CN109210268A - 一种基于超低功率电磁阀的大数据处理方法 - Google Patents
一种基于超低功率电磁阀的大数据处理方法 Download PDFInfo
- Publication number
- CN109210268A CN109210268A CN201811220819.3A CN201811220819A CN109210268A CN 109210268 A CN109210268 A CN 109210268A CN 201811220819 A CN201811220819 A CN 201811220819A CN 109210268 A CN109210268 A CN 109210268A
- Authority
- CN
- China
- Prior art keywords
- subset
- algorithm
- data
- slfcm
- cluster
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
-
- 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)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于超低功率电磁阀的大数据处理方法,本发明通过在Apache Spark框架实现了迭代优化模糊c均值算法以实现快速准确地处理电磁阀测得的数据的目的。模糊聚类算法作为无监督机器学习的主要技术之一,是用模糊理论对重要数据分析和建模的方法,建立了样本类属的不确定性描述,能比较客观地反映现实世界,它已经有效地应用在大规模数据分析、数据挖掘、矢量量化、图像分割、模式识别等领域,具有重要的理论与实际应用价值,随着应用的深入发展,模糊聚类算法的研究不断丰富。
Description
技术领域
本发明涉及大数据处理算法领域,具体地说是一种基于超低功率电磁阀的大数据处理方法。
背景技术
随着城市化的推进,城市水网愈加发达,同时出现了不少问题。据研究表明自来水在输送过程中损失的水量高达30%,说明城市水网管道有很多部位发生泄漏,而在管道发生泄漏之后,那么必定会有一部分的杂质进入管道中,会对水质造成严重影响。近年来,随着经济的快速发展人们的生活方式发生了翻天覆地的变化,人们的健康意识也得到了显著增强,对生活饮用水的关注度越来越高了。为了解决这一问题,研制出了一种新型电磁阀,这种超低功率的新型电磁阀是以脉冲宽度调试技术为基础的低功耗电磁阀。通过PWM技术将输入电压的振幅转换成宽度一定的脉冲,再通过调节占空比来降低电路所需的功率,从而降低电磁阀所需功率,所以只需电池为电路供电即可,不需要大规模供电系统。
通过在电磁阀内部安装的不同类型的传感器来采集各种所需的信息。通过液体流量计来测量当前状态下水管中液体的流速;通过液体成分检测传感器来检测当前状态下水质情况。通过传感器传回的信息分析出水路管网中的漏水情况以及当前状态下的水质情况。
但是在实际应用过程中会出现很多的问题,由于小区水路管网中的电磁阀要覆盖整个小区,电磁阀内部传感器所测得数据是十分庞大的,那么当所测得数据通过无线传输网络传回中央系统后,如何快速准确地处理这些数据将会成为推广这种新型电磁阀的技术桎梏。
发明内容
为了解决这一问题,找到了了一种基于分割的聚类算法,称为可扩展随机采样,通过在Apache Spark框架实现了迭代优化模糊c均值算法(SRSIO-FCM)以实现快速准确地处理电磁阀测得的数据的目的。模糊聚类算法作为无监督机器学习的主要技术之一,是用模 糊理论对重要数据分析和建模的方法,建立了样本类属的不确定性描述,能比较客观地反映现实世界,它已经有效地应用在大规模数据分析、数据挖掘、矢量量化、图像分割、模式识别等领域,具有重要的理论与实际应用价值,随着应用的深入发展,模糊聚类算法的研究不断丰富。Apache Spark是一种开源的并行处理框架,Spark针对迭代算法和交互式数据分析进行了优化,对同一组数据执行循环操作,Apache Spark比Hadoop Mapreduce等传统框架的执行速度快了将近100倍。
本发明方法的步骤包括:
步骤1:通过电磁阀内部传感器采集信息
通过在电磁阀内部安装的不同类型的传感器来采集各种所需的信息。通过液体流量计来测量当前状态下水管中液体的流速;通过压力传感器来检测当前状态下水管中的压力;通过液体成分检测传感器来检测当前状态下水质情况。通过传感器传回的信息分析出水路管网中的漏水情况以及当前状态下的水质情况。
步骤2:将安装在各个节点电磁阀内部的不同传感器所测量的数据生成不同的数据集合,例如将不同电磁阀内的液体流量计在不同时刻测量的数据生成一个数据集合;将压力传感器所测量的数据也生成一个数据集合。可以用集合X表示某个传感器所采集数据的集合,将数据集合X随机划分为n个大小相同的数据子集X={x1,x2,x3…xn}。
其中每个子集满足以下条件:
从这n个数据子集中随机选取c个初始聚类中心,并且用
V={v1 v2 … vc}表示初始聚类中心的集合;
其中每个子集满足以下条件:
其中,xi是数据点,vj是聚类中心,n是样本总数,c是聚类中心数目;
步骤3:通过SLFCM算法来计算每个样本点对所有类中心的隶属度
输入:X,V,c,m
输出:V′
SLFCM算法的具体步骤如下:
Step1:使用公式(2)计算不同子集的数据点对聚类中心的隶属度;
Step2:汇总隶属度,检查约束:
Step3:利用公式(4)计算聚类集合的成员信息I′:
Step4::计算聚类中心V′;
Step5:如果if||V′-V||<ε,则停止程序,否则回到Step1;
Step6:输出V′,I′。
其中,uij表示xi相对于vj的隶属度;U=[uij]n×c是由数据点xi对每个聚类中心vj的隶属度构成的分区矩阵;I′表示聚类的成员信息;m是对聚类结果有显着影响的模糊化参数;
ε表示一个预定义的常数,被用作停止标准。
步骤4:将熵权法和原有的SLFCM算法相结合形成EW-SLFCM算法
信息熵是用于度量信息量的一个概念。一个系统越是有序,信息熵就越低;反之,一个系统越是混乱,信息熵就越高。熵权法是基于样本数据来计算权重的一种算法。
通过将熵权法和原有的SLFCM算法相结合。在用SLFCM算法进行聚类分析的过程中,在计算隶属度函数时,需要计算输入样本X和聚类中心V之间的欧氏距离;将熵权法和原有的SLFCM算法相结合的改进之处在于,用熵权法来计算得到各个属性的权重,建立权重矩阵,进而把权重矩阵引入欧氏距离之中,把欧氏距离换为加权欧氏距离,进而计算新的聚类中心,再根据新旧聚类中心的差值是否小于阈值判断是否停止迭代。
步骤5:通过SRSIO-FCM算法进行分类的目的。
在SRSIO-FCM算法中,先将数据集合X划分成相同大小的子集,其中每个子集中的数据点是从子集中随机选择的。第一个子集的初始聚类中心是随机选择的,对第一个子集聚类,计算聚类中心V1和成员信息I′1;将V1作为第二个子集的聚类输入,然后找到第二个子集的聚类中心V2和成员信息I′2;但是不会将V2作为第三个子集的输入,而是将I′1和I′2组合起来,使用公式(4)来计算出新的聚类中心,然后将新聚类中心作为输入传送到第三个子集;所有后续子集都遵循此过程,将第i-1个子集的输出I′i-1和第i个子集的输出I′i结合起来,作为第i+1个子集的输入。其中,I′1表示第一个子集的成员信息,I′2表示第二个子集的成员信息,I′i表示第i个子集的成员信息。
其中,SRSIO-FCM算法的具体步骤如下
Step1:将X加载为随机选择的子集X={x1 x2 … xc};
Step2:从X更换为x1;
Step3:V′,I′=EW-SLFCM(x1,V,c,m);V′,I′=SLFCM(x1,V,c,m)
Step4:对于从p=2到p=n,
(4.1):
V′,I′=EW-SLFCM(xp,V,c,m);V′,I′=SLFCM(xp,V,c,m);
(4.2):合并所有处理子集的分区,
I′=I′∪I (6)
(4.4):使用I′计算V′;
结束;
Step5:使用公式(1)计算目标函数,其中公式(1)如下:
Step6:输出:V′,I′;
步骤6:在Apache spark框架上对优化好的X数据集合进行处理
Apache Spark是一个开源的并行处理框架,Spark针对迭代算法和交互式数据分析进行优化,对同一组数据执行循环操作。Spark集群由两个主要组件组成:Master和Worker。群集中的每台机器都称为节点,主节点将作业分配给从节点,集群中可以有任意数量的从节点,但是只有一个主节点。数据可以存储在HDFS或本地机器中。作业是从HDFS/本地机器读取一些数据,主节点上的驱动程序进程通过Spark Engine运行此作业。
通过在Apache spark框架上,将已经由SRSIO-FCM算法分类的数据集合X进行处理,从而达到处理数据的目的,得到在小区水路管网中所需要的信息,例如水路管网中是否出现漏水情况,在水路管网中何处出现漏水以及在当前状态下小区水路管网中的水质情况。
有益效果:
1.通过将熵权法和原有的SLFCM算法相结合形成EW-SLFCM算法,可以提高了聚类准确率,提高聚类结果的紧凑率,改善了聚类结果。
2.RSIO-FCM算法克服了重叠聚类中心的问题,它没有考虑到通过提供前一子集的聚类结果来产生的偏差,从而使当前子集聚类,由此导致在当前子集聚类期间的迭代次数突然增加。而SRISO-FCM算法克服这一问题,因为这种算法使用所有处理子集的组合成员信息获得的聚类中心用于当前子集的聚类,利用更宽样本空间的隶属度信息所获得的聚类中心将避免使用高度偏离的聚类对当前子集进行聚类的问题。除此之外,还通过对当前子集进行聚类来减少迭代次数,从而更快地收敛。
3.MapReduce框架因其简单性,通用性和成熟性而被广泛使用。但是,MapReduce在迭代算法上表现不佳。而Apache Spark框架比Hadoop MapReduce快100倍,并且非常适合迭代算法,支持内存计算,同时保留了MapReduce的可扩展性,容错性。
附图说明
图1.Apache Spark的组件;
图2.通过Apache Spark运行作业;
图3.SRSIO-FCM算法的工作流程;
图4.新型电磁阀在小区水路管网下的工作步骤。
具体实施方式
如图4所示,本发明适用于处理小区水路管网中超低功耗电磁阀所采集的信息。当电磁阀所测得的各种数据通过无线传输网络将传送到中央系统之后,通过SRSIO-FCM算法对传回的数据进行处理之后,将优化后的数据集群在Apache Spark框架上进一步处理,从而分析出当前的水质、当前管道内的流速以及小区居民是否有异常用水情况和异常用水时间。
以下为具体步骤:
步骤1:通过电磁阀内部传感器采集信息
在小区的水路管网中的节点中安装新型电磁阀,这种新型电磁阀内部安装有液体流量计、压力传感器、液体成分检测传感器等传感器以及无线传输设备,通过这些传感器来检测水管中液体的流速、水管中的压力、水质情况等信息,然后通过无线传输设备将电磁阀内部传感器所检测的各种数据传送到中央系统。
步骤2:将安装在各个节点电磁阀内部的不同传感器所测量的数据生成不同的数据集合,例如将不同电磁阀内的液体流量计在不同时刻测量的数据生成一个数据集合;将压力传感器所测量的数据也生成一个数据集合。可以用集合X表示某个传感器所采集数据的集合,将数据集合X随机划分为n个大小相同的数据子集X={x1,x2,x3…xn}。
其中每个子集满足以下条件:
从这n个数据子集中随机选取c个初始聚类中心,并且用
V={v1 v2 … vc}表示初始聚类中心的集合;
其中每个子集满足以下条件:
其中,xi是数据点,vj是聚类中心,n是样本总数,c是聚类中心数目;
步骤3:通过SLFCM算法来计算每个样本点对所有类中心的隶属度
利用上一个步骤中选择的数据集合X和随机选取的初始聚类中心V,通过SLFCM算法计算得到不同子集的数据点对聚类中心的隶属度,然后再计算得到新的聚类中心V′。
SLFCM算法的具体步骤如下步骤
输入:X,V,c,m
输出:V′
Step1:使用公式(2)计算不同子集的数据点对聚类中心的隶属度;
Step2:汇总隶属度,检查约束:
Step3:利用公式(4)计算聚类集合的成员信息I′:
Step4::计算聚类中心V′;
Step5:如果if||V′-V||<ε,则停止程序,否则回到Step1;
Step6:输出V′,I′。
其中,uij表示xi相对于vj的隶属度;U=[uij]n×c是由数据点xi对每个聚类中心vj的隶属度构成的分区矩阵;I′表示聚类的成员信息;m是对聚类结果有显着影响的模糊化参数;
ε表示一个预定义的常数,被用作停止标准。
步骤4:将熵权法和原有的SLFCM算法相结合形成EW-SLFCM算法
信息熵是用于度量信息量的一个概念。一个系统越是有序,信息熵就越低;反之,一个系统越是混乱,信息熵就越高。熵权法是基于样本数据来计算权重的一种算法。
通过将熵权法和原有的SLFCM算法相结合。在用SLFCM算法进行聚类分析的过程中,在计算隶属度函数时,需要计算输入样本X和聚类中心V之间的欧氏距离;将熵权法和原有的SLFCM算法相结合的改进之处在于,用熵权法来计算得到各个属性的权重,建立权重矩阵,进而把权重矩阵引入欧氏距离之中,把欧氏距离换为加权欧氏距离,进而计算新的聚类中心,再根据新旧聚类中心的差值是否小于阈值判断是否停止迭代。
步骤5:通过SRSIO-FCM算法进行分类的目的。
在SRSIO-FCM算法中,先将数据集合X划分成相同大小的子集,其中每个子集中的数据点是从子集中随机选择的。第一个子集的初始聚类中心是随机选择的,对第一个子集聚类,计算聚类中心V1和成员信息I′1;将V1作为第二个子集的聚类输入,然后找到第二个子集的聚类中心V2和成员信息I′2;但是不会将V2作为第三个子集的输入,而是将I′1和I′2组合起来,使用公式(4)来计算出新的聚类中心,然后将新聚类中心作为输入传送到第三个子集;所有后续子集都遵循此过程,将第i-1个子集的输出I′i-1和第i个子集的输出I′i结合起来,作为第i+1个子集的输入。其中,I′1表示第一个子集的成员信息,I′2表示第二个子集的成员信息,I′i表示第i个子集的成员信息。
其中,SRSIO-FCM算法的具体步骤如下
Step1:将X加载为随机选择的子集X={x1x2…xc};
Step2:从X更换为x1;
Step3:V′,I′=EW-SLFCM(x1,V,c,m);V′,I′=SLFCM(x1,V,c,m)
Step4:对于从p=2到p=n,
(4.1):
V′,I′=EW-SLFCM(xp,V,c,m);V′,I′=SLFCM(xp,V,c,m);
(4.2):合并所有处理子集的分区,
I′=I′∪I (6)
(4.4):使用I′计算V′;
结束;
Step5:使用公式(1)计算目标函数,其中公式(1)如下:
Step6:输出:V′,I′;
步骤6:在Apache spark框架上对优化好的X数据集合进行处理
Apache Spark是一个开源的并行处理框架,Spark针对迭代算法和交互式数据分析进行优化,对同一组数据执行循环操作。Spark集群由两个主要组件组成:Master和Worker。群集中的每台机器都称为节点,主节点将作业分配给从节点,集群中可以有任意数量的从节点,但是只有一个主节点。数据可以存储在HDFS或本地机器中。作业是从HDFS/本地机器读取一些数据,主节点上的驱动程序进程通过Spark Engine运行此作业。
通过在Apache spark框架上,将已经由SRSIO-FCM算法分类的数据集合X进行处理,从而达到处理数据的目的,得到在小区水路管网中所需要的信息,例如水路管网中是否出现漏水情况,在水路管网中何处出现漏水以及在当前状态下小区水路管网中的水质情况。
Claims (2)
1.一种基于超低功率电磁阀的大数据处理方法,其特征在于,该方法具体包括以下步骤:
步骤1:通过电磁阀内部传感器采集信息
步骤2:利用聚类分析将电磁阀采集的每个种类的数据划分为不同的子集,X={x1,x2,x3…xn}表示采集数据的集合;
其中每个子集满足以下条件:
在这n个数据子集中随机选取c个初始聚类中心,V={v1 v2…vc}表示初始聚类中心的集合;
其中每个子集满足以下条件:
其中,xi是数据点,vj是聚类中心,n是样本总数,c是聚类中心数目;
步骤3:通过SLFCM算法来计算每个样本点对所有类中心的隶属度
输入:X,V,c,m
输出:V′
SLFCM算法的具体步骤如下:
Step1:使用公式(2)计算不同子集的数据点对聚类中心的隶属度;
Step2:汇总隶属度,检查约束:
Step3:利用公式(4)计算聚类集合的成员信息I′:
Step4::计算聚类中心V′;
Step5:如果if||V′-V||<ε,则停止程序,否则回到Stepl;
Step6:输出V′,I′;
其中,uij表示xi相对于vj的隶属度;U=[uii]n×c是由数据点xi对每个聚类中心vj的隶属度构成的分区矩阵;I′表示聚类的成员信息;m是对聚类结果有显着影响的模糊化参数;ε表示一个预定义的常数,被用作停止标准;
步骤4:将熵权法和原有的SLFCM算法相结合形成EW-SLFCM算法
信息熵是用于度量信息量的一个概念;一个系统越是有序,信息熵就越低;反之,一个系统越是混乱,信息熵就越高;熵权法是基于样本数据来计算权重的一种算法;
通过将熵权法和原有的SLFCM算法相结合;在用SLFCM算法进行聚类分析的过程中,在计算隶属度函数时,需要计算输入样本X和聚类中心V之间的欧氏距离;将熵权法和原有的SLFCM算法相结合的改进之处在于,用熵权法来计算得到各个属性的权重,建立权重矩阵,进而把权重矩阵引入欧氏距离之中,把欧氏距离换为加权欧氏距离,进而计算新的聚类中心,再根据新旧聚类中心的差值是否小于阈值,当小于阈值则停止迭代;
步骤5:通过SRSIO-FCM算法进行分类的目的;
在SRSIO-FCM算法中,先将数据集合X划分成相同大小的子集,其中每个子集中的数据点是从子集中随机选择的;第一个子集的初始聚类中心是随机选择的,对第一个子集聚类,计算聚类中心V1和成员信息I′1;将V1作为第二个子集的聚类输入,然后找到第二个子集的聚类中心V2和成员信息I′2;但是不会将V2作为第三个子集的输入,而是将I′1和I′2组合起来,使用公式(4)来计算出新的聚类中心,然后将新聚类中心作为输入传送到第三个子集;所有后续子集都遵循此过程,将第i-1个子集的输出I′i-1和第i个子集的输出I′i结合起来,作为第i+1个子集的输入;其中,I′1表示第一个子集的成员信息,I′2表示第二个子集的成员信息,I′i表示第i个子集的成员信息;
其中,SRSIO-FCM算法的具体步骤如下
Step1:将X加载为随机选择的子集X={x1 x2…xc};
Step2:从X更换为x1;
Step3:V′,I′=EW-SLFCM(x1,V,c,m);V′,I′=SLFCM(x1,V,c,m)
Step4:对于从p=2到p=n,
(4.1):
V′,I′=EW-SLFCM(xp,V,c,m);V′,I′=SLFCM(xp,V,c,m);
(4.2):合并所有处理子集的分区,
I′=I′UI (6)
(4.4):使用I′计算V′;
结束;
Step5:使用公式(1)计算目标函数,其中公式(1)如下:
Step6:输出:V′,I′;
步骤6:在Apache spark框架上对优化好的X数据集合进行处理。
2.根据权利要求1所述的一种基于超低功率电磁阀的大数据处理方法,其特征在于:步骤一具体为:通过在电磁阀内部安装的不同类型的传感器来采集各种所需的信息;通过液体流量计来测量当前状态下水管中液体的流速;通过液体成分检测传感器来检测当前状态下水质情况;通过传感器传回的信息分析出水路管网中的漏水情况以及当前状态下的水质情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811220819.3A CN109210268B (zh) | 2018-10-19 | 2018-10-19 | 一种基于超低功率电磁阀的大数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811220819.3A CN109210268B (zh) | 2018-10-19 | 2018-10-19 | 一种基于超低功率电磁阀的大数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109210268A true CN109210268A (zh) | 2019-01-15 |
CN109210268B CN109210268B (zh) | 2020-03-20 |
Family
ID=64981096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811220819.3A Active CN109210268B (zh) | 2018-10-19 | 2018-10-19 | 一种基于超低功率电磁阀的大数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109210268B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948715A (zh) * | 2019-03-22 | 2019-06-28 | 杭州电子科技大学 | 一种水质监测数据缺失值填补方法 |
CN112613892A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 基于业务系统的数据处理方法、装置以及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763404A (zh) * | 2009-12-10 | 2010-06-30 | 陕西鼎泰科技发展有限责任公司 | 基于模糊聚类的网络文本数据检测方法 |
CN107426277A (zh) * | 2017-04-24 | 2017-12-01 | 成都清渟科技有限公司 | 一种用户端饮用水监测系统及服务方法 |
CN207161854U (zh) * | 2017-09-04 | 2018-03-30 | 石家庄西比克仪表有限公司 | 物联网流量自平衡阀 |
-
2018
- 2018-10-19 CN CN201811220819.3A patent/CN109210268B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763404A (zh) * | 2009-12-10 | 2010-06-30 | 陕西鼎泰科技发展有限责任公司 | 基于模糊聚类的网络文本数据检测方法 |
CN107426277A (zh) * | 2017-04-24 | 2017-12-01 | 成都清渟科技有限公司 | 一种用户端饮用水监测系统及服务方法 |
CN207161854U (zh) * | 2017-09-04 | 2018-03-30 | 石家庄西比克仪表有限公司 | 物联网流量自平衡阀 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948715A (zh) * | 2019-03-22 | 2019-06-28 | 杭州电子科技大学 | 一种水质监测数据缺失值填补方法 |
CN112613892A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 基于业务系统的数据处理方法、装置以及电子设备 |
CN112613892B (zh) * | 2020-12-25 | 2024-03-15 | 北京知因智慧科技有限公司 | 基于业务系统的数据处理方法、装置以及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109210268B (zh) | 2020-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Candelieri et al. | A graph based analysis of leak localization in urban water networks | |
CN110348713A (zh) | 一种基于关联性分析和数据挖掘的台区线损计算方法 | |
CN105825511A (zh) | 一种基于深度学习的图片背景清晰度检测方法 | |
CN108924148A (zh) | 一种多源信号协同压缩感知数据恢复方法 | |
CN109210268A (zh) | 一种基于超低功率电磁阀的大数据处理方法 | |
CN106124373B (zh) | 一种煤粉浓度的测量方法 | |
CN103106535A (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
CN103530818A (zh) | 一种基于brb系统的供水管网建模方法 | |
CN105046326A (zh) | 基于功图主元分析的抽油机参数优化方法 | |
CN108897936A (zh) | 一种基于pso-bp模型的污水源热泵机组故障诊断方法 | |
CN109697566A (zh) | 机电产品加工工艺评价系统及其评价方法 | |
CN109272182A (zh) | 一种基于可变模糊决策理论的水资源效益动态评价方法 | |
CN105938655B (zh) | 基于高斯混合模型的实时交通状态评估方法 | |
Liu et al. | A systems dynamic model of a coal-based city with multiple adaptive scenarios: A case study of Ordos, China | |
Li et al. | Deep imitation learning for traffic signal control and operations based on graph convolutional neural networks | |
Wu et al. | Damage detection of grotto murals based on lightweight neural network | |
Li et al. | Gadet: A geometry-aware x-ray prohibited items detector | |
CN110008122A (zh) | 一种考虑te与cp下的一般性不完美排错模型 | |
Ruan et al. | Fault detection and diagnosis of energy system based on deep learning image recognition model under the condition of imbalanced samples | |
Singh et al. | Neural network–comparing the performances of the training functions for predicting the value of specific heat of refrigerant in vapor absorption refrigeration system | |
CN101807260B (zh) | 变化场景下行人检测的方法 | |
CN111080115B (zh) | 一种基于供水水力模型的用水量分配方法及装置 | |
Fan | Analysis on the coupling degree of water source ecological environment based on 3S technology | |
Fu et al. | Pipeline defect reconstruction based on improved particle swarm optimization with LSSVM | |
Jiang et al. | Integrating multi-modal data into AFSA-LSTM model for real-time oil production prediction |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220414 Address after: 315032 No. 68, Tonghe East Road, camel street, Zhenhai District, Ningbo City, Zhejiang Province Patentee after: NINGBO AIMI INTELLIGENT SANITARY WARE Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |