CN109616201B - 一种基于小数据动态预测模型的疲劳预警方法 - Google Patents
一种基于小数据动态预测模型的疲劳预警方法 Download PDFInfo
- Publication number
- CN109616201B CN109616201B CN201811330724.7A CN201811330724A CN109616201B CN 109616201 B CN109616201 B CN 109616201B CN 201811330724 A CN201811330724 A CN 201811330724A CN 109616201 B CN109616201 B CN 109616201B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- prediction
- early warning
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000036772 blood pressure Effects 0.000 claims description 4
- 230000004397 blinking Effects 0.000 description 21
- 238000012937 correction Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000193 eyeblink Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种基于小数据动态预测模型的疲劳预警方法,通过分析预测模型R2值(R2值表示拟合指数,值小于等于1,越接近1,说明模型拟合度越高),确定预测趋势的范围,实现预测模型的建立。模型建立后,还要定期采集数据对模型进行修正。再对预测趋势的范围与疲劳阈值进行比较,进行疲劳预警。本发明数据量适中,预测准确度高,适用数据范围广。
Description
技术领域
本发明涉及疲劳预警方法领域,特别是一种基于小数据动态预测模型的疲劳预警方法。
背景技术
当前是大数据的时代,很多预测都是通过大数据运算实现。大数据后台运算的前提必须有良好的网络为基础,确保数据的有效传输。但由于环境的复杂性,有些时候无法保证网络通信的畅通。如网络覆盖不好的偏僻山区,自然灾害,太阳黑子活动等。一旦出现这些情况,依赖大数据通信的预测将无法正常工作。
现有的时间序列模型预测方法,对初始数据量要求比较多,要进行数据预处理,相关性分析,回归分析等。过程复杂繁琐,比较适合大数据运算实现。
发明内容
本发明的主要目的在于建立基于小数据的动态预测模型,摆脱对网络通信的依赖。实现对驾驶疲劳,学习疲劳,运动疲劳的监测。
本发明采用如下技术方案:
一种基于小数据动态预测模型的疲劳预警方法,其特征在于,包括如下步骤:
1)引入当前数据分别建立若干个预测模型;
2)计算各个预测模型的R2值,令R2值等于1的作为高拟合预测模型;令R2值最小的作为低拟合预测模型;
3)根据高拟合预测模型和低拟合模型确定预测趋势范围,采集数据,并判断该数据是否属于预测趋势范围,若是,则进入4),若否,回到步骤1);
4)判断预测趋势范围是否达到或超过预设阈值,若是,则预警;若否,则回到步骤1)。
优选的,在步骤1)中所述数据为小数据,其为3散点数据。
优选的,所述预测模型包括指数模型、线性模型、对数模型、多项式模型和乘幂模型。
优选的,所述将高拟合预测模型搭配低拟合模型确定预测趋势范围,即将其对应的R2值作为预测趋势范围。
优选的,所述步骤3)中,若采集的数据达到或超过预设阈值,则预警。
优选的,所述步骤4)中,若采集的数据及预测趋势范围均达到或超过预设阈值,则持续预警。
优选的,所述数据为眨眼数据、血压数据、脉搏数据、皮温数据或肌电数据。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
本发明是以实验数据为依据,通过分析预测模型R2值(R2值表示拟合指数,值小于等于1,越接近1,说明模型拟合度越高),确定预测趋势的范围,实现预测模型的建立。模型建立后,还要定期采集数据对模型进行修正。再对预测趋势的范围与疲劳阈值进行比较,进行疲劳预警。数据量适中,预测准确度高,适用数据范围广。
附图说明
图1预测模型流程图;
图2选择3散点数据建模的常用模型;
图3眼眨动散点坐标总图;
图4眼眨动散点1~3散点预测模型图;
图5眼眨动散点3~5散点坐标(含检测点)图;
图6眼眨动散点3~5散点预测模型图;
图7眼眨动散点3~5散点预测模型修正图1;
图8眼眨动散点3~5散点预测模型修正图2;
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
参见图1,一种基于小数据动态预测模型的疲劳预警方法,包括如下步骤:
1)引入当前数据分别建立若干个预测模型,该若干个预测模型包括指数模型、线性模型、对数模型、多项式模型和乘幂模型等。建立预测模型所需的当前数据为小数据,包括2-5散点数据。
2)计算各个预测模型的R2值,令R2值等于1的作为高拟合预测模型,令R2值最小的作为低拟合预测模型。该步骤中R2值的计算方式包括如下:
在统计学中,R2值的计算方法如下:
R2值=回归平方和(ssreg)/总平方和(sstotal)
其中回归平方和=总平方和-残差平方和(ssresid)。总平方和:Const(常量)参数为True(真)的情况下,总平方和=y的实际值与平均值的平方差之和;Const(常量)参数为False(假)的情况下,总平方和=y的实际值的平方和。残差平方和:残差平方和=y的估计值与y的实际值的平方差之和。
在回归分析中,可以使用RSQ函数计算R2值。RSQ函数语法为RSQ(known_y's,known_x's),将源数据中的y轴数据和x轴数据分别代入,就可以求得其趋势线的R2值。
也可通过相关统计学软件直接得到,如SPSS(Statistical Product and ServiceSolutions),“统计产品与服务解决方案”软件。
3)根据高拟合预测模型和低拟合模型确定预测趋势范围,即将其对应的R2值作为预测趋势范围,确定预测趋势范围后,间隔一定的时间采集数据,以检测该预测趋势范围,判断该采集的数据是否处于预测趋势范围,若是,则无需修正预测趋势范围,进入4),若否,回到步骤1),根据采集的数据重新建立预测模型,修正预测趋势范围。
4)判断预测趋势范围是否达到或超过预设阈值,若是,则预警;若否,则回到步骤1)。
另外,在步骤3)中,若采集的数据达到或超过预设阈值,则预警。步骤4)中,若采集的数据及预测趋势范围均达到或超过预设阈值,则持续预警。
本发明的数据为眨眼数据、血压数据、脉搏数据、皮温数据或肌电数据或其他生理数据。数据采集可以不是均匀的,特别是像疲劳驾驶这种长时间预测,初始时采集间隔要短,便于尽快确定阈值和预测模型。中间采集间隔要长,避免数据冗余。一旦临近阈值,采集间隔要逐渐缩短,预测趋势也相应逐渐缩短,以便提高预测精度。
预设阈值的设定,不同的数据种类略有不同,要以实验测试为基准。
例如对于眼眨数据,假设以3个数据建模,预测第四个数据。所以取初始3个数据的平均值的4倍为阈值比较合理。还要参考一般眼眨动次数(每分钟12~15次)的阈值范围12*4~15*4,即48~60。低于48时,取初始3个数据的平均值的4倍为阈值。在48~60范围,取48为阈值。高于60取60为阈值。
应用举例:
通过对实验数据模型分析发现,如果利用2点建模,数据太少,只能建立单向模型,所有R2值为1,显然不适用。如果利用4点或4点以上建模,数据处理比较繁琐,采样周期偏长。优选利用3点建模,数据量适中,预测准确度高,适用数据范围广。
选择常用模型(指数、线性、对数、多项式、乘幂),以下面一组数据为例说明选择个数不同数据点的区别:
表1眼眨动1被试2数据表
◆选择初始的2散点数据常用模型:
Y1=6.125e0.1335x,R2=1;Y2=x+6,R2=1;
Y3=1.4427ln(x)+7,R2=1;Y4=7x0.1926,R2=1
所有模型的R2值为1,无法预测。
◆选择初始的3散点数据常用模型(R2值降序排列):
Y1=x2-2x+8,R2=1;Y2=5.4146e0.226x,R2=0.9472;Y3=2x+4.6667,R2=0.9231;Y4=6.7493x0.3879,R2=0.861;Y5=3.4042ln(x)+6.6335,R2=0.8254
选择最大值R2=1与最小值R2=0.8254的模型,即选择预测Y在下一个周期的最大值与最小值。
Y1=x2-2x+8;Y5=3.4042ln(x)+6.6335
当x=4时,即下一个周期的时间,代入模型:
Y1=42-2*4+8=16;Y2=3.4042*ln(4)+6.6335=11.35
预测趋势范围11.35~16,与第4个实际值13是拟合的。
◆选择初始的4散点数据常用模型:
选择最大值R2=1与最小值R2=0.8826的模型,
Y1=-0.5x3+4x2-7.5x+11,R2=1
Y2=4.3033ln(x)+6.3309,R2=0.8826
当x=5时,即下一个周期的时间,代入模型:
Y1=-0.5*53+4*52-7.5*5+11=11
Y2=4.3033*ln(5)+6.3309=13.26
预测趋势范围11~13.26,与第5个实际值8是不拟合的。
因此选择3散点数据建立模型最理想。并且以多项式的二次函数模型为高拟合模型,搭配其他函数模型为低拟合模型,就可以确定预测趋势范围。
确定预测趋势范围后,在预测周期之间,间隔一定的时间采集数据检测预测范围。当采集的数据属于预测趋势范围内时,不需要修正预测范围。当采集的数据不属于预测趋势范围内时,需要根据采集的数据重新建立模型,修正预测趋势范围。
阈值设定:根据实验分析,由于选择3散点数据建立模型,用于预测下一周期的趋势范围。因此取初始3个眼眨动次数的平均值的4倍为阈值,比较合理。表1被试2的阈值为((7+8+11)/3)*4=34.67。
阈值设定除了按照建立模型方式设定,还要参考平均眼眨动次数(每分钟12~15次)的阈值范围12*4~15*4,即48~60。低于48时,取初始3个数据的平均值的4倍为阈值。在48~60范围,取48下限为阈值。因为每分钟眼眨动超过60次是异常的,所以高于60取上限60为阈值。
利用眼眨动数据为例说明建立模型进行预测的全过程。
表2眼眨动2被试5数据表
阈值设定:该被试的阈值为(8+4+10)*4/3=29.33。
图3眼眨动散点坐标总图,为了描述采集数据检测预测范围,采集数据每5分钟1次。因此水平坐标取5分钟为基本单位。每次建模都将重建水平坐标原点。
◆眼眨动散点1~3建模:
Y1=0.3125x2-2.875x+10.563,R2=1
Y2=6.9375x-0.011,R2=0.0007
图4为眼眨动散点1~3散点预测模型图,预测趋势范围6.74~26.00,坐标总图第4个点实际值11,拟合。
◆眼眨动散点2~4建模:方法与眼眨动散点1~3建模相同。
Y1=-0.1562x2+2.4375x+1.7188,R2=1
Y2=4.0417e0.1265x,R2=0.82
预测趋势范围7.01~20.93,坐标总图第5个点实际值13,拟合。
◆眼眨动散点3~5建模:
Y1=0.0313x2+0.0625x+9.9063,R2=1
Y2=1.2078ln(x)+9.8008,R2=0.8089
图5眼眨动散点3~5散点坐标(含检测点)图,预测趋势范围12.90~16.01,坐标总图第6个点实际值27,不拟合,需要修正。
图6眼眨动散点3~5散点预测模型图,间隔5分钟采集一次检测数据,当x=10时,预测趋势范围12.58~13.66,采集数据为15,需要修正。用散点4、5和第一次采集点建模,修正后的模型为:
Y1=0.3x2-1.3x+12,R2=1
Y2=1.8428ln(x)+10.911,R2=0.8254
图7眼眨动散点3~5散点预测模型修正图1
当x=7时,预测趋势范围14.50~17.60,采集数据为18,需要修正。用散点5和第一、二次采集点建模,修正后的模型为:
Y1=0.5x2+0.5x+12,R2=1
Y2=4.3718ln(x)+12.722,R2=0.9314
图8眼眨动散点3~5散点预测模型修正图2
当x=4时,预测趋势范围18.78~22,采集数据为20,不需要修正。
当x=5时,预测趋势范围19.76~27,坐标总图第6个点实际值27,拟合。修正完成。
◆眼眨动散点4~6建模:
Y1=0.375x2-1.75x+12.375,R2=1
Y2=6.0028ln(x)+9.3831,R2=0.6135
预测趋势范围24.78~53,坐标总图第7个点实际值18。不拟合,需要修正。修正方法与3~5相同。
◆眼眨动散点5~7建模:
Y1=-0.6875x2+7.625x+6.0625,R2=1
Y2=14.848e0.0474x,R2=0.2695
预测趋势范围-14~27.50,眼眨动不可能为负,因此预测趋势范围0~27.50,坐标总图第8个点实际值27,拟合。
眼眨动散点6~8建模:
Y1=0.5625x2-5.625x+32.063,R2=1
Y2=24,R2=0
预测趋势范围24.00~54.00,坐标总图第9个点实际值19,不拟合,需要修正。修正方法与3~5相同。修正过程中,当修正后的预测趋势范围达到或超过阈值29.33时,需要预警,反之解除预警。
◆眼眨动散点7~9建模:
Y1=-0.5313x2+5.4375x+13.094,R2=1
Y2=0.125x+20.708,R2=0.0103
预测趋势范围-6.01~22.33,眼眨动不可能为负,因此预测趋势范围0~22.33,坐标总图第10个点实际值12,拟合。
◆眼眨动散点8~10建模:
Y1=0.0313x2-2.1875x+29.156,R2=1
Y2=28.112x-0.337,R2=0.8893
预测趋势范围6.01~11.84,坐标总图第11个点实际值40,不拟合,需要修正。修正方法与3~5相同。修正过程中,当采集的检测数据达到或超过阈值29.33时,需要预警,反之解除预警。
◆眼眨动散点9~11建模:
Y1=1.0938x2-8.3125x+26.219,R2=1
Y2=16.075x0.2066,R2=0.1496
预测趋势范围27.31~103.01,坐标总图第12个点实际值42,拟合,达到阈值,需要持续预警。
检验坐标总图第13个点实际值35,也达到阈值,需要预警。说明预测准确。
实验数据
眼眨动1:次/15分钟,共120分钟
眼眨动2:次/20分钟,共240分钟
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (3)
1.一种基于小数据动态预测模型的疲劳预警方法,其特征在于,包括如下步骤:
1)引入当前数据分别建立若干个预测模型,包括,选择连续的3散点数据分别建立若干个预测模型,预测模型包括指数模型、线性模型、对数模型、多项式模型和乘幂模型,所述当前数据为眨眼数据、血压数据、脉搏数据、皮温数据或肌电数据,所述当前数据为小数据;
2)计算各个预测模型的R2值,令R2值等于1的作为高拟合预测模型;令R2值最小的作为低拟合预测模型, 所述R2值表示拟合指数;
3)根据高拟合预测模型的输出和低拟合模型的输出确定预测趋势范围,确定预测趋势范围后,间隔一定的时间采集数据,以检测该预测趋势范围,采集的数据为眨眼数据、血压数据、脉搏数据、皮温数据或肌电数据,判断该采集的数据是否处于预测趋势范围,若是,则无需修正预测趋势范围,进入4),若否,采用当前数据中的其他点替代所述3散点数据中部分点组成新的3散点数据回到步骤1)重新建立预测模型,修正预测趋势范围;
4)判断预测趋势范围的最大值是否达到或超过预设疲劳阈值,若是,则预警;若否,则回到步骤1)。
2.如权利要求1所述的一种基于小数据动态预测模型的疲劳预警方法,其特征在于,所述步骤3)中,若采集的数据达到或超过预设阈值,则预警。
3.如权利要求1所述的一种基于小数据动态预测模型的疲劳预警方法,其特征在于,所述步骤4)中,若采集的数据及预测趋势范围的最大值均达到或超过预设阈值,则持续预警。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330724.7A CN109616201B (zh) | 2018-11-09 | 2018-11-09 | 一种基于小数据动态预测模型的疲劳预警方法 |
PCT/CN2019/079213 WO2020093644A1 (zh) | 2018-11-09 | 2019-03-22 | 一种基于小数据动态预测模型的疲劳预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330724.7A CN109616201B (zh) | 2018-11-09 | 2018-11-09 | 一种基于小数据动态预测模型的疲劳预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109616201A CN109616201A (zh) | 2019-04-12 |
CN109616201B true CN109616201B (zh) | 2023-10-31 |
Family
ID=66003710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811330724.7A Active CN109616201B (zh) | 2018-11-09 | 2018-11-09 | 一种基于小数据动态预测模型的疲劳预警方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109616201B (zh) |
WO (1) | WO2020093644A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112903001A (zh) * | 2019-12-03 | 2021-06-04 | 财团法人纺织产业综合研究所 | 织物定型机的操作方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598993A (zh) * | 2015-01-14 | 2015-05-06 | 南京信息工程大学 | 基于眨眼次数的驾驶员疲劳驾驶预测方法 |
CN106534844A (zh) * | 2016-11-15 | 2017-03-22 | 中国科学院软件研究所 | 基于心电和眼电信号的三维显示视疲劳评估系统和方法 |
CN106934368A (zh) * | 2017-03-13 | 2017-07-07 | 长安大学 | 一种基于眼动指标数据的驾驶疲劳检测系统及识别方法 |
CN107368922A (zh) * | 2017-07-20 | 2017-11-21 | 华中师范大学 | 基于夜间灯光强度的城市住宅平均房价预估方法 |
CN108021535A (zh) * | 2016-11-03 | 2018-05-11 | 北京国双科技有限公司 | 数据拟合方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101339511B1 (ko) * | 2011-01-26 | 2013-12-10 | 한국환경공단 | 수질 다 항목을 이용한 총 질소 예측 장치 및 방법 |
US8988524B2 (en) * | 2013-03-11 | 2015-03-24 | The United States Of America As Represented By The Secretary Of The Army | Apparatus and method for estimating and using a predicted vehicle speed in an indirect vision driving task |
CN107992958B (zh) * | 2016-10-26 | 2022-03-04 | 航天信息股份有限公司 | 基于arma的人口超限预警方法 |
CN108245171B (zh) * | 2017-12-28 | 2020-12-25 | 东软集团股份有限公司 | 获取参数模型的方法、疲劳检测方法及装置、介质及设备 |
-
2018
- 2018-11-09 CN CN201811330724.7A patent/CN109616201B/zh active Active
-
2019
- 2019-03-22 WO PCT/CN2019/079213 patent/WO2020093644A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598993A (zh) * | 2015-01-14 | 2015-05-06 | 南京信息工程大学 | 基于眨眼次数的驾驶员疲劳驾驶预测方法 |
CN108021535A (zh) * | 2016-11-03 | 2018-05-11 | 北京国双科技有限公司 | 数据拟合方法和装置 |
CN106534844A (zh) * | 2016-11-15 | 2017-03-22 | 中国科学院软件研究所 | 基于心电和眼电信号的三维显示视疲劳评估系统和方法 |
CN106934368A (zh) * | 2017-03-13 | 2017-07-07 | 长安大学 | 一种基于眼动指标数据的驾驶疲劳检测系统及识别方法 |
CN107368922A (zh) * | 2017-07-20 | 2017-11-21 | 华中师范大学 | 基于夜间灯光强度的城市住宅平均房价预估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109616201A (zh) | 2019-04-12 |
WO2020093644A1 (zh) | 2020-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287552B (zh) | 基于改进随机森林算法的电机轴承故障诊断方法及系统 | |
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
CN111275307A (zh) | 一种水质自动在线站高频连续观测数据质量控制方法 | |
CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
CN114244751B (zh) | 无线传感器网络异常检测方法和系统 | |
CN109616201B (zh) | 一种基于小数据动态预测模型的疲劳预警方法 | |
CN111967717A (zh) | 一种基于信息熵值的数据质量评价方法 | |
CN101237357B (zh) | 工业无线传感器网络故障在线检测方法 | |
CN116090605A (zh) | 一种管网预警方法、装置、电子设备及存储介质 | |
CN113868953A (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN113988723A (zh) | 一种基于用电数据异常分析的用户行为锁定方法和系统 | |
CN117454201B (zh) | 一种智慧电网异常运行状态检测方法及系统 | |
CN110826859A (zh) | 一种基于日电量远程识别用户用电性质的方法及系统 | |
CN112016206A (zh) | 判定塔架失稳状态的方法、系统、计算机设备及应用 | |
KR20220132824A (ko) | 배전설비 상태 이상 개소 감시 시스템 및 방법 | |
CN105139122A (zh) | 程序运行时长的统计方法及系统 | |
CN108109675B (zh) | 一种实验室质量控制数据管理系统 | |
CN113468823B (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
CN115145902A (zh) | 数据处理方法,装置,存储介质以及电子设备 | |
CN113807743A (zh) | 一种电网调度自动化软件可靠性评估方法及系统 | |
CN111428345B (zh) | 一种随机性负载扰动控制系统的性能评价系统及方法 | |
US11131985B2 (en) | Noise generation cause estimation device | |
CN108108864B (zh) | 一种实验室质量控制数据管理方法 | |
CN117540225B (zh) | 一种基于DBSCAN聚类的分布式ups系统一致性评估系统及方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 518000 Xili street xilihu town xilihu bank, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Vocational and Technical University Address before: 518000 No. 7098, Liu Xian Avenue, Nanshan District, Shenzhen, Guangdong. Applicant before: SHENZHEN POLYTECHNIC |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |