CN109190711A - 一种基于深度森林模型的伤口感染电子鼻检测系统 - Google Patents
一种基于深度森林模型的伤口感染电子鼻检测系统 Download PDFInfo
- Publication number
- CN109190711A CN109190711A CN201811089712.XA CN201811089712A CN109190711A CN 109190711 A CN109190711 A CN 109190711A CN 201811089712 A CN201811089712 A CN 201811089712A CN 109190711 A CN109190711 A CN 109190711A
- Authority
- CN
- China
- Prior art keywords
- model
- module
- forest
- wound infection
- depth forest
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于深度森林模型的伤口感染电子鼻检测系统,包括依次连接的信息采集模块、分类识别模块以及结果输出模块;分类识别模块包括多粒度扫描模块、表征向量生成模块以及深度森林模块,系统从深度学习理论出发,有效提高了系统的检测精度,另外,使用决策树集成的深度森林模型,该模型相对容易训练,对超参数依赖低,可以有效缩短训练周期。
Description
技术领域
本发明涉及伤口感染检测技术领域,更具体地说,涉及一种基于深度森林模型的伤口感染电子鼻检测系统。
背景技术
现有的模型检测系统使用了一些经典算法进行数据训练以建立模型,其中以SVM(Support Vector Machine,支持向量机),RBF(径向基函数)神经网络为代表,它们虽然取得了不错的效果,同时也存在着很大的局限性,其中支持向量机比较依赖核函数与参数的选择,RBF神经网络在数据不充分的情况下效果不佳,总之现有模型检测系统的不足主要体现在如下两个方面:现有的模型检测系统在训练过程中使用优化算法寻参,训练周期较长,使得基于该模型检测系统进行伤口感染检测时不够灵活,且在准确率达到一定程度后,分类精度难以继续提升,优化遇到瓶颈,在伤口感染检测时对系统精度要求较高,现有技术存在的误分情况难以满足应用需求。
发明内容
针对现有技术的不足,本发明的目的是提供一种基于深度森林模型的伤口感染电子鼻检测系统。
其具体方案如下:
一种基于深度森林模型的伤口感染电子鼻检测系统,包括依次连接的信息采集模块、分类识别模块以及结果输出模块;
所述信息采集模块通过传感器获取伤口感染的p维特征数据;
所述分类识别模块包括多粒度扫描模块、表征向量生成模块以及深度森林模块,所述多粒度扫描模块用于对所述信息采集模块的p维特征数据进行处理,按照长度为k进行滑动采样,得到S个k维特征子样本;
所述表征向量生成模块包括一个普通随机森林模型和一个完全随机森林模型;针对每一个模型而言,输入一个k维特征子样本,输出一个C维的类别向量;从而得到长度为2S*C维的表征向量;
所述深度森林模块具有N级,每一级包括M个普通随机森林模型和M个完全随机森林模型,针对第一级而言,每个模型的输入为2S*C维的表征向量,输出为C维的类别向量,从而得到2M个C维类别向量;表征向量以及上一级输出得到的2M个C维类别向量拼接作为下一级的输入,最后将第N级输出的2M个C维类别向量针对每个类别求均值,取最大值对应的类别作为伤口感染的病菌类型;
所述结果输出模块用于将伤口感染的病菌类型进行输出;
所述p、S、k、C、M、N均为正整数,且p大于k,并根据应用场景确定。
进一步地,所述信息采集模块包括p1个金属氧化物传感器和p2个电化学传感器,p1+p2=p。
进一步地,每一所述模型中包括多棵决策树,针对每一个模型而言,每一棵决策树输出一个C维类别向量,并针对相应模型对应的决策树输出的C维类别向量求均值得到相应模型对应的C维类别向量。
进一步地,所述多粒度扫描模块按照步长为b进行滑动采样,则:S=(p-k)/b+1。
进一步地,所述k为2,所述b为1。
进一步地,所述分类识别模块中的表征向量生成模块和深度森林模块的模型结构由训练样本训练而得,且利用交叉验证确定所述深度森林模块的级数。
进一步地,在利用交叉验证确定所述深度森林模块的级数时,针对每一森林模型,在训练过程中使用交叉验证进行测试,并利用验证集对深度森林模块输出的结果进行估计,当识别率大于等于预设阈值或无法再增长时,将当前的森林模型作为所述深度森林模块中最后一级的森林模型。
本发明提供的基于深度森林模型的伤口感染电子鼻检测系统,从深度学习理论出发,有效提高了系统的检测精度,另外,使用决策树集成的深度森林模型,该模型相对容易训练,对超参数依赖低,可以有效缩短训练周期。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例提供的基于深度森林模型的伤口感染电子鼻检测系统的结构示意图;
图2为本发明实施例提供的多粒度扫描模块进行多粒度扫描以及表征向量生成模块生成表征向量的示意图;
图3为本发明实施例提供的类别向量的生成示意图;
图4为本发明实施例提供的深度森林模块的级联训练示意图。
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。
请参见图1所示,本实施例提供一种基于深度森林模型的伤口感染电子鼻检测系统,包括依次连接的信息采集模块11、分类识别模块12以及结果输出模块13;其中,信息采集模块11通过传感器获取伤口感染的p维特征数据;分类识别模块12包括多粒度扫描模块121、表征向量生成模块122以及深度森林模块123,多粒度扫描模块121用于对信息采集模块11的p维特征数据进行处理,按照长度为k进行滑动采样,得到S个k维特征子样本,表征向量生成模块122包括一个普通随机森林模型和一个完全随机森林模型;针对每一个模型而言,输入一个k维特征子样本,输出一个C维的类别向量;从而得到长度为2S*C维的表征向量,深度森林模块123具有N级,每一级包括M个普通随机森林模型和M个完全随机森林模型,针对第一级而言,每个模型的输入为2S*C维的表征向量,输出为C维的类别向量,从而得到2M个C维类别向量;表征向量以及上一级输出得到的2M个C维类别向量拼接作为下一级的输入,最后将第N级输出的2M个C维类别向量针对每个类别求均值,取最大值对应的类别作为伤口感染的病菌类型;结果输出模块13用于将伤口感染的病菌类型进行输出;本实施例中的p、S、k、C、M、N均为正整数,且p大于k,并根据应用场景确定。
比如,本实施例中C通常为相应场景下伤口感染的分类类别数,需要说明的是在其他一些实施例中,深度森林模块123中各级森林模型中包含的普通随机森林的数量可以不同,且深度森林模块123中各级森林模型中包含的完全随机森林的数量也可以不同。
本实施例中的信息采集模块11可以包括p1个金属氧化物传感器和p2个电化学传感器,p1+p2=p。
本实施例中的每一森林模型中包括多棵决策树,针对每一个模型而言,每一棵决策树输出一个C维类别向量,并针对相应模型对应的决策树输出的C维类别向量求均值得到相应模型对应的C维类别向量。
应当理解的是,本实施例中的多粒度扫描模块121可以按照步长为b进行滑动采样,则:S=(p-k)/b+1,优选的,本实施例中的k为2,b为1。
优选的,本实施例中的分类识别模块12中的表征向量生成模块122和深度森林模块123的模型结构由训练样本训练而得,且利用交叉验证确定深度森林模块123的级数。
在利用交叉验证确定深度森林模块123的级数时,针对每一森林模型,在训练过程中使用交叉验证进行测试,并利用验证集对深度森林模块123输出的结果进行估计,当识别率大于等于预设阈值或无法再增长时,将当前的森林模型作为深度森林模块123中最后一级的森林模型,这样,深度森林模块123的级数也就确定了。
本实施例中的普通随机森林遵循在一个随机特征子空间中通过gini(基尼)系数来选取分裂节点从而进行分裂的分裂方式,完全随机森林遵循在完整的特征空间中随机选取特征来进行分裂的分裂方式。
为解决过拟合问题,本实施例中在进行数据训练时可以利用n折交叉验证算法对数据进行测试。也即是,在确定模型结构的过程中,输入至模型中的每个样本可以被用作n-1次训练数据,产生n-1个类别向量,对其取平均输出结果,在每一次结果产生时,使用验证集对当前模型做出估计,当识别率无法提高或满足预先设定的阈值则停止训练,否则,将一直训练至预先设定的最大森林级数,模型中自适应的级联参数节省了优化寻参使用的时间,缩短训练周期的同时得到令人满意的精度。
为了更好的进行理解,这里结合一个具体的示例进行说明,本示例中的信息采集模块是一个传感器阵列,由14个金属氧化物传感器与1个电化学传感器组成,本示例中的检测系统通过该传感器阵列对样本伤口进行数据采集,由此可以得到15维的原始样本,本示例中,将室温、湿度环境控制在传感器正常工作的范围内,对大鼠伤口进行采样,共20只大鼠分为4组,每组大鼠伤口感染不同的病原菌,有4种病原菌,信息采集模块对每只大鼠伤口的气体代谢产物进行采样,每个伤口重复采样5次,总共获得一个大小为80*15的特征样本。
本示例中的多粒度扫描模块分别采用大小为1-5的扫描窗口处理原始样本,得到1-5维的特征子样本,表征向量生成模块包括一个普通随机森林和一个完全随机森林,多粒度扫描模块扫描得到的特征子样本输入至一个普通随机森林和一个完全随机森林,请参见图2所示,针对每一个原始样本都可以得到相应的表征向量。
表征向量输入至深度森林模块,假设本示例中深度森林模块中的每一森林模型由两个普通随机森林与两个完全随机森林组成,对于每个森林模型,请参见图3所示,其中加粗部分突出了每个实例遍历到叶节点的路径。叶节点中的不同标记表示了不同的类,生成的类别向量C将与原始特征(即表征向量)相拼接输入至下一级,伤口感染有四类,则四个森林模型每一个都将产生一个四维的类别向量,因此,级联的下一级将接收16个增强特征。增强特征与源输入拼接在一起组成下一级的输入继续训练。
在本示例中,深度森林模块在进行训练时可以使用40折交叉验证,也即是将样本分成40份,其中1份作为测试集,另外39份作为训练集,每个样本都将被用作39次训练数据,产生39个类别向量,对其取平均输出结果,得到结果的同时使用验证集估计,当识别率增长至天花板时停止训练并输出最终模型。基于深度森林的级联森林模型的训练流程示意图如图可以参见图4所示。
基于上面介绍的过程,便可确定出表征向量生成模块和深度森林模块具体的结构模型,在确定好这些结构模型之后,便可利用由这些结构模型组成的检测系统进行伤口的检测。
将本发明涉及参数取不同值时伤口感染电子鼻检测系统的效果进行对比。
当扫描窗口取1-5时,结果如下表一所示:
表一
扫描窗口数 | 1 | 2 | 3 | 4 | 5 |
测试集识别率 | 95 | 98.8 | 96.3 | 96.3 | 96.3 |
训练集识别率 | 96.2 | 98.7 | 96.2 | 97.5 | 97.5 |
应当说明的是,本实施例中的识别率是指正确分类的点的个数与进行分类的点的总个数的比值。
当采样步长取1-5时,结果如下表二所示:
表二
采样步长 | 1 | 2 | 3 | 4 | 5 |
测试集识别率 | 98.8 | 97.5 | 96.3 | 93.8 | 93.8 |
训练集识别率 | 98.7 | 97.5 | 96.2 | 94.9 | 94.9 |
当表征向量生成模块中的每一森林模型中所含的决策树为30-70时,结果如下表三所示:
表三
决策树数量 | 30 | 40 | 50 | 60 | 70 |
测试集识别率 | 98.8 | 96.3 | 96.3 | 95 | 93.8 |
训练集识别率 | 98.7 | 96.2 | 96.2 | 96.2 | 94.9 |
当深度森林模块中的每一森林模型中所含的决策树为100-180时,结果如下表四所示:
表四
决策树数量 | 100 | 120 | 140 | 160 | 180 |
测试集识别率 | 98.8 | 96.3 | 96.3 | 96.3 | 95 |
训练集识别率 | 98.7 | 97.5 | 97.5 | 96.2 | 96.2 |
为了证明本发明所提供的检测系统相对传统检测系统在分类精度上的优秀表现,将深度森林与4种检测系统做了对比,分别是极限学习机(ELM)、径向基神经网络(RBFNN)、支持向量机(SVM)和线性判别分析(LDA),结果如表五所示,基于深度森林模型的伤口感染电子鼻检测系统在分类精度上有明显优势。
表五
系统种类 | 深度森林 | ELM | RBFNN | SVM | LDA |
测试集识别率 | 98.8 | 95 | 93.8 | 95 | 88.75 |
训练集识别率 | 98.7 | 97.5 | 96.2 | 96.2 | 92.4 |
对比SVM、RBFNN、ELM和LDA这些传统类型的检测系统,深度森林在测试集准确率上有显著的提升,证明了利用深度学习理论,
能够突破检测系统的分类精度瓶颈,进一步优化了性能。使用深度森林模型自适应复杂度的特点,该检测系统对参数与数据规模依赖小,训练容易,增加了检测系统在应用过程中的灵活性,为未来面向伤口感染检测提供了一个潜在的研究方向。
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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。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、物品或者装置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(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。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (7)
1.一种基于深度森林模型的伤口感染电子鼻检测系统,其特征在于,包括依次连接的信息采集模块、分类识别模块以及结果输出模块;
所述信息采集模块通过传感器获取伤口感染的p维特征数据;
所述分类识别模块包括多粒度扫描模块、表征向量生成模块以及深度森林模块,所述多粒度扫描模块用于对所述信息采集模块获取的p维特征数据进行处理,按照长度为k进行滑动采样,得到S个k维特征子样本;
所述表征向量生成模块包括一个普通随机森林模型和一个完全随机森林模型;针对每一个模型而言,输入一个k维特征子样本,输出一个C维的类别向量;从而得到长度为2S*C维的表征向量;
所述深度森林模块具有N级,每一级包括M个普通随机森林模型和M个完全随机森林模型,针对第一级而言,每个模型的输入为2S*C维的表征向量,输出为C维的类别向量,从而得到2M个C维类别向量;表征向量以及上一级输出得到的2M个C维类别向量拼接作为下一级的输入,最后将第N级输出的2M个C维类别向量针对每个类别求均值,取最大值对应的类别作为伤口感染的病菌类型;
所述结果输出模块用于将伤口感染的病菌类型进行输出;
所述p、S、k、C、M、N均为正整数,且p大于k,并根据应用场景确定。
2.如权利要求1所述的基于深度森林模型的伤口感染电子鼻检测系统,其特征在于,所述信息采集模块包括p1个金属氧化物传感器和p2个电化学传感器,p1+p2=p。
3.如权利要求1所述的基于深度森林模型的伤口感染电子鼻检测系统,其特征在于,每一所述模型中包括多棵决策树,针对每一个模型而言,每一棵决策树输出一个C维类别向量,并针对相应模型对应的决策树输出的C维类别向量求均值得到相应模型对应的C维类别向量。
4.如权利要求1所述的基于深度森林模型的伤口感染电子鼻检测系统,其特征在于:
所述多粒度扫描模块按照步长为b进行滑动采样,则:S=(p-k)/b+1。
5.根据权利要求4所述的基于深度森林模型的伤口感染电子鼻检测系统,其特征在于,所述k为2,所述b为1。
6.根据权利要求1-5任一项所述的基于深度森林模型的伤口感染电子鼻检测系统,其特征在于,所述分类识别模块中的表征向量生成模块和深度森林模块的模型结构由训练样本训练而得,且利用交叉验证确定所述深度森林模块的级数。
7.如权利要求6所述的基于深度森林模型的伤口感染电子鼻检测系统,其特征在于,在利用交叉验证确定所述深度森林模块的级数时,针对每一森林模型,在训练过程中使用交叉验证进行测试,并利用验证集对深度森林模块输出的结果进行估计,当识别率大于等于预设阈值或无法再增长时,将当前的森林模型作为所述深度森林模块中最后一级的森林模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811089712.XA CN109190711A (zh) | 2018-09-18 | 2018-09-18 | 一种基于深度森林模型的伤口感染电子鼻检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811089712.XA CN109190711A (zh) | 2018-09-18 | 2018-09-18 | 一种基于深度森林模型的伤口感染电子鼻检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109190711A true CN109190711A (zh) | 2019-01-11 |
Family
ID=64908307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811089712.XA Pending CN109190711A (zh) | 2018-09-18 | 2018-09-18 | 一种基于深度森林模型的伤口感染电子鼻检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190711A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523506A (zh) * | 2020-05-07 | 2020-08-11 | 上海伽盒人工智能科技有限公司 | 人工智能伤口评估综合管理系统 |
CN111523508A (zh) * | 2020-05-07 | 2020-08-11 | 上海伽盒人工智能科技有限公司 | 人工智能伤口评估方法及智能终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229550A (zh) * | 2017-12-28 | 2018-06-29 | 南京信息工程大学 | 一种基于多粒度级联森林网络的云图分类方法 |
CN108319855A (zh) * | 2018-02-08 | 2018-07-24 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于深度森林的恶意代码分类方法 |
-
2018
- 2018-09-18 CN CN201811089712.XA patent/CN109190711A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229550A (zh) * | 2017-12-28 | 2018-06-29 | 南京信息工程大学 | 一种基于多粒度级联森林网络的云图分类方法 |
CN108319855A (zh) * | 2018-02-08 | 2018-07-24 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于深度森林的恶意代码分类方法 |
Non-Patent Citations (2)
Title |
---|
ZHI-HUA ZHOU 等: "Deep Forest: Towards an Alternative to Deep Neural Networks", 《PROCEEDINGS OF THE TWENTY-SIXTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE》 * |
吕博 等: "用于伤口感染细菌检测的医用电子鼻研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523506A (zh) * | 2020-05-07 | 2020-08-11 | 上海伽盒人工智能科技有限公司 | 人工智能伤口评估综合管理系统 |
CN111523508A (zh) * | 2020-05-07 | 2020-08-11 | 上海伽盒人工智能科技有限公司 | 人工智能伤口评估方法及智能终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273920A (zh) | 一种基于随机森林的非侵入式家用电器识别方法 | |
CN107798348B (zh) | 基于邻域信息深度学习的高光谱图像分类方法 | |
CN110108992A (zh) | 基于改进随机森林算法的电缆局放故障识别方法、系统及介质 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN107273936A (zh) | 一种gan图像处理方法及系统 | |
CN110414277B (zh) | 基于多特征参数的门级硬件木马检测方法 | |
CN110147911A (zh) | 一种基于内容感知的社交影响力预测模型及预测方法 | |
CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
CN109190711A (zh) | 一种基于深度森林模型的伤口感染电子鼻检测系统 | |
CN113076734A (zh) | 一种项目文本的相似度检测方法及装置 | |
CN110503143A (zh) | 基于意图识别的阈值选取方法、设备、存储介质及装置 | |
CN108919067A (zh) | 一种用于gis局部放电模式的识别方法 | |
CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN114994547B (zh) | 基于深度学习和一致性检测的电池包安全状态评估方法 | |
CN113591924A (zh) | 一种网络诈骗号码检测方法、系统、存储介质及终端设备 | |
CN112580780A (zh) | 模型训练的处理方法、装置、设备和存储介质 | |
CN109766905A (zh) | 基于自组织特征映射网络的目标分群方法 | |
CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
CN113537245A (zh) | 一种基于特征图的神经网络剪枝方法 | |
CN112595918A (zh) | 一种低压集抄故障的检测方法及装置 | |
US20230186091A1 (en) | Method and device for determining task-driven pruning module, and computer readable storage medium | |
CN101614799A (zh) | 应用于电流传感器角差在线监测系统的信号分离择优方法 | |
CN114840591B (zh) | 一种分段开关功率数据的确定方法及装置 | |
CN111126456A (zh) | 神经网络模型的处理方法、装置、设备及存储介质 | |
CN114793170B (zh) | 基于开集识别dns隧道检测方法、系统、设备及终端 |
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: 20190111 |