CN108614887A - 供应链环境下带有噪声的物联网信息处理方法及系统 - Google Patents
供应链环境下带有噪声的物联网信息处理方法及系统 Download PDFInfo
- Publication number
- CN108614887A CN108614887A CN201810416499.2A CN201810416499A CN108614887A CN 108614887 A CN108614887 A CN 108614887A CN 201810416499 A CN201810416499 A CN 201810416499A CN 108614887 A CN108614887 A CN 108614887A
- Authority
- CN
- China
- Prior art keywords
- cur
- new
- potential event
- event schema
- internet
- 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
Links
Landscapes
- Complex Calculations (AREA)
Abstract
本发明实施例涉及一种供应链环境下带有噪声的物联网信息处理方法及系统,该方法包括:S1、添加初始模式到潜在事件模式集中,初始模式只具有有限状态自动机的初始状态,其可靠度值为1;S2、如果从物联网中接收到一个传感器数据,则转到步骤S3;如果数据接收完成,则转到步骤S6;S3、遍历潜在事件模式集中的所有模式cpd;S4、创建一个新的潜在事件模式集;最后用新集合代替旧的集合;S5、返回至步骤S2;S6、遍历潜在事件模式集中的所有模式;S7:选择具有最大可靠度值的潜在事件模式作为输出结果。
Description
技术领域
本发明实施例涉及软件技术领域,具体涉及一种供应链环境下带有噪声的物联网信息处理方法及系统。
背景技术
目前很多供应链采用物联网技术对材料、产品和运载工具进行监控,通过传感器和无线传输技术将物体的状态实时传输给中心控制中心,以此支撑更高层的物联网实时运作管理应用,例如:库存管理、物流管理、回收品管理等。然而,在目前技术条件下收集的原始数据由于收集和传输中的干扰与错误,具有内在不确定性。典型的噪声包括假阳性错误和伪阴性错误。假阳性错误是指当产品未完成某项操作的情况下出现了错误的物联网信息,伪阴性错误是指产品完成了某项操作的情况下未出现或丢失了相关的物联网信息。这些噪声使得系统无法直接从传感器数据中得到物品的运动与变化信息,需要一定的处理技术来提取真实有效的物联网信息。
在以往的研究中,一部分学者设计了一个自适应地滑动窗口选取算法,在窗口内的数据如果发生了中断或偶发情况,就将这些干扰噪声进行过滤。经过清洗的数据被认为是真实的物联网信息并传输给上层应用系统。另一部分学者提出了一个RFID不可靠数据管理系统,并基于隐马尔科夫模型设计了物联网数据流处理方法。他们的方法将传感器网络视为一个随机的信号表达系统,基于一定数量的训练集估计隐马尔科夫模型的状态转移概率和观测概率。同时,他们设计一个高效的蒙特卡洛粒子过滤算法进行的系统状态解码,将解析的状态变迁输出为真实的物联网信息。
然而,在进行发明创造的过程中发明人发现,现有技术存在以下缺陷:
(1)通过滑动平均法处理物联网信息可以从技术上降低噪声对于数据的影响,但是局限于单个传感器数据处理上,没有综合考虑整个无线传感器网络获取的信息整体性与结构性。同时,该方法没有重视物联网中复杂逻辑结构的作用,一般只考虑了时间上线性关系的信息处理,不适用于更为复杂的系统应用中。
(2)通过马尔科夫过程进行信息处理也有自身的局限性,系统对于状态之间的变迁完全通过概率统计获取,没有利用管理者对于模式的经验和知识。同时对于训练集的利用率不高,在较少训练集的情况下检测精度不高。
发明内容
本发明实施例提供了一种供应链环境下带有噪声的物联网信息处理方法及系统,用以解决上述至少一个技术问题。
第一方面,本发明实施例提供一种供应链环境下带有噪声的物联网信息处理方法,包括:
S1、添加初始模式到潜在事件模式集中,初始模式只具有有限状态自动机的初始状态,其可靠度值为1;
S2、如果从物联网中接收到一个传感器数据,则转到步骤S3;如果数据接收完成,则转到步骤S6;
S3、遍历潜在事件模式集中的所有模式cpd;如果cpd可以接收该数据,则创建一个新的潜在事件模式cpnew,cpnew按照状态变迁更新状态变化至qnext;
S4、创建一个新的潜在事件模式集;再次遍历之前的潜在事件模式,如果新集合中没有元素和cpd具有相同的最后一个状态,则将cpd加入到新集合中;如果新集合中有元素和cpd具有相同的最后一个状态但可靠度值比cpd低,则用cpd替代新集合中的元素;最后用新集合代替旧的集合;
S5、返回至步骤S2;
S6、遍历潜在事件模式集中的所有模式;
S7:选择具有最大可靠度值的潜在事件模式作为输出结果。
第二方面,本发明实施例提供一种供应链环境下带有噪声的物联网信息处理系统,包括:
处理单元,用于执行以下步骤:
S1、添加初始模式到潜在事件模式集中,初始模式只具有有限状态自动机的初始状态,其可靠度值为1;
S2、如果从物联网中接收到一个传感器数据,则转到步骤S3;如果数据接收完成,则转到步骤S6;
S3、遍历潜在事件模式集中的所有模式cpd;如果cpd可以接收该数据,则创建一个新的潜在事件模式cpnew,cpnew按照状态变迁更新状态变化至qnext;
S4、创建一个新的潜在事件模式集;再次遍历之前的潜在事件模式,如果新集合中没有元素和cpd具有相同的最后一个状态,则将cpd加入到新集合中;如果新集合中有元素和cpd具有相同的最后一个状态但可靠度值比cpd低,则用cpd替代新集合中的元素;最后用新集合代替旧的集合;
S5、返回至步骤S2;
S6、遍历潜在事件模式集中的所有模式;
S7:选择具有最大可靠度值的潜在事件模式作为输出结果;
输出单元,用于输出所述输出结果。
本发明提出一个可以处理传感器噪声的物联网信息处理方法。基于供应链管理中的运作特点设计基于复杂事件模式的信息处理算法,综合利用多源信息对传感器噪声进行过滤。同时设计一个监督学习模型和基于禁忌搜索的可靠度值算法。该方法可以快速地对原始物联网信息进行处理,满足大数据平台对于信息处理的需求;同时具有较高的训练集利用率和检测准确性。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例提供的供应链环境下复杂事件的示意图;
图2是本发明实施例提供的一种供应链环境下带有噪声的物联网信息处理方法流程图;
图3是本发明实施例提供的一种供应链环境下带有噪声的物联网信息处理系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于潜在事件模式特征提取方法。首先,基于供应链应用要求和物质流的特点,将需要的关键信息简化为一个具有一定逻辑结构的复杂事件,可以满足的逻辑结构包括:并(A∩B)、或(A∪B)、顺序(SEQ(A,B)),在此基础上组合成更为复杂的复杂事件。如图1中的复杂事件表示为SEQ(SEQ(A,B)∩SEQ(C,D),E)。
基于复杂事件的逻辑结构,设计有限状态自动机(Finite-State Machine)来接收所有的信号。从物联网中获取到的数据流将会导致加权不确定自动机中的状态变迁或者状态停留,从而产生多个描述复杂事件可能发生的处理过程的潜在事件模式cpd。对每一个状态变迁定义一个可靠度值矩阵TR(qprevious,qafter),潜在事件模式的可靠度值定义为该模式经历的所有状态变迁的累乘,即Confd=∏Conf(qi-1,qi),q为潜在事件模式d经历的状态变化,如果状态变迁则qi-1≠qi,如果状态停留则qi-1=qi。产生潜在事件模式的过程即为该数据流的特征提取过程。
基于此,本发明的一个实施例提供了一种供应链环境下带有噪声的物联网信息处理方法,如图2所示,包括:
S1、添加初始模式到潜在事件模式集中,初始模式只具有有限状态自动机的初始状态,其可靠度值为1;
S2、如果从物联网中接收到一个传感器数据,则转到步骤S3;如果数据接收完成,则转到步骤S6;
S3、遍历潜在事件模式集中的所有模式cpd;如果cpd可以接收该数据,则创建一个新的潜在事件模式cpnew,cpnew按照状态变迁更新状态变化至qnext;
S4、创建一个新的潜在事件模式集;再次遍历之前的潜在事件模式,如果新集合中没有元素和cpd具有相同的最后一个状态,则将cpd加入到新集合中;如果新集合中有元素和cpd具有相同的最后一个状态但可靠度值比cpd低,则用cpd替代新集合中的元素;最后用新集合代替旧的集合;
S5、返回至步骤S2;
S6、遍历潜在事件模式集中的所有模式;
S7:选择具有最大可靠度值的潜在事件模式作为输出结果。
本发明提出一个可以处理传感器噪声的物联网信息处理方法。基于供应链管理中的运作特点设计基于复杂事件模式的信息处理算法,综合利用多源信息对传感器噪声进行过滤。同时设计一个监督学习模型和基于禁忌搜索的可靠度值算法。该方法可以快速地对原始物联网信息进行处理,满足大数据平台对于信息处理的需求;同时具有较高的训练集利用率和检测准确性。
在具体实施时,步骤S4或步骤S7中的可靠度值的计算过程包括:
步骤1:利用随机值定义初始可靠度值TR0;
步骤2:利用局部搜索算法改进当前可靠度值TRcur;如果TRcur已经满足所有的规则,则返回TRcur作为可靠度值的最优方案;
步骤3:将TRcur加入到局部最优解集中;如果中元素的数量大于一个阈值,则返回中的最优解;
步骤4:随机选择中一个元素利用干摄算法构建创造出新的TRcur,转至所述步骤2。
在具体实施时,所述方法还包括:
步骤5:定义一个解TR′{tr1 tr2 ... * ...},其只有一个可靠度值*和TRcur{tr1tr2 ... trt ...}中相同位置的值不同;
步骤6:搜素所有TRcur满足的规则,得到*的变化范围
步骤7:对于TRcur任一不满足的规则,得到可以满足该规则的*的变化范围如果和有重合的部分,则找到了改进的领域结构,设*为重合部分的一个随机值,TRcur:=TR′,转至所述步骤4;否则,设*为中的一个随机值,TRcur:=TR′,转至所述步骤1。
在具体实施时,所述步骤2中局部搜索算法包括:
步骤21:如果TRcur满足当前所有的规则,则返回最优解TRcur;
步骤22:如果MinSim(TRcur,L)<η且MinSim(TRcur,L)AvgSim(TRcur,L)<1/3,则转至所述步骤1,否则将TRcur加入到L中,其中,L为禁忌表,MinSim(TRcur,L)为TRcur和L中任一元素的最小距离,AvgSim(TR,L)为TRcur和L中所有元素的平均距离,η为第一预设阈值;
步骤23:如果L中的元素数量大于λ,则删除掉最旧的元素,跳转至所述步骤1,其中,λ为第二预设阈值。
在具体实施时,所述步骤4中干摄算法包括:
步骤41:随机选择中的一个解,记为TR′;
步骤42:随机选择一个TR′未满足的规则rulet,随机生成一个满足rulet的新解TR″;
步骤43:对于中的任一元素,如果其绝对优于TR″,则转至所述步骤1;否则,返回TR″作为新的解。
本发明的有益效果如下:
1、本发明主要面向带有噪声的物联网信息处理问题,尤其针对供应链环境下具有复杂事件结构(与、或、顺序)的物体运动与加工过程,设计了一个带有不可靠变迁的不确定有限状态自动机来接收传感器数据。该复杂事件结构和有限状态自动机可以依据实际操作人员的经验进行构建,充分利用了先验的信息处理知识。设计了一个信息处理算法,自动选取出最佳的潜在事件模式来表示物体在供应链中的运动和加工轨迹。算法需要存储空间为该不确定有限状态自动机中的状态数量乘以一个潜在事件模式所占用的空间,处理速度极快,可以在小型机和单片机上完成。
2、本发明在提出了一种改进的禁忌搜索算法进行可靠度计算。构建了一个监督学习模型来优化可靠度值以最小化训练集检测误差,之后将该目标转化为最大化满足规则的过程,简化了本模型的求解过程。在设计改进的禁忌搜索的邻域结构上,本发明根据初始解寻找可以满足更多规则的进化结构,相当于一种梯度下降的寻找策略,保证了在一定循环后可以找到局部最优值。在算法陷入局部最优之后,通过干摄算法将搜索引导到没有搜索过的区域,提升了算法的性能和效果。本发明可以充分利用训练集数据,在较少可用训练集的情况下依然可以取得较好的效果。
基于同样的发明构思,本发明又一实施例提供了一种供应链环境下带有噪声的物联网信息处理系统,如图3所示,包括:
处理单元201,用于执行以下步骤:
S1、添加初始模式到潜在事件模式集中,初始模式只具有有限状态自动机的初始状态,其可靠度值为1;
S2、如果从物联网中接收到一个传感器数据,则转到步骤S3;如果数据接收完成,则转到步骤S6;
S3、遍历潜在事件模式集中的所有模式cpd;如果cpd可以接收该数据,则创建一个新的潜在事件模式cpnew,cpnew按照状态变迁更新状态变化至qnext;
S4、创建一个新的潜在事件模式集;再次遍历之前的潜在事件模式,如果新集合中没有元素和cpd具有相同的最后一个状态,则将cpd加入到新集合中;如果新集合中有元素和cpd具有相同的最后一个状态但可靠度值比cpd低,则用cpd替代新集合中的元素;最后用新集合代替旧的集合;
S5、返回至步骤S2;
S6、遍历潜在事件模式集中的所有模式;
S7:选择具有最大可靠度值的潜在事件模式作为输出结果;
输出单元202,用于输出所述输出结果。
可选地,处理单元201执行步骤S4或步骤S7中的可靠度值的计算过程,可以包括:
步骤1:利用随机值定义初始可靠度值TR0;
步骤2:利用局部搜索算法改进当前可靠度值TRcur;如果TRcur已经满足所有的规则,则返回TRcur作为可靠度值的最优方案;
步骤3:将TRcur加入到局部最优解集中;如果中元素的数量大于一个阈值,则返回中的最优解;
步骤4:随机选择中一个元素利用干摄算法构建创造出新的TRcur,转至所述步骤2。
可选地,处理单元201还可以执行以下步骤:
步骤5:定义一个解TR′{tr1 tr2 ... * ...},其只有一个可靠度值*和TRcur{tr1tr2 ... trt ...}中相同位置的值不同;
步骤6:搜素所有TRcur满足的规则,得到*的变化范围
步骤7:对于TRcur任一不满足的规则,得到可以满足该规则的*的变化范围如果和有重合的部分,则找到了改进的领域结构,设*为重合部分的一个随机值,TRcur:=TR′,转至所述步骤4;否则,设*为中的一个随机值,TRcur:=TR′,转至所述步骤1。
可选地,处理单元201执行所述步骤2中局部搜索算法可以包括:
步骤21:如果TRcur满足当前所有的规则,则返回最优解TRcur;
步骤22:如果MinSim(TRcur,L)<η且MinSim(TRcur,L)AvgSim(TRcur,L)<1/3,则转至所述步骤1,否则将TRcur加入到L中,其中,L为禁忌表,MinSim(TRcur,L)为TRcur和L中任一元素的最小距离,AvgSim(TR,L)为TRcur和L中所有元素的平均距离,η为第一预设阈值;
步骤23:如果L中的元素数量大于λ,则删除掉最旧的元素,跳转至所述步骤1,其中,λ为第二预设阈值。
可选地,处理单元201执行所述步骤4中干摄算法可以包括:
步骤41:随机选择中的一个解,记为TR′;
步骤42:随机选择一个TR′未满足的规则rulet,随机生成一个满足rulet的新解TR″;
步骤43:对于中的任一元素,如果其绝对优于TR″,则转至所述步骤1;否则,返回TR″作为新的解。
由于本实施例所介绍的供应链环境下带有噪声的物联网信息处理系统为可以执行本发明实施例中的供应链环境下带有噪声的物联网信息处理方法的系统,故而基于本发明实施例中所介绍的供应链环境下带有噪声的物联网信息处理的方法,本领域所属技术人员能够了解本实施例的供应链环境下带有噪声的物联网信息处理系统的具体实施方式以及其各种变化形式,所以在此对于该供应链环境下带有噪声的物联网信息处理系统如何实现本发明实施例中的供应链环境下带有噪声的物联网信息处理方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中供应链环境下带有噪声的物联网信息处理方法所采用的系统,都属于本申请所欲保护的范围。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的单独实施例。
Claims (6)
1.一种供应链环境下带有噪声的物联网信息处理方法,其特征在于,包括:
S1、添加初始模式到潜在事件模式集中,初始模式只具有有限状态自动机的初始状态,其可靠度值为1;
S2、如果从物联网中接收到一个传感器数据,则转到步骤S3;如果数据接收完成,则转到步骤S6;
S3、遍历潜在事件模式集中的所有模式cpd;如果cpd可以接收该数据,则创建一个新的潜在事件模式cpnew,cpnew按照状态变迁更新状态变化至qnext;
S4、创建一个新的潜在事件模式集;再次遍历之前的潜在事件模式,如果新集合中没有元素和cpd具有相同的最后一个状态,则将cpd加入到新集合中;如果新集合中有元素和cpd具有相同的最后一个状态但可靠度值比cpd低,则用cpd替代新集合中的元素;最后用新集合代替旧的集合;
S5、返回至步骤S2;
S6、遍历潜在事件模式集中的所有模式;
S7:选择具有最大可靠度值的潜在事件模式作为输出结果。
2.根据权利要求1所述的方法,其特征在于,步骤S4或步骤S7中的可靠度值的计算过程包括:
步骤1:利用随机值定义初始可靠度值TR0;
步骤2:利用局部搜索算法改进当前可靠度值TRcur;如果TRcur已经满足所有的规则,则返回TRcur作为可靠度值的最优方案;
步骤3:将TRcur加入到局部最优解集中;如果中元素的数量大于一个阈值,则返叵中的最优解;
步骤4:随机选择中一个元素利用干摄算法构建创造出新的TRcur,转至所述步骤2。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
步骤5:定义一个解TR′{tr1 tr2 …*…},其只有一个可靠度值*和TRcur{tr1 tr2 …trt…}中相同位置的值不同;
步骤6:搜素所有TRcur满足的规则,得到*的变化范围
步骤7:对于TRcur任一不满足的规则,得到可以满足该规则的*的变化范围如果和有重合的部分,则找到了改进的领域结构,设*为重合部分的一个随机值,TRcur:=TR′,转至所述步骤4;否则,设*为中的一个随机值,TRcur:=TR′,转至所述步骤1。
4.根据权利要求2所述的方法,其特征在于,所述步骤2中局部搜索算法包括:
步骤21:如果TRcur满足当前所有的规则,则返回最优解TRcur;
步骤22:如果MinSim(TRcur,L)<η且MinSim(TRcur,L)/AvgSim(TRcur,L)<1/3,则转至所述步骤1,否则将TRcur加入到L中,其中,L为禁忌表,MinSim(TRcur,L)为TRcur和L中任一元素的最小距离,AvgSim(TR,L)为TRcur和L中所有元素的平均距离,η为第一预设阈值;
步骤23:如果L中的元素数量大于λ,则删除掉最旧的元素,跳转至所述步骤1,其中,λ为第二预设阈值。
5.根据权利要求2所述的方法,其特征在于,所述步骤4中干摄算法包括:
步骤41:随机选择中的一个解,记为TR′;
步骤42:随机选择一个TR′未满足的规则rulet,随机生成一个满足rulet的新解TR″;
步骤43:对于中的任一元素,如果其绝对优于TR″,则转至所述步骤1;否则,返回TR″作为新的解。
6.一种供应链环境下带有噪声的物联网信息处理系统,其特征在于,包括:
处理单元,用于执行以下步骤:
S1、添加初始模式到潜在事件模式集中,初始模式只具有有限状态自动机的初始状态,其可靠度值为1;
S2、如果从物联网中接收到一个传感器数据,则转到步骤S3;如果数据接收完成,则转到步骤S6;
S3、遍历潜在事件模式集中的所有模式cpd;如果cpd可以接收该数据,则创建一个新的潜在事件模式cpnew,cpnew按照状态变迁更新状态变化至qnext;
S4、创建一个新的潜在事件模式集;再次遍历之前的潜在事件模式,如果新集合中没有元素和cpd具有相同的最后一个状态,则将cpd加入到新集合中;如果新集合中有元素和cpd具有相同的最后一个状态但可靠度值比cpd低,则用cpd替代新集合中的元素;最后用新集合代替旧的集合;
S5、返回至步骤S2;
S6、遍历潜在事件模式集中的所有模式;
S7:选择具有最大可靠度值的潜在事件模式作为输出结果;
输出单元,用于输出所述输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810416499.2A CN108614887B (zh) | 2018-05-03 | 2018-05-03 | 供应链环境下带有噪声的物联网信息处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810416499.2A CN108614887B (zh) | 2018-05-03 | 2018-05-03 | 供应链环境下带有噪声的物联网信息处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108614887A true CN108614887A (zh) | 2018-10-02 |
CN108614887B CN108614887B (zh) | 2021-05-18 |
Family
ID=63661859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810416499.2A Active CN108614887B (zh) | 2018-05-03 | 2018-05-03 | 供应链环境下带有噪声的物联网信息处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108614887B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6601051B1 (en) * | 1993-08-09 | 2003-07-29 | Maryland Technology Corporation | Neural systems with range reducers and/or extenders |
CN102404167A (zh) * | 2011-11-03 | 2012-04-04 | 清华大学 | 基于变量依赖的并行扩展有限状态机的协议测试生成方法 |
CN104713408A (zh) * | 2015-03-13 | 2015-06-17 | 芜湖凯博实业股份有限公司 | 冷却塔噪声监测系统及其方法 |
CN104921702A (zh) * | 2013-03-15 | 2015-09-23 | 飞比特公司 | 用于操作多模式传感器装置及相关联设备的方法 |
CN105764162A (zh) * | 2016-05-10 | 2016-07-13 | 江苏大学 | 一种基于多属性关联的无线传感器网络异常事件检测方法 |
CN107169532A (zh) * | 2017-06-14 | 2017-09-15 | 北京航空航天大学 | 一种基于小波分析和半监督学习的车联网油耗数据质量评估方法 |
US20180042531A1 (en) * | 2012-10-30 | 2018-02-15 | Abbott Diabetes Care Inc. | Sensitivity Calibration of In Vivo Sensors Used to Measure Analyte Concentration |
-
2018
- 2018-05-03 CN CN201810416499.2A patent/CN108614887B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6601051B1 (en) * | 1993-08-09 | 2003-07-29 | Maryland Technology Corporation | Neural systems with range reducers and/or extenders |
CN102404167A (zh) * | 2011-11-03 | 2012-04-04 | 清华大学 | 基于变量依赖的并行扩展有限状态机的协议测试生成方法 |
US20180042531A1 (en) * | 2012-10-30 | 2018-02-15 | Abbott Diabetes Care Inc. | Sensitivity Calibration of In Vivo Sensors Used to Measure Analyte Concentration |
CN104921702A (zh) * | 2013-03-15 | 2015-09-23 | 飞比特公司 | 用于操作多模式传感器装置及相关联设备的方法 |
CN104713408A (zh) * | 2015-03-13 | 2015-06-17 | 芜湖凯博实业股份有限公司 | 冷却塔噪声监测系统及其方法 |
CN105764162A (zh) * | 2016-05-10 | 2016-07-13 | 江苏大学 | 一种基于多属性关联的无线传感器网络异常事件检测方法 |
CN107169532A (zh) * | 2017-06-14 | 2017-09-15 | 北京航空航天大学 | 一种基于小波分析和半监督学习的车联网油耗数据质量评估方法 |
Non-Patent Citations (2)
Title |
---|
HAO CHENG 等: "A Cutting Problem with Production Sequence and Material Yard", 《2ND INTERNATIONAL CONFERENCE ON ADVANCED EDUCATION TECHNOLOGY AND MANAGEMENT SCIENCE(AETMS 2014)》 * |
杨天吉 等: "物联网环境下面向闭环供应链的库存管理问题研究", 《中国博士学位论文全文数据库 经济与管理科学辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108614887B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sadeghian et al. | Sophie: An attentive gan for predicting paths compliant to social and physical constraints | |
Izza et al. | On explaining random forests with SAT | |
Lv et al. | Generative adversarial networks for parallel transportation systems | |
Hasanbeig et al. | DeepSynth: Automata synthesis for automatic task segmentation in deep reinforcement learning | |
CN103746961B (zh) | 一种网络攻击场景的因果知识挖掘方法、装置及服务器 | |
CN109146921A (zh) | 一种基于深度学习的行人目标跟踪方法 | |
CN106844194A (zh) | 一种多层次软件故障诊断专家系统的构建方法 | |
Laskey et al. | Hypothesis management in situation-specific network construction | |
CN103119607A (zh) | 根据视频的人的活动确定的优化 | |
CN109671102A (zh) | 一种基于深度特征融合卷积神经网络的综合式目标跟踪方法 | |
CN108182446A (zh) | 一种基于聚类算法的司机常驻地预测方法及装置 | |
CN106846361A (zh) | 基于直觉模糊随机森林的目标跟踪方法及装置 | |
CN103366365A (zh) | 基于人工免疫多目标聚类的sar图像变化检测方法 | |
CN106874963A (zh) | 一种基于大数据技术的配电网故障诊断方法及系统 | |
CN115830075A (zh) | 一种面向行人多目标跟踪的分级关联匹配方法 | |
Sukthankar et al. | Activity recognition for dynamic multi-agent teams | |
CN112561383A (zh) | 一种基于生成对抗网络的实时异常检测方法 | |
CN108093213B (zh) | 一种基于视频监控的目标轨迹模糊数据融合方法 | |
CN106055718B (zh) | 一种针对机器人自主学习的输出内容过滤方法及机器人 | |
CN113276852A (zh) | 一种基于最大熵强化学习框架的无人驾驶车道保持方法 | |
Shi et al. | Automatic clustering for unsupervised risk diagnosis of vehicle driving for smart road | |
CN117077041B (zh) | 基于物联网的智慧社区管理方法及系统 | |
CN108614887A (zh) | 供应链环境下带有噪声的物联网信息处理方法及系统 | |
CN106610640A (zh) | 针对多目标柔性作业车间调度的含禁忌表的遗传与局部搜索算法 | |
CN106294485A (zh) | 确定显著地点的方法及装置 |
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 |