CN108491376B - 一种基于机器学习的工艺规程编制方法 - Google Patents
一种基于机器学习的工艺规程编制方法 Download PDFInfo
- Publication number
- CN108491376B CN108491376B CN201810176042.9A CN201810176042A CN108491376B CN 108491376 B CN108491376 B CN 108491376B CN 201810176042 A CN201810176042 A CN 201810176042A CN 108491376 B CN108491376 B CN 108491376B
- Authority
- CN
- China
- Prior art keywords
- cluster
- process step
- representing
- steps
- content
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明属于飞机数字化制造技术领域,涉及一种基于机器学习的工艺规程编制方法,包括:处理历史工艺规程数据,以工步为单位对工艺规程内容进行聚类分析,以每个聚类簇为单位对工步的特征进行挑选;历史工艺规程中工步的特征信息进行处理;根据所选取的特征信息对工步采用倒排索引的方式建立相应的索引信息;获取当前用户所编写工步的特征信息,将当前编写的工步特征信息进行处理;采用索引信息将第一步获取的特征按照类别进行相关性计算,并将这些类别的相关性进行线性加权打分,根据最终的打分结果,把得分最高的工步内容推送给用户。本发明能够大幅度缩短工艺规程的编制时间,提高装配工艺规程的编制效率,提高生产效率。
Description
技术领域
本发明属于飞机数字化制造技术领域,涉及一种基于机器学习的工艺规程编制方法。
技术背景
装配工艺规程是一种指导飞机装配的技术文件,是飞机生产制造过程中的重要依据。在传统的装配工艺规程编制模式下,工艺人员需根据个人经验并查找部分历史工艺规程文件,进行工艺规程编写。这种编辑方式不仅耗时长,且受限于工艺员个人经验限制。飞机制造厂虽然有非常丰富的历史积累,却不能很快的将这些历史工艺规程中的内容应用到新型号飞机的工艺规程编制当中。
发明内容
本发明针对当前工艺规程编制时对历史数据利用率较低这一状况,提供一种基于机器学习的装配工艺规程编制方法,是一种根据当前所要编写工步的工步名称、零件配套、工装工具等工步信息以及该工步所在工序的部分属性信息进行工步内容推送的装配工艺规程编制方法。本发明使得历史工艺规程得到充分的利用,加快了工艺规程的编制速度,省去了查找历史工艺规程的这一环节,提高了生产效率。
为了达到上述目的,本发明的技术方案为:
一种基于机器学习的工艺规程编制方法,包括以下步骤:
第一步,对历史工艺规程进行分析
处理历史工艺规程数据,以工步为单位对工艺规程内容进行聚类分析,以每个聚类簇为单位对工步的特征进行挑选。
S1)获取所有工艺规程的工步内容,对工步内的图纸编号、零件编号、零件大小尺寸等信息用不同的代号进行处理。
S2)以工步为单位对工艺规程的内容进行分词、去停用词、去低频高频词等预处理,把工步内容表示为一个一个词的形式;同时采用TF-IDF的方法,分别对每个词,在一个工步出现该词的次数和出现该词的工步数量,模拟出该词在文档中的权重系数,最后把工步内容表示成如下的形式:
x={(c1,w1),(c2,w2),...,(cm,wm)} (1)
其中,x表示一个工步内容,wm表示操作说明中一个词的权重,cm表示工步内容的具体的一个词。
S3)采用余弦相似度的计算方法对不同工步的相似关系进行度量,并根据度量结果进行聚类计算,其中相似度计算方法如下所示:
其中,xi表示表示一个工步内容的空间向量表示,sim(x1,x2)表示工步内容x1与工步x2之间的相似关系。
按照下述步骤对所有的工步内容进行聚类:
a)确定需要生成聚类簇的个数。
b)选择待处理的工步内容的中的任何一个作为聚类簇的初始中心。
c)选择其余待处理的工步内容依次与各个类簇中心,采用公式(2)计算该待测工步内容与该聚类簇的相似性。
d)根据预设的阈值,判断待处理工步内容是否归为此类,并更新该聚类簇的中心点。
e)重复步骤d)至全部的工步内容都计算完毕。
f)初步得出聚类结果,人工对聚类结果进行评价,调节聚类簇个数,进行迭代处理。
g)直至最终聚类的结果大体上能够把相似的工步内容聚到同一个聚类簇为止。
S4)首先人工以每个聚类簇为单位,对聚类簇中的数据进行梳理、观察,初步评判聚类簇中的工步的属性相关,初步挑选出工步的内容;对挑选出的特征进行相关性打分。
采用基于决策树的方法依次对挑选出的特征进行评判,验证挑选出的特证对工步内容的代表性高低,其评判的过程如下:
a)统计各个聚类簇的个数,并根据经验熵的计算方法计算该数据的经验熵,其计算过程如下:
其中,D表示全部的数据量,ck表示每类聚类簇中的个数;
b)以每个特征为视角,统计出在每个聚类簇中,根据特征进行分类后,正确与错误分类结果的个数,并计算出该特征的条件熵,其计算过程如下:
其中,Di表示每个聚类簇,Dik表示在每个聚类簇中利用该特征划分结果正确的个数。
c)计算出每个特征的信息增益,并根据信息增益的大小,对特征进行排序,选取信息增益最大的几个特征,其信息增益的计算方法如下:
g(D,A)=H(D)-H(D|A) (5)
第二步,根据第一步中挑选的工步特征,对历史工艺规程中工步的特征信息进行处理,具体如下:
根据第一步中S4所进行的增益计算,最终挑选出工步名称、所属工序名称、工步零件配套、工装、机型等属性。对这些特征信息进行处理:
a)对于工步名称、所属工序名称:采用同第一步中S2)相同的方法进行处理;
n={(c1,w1),(c2,w2),...,(cm,wm)} (6)
其中,n表示一个工步名称(工步所属工序名称),wm表示操作说明中一个词的权重,cm表示工步名称(工步所属工序名称)的具体的一个词。
b)对于零件配套:类型为零件、装配件的,将图号中的机型信息去掉、构型号去掉,其余部分能够大致表示该件的装配位置。
c)对于工步的其他属性:采用空间向量的表示方法,利用空间向量中的每一维度具体表示一个属性,其表示方式如下:
S=(s1,s2,...,sm) (7)
其中,S表示该工步的属性集合,sm表示该工艺规程中第m个属性值。
第三步,根据第一步所选取的特征信息对工步采用倒排索引的方式建立相应的索引信息。
第四步,获取当前用户所编写工步的特征信息,与第一步中挑选的特征相同,按照第二步的处理方法将当前编写的工步特征信息进行处理。
第五步,采用第三步生成的索引信息将第一步获取的特征按照类别进行相关性计算,并将这些类别的相关性进行线性加权打分,根据最终的打分结果,按照打分的高低进行排序,并把得分最高的N个工步的内容推送给用户。
根据第四步获取的工步属性信息采用倒排索引的方式,获取与其编写的工步属性相关的工步。计算获取的工步与当前所编写工步的相似性,计算相似性方法如下:
a)对于分析工步名称(工步所属工序名称)之间的相似关系,采用如下的计算方法对工步名称(工步所属工序名称)进行分析:
b)对于零件配套的相似度采用以下方法计算
q″ij=ni-j/ni (9)
其中,ni-j表示两个工步配套零件匹配到的数量,ni表示正在编辑的工步配套零件数量。
c)对于工步各个属性的相似关系比较,采用如下计算方法对工艺规程的属性进行分析:
因为判断不同工步内容之间是否能够相互参考,不仅需要工步名称是否相近,同时也需要工步所属站位名称、零件配套、工步属性值是否也相关,所以工步内容推送要根据上述四个方面综合考虑,为此采用线性融合的方法:
s=a*qa+b*qb+c*qc+d*qd (11)
其中,s表示两个工步相关性分数,qa表示工步名称的相似性、qa表示工步所在工序的相似性、qc表示工步配套相似度、qd表示工步属性的相似性,a、b、c、d分别表示这四种相关性的权重因子,采用最大似然估计的方法对权重因子a和b进行估值计算。
通过上述计算,在工艺员编写工步的时候将得分最高的几条数据进行推送,辅助工艺员对工步内容的编写。
本发明的有益效果为:本发明具有效率高、运行稳定等特点,不仅可以充分使用丰富的历史工艺规程资源,而且能够大幅度缩短工艺规程的编制时间,提高装配工艺规程的编制效率,缩短飞机制造过程中工艺准备时间,提高生产效率。
附图说明
图1为历史工艺规程分析步骤。
具体实施方式
以下结合具体实施例对本发明做进一步说明。不同的装配工艺规程由于装配的零件具有一些相似性,所以装配工艺规程之间的内容就具有一定的参考性。
一种基于机器学习的装配工艺规程编制方法,通过五个步骤实现:
第一步,对历史工艺规程进行分析
处理历史工艺规程数据,以工步为单位对工艺规程内容进行聚类分析,以每个聚类簇为单位对工步的特征进行挑选。如图1所示该步骤共分为四个小步骤对历史工艺规程进行分析:
S1)获取所有工艺规程的工步内容,对于工步内的图纸编号、零件编号、零件大小尺寸等信息用不同的代号进行了处理,例如图号用<TD>,零件号用<LD>来表示,具体例子如下所示:
处理后:
S2)以工步为单位对工艺规程的内容进行分词、去停用词、去低频高频词等预处理,把工步内容表示成一个一个词的形式;同时又考虑到不同词在工步内容中的描述中起到的作用是不同的,采用TF-IDF的方法,分别对每个词,在一个工步出现该词的次数和出现该词的工步数量,模拟出该词在文档中的权重系数,最后把工步内容表示公式(1)所示。
S3)采用余弦相似度的计算方法来不同工步的相似关系进行度量,并根据度量结果进行聚类计算,其中相似度计算方法如公式(2)所示:
按照下述步骤对所有的工步内容进行聚类:
a)确定需要生成聚类簇的个数。
b)选择待处理的工步内容的中的任何一个作为聚类簇的初始中心。
c)选择其余待处理的工步内容依次与各个类簇中心,采用公式(2)计算该待测工步内容与该聚类簇的相似性。
d)根据预设的阈值,判断待处理工步内容是否归为此类,并更新该聚类簇的中心点。
e)重复步骤d)至全部的工步内容都计算完毕。
f)初步得出聚类结果,人工对聚类结果进行评价,调节聚类簇个数,进行迭代处理。
g)直至最终聚类的结果大体上能够把相似的工步内容聚到同一个聚类簇为止。
S4)首先人工以每个聚类簇为单位,对聚类簇中的数据进行梳理、观察,初步评判这些聚类簇中的工步的属性相关,初步挑选出工步的内容可能与工步名称、所属工序名称、工步配套零件、工装、机型。
对挑选出的特征进行相关性打分。
为了验证挑选出的特证对工步内容的代表性高低,采用基于决策树的方法依次对挑选出的特征进行评判,其评判的过程如下:
a)首先统计出各个聚类簇的个数,并根据经验熵的计算方法计算出该数据的经验熵,其计算过程如公式(3)所示。
b)然后以每个特征为视角,统计出在每个聚类簇中,根据特征进行分类后,正确与错误分类结果的个数,并计算出该特征的条件熵,其计算过程如公式(4)所示。
c)最后计算出每个特征的信息增益,并根据信息增益的大小,对特征进行排序,选取信息增益最大的几个特征,其信息增益的计算方法如公式(5)所示。
第二步,根据步骤1)中步骤S4)进行的增益计算,最终挑选出工步名称、所属工序名称、工步零件配套、工装、机型等属性。对这些特征信息进行处理:
a)对于工步名称、所属工序名称:采用同步骤1)中S2)相同的方法对工步名称、所属工序名称进行处理,如公式(6)所示。
b)对于零件配套:类型为零件、装配件将图号中的机型信息去掉、构型号去掉,其余部分可大致表示该件的装配位置。
c)对于工步的其他属性:采用空间向量的表示方法,利用空间向量中的每一维度来具体表示一个属性,其表示方式如公式(7)所示.
第三步,根据第一步所选取的特征信息对工步采用倒排索引的方式建立相应的索引信息。
第四步,获取当前用户所编写工步的特征信息,与第一步中挑选的特征相同,按照第二步的处理方将当前编写的工步特征信息进行处理。
第五步,采用第三步生成的索引信息将第一步获取的特征按照类别进行相关性计算,并将这些类别的相关性进行线性加权打分,根据最终的打分结果,按照打分的高低进行排序,并把得分最高的N个工步的内容推送给用户。
根据第四步获取的工步属性信息利用倒排索引的方式,获取与其编写的工步属性相关的工步。计算获取的工步与当前所编写工步的相似性,计算相似性方法如下:
a.对于分析工步名称(工步所属工序名称)之间的相似关系,采用公式(8)的计算方法对工步名称(工步所属工序名称)进行分析。
b.对于零件配套的相似度采用公式(9)计算。
c.对于工步各个属性的相似关系比较,采用公式(10)对工艺规程的属性进行分析。
因为判断不同工步内容之间是否能够相互参考,不仅需要工步名称是否相近,同时也需要工步所属站位名称、零件配套、工步属性值是否也相关,所以工步内容推送要根据上述四个方面综合考虑,为此采用线性融合的方法。
s=a*qa+b*qb+c*qc+d*qd (11)
其中s表示两个工步相相关性分数,qa表示工步名称的相似性、qb表示工步所在工序的相似性、qc表示工步配套相似度、qd表示工步属性的相似性,a、b、c、d分别表示这四种相关性的权重因子,采用最大似然估计的方法对权重因子a和b进行估值计算。
通过上述计算,在工艺员编写工步的时候将得分最高的几条数据进行推送,辅助工艺员对工步内容的编写。
Claims (1)
1.一种基于机器学习的工艺规程编制方法,其特征在于以下步骤:
第一步,对历史工艺规程进行分析
处理历史工艺规程数据,以工步为单位对工艺规程内容进行聚类分析,以每个聚类簇为单位对工步的特征进行挑选;
S1)获取所有工艺规程的工步内容,对工步内的图纸编号、零件编号、零件大小尺寸信息用不同的代号进行处理;
S2)以工步为单位对工艺规程的内容进行预处理,把工步内容表示为一个一个词的形式;并把工步内容表示成如下的形式:
x={(c1,w1),(c2,w2),...,(cm,Wm)} (1)
其中,x表示一个工步内容,wm表示操作说明中一个词的权重,cm表示工步内容的具体的一个词;
S3)采用余弦相似度的计算方法对不同工步的相似关系进行度量,并根据度量结果进行聚类计算,其中相似度计算方法如下所示:
其中,xi表示表示一个工步内容的空间向量表示,sim(x1,x2)表示工步内容x1与工步x2之间的相似关系;
按照下述步骤对所有的工步内容进行聚类:
a)确定需要生成聚类簇的个数;
b)选择待处理的工步内容的中的任何一个作为聚类簇的初始中心;
c)选择其余待处理的工步内容依次与各个类簇中心,采用公式(2)计算该待测工步内容与该聚类簇的相似性;
d)根据预设的阈值,判断待处理工步内容是否归为此类,并更新该聚类簇的中心点;
e)重复步骤d)至计算完全部的工步内容;
f)初步得出聚类结果,人工对聚类结果进行评价,调节聚类簇个数,进行迭代处理;
g)至最终聚类的结果能够把相似的工步内容聚到同一个聚类簇为止;
S4)人工以每个聚类簇为单位,对聚类簇中的数据进行梳理、观察,初步评判聚类簇中的工步的属性相关,初步挑选工步内容,对挑选出的特征进行相关性打分;
采用基于决策树的方法依次对挑选出的特征进行评判,验证挑选出的特证对工步内容的代表性高低,其评判的过程如下:
a)统计各个聚类簇的个数,并根据经验熵的计算方法计算该数据的经验熵,其计算过程如下:
其中,D表示全部的数据量,ck表示每类聚类簇中的个数;
b)以每个特征为视角,统计出在每个聚类簇中,根据特征进行分类后,正确与错误分类结果的个数,并计算该特征的条件熵,其计算过程如下:
其中,Di表示每个聚类簇,Dik表示在每个聚类簇中利用该特征划分结果正确的个数;
c)计算每个特征的信息增益,并根据信息增益的大小,对特征进行排序,选取信息增益最大的几个特征,其信息增益的计算方法如下:
g(D,A)=H(D)-H(D|A) (5)
第二步,根据第一步中挑选的工步特征,对历史工艺规程中工步的特征信息进行处理,具体如下:
a)对于工步名称、所属工序名称:采用同第一步中S2)相同的方法进行处理;
n={(c1,w1),(c2,w2),...,(cm,wm)} (6)
其中,n表示一个工步名称,wm表示操作说明中一个词的权重,cm表示工步名称的具体的一个词;
b)对于零件配套:类型为零件、装配件的,将图号中的机型信息去掉、构型号去掉,其余部分能够表示该件的装配位置;
c)对于工步的其他属性:采用空间向量的表示方法,利用空间向量中的每一维度具体表示一个属性,其表示方式如下:
S=(s1,s2,...,sm) (7)
其中,S表示该工步的属性集合,sm表示该工艺规程中第m个属性值;
第三步,根据第一步所选取的特征信息对工步采用倒排索引的方式建立相应的索引信息;
第四步,获取当前用户所编写工步的特征信息,与第一步中挑选的特征相同,按照第二步的处理方法将当前编写的工步特征信息进行处理;
第五步,采用第三步生成的索引信息将第一步获取的特征按照类别进行相关性计算,并将这些类别的相关性采用线性融合的方法进行线性加权打分,如公式(11)所示,并根据最终的打分结果,把得分最高的N个工步的内容推送给用户;
s=a*qa+b*qb+c*qc+d*qd (11)
其中,s表示两个工步相关性分数;qa表示工步名称的相似性;qb表示工步所在工序的相似性;qc表示工步配套相似度;qd表示工步属性的相似性;a、b、c、d分别表示这四种相关性的权重因子,采用最大似然估计的方法对权重因子a和b进行估值计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810176042.9A CN108491376B (zh) | 2018-03-02 | 2018-03-02 | 一种基于机器学习的工艺规程编制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810176042.9A CN108491376B (zh) | 2018-03-02 | 2018-03-02 | 一种基于机器学习的工艺规程编制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491376A CN108491376A (zh) | 2018-09-04 |
CN108491376B true CN108491376B (zh) | 2021-10-01 |
Family
ID=63341435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810176042.9A Active CN108491376B (zh) | 2018-03-02 | 2018-03-02 | 一种基于机器学习的工艺规程编制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491376B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976208A (zh) * | 2023-07-28 | 2023-10-31 | 沈阳飞机工业(集团)有限公司 | 一种基于机器学习的航空紧固件划分方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101411969A (zh) * | 2008-10-31 | 2009-04-22 | 山东省医学科学院基础医学研究所 | 一种新生牛血清无菌混合工艺 |
JP2010250450A (ja) * | 2009-04-13 | 2010-11-04 | Fujitsu Ltd | データベース・メッセージ分析支援プログラム、方法及び装置 |
CN103473274A (zh) * | 2013-08-22 | 2013-12-25 | 中国电子科技集团公司第三十八研究所 | 一种机加工三维工艺规程卡的构建方法 |
CN103823426A (zh) * | 2013-11-11 | 2014-05-28 | 广东省宜华木业股份有限公司 | 木家具制造工序数字化管理平台的可视化监控显示方法 |
CN104820764A (zh) * | 2015-05-26 | 2015-08-05 | 中国电子科技集团公司第三十八研究所 | 电子装联工艺文件的制作方法和装置 |
CN105224953A (zh) * | 2015-10-09 | 2016-01-06 | 天津大学 | 一种机床零件加工工艺规程中知识提取与演化的方法 |
CN106529028A (zh) * | 2016-11-09 | 2017-03-22 | 北京航空航天大学 | 一种工艺规程的自动生成方法 |
CN106570178A (zh) * | 2016-11-10 | 2017-04-19 | 重庆邮电大学 | 一种基于图聚类的高维文本数据特征选择方法 |
CN107273650A (zh) * | 2017-08-21 | 2017-10-20 | 江南大学 | 基于坐标表示的典型工艺路线提取方法 |
-
2018
- 2018-03-02 CN CN201810176042.9A patent/CN108491376B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101411969A (zh) * | 2008-10-31 | 2009-04-22 | 山东省医学科学院基础医学研究所 | 一种新生牛血清无菌混合工艺 |
JP2010250450A (ja) * | 2009-04-13 | 2010-11-04 | Fujitsu Ltd | データベース・メッセージ分析支援プログラム、方法及び装置 |
CN103473274A (zh) * | 2013-08-22 | 2013-12-25 | 中国电子科技集团公司第三十八研究所 | 一种机加工三维工艺规程卡的构建方法 |
CN103823426A (zh) * | 2013-11-11 | 2014-05-28 | 广东省宜华木业股份有限公司 | 木家具制造工序数字化管理平台的可视化监控显示方法 |
CN104820764A (zh) * | 2015-05-26 | 2015-08-05 | 中国电子科技集团公司第三十八研究所 | 电子装联工艺文件的制作方法和装置 |
CN105224953A (zh) * | 2015-10-09 | 2016-01-06 | 天津大学 | 一种机床零件加工工艺规程中知识提取与演化的方法 |
CN106529028A (zh) * | 2016-11-09 | 2017-03-22 | 北京航空航天大学 | 一种工艺规程的自动生成方法 |
CN106570178A (zh) * | 2016-11-10 | 2017-04-19 | 重庆邮电大学 | 一种基于图聚类的高维文本数据特征选择方法 |
CN107273650A (zh) * | 2017-08-21 | 2017-10-20 | 江南大学 | 基于坐标表示的典型工艺路线提取方法 |
Non-Patent Citations (1)
Title |
---|
汽车零部件派生式工艺设计方法研究与应用;高波;《中国优秀硕士学位论文全文数据库-信息科技辑》;20170315;C035-578 * |
Also Published As
Publication number | Publication date |
---|---|
CN108491376A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110851645B (zh) | 一种基于深度度量学习下相似性保持的图像检索方法 | |
RU2648946C2 (ru) | Способ и устройство распознавания категории объекта изображения | |
CN107729468B (zh) | 基于深度学习的答案抽取方法及系统 | |
EP3311311A1 (en) | Automatic entity resolution with rules detection and generation system | |
CN107679031B (zh) | 基于堆叠降噪自编码机的广告博文识别方法 | |
CN116523320B (zh) | 基于互联网大数据的知识产权风险智能分析方法 | |
CN114093515A (zh) | 一种基于肠道菌群预测模型集成学习的年龄预测方法 | |
Cholewa et al. | Estimation of the number of states for gesture recognition with Hidden Markov Models based on the number of critical points in time sequence | |
CN110825642B (zh) | 一种基于深度学习的软件代码行级缺陷检测方法 | |
CN110781275B (zh) | 基于多特征的问题可回答性判别方法及计算机存储介质 | |
CN114067915A (zh) | 一种基于深度对抗变分自编码器的scRNA-seq数据降维方法 | |
CN108491376B (zh) | 一种基于机器学习的工艺规程编制方法 | |
CN109063983A (zh) | 一种基于社交媒体数据的自然灾害损失实时评估方法 | |
CN109597901B (zh) | 一种基于生物数据的数据分析方法 | |
CN113392191B (zh) | 一种基于多维度语义联合学习的文本匹配方法和装置 | |
CN111816212A (zh) | 基于特征集融合的语音情感识别及评价方法 | |
CN113066528B (zh) | 基于主动半监督图神经网络的蛋白质分类方法 | |
CN112200862B (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN112286799A (zh) | 结合句嵌入和粒子群优化算法的软件缺陷定位方法 | |
CN111708810A (zh) | 模型优化推荐方法、装置和计算机存储介质 | |
CN114098764B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN112738724B (zh) | 一种区域目标人群的精准识别方法、装置、设备和介质 | |
CN115392375A (zh) | 一种多源数据融合度智能评估方法及其系统 | |
CN114218859A (zh) | 一种基于人工神经网络的装配约束智能重建方法 | |
CN111191448A (zh) | 词处理方法、装置、存储介质以及处理器 |
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 |