CN107292320A - 系统及其指标优化方法及装置 - Google Patents

系统及其指标优化方法及装置 Download PDF

Info

Publication number
CN107292320A
CN107292320A CN201610192188.3A CN201610192188A CN107292320A CN 107292320 A CN107292320 A CN 107292320A CN 201610192188 A CN201610192188 A CN 201610192188A CN 107292320 A CN107292320 A CN 107292320A
Authority
CN
China
Prior art keywords
index
numerical value
value
characteristic parameter
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
Application number
CN201610192188.3A
Other languages
English (en)
Other versions
CN107292320B (zh
Inventor
刘毅捷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201610192188.3A priority Critical patent/CN107292320B/zh
Publication of CN107292320A publication Critical patent/CN107292320A/zh
Application granted granted Critical
Publication of CN107292320B publication Critical patent/CN107292320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques

Abstract

本申请提供了一种系统及其指标优化方法及装置，该方法包括：获取系统的所有已用指标参数及其数值，以及所有待选用指标参数及其数值；基于预设的数据降维算法将所述所有已用指标参数及其数值进行降维处理，获得对应的特征参数集及其数值；以所述特征参数集的数值作为输入，并以所述所有待选用指标参数的数值作为目标输出，训练预设的机器学习模型，获得所述所有待选用指标参数的数值的预测值；获取所述所有待选用指标参数中每个待选用指标的数值与其对应预测值的差异度量值；选取出预设数量个其差异度量值最大的待选用指标作为所述系统的新增指标。本申请可提高指标优选效率，并降低系统性能抖动。

Description

系统及其指标优化方法及装置
技术领域
本申请涉及数据处理技术领域，尤其是涉及一种系统及其指标优化方法及装置。
背景技术
随着时间的推移，一些系统在实际应用过程中，其相关统计信息在不断累积丰富，而通过对统计信息的分析和处理，可能会发现需要有新指标添加进来并在此基础上重构系统，以提升其性能。
而随着计算机网络及信息技术的不断发展变化，目前已有一些系统具有自动构建新指标集的功能，这些新指标集可以帮助系统适应新的变化，从而有利于提高系统性能。但由于通常新指标集中的新指标的数量往往较大，而其中有些系统(比如在线系统)的资源有限，因而可能无法满足使用全部的新指标。在这种情况下，需要从新指标集里优选出最有效的指标，以便于实现以较少的指标集带来较大的系统性能提升。
目前针对新指标优选的方法主要是将新指标集中所有新指标依次单独加入已有系统的原指标集，重新训练，然后根据系统性能的提升幅度来排序，并最终依据排序选择一部分新指标。
然而，本申请的发明人发现：上述方法需要逐个遍历新指标集中每一个新指标，非常耗时。同时，如果已有系统已经较为复杂，新增的单个指标实际并不一定能够为该系统带来实际的性能提升。有时候，系统性能的抖动甚至可能是由于随机参数的选取造成的，因此，一般的，往往需要同时加入一组指标，才可能看到实际的效果。而按照现有技术从一个新指标集中优选一组指标的遍历复杂度是指数级的，这会占用太多的系统资源，工程上几乎难以实施。
发明内容
本申请实施例的目的在于提供一种系统及其指标优化方法及装置，以提高系统指标优选效率，降低系统性能的抖动。
为达到上述目的，一方面本申请实施例提供了一种系统指标优化方法，包括以下步骤：
获取系统的所有已用指标参数及其数值，以及所有待选用指标参数及其数值；
基于预设的数据降维算法将所述所有已用指标参数及其数值进行降维处理，获得对应的特征参数集及其数值；
以所述特征参数集的数值作为输入，并以所述所有待选用指标参数的数值作为目标输出，训练预设的机器学习模型，获得所述所有待选用指标参数的数值的预测值；
获取所述所有待选用指标参数中每个待选用指标的数值与其对应预测值的差异度量值；
选取出预设数量个其差异度量值最大的待选用指标作为所述系统的新增指标。
另一方面，本申请实施例还提供了一种系统指标优化装置，包括：
数据获取模块，用于获取系统的所有已用指标参数及其数值，以及所有待选用指
标参数及其数值；
数据降维模块，用于基于预设的数据降维算法将所述所有已用指标参数及其数值进行降维处理，获得对应的特征参数集及其数值；
数据预测模块，用于以所述特征参数集的数值作为输入，并以所述所有待选用指标参数的数值作为目标输出，训练预设的机器学习模型，获得所述所有待选用指标参数的数值的预测值；
差异获取模块，用于获取所述所有待选用指标参数中每个待选用指标的数值与其对应预测值的差异度量值；
指标筛选模块，用于选取出预设数量个其差异度量值最大的待选用指标作为所述系统的新增指标。
再一方面，本申请实施例还提供了一种系统，其包括上述的系统指标优化装置。
本申请实施例的系统指标优化方案通过两次处理即完成对所有待选用新指标参数的评价，与现有技术要逐个遍历所有待选用指标参数中的每一个并分别进行单独评价相比，系统指标参数优选的效率的得到极大的提升，同时，本申请实施例这种将所有待选用指标参数进行整体评价的方式，也避免了现有技术多次训练单一指标参数所带来的系统性能随机抖动。一般的，在筛选出新增指标参数后，基于所有已用指标参数和新增指标而重新构建的系统一般会更加有效，即实现了以尽可能少的新增指标参数带来尽可能大的系统性能提升。
附图说明
此处所说明的附图用来提供对本申请实施例的进一步理解，构成本申请实施例的一部分，并不构成对本申请实施例的限定。在附图中：
图1为本申请实施例的系统指标优化方法的流程图；
图2为本申请某些实施例的系统指标优化装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本申请实施例做进一步详细说明。在此，本申请实施例的示意性实施例及其说明用于解释本申请实施例，但并不作为对本申请实施例的限定。
下面结合附图，对本申请实施例的具体实施方式作进一步的详细说明。
参考图1所示，本申请实施例的系统指标优化方法包括以下步骤：
步骤S101、获取系统的所有已用指标参数及其数值，以及所有待选用指标参数及其数值。
本申请实施例中，系统可以为在线系统，也可以为离线系统；所有已用指标参数是指当前已应用于衡量系统性能的所有指标参数的集合；待选用指标参数为尚未应用于衡量系统性能的所有待选指标参数的集合。
步骤S102、基于预设的数据降维算法将所述所有已用指标参数及其数值进行降维处理，获得对应的特征参数集及其数值。本申请实例中，将所述所有已用指标参数及其数值进行数据降维处理的目的之一在于消除数据冗余，减少被处理数据的数量。其中，所述特征参数集就是所述所有已用指标参数的特征映射，即所述特征参数集可以认为已经包含所述所有已用指标参数的所有特征。
本申请实施例中，其中特征参数集中的特征参数的数量可由用户预先设定。一般而言，特征参数集的数量依据数据集大小及输入指标参数数量多少来调整，数据集越大，指标参数数量越大，特征参数集可以越大。
在本申请的一个实施例中，所述数据降维算法例如可以为自动编码器(Autoencoder)，这样，将所述所有已用指标参数同时作为所述自动编码器的输入节点和目标输出节点，并以所述所有已用指标参数的数值作为第一训练数据集，训练所述自动编码机，就可以获得对应的特征参数集及其数值。在本申请的另一个实施例中，所述数据降维算法还可以为核PCA(Kernel Principal Component Analysis，基于核的主成分分析)等。
步骤S103、以所述特征参数集的数值作为输入，并以所述所有待选用指标参数的数值作为目标输出，训练预设的机器学习模型，获得所述所有待选用指标参数的数值的预测值。
在本申请的一个实施例中，机器学习模型例如可以为深度神经网络，这样，将所述特征参数集及所述所有待选用指标参数对应作为所述深度神经网络的输入节点和目标输出节点，并将所述特征参数集的数值作为第二训练数据集，训练深度神经网络，就可以获得所述所有待选用指标参数的数值的预测值。在本申请的另一个实施例中，机器学习模型还可以为其它机器学习模型。
需要说明的是，在本申请实施例中，作为一种优选方式，当数据降维算法采用自动编码器，并且机器学习模型采用深度神经网络时，由于自动编码器和深度神经网络都属于神经网络类的算法，这样可以在相同或等同的参照系下，方便比较新旧指标参数的拟合程度，即在步骤S102中，进行数据降维处理的主要目的是训练目标的拟合程度(即实际预测结果与目标输出的吻合程度)，以实现定量的评价特征参数集对所述所有已用指标参数的表达有效性。这样，再通过步骤S103的再次训练，就可以得到所述所有已用指标参数对所述所有待选用指标参数的表达有效性。并且，在步骤S103中使用所述所有已用指标参数的特征参数集作为输入节点而不是直接使用所述所有已用指标参数，还可以避免对述所有待选用指标参数的过度拟合而影响了机器学习模型的泛化能力(generalization ability)。
步骤S104、获取所述所有待选用指标参数中每个待选用指标的数值与其对应预测值的差异度量值。
在本申请一个实施例中，所述的差异度量值例如可以为残差平方和，在本申请另一实施例中，也可以采用其他的偏差计算方式(比如总体标准偏差等)。
步骤S105、选取出预设数量个其差异度量值最大的待选用指标作为所述系统的新增指标。
在本申请另一实施例中，为了便于筛选，在步骤S105之前，还可以按照对应差异度量值的大小将所述所有待选用指标参数进行排序(比如由大到小排序)。
本申请实施例的系统指标优化方法通过两次处理即完成对所有待选用新指标参数的评价，与现有技术要逐个遍历所有待选用指标参数中的每一个并分别进行单独评价相比，系统指标参数优选的效率的得到极大的提升，同时，本申请实施例这种将所有待选用指标参数进行整体评价的方式，也避免了现有技术多次训练单一指标参数所带来的系统性能随机抖动。一般的，在筛选出新增指标参数后，基于所有已用指标参数和新增指标而重新构建的系统一般会更加有效，即实现了以尽可能少的新增指标参数带来尽可能大的系统性能提升。
虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
为了便于理解，下面结合实例来说明书本申请实施例的系统指标优化方法。
假设现有网络安全模型A一共使用了100个指标，记为X1-X100。现有新构造的150个指标，记为V1-V150，最终要求是从150个新构造的指标中选出10个最有效的指标Vx1-Vx10，使得利用指标集{X1-X100，Vx1-Vx10}训练出的网络安全模型更有效。其中，{Vxi}是{Vi}的子集。
另外，有数据集D(例如下表1所示)，其中每一条数据(即指标值的每一列)均包含{X1-X100，V1-V150}共250个指标：
表1
其主要过程如下：
使用X1－X100同时作为自动编码机的输入节点和目标输出节点，X1－X100的数值作为训练数据集，训练自动编码机。获得所述X1－X100的特征参数集及其数值，假设特征参数集的编码数量(即特征参数)设置为50个，则特征参数集记为C1-C50。
另外，有数据集D’(例如下表2所示)，其中每一条数据(即指标值的每一列)均包含{C1-C50，V1-V150}共200个指标：
表2
使用C1-C50作为深度神经网络的输入节点，V1－V150作为深度神经网络的目标输出节点，以C1-C50的数值作为训练数据集，训练深度神经网络。假设V1的取值分别为{B11，B12，…，B1N}，训练出的深度神经网络对V1的预测值为{B11’，B12’，…，B1N’}，则对V1的数值与其对应的预测值的残差平方和为：
以此类推，可以得到所有V1－V150的数值与其对应的预测值的残差平方和A1，A2，…，A150。在对A1，A2，…，A150进行排序后，取其中最大的10个值对应的待选用指标参数即可满足要求。
本申请的系统包括系统指标优化装置，一般的，本申请的系统为在线系统。参考图2所示，其中，该系统指标优化装置包括：
数据获取模块21，用于获取系统的所有已用指标参数及其数值，以及所有待选用指标参数及其数值。
本申请实施例中，系统可以为在线系统，也可以为离线系统；所有已用指标参数是指当前已应用于衡量系统性能的所有指标参数的集合；待选用指标参数为尚未应用于衡量系统性能的所有待选指标参数的集合。
数据降维模块22，用于基于预设的数据降维算法将所述所有已用指标参数及其数值进行降维处理，获得对应的特征参数集及其数值。
本申请实例中，将所述所有已用指标参数及其数值进行数据降维处理的目的之一在于消除数据冗余，减少被处理数据的数量。其中，所述特征参数集就是所述所有已用指标参数的特征映射，即所述特征参数集可以认为已经包含所述所有已用指标参数的所有特征。
本申请实施例中，其中特征参数集中的特征参数的数量可由用户预先设定。一般而言，特征参数集的数量依据数据集大小及输入指标参数数量多少来调整，数据集越大，指标参数数量越大，特征参数集可以越大。
在本申请的一个实施例中，所述数据降维算法例如可以为自动编码器(Autoencoder)，这样，将所述所有已用指标参数同时作为所述自动编码器的输入节点和目标输出节点，并以所述所有已用指标参数的数值作为第一训练数据集，训练所述自动编码机，就可以获得对应的特征参数集及其数值。在本申请的另一个实施例中，所述数据降维算法还可以为核PCA等。
数据预测模块23，用于以所述特征参数集的数值作为输入，并以所述所有待选用指标参数的数值作为目标输出，训练预设的机器学习模型，获得所述所有待选用指标参数的数值的预测值。
在本申请的一个实施例中，机器学习模型例如可以为深度神经网络，这样，将所述特征参数集及所述所有待选用指标参数对应作为所述深度神经网络的输入节点和目标输出节点，并将所述特征参数集的数值作为第二训练数据集，训练深度神经网络，就可以获得所述所有待选用指标参数的数值的预测值。在本申请的另一个实施例中，机器学习模型还可以为其它机器学习模型。
需要说明的是，在本申请实施例中，作为一种优选方式，当数据降维算法采用自动编码器，并且机器学习模型采用深度神经网络时，由于自动编码器和深度神经网络都属于神经网络类的算法，这样可以在相同或等同的参照系下，方便比较新旧指标参数的拟合程度，即通过数据降维模块22进行数据降维处理的主要目的是训练目标的拟合程度(即实际预测结果与目标输出的吻合程度)，可以定量的评价特征参数集对所述所有已用指标参数的表达有效性。这样，再通过数据预测模块23的再次训练，就可以得到所述所有已用指标参数对所述所有待选用指标参数的表达有效性。并且，在数据预测模块23中使用所述所有已用指标参数的特征参数集作为输入节点而不是直接使用所述所有已用指标参数，还可以避免对述所有待选用指标参数的过度拟合而影响了机器学习模型的泛化能力。
差异获取模块24，用于获取所述所有待选用指标参数中每个待选用指标的数值与其对应预测值的差异度量值。
在本申请一个实施例中，所述的差异度量值例如可以为残差平方和，在本申请另一实施例中，也可以采用其他的偏差计算方式(比如总体标准偏差等)。
指标筛选模块25，用于选取出预设数量个其差异度量值最大的待选用指标作为所述系统的新增指标。
在本申请另一实施例中，为了便于筛选，系统指标优化装置还可以包括：
差异排序模块，用于在所述指标筛选模块选取出预设数量个其差异度量值最大的待选用指标作为所述系统的新增指标之前，按照对应差异度量值的大小将所述所有待选用指标参数进行排序。
本申请实施例的系统指标优化方案通过两次处理即完成对所有待选用新指标参数的评价，与现有技术要逐个遍历所有待选用指标参数中的每一个并分别进行单独评价相比，系统指标参数优选的效率的得到极大的提升，同时，本申请实施例这种将所有待选用指标参数进行整体评价的方式，也避免了现有技术多次训练单一指标参数所带来的系统性能随机抖动。一般的，在筛选出新增指标参数后，基于所有已用指标参数和新增指标而重新构建的系统一般会更加有效，即实现了以尽可能少的新增指标参数带来尽可能大的系统性能提升。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个模块中实现。
以上本申请实施例所描述的方法或装置可以直接嵌入可由处理器执行的软件模块中。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请实施例的具体实施例而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (14)

1.一种系统指标优化方法，其特征在于，包括以下步骤：
获取系统的所有已用指标参数及其数值，以及所有待选用指标参数及其数值；
基于预设的数据降维算法将所述所有已用指标参数及其数值进行降维处理，获得对应的特征参数集及其数值；
以所述特征参数集的数值作为输入，并以所述所有待选用指标参数的数值作为目标输出，训练预设的机器学习模型，获得所述所有待选用指标参数的数值的预测值；
获取所述所有待选用指标参数中每个待选用指标的数值与其对应预测值的差异度量值；
选取出预设数量个其差异度量值最大的待选用指标作为所述系统的新增指标。
2.根据权利要求1所述的系统指标优化方法，其特征在于，所述预设的数据降维算法包括自动编码机；
所述基于预设的数据降维算法将所述所有已用指标参数及其数值进行降维处理，获得对应的特征参数集及其数值，包括：
将所述所有已用指标参数同时作为输入节点和目标输出节点，并以所述所有已用指标参数的数值作为第一训练数据集，训练所述自动编码机，获得对应的特征参数集及其数值。
3.根据权利要求1所述的系统指标优化方法，其特征在于，所述预设的机器学习模型包括深度神经网络；
所述以所述特征参数集的数值作为输入，并以所述所有待选用指标参数的数值作为目标输出，训练预设的机器学习模型，获得所述所有待选用指标参数的数值的预测值，包括：
将所述特征参数集及所述所有待选用指标参数对应作为输入节点和目标输出节点，并将所述特征参数集的数值作为第二训练数据集，训练深度神经网络，获得所述所有待选用指标参数的数值的预测值。
4.根据权利要求1所述的系统指标优化方法，其特征在于，所述特征参数集中的特征参数的数量预先设定。
5.根据权利要求1所述的系统指标优化方法，其特征在于，在所述选取出预设数量个其差异度量值最大的待选用指标作为所述系统的新增指标之前，还包括：
按照对应差异度量值的大小将所述所有待选用指标参数进行排序。
6.根据权利要求1所述的系统指标优化方法，其特征在于，所述差异度量值包括残差平方和。
7.一种系统指标优化装置，其特征在于，包括以下步骤：
数据获取模块，用于获取系统的所有已用指标参数及其数值，以及所有待选用指标参数及其数值；
数据降维模块，用于基于预设的数据降维算法将所述所有已用指标参数及其数值进行降维处理，获得对应的特征参数集及其数值；
数据预测模块，用于以所述特征参数集的数值作为输入，并以所述所有待选用指标参数的数值作为目标输出，训练预设的机器学习模型，获得所述所有待选用指标参数的数值的预测值；
差异获取模块，用于获取所述所有待选用指标参数中每个待选用指标的数值与其对应预测值的差异度量值；
指标筛选模块，用于选取出预设数量个其差异度量值最大的待选用指标作为所述系统的新增指标。
8.根据权利要求7所述的系统指标优化装置，其特征在于，所述预设的数据降维算法包括自动编码机；
所述数据降维模块基于预设的数据降维算法将所述所有已用指标参数及其数值进行降维处理，获得对应的特征参数集及其数值，包括：
将所述所有已用指标参数同时作为输入节点和目标输出节点，并以所述所有已用指标参数的数值作为第一训练数据集，训练所述自动编码机，获得对应的特征参数集及其数值。
9.根据权利要求7所述的系统指标优化装置，其特征在于，所述预设的机器学习模型包括深度神经网络；
所述数据预测模块以所述特征参数集的数值作为输入，并以所述所有待选用指标参数的数值作为目标输出，训练预设的机器学习模型，获得所述所有待选用指标参数的数值的预测值，包括：
将所述特征参数集及所述所有待选用指标参数对应作为输入节点和目标输出节点，并将所述特征参数集的数值作为第二训练数据集，训练深度神经网络，获得所述所有待选用指标参数的数值的预测值。
10.根据权利要求7所述的系统指标优化装置，其特征在于，所述特征参数集中的特征参数的数量预先设定。
11.根据权利要求7所述的系统指标优化装置，其特征在于，还包括：
差异排序模块，用于在所述指标筛选模块选取出预设数量个其差异度量值最大的待选用指标作为所述系统的新增指标之前，按照对应差异度量值的大小将所述所有待选用指标参数进行排序。
12.根据权利要求7所述的系统指标优化装置，其特征在于，所述差异度量值包括残差平方和。
13.一种系统，其特征在于，包括权利要求7-12任意一项所述系统指标优化装置。
14.根据权利要求13所述的系统，其特征在于，所述系统为在线系统。
CN201610192188.3A 2016-03-30 2016-03-30 系统及其指标优化方法及装置 Active CN107292320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610192188.3A CN107292320B (zh) 2016-03-30 2016-03-30 系统及其指标优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610192188.3A CN107292320B (zh) 2016-03-30 2016-03-30 系统及其指标优化方法及装置

Publications (2)

Publication Number Publication Date
CN107292320A true CN107292320A (zh) 2017-10-24
CN107292320B CN107292320B (zh) 2020-10-13

Family

ID=60088001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610192188.3A Active CN107292320B (zh) 2016-03-30 2016-03-30 系统及其指标优化方法及装置

Country Status (1)

Country Link
CN (1) CN107292320B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255148A (zh) * 2018-07-27 2019-01-22 石家庄创天电子科技有限公司 力学产品设计方法及其系统
CN110019151A (zh) * 2019-04-11 2019-07-16 深圳市腾讯计算机系统有限公司 数据库性能调整方法、装置、设备、系统及存储介质
CN112348296A (zh) * 2019-08-07 2021-02-09 中移信息技术有限公司 电信数据获取方法、装置、设备及存储介质
CN114002574A (zh) * 2021-10-29 2022-02-01 上海华力微电子有限公司 半导体结构的测试方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010075311A2 (en) * 2008-12-26 2010-07-01 Five Apes, Inc. Multi-stage image pattern recognizer
CN102269972A (zh) * 2011-03-29 2011-12-07 东北大学 基于遗传神经网络的管道压力缺失数据补偿方法及装置
CN102279358A (zh) * 2011-06-20 2011-12-14 湖南大学 一种基于mcskpca的神经网络模拟电路故障诊断方法
CN103077408A (zh) * 2012-11-13 2013-05-01 国家海洋局第二海洋研究所 基于小波神经网络的海底声纳图像转换为声学底质类别方法
CN103488889A (zh) * 2013-09-18 2014-01-01 刘华锋 一种基于多元逻辑回归检测icu患者记录中伪像的方法及系统
CN103675629A (zh) * 2013-12-31 2014-03-26 武汉大学 基于电场特征量的电极起晕电压预测方法
CN104778459A (zh) * 2015-04-17 2015-07-15 广西科技大学 一种足球比赛视频中的多运动员的行为的特征融合方法
CN105046277A (zh) * 2015-07-15 2015-11-11 华南农业大学 特征显著性在图像质量评价中的鲁棒机理研究方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010075311A2 (en) * 2008-12-26 2010-07-01 Five Apes, Inc. Multi-stage image pattern recognizer
CN102269972A (zh) * 2011-03-29 2011-12-07 东北大学 基于遗传神经网络的管道压力缺失数据补偿方法及装置
CN102279358A (zh) * 2011-06-20 2011-12-14 湖南大学 一种基于mcskpca的神经网络模拟电路故障诊断方法
CN103077408A (zh) * 2012-11-13 2013-05-01 国家海洋局第二海洋研究所 基于小波神经网络的海底声纳图像转换为声学底质类别方法
CN103488889A (zh) * 2013-09-18 2014-01-01 刘华锋 一种基于多元逻辑回归检测icu患者记录中伪像的方法及系统
CN103675629A (zh) * 2013-12-31 2014-03-26 武汉大学 基于电场特征量的电极起晕电压预测方法
CN104778459A (zh) * 2015-04-17 2015-07-15 广西科技大学 一种足球比赛视频中的多运动员的行为的特征融合方法
CN105046277A (zh) * 2015-07-15 2015-11-11 华南农业大学 特征显著性在图像质量评价中的鲁棒机理研究方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MOKRIS AND ET AL.: "Proposal of cascade neural network model for text document space dimension reduction by latent semantic indexing", 《2008 6TH INTERNATIONAL SYMPOSIUM ON APPLIED MACHINE INTELLIGENCE AND INFORMATICS》 *
程国建等: "基于混合降维Elman神经网络的砂岩储层物性参数智能计算研究", 《科学技术与工程》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255148A (zh) * 2018-07-27 2019-01-22 石家庄创天电子科技有限公司 力学产品设计方法及其系统
CN109255148B (zh) * 2018-07-27 2023-01-31 石家庄创天电子科技有限公司 力学产品设计方法及其系统
CN110019151A (zh) * 2019-04-11 2019-07-16 深圳市腾讯计算机系统有限公司 数据库性能调整方法、装置、设备、系统及存储介质
CN110019151B (zh) * 2019-04-11 2024-03-15 深圳市腾讯计算机系统有限公司 数据库性能调整方法、装置、设备、系统及存储介质
CN112348296A (zh) * 2019-08-07 2021-02-09 中移信息技术有限公司 电信数据获取方法、装置、设备及存储介质
CN112348296B (zh) * 2019-08-07 2023-12-22 中移信息技术有限公司 电信数据获取方法、装置、设备及存储介质
CN114002574A (zh) * 2021-10-29 2022-02-01 上海华力微电子有限公司 半导体结构的测试方法

Also Published As

Publication number Publication date
CN107292320B (zh) 2020-10-13

Similar Documents

Publication Publication Date Title
Gong et al. DE/BBO: a hybrid differential evolution with biogeography-based optimization for global numerical optimization
Benardos et al. Optimizing feedforward artificial neural network architecture
CN107292320A (zh) 系统及其指标优化方法及装置
CN110910982A (zh) 自编码模型训练方法、装置、设备及存储介质
Zeng et al. Optimization of bagging classifiers based on SBCB algorithm
CN111666494B (zh) 分群决策模型生成、分群处理方法、装置、设备及介质
CN107506350A (zh) 一种识别信息的方法和设备
CN106796533A (zh) 自适应地选择执行模式的系统和方法
CN110390107A (zh) 基于人工智能的下文关系检测方法、装置及计算机设备
Blachnik Ensembles of instance selection methods based on feature subset
CN110705821A (zh) 基于多评价维度的热点学科预测方法、装置、终端、及介质
CN109635939A (zh) 一种基于裁剪的卷积神经网络的确定方法及装置
CN116561542A (zh) 模型的优化训练系统、方法以及相关装置
CN110019784A (zh) 一种文本分类方法及装置
CN113362139A (zh) 基于双塔结构模型的数据处理方法和装置
CN112862545A (zh) 特征数据的处理方法以及电子设备
CN116166967A (zh) 基于元学习与残差网络的数据处理方法、设备和存储介质
CN111027669A (zh) 在现场可编程门阵列上实现深度神经网络的方法及装置
CN113539517B (zh) 时序干预效果的预测方法
CN106301880A (zh) 一种确定网络关系稳定度、互联网业务推荐方法和设备
CN112508250B (zh) 指挥信息系统生成方案增量分析方法、系统、介质及终端
CN104951455A (zh) 一种基于类别从属度的信息分类方法及系统
CN109388784A (zh) 最小熵核密度估计器生成方法、装置和计算机可读存储介质
CN112767350B (zh) 血栓弹力图最大区间预测方法、装置、设备和存储介质
CN113780564B (zh) 融合实体类型信息的知识图谱推理方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201014

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20201014

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee after: Advanced innovation technology Co.,Ltd.

Address before: Greater Cayman, British Cayman Islands

Patentee before: Alibaba Group Holding Ltd.