成的设计方案。如何评估这些设计方案,特别是过滤一些明显有问题的方案,目前的方法主要还是依赖于人工筛选,比如检查户型的面积是否合理,门窗个数是否正确,家居是否摆放正确等,这种人工筛选的方式在设计方案数量较少的情况下是可行的,但当设计方案数量巨大,明显存在效率低下问题,并且存在个人主观判断因素会导致一定的误判;
当前基于人工评测设计方案是否合理的方式,存在着效率低下问题以及人为的误判因素。本方法提出一种基于机器学习的方式,通过学习大量的典型的设计方案(包括合理和不合理的设计方案),掌握评测标准,进而对新增模型进行精准预判,完成对设计方案的自动评测。
因此,本领域的技术人员亟需研究出一种能在大量的典型的设计方案提取优质的户型评测标准,对新增模型进行精准预判,精确对比,避免人工误差,能对户型设计方案进行自动评测的基于机器学习的户型设计方案评测方法。
发明内容
本发明要解决的技术问题是提供一种基于机器学习的户型设计方案评测方法,该基于机器学习的户型设计方案评测方法能在大量的典型的设计方案提取优质的户型评测标准,对新增模型进行精准预判,精确对比,避免人工误差,能对户型设计方案进行自动评测。
为解决上述技术问题,本发明提供了一种基于机器学习的设计方案测评方法,其特征在于:提供控制组件、设计方案模型参数输出终端、设计方案数据输入终端、实体设计终端、户型设计模型参数校验器、户型设计方案模型训练器、设计方案采集器及户型设计方案库,所述户型设计方案模型训练器与所述设计方案采集器及所述户型设计模型参数校验器连接,所述设计方案采集器与所述户型设计方案库及控制组件连接,所述设计方案模型参数输出终端与所述控制组件及所述户型设计模型参数校验器连接,所述设计方案特征提取器与所述控制组件、实体设计终端及设计方案数据输入终端连接;
所述基于机器学习的设计方案测评方法包括以下步骤:
S1:所述设计方案采集器从所述户型设计方案库采集一批设计方案作为机器学习的样本;
S2:用户通过所述设计方案数据输入终端输入户型设计数据,或者用户通过所述实体设计终端进行户型设计,所述设计方案特征提取器从所述的户型设计方案中提取适用于训练机器学习的模型的特征;
S3:所述控制组件设置有用于存储待训练的户型模型数据的户型数据训练集存储模块及用于存储户型设计方案样本的校验集存储模块,所述设计方案采集器将提取的机器学习的样本发送给所述校验集存储模块,所述设计方案特征提取器将提取的用于训练机器学习的模型的特征发送给所述户型数据训练集存储模块。
S4:所述户型数据训集存储模块将模型特征发送给所述户型设计方案模型训练器,所述户型设计方案模型训练器对多种模型特征进行训练获取合适的模型参数;
S5:所述户型设计模型参数校验器通过验证参数是否合理,并将合理的模型参数发送给所述设计方案模型参数输出终端。
优选地,还提供与所述控制组件及所述设计方案模型参数输出终端连接的预测及评估反馈模块,所述预测及评估反馈模块根据所述户型设计方案模型训练器训练出的合适模型的参数后对新的设计方案进行评测与预测。
优选地,还提供权限控制模块及与所述设计方案模型参数输出终端连接的人工校验模块,所述预测及评估反馈模块通过所述权限控制模块与所述控制组件连接,所述权限控制模块与所述人工校验模块连接,所述权限控制模块判断是选择通过所述预测及评估反馈模块进行机器预测评估或者通过所述人工校验模块对所述户型设计方案模型训练器训练出的合适模型的参数进行人工抽检,同时将这些反馈结果回馈回控制组件。
优选地,还提供与所述设计方案采集模块连接的数据监控模块,所述数据监控模块对采集的户型设计方案模型进行监控并排除不完整的户型设计方案。
优选地,所述户型设计方案模型训练器配置有训练模型误差校正函数:其中,模型目标函数:m为训练模型的参数的个数,每个x(i)表示训练模型参数的n维向量,每个y(i)表示训练模型参数的一个实数。
优选地,所述户型设计模型参数校验器配置有参数校验期望公式,所述参数校验期望公式为:其中,v为机器学习的户型设计方案模型参数校验的次数,I(p,n)为机器学习的户型设计方案模型参数的数量,p为设计方案模型例子增益值,n为设计方案机器学习的样本的增益值;
其中,
采用了上述方法之后,所述设计方案采集器从所述户型设计方案库采集一批设计方案作为机器学习的样本;用户通过所述设计方案数据输入终端输入户型设计数据,或者用户通过所述实体设计终端进行户型设计,所述设计方案特征提取器从所述的户型设计方案中提取适用于训练机器学习的模型的特征;所述控制组件设置有用于存储待训练的户型模型数据的户型数据训练集存储模块及用于存储户型设计方案样本的校验集存储模块,所述设计方案采集器将提取的机器学习的样本发送给所述校验集存储模块,所述设计方案特征提取器将提取的用于训练机器学习的模型的特征发送给所述户型数据训练集存储模块;所述户型数据训集存储模块将模型特征发送所述户型设计方案模型训练器,所述户型设计方案模型训练器对多种模型特征进行训练获取合适的模型参数;所述户型设计模型参数校验器通过验证参数是否合理,并将合理的模型参数发送给所述设计方案模型参数输出终端;该基于机器学习的户型设计方案评测方法能在大量的典型的设计方案提取优质的户型评测标准,对新增模型进行精准预判,精确对比,避免人工误差,能对户型设计方案进行自动评测。
附图说明
图1是本发明的一种基于机器学习的户型设计方案评测方法的执行流程图;
图2是与图1的执行流程图对应的一种基于机器学习的户型设计方案评测方法的整体模型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
实施例1
请参阅图1至图2,图1是本发明的一种基于机器学习的户型设计方案评测方法的执行流程图;
图2是与图1的执行流程图对应的一种基于机器学习的户型设计方案评测方法的整体模型示意图。
本发明公开了一种基于机器学习的设计方案测评方法,提供控制组件、设计方案模型参数输出终端、设计方案数据输入终端、实体设计终端、户型设计模型参数校验器、户型设计方案模型训练器、设计方案采集器及户型设计方案库,所述户型设计方案模型训练器与所述设计方案采集器及所述户型设计模型参数校验器连接,所述设计方案采集器与所述户型设计方案库及控制组件连接,所述设计方案模型参数输出终端与所述控制组件及所述户型设计模型参数校验器连接,所述设计方案特征提取器与所述控制组件、实体设计终端及设计方案数据输入终端连接;
所述基于机器学习的设计方案测评方法包括以下步骤:
S1:所述设计方案采集器从所述户型设计方案库采集一批设计方案作为机器学习的样本;
S2:用户通过所述设计方案数据输入终端输入户型设计数据,或者用户通过所述实体设计终端进行户型设计,所述设计方案特征提取器从所述的户型设计方案中提取适用于训练机器学习的模型的特征;
S3:所述控制组件设置有用于存储待训练的户型模型数据的户型数据训练集存储模块及用于存储户型设计方案样本的校验集存储模块,所述设计方案采集器将提取的机器学习的样本发送给所述校验集存储模块,所述设计方案特征提取器将提取的用于训练机器学习的模型的特征发送给所述户型数据训练集存储模块。
S4:所述户型数据训集存储模块将模型特征发送给所述户型设计方案模型训练器,所述户型设计方案模型训练器对多种模型特征进行训练获取合适的模型参数;
S5:所述户型设计模型参数校验器通过验证参数是否合理,并将合理的模型参数发送给所述设计方案模型参数输出终端。
在本实施例,还提供与所述控制组件及所述设计方案模型参数输出终端连接的预测及评估反馈模块,所述预测及评估反馈模块根据所述户型设计方案模型训练器训练出的合适模型的参数后对新的设计方案进行评测与预测。
在本实施例,还提供权限控制模块及与所述设计方案模型参数输出终端连接的人工校验模块,所述预测及评估反馈模块通过所述权限控制模块与所述控制组件连接,所述权限控制模块与所述人工校验模块连接,所述权限控制模块判断是选择通过所述预测及评估反馈模块进行机器预测评估或者通过所述人工校验模块对所述户型设计方案模型训练器训练出的合适模型的参数进行人工抽检,同时将这些反馈结果回馈回控制组件。
在本实施例,还提供与所述设计方案采集模块连接的数据监控模块,所述数据监控模块对采集的户型设计方案模型进行监控并排除不完整的户型设计方案。
在本实施例,所述户型设计方案模型训练器配置有训练模型误差校正函数:其中,模型目标函数:m为训练模型的参数的个数,每个x(i)表示训练模型参数的n维向量,每个y(i)表示训练模型参数的一个实数。
在本实施例,所述户型设计模型参数校验器配置有参数校验期望公式,所述参数校验期望公式为:其中,v为机器学习的户型设计方案模型参数校验的次数,I(p,n)为机器学习的户型设计方案模型参数的数量,p为设计方案模型例子增益值,n为设计方案机器学习的样本的增益值;
其中,
采用了上述方法之后,所述设计方案采集器从所述户型设计方案库采集一批设计方案作为机器学习的样本;用户通过所述设计方案数据输入终端输入户型设计数据,或者用户通过所述实体设计终端进行户型设计,所述设计方案特征提取器从所述的户型设计方案中提取适用于训练机器学习的模型的特征;所述控制组件设置有用于存储待训练的户型模型数据的户型数据训练集存储模块及用于存储户型设计方案样本的校验集存储模块,所述设计方案采集器将提取的机器学习的样本发送给所述校验集存储模块,所述设计方案特征提取器将提取的用于训练机器学习的模型的特征发送给所述户型数据训练集存储模块;所述户型数据训集存储模块将模型特征发送所述户型设计方案模型训练器,所述户型设计方案模型训练器对多种模型特征进行训练获取合适的模型参数;所述户型设计模型参数校验器通过验证参数是否合理,并将合理的模型参数发送给所述设计方案模型参数输出终端;该基于机器学习的户型设计方案评测方法能在大量的典型的设计方案提取优质的户型评测标准,对新增模型进行精准预判,精确对比,避免人工误差,能对户型设计方案进行自动评测。
同时,应当理解的是,以上仅为本发明的优选实施例,不能因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效实现方法,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于机器学习的设计方案测评方法,其特征在于:提供控制组件、设计方案模型参数输出终端、设计方案数据输入终端、实体设计终端、户型设计模型参数校验器、户型设计方案模型训练器、设计方案采集器及户型设计方案库,所述户型设计方案模型训练器与所述设计方案采集器及所述户型设计模型参数校验器连接,所述设计方案采集器与所述户型设计方案库及控制组件连接,所述设计方案模型参数输出终端与所述控制组件及所述户型设计模型参数校验器连接,所述设计方案特征提取器与所述控制组件、实体设计终端及设计方案数据输入终端连接;
所述基于机器学习的设计方案测评方法包括以下步骤:
S1:所述设计方案采集器从所述户型设计方案库采集一批设计方案作为机器学习的样本;
S2:用户通过所述设计方案数据输入终端输入户型设计数据,或者用户通过所述实体设计终端进行户型设计,所述设计方案特征提取器从所述的户型设计方案中提取适用于训练机器学习的模型的特征;
S3:所述控制组件设置有用于存储待训练的户型模型数据的户型数据训练集存储模块及用于存储户型设计方案样本的校验集存储模块,所述设计方案采集器将提取的机器学习的样本发送给所述校验集存储模块,所述设计方案特征提取器将提取的用于训练机器学习的模型的特征发送给所述户型数据训练集存储模块;
S4:所述户型数据训集存储模块将模型特征发送给所述户型设计方案模型训练器,所述户型设计方案模型训练器对多种模型特征进行训练获取合适的模型参数;
S5:所述户型设计模型参数校验器通过验证参数是否合理,并将合理的模型参数发送给所述设计方案模型参数输出终端。
2.根据权利要求1所述的基于机器学习的设计方案测评方法,其特征在于:还提供与所述控制组件及所述设计方案模型参数输出终端连接的预测及评估反馈模块,所述预测及评估反馈模块根据所述户型设计方案模型训练器训练出的合适模型的参数后对新的设计方案进行评测与预测。
3.根据权利要求1所述的基于机器学习的设计方案测评方法,其特征在于:还提供权限控制模块及与所述设计方案模型参数输出终端连接的人工校验模块,所述预测及评估反馈模块通过所述权限控制模块与所述控制组件连接,所述权限控制模块与所述人工校验模块连接,所述权限控制模块判断是选择通过所述预测及评估反馈模块进行机器预测评估或者通过所述人工校验模块对所述户型设计方案模型训练器训练出的合适模型的参数进行人工抽检,同时将这些反馈结果回馈回控制组件。
4.根据权利要求1至3任一所述的基于机器学习的设计方案测评方法,其特征在于:还提供与所述设计方案采集模块连接的数据监控模块,所述数据监控模块对采集的户型设计方案模型进行监控并排除不完整的户型设计方案。
5.根据权利要求1所述的基于机器学习的设计方案测评方法,其特征在于:所述户型设计方案模型训练器配置有训练模型误差校正函数:其中,模型目标函数:m为训练模型的参数的个数,每个x(i)表示训练模型参数的n维向量,每个y(i)表示训练模型参数的一个实数。
6.根据权利要求1所述的基于机器学习的设计方案测评方法,其特征在于:所述户型设计模型参数校验器配置有参数校验期望公式,所述参数校验期望公式为:其中,v为机器学习的户型设计方案模型参数校验的次数,I(p,n)为机器学习的户型设计方案模型参数的数量,p为设计方案模型例子增益值,n为设计方案机器学习的样本的增益值;
其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610903237.XA CN106447046B (zh) | 2016-10-17 | 2016-10-17 | 一种基于机器学习的户型设计方案评测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610903237.XA CN106447046B (zh) | 2016-10-17 | 2016-10-17 | 一种基于机器学习的户型设计方案评测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106447046A true CN106447046A (zh) | 2017-02-22 |
CN106447046B CN106447046B (zh) | 2019-04-19 |
Family
ID=58175208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610903237.XA Active CN106447046B (zh) | 2016-10-17 | 2016-10-17 | 一种基于机器学习的户型设计方案评测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447046B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062437A (zh) * | 2017-12-06 | 2018-05-22 | 北京居然设计家家居连锁集团有限公司 | 智能生成房间设计方案的方法 |
CN108268748A (zh) * | 2018-04-26 | 2018-07-10 | 南京信息工程大学 | 一种基于机器学习的住宅户型图电气设计方法 |
CN108304848A (zh) * | 2018-01-10 | 2018-07-20 | 链家网(北京)科技有限公司 | 户型特征的自动提取方法、系统、电子设备和存储介质 |
CN108664540A (zh) * | 2018-02-13 | 2018-10-16 | 贵州财经大学 | 大数据机器学习系统及方法 |
CN108664860A (zh) * | 2017-04-01 | 2018-10-16 | 中山市琪朗灯饰厂有限公司 | 房间平面图的识别方法及装置 |
CN108694266A (zh) * | 2017-04-07 | 2018-10-23 | 美宅科技(北京)有限公司 | 基于机器学习的智能装修设计方法与系统 |
CN110197225A (zh) * | 2019-05-28 | 2019-09-03 | 广东三维家信息科技有限公司 | 基于深度学习的户型空间匹配方法和系统 |
CN110414100A (zh) * | 2019-07-15 | 2019-11-05 | 杭州群核信息技术有限公司 | 一种带有设计效果反馈闭环的家装自动设计系统 |
CN112733246A (zh) * | 2021-01-22 | 2021-04-30 | 上海建工四建集团有限公司 | 建筑物的自动设计方法、装置、终端、存储介质及处理器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063550A (zh) * | 2011-01-07 | 2011-05-18 | 浙江工业大学 | 机器智能参与设计决策的冷挤压件智能设计系统 |
US20150278710A1 (en) * | 2014-03-26 | 2015-10-01 | Nec Corporation | Machine learning apparatus, machine learning method, and non-transitory computer-readable recording medium |
US20160055427A1 (en) * | 2014-10-15 | 2016-02-25 | Brighterion, Inc. | Method for providing data science, artificial intelligence and machine learning as-a-service |
CN105550746A (zh) * | 2015-12-08 | 2016-05-04 | 北京旷视科技有限公司 | 机器学习模型的训练方法和训练装置 |
CN106022497A (zh) * | 2016-05-23 | 2016-10-12 | 北京依依科技有限公司 | 一种房源的推荐方法、服务器和房源推荐系统 |
-
2016
- 2016-10-17 CN CN201610903237.XA patent/CN106447046B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063550A (zh) * | 2011-01-07 | 2011-05-18 | 浙江工业大学 | 机器智能参与设计决策的冷挤压件智能设计系统 |
US20150278710A1 (en) * | 2014-03-26 | 2015-10-01 | Nec Corporation | Machine learning apparatus, machine learning method, and non-transitory computer-readable recording medium |
US20160055427A1 (en) * | 2014-10-15 | 2016-02-25 | Brighterion, Inc. | Method for providing data science, artificial intelligence and machine learning as-a-service |
CN105550746A (zh) * | 2015-12-08 | 2016-05-04 | 北京旷视科技有限公司 | 机器学习模型的训练方法和训练装置 |
CN106022497A (zh) * | 2016-05-23 | 2016-10-12 | 北京依依科技有限公司 | 一种房源的推荐方法、服务器和房源推荐系统 |
Non-Patent Citations (1)
Title |
---|
刘少博: ""基于丘陵地区环境特征的湖南住宅生成设计研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664860A (zh) * | 2017-04-01 | 2018-10-16 | 中山市琪朗灯饰厂有限公司 | 房间平面图的识别方法及装置 |
CN108664860B (zh) * | 2017-04-01 | 2022-02-01 | 中山市琪朗灯饰厂有限公司 | 房间平面图的识别方法及装置 |
CN108694266A (zh) * | 2017-04-07 | 2018-10-23 | 美宅科技(北京)有限公司 | 基于机器学习的智能装修设计方法与系统 |
CN108062437A (zh) * | 2017-12-06 | 2018-05-22 | 北京居然设计家家居连锁集团有限公司 | 智能生成房间设计方案的方法 |
CN108304848A (zh) * | 2018-01-10 | 2018-07-20 | 链家网(北京)科技有限公司 | 户型特征的自动提取方法、系统、电子设备和存储介质 |
CN108304848B (zh) * | 2018-01-10 | 2020-04-28 | 贝壳找房(北京)科技有限公司 | 户型特征的自动提取方法、系统、电子设备和存储介质 |
CN108664540A (zh) * | 2018-02-13 | 2018-10-16 | 贵州财经大学 | 大数据机器学习系统及方法 |
CN108268748A (zh) * | 2018-04-26 | 2018-07-10 | 南京信息工程大学 | 一种基于机器学习的住宅户型图电气设计方法 |
CN110197225A (zh) * | 2019-05-28 | 2019-09-03 | 广东三维家信息科技有限公司 | 基于深度学习的户型空间匹配方法和系统 |
CN110414100A (zh) * | 2019-07-15 | 2019-11-05 | 杭州群核信息技术有限公司 | 一种带有设计效果反馈闭环的家装自动设计系统 |
CN112733246A (zh) * | 2021-01-22 | 2021-04-30 | 上海建工四建集团有限公司 | 建筑物的自动设计方法、装置、终端、存储介质及处理器 |
Also Published As
Publication number | Publication date |
---|---|
CN106447046B (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106447046A (zh) | 一种基于机器学习的户型设计方案评测方法 | |
CN111537841B (zh) | 一种适用于接地故障类型识别的优化方法及系统 | |
CN104408264B (zh) | 一种基于断言的嵌入式存储控制器验证系统及方法 | |
CN110619479B (zh) | 光伏组件的故障判别模型建模方法及故障判别方法 | |
CN106875373A (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN104346406A (zh) | 训练语料扩充装置和训练语料扩充方法 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN104866926B (zh) | 基于气象因素和时间序列分析的配电网故障数量预测方法 | |
CN105070321B (zh) | 存储器件的快速测试电路及方法 | |
CN109344835A (zh) | 基于车辆vin码字符位置的篡改检测方法 | |
CN104268134A (zh) | 一种主客观分类器构建方法和系统 | |
CN109617526A (zh) | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 | |
CN107391452A (zh) | 一种基于数据欠采样和集成学习的软件缺陷数目预测方法 | |
CN104793068A (zh) | 基于图像采集的自动测试方法 | |
CN109032864A (zh) | 一种NVMe SSD热插拔测试的方法及系统 | |
CN109685756A (zh) | 影像特征自动辨识装置、系统及方法 | |
CN108380527B (zh) | 一种电池批量分选的系统及方法 | |
CN109376738A (zh) | 基于车辆vin码起止符类型的篡改检测方法 | |
CN103076556B (zh) | 航电组件功能维护测试点选取方法 | |
CN112364941A (zh) | 一种新能源场站频率特性检测方法、装置和系统 | |
CN104392398A (zh) | 配电自动化cim模型导入导出功能测试系统及其方法 | |
CN105868065A (zh) | 一种SmartRack整机柜热插拔部件测试方法 | |
CN109829887A (zh) | 一种基于深度神经网络的图像质量评估方法 | |
CN105469141A (zh) | 基于神经网络的预测方法及系统 | |
CN112215834B (zh) | 基于卷积神经网络的动力电池焊接质量检测方法及系统 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 518000 R & D room 3501, block a, building 7, Vanke Cloud City Phase I, Xingke 1st Street, Xili community, Xili street, Nanshan District, Shenzhen City, Guangdong Province Patentee after: Tubatu Group Co.,Ltd. Address before: 1001-a, 10th floor, bike technology building, No.9, Keke Road, high tech Zone, Nanshan District, Shenzhen, Guangdong 518000 Patentee before: SHENZHEN BINCENT TECHNOLOGY Co.,Ltd. |