CN108460152A - 一种数据的多维映射方法、装置及计算机可读存储介质 - Google Patents
一种数据的多维映射方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108460152A CN108460152A CN201810255247.6A CN201810255247A CN108460152A CN 108460152 A CN108460152 A CN 108460152A CN 201810255247 A CN201810255247 A CN 201810255247A CN 108460152 A CN108460152 A CN 108460152A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- space
- filling curve
- multidimensional
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明公开了一种数据的多维映射方法，通过基于物理引擎生成的仿真数据训练多维映射系统中的生成网络，以使所述生成网络的预测能力逐渐增强；然后获取一维传感器数据和条件类别标签，以一维传感器数据和条件类别标签作为生成网络的输入，得到多维传感器数据；之后对多维传感器数据进行多维建模与可视化分析，得到多维传感器数据对应的相关被监测对象信息。本发明还公开了一种数据的多维映射装置及计算机可读存储介质。本方法能够在给定对象的一维传感器数据的情况下重建对象的整个三维外观和结构，以供其他工具软件基于三维模型或可视化图像得到上述对象的故障信息或特性信息，彻底改变了传统的传感器识别模式，克服了传统神经网络的局限性。
Description
技术领域
本发明涉及深度学习技术领域，尤其涉及一种数据的多维映射方法、装置及计算机可读存储介质。
背景技术
随着物联网时代的到来，高维度数据能够提供大量传感器数据信息，其中包含的潜变量更是具有很高的数据价值。然而，由于缺乏适当的分析方法，目前物联网的主要应用还是局限于数据检测与预警，对于如何深度挖掘传感器数据的价值，仍然缺乏有效的方法。一方面，由于物联网使用的是分布式传感器，因此产生的数据基本上以离散形式存在，难以有效利用这些离散的数据来反应在时间和空间维度中都连续的被监测对象的真实情况。另一方面，不同类型的传感器数据难以实现跨通道通信，然而对跨通道传感应用范围需求较为广泛，例如在医疗领域的应用中，癌症的过高热治疗(Hyperthermia)，通过温度传感来预测癌细胞杀伤量；在建筑中，结构检测通过PH值和湿度传感器，来预测腐蚀情况。实现这些仍然非常困难。因此，有必要提出一种数据的多维映射方法，解决一维传感器数据无法提供关于被监测对象的全面且丰富的信息的技术问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种数据的多维映射方法、装置及计算机可读存储介质，旨在解决一维传感器数据无法提供关于被监测对象的全面且丰富的信息的技术问题。
为实现上述目的，本发明提供一种数据的多维映射方法，所述数据的多维映射方法包括以下步骤：
基于物理引擎生成的仿真数据训练多维映射系统中的生成网络；
获取一维传感器数据和条件类别标签，以所述一维传感器数据和条件类别标签作为生成网络的输入，得到多维传感器数据；
对所述多维传感器数据进行多维建模与可视化分析，得到所述多维传感器数据对应的相关被监测对象信息。
优选地，所述基于物理引擎生成的仿真数据训练多维映射系统中的生成网络的步骤包括：
建立多维映射系统数据库，标记所述多维映射数据库中的数据；
构建生成网络，通过多维映射系统数据库中的数据训练所述生成网络。
优选地，所述建立多维映射系统数据库，标记所述多维映射数据库中的数据的步骤包括：
通过物理引擎对被监测设备进行仿真，收集一维传感器数据和多维仿真数；
对所述一维传感器数据和多维仿真数据进行分类与标注，以使每份数据具有唯一与之对应的条件类别标签。
优选地，其特征在于，所述构建生成网络，通过多维映射系统数据库中的数据训练所述生成网络的步骤包括：
以条件类别标签和被监测对象初始状态作为生成网络的输入值，获取生成网络的输出值；
结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，以供判别网络确定所述生成网络的输出值是否符合期望；
将判别网络生成的判别结果反馈给生成网络，不断优化生成网络的相关参数，以使所述生成网络的预测能力逐渐增强。
优选地，其特征在于，所述结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，以供判别网络确定所述生成网络的输出值是否符合期望的步骤包括：
结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，通过第一损失函数判断生成网络输出值的真假，通过第二损失函数判断生成网络输出值的类别，其中，判别网络由第一损失函数和第二损失函数组成；
在所述生成网络输出值为真，且与生成网络输入值的类别一致时，确定所述网络的输出值符合期望。
优选地，所述获取一维传感器数据和条件类别标签，以所述一维传感器数据和条件类别标签作为生成网络的输入，得到多维传感器数据的步骤包括：
在完成对生成网络的训练时，获取一维传感器数据和对应的条件类别标签；
以所述一维传感器数据和对应的条件类别标签作为生成网络的输入值，获取对应的多维传感器数据。
优选地，所述对所述多维传感器数据进行多维建模与可视化分析，得到所述多维传感器数据对应的相关被监测对象信息的步骤包括：
通过工具软件对多维传感器数据进行多维建模与可视化分析；
基于所述多维建模与可视化分析的结果，得到被监测对象的特性信息或故障信息。
优选地，所述多维传感器数据包括二维传感器数据和三维传感器数据。
此外，为实现上述目的，本发明还提供一种数据的多维映射装置，所述数据的多维映射装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的传感器连接程序，所述数据的多维映射程序被所述处理器执行时实现如上述任一项所述的数据的多维映射方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有数据的多维映射程序，所述数据的多维映射程序被处理器执行时实现如上述任一项所述的数据的多维映射方法的步骤。
本发明方案，通过基于物理引擎生成的仿真数据训练多维映射系统中的生成网络，以使所述生成网络的预测能力逐渐增强；然后获取一维传感器数据和条件类别标签，以所述一维传感器数据和条件类别标签作为生成网络的输入，得到多维传感器数据；之后对所述多维传感器数据进行多维建模与可视化分析，得到所述多维传感器数据对应的相关被监测对象信息；本方法继承了生成对抗网络的泛化属性，这意味着生成网络能够在给定对象的一维传感器数据的情况下重建对象的整个三维外观和结构，以供其他工具软件基于三维模型或可视化图像得到上述对象的故障信息或特性信息，彻底改变了传统的传感器识别模式，克服了传统神经网络的局限性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境中数据的多维映射装置所属终端的结构示意图；
图2为本发明数据的多维映射方法第一实施例的流程示意图；
图3为本发明数据的多维映射方法第二实施例中基于物理引擎生成的仿真数据训练多维映射系统中的生成网络，以使所述生成网络的预测能力逐渐增强的步骤的细化流程示意图；
图4为本发明数据的多维映射方法第三实施例中建立多维映射系统数据库的步骤的细化流程示意图；
图5为本发明数据的多维映射方法第四实施例中构建生成网络和判别网络，通过多维映射系统数据库中的数据训练所述生成网络和判别网络的步骤的细化流程示意图；
图6为本发明数据的多维映射方法第五实施例中结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，以供判别网络确定所述生成网络的输出值是否符合期望的步骤的细化流程示意图；
图7为本发明数据的多维映射方法第六实施例中获取一维传感器数据和条件类别标签，以所述一维传感器数据和条件类别标签作为生成网络的输入，得到多维传感器数据的步骤的细化流程示意图；
图8为本发明数据的多维映射方法第七实施例中对所述多维传感器数据进行多维建模与可视化分析，得到所述多维传感器数据对应的相关被监测对象信息的步骤的细化流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的装置所属终端结构示意图。
本发明实施例终端可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面3)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及数据的多维映射程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的数据的多维映射程序。
在本实施例中，数据的多维映射装置包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的数据的多维映射程序，其中，处理器1001调用存储器1005中存储的数据的多维映射程序时，并执行以下操作：
基于物理引擎生成的仿真数据训练多维映射系统中的生成网络；
获取一维传感器数据和条件类别标签，以所述一维传感器数据和条件类别标签作为生成网络的输入，得到多维传感器数据；
对所述多维传感器数据进行多维建模与可视化分析，得到所述多维传感器数据对应的相关被监测对象信息。
进一步地，处理器1001可以调用存储器1005中存储的数据的多维映射程序，还执行以下操作：
建立多维映射系统数据库，标记所述多维映射数据库中的数据；
构建生成网络，通过多维映射系统数据库中的数据训练所述生成网络。
进一步地，处理器1001可以调用存储器1005中存储的数据的多维映射程序，还执行以下操作：
通过物理引擎对被监测设备进行仿真，收集一维传感器数据和多维仿真数；
对所述一维传感器数据和多维仿真数据进行分类与标注，以使每份数据具有唯一与之对应的条件类别标签。
进一步地，处理器1001可以调用存储器1005中存储的数据的多维映射程序，还执行以下操作：
以条件类别标签和被监测对象初始状态作为生成网络的输入值，获取生成网络的输出值；
结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，以供判别网络确定所述生成网络的输出值是否符合期望；
将判别网络生成的判别结果反馈给生成网络，不断优化生成网络的相关参数，以使所述生成网络的预测能力逐渐增强。
进一步地，处理器1001可以调用存储器1005中存储的数据的多维映射程序，还执行以下操作：
结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，通过第一损失函数判断生成网络输出值的真假，通过第二损失函数判断生成网络输出值的类别，其中，判别网络由第一损失函数和第二损失函数组成；
在所述生成网络输出值为真，且与生成网络输入值的类别一致时，确定所述网络的输出值符合期望。
进一步地，处理器1001可以调用存储器1005中存储的数据的多维映射程序，还执行以下操作：
在完成对生成网络的训练时，获取一维传感器数据和对应的条件类别标签；
以所述一维传感器数据和对应的条件类别标签作为生成网络的输入值，获取对应的多维传感器数据。
进一步地，处理器1001可以调用存储器1005中存储的数据的多维映射程序，还执行以下操作：
通过工具软件对多维传感器数据进行多维建模与可视化分析；
基于所述多维建模与可视化分析的结果，得到被监测对象的特性信息或故障信息。
进一步地，处理器1001可以调用存储器1005中存储的数据的多维映射程序，还执行以下操作：
所述多维传感器数据包括二维传感器数据和三维传感器数据。
本发明第一实施例提供一种数据的多维映射方法，参照图2，图2为本发明数据的多维映射方法第一实施例的流程示意图，所述数据的多维映射方法包括：
步骤S1000，基于物理引擎生成的仿真数据训练多维映射系统中的生成网络；
在相关硬件配置满足要求的情况下，物理引擎能够模拟真实世界中物体的运动规律。例如在游戏开发中，可以通过物理引擎使用对象属性来模拟缸体行为，甚至能够支持一些像球形关节、轮子、气缸或者铰链之类复杂的机械装置，或者是一些像流体之类的非刚性物理属性。在本实施例中，能够通过物理引擎模拟出被监测对象的三维仿真数据，如有限元方法FEM(Finite Element Method)，以及目前市面上的各类物理引擎。
生成网络是稀疏型生成对抗网络SS-GAN(Sparsely Sensing GenerativeAdversarial Network)的重要组成部分，这一网络在人工智能领域实现了突破。生成对抗网络GAN(Generative Adversarial Network)主要包括生成网络和判别网络。生成网络的作用是生成接近于真实的图片或者数据来欺骗判别网络，以使判别网络相信生成网络输出的图片或数据是真实的，而判别网络通过训练获得识别生成网络输出的图片或者数据的真实性的能力。在这个过程中，生成网络和判别网络相互对抗，也共同提高进而获得了能力的增强。也就是说，生成网络生成的图片或数据越来越接近于真实的输入值，而判别网络识别虚假图片或数据的能力也逐渐提高。最终的目的是使生成网络输出的图片或者数据达到以假乱真的程度。
步骤S2000，获取一维传感器数据和条件类别标签，以所述一维传感器数据和条件类别标签作为生成网络的输入，得到多维传感器数据；
一维传感器数据较容易获取，只需要在被监测物体上选取少量样本点，并且为上述样本点设置合适类型的传感器，如位移传感器、温度传感器等。同时，样本点还可以选择在容易测量到的位置。例如，在测量一座大桥的整体压力和腐蚀情况时，由于桥梁结构复杂，有的位置难以安装传感器，但是又同时处于连接处或应力集中处，相对于其他形状单一的结构，受到更大的局部应力以及承受到更高可能性的腐蚀和变形危害。因此，有必要及时了解到这类监测点的状态。
除了传统的直接检测方式，本发明提出一种基于深度学习的预测方式。用于将少数一维传感器数据转换成大量高维传感器数据，还可以根据用户的需要转换传感器数据的类型，实现跨通道传感，例如在智能建筑中，利用温度和湿度传感器，来预测应变和应力，进而预测腐蚀，将温度和湿度的传感数据映射到应变和应力通道，进而通过分析应变和应力的传感数据预设腐蚀情况。条件类别标签是当前被监测对象所处环境信息的一种表现形式，例如当前环境的温度或湿度，被监测对象所受载荷的大小，作用位置，以及被监测对象的材料等因素。在训练好的生成网络中输入一维传感器数据和对应的条件类别标签，以供生成网络输出预测结果，该预测结果为三维传感器数据，既包括被监测对象的三维立体结构信息，还包括分布在三维机构中的各个点传感器数据。本方法代替了传统的数学建模，节省了数学建模所花费的大量人工劳动时间，避免了对一些模型的前提假设，通过对传感器网络海量历史数据的学习，提取大量的隐特征(hidden features)，来对覆冰检测、杆塔倾斜、绝缘子污秽等数据进行分析判断。以覆冰检测为例，SS-GAN可以学习拉力参数和倾角传感，通过跨通道感知(cross-modality perception)，来预测覆冰量的真实值。在SS-GAN算法中，神经元数量多达500万个，由于存在大量的神经元，能够提取高维非线性的特征，在覆冰检测的数据处理中，实际应用中作用体现为，提取和区分风载负荷和覆冰负荷、预测线路的非均匀覆冰量，并预测非均匀覆冰量与位置的关系，这些关系特征用传统数学建模方法难以获取的。
步骤S3000，对所述多维传感器数据进行多维建模与可视化分析，得到所述多维传感器数据对应的相关被监测对象信息。
多维建模与可视化的过程就是将获取到的大量多维传感器数据以图形图像的形式表示，建立被监测对象的模型，这一过程可以通过目前市面上各类的建模工具软件来实现。之后，还可以通过数据分析和挖掘工具开发其中的未知信息。例如，可以通过分析桥梁模型得到被监测对象的特许或故障信息。
本实施例中提出的数据的多维映射方法，通过基于物理引擎生成的仿真数据训练多维映射系统中的生成网络，以使所述生成网络的预测能力逐渐增强；然后获取一维传感器数据和条件类别标签，以所述一维传感器数据和条件类别标签作为生成网络的输入，得到多维传感器数据；之后对所述多维传感器数据进行多维建模与可视化分析，得到所述多维传感器数据对应的相关被监测对象信息；本方法继承了生成对抗网络的泛化属性，这意味着生成网络能够在给定对象的一维传感器数据的情况下重建对象的整个三维外观和结构，以供其他工具软件基于三维模型或可视化图像得到上述对象的故障信息或特性信息，彻底改变了传统的传感器识别模式，克服了传统神经网络的局限性。
基于第一实施例，提出本发明数据的多维映射方法的第二实施例，参照图3，步骤S1000包括：
步骤S1100，建立多维映射系统数据库，标记所述多维映射数据库中的数据；
多维映射系统数据库由大量三维仿真数据和一维传感器数据组成，每份数据都有对应的条件类别标签。三维仿真数据是由物理引擎生成的，仿真的对象可以是现实中的任何物体，例如桥梁，建筑，隧道，电力系统，矿山及道路等被监测对象。同时，获取所述被监测对象的一维传感器数据，也就是说，需要同时获取真实的一维传感器数据和虚拟的三维仿真数据，其中，一维传感器数据能够反映出被监测对象的物理特性信息，例如，温度，倾角，湿度，应力等，而三维传感器数据能够反映出被监测对象的结构信息。
步骤S1200，构建生成网络，通过多维映射系统数据库中的数据训练所述生成网络。
生成对抗网络是深度学习的一个分支。深度学习作为目前机器学习的重要领域，在图像识别、语音分析等方向都有着重要应用。深度学习由神经网络演化而来，深度学习本质上是深层的人工神经网络，它不是一项孤立的技术，而是数学、统计机器学习、计算机科学和人工神经网络等多个领域的综合。到目前为止，人们己经针对分类、检测、识别等各类不同的问题设计了多种行之有效的网络结构。其中在很多领域如人脸识别等已经超过了人眼识别的准确率。通俗地讲，深度学习通过在大量的样本中学习有价值的信息，从而得到了对目标分析判断的能力。
构建生成网络时，在生成网络中输入被监测对象的初始状态以及对应的条件类别标签，其中，被监测对象的初始状态是指由传感器测得的一维传感器数据，该一维传感器数据表示了被监测对象与初始状态。生成网络输出的数据为根据一维传感器数据和条件类别标签预测的三维传感器数据。构建判别网络时，以生成网络输出的三维传感器数据作为判别网络的输入，通过与物理引擎生成的三维仿真数据和对应的条件类别标签进行比较，由判别网络的损失函数确定预测信息和真实之间的偏差。如果判别网络无法区分生成网络输出的预测信息和真实值，则输出预测信息为真的判别结果，如果判别网络能够区分出预测信息和真实值之间的差距，则输出预测信息为假的判别结果。判别网络由第一损失函数和第二损失函数组成，其中，第一损失函数用于判断三维传感器数据的真假，第二损失函数用于判断三维传感器数据的类别。
将由传感器测量的一维传感器数据输入至生成网络，在得到生成网络输出的预测信息时，也就是三维传感器数据，将该预测信息和三维仿真数据对作为判别网络的输入，预测信息就是由生成网络对一维传感器数据按照一定规则估算出的预测值。之后由判别网络计算预测信息和三维仿真数据之间的差值，根据该差值来更新判别网络的损失函数中对应的参数。同时，根据上述损失函数更新生成网络的相关参数，以使生成网络的预测能力逐渐增强，也就是输出的预测信息越来越接近于真实的三维数据，达到判别网络无法分辨的程度。
本实施例中提出的数据的多维映射方法，通过建立多维映射系统数据库，标记所述多维映射数据库中的数据；然后构建生成网络，通过多维映射系统数据库中的数据训练所述生成网络。通过大量三维仿真数据和一维传感器数据训练生成对抗网络识别和预测一维传感器数据的能力，能够有效提高生成网络生成三维传感器数据的准确度，节约了大量资源。
基于第二实施例，提出本发明数据的多维映射方法的第三实施例，参照图4，步骤S1100包括：
步骤S1110，通过物理引擎对被监测设备进行仿真，收集一维传感器数据和多维仿真数；
多维映射系统数据库由大量三维仿真数据和一维传感器数据组成，每份数据都有对应的条件类别标签。三维仿真数据是由物理引擎生成的，仿真的对象可以是现实中的任何物体，例如桥梁，建筑，隧道，电力系统，矿山及道路等被监测对象。同时，获取所述被监测对象的一维传感器数据，也就是说，需要同时获取真实的一维传感器数据和虚拟的三维仿真数据，其中，一维传感器数据能够反映出被监测对象的物理特性信息，例如，温度，倾角，湿度，应力等，而三维传感器数据能够反映出被监测对象的结构信息。
步骤S1120，对所述一维传感器数据和多维仿真数据进行分类与标注，以使每份数据具有唯一与之对应的条件类别标签。
每一次测量和仿真过程都可以得到一份一维传感器数据和多维仿真数据，在本实施例中，多维仿真数据一般指三维仿真数据。对于任意一份一维传感器数据和三维仿真数据，可以根据当前环境情况获取到对应的条件类别标签。例如，桥梁，建筑，隧道，电力系统，矿山及道路等，按照不同的被监测对象进行分类并对三维仿真数据进行标注，假设收集到的多维映射系统数据库有600多种被监测对象，分别对每种被监测对象进行标注，设为对象1，对象2等等，则每份数据都具有与之对应的对象类别。
本实施例中提出的数据的多维映射方法，通过物理引擎对被监测设备进行仿真，收集一维传感器数据和多维仿真数据；然后对所述一维传感器数据和多维仿真数据进行分类与标注，以使每份数据具有唯一与之对应的条件类别标签，建立多维映射系统数据库；对数据进行分类与标注，并为每份数据匹配一个条件类别标签，为之后的判别网络做出判别结果提供基础。
基于第二实施例，提出本发明数据的多维映射方法的第四实施例，参照图5，步骤S1200包括：
步骤S1210，以条件类别标签和被监测对象初始状态作为生成网络的输入值，获取生成网络的输出值；
生成对抗网络是深度学习的一个分支。深度学习作为目前机器学习的重要领域，在图像识别、语音分析等方向都有着重要应用。深度学习由神经网络演化而来，深度学习本质上是深层的人工神经网络，它不是一项孤立的技术，而是数学、统计机器学习、计算机科学和人工神经网络等多个领域的综合。到目前为止，人们己经针对分类、检测、识别等各类不同的问题设计了多种行之有效的网络结构。其中在很多领域如人脸识别等已经超过了人眼识别的准确率。通俗地讲，深度学习通过在大量的样本中学习有价值的信息，从而得到了对目标分析判断的能力。
构建生成网络时，在生成网络中输入被监测对象的初始状态以及对应的条件类别标签，其中，被监测对象的初始状态是指由传感器测得的一维传感器数据，该一维传感器数据表示了被监测对象的初始状态。生成网络输出的数据为根据一维传感器数据和条件类别标签预测的三维传感器数据。
步骤S1220，结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，以供判别网络确定所述生成网络的输出值是否符合期望；
构建判别网络时，以生成网络输出的三维传感器数据作为判别网络的输入，通过与物理引擎生成的三维仿真数据和对应的条件类别标签进行比较，由判别网络的损失函数确定预测信息和真实之间的偏差。如果判别网络无法区分生成网络输出的预测信息和真实值，则输出预测信息为真的判别结果，如果判别网络能够区分出预测信息和真实值之间的差距，则输出预测信息为假的判别结果。判别网络由第一损失函数和第二损失函数组成，其中，第一损失函数用于判断三维传感器数据的真假，第二损失函数用于判断三维传感器数据的类别。
步骤S1230，将判别网络生成的判别结果反馈给生成网络，不断优化生成网络的相关参数，以使所述生成网络的预测能力逐渐增强。
将由传感器测量的一维传感器数据输入至生成网络，在得到生成网络输出的预测信息时，也就是三维传感器数据，将该预测信息和三维仿真数据对作为判别网络的输入，预测信息就是由生成网络对一维传感器数据按照一定规则估算出的预测值。之后由判别网络计算预测信息和三维仿真数据之间的差值，根据该差值来更新判别网络的损失函数中对应的参数。同时，根据上述损失函数更新生成网络的相关参数，以使生成网络的预测能力逐渐增强，也就是输出的预测信息越来越接近于真实的三维数据，达到判别网络无法分辨的程度。
本实施例中提出的数据的多维映射方法，通过以条件类别标签和监测系统初始状态作为生成网络的输入值，获取生成网络的输出值；然后结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，以供判别网络确定所述生成网络的输出值是否符合期望；之后将判别网络生成的判别结果反馈给生成网络，不断优化生成网络的相关参数，以使所述生成网络的预测能力逐渐增强；生成对抗网络中的生成网络和判别网络相互博弈，互相训练，不断优化自身的参数，以获得更准确的预测结果和更严格的判别水平。
基于第四实施例，提出本发明数据的多维映射方法的第五实施例，参照图6，步骤S1220包括：
步骤S1221，结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，通过第一损失函数判断生成网络输出值的真假，通过第二损失函数判断生成网络输出值的类别，其中，判别网络由第一损失函数和第二损失函数组成；
生成网络主要由自动编码器和解码器组成，为了便于重建体素网格的内部结构，本发明中的自动编码器在传统的编码器和解码器之间具有跳跃式连接。生成网络由自动编码器和解码器组成。自动编码器包括第一输入层、第一至第四卷积层、激活层、降维层、第一批归一化层、第一至第二全连接层；解码器包括第一至第四反卷积层、激活层、第一输出层，其中每一卷积层都被嵌入至反卷积层。解码器的组成基本上遵循自动编码器的逆过程，包括第一至第四反卷积层加激活层、第一输出层，其中每一卷积层都被嵌入至反卷积层。解码器在获取到合并后的一维向量和第一条件向量时，通过上述第一至第四反卷积层加激活层、第一输出层生成三维传感器数据，从生成网络输出，作为判别网络的输入值之一。
步骤S1222，在所述生成网络输出值为真，且与生成网络输入值的类别一致时，确定所述网络的输出值符合期望。
判别网络有两个输出，一个为判断图片来源的输出，即输出真或假，另一个为判断图片类别的输出，即输出图片属于条件类别标签的概率。
本实施例中提出的数据的多维映射方法，结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，通过第一损失函数判断生成网络输出值的真假，通过第二损失函数判断生成网络输出值的类别，其中，判别网络由第一损失函数和第二损失函数组成；然后在所述生成网络输出值为真，且与生成网络输入值的类别一致时，确定所述网络的输出值符合期望；第一损失函数和第二损失函数组合起来构成了判别网络，不仅对输入的数据真实性做出判断，还能对数据类型是否属于某一条件标签做出判断。
基于第一实施例，提出本发明数据的多维映射方法的第六实施例，参照图7，步骤S2000包括：
步骤S2100，在完成对生成网络的训练时，获取一维传感器数据和对应的条件类别标签；
当生成网络输出的三维传感器数据在一定概率上能够“欺骗”过判别网络，也就是让判别网络分辨不出真实的三维数据和生成网络输出的预测数据之间的差别，从而得出预测数据为真的判别结论。此时的生成网络可以说是训练好的状态。在训练好的生成网络中输入实时测量的一维传感器数据以及对应的条件类别标签。条件类别标签能够对被监测对象的类别进行划分，例如，桥梁，建筑，隧道，电力系统，矿山及道路等，按照不同的被监测对象进行分类并对三维仿真数据进行标注，假设收集到的多维映射系统数据库有600多种被监测对象，分别对每种被监测对象进行标注，设为对象1，对象2等等，则每份数据都具有与之对应的对象类别。一维传感器数据较容易获取，只需要在被监测物体上选取少量样本点，并且为上述样本点设置合适类型的传感器，如位移传感器、温度传感器等。同时，样本点还可以选择在容易测量到的位置。例如，在测量一座大桥的整体压力和腐蚀情况时，由于桥梁结构复杂，有的位置难以安装传感器，但是又同时处于连接处或应力集中处，相对于其他形状单一的结构，受到更大的局部应力以及承受到更高可能性的腐蚀和变形危害。因此，有必要及时了解到这类监测点的状态。
步骤S2200，以所述一维传感器数据和对应的条件类别标签作为生成网络的输入值，获取对应的多维传感器数据。
本发明提出一种基于深度学习的预测方式，用于将少数一维传感器数据转换成大量高维传感器数据，还可以根据用户的需要转换传感器数据的类型，实现跨通道传感，例如在智能建筑中，利用温度和湿度传感器，来预测应变和应力，进而预测腐蚀，将温度和湿度的传感数据映射到应变和应力通道，进而通过分析应变和应力的传感数据预设腐蚀情况。条件类别标签是当前被监测对象所处环境信息的一种表现形式，例如当前环境的温度或湿度，被监测对象所受载荷的大小，作用位置，以及被监测对象的材料等因素。
在训练好的生成网络中输入一维传感器数据和对应的条件类别标签，以供生成网络输出预测结果，该预测结果为三维传感器数据，既包括被监测对象的三维立体结构信息，还包括分布在三维机构中的各个点传感器数据。
本实施例中提出的数据的多维映射方法，通过在完成对生成网络的训练时，获取一维传感器数据和对应的条件类别标签；然后以所述一维传感器数据和对应的条件类别标签作为生成网络的输入值，获取对应的多维传感器数据；在实际应用中主要依靠生成网络产生作用，通过输入一维传感器数据喝条件类别标签从而获得生成网络预测出的三维传感器数据，由于使用的是训练好的生成网络，所以得到的预测数据的准确度能够得到保证。
基于第一实施例，提出本发明数据的多维映射方法的第七实施例，参照图8，步骤S3000包括：
步骤S3100，通过工具软件对多维传感器数据进行多维建模与可视化分析；
多维建模与可视化的过程就是将获取到的大量多维传感器数据以图形图像的形式表示，建立被监测对象的模型，这一过程可以通过目前市面上各类的建模工具软件来实现。
步骤S3200，基于所述多维建模与可视化分析的结果，得到被监测对象的特性信息或故障信息。
之后，还可以通过数据分析和挖掘工具开发其中的未知信息。例如，可以通过分析桥梁模型得到被监测对象的特许或故障信息。
本实施例中提出的数据的多维映射方法，通过工具软件对多维传感器数据进行多维建模与可视化分析；然后基于所述多维建模与可视化分析的结果，得到被监测对象的特性信息或故障信息；可视化分析能够帮助技术人员获取到潜藏在大量数据之中的信息，能够有效发现各类问题，预防事故的发生。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有数据的多维映射程序，所述数据的多维映射程序被处理器执行时实现如下操作：
基于物理引擎生成的仿真数据训练多维映射系统中的生成网络；
获取一维传感器数据和条件类别标签，以所述一维传感器数据和条件类别标签作为生成网络的输入，得到多维传感器数据；
对所述多维传感器数据进行多维建模与可视化分析，得到所述多维传感器数据对应的相关被监测对象信息。
进一步地，所述数据的多维映射程序被处理器执行时还实现如下操作：
建立多维映射系统数据库，标记所述多维映射数据库中的数据；
构建生成网络，通过多维映射系统数据库中的数据训练所述生成网络。
进一步地，所述数据的多维映射程序被处理器执行时还实现如下操作：
通过物理引擎对被监测设备进行仿真，收集一维传感器数据和多维仿真数；
对所述一维传感器数据和多维仿真数据进行分类与标注，以使每份数据具有唯一与之对应的条件类别标签。
进一步地，所述数据的多维映射程序被处理器执行时还实现如下操作：
以条件类别标签和被监测对象初始状态作为生成网络的输入值，获取生成网络的输出值；
结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，以供判别网络确定所述生成网络的输出值是否符合期望；
将判别网络生成的判别结果反馈给生成网络，不断优化生成网络的相关参数，以使所述生成网络的预测能力逐渐增强。
进一步地，所述数据的多维映射程序被处理器执行时还实现如下操作：
结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，通过第一损失函数判断生成网络输出值的真假，通过第二损失函数判断生成网络输出值的类别，其中，判别网络由第一损失函数和第二损失函数组成；
在所述生成网络输出值为真，且与生成网络输入值的类别一致时，确定所述网络的输出值符合期望。
进一步地，所述数据的多维映射程序被处理器执行时还实现如下操作：
在完成对生成网络的训练时，获取一维传感器数据和对应的条件类别标签；
以所述一维传感器数据和对应的条件类别标签作为生成网络的输入值，获取对应的多维传感器数据。
进一步地，所述数据的多维映射程序被处理器执行时还实现如下操作：
通过工具软件对多维传感器数据进行多维建模与可视化分析；
基于所述多维建模与可视化分析的结果，得到被监测对象的特性信息或故障信息。
进一步地，所述数据的多维映射程序被处理器执行时还实现如下操作：
所述多维传感器数据包括二维传感器数据和三维传感器数据。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非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流程变换，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 (10)
1.一种数据的多维映射方法，其特征在于，所述数据的多维映射方法包括以下步骤：
基于物理引擎生成的仿真数据训练多维映射系统中的生成网络；
获取一维传感器数据和条件类别标签，以所述一维传感器数据和条件类别标签作为生成网络的输入，得到多维传感器数据；
对所述多维传感器数据进行多维建模与可视化分析，得到所述多维传感器数据对应的相关被监测对象信息。
2.如权利要求1所述的数据的多维映射方法，其特征在于，所述基于物理引擎生成的仿真数据训练多维映射系统中的生成网络的步骤包括：
建立多维映射系统数据库，标记所述多维映射数据库中的数据；
构建生成网络，通过多维映射系统数据库中的数据训练所述生成网络。
3.如权利要求2所述的数据的多维映射方法，其特征在于，所述建立多维映射系统数据库，标记所述多维映射数据库中的数据的步骤包括：
通过物理引擎对被监测设备进行仿真，收集一维传感器数据和多维仿真数；
对所述一维传感器数据和多维仿真数据进行分类与标注，以使每份数据具有唯一与之对应的条件类别标签。
4.如权利要求2所述的数据的多维映射方法，其特征在于，所述构建生成网络，通过多维映射系统数据库中的数据训练所述生成网络的步骤包括：
以条件类别标签和被监测对象初始状态作为生成网络的输入值，获取生成网络的输出值；
结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，以供判别网络确定所述生成网络的输出值是否符合期望；
将判别网络生成的判别结果反馈给生成网络，不断优化生成网络的相关参数，以使所述生成网络的预测能力逐渐增强。
5.如权利要求4所述的数据的多维映射方法，其特征在于，所述结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，以供判别网络确定所述生成网络的输出值是否符合期望的步骤包括：
结合多维映射系统数据库生成的地面真值，将所述生成网络的输出值作为判别网络的输入值，通过第一损失函数判断生成网络输出值的真假，通过第二损失函数判断生成网络输出值的类别，其中，判别网络由第一损失函数和第二损失函数组成；
在所述生成网络输出值为真，且与生成网络输入值的类别一致时，确定所述网络的输出值符合期望。
6.如权利要求1所述的数据的多维映射方法，其特征在于，所述获取一维传感器数据和条件类别标签，以所述一维传感器数据和条件类别标签作为生成网络的输入，得到多维传感器数据的步骤包括：
在完成对生成网络的训练时，获取一维传感器数据和对应的条件类别标签；
以所述一维传感器数据和对应的条件类别标签作为生成网络的输入值，获取对应的多维传感器数据。
7.如权利要求1所述的数据的多维映射方法，其特征在于，所述对所述多维传感器数据进行多维建模与可视化分析，得到所述多维传感器数据对应的相关被监测对象信息的步骤包括：
通过工具软件对多维传感器数据进行多维建模与可视化分析；
基于所述多维建模与可视化分析的结果，得到被监测对象的特性信息或故障信息。
8.如权利要求1至7任一项所述的数据的多维映射方法，其特征在于，所述多维传感器数据包括二维传感器数据和三维传感器数据。
9.一种数据的多维映射装置，其特征在于，所述数据的多维映射装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的传感器连接程序，所述数据的多维映射程序被所述处理器执行时实现如权利要求1至8中任一项所述的数据的多维映射方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有数据的多维映射程序，所述数据的多维映射程序被处理器执行时实现如权利要求1至8中任一项所述的数据的多维映射方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810255247.6A CN108460152A (zh) | 2018-03-26 | 2018-03-26 | 一种数据的多维映射方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810255247.6A CN108460152A (zh) | 2018-03-26 | 2018-03-26 | 一种数据的多维映射方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108460152A true CN108460152A (zh) | 2018-08-28 |
Family
ID=63237484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810255247.6A Pending CN108460152A (zh) | 2018-03-26 | 2018-03-26 | 一种数据的多维映射方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108460152A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670459A (zh) * | 2018-12-20 | 2019-04-23 | 南京航空航天大学 | 直升机主减速器故障样本生成方法 |
| CN110631792A (zh) * | 2019-10-11 | 2019-12-31 | 东南大学 | 基于卷积神经网络的抗震混合试验模型更新方法 |
| CN111738878A (zh) * | 2020-07-17 | 2020-10-02 | 杭州鲁尔物联科技有限公司 | 一种桥梁应力检测系统 |
| CN111931796A (zh) * | 2019-05-13 | 2020-11-13 | 阿里巴巴集团控股有限公司 | 道路对象数据的标注方法及装置、电子设备和存储介质 |
| CN113825880A (zh) * | 2019-05-13 | 2021-12-21 | 卡特彼勒公司 | 用于液压机器的控制映射 |
| CN114840356A (zh) * | 2022-07-06 | 2022-08-02 | 山东矩阵软件工程股份有限公司 | 一种数据处理方法、数据处理系统及相关装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001075790A2 (en) * | 2000-04-03 | 2001-10-11 | 3-Dimensional Pharmaceuticals, Inc. | Method, system, and computer program product for representing object relationships in a multidimensional space |
| CN104655425A (zh) * | 2015-03-06 | 2015-05-27 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
| JP6101985B2 (ja) * | 2013-01-11 | 2017-03-29 | Kddi株式会社 | プログラム、端末装置およびデータ処理方法 |
| CN107220600A (zh) * | 2017-05-17 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于深度学习的图片生成方法及生成对抗网络 |
| CN107563567A (zh) * | 2017-09-18 | 2018-01-09 | 河海大学 | 基于稀疏自编码的核极限学习机洪水预报方法 |
-
2018
- 2018-03-26 CN CN201810255247.6A patent/CN108460152A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001075790A2 (en) * | 2000-04-03 | 2001-10-11 | 3-Dimensional Pharmaceuticals, Inc. | Method, system, and computer program product for representing object relationships in a multidimensional space |
| JP6101985B2 (ja) * | 2013-01-11 | 2017-03-29 | Kddi株式会社 | プログラム、端末装置およびデータ処理方法 |
| CN104655425A (zh) * | 2015-03-06 | 2015-05-27 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
| CN107220600A (zh) * | 2017-05-17 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于深度学习的图片生成方法及生成对抗网络 |
| CN107563567A (zh) * | 2017-09-18 | 2018-01-09 | 河海大学 | 基于稀疏自编码的核极限学习机洪水预报方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘卫东等: "《可视化与视景仿真技术》", 31 July 2012 * |
| 王金华等: "《数字矿山建设理论与实践》", 30 November 2016 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670459A (zh) * | 2018-12-20 | 2019-04-23 | 南京航空航天大学 | 直升机主减速器故障样本生成方法 |
| CN111931796A (zh) * | 2019-05-13 | 2020-11-13 | 阿里巴巴集团控股有限公司 | 道路对象数据的标注方法及装置、电子设备和存储介质 |
| CN113825880A (zh) * | 2019-05-13 | 2021-12-21 | 卡特彼勒公司 | 用于液压机器的控制映射 |
| CN111931796B (zh) * | 2019-05-13 | 2023-12-22 | 浙江菜鸟供应链管理有限公司 | 道路对象数据的标注方法及装置、电子设备和存储介质 |
| CN110631792A (zh) * | 2019-10-11 | 2019-12-31 | 东南大学 | 基于卷积神经网络的抗震混合试验模型更新方法 |
| CN111738878A (zh) * | 2020-07-17 | 2020-10-02 | 杭州鲁尔物联科技有限公司 | 一种桥梁应力检测系统 |
| CN114840356A (zh) * | 2022-07-06 | 2022-08-02 | 山东矩阵软件工程股份有限公司 | 一种数据处理方法、数据处理系统及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108460152A (zh) | 一种数据的多维映射方法、装置及计算机可读存储介质 | |
| Fang et al. | Learning transportation modes from smartphone sensors based on deep neural network | |
| Movshovitz-Attias et al. | How useful is photo-realistic rendering for visual learning? | |
| CN109919251A (zh) | 一种基于图像的目标检测方法、模型训练的方法及装置 | |
| CN108875708A (zh) | 基于视频的行为分析方法、装置、设备、系统及存储介质 | |
| Viraktamath et al. | Face detection and tracking using OpenCV | |
| CN106919899B (zh) | 基于智能机器人的模仿人脸表情输出的方法和系统 | |
| CN108021131B (zh) | 一种机器人视觉识别方法、装置及计算机可读存储介质 | |
| CN110163054A (zh) | 一种人脸三维图像生成方法和装置 | |
| CN109388807A (zh) | 电子病历命名实体识别的方法、装置及存储介质 | |
| CN105051755A (zh) | 用于姿势识别的部位和状态检测 | |
| CN104933428A (zh) | 一种基于张量描述的人脸识别方法及装置 | |
| US11830138B2 (en) | Predicting secondary motion of multidimentional objects based on local patch features | |
| CN112001110A (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
| CN111210111A (zh) | 一种基于在线学习与众包数据分析的城市环境评估方法和系统 | |
| CN113821720A (zh) | 一种行为预测方法、装置及相关产品 | |
| Choi et al. | Motion recognition technology based remote Taekwondo Poomsae evaluation system | |
| CN109902876A (zh) | 一种确定智能设备移动方向的方法、装置及路径规划系统 | |
| CN109784140A (zh) | 驾驶员属性识别方法及相关产品 | |
| US11915354B2 (en) | Automated GIF generation platform | |
| Man et al. | (Retracted) Digital immersive interactive experience design of museum cultural heritage based on virtual reality technology | |
| Wang et al. | RETRACTED: Image recognition of martial arts movements based on FPGA and image processing | |
| CN114565092A (zh) | 一种神经网络结构确定方法及其装置 | |
| Wang et al. | Temperature forecast based on SVM optimized by PSO algorithm | |
| CN110414202A (zh) | 一种基于ar与深度学习的仿真驾驶模拟方法和系统及设备 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210927 Address after: 100080 s408, 4th floor, building 7, courtyard 10, northwest Wangdong Road, Haidian District, Beijing Applicant after: Beijing shennapus Artificial Intelligence Technology Co.,Ltd. Address before: Room 1102, Newton International A Block, Middle Yangjin Road, Jinshui District, Zhengzhou City, Henan Province, 450000 Applicant before: Wang Zhihua |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180828 |