CN110543166A - 一种加权k近邻标准化方法的多模态工业过程故障检测方法 - Google Patents
一种加权k近邻标准化方法的多模态工业过程故障检测方法 Download PDFInfo
- Publication number
- CN110543166A CN110543166A CN201910883371.1A CN201910883371A CN110543166A CN 110543166 A CN110543166 A CN 110543166A CN 201910883371 A CN201910883371 A CN 201910883371A CN 110543166 A CN110543166 A CN 110543166A
- Authority
- CN
- China
- Prior art keywords
- fault detection
- sample
- weighted
- nearest neighbor
- modeling
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及多模态工业过程故障检测技术领域,且公开了一种加权k近邻标准化方法的多模态工业过程故障检测方法,包括建模阶段和检测阶段;所述建模阶段包括以下步骤:采集过程中不同模态的正常数据,并将其作为整体组成训练集X∈Rn×m;该加权k近邻标准化方法的多模态工业过程故障检测方法,通过引入距离的权值,保证WKNS方法应用过程中能够强化来自同一模态的信息,弱化不同模态信息,同时使计算过程不需要根据经验确定近邻参数k值,有效地消除了不同模态和阶段间的模态效应,结合WKNS‑PCA方法,不需要单模态独立建模和对新测试样本模态归属的划分;使传统的单一模态故障检测方法得到应用,具有一定的泛化能力并提高了故障检测精度。
Description
技术领域
本发明涉及多模态工业过程故障检测技术领域,具体为一种加权k近邻标准化方法的多模态工业过程故障检测方法。
背景技术
近年来,基于统计理论的工业过程故障检测方法得到了较快的发展,针对复杂过程的不同特性,专家们也提出了不同的解决策略,但这些方法大多应用在假设生产过程处于单一的稳态情况,然而在实际工业生产过程中,由于产品特性的需求或者企业生产结构调整都有可能导致生产过程发生变化,过程结构的多模态化或多阶段化也会导致过程数据符合不同模态分布的情况,这就会限制单模态过程故障检测方法的使用,导致出现较多的误报或漏报,因此,对多模态工业过程的故障检测方法的研究是必要的。
现有故障检测方法一般为z-score方法和LNS方法,z-score方法仅可以有效地处理单一分布特性数据,对于多模态过程数据并不适用;LNS方法在一定程度上能够改善数据处理效果,但该方法对近邻参数k没有合理的选择方法,仅给出了大致的范围,只能通过试凑和自身经验选取,当k值选取不佳时将造成数据处理结果达不到理想效果,降低检测结果的准确性。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种加权k近邻标准化方法的多模态工业过程故障检测方法,具备故障检测精度高等优点,解决了故障检测精度低的问题。
(二)技术方案
为实现上述多模态故障检测和参数k合理选取的目的,本发明提供如下技术方案:
本发明提供一种加权k近邻标准化方法的多模态工业过程故障检测方法,包括建模阶段和检测阶段;
所述建模阶段包括以下步骤:
1)采集过程中不同模态的正常数据,并将其作为整体组成训练集X∈Rn×m;
2)采用欧氏距离作为衡量标准,找到X中每一个样本xi的k个局部邻域,组成局部子集n(xi), 表示样本点xi的第k个近邻样本;
3)在对训练集中样本点xa进行标准化处理时,首先找到xa的第一最近邻xf,然后根据式对该数据点进行标准化处理,式中mj=mean[n1(xf),n2(xf),…,nj(xf)]为数据点xa的第一近邻xf的前j个近邻样本的均值;sj=std[n1(xf),n2(xf),…,nj(xf)]为数据点xa的第一近邻xf的前j个近邻样本的标准差,权值wj可以根据式确定,其中,d(xf,nj(xf))为数据点xf到xf的第j个最近邻点的欧氏距离,权值满足式条件;
4)建模数据集中其余样本也可以通过上述方法进行标准化处理,得到新的近似服从高斯分布的建模数据集
5)对进行分解,并计算两个监控统计指标控制阈值和所述检测阶段包括以下步骤:
1)对于新的样本xnew,确定其在训练集中的最近邻xnew1,并找到xnew1的局部最近邻n(xnew1);
2)利用样本xnew1的邻域信息,计算加权邻域的均值和标准差,并对xnew进行标准化处理,得到
3)将标准化处理后的新样本分别投影到PCA模型的主元空间和残差空间,并根据计算当前样本对应的统计指标;
4)通过比较统计指标与控制阈值的大小,确定新样本xnew是否存在故障。
2.优选的,所述建模阶段步骤四中所述建模阶段步骤五中
优选的,所述检测阶段步骤三中Λ=diag{λ1,…,λA}。
优选的,所述λj为的协方差矩阵的特征值,Cα为标准正态分布在置信水平α下的阈值,A为PCA模型的主元个数,m为数据的维数,FA,n-A;α是带有A和n-A个自由度,且置信水平为α的F分布临界值。
优选的,所述如果实时统计指标大于控制阈值,则该样本故障;反之,样本正常。
(三)有益效果
与现有技术相比,本发明提供了一种加权k近邻标准化方法的多模态工业过程故障检测方法,具备以下有益效果:
1、该加权k近邻标准化方法的多模态工业过程故障检测方法,通过引入距离的权值,保证WKNS方法应用过程中能够强化来自同一模态的信息,弱化不同模态信息,同时使计算过程不需要根据经验确定近邻参数k值,有效地消除了不同模态和阶段间的模态效应,结合WKNS-PCA方法,该方法不需要单模态独立建模和对新测试样本模态归属的划分;也可以使传统的单一模态故障检测方法得到应用,具有一定的泛化能力并提高了故障检测精度。
2、该加权k近邻标准化方法的多模态工业过程故障检测方法,通过WKNS方法充分考虑了传统数据标准化方法在处理多模态数据时存在的不足,将不同模态并且服从不同分布的数据转化为近似符合同一模态的数据,使传统的方法得以应用;WKNS-PCA方法在使用时可以有效避免建模过程中建立多个模态模型和检测过程中判断新样本属于哪一模型的情况,同时也大大提高了故障检测精度。
附图说明
图1为本发明建模与检测流程图;
图2为本发明测试数据1的故障检测结果图;
图3为本发明测试数据2的故障检测结果图;
图4为本发明WKNS标准化x1和x2信息图;
图5为本发明WKNS标准化x1和x2正态概率图;
图6为本发明WKNS标准化x1和x2密度估计图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1-6,本发明提供一种加权k近邻标准化方法的多模态工业过程故障检测方法,WKNS-PCA故障检测方法,用于对多模态过程进行有效检测,提高过程检测的精度并降低误报与漏报率,WKNS-PCA方法主要,包括建模阶段和检测阶段;建模阶段包括以下步骤:1)采集过程中不同模态的正常数据,并将其作为整体组成训练集X∈Rn×m;2)采用欧氏距离作为衡量标准,找到X中每一个样本xi的k个局部邻域,组成局部子集n(xi);3)在对训练集中样本xa进行标准化处理时,首先找到xa的第一最近邻xf,然后根据式对该数据点进行标准化处理,式中mj=mean[n1(xf),n2(xf),…,nj(xf)]为数据点xa的第一近邻xf的前j个近邻样本的均值;sj=std[n1(xf),n2(xf),…,nj(xf)]为数据点xa的第一近邻xf的前j个近邻样本的标准差,权值wj可以根据式确定,其中,d(xf,nj(xf))为数据点xf到xf的第j个最近邻点的欧氏距离,值得注意的是,距离d(xf,nj(xf))越小,权值越大,此时使用到的邻域信息量越多;当距离足够大(两个数据点属于不同模态)时,权值会很小,标准化样本时使用到的非本模态数据信息几乎为零,合理利用局部信息有利于改善数据的标准化处理效果,权值满足式条件;4)求取邻域样本均值和标准差,并结合权值对每一个样本进行标准化处理,得到新的近似服从高斯分布的建模数据集 5)对进行分解,并计算两个监控统计指标控制阈值和建模阶段步骤五中λj为的协方差矩阵的特征值,Cα为标准正态分布在置信水平α下的阈值,A为PCA模型的主元个数,m为数据的维数,FA,n-A;α是带有A和n-A个自由度,且置信水平为α的F分布临界值,检测阶段包括以下步骤:1)对于新的样本xnew,确定其在训练集中的最近邻xnew1,并找到xnew1的局部最近邻n(xnew1);2)利用样本xnew1的邻域信息,计算加权邻域的均值和标准差,并对xnew进行标准化处理,得到3)将标准化处理后的新样本分别投影到PCA模型的主元空间和残差空间,并根据计算当前样本对应的统计指标;所述检测阶段步骤三中Λ=diag{λ1,…,λA}4)通过比较统计指标与控制阈值的大小,确定新样本xnew是否存在故障,如果实时统计指标大于控制阈值,则该样本故障;反之,样本正常,上述多模态数据的产生方式如下:
其中,e1~e5为零均值,标准差为0.01的噪声,s1和s2为数据源潜隐变量,分别服从不同分布特性,仿真过程中通过s1和s2的变化来改变系统的运行模态,产生多模态数据,两种模态数据产生方式如下:
Model 1:
Model 2:
根据上式,共产生1000个正常样本组成训练集,其中,前500个样本为模态1,从501开始切换为模态2运行模式。
为了验证提出的故障检测方法的有效性,在测试数据中添加了两种不同类型的故障,具体添加方式如下:
(1)1000个模型1测试数据1:变量x5从501时刻到系统运行结束期间,加入幅值为5%的阶跃故障;
(2)1000个模型2测试数据2:变量x1从501时刻加入微小斜坡故障直至系统运行结束。
通过图2可知,WKNS-PCA方法能够及时有效地检测到故障存在,通过图3可知,WKNS-PCA方法检测时,可以明显消除检测时的滞后性,且效果最优,WKNS标准化方法在数据处理时,不仅可以有效地聚合多模态数据,分离离群数据点,对于近邻参数k的取值也没有严格的要求,当k较小时,可以保证使用到的近邻信息全部来自同一模态,与LNS方法数据处理效果相当;当k较大时,在权值w的限制下,远距离或不同类样本点间的权值很小,接近于0,即该方法能够强化来自同一模态的数据信息,弱化不同模态数据信息对处理结果的影响,相比LNS标准化方法,该方法更加科学有效,对k的取值限制也相对宽松,具有更优越的数据处理能力,通过下图4、图5和图6可知,通过使用加权近邻标准化方法对多模态数据进行处理后,可以使不同模态数据近似服从统一高斯分布,并且该方法应用时近邻参数k的影响不大,相比z-score和局部近邻数据标准化方法,该方法的优势更加明显。
本发明的有益效果是:通过引入距离的权值,保证WKNS方法应用过程中能够强化来自同一模态的信息,弱化不同模态信息,同时使计算过程不需要根据经验确定近邻参数k值,有效地消除了不同模态和阶段间的模态效应,结合WKNS-PCA方法,该方法不需要单模态独立建模和对新测试样本模态归属的划分;也可以使传统的单一模态故障检测方法得到应用,具有一定的泛化能力并提高了故障检测精度,通过WKNS方法充分考虑了传统数据标准化方法在处理多模态数据时存在的不足,将不同模态并且服从不同分布的数据转化为近似符合同一模态的数据,使传统的方法得以应用;WKNS-PCA方法在使用时可以有效避免建模过程中建立多个模态模型和检测过程中判断新样本属于哪一模型的情况,同时也大大提高了故障检测精度。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种加权k近邻标准化方法的多模态工业过程故障检测方法,其特征在于,包括建模阶段和检测阶段;
所述建模阶段包括以下步骤:
1)采集过程中不同模态的正常数据,并将其作为整体组成训练集X∈Rn×m;
2)采用欧氏距离作为衡量标准,找到X中每一个样本xi的k个局部邻域,组成局部子集n(xi), 表示样本点xi的第k个近邻样本;
3)在对训练集中样本点xa进行标准化处理时,首先找到xa的第一最近邻xf,然后根据式对该数据点进行标准化处理,式中mj=mean[n1(xf),n2(xf),…,nj(xf)]为数据点xa的第一近邻xf的前j个近邻样本的均值;sj=std[n1(xf),n2(xf),…,nj(xf)]为数据点xa的第一近邻xf的前j个近邻样本的标准差,权值wj可以根据式确定,其中,d(xf,nj(xf))为数据点xf到xf的第j个最近邻点的欧氏距离,权值满足式条件;
4)建模数据集中其余样本也可以通过上述方法进行标准化处理,得到新的近似服从高斯分布的建模数据集
5)对进行分解,并计算两个监控统计指标控制阈值和
所述检测阶段包括以下步骤:
1)对于新的样本xnew,确定其在训练集中的第一近邻xnew1,并找到xnew1的局部最近邻n(xnew1);
2)利用样本xnew1的邻域信息,计算加权邻域的均值和标准差,并对xnew进行标准化处理,得到
3)将标准化处理后的新样本分别投影到PCA模型的主元空间和残差空间,并根据计算当前样本对应的统计指标;
4)通过比较统计指标与控制阈值的大小,确定新样本xnew是否存在故障。
2.根据权利要求1所述的一种加权k近邻标准化方法的多模态工业过程故障检测方法,其特征在于,所述建模阶段步骤四中所述建模阶段步骤五中
3.根据权利要求1所述的一种加权k近邻标准化方法的多模态工业过程故障检测方法,其特征在于,所述检测阶段步骤三中 Λ=diag{λ1,…,λA}。
4.根据权利要求1所述的一种加权k近邻标准化方法的多模态工业过程故障检测方法,其特征在于,所述λj为的协方差矩阵的特征值,Cα为标准正态分布在置信水平α下的阈值,A为PCA模型的主元个数,m为数据的维数,FA,n-A;α是带有A和n-A个自由度,且置信水平为α的F分布临界值。
5.根据权利要求1所述的一种加权k近邻标准化方法的多模态工业过程故障检测方法,其特征在于,所述如果实时统计指标大于控制阈值,则该样本故障;反之,样本正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910883371.1A CN110543166A (zh) | 2019-09-18 | 2019-09-18 | 一种加权k近邻标准化方法的多模态工业过程故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910883371.1A CN110543166A (zh) | 2019-09-18 | 2019-09-18 | 一种加权k近邻标准化方法的多模态工业过程故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110543166A true CN110543166A (zh) | 2019-12-06 |
Family
ID=68713833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910883371.1A Pending CN110543166A (zh) | 2019-09-18 | 2019-09-18 | 一种加权k近邻标准化方法的多模态工业过程故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543166A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111308991A (zh) * | 2020-03-19 | 2020-06-19 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种磨煤机运行故障识别方法及应用 |
CN111460392A (zh) * | 2020-06-11 | 2020-07-28 | 中国人民解放军国防科技大学 | 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 |
CN113031566A (zh) * | 2021-03-09 | 2021-06-25 | 上海海事大学 | 基于在线选取主元并加权的pca模型故障检测方法 |
CN113392912A (zh) * | 2021-06-18 | 2021-09-14 | 大唐环境产业集团股份有限公司 | 浆液循环泵多模态运行故障诊断预警方法、系统及设备 |
CN114662138A (zh) * | 2020-12-23 | 2022-06-24 | 中国科学院沈阳自动化研究所 | 一种工业过程数据脱敏方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5454826B2 (ja) * | 2011-02-22 | 2014-03-26 | 日本電気株式会社 | 故障の木システム信頼性分析システム、故障の木システム信頼性分析方法及びプログラム |
CN105425779A (zh) * | 2015-12-24 | 2016-03-23 | 江南大学 | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 |
CN105511445A (zh) * | 2015-12-01 | 2016-04-20 | 沈阳化工大学 | 基于局部近邻标准化矩阵的多模态过程故障检测方法 |
CN106384130A (zh) * | 2016-09-22 | 2017-02-08 | 宁波大学 | 基于数据多近邻局部特征嵌入的故障检测方法 |
CN107092242A (zh) * | 2017-06-02 | 2017-08-25 | 宁波大学 | 一种基于缺失变量pca模型的工业过程监测方法 |
US20180082201A1 (en) * | 2016-09-19 | 2018-03-22 | Applied Materials, Inc. | Time-series fault detection, fault classification, and transition analysis using a k-nearest-neighbor and logistic regression approach |
CN108762228A (zh) * | 2018-05-25 | 2018-11-06 | 江南大学 | 一种基于分布式pca的多工况故障监测方法 |
-
2019
- 2019-09-18 CN CN201910883371.1A patent/CN110543166A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5454826B2 (ja) * | 2011-02-22 | 2014-03-26 | 日本電気株式会社 | 故障の木システム信頼性分析システム、故障の木システム信頼性分析方法及びプログラム |
CN105511445A (zh) * | 2015-12-01 | 2016-04-20 | 沈阳化工大学 | 基于局部近邻标准化矩阵的多模态过程故障检测方法 |
CN105425779A (zh) * | 2015-12-24 | 2016-03-23 | 江南大学 | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 |
US20180082201A1 (en) * | 2016-09-19 | 2018-03-22 | Applied Materials, Inc. | Time-series fault detection, fault classification, and transition analysis using a k-nearest-neighbor and logistic regression approach |
CN106384130A (zh) * | 2016-09-22 | 2017-02-08 | 宁波大学 | 基于数据多近邻局部特征嵌入的故障检测方法 |
CN107092242A (zh) * | 2017-06-02 | 2017-08-25 | 宁波大学 | 一种基于缺失变量pca模型的工业过程监测方法 |
CN108762228A (zh) * | 2018-05-25 | 2018-11-06 | 江南大学 | 一种基于分布式pca的多工况故障监测方法 |
Non-Patent Citations (2)
Title |
---|
冯立伟 等: ""基于标准距离k近邻的多模态过程故障检测策略"", 《控制理论与应用》 * |
邓晓刚 等: ""基于局部近邻相似度分析的多模态过程故障检测"", 《CHINESE JOURNAL OF CHEMICAL ENGINEERING》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111308991A (zh) * | 2020-03-19 | 2020-06-19 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种磨煤机运行故障识别方法及应用 |
CN111308991B (zh) * | 2020-03-19 | 2021-10-01 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种磨煤机运行故障识别方法及应用 |
CN111460392A (zh) * | 2020-06-11 | 2020-07-28 | 中国人民解放军国防科技大学 | 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 |
CN111460392B (zh) * | 2020-06-11 | 2020-09-15 | 中国人民解放军国防科技大学 | 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 |
CN114662138A (zh) * | 2020-12-23 | 2022-06-24 | 中国科学院沈阳自动化研究所 | 一种工业过程数据脱敏方法 |
CN114662138B (zh) * | 2020-12-23 | 2024-06-11 | 中国科学院沈阳自动化研究所 | 一种工业过程数据脱敏方法 |
CN113031566A (zh) * | 2021-03-09 | 2021-06-25 | 上海海事大学 | 基于在线选取主元并加权的pca模型故障检测方法 |
CN113392912A (zh) * | 2021-06-18 | 2021-09-14 | 大唐环境产业集团股份有限公司 | 浆液循环泵多模态运行故障诊断预警方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543166A (zh) | 一种加权k近邻标准化方法的多模态工业过程故障检测方法 | |
CN110070141B (zh) | 一种网络入侵检测方法 | |
CN111652348B (zh) | 一种基于改进cnn的动力电池组故障融合诊断方法及系统 | |
Wang et al. | Fault recognition using an ensemble classifier based on Dempster–Shafer Theory | |
US20150134578A1 (en) | Discriminator, discrimination program, and discrimination method | |
US11860608B2 (en) | Industrial equipment operation, maintenance and optimization method and system based on complex network model | |
CN113935440A (zh) | 一种电压互感器误差状态迭代评估方法及系统 | |
US20120016824A1 (en) | Method for computer-assisted analyzing of a technical system | |
CN111353373A (zh) | 一种相关对齐域适应故障诊断方法 | |
CN112039903B (zh) | 基于深度自编码神经网络模型的网络安全态势评估方法 | |
Xu et al. | Hybrid feature selection for wafer acceptance test parameters in semiconductor manufacturing | |
CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及系统 | |
CN113904786A (zh) | 一种基于线路拓扑分析和潮流特性的虚假数据注入攻击辨识方法 | |
CN116467667B (zh) | 一种基于数据融合的停电监测预警方法及系统 | |
CN109765332A (zh) | 基于隔离森林的变压器异常值实时检测和故障诊断方法 | |
CN115578248B (zh) | 一种基于风格引导的泛化增强图像分类算法 | |
CN117113244A (zh) | 基于自监督和混合专家模型的传感器数据异常检测方法 | |
CN117472789B (zh) | 基于集成学习的软件缺陷预测模型构建方法和装置 | |
CN114189047A (zh) | 面向有源配电网状态估计的虚假数据检测与修正方法 | |
CN112418522A (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
Wang et al. | Power quality disturbance recognition method in park distribution network based on one-dimensional vggnet and multi-label classification | |
CN114092472B (zh) | 一种缺陷检测中不确定样本的检测方法、装置及介质 | |
Liu et al. | Causality-based PCA Methods for Condition Modeling of Mechatronic Systems | |
CN114118680A (zh) | 一种网络安全态势评估方法及系统 | |
Baobao et al. | An enhancement of K-Nearest Neighbor algorithm using information gain and extension relativity |
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: 20191206 |