CN107506938A - 一种基于机器学习的物料质量评估方法 - Google Patents
一种基于机器学习的物料质量评估方法 Download PDFInfo
- Publication number
- CN107506938A CN107506938A CN201710788762.6A CN201710788762A CN107506938A CN 107506938 A CN107506938 A CN 107506938A CN 201710788762 A CN201710788762 A CN 201710788762A CN 107506938 A CN107506938 A CN 107506938A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- quality
- layer
- model
- 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.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 65
- 238000010801 machine learning Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012546 transfer Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 9
- 230000007935 neutral effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 4
- -1 auxiliary equipment Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 239000004035 construction material Substances 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 239000007769 metal material Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于机器学习的物料质量评估方法，通过创建物料质量评估模型，选择反向传递的人工神经网络算法，构建反向传统网络模型。将收集的历史样本信息分为训练数据和验证数据两个部分。使用训练数据对模型进行训练，获得模型权重参数和调整因子。使用验证数据对模型训练结果进行测试验证，直到验证结果符合已收集的信息，从而获得物料质量和影响因素质检的非线性关系。最后使用已验证的模型及模型参数，预测物料的质量水平。本发明更客观准确的评估物料的质量水平。
Description
技术领域
本发明属于电力系统，涉及一种物料质量评估方法，具体说是一种基于机器学习的物料质量评估方法。
背景技术
电力物资部门采购物料的品目通常有四千多种，各种供应商更是多达几十万家。不同供应商，不同物料在使用过程中，会出现各种质量问题以及问题投诉。在日常工作中往往根据物料已出现的问题数量等相关信息，通过线性分析，简单确定物料的质量水平，使用的关联数据比较单一，具有一定的片面性。物料的实际质量相关因数较多，可以通过收集全面的相关因数，通过机器学习算法推导出物料的质量水平。
发明内容
本发明的目的是提供一种基于机器学习的物料质量评估方法，采用反向传递的人工神经网络算法作为机器学习的算法对物料质量进行评估，从而可以更客观准确的评估物料的质量水平。
本发明的目的通过以下技术方案实现：
一种基于机器学习的物料质量评估方法，其特征在于该方法包括以下步骤：
1)创建物料质量评估模型，选择反向传递的人工神经网络算法，构建反向传统网络模型；
2)将收集的历史样本信息分为训练数据和验证数据两个部分；
3)使用训练数据对模型进行训练，获得模型权重参数和调整因子；使用验证数据对模型训练结果进行测试验证，直到验证结果符合已收集的信息，从而获得物料质量和影响因素质检的非线性关系；
4)使用已验证的模型及模型参数，预测物料的质量水平。
进一步，本发明具体步骤如下：
步骤一：对供应商和物料进行分类
按照应用需求，将供应商分为一级、二级、三级三种类型，将物料类型分为一次设备、二次设备、通信设备、仪器仪表、装置性材料、辅助设备、金属材料、建筑材料、燃料化工、其他材料；
步骤二：创建质量评估模型
根据日常工作，分析物料质量影响因素；
步骤三：神经网络训练及验证
根据反向传递神经网络的特点，需要依据信号的前向传播和误差的反向传播来构建整个网络；构建网络时，先根据Sigmoid函数设置初始权重信息，后续根据计算结果不断调整权重参数，直到最终计算结果和实际结果非常接近为止；
步骤四：进行质量水平预测
根据收集的最新质量因素信息，利用上述训练成功的网络模型，分别计算对应类型供应商及物料类型的质量水平指标。
本发明通过创建物料质量评估模型，选择反向传递的人工神经网络算法，构建反向传统网络模型。将收集的历史样本信息分为训练数据和验证数据两个部分。使用训练数据对模型进行训练，获得模型权重参数和调整因子。使用验证数据对模型训练结果进行测试验证，直到验证结果符合已收集的信息，从而获得物料质量和影响因素质检的非线性关系。最后使用已验证的模型及模型参数，预测物料的质量水平。
不同的供应商，不同的物料的质量因素的模型参数差别较大，为了提高预测的准确度，在训练模型时，要求按照不同类型的供应商，不同类别的物料分别进行训练。
本发明采用反向传递的人工神经网络算法作为机器学习的算法对物料质量进行评估，更客观准确的评估物料的质量水平。
附图说明
图1是基于机器学习的物料质量评估流程图。
图2是物料质量影响因素创建的神经网络模型图。
具体实施方式
一种基于机器学习的物料质量评估方法，包括以下步骤：
1)创建物料质量评估模型，选择反向传递的人工神经网络算法，构建反向传统网络模型；
2)将收集的历史样本信息分为训练数据和验证数据两个部分；
3)使用训练数据对模型进行训练，获得模型权重参数和调整因子；使用验证数据对模型训练结果进行测试验证，直到验证结果符合已收集的信息，从而获得物料质量和影响因素质检的非线性关系；
4)使用已验证的模型及模型参数，预测物料的质量水平。
图1是基于机器学习的物料质量评估流程图。
具体如下：
步骤一：对供应商和物料进行分类
目前按照应用需求，将供应商分为一级、二级、三级三种类型，将物料类型分为一次设备、二次设备、通信设备、仪器仪表、装置性材料、辅助设备、金属材料、建筑材料、燃料化工、其他材料。
步骤二：创建质量评估模型
根据日常工作，分析物料质量影响因素如表1所示：
表1
神经网络的隐含层的数量是不确定的，但是个数的多少对神经网络的性能是有影响的，可通过下面的经验公式确定隐含层节点的数量：
其中h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a 为1～10之间的调节常数，取h＝7。
因此根据物料质量影响因素创建的神经网络模型图如图2。图2中，M＝7，隐含层q＝7，L＝2。
步骤三：神经网络训练及验证
根据反向传递神经网络的特点，我们需要依据信号的前向传播和误差的反向传播来构建整个网络。构建网络时，先根据Sigmoid函数设置初始权重等信息，后续根据计算结果不断调整权重等参数，知道最终计算结果和实际结果非常接近为止。
1、初始化网络
输入层到隐含层的权重ωij，隐含层到输出层的权重为ωjk，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk。学习速率为η，激励函数为g(x)。其中激励函数为g(x)取Sigmoid函数。形式为：
2、输入训练样本，计算各层输出
按照供应商的分类，分别收集各类物料的原始数据。抽取大部分数据作为训练数据，留少部门数据作为验证数据。根据物资质量影响因素的各项输入，计算隐含层的各层输出。隐含层输出公式为：
再根据隐含层输出，计算输出层输出，即计算各质量水平指标的值。输出层计算公式为：
3、误差的计算
根据训练样本计算出的质量指标和实际质量指标的数值会存在一定的误差：
其中Yk为期望输出。我们记Yk-Ok＝ek，则E可以表示为
以上公式中，i＝1...n，j＝1...l，k＝1...m。
4、调整各层权值和偏值
为了降低训练结果和实际数值的误差，可以分别调整隐含层到输出的权重和输入层到隐含层的权重和偏值。隐含层到输出层的权重更新公式：
wjk＝wjk+ηHjek
输入层到隐含层的权重更新公式：
隐含层到输出层的偏值更新公式：
bk＝bk+ηek
输入层到隐含层的偏值更新公式：
5、验证模型
通过不断的修正权重和偏值，根据质量因素计算得到的质量水平指标结果，直到该结果和实际质量水平指标数值之间的误差，小于认可的数值时，认为该类型供应商的该类别物料的质量网络模型训练完成。最后再通过验证数据对模型进行验证，直到模型通过验证数据验证。
步骤四：进行质量水平预测
根据收集的最新质量因素信息，利用上述训练成功的网络模型，可分别计算对应类型供应商及物料类型的质量水平指标。
Claims (2)
1.一种基于机器学习的物料质量评估方法，其特征在于该方法包括以下步骤：
1)创建物料质量评估模型，选择反向传递的人工神经网络算法，构建反向传统网络模型；
2)将收集的历史样本信息分为训练数据和验证数据两个部分；
3)使用训练数据对模型进行训练，获得模型权重参数和调整因子；使用验证数据对模型训练结果进行测试验证，直到验证结果符合已收集的信息，从而获得物料质量和影响因素质检的非线性关系；
4)使用已验证的模型及模型参数，预测物料的质量水平。
2.根据权利要求1所述的基于机器学习的物料质量评估方法，其特征在于具体步骤如下：
步骤一：对供应商和物料进行分类
按照应用需求，将供应商分为一级、二级、三级三种类型，将物料类型分为一次设备、二次设备、通信设备、仪器仪表、装置性材料、辅助设备、金属材料、建筑材料、燃料化工、其他材料；
步骤二：创建质量评估模型
根据日常工作，分析物料质量影响因素
神经网络的隐含层的数量是不确定的，但是个数的多少对神经网络的性能是有影响的，可通过下面的经验公式确定隐含层节点的数量：
<mrow>
<mi>h</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mi>n</mi>
</mrow>
</msqrt>
<mo>+</mo>
<mi>a</mi>
</mrow>
其中h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10之间的调节常数，取h＝7；
步骤三：神经网络训练及验证
根据反向传递神经网络的特点，需要依据信号的前向传播和误差的反向传播来构建整个网络；构建网络时，先根据Sigmoid函数设置初始权重信息，后续根据计算结果不断调整权重参数，直到最终计算结果和实际结果非常接近为止；具体如下：
(1)初始化网络
输入层到隐含层的权重ωij，隐含层到输出层的权重为ωjk，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk；学习速率为η，激励函数为g(x)；其中激励函数为g(x)取Sigmoid函数；形式为：
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>x</mi>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
(2)输入训练样本，计算各层输出
按照供应商的分类，分别收集各类物料的原始数据；抽取大部分数据作为训练数据，留少部门数据作为验证数据；根据物资质量影响因素的各项输入，计算隐含层的各层输出；隐含层输出公式为：
<mrow>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
再根据隐含层输出，计算输出层输出，即计算各质量水平指标的值；输出层计算公式为：
<mrow>
<msub>
<mi>O</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<mrow>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
</mrow>
(3)误差的计算
根据训练样本计算出的质量指标和实际质量指标的数值会存在一定的误差：
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>O</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中Yk为期望输出；记Yk-Ok＝ek，则E可以表示为
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>e</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
</mrow>
以上公式中，i＝1…n，j＝1…l，k＝1…m；
(4)调整各层权值和偏值
为了降低训练结果和实际数值的误差，可以分别调整隐含层到输出的权重和输入层到隐含层的权重和偏值；隐含层到输出层的权重更新公式：
wjk＝wjk+ηHjek
输入层到隐含层的权重更新公式：
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
隐含层到输出层的偏值更新公式：
bk＝bk+ηek
输入层到隐含层的偏值更新公式：
<mrow>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&eta;H</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>e</mi>
<mi>k</mi>
</msub>
</mrow>
(5)验证模型
通过不断的修正权重和偏值，根据质量因素计算得到的质量水平指标结果，直到该结果和实际质量水平指标数值之间的误差，小于认可的数值时，认为该类型供应商的该类别物料的质量网络模型训练完成；最后再通过验证数据对模型进行验证，直到模型通过验证数据验证；
步骤四：进行质量水平预测
根据收集的最新质量因素信息，利用上述训练成功的网络模型，分别计算对应类型供应商及物料类型的质量水平指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710788762.6A CN107506938A (zh) | 2017-09-05 | 2017-09-05 | 一种基于机器学习的物料质量评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710788762.6A CN107506938A (zh) | 2017-09-05 | 2017-09-05 | 一种基于机器学习的物料质量评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107506938A true CN107506938A (zh) | 2017-12-22 |
Family
ID=60695906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710788762.6A Pending CN107506938A (zh) | 2017-09-05 | 2017-09-05 | 一种基于机器学习的物料质量评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107506938A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596216A (zh) * | 2018-04-04 | 2018-09-28 | 格薪源生物质燃料有限公司 | 生物质燃料质量检测方法及系统 |
| CN109240929A (zh) * | 2018-09-18 | 2019-01-18 | 百度在线网络技术（北京）有限公司 | 软件质量预测方法、装置、终端和计算机可读存储介质 |
| CN109409751A (zh) * | 2018-10-31 | 2019-03-01 | 深圳绿径科技有限公司 | 一种多供应商产品安全性评估方法 |
| CN109872252A (zh) * | 2019-03-07 | 2019-06-11 | 国网江苏省电力有限公司物资分公司 | 一种基于matlab算法的电力供应商综合评价方法 |
| CN110650046A (zh) * | 2019-09-24 | 2020-01-03 | 北京明略软件系统有限公司 | 网络节点重要性评分模型训练、重要性检测方法及装置 |
| CN110706760A (zh) * | 2019-10-22 | 2020-01-17 | 广东博智林机器人有限公司 | 流质体材料参数优化方法及系统 |
| CN111461481A (zh) * | 2020-02-25 | 2020-07-28 | 国网河南省电力公司电力科学研究院 | 基于神经网络的输电线缆质量分析方法 |
| CN112148620A (zh) * | 2020-10-12 | 2020-12-29 | 中国农业银行股份有限公司 | 一种测试案例生成方法及相关设备 |
| CN112801152A (zh) * | 2021-01-18 | 2021-05-14 | 曹颖 | 一种基于特征元素定量分析的金属材料快速分类检测方法 |
| CN113009077A (zh) * | 2021-02-18 | 2021-06-22 | 南方电网数字电网研究院有限公司 | 气体检测方法、装置、电子设备和存储介质 |
| CN117035559A (zh) * | 2023-10-08 | 2023-11-10 | 国网江苏省电力有限公司电力科学研究院 | 一种电气设备多参量变送器模拟安装评价方法及系统 |
| CN118071110A (zh) * | 2024-04-17 | 2024-05-24 | 山东省信息技术产业发展研究院(中国赛宝(山东)实验室) | 一种基于机器学习的设备参数自适应调整方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19753620C1 (de) * | 1997-12-03 | 1999-10-07 | Bernd Michaelis | Verfahren zur Erkennung von Abweichungen der Oberflächenform von einer vorgegebenen Form durch eine dreidimensionale Meßwerterfassung und eine nachfolgende Verarbeitung mit einem künstlichen neuronalen Netz |
| CN106575246A (zh) * | 2014-06-30 | 2017-04-19 | 亚马逊科技公司 | 机器学习服务 |
| CN106663224A (zh) * | 2014-06-30 | 2017-05-10 | 亚马逊科技公司 | 用于机器学习模型评估的交互式界面 |
-
2017
- 2017-09-05 CN CN201710788762.6A patent/CN107506938A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19753620C1 (de) * | 1997-12-03 | 1999-10-07 | Bernd Michaelis | Verfahren zur Erkennung von Abweichungen der Oberflächenform von einer vorgegebenen Form durch eine dreidimensionale Meßwerterfassung und eine nachfolgende Verarbeitung mit einem künstlichen neuronalen Netz |
| CN106575246A (zh) * | 2014-06-30 | 2017-04-19 | 亚马逊科技公司 | 机器学习服务 |
| CN106663224A (zh) * | 2014-06-30 | 2017-05-10 | 亚马逊科技公司 | 用于机器学习模型评估的交互式界面 |
Non-Patent Citations (2)
| Title |
|---|
| 徐兰: "基于神经网络集成的质量预测模型", 《系统管理学报》 * |
| 温文: "基于改进BP神经网络的产品质量合格率预测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596216A (zh) * | 2018-04-04 | 2018-09-28 | 格薪源生物质燃料有限公司 | 生物质燃料质量检测方法及系统 |
| CN109240929A (zh) * | 2018-09-18 | 2019-01-18 | 百度在线网络技术（北京）有限公司 | 软件质量预测方法、装置、终端和计算机可读存储介质 |
| CN109409751A (zh) * | 2018-10-31 | 2019-03-01 | 深圳绿径科技有限公司 | 一种多供应商产品安全性评估方法 |
| CN109872252A (zh) * | 2019-03-07 | 2019-06-11 | 国网江苏省电力有限公司物资分公司 | 一种基于matlab算法的电力供应商综合评价方法 |
| CN110650046A (zh) * | 2019-09-24 | 2020-01-03 | 北京明略软件系统有限公司 | 网络节点重要性评分模型训练、重要性检测方法及装置 |
| CN110706760B (zh) * | 2019-10-22 | 2022-06-03 | 广东博智林机器人有限公司 | 流质体材料参数优化方法及系统 |
| CN110706760A (zh) * | 2019-10-22 | 2020-01-17 | 广东博智林机器人有限公司 | 流质体材料参数优化方法及系统 |
| CN111461481A (zh) * | 2020-02-25 | 2020-07-28 | 国网河南省电力公司电力科学研究院 | 基于神经网络的输电线缆质量分析方法 |
| CN112148620A (zh) * | 2020-10-12 | 2020-12-29 | 中国农业银行股份有限公司 | 一种测试案例生成方法及相关设备 |
| CN112148620B (zh) * | 2020-10-12 | 2024-04-12 | 中国农业银行股份有限公司 | 一种测试案例生成方法及相关设备 |
| CN112801152A (zh) * | 2021-01-18 | 2021-05-14 | 曹颖 | 一种基于特征元素定量分析的金属材料快速分类检测方法 |
| CN113009077A (zh) * | 2021-02-18 | 2021-06-22 | 南方电网数字电网研究院有限公司 | 气体检测方法、装置、电子设备和存储介质 |
| CN117035559A (zh) * | 2023-10-08 | 2023-11-10 | 国网江苏省电力有限公司电力科学研究院 | 一种电气设备多参量变送器模拟安装评价方法及系统 |
| CN118071110A (zh) * | 2024-04-17 | 2024-05-24 | 山东省信息技术产业发展研究院(中国赛宝(山东)实验室) | 一种基于机器学习的设备参数自适应调整方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107506938A (zh) | 一种基于机器学习的物料质量评估方法 | |
| US11544522B2 (en) | Methods, systems, and computer readable mediums for determining a system state of a power system using a convolutional neural network | |
| CN107765347A (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
| CN103106535B (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
| CN106156809A (zh) | 用于更新分类模型的方法及装置 | |
| CN106157132A (zh) | 信用风险监控系统及方法 | |
| CN106021377A (zh) | 计算机实现的信息处理方法及装置 | |
| CN104835103A (zh) | 基于神经网络和模糊综合评价的移动网络健康评价方法 | |
| CN107797931A (zh) | 一种基于二次评价的软件质量评价方法及系统 | |
| Gadhavi et al. | Student final grade prediction based on linear regression | |
| Önder et al. | Forecasting macroeconomic variables using artificial neural network and traditional smoothing techniques | |
| CN106447075B (zh) | 行业用电需求预测方法与系统 | |
| CN109214581A (zh) | 一种考虑风向和置信区间的铁路沿线风速预测方法 | |
| Bahremand | HESS Opinions: Advocating process modeling and de-emphasizing parameter estimation | |
| Yildirim et al. | A geographic information system‐based model for economical and eco‐friendly high‐speed railway route determination using analytic hierarchy process and least‐cost‐path analysis | |
| CN108460521A (zh) | 审计对象的推荐方法和系统 | |
| CN104077493B (zh) | 一种电力继电保护系统状态评估指标体系的构建方法 | |
| CN105160437A (zh) | 基于极限学习机的负荷模型预测方法 | |
| CN107798431A (zh) | 一种基于改进Elman神经网络的中长期径流预报方法 | |
| CN107545038A (zh) | 一种文本分类方法与设备 | |
| CN108446291A (zh) | 用户信用的实时评分方法及评分系统 | |
| Azimi et al. | Applying basic control theory principles to project control: Case study of off-site construction shops | |
| CN109829627A (zh) | 一种基于集成学习方案的电力系统动态安全置信评估方法 | |
| Wang et al. | Application and improvement of a system dynamics model to forecast the volume of containers | |
| CN105825286A (zh) | 一种武器装备全生命周期费用估算系统及方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 210024 civil defense building, No. 189, Guangzhou Road, Gulou District, Nanjing, Jiangsu Applicant after: Jiangsu Electric Power Information Technology Co., Ltd. Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co. Address before: 210024 civil defense building, No. 189, Guangzhou Road, Gulou District, Nanjing, Jiangsu Applicant before: Jiangsu Electric Power Information Technology Co., Ltd. Applicant before: STATE GRID JIANGSU ELECTRIC POWER COMPANY |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171222 |