CN109492130A - 一种数据操作方法及系统 - Google Patents

一种数据操作方法及系统 Download PDF

Info

Publication number
CN109492130A
CN109492130A CN201811172612.3A CN201811172612A CN109492130A CN 109492130 A CN109492130 A CN 109492130A CN 201811172612 A CN201811172612 A CN 201811172612A CN 109492130 A CN109492130 A CN 109492130A
Authority
CN
China
Prior art keywords
data
model
type
matched
analysis
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
Application number
CN201811172612.3A
Other languages
English (en)
Other versions
CN109492130B (zh
Inventor
刘维英
陶国谦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suneee Micro-Chain Technology Development Co Ltd
Original Assignee
Suneee Micro-Chain Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suneee Micro-Chain Technology Development Co Ltd filed Critical Suneee Micro-Chain Technology Development Co Ltd
Priority to CN201811172612.3A priority Critical patent/CN109492130B/zh
Publication of CN109492130A publication Critical patent/CN109492130A/zh
Application granted granted Critical
Publication of CN109492130B publication Critical patent/CN109492130B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种数据操作方法及系统，其中方法包括以下步骤：从大数据池中获取数据，对获取的数据的类型进行分析，确定获取数据所属的数据类型，将获取的数据分配至对应数据类型的数据分析系统；数据分析系统对接收到的对应数据类型的数据进行分析，按照不同的数据类型对每种类型的数据进行分析，并对所述数据进行集中处理，生成处理结果；其中，所述每种数据类型从各个类型的大数据池中得到；对所述处理结果进行分析，生成对应的驱动策略。上述方法及系统能够有效的对数据进行处理，根据处理结果生成对应的驱动策略，能够解决企业产品定位的问题，还可以跟踪用户使用产品行为习惯，挖掘潜力的市场，节约了人力资源成，具有很高的实用性。

Description

一种数据操作方法及系统
技术领域
本发明涉及数据处理方法领域，特别涉及一种数据操作方法及系统。
背景技术
随着IT互联网飞速发展，企业享受时代带来的科技福利的同时，同时带来诸多挑战！如何使企业产品更符合消费者需求，如何锁定目标客户，如何挖潜具备潜力的市场，如何帮助企业产品更好的推广，如何提前预测行业的危机，如何节约人力资源成本等，是现阶段急需解决的问题。如何提供一种能有效提高数据处理效率的方法及系统是本申请要解决的问题。
发明内容
针对上述技术问题，本发明提供一种能够有效的对数据进行处理，根据处理结果生成对应的驱动策略，能够解决企业产品定位的问题，还可以跟踪用户使用产品行为习惯，挖掘潜力的市场，节约了人力资源成本的数据操作方法及系统。
为解决上述技术问题，本发明所采取的技术方案是：提供一种数据操作方法，包括以下步骤：
从大数据池中获取数据，对获取的数据的类型进行分析，确定获取数据所属的数据类型，将获取的数据分配至对应数据类型的数据分析系统；
数据分析系统对接收到的对应数据类型的数据进行分析，按照不同的数据类型对每种类型的数据进行分析，并对所述数据进行集中处理，生成处理结果；其中，所述每种数据类型从各个类型的大数据池中得到；
对所述处理结果进行分析，生成对应的驱动策略。
本发明采用以上技术方案，达到的技术效果为：本发明通过对获取数据的类型的分析，能够将数据分配至对应的数据分析系统，通过对数据的梳理，能够得到对应的处理结果，根据处理结果，可以生成对应的驱动策略。上述方法能够有效的对数据进行处理，根据处理结果生成对应的驱动策略，能够解决企业产品定位的问题，还可以跟踪用户使用产品行为习惯，挖掘潜力的市场，节约了人力资源成本，具有很高的实用性。
较优的，在上述技术方案中，所述对所述处理结果进行分析，生成对应的驱动策略具体包括以下步骤：
确定与数据对应的数据结构，根据所述数据结构选择对应的适配方法，对所述数据进行可视化建模；
确定所述数据的作用、目的以及实现的效果；
剔除无效数据，得到目标数据；
根据目标数据生成对应的目标数据结果；
对已确定数据结构的数据进行建模，将新建模型在已生成的模型库中进行匹配，根据匹配的模型生成最佳可行的方案，并输出策略报告。
较优的，在上述技术方案中，所述将新建模型在已生成的模型库中进行匹配，根据匹配的模型生成最佳可行的方案，并输出策略报告具体包括以下步骤：
将新建模型在已生成的模型库中进行匹配，若模型库中存在与所述新建模型相匹配的模型，则根据匹配的模型生成最佳可行的方案，直接输出策略报告；
否则，对所述新建模型进行学习存储，制定对应的策略报告，对所述新建模型以及策略报告进行存储，重新对所述新建模型进行匹配，在得到匹配模型后，输出策略报告。
较优的，在上述技术方案中，所述数据分析系统包括医学影像识别分析，大自然数据分析以及产品数据分析；
医学影像识别分析，步骤为：基于原图像，采用图像量化和集合运算进行数字信号处理，对数字信号频域进行过滤，在采用X-CT反投影重建成像算法对图像进行重构，采用高斯混合图像分割法，实现图像分割，再进行特征提取，利用影像数据库通过人工神经网络模式识别；
大自然数据分析，步骤为：采集到相关数据，进行分类处理，对不同数据的相关参数进行归类，对原数据进行整合，并输出结果报告；
产品数据分析，步骤为：采集到相关数据，进行分类处理，根据不同的数据类型，却行对应数据类型数据的相关参数，在整合原始数据后，输出结果报告。
本发明还提供了一种数据操作系统，包括AI分析器、数据分析系统以及策略生成模块；
所述AI分析器，用于从存储有不同类型数据的大数据池中获取数据，对获取的数据的类型进行分析，确定获取数据所属的数据类型，将获取的数据分配至对应数据类型的数据分析系统；
所述数据分析系统，用于数据分析系统对接收到的对应数据类型的数据进行分析，按照不同的数据类型对每种类型的数据进行分析，并对所述数据进行集中处理，生成处理结果；其中，所述每种数据类型从各个类型的大数据池中得到；
所述策略生成模块，用于对所述处理结果进行分析，生成对应的驱动策略。
本发明采用以上技术方案，达到的技术效果为：本发明通过对获取数据的类型的分析，能够将数据分配至对应的数据分析系统，通过对数据的梳理，能够得到对应的处理结果，根据处理结果，可以生成对应的驱动策略。上述方法能够有效的对数据进行处理，根据处理结果生成对应的驱动策略，能够解决企业产品定位的问题，还可以跟踪用户使用产品行为习惯，挖掘潜力的市场，节约了人力资源成本，具有很高的实用性。
较优的，在上述技术方案中，所述数据分析系统，用于确定与数据对应的数据结构，根据所述数据结构选择对应的适配方法，对所述数据进行可视化建模；
确定所述数据的作用、目的以及实现的效果；
剔除无效数据，得到目标数据；
根据目标数据生成对应的目标数据结果；
还用于对已确定数据结构的数据进行建模，将新建模型在已生成的模型库中进行匹配，根据匹配的模型生成最佳可行的方案，并输出策略报告。
较优的，在上述技术方案中，所述策略生成模块，还用于将新建模型在已生成的模型库中进行匹配，若模型库中存在与所述新建模型相匹配的模型，则根据匹配的模型生成最佳可行的方案，直接输出策略报告；
否则，对所述新建模型进行学习存储，制定对应的策略报告，对所述新建模型以及策略报告进行存储，重新对所述新建模型进行匹配，在得到匹配模型后，输出策略报告。
较优的，在上述技术方案中，所述数据分析系统至少包括以下之一：医学影像识别分析器、大自然数据分析器以及产品数据分析器；
医学影像识别分析器，具体执行：基于原图像，采用图像量化和集合运算进行数字信号处理，对数字信号频域进行过滤，在采用X-CT反投影重建成像算法对图像进行重构，采用高斯混合图像分割法，实现图像分割，再进行特征提取，利用影像数据库通过人工神经网络模式识别；
大自然数据分析器，具体执行：采集到相关数据，进行分类处理，对不同数据的相关参数进行归类，对原数据进行整合，并输出结果报告；
产品数据分析器，具体执行：采集到相关数据，进行分类处理，根据不同的数据类型，却行对应数据类型数据的相关参数，在整合原始数据后，输出结果报告。
附图说明
下面结合附图对本发明作进一步说明：
图1是本发明提供的数据操作方法的流程图；
图2是本发明提供的数据操作系统的示意性框图。
具体实施方式
如图1所示，本发明提供的数据操作方法，包括以下步骤：
步骤S10：从大数据池中获取数据，对获取的数据的类型进行分析，确定获取数据所属的数据类型，将获取的数据分配至对应数据类型的数据分析系统；
步骤S20：数据分析系统对接收到的对应数据类型的数据进行分析，按照不同的数据类型对每种类型的数据进行分析，并对所述数据进行集中处理，生成处理结果；其中，所述每种数据类型从各个类型的大数据池中得到；
对所述处理结果进行分析，生成对应的驱动策略；
步骤S30：对所述处理结果进行分析，生成对应的驱动策略。
本发明通过对获取数据的类型的分析，能够将数据分配至对应的数据分析系统，通过对数据的梳理，能够得到对应的处理结果，根据处理结果，可以生成对应的驱动策略。上述方法能够有效的对数据进行处理，根据处理结果生成对应的驱动策略，能够解决企业产品定位的问题，还可以跟踪用户使用产品行为习惯，挖掘潜力的市场，节约了人力资源成本，具有很高的实用性。
在图1对应实施例的基础上，还进行了改进。策略生成包括以下步骤：
确定与数据对应的数据结构，根据所述数据结构选择对应的适配方法，对所述数据进行可视化建模；
确定所述数据的作用、目的以及实现的效果；
剔除无效数据，得到目标数据；
根据目标数据生成对应的目标数据结果；
对已确定数据结构的数据进行建模，将新建模型在已生成的模型库中进行匹配，根据匹配的模型生成最佳可行的方案，并输出策略报告。
在上述实施例的基础上，还进行了以下改进：
所述将新建模型在已生成的模型库中进行匹配，根据匹配的模型生成最佳可行的方案，并输出策略报告具体包括以下步骤：
将新建模型在已生成的模型库中进行匹配，若模型库中存在与所述新建模型相匹配的模型，则根据匹配的模型生成最佳可行的方案，直接输出策略报告；
否则，对所述新建模型进行学习存储，制定对应的策略报告，对所述新建模型以及策略报告进行存储，重新对所述新建模型进行匹配，在得到匹配模型后，输出策略报告。
通过对新生成模型的学习，有效的提高了数据处理及策略生成的效率，一直处于学习的状态，能够适应多种变化及疑难问题，提高了问题解决的效率。
在上述实施例的基础上，还进行了以下改进：
所述数据分析系统至少包括以下之一：医学影像识别分析，大自然数据分析以及产品数据分析；
医学影像识别分析，步骤为：基于原图像，采用图像量化和集合运算进行数字信号处理，对数字信号频域进行过滤，在采用X-CT反投影重建成像算法对图像进行重构，采用高斯混合图像分割法，实现图像分割，再进行特征提取，利用影像数据库通过人工神经网络模式识别；
大自然数据分析，步骤为：采集到相关数据，进行分类处理，对不同数据的相关参数进行归类，对原数据进行整合，并输出结果报告；
产品数据分析，步骤为：采集到相关数据，进行分类处理，根据不同的数据类型，却行对应数据类型数据的相关参数，在整合原始数据后，输出结果报告。
如图2所示，本发明还提供了一种数据操作系统，包括AI分析器、数据分析系统以及策略生成模块；
所述AI分析器，用于从大数据池中获取数据，对获取的数据的类型进行分析，确定获取数据所属的数据类型，将获取的数据分配至对应数据类型的数据分析系统；
所述数据分析系统，用于数据分析系统对接收到的对应数据类型的数据进行分析，按照不同的数据类型对每种类型的数据进行分析，并对所述数据进行集中处理，生成处理结果；其中，所述每种数据类型从各个类型的大数据池中得到；
所述策略生成模块，用于对所述处理结果进行分析，生成对应的驱动策略。
本发明采用以上技术方案，达到的技术效果为：本发明通过对获取数据的类型的分析，能够将数据分配至对应的数据分析系统，通过对数据的梳理，能够得到对应的处理结果，根据处理结果，可以生成对应的驱动策略。上述方法能够有效的对数据进行处理，根据处理结果生成对应的驱动策略，能够解决企业产品定位的问题，还可以跟踪用户使用产品行为习惯，挖掘潜力的市场，节约了人力资源成本，具有很高的实用性。
在上述实施例的基础上，还进行了以下改进：
所述数据分析系统，用于确定与数据对应的数据结构，根据所述数据结构选择对应的适配方法，对所述数据进行可视化建模；
确定所述数据的作用、目的以及实现的效果；
剔除无效数据，得到目标数据；
根据目标数据生成对应的目标数据结果；
还用于对已确定数据结构的数据进行建模，将新建模型在已生成的模型库中进行匹配，根据匹配的模型生成最佳可行的方案，并输出策略报告。
在上述实施例的基础上，还进行了以下改进：
所述策略生成模块，还用于将新建模型在已生成的模型库中进行匹配，若模型库中存在与所述新建模型相匹配的模型，则根据匹配的模型生成最佳可行的方案，直接输出策略报告；
否则，对所述新建模型进行学习存储，制定对应的策略报告，对所述新建模型以及策略报告进行存储，重新对所述新建模型进行匹配，在得到匹配模型后，输出策略报告。
通过对新生成模型的学习，有效的提高了数据处理及策略生成的效率，一直处于学习的状态，能够适应多种变化及疑难问题，提高了问题解决的效率。
在上述实施例的基础上，还进行了以下改进：
所述数据分析系统至少包括以下之一：医学影像识别分析器、大自然数据分析器以及产品数据分析器；
医学影像识别分析器，具体执行：基于原图像，采用图像量化和集合运算进行数字信号处理，对数字信号频域进行过滤，在采用X-CT反投影重建成像算法对图像进行重构，采用高斯混合图像分割法，实现图像分割，再进行特征提取，利用影像数据库通过人工神经网络模式识别；
大自然数据分析器，具体执行：采集到相关数据，进行分类处理，对不同数据的相关参数进行归类，对原数据进行整合，并输出结果报告；
产品数据分析器，具体执行：采集到相关数据，进行分类处理，根据不同的数据类型，却行对应数据类型数据的相关参数，在整合原始数据后，输出结果报告。
上述实施方式旨在举例说明本发明可为本领域专业技术人员实现或使用，对上述实施方式进行修改对本领域的专业技术人员来说将是显而易见的，故本发明包括但不限于上述实施方式，任何符合本权利要求书或说明书描述，符合与本文所公开的原理和新颖性、创造性特点的方法、工艺、产品，均落入本发明的保护范围之内。

Claims (8)

1.一种数据操作方法，其特征在于，包括以下步骤：
从大数据池中获取数据，对获取的数据的类型进行分析，确定获取数据所属的数据类型，将获取的数据分配至对应数据类型的数据分析系统；
数据分析系统对接收到的对应数据类型的数据进行分析，按照不同的数据类型对每种类型的数据进行分析，并对所述数据进行集中处理，生成处理结果；其中，所述每种数据类型从各个类型的大数据池中得到；
对所述处理结果进行分析，生成对应的驱动策略。
2.如权利要求1所述的数据操作方法，其特征在于，所述对所述处理结果进行分析，生成对应的驱动策略具体包括以下步骤：
确定与数据对应的数据结构，根据所述数据结构选择对应的适配方法，对所述数据进行可视化建模；
确定所述数据的作用、目的以及实现的效果；
剔除无效数据，得到目标数据；
根据目标数据生成对应的目标数据结果；
对已确定数据结构的数据进行建模，将新建模型在已生成的模型库中进行匹配，根据匹配的模型生成最佳可行的方案，并输出策略报告。
3.如权利要求2所述的数据操作方法，其特征在于，所述将新建模型在已生成的模型库中进行匹配，根据匹配的模型生成最佳可行的方案，并输出策略报告具体包括以下步骤：
将新建模型在已生成的模型库中进行匹配，若模型库中存在与所述新建模型相匹配的模型，则根据匹配的模型生成最佳可行的方案，直接输出策略报告；
否则，对所述新建模型进行学习存储，制定对应的策略报告，对所述新建模型以及策略报告进行存储，重新对所述新建模型进行匹配，在得到匹配模型后，输出策略报告。
4.如权利要求1所述的数据操作方法，其特征在于，所述数据分析系统至少包括以下之一：医学影像识别分析，大自然数据分析以及产品数据分析；
医学影像识别分析，步骤为：基于原图像，采用图像量化和集合运算进行数字信号处理，对数字信号频域进行过滤，在采用X-CT反投影重建成像算法对图像进行重构，采用高斯混合图像分割法，实现图像分割，再进行特征提取，利用影像数据库通过人工神经网络模式识别；
大自然数据分析，步骤为：采集到相关数据，进行分类处理，对不同数据的相关参数进行归类，对原数据进行整合，并输出结果报告；
产品数据分析，步骤为：采集到相关数据，进行分类处理，根据不同的数据类型，却行对应数据类型数据的相关参数，在整合原始数据后，输出结果报告。
5.一种数据操作系统，其特征在于，包括AI分析器、数据分析系统以及策略生成模块；
所述AI分析器，用于从大数据池中获取数据，对获取的数据的类型进行分析，确定获取数据所属的数据类型，将获取的数据分配至对应数据类型的数据分析系统；
所述数据分析系统，用于数据分析系统对接收到的对应数据类型的数据进行分析，按照不同的数据类型对每种类型的数据进行分析，并对所述数据进行集中处理，生成处理结果；其中，所述每种数据类型从各个类型的大数据池中得到；
所述策略生成模块，用于对所述处理结果进行分析，生成对应的驱动策略。
6.如权利要求5所述的数据操作系统，其特征在于，所述数据分析系统，用于确定与数据对应的数据结构，根据所述数据结构选择对应的适配方法，对所述数据进行可视化建模；
确定所述数据的作用、目的以及实现的效果；
剔除无效数据，得到目标数据；
根据目标数据生成对应的目标数据结果；
还用于对已确定数据结构的数据进行建模，将新建模型在已生成的模型库中进行匹配，根据匹配的模型生成最佳可行的方案，并输出策略报告。
7.如权利要求6所述的数据操作系统，其特征在于，所述策略生成模块，还用于将新建模型在已生成的模型库中进行匹配，若模型库中存在与所述新建模型相匹配的模型，则根据匹配的模型生成最佳可行的方案，直接输出策略报告；
否则，对所述新建模型进行学习存储，制定对应的策略报告，对所述新建模型以及策略报告进行存储，重新对所述新建模型进行匹配，在得到匹配模型后，输出策略报告。
8.如权利要求5所述的数据操作系统，其特征在于，所述数据分析系统至少包括以下之一：医学影像识别分析器、大自然数据分析器以及产品数据分析器；
医学影像识别分析器，具体执行：基于原图像，采用图像量化和集合运算进行数字信号处理，对数字信号频域进行过滤，在采用X-CT反投影重建成像算法对图像进行重构，采用高斯混合图像分割法，实现图像分割，再进行特征提取，利用影像数据库通过人工神经网络模式识别；
大自然数据分析器，具体执行：采集到相关数据，进行分类处理，对不同数据的相关参数进行归类，对原数据进行整合，并输出结果报告；
产品数据分析器，具体执行：采集到相关数据，进行分类处理，根据不同的数据类型，却行对应数据类型数据的相关参数，在整合原始数据后，输出结果报告。
CN201811172612.3A 2018-10-09 2018-10-09 一种数据操作方法及系统 Active CN109492130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811172612.3A CN109492130B (zh) 2018-10-09 2018-10-09 一种数据操作方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811172612.3A CN109492130B (zh) 2018-10-09 2018-10-09 一种数据操作方法及系统

Publications (2)

Publication Number Publication Date
CN109492130A true CN109492130A (zh) 2019-03-19
CN109492130B CN109492130B (zh) 2023-08-08

Family

ID=65690577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811172612.3A Active CN109492130B (zh) 2018-10-09 2018-10-09 一种数据操作方法及系统

Country Status (1)

Country Link
CN (1) CN109492130B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112737124A (zh) * 2020-12-30 2021-04-30 广东电网有限责任公司电力科学研究院 一种电力设备监测终端构建方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011143899A1 (zh) * 2010-05-20 2011-11-24 中兴通讯股份有限公司 一种移动通讯数据的采集方法和装置
CN105320757A (zh) * 2015-10-19 2016-02-10 杭州华量软件有限公司 一种快速处理数据的商业智能分析方法
CN108520365A (zh) * 2018-04-23 2018-09-11 温州市鹿城区中津先进科技研究院 基于大数据分析的教育决策系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011143899A1 (zh) * 2010-05-20 2011-11-24 中兴通讯股份有限公司 一种移动通讯数据的采集方法和装置
CN105320757A (zh) * 2015-10-19 2016-02-10 杭州华量软件有限公司 一种快速处理数据的商业智能分析方法
CN108520365A (zh) * 2018-04-23 2018-09-11 温州市鹿城区中津先进科技研究院 基于大数据分析的教育决策系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112737124A (zh) * 2020-12-30 2021-04-30 广东电网有限责任公司电力科学研究院 一种电力设备监测终端构建方法和装置

Also Published As

Publication number Publication date
CN109492130B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
González et al. Automatic plankton quantification using deep features
CN107992583B (zh) 信息推送方法及信息推送装置、设备和存储介质
Naselaris et al. Bayesian reconstruction of natural images from human brain activity
CN107247971B (zh) 一种超声甲状腺结节风险指标的智能分析方法及系统
CN101576913B (zh) 基于自组织映射神经网络的舌象自动聚类、可视化和检索方法
Hwang et al. Learning beyond human expertise with generative models for dental restorations
Bhand et al. Unsupervised learning models of primary cortical receptive fields and receptive field plasticity
Mishra et al. A Deep Learning-Based Novel Approach for Weed Growth Estimation.
Do et al. A test of a pattern recognition system for identification of spiders
CN101957913B (zh) 一种基于信息融合技术的指纹识别方法及装置
Sarkate et al. Application of computer vision and color image segmentation for yield prediction precision
CN109883967B (zh) 一种基于信息融合的中华绒螯蟹品质等级判别方法
CN107468260A (zh) 一种判断动物心理状态的脑电分析装置及分析方法
CN106580350A (zh) 一种疲劳状况监测方法及装置
CN112906911A (zh) 联邦学习的模型训练方法
CN109492130A (zh) 一种数据操作方法及系统
Rajasekaran et al. Turmeric plant diseases detection and classification using artificial intelligence
CN113421546B (zh) 基于跨被试多模态的语音合成方法及相关设备
Kamrul et al. A deep learning based approach on categorization of tea leaf
CN111160438A (zh) 一种采用一维卷积神经网络的声学垃圾分类方法
Brosset et al. Web infrastructure for data management, storage and computation
Yau et al. Portable device for contactless, non-destructive and in situ outdoor individual leaf area measurement
Wijaya et al. DeepFruits: efficient citrus type classification using the CNN
CN114419619B (zh) 红细胞检测分类方法、装置、计算机存储介质及电子设备
Shaikh et al. Classification of Affected Fruits using Machine Learning

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