CN109993222B - 数据异常检测系统及方法 - Google Patents
数据异常检测系统及方法 Download PDFInfo
- Publication number
- CN109993222B CN109993222B CN201910228194.3A CN201910228194A CN109993222B CN 109993222 B CN109993222 B CN 109993222B CN 201910228194 A CN201910228194 A CN 201910228194A CN 109993222 B CN109993222 B CN 109993222B
- Authority
- CN
- China
- Prior art keywords
- data
- interference value
- value
- original
- normalized
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种数据异常检测系统及方法,数据异常检测方法包括如下步骤:对原始数据进行预处理,以去除原始数据中的干扰值,并对去除干扰值后的数据进行填充;对填充后的数据进行归一化处理;将归一化处理后的数据进行整形,以得到有监督的数据;利用LSTM网络对有监督的数据进行分析,以得到预测数据;将预测数据与真实数据比对以判断原始数据是否异常。本发明的数据异常检测方法可以实现对数据进行快速、准确的异常检测,在如飞机等出现异常时可以即时处理,从而确保飞机飞行的绝对安全;本发明的数据异常检测系统在对数据进行异常检测时,具有速度快、准确率高等优点。
Description
技术领域
本发明属于大数据处理技术领域,特别是涉及一种数据异常检测系统及方法。
背景技术
现阶段,对于飞行数据的异常检测来说,现阶段并没有什么算法能够有效地对飞行数据进行很好的处理。之前,有很多统计学的方法用在了数据处理上。但是利用统计方法去处理飞机飞行中产生的大量的时序数据并不现实。其一,统计学方法只能从整体上显现出数据中呈现的总体规律和变化,但是并不能有效的对时间前后的数据进行有效的关联。其二,飞机的数据由多个在飞机上的传感器产生,数据的维度较大,统计学方法也很难对不同传感器的数据进行联系。导致很多有用的信息丢失。其三,统计学方法的性能对于数据的大小非常敏感,处理数据量不大的数据并不会产生太大的问题,但是处理由飞机产生的大量数据,其在实际操作过程中的性能就不能满足人们的需要了。
于是,深度学习方法为我们提供了一个有效工具。深度学习方法利用大数据,对数据在时间维度和空间维度进行关联,能够在某种程度有效地对飞机的飞行数据进行处理。其中,长短期记忆网络(LSTM),作为处理时序数据的佼佼者,成为了我们分析飞机飞行时序数据的有效工具。但是,单纯的LSTM网络在处理飞机飞行数据,这一数据量很大的数据时存在一些问题。首先,预测的精度并不够高,预测值和真实的情况之间存在一定的误差,对我们从数据的角度对数据进行异常检测提供了一定的难度。其次,在数据中通常存在由于某些非飞机的问题带来的干扰数据,这些数据并不能指示飞行异常,但是LSTM通常也会将这些时刻的数据当作异常处理,从某个程度进一步降低了LSTM进行数据预测的准确率。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种数据异常检测系统及方法,用于解决现有技术中对数据进行检测分析时存在的速度慢、准确率低等问题。
为实现上述目的及其他相关目的,本发明提供一种数据异常检测方法,所述数据异常检测方法包括如下步骤:
对原始数据进行预处理,以去除所述原始数据中的干扰值,并对去除所述干扰值后的数据进行填充;
对填充后的数据进行归一化处理;
将归一化处理后的数据进行整形,以得到有监督的数据;
利用LSTM网络对所述有监督的数据进行分析,以得到预测数据;
将所述预测数据与真实数据比对以判断所述原始数据是否异常。
可选地,所述原始数据包括飞机的低维飞行数据。
可选地,所述原始数据包括若干个数值的数据序列,去除所述原始数据中的干扰值,并对去除所述干扰值后的数据进行填充包括如下步骤:
确定所述原始数据中的干扰值,并将所述干扰值去除;所述干扰值去除后,所述原始数据的数据序列中存在因所述干扰值去除而产生的空白位;
将所述干扰值前一个非干扰值及所述干扰值后一个非干扰值加和平均以得到插入值,并将所述插入值插入至所述空白位。
可选地,对填充后的数据进行归一化处理进行归一化处理的公式为:
其中,x为填充后的数据中需要进行归一化处理的数值,min为填充后的数据中的最小值,max为填充后的数据中的最大值,x*为归一化后的数值。
可选地,归一化处理后的数据中每一行数据仅包括某一时刻获取的所有数据,对归一化处理后的数据进行整形包括:对归一化处理后的数据中每一行数据进行调整,以使得到的所述有监督的数据中每一行数据即包括某一时刻获取的所有数据,又包括该时刻之前若干个时刻获取的所有数据。
可选地,将所述预测数据与真实数据比对以判断所述原始数据是否异常的方法包括:
得到所述预测数据与所述真实数据的差值;
将所述预测数据与所述真实数据的差值与预设阈值进行比对,若所述预测数据与所述真实数据的差值大于所述预设阈值,则所述原始数据异常,若所述预测数据与所述真实数据的差值小于所述预设阈值,则所述原始数据正常。
本发明还提供一种数据异常检测系统,所述数据异常检测系统包括:
预处理模块,用于对原始数据进行预处理,以去除所述原始数据中的干扰值,并对去除所述干扰值后的数据进行填充;
归一化处理模块,与所述预处理模块相连接,所述归一化处理模块用于对填充后的数据进行归一化处理;
整形处理模块,与所述归一化处理模块相连接,所述整形处理模块用于对归一化处理后的数据进行整形,以得到有监督的数据;
分析模块,与所述整形处理模块相连接,所述分析模块用于利用LSTM网络对所述有监督的数据进行分析,以得到预测数据;
比对判断模块,与所述分析模块相连接,所述比对判断模块用于将所述预测数据与真实数据比对以判断所述原始数据是否异常。
如上所述,本发明的数据异常检测系统及方法,具有以下有益效果:
本发明的数据异常检测方法可以实现对数据进行快速、准确的异常检测,在如飞机等出现异常时可以即时处理,从而确保飞机飞行的绝对安全;
本发明的数据异常检测系统在对数据进行异常检测时,具有速度快、准确率高等优点。
附图说明
图1显示为本发明实施例一中提供的数据异常检测方法的流程图。
图2显示为本发明实施例二中提供的数据异常检测系统的框图。
元件标号说明
1 预处理模块
2 归一化处理模块
3 整形处理模块
4 分析模块
5 比对判断模块
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1至图2。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,虽图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的形态、数量及比例可为一种随意的改变,且其组件布局形态也可能更为复杂。
实施例一
请参阅图1,本发明提供一种数据异常检测方法,所述数据异常检测方法包括如下步骤:
1)对原始数据进行预处理,以去除所述原始数据中的干扰值,并对去除所述干扰值后的数据进行填充;
2)对填充后的数据进行归一化处理;
3)将归一化处理后的数据进行整形,以得到有监督的数据;
4)利用LSTM网络对所述有监督的数据进行分析,以得到预测数据;
5)将所述预测数据与真实数据比对以判断所述原始数据是否异常。
在步骤1)中,请参阅图1中的S1步骤,对原始数据进行预处理,以去除所述原始数据中的干扰值,并对去除所述干扰值后的数据进行填充。
作为示例,所述原始数据包括飞机的低维飞行数据。
作为示例,所述原始数据可以包括若干个数值的数据序列。
作为示例,所述原始数据可以为传感器(譬如,飞机上的各个传感器)收集到的数据,由于所述传感器自身的问题或是数据在传输过程中噪声的影响,有可能在所述原始数据中可能存在一些明显处于所述传感器测量范围之外的数值或者是直接实现为NaN(Not aNumber,无穷与非数值)。这样的数据(本实施例中称为干扰值)并不能说明汽车的驾驶处于异常状态,而将这样的数据输入到异常检测系统进行异常检测时,往往会带来错报的结果。所以,在得到所述原始数据之后,需要对所述原始数据进行预处理以去除这些干扰值。
作为示例,步骤1)可以包括如下步骤:
1-1)确定所述原始数据中的干扰值,所述干扰值记为xt,并将所述干扰值xt去除;所述干扰值xt去除后,所述原始数据的数据序列中存在因所述干扰值xt去除而产生的空白位;
1-2)将所述干扰值xt前一个非干扰值xt-1及所述干扰值后一个非干扰值xt+1加和平均以得到插入值x't,并将所述插入值x't插入至所述空白位。
具体的,所述插入值x't的公式为:
在步骤2)中,请参阅图1中的S2步骤,对填充后的数据进行归一化处理。
将所述原始数据中的所述干扰值去除后,所述原始数据中的数值之间的差距会非常大,所以需要对填充后的数据进行归一化处理,以使得填充后的数据中所有数值的值域处于相同的范围;优选地,本实施例中,选择将填充后的数据中的数值统一置于0到1的范围之内。
作为示例,对填充后的数据进行归一化处理进行归一化处理的公式为:
其中,x为填充后的数据中需要进行归一化处理的数值,min为填充后的数据中的最小值,max为填充后的数据中的最大值,x*为归一化后的数值。
在步骤3)中,请参阅图1中的S3步骤,将归一化处理后的数据进行整形,以得到有监督的数据。
作为示例,归一化处理后的数据中每一行数据仅包括某一时刻获取的所有数据,对归一化处理后的数据进行整形包括:对归一化处理后的数据中每一行数据进行调整,以使得到的所述有监督的数据中每一行数据即包括某一时刻获取的所有数据,又包括该时刻之前若干个时刻获取的所有数据,即所述有监督的数据是指每一行数据同时包括某一时刻获取的所有数据即该时刻之前若干个时刻获取的所有数据。
在步骤4)中,请参阅图1中的S4步骤,利用LSTM网络对所述有监督的数据进行分析,以得到预测数据。
作为示例,所述LSTM网络能够有效地分析出前后时刻数据。不同传感器数据之间的关系,并基于此,分析出所述预测数据。利用所述LSTM网络对所述有监督的数据进行分析以得到预测数据的具体方法为本领域技术人员所知晓,此处不再累述。
在步骤5)中,请参阅图1中的S5步骤,将所述预测数据与真实数据比对以判断所述原始数据是否异常。
作为示例,步骤5)可以包括如下步骤:
5-1)得到所述预测数据与所述真实数据的差值;
5-2)将所述预测数据与所述真实数据的差值与预设阈值进行比对,若所述预测数据与所述真实数据的差值大于所述预设阈值,则所述原始数据异常,若所述预测数据与所述真实数据的差值小于所述预设阈值,则所述原始数据正常。
当所述原始数据为飞机的低维飞行数据时,在步骤5)中若判断所述原始数据异常,则可以判定飞机在飞行过程中存在异常,从而可以将这种异常直接反馈给飞机操作人员,如果所述预测数据与所述真实数据的差值非常大,飞机也可以直接执行某些操作,从而确保飞机飞行的绝对安全。
本发明的数据异常检测方法可以实现对数据进行快速、准确的异常检测,在如飞机等设备出现异常时可以即时采取处理,从而确保飞机飞行的绝对安全
实施例二
请参阅图2,本发明还提供一种数据异常检测系统,所述数据异常检测系统包括:预处理模块1,所述预处理模块1用于对原始数据进行预处理,以去除所述原始数据中的干扰值,并对去除所述干扰值后的数据进行填充;归一化处理模块2,所述归一化处理模块2与所述预处理模块1相连接,所述归一化处理模块2用于对填充后的数据进行归一化处理;整形处理模块3,所述整形处理模块3与所述归一化处理模块2相连接,所述整形处理模块3用于对归一化处理后的数据进行整形,以得到有监督的数据;分析模块4,所述分析模块4与所述整形处理模块3相连接,所述分析模块4用于利用LSTM网络对所述有监督的数据进行分析,以得到预测数据;比对判断模块5,所述比对判断模块5与所述分析模块4相连接,所述比对判断模块5用于将所述预测数据与真实数据比对以判断所述原始数据是否异常。
本发明的数据异常检测系统在对数据进行异常检测时,具有速度快、准确率高等优点。
综上所述,本发明提供一种数据异常检测系统及方法,所述数据异常检测方法包括如下步骤:对原始数据进行预处理,以去除所述原始数据中的干扰值,并对去除所述干扰值后的数据进行填充;对填充后的数据进行归一化处理;将归一化处理后的数据进行整形,以得到有监督的数据;利用LSTM网络对所述有监督的数据进行分析,以得到预测数据;将所述预测数据与真实数据比对以判断所述原始数据是否异常。本发明的数据异常检测方法可以实现对数据进行快速、准确的异常检测,在如飞机等出现异常时可以即时处理,从而确保飞机飞行的绝对安全;本发明的数据异常检测系统在对数据进行异常检测时,具有速度快、准确率高等优点。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (4)
1.一种数据异常检测方法,其特征在于,包括如下步骤:
对原始数据进行预处理,以去除所述原始数据中的干扰值,并对去除所述干扰值后的数据进行填充;所述原始数据包括飞机的低维飞行数据;所述原始数据包括若干个数值的数据序列,去除所述原始数据中的干扰值,并对去除所述干扰值后的数据进行填充包括如下步骤:
确定所述原始数据中的干扰值,并将所述干扰值去除;所述干扰值去除后,所述原始数据的数据序列中存在因所述干扰值去除而产生的空白位;
将所述干扰值前一个非干扰值及所述干扰值后一个非干扰值加和平均以得到插入值,并将所述插入值插入至所述空白位;
对填充后的数据进行归一化处理;归一化处理后的数据中每一行数据仅包括某一时刻获取的所有数据;
将归一化处理后的数据进行整形,以得到有监督的数据;对归一化处理后的数据进行整形包括:对归一化处理后的数据中每一行数据进行调整,以使得到的所述有监督的数据中每一行数据即包括某一时刻获取的所有数据,又包括该时刻之前若干个时刻获取的所有数据;
利用LSTM网络对所述有监督的数据进行分析,以得到预测数据;
将所述预测数据与真实数据比对以判断所述原始数据是否异常。
3.根据权利要求1所述的数据异常检测方法,其特征在于:将所述预测数据与真实数据比对以判断所述原始数据是否异常的方法包括:
得到所述预测数据与所述真实数据的差值;
将所述预测数据与所述真实数据的差值与预设阈值进行比对,若所述预测数据与所述真实数据的差值大于所述预设阈值,则所述原始数据异常,若所述预测数据与所述真实数据的差值小于所述预设阈值,则所述原始数据正常。
4.一种数据异常检测系统,其特征在于,包括:
预处理模块,用于对原始数据进行预处理,以去除所述原始数据中的干扰值,并对去除所述干扰值后的数据进行填充;所述原始数据包括飞机的低维飞行数据;所述原始数据包括若干个数值的数据序列,去除所述原始数据中的干扰值,并对去除所述干扰值后的数据进行填充包括:确定所述原始数据中的干扰值,并将所述干扰值去除;所述干扰值去除后,所述原始数据的数据序列中存在因所述干扰值去除而产生的空白位;将所述干扰值前一个非干扰值及所述干扰值后一个非干扰值加和平均以得到插入值,并将所述插入值插入至所述空白位;
归一化处理模块,与所述预处理模块相连接,所述归一化处理模块用于对填充后的数据进行归一化处理;归一化处理后的数据中每一行数据仅包括某一时刻获取的所有数据;
整形处理模块,与所述归一化处理模块相连接,所述整形处理模块用于对归一化处理后的数据进行整形,以得到有监督的数据;对归一化处理后的数据进行整形包括:对归一化处理后的数据中每一行数据进行调整,以使得到的所述有监督的数据中每一行数据即包括某一时刻获取的所有数据,又包括该时刻之前若干个时刻获取的所有数据;
分析模块,与所述整形处理模块相连接,所述分析模块用于利用LSTM网络对所述有监督的数据进行分析,以得到预测数据;
比对判断模块,与所述分析模块相连接,所述比对判断模块用于将所述预测数据与真实数据比对以判断所述原始数据是否异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910228194.3A CN109993222B (zh) | 2019-03-25 | 2019-03-25 | 数据异常检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910228194.3A CN109993222B (zh) | 2019-03-25 | 2019-03-25 | 数据异常检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993222A CN109993222A (zh) | 2019-07-09 |
CN109993222B true CN109993222B (zh) | 2022-10-04 |
Family
ID=67131384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910228194.3A Active CN109993222B (zh) | 2019-03-25 | 2019-03-25 | 数据异常检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993222B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310915B (zh) * | 2020-01-21 | 2023-09-01 | 浙江工业大学 | 一种面向强化学习的数据异常检测防御方法 |
CN111552921A (zh) * | 2020-04-15 | 2020-08-18 | 成都飞机工业(集团)有限责任公司 | 一种用于异常检测的飞行数据预处理方法 |
CN112559803A (zh) * | 2020-07-08 | 2021-03-26 | 北京德风新征程科技有限公司 | 一种基于迭代的数据异常检测方法和检测系统 |
CN112633361A (zh) * | 2020-12-20 | 2021-04-09 | 中国人民解放军空军预警学院 | 一种基于lstm神经网络的飞行紧急事件预测方法及装置 |
CN113255792B (zh) * | 2021-06-01 | 2021-12-17 | 广东粤港澳大湾区硬科技创新研究院 | 一种数据异常点检测方法、装置、系统、以及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109302410A (zh) * | 2018-11-01 | 2019-02-01 | 桂林电子科技大学 | 一种内部用户异常行为检测方法、系统及计算机存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10587635B2 (en) * | 2017-03-31 | 2020-03-10 | The Boeing Company | On-board networked anomaly detection (ONAD) modules |
-
2019
- 2019-03-25 CN CN201910228194.3A patent/CN109993222B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109302410A (zh) * | 2018-11-01 | 2019-02-01 | 桂林电子科技大学 | 一种内部用户异常行为检测方法、系统及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
综合数据清洗及无监督学习技术的电力设备状态评估;魏金萧等;《水电能源科学》;20160925(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109993222A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993222B (zh) | 数据异常检测系统及方法 | |
CN109919306B (zh) | 高维数据异常检测系统及方法 | |
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
CN112115897B (zh) | 多指针仪表报警检测方法、装置、计算机设备及存储介质 | |
CN110648305B (zh) | 工业图像检测方法、系统与计算机可读记录介质 | |
US7716152B2 (en) | Use of sequential nearest neighbor clustering for instance selection in machine condition monitoring | |
US9135103B2 (en) | Hybrid memory failure bitmap classification | |
CN108956111B (zh) | 一种机械部件的异常状态检测方法及检测系统 | |
US20190130555A1 (en) | Automated optical inspection (aoi) image classification method, system and computer-readable media | |
CN112329713A (zh) | 网络流量异常在线检测方法、系统、计算机设备及存储介质 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
CN114553591B (zh) | 随机森林模型的训练方法、异常流量检测方法及装置 | |
US20190187555A1 (en) | Automatic inline detection and wafer disposition system and method for automatic inline detection and wafer disposition | |
CN115471503B (zh) | 用于数控剖锭机的设备异常检测方法 | |
CN112478975A (zh) | 基于音频特征的电梯门故障检测方法 | |
CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN111274543A (zh) | 一种基于高维空间映射的航天器系统异常检测方法 | |
CN112070073A (zh) | 一种基于马尔可夫链转移概率矩阵特征值分类与支持向量机的测井曲线异常判别方法 | |
CN112305379A (zh) | 一种用于gis绝缘缺陷的模式识别方法及系统 | |
CN110781612A (zh) | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 | |
CN112462442B (zh) | 重磁位场场源位置估计方法、系统、介质及电子设备 | |
CN113033639A (zh) | 一种异常数据检测模型的训练方法、电子设备及存储介质 | |
CN116993710A (zh) | 纺丝工艺的检测方法、装置、电子设备及存储介质 | |
CN107038143A (zh) | 基于改进的多层人工免疫网络模型的皮带秤故障诊断方法 | |
CN113095364B (zh) | 利用卷积神经网络的高铁地震事件提取方法、介质及设备 |
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 |