CN108509990A - 一种时序键值型工业过程数据并行分析方法 - Google Patents
一种时序键值型工业过程数据并行分析方法 Download PDFInfo
- Publication number
- CN108509990A CN108509990A CN201810271199.XA CN201810271199A CN108509990A CN 108509990 A CN108509990 A CN 108509990A CN 201810271199 A CN201810271199 A CN 201810271199A CN 108509990 A CN108509990 A CN 108509990A
- Authority
- CN
- China
- Prior art keywords
- time series
- data
- point
- industrial process
- parallel
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种时序键值型工业过程数据并行分析方法,它包括:S1:获取时序数据;S2:数据预处理;S3:将时序数据并行分割;S4:将分段后所得转折点与对应斜率作为关键数据点,分别建立集合,改进距离度量,基于动态时间弯曲方法,并行计算动态弯曲距离,进行相似性判别,进而分类。本发明取得的有益效果是:能够并行分割时序数据,获得工业过程中关键数据,能够并行计算动态弯曲距离。
Description
技术领域
本发明涉及工业数据分析技术领域,特别是一种时序键值型工业过程数据并行分析方 法。
背景技术
工业制造水平的不断发展,数据呈现爆发式增长,海量传感器用来监控相应组 件的运行状态,传感器收集的频率也越来越快。收集到的时序数据通常较长,具有 高维性,需要进行有效快速的分割,大多数复杂的分割算法都必须考虑时间序列长 度带来的挑战,目前时序数据的分析方法缺少对时间序列趋势特征的考虑。
发明内容
有鉴于现有技术的上述缺陷,本发明的目的就是提供一种时序工业键值型工业数据并 行分析方法,能够并行分割时序数据,并且子时间序列保留了趋势特征,采用分段 聚合的方法对分割后的子序列进行降维,基于欧式距离对时间序列进行分类。
本发明的目的是通过这样的技术方案实现的,一种时序键值型工业过程数据并行分析方法,它包括有:
S1:获取时序数据;
S2:数据预处理;
S3:将时序数据并行分割,获得转折点和对应的斜率,作为关键数据点,并将 关键数据点构建为新的时间序列;
S4:基于动态时间弯曲方法,采用改进距离度量与并行计算弯曲路径矩阵,进 行相似性判别,进而分类。
进一步,所述步骤S2包括有:工业过程采集的数据往往含有大量噪声数据、 异常数据等,所以需要对原始数据进行预处理,具体步骤如下:
S21:对原始数据进行偏差检测,基于专家经验发现噪声点、异常数据点;
S22:采用Savitzky-Golay滤波方法,对噪声点、异常数据进行光滑处理;
进一步,所述步骤S3包括有:通过寻找转折点对原始时序数据进行分割,形 成N段子序列;具体步骤如下:
S301:输入:时间序列T=T1,T2,T3,...,TM;计算时间序列均值:
S302:设初始累计和:S0=0;
S303:设置各点累计和:
S304:设定Smax=max{|Si,i=1,2,…,M},得到输出Ui;
S305:重复以上步骤直至将原时间序列分为N段。
进一步,所述步骤S3还包括有:对分割后的N段子序列进行并行自适应分 割,获取转折点和对应的斜率,具体步骤如下:
S306:输入子序列:Q=Q1,Q2,Q3,…,QJ;设定滑动窗口fit=L;
S307:通过线性回归方法计算窗口内数据点的斜率k1;
S308:滑动窗口移至下一点,计算窗口L+1个点的斜率k2;
S309:|k1-k2|<阈值,则重复步骤S308;
S310:|k1-k2|>阈值,则QL+1则为变化点,并记录对应的斜率k1;
S311:循环执行直到最后一个点;
S312:将获得转折点构建为新的时间序列
通过步骤S301至步骤S311,将原始时间序列分割完成。
进一步,所述步骤S4的具体步骤如下:
S41:工业过程监测中往往关心系统运行现有状态和状态改变后下一个运行状态,其中转折点可以表示现有状态,而斜率可以表示状态的改变,时间序列S、C 为通过S3得到时间序列S=S1,S2,Si,…,SN,其对应的斜率集合K=K1, K2,...,KN;时间序列C=C1,C2,Cj,…,CM,其对应的斜率集合H=H1,H2,…, HM;
S42:定义距离度量d(Si,Cj)=α(Si–Cj)2+β(Ki-Hj)2,其中α=sin2θ,β=cos2θ;θ 属于即距离函数为D(S,C)=αDTW(S,C)+βDTW(K,H);
S43:将时间序列S根据斜率,按照上升或下降进行分段,即Q1,Q2, Qi,…,QN,时间序列C不分;
S44:基于动态时间弯曲方法,根据S42的距离度量函数并行计算,建立距离矩 阵D(Qi,C),其中i=1,2,…,N;
S451:对于D(Q1,C),由于根据边界条件,弯曲路劲第一个点已经确立了,即(1,1),所以可以很快找到最短弯曲路劲;
S452:对于D(Qi,C),根据连续条件的限制,可得到数条满足条件的弯曲路劲, 然后选择最短路径即可;
S453:重复S452,直到最后一个距离矩阵;
S454:将上面得到的弯曲路劲连接起来,得到距离D,进行相似判断,若D<阈 值,则两条时间序列相似,进而聚类;
S46:求θ;
S461:训练模型:给定时间序列长度为W,θ在范围内,且以0.01变化, 采用枚举法,选择错误最小的θ;
S462:训练集对长度为W时间序列进行模型训练,得到多个参数θ,求平均 值,即为最终需要的参数;
S47:根据参数θ可判断时间序列相似性度量中趋势特征所占的比重,参数θ 值也大,趋势特征所占的比重越大。
由于采用了上述技术方案,本发明具有如下的优点:本发明可以对长时间序列 进行并行分割,加快了分割速度,并且较好保留了原始的子时间序列趋势特征,本 发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在 某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者 可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书 和权利要求书来实现和获得。
附图说明
本发明的附图说明如下:
图1为时序键值型工业过程数据并行分析方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例:如图1所示;一种时序键值型工业过程数据并行分析方法,它包括 有:
S1:获取时序数据;
S2:数据预处理;
S3:将时序数据并行分割,获得转折点和对应的斜率,作为关键数据点,并将 关键数据点构建为新的时间序列。
S4:基于动态时间弯曲方法,采用改进距离度量与并行计算弯曲路径矩阵,进 行相似性判别,进而分类,如表1所示。
表1并行计算弯曲路径表
其中S1,S2,S3为时间序列S的子序列,C为时间序列。最短弯曲路径为: 表1中加粗的字体,即(S2,C)=(71,69)为2和3;(S2,C)=(73,73)为5; (S2,C)=(73,75)为4;(S2,C)=(80,79)为35;(S2,C)=(80,80)为 35;(S2,C)=(80,79)为36;(S3,C)=(78,78)为30;(S3,C)=(76,76) 为30以及(S3,C)=(75,76)为31。
工业过程采集的数据往往含有大量噪声数据、异常数据等,所以需要对原始数 据进行预处理,具体步骤如下:
S21:对原始数据进行偏差检测,基于专家经验发现噪声点、异常数据点。
S22:采用Savitzky-Golay滤波方法,对噪声点、异常数据进行光滑处理。
通过寻找转折点对原始时序数据进行分割,形成N段子序列;具体步骤如下:
S301:输入:时间序列T=T1,T2,T3,...,TM;计算时间序列均值:
S302:设初始累计和:S0=0;
S303:设置各点累计和:
S304:设定Smax=max{|Si,i=1,2,…,M},得到输出Ui;
S305:重复以上步骤直至将原时间序列分为N段。
对分割后的N段子序列进行并行自适应分割,获取转折点和对应的斜率,具体 步骤如下:
S306:输入子序列:Q=Q1,Q2,Q3,…,QJ;设定滑动窗口fit=L;
S307:通过线性回归方法计算窗口内数据点的斜率k1;
S308:滑动窗口移至下一点,计算窗口L+1个点的斜率k2;
S309:|k1-k2|<阈值,则重复步骤S208;
S310:|k1-k2|>阈值,则QL+1则为变化点,并记录对应的斜率k1;
S311:循环执行直到最后一个点;
S312:将获得转折点构建为新的时间序列
通过步骤S301至步骤S311,将原始时间序列分割完成。
所述步骤S4的具体步骤如下:
S4:如表1所示并行计算动态弯曲路径,并进行相似化比较,进而分类。
S41:工业过程监测中往往关心系统运行现有状态和状态改变后下一个运行状态,其中转折点可以表示现有状态,而斜率可以表示状态的改变,时间序列S、C 为通过S3得到时间序列S=S1,S2,Si,…,SN,其对应的斜率集合K=K1, K2,...,KN;时间序列C=C1,C2,Cj,…,CM,其对应的斜率集合H=H1,H2,…, HM;
S42:定义距离度量d(Si,Cj)=α(Si–Cj)2+β(Ki-Hj)2,其中α=sin2θ,β=cos2θ;θ 属于即距离函数为D(S,C)=αDTW(S,C)+βDTW(K,H);
S43:将时间序列S根据斜率,按照上升或下降进行分段,即Q1,Q2, Qi,…,QN,时间序列C不分段。
S44:基于动态时间弯曲方法,根据S42的距离度量函数并行计算,建立距离矩 阵D(Qi,C),其中i=1,2,…,N。
S451:对于D(Q1,C),由于根据边界条件,弯曲路劲第一个点已经确立了,即 (1,1),所以可以很快找到最短弯曲路劲。
S452:对于D(Qi,C),根据连续条件的限制,可得到数条满足条件的弯曲路劲, 然后选择最短路径即可。
S453:重复S452,直到最后一个距离矩阵。
S454:将上面得到的弯曲路劲连接起来,得到距离D,进行相似判断,若D< 阈值,则两条时间序列相似,进而聚类。
S46:求θ;
S461:训练模型:给定时间序列长度为W,θ在范围内以0.01变化,采用 枚举法,选择错误最小的θ。
S462:训练集对长度为W时间序列进行模型训练,得到多个参数θ,求平均 值,即为最终需要的参数。
S47:根据参数θ可判断时间序列相似性度量中趋势特征所占的比重,参数θ 值也大,趋势特征所占的比重越大。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照 较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本 发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均 应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种时序键值型工业过程数据并行分析方法,其特征在于,所述方法包括有:
S1:获取时序数据;
S2:数据预处理;
S3:将时序数据并行分割,获得转折点和对应的斜率,作为关键数据点,并将关键数据点构建为新的时间序列;
S4:基于动态时间弯曲方法,采用改进距离度量与并行计算弯曲路径矩阵,进行相似性判别,进而分类。
2.如权利要求1所述的时序键值型工业过程数据并行分析方法,其特征在于,所述步骤S2包括有:工业过程采集的数据往往含有大量噪声数据、异常数据等,所以需要对原始数据进行预处理,具体步骤如下:
S21:对原始数据进行偏差检测,基于专家经验发现噪声点、异常数据点;
S22:采用Savitzky-Golay滤波方法,对噪声点、异常数据进行光滑处理。
3.如权利要求1所述的时序键值型工业过程数据并行分析方法,其特征在于,所述步骤S3包括有:通过寻找转折点对原始时序数据进行分割,形成N段子序列;具体步骤如下:
S301:输入:时间序列T=T1,T2,T3,...,TM;计算时间序列均值:
S302:设初始累计和:S0=0;
S303:设置各点累计和:
S304:设定Smax=max{|Si,i=1,2,…,M},得到输出Ui;
S305:重复以上步骤直至将原时间序列分为N段。
4.如权利要求3所述的时序键值型工业过程数据并行分析方法,其特征在于,所述步骤S3还包括有:对分割后的N段子序列进行并行自适应分割,获取转折点和对应的斜率,具体步骤如下:
S306:输入子序列:Q=Q1,Q2,Q3,…,QJ;设定滑动窗口fit=L;
S307:通过线性回归方法计算窗口内数据点的斜率k1;
S308:滑动窗口移至下一点,计算窗口L+1个点的斜率k2;
S309:|k1-k2|<阈值,则重复步骤S308;
S310:|k1-k2|>阈值,则QL+1则为变化点,并记录对应的斜率k1;
S311:循环执行直到最后一个点;
S312:将获得转折点构建为新的时间序列;
通过步骤S301至步骤S311,将原始时间序列分割完成。
5.如权利要求1所述的时序键值型工业过程数据并行分析方法,其特征在于,所述步骤S4的具体步骤如下:
S41:工业过程监测中往往关心系统运行现有状态和状态改变后下一个运行状态,其中转折点可以表示现有状态,而斜率可以表示状态的改变,时间序列S、C为通过S3得到时间序列S=S1,S2,Si,…,SN,其对应的斜率集合K=K1,K2,...,KN;时间序列C=C1,C2,Cj,…,CM,其对应的斜率集合H=H1,H2,…,HM;
S42:定义距离度量d(Si,Cj)=α(Si–Cj)2+β(Ki-Hj)2,其中α=sin2θ,β=cos2θ;θ属于即距离函数为D(S,C)=αDTW(S,C)+βDTW(K,H);
S43:将时间序列S根据斜率,按照上升或下降进行分段,即Q1,Q2,Qi,…,QN,时间序列C不分段;
S44:基于动态时间弯曲方法,根据S42的距离度量函数并行计算,建立距离矩阵D(Qi,C),其中i=1,2,…,N;
S451:对于D(Q1,C),由于根据边界条件,弯曲路劲第一个点已经确立了,即(1,1),所以可以很快找到最短弯曲路劲;
S452:对于D(Qi,C),根据连续条件的限制,可得到数条满足条件的弯曲路劲,然后选择最短路径即可;
S453:重复S452,直到最后一个距离矩阵;
S454:将上面得到的弯曲路劲连接起来,得到距离D,进行相似判断,若D<阈值,则两条时间序列相似,进而聚类;
S46:求θ;
S461:训练模型:给定时间序列长度为W,θ在范围内以0.01变化,采用枚举法,选择错误最小的θ;
S462:训练集对长度为W时间序列进行模型训练,得到多个参数θ,求平均值,即为最终需要的参数;
S47:根据参数θ可判断时间序列相似性度量中趋势特征所占的比重,参数θ值也大,趋势特征所占的比重越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810271199.XA CN108509990A (zh) | 2018-03-29 | 2018-03-29 | 一种时序键值型工业过程数据并行分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810271199.XA CN108509990A (zh) | 2018-03-29 | 2018-03-29 | 一种时序键值型工业过程数据并行分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108509990A true CN108509990A (zh) | 2018-09-07 |
Family
ID=63379350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810271199.XA Pending CN108509990A (zh) | 2018-03-29 | 2018-03-29 | 一种时序键值型工业过程数据并行分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108509990A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035718A (zh) * | 2020-08-13 | 2020-12-04 | 西安外事学院 | 基于趋势一致性匹配的时间序列分类方法的肉类检测方法 |
CN112445673A (zh) * | 2019-08-30 | 2021-03-05 | 北京国双科技有限公司 | 边缘设备的处理方法及装置、存储介质和处理器 |
CN116775692A (zh) * | 2023-04-21 | 2023-09-19 | 清华大学 | 一种用于时序数据库的分段聚合查询方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101595812A (zh) * | 2009-06-26 | 2009-12-09 | 中国农业科学院农业资源与农业区划研究所 | 一种作物收获指数的获取方法 |
CN102682573A (zh) * | 2012-03-31 | 2012-09-19 | 上海海洋大学 | 一种基于时间序列分析的风暴潮灾害预警系统 |
CN106021653A (zh) * | 2016-05-06 | 2016-10-12 | 华南农业大学 | 一种ndvi时间序列重构的方法及系统 |
CN107092743A (zh) * | 2016-05-05 | 2017-08-25 | 中国石油大学(华东) | 基于规则辅助的高炉冶炼过程数据驱动建模方法 |
CN107169268A (zh) * | 2017-04-20 | 2017-09-15 | 南京航空航天大学 | 一种基于趋势分段相似性的机场噪声监测点异常识别方法 |
CN107506785A (zh) * | 2017-07-13 | 2017-12-22 | 浙江工业大学 | 一种时间序列数据相似性的度量方法 |
-
2018
- 2018-03-29 CN CN201810271199.XA patent/CN108509990A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101595812A (zh) * | 2009-06-26 | 2009-12-09 | 中国农业科学院农业资源与农业区划研究所 | 一种作物收获指数的获取方法 |
CN102682573A (zh) * | 2012-03-31 | 2012-09-19 | 上海海洋大学 | 一种基于时间序列分析的风暴潮灾害预警系统 |
CN107092743A (zh) * | 2016-05-05 | 2017-08-25 | 中国石油大学(华东) | 基于规则辅助的高炉冶炼过程数据驱动建模方法 |
CN106021653A (zh) * | 2016-05-06 | 2016-10-12 | 华南农业大学 | 一种ndvi时间序列重构的方法及系统 |
CN107169268A (zh) * | 2017-04-20 | 2017-09-15 | 南京航空航天大学 | 一种基于趋势分段相似性的机场噪声监测点异常识别方法 |
CN107506785A (zh) * | 2017-07-13 | 2017-12-22 | 浙江工业大学 | 一种时间序列数据相似性的度量方法 |
Non-Patent Citations (5)
Title |
---|
宋锡宁: "面向海量数据灾难恢复的数据摘要技术的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
尹洪: "基于数据驱动的卫星故障诊断关键技术研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
李儒 等: "遥感时间序列数据滤波重建算法发展综述", 《遥感学报》 * |
李海林 等: "分段聚合近似和数值导数的动态时间弯曲方法", 《智能系统学报》 * |
王恩鲁 等: "时间序列植被覆盖度断点检测方法研究", 《地球信息科学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112445673A (zh) * | 2019-08-30 | 2021-03-05 | 北京国双科技有限公司 | 边缘设备的处理方法及装置、存储介质和处理器 |
CN112035718A (zh) * | 2020-08-13 | 2020-12-04 | 西安外事学院 | 基于趋势一致性匹配的时间序列分类方法的肉类检测方法 |
CN112035718B (zh) * | 2020-08-13 | 2023-07-21 | 西安外事学院 | 基于趋势一致性匹配的时间序列分类方法的肉类检测方法 |
CN116775692A (zh) * | 2023-04-21 | 2023-09-19 | 清华大学 | 一种用于时序数据库的分段聚合查询方法及系统 |
CN116775692B (zh) * | 2023-04-21 | 2024-01-30 | 清华大学 | 一种用于时序数据库的分段聚合查询方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160181B (zh) | 一种数控系统指令域序列异常数据检测方法 | |
CN108509990A (zh) | 一种时序键值型工业过程数据并行分析方法 | |
Innocenti et al. | Temporal binary representation for event-based action recognition | |
Kumar et al. | Towards adaptive classification using Riemannian geometry approaches in brain-computer interfaces | |
Gao et al. | Woad: Weakly supervised online action detection in untrimmed videos | |
CN110472649B (zh) | 基于多尺度分析和集成树模型的脑电情感分类方法及系统 | |
CN109934846A (zh) | 基于时间和空间网络的深度集成目标跟踪方法 | |
CN111950393B (zh) | 一种基于边界搜索智能体的时序动作片段分割方法 | |
CN112819802A (zh) | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 | |
CN109712171B (zh) | 一种基于相关滤波器的目标跟踪系统及目标跟踪方法 | |
CN108898076A (zh) | 一种视频行为时间轴定位及候选框提取的方法 | |
CN115481530A (zh) | 一种基于区域划分的煤矿工作面来压预测系统及方法 | |
CN109062951A (zh) | 基于意图分析和对话聚类的对话流程抽取方法、设备及存储介质 | |
Xu et al. | Two-stage temporal modelling framework for video-based depression recognition using graph representation | |
KR20110122748A (ko) | 신호 식별 방법 및 신호 식별 장치 | |
Devi et al. | Improving single-stage object detectors for nighttime pedestrian detection | |
CN113268143B (zh) | 一种基于强化学习的多模态人机交互方法 | |
CN110032585B (zh) | 一种时间序列双层符号化方法及装置 | |
Rossow et al. | Automatic sleep staging using a single-channel EEG modeling by Kalman filter and HMM | |
KR102298709B1 (ko) | 연결성 학습 장치 및 연결성 학습 방법 | |
CN115484456B (zh) | 一种基于语义聚类的视频异常预测方法及装置 | |
CN112085164A (zh) | 一种基于无锚框网络的区域推荐网络提取方法 | |
CN109924974B (zh) | 一种基于EcoG癫痫神经信号的解码方法和云端解码系统 | |
Rivero et al. | Using genetic algorithms and k-nearest neighbour for automatic frequency band selection for signal classification | |
Nakamura et al. | Scalable automatic sleep staging in the era of big data |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180907 |