CN111221821A - 一种ai模型迭代更新方法、电子设备及存储介质 - Google Patents

一种ai模型迭代更新方法、电子设备及存储介质 Download PDF

Info

Publication number
CN111221821A
CN111221821A CN201911401151.7A CN201911401151A CN111221821A CN 111221821 A CN111221821 A CN 111221821A CN 201911401151 A CN201911401151 A CN 201911401151A CN 111221821 A CN111221821 A CN 111221821A
Authority
CN
China
Prior art keywords
data
precision map
result data
model
result
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
CN201911401151.7A
Other languages
English (en)
Other versions
CN111221821B (zh
Inventor
彭金华
陈岩
刘圆
陈明宇
刘奋
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence 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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN201911401151.7A priority Critical patent/CN111221821B/zh
Publication of CN111221821A publication Critical patent/CN111221821A/zh
Application granted granted Critical
Publication of CN111221821B publication Critical patent/CN111221821B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Instructional Devices (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种AI模型迭代更新方法、电子设备及存储介质，该方法包括：按批次将原始高精度地图数据成果数据导入临时库，并在临时库的数据表上增加与原始高精度地图成果数据相关的关联信息字段；读取临时库中高精度地图成果数据，查询高精度地图成果数据与原始高精度地图数据成果数据关联关系；通过哈希算法计算高精度地图成果数据的唯一标识，基于唯一标识和关联关系通过键值关联存储至Redis缓存中；关联完成后，根据已关联批次的成果数据生成AI样本数据集；基于AI样本数据集优化、更新AI模型，并根据AI模型自动化产生高精度地图数据以便进一步迭代更新。通过该方案解决了现有迭代更新方法效率低的问题，可以提高AI模型的精度和更新优化效率。

Description

一种AI模型迭代更新方法、电子设备及存储介质
技术领域
本发明涉及计算机信息技术领域，尤其涉及一种AI模型迭代更新方法、电子设备及存储介质。
背景技术
在现代地图测绘行业，基于AI的数据检测分析技术已日渐成熟，通过AI模型进行地图数据识别分析，以及高精度地图制作更新等在实际应用中起到重要作用。然而，随着技术的进步及市场需求，对AI模型的精度提出了更高的要求。
目前，为保障AI模型的精度就需要不断优化模型，传统方法通过收集大量样本来对模型进行训练并测试或改进模型可以一定程度提高模型精度，但随着待识别数据复杂多样化，以及需要对不同系统的多个模型进行训练，这种方法对AI模型更新优化效率较低，难以满足生产需求。
发明内容
有鉴于此，本发明实施例提供了一种AI模型迭代更新方法、电子设备及存储介质，以解决现有AI模型更新优化效率低的问题。
在本发明实施例的第一方面，提供了一种AI模型迭代更新方法，包括：
按批次将原始高精度地图成果数据导入成果数据临时库，在所述成果数据临时库中包含有形状数据的数据表上增加与所述原始高精度地图成果数据相关的关联信息字段；
从所述成果数据临时库中读取预定批次高精度地图成果数据集，查询所述高精度地图成果数据集中数据与所述原始高精度地图成果数据的关联关系；
通过哈希算法计算所述高精度地图成果数据集中数据的唯一标识，将所述唯一标识作为键，将所述关联关系作为值，以键值关联形式保存至Redis数据缓存中；
当接收到Kafka发送的关联完成消息后，根据已关联的高精度地图成果数据集中数据及原始高精度地图数据成果数据生成AI样本数据集；
基于所述AI样本数据集通过调用机器学习算法优化、更新AI模型，并根据所述AI模型自动化产生高精度地图数据以对所述AI模型进一步迭代更新。
在本发明实施例的第二方面，提供了一种用于AI模型迭代更新的电子设备，包括：
导入模块，用于按批次将原始高精度地图成果数据导入成果数据临时库，在所述成果数据临时库中包含有形状数据的数据表上增加与所述原始高精度地图成果数据相关的关联信息字段；
查询模块，用于从所述成果数据临时库中读取预定批次高精度地图成果数据集，查询所述高精度地图成果数据集中数据与所述原始高精度地图成果数据的关联关系；
存储模块，用于通过哈希算法计算所述高精度地图成果数据集中数据的唯一标识，将所述唯一标识作为键，将所述关联关系作为值，以键值关联形式保存至Redis数据缓存中；
生成模块，用于当接收到Kafka发送的关联完成消息后，根据已关联的高精度地图成果数据集中数据及原始高精度地图数据成果数据生成AI样本数据集；
优化模块，用于基于所述AI样本数据集通过调用机器学习算法优化、更新AI模型，并根据所述AI模型自动化产生高精度地图数据以对所述AI模型进一步迭代更新。
在本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中，通过按批次将原始高精度地图成果数据导入临时库，在临时库中增加与原始高精度地图成果数据相关的关联信息字段；读取成果数据时查询与原始高精度地图成果数据的关联关系，并通过哈希算法计算成果数据唯一标识，基于唯一标识和关联关系通过键值关联存储至Redis中；然后根据已关联的高精度地图成果数据集生成AI样本数据集，基于AI样本数据集通过调用机器学习算法优化、更新AI模型，并根据所述AI模型自动化产生高精度地图数据以对所述AI模型进一步迭代更新。可以有效提高AI模型的迭代更新效率，并提升AI模型精度，有效解决了现有AI模型更新优化效率问题，方便在大规模、复杂的数据采样训练过程中的应用，实现自动化作业，减少人工成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他附图。
图1为本发明的一个实施例提供的一种AI模型迭代更新方法的流程示意图；
图2为本发明的一个实施例提供的一种用于AI模型迭代更新的电子设备的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
请参阅图1，图1为本发明一个实施例提供的一种AI模型迭代更新方法的流程示意图，包括：
S101、按批次将原始高精度地图成果数据导入成果数据临时库，在所述成果数据临时库中包含有形状数据的数据表上增加与所述原始高精度地图成果数据相关的关联信息字段；
所述成果数据临时库为高精度地图数据临时库，用于存储导出的高精度地图数据，所述形状数据为地图中包含有形状信息的矢量数据。
将未初始化的高精度地图数据临时库创建表结构，形状数据字段采用WKT格式的Geometry对象类型，然后在带有形状数据的数据库表上增加与原始测绘成果数据的关联信息字段，再从高精度地图成果数据生产库中导出指定批次的全要素或部分要素高精度地图成果数据至高精度地图成果数据临时库。其中，WKT(Well-known text)是一种文本标记语言，用于表示矢量几何对象、空间参照系统及空间参照系统之间的转换。
S102、从所述成果数据临时库中读取预定批次高精度地图成果数据集，查询所述高精度地图成果数据集中数据与所述原始高精度地图成果数据的关联关系；
从数据库中加载指定批次的全要素或部分要素高精度地图成果数据，首先在高精度地图成果数据临时库中读取高精度地图成果数据集，然后查询高精度地图成果数据与原始测绘成果数据的关联信息。
可选的，当无法查询到高精度地图成果数据集中数据与所述原始高精度地图数据成果数据关联关系，则获取所述成果数据临时库中形状数据，对于独立要素的形状数据调用中心点算法计算形状中心点，对于链状要素的形状数据调用抽稀算法进行抽稀处理后，通过JNI(Java Native Interface)接口调用空间分析算法计算高精度地图成果数据集中数据与所述原始高精度地图数据成果数据的关联关系。
将上述成果数据临时库中形状数据转换成WKT文本，然后调用哈稀算法生成WKT文本的32位唯一标识，再将生成的唯一标识作为Key和计算的关联信息结果作为Value，以K-V键值对保存至Redis数据缓存中，并将空间分析算法的计算结果保存至高精度地图成果数据临时库中。
S103、通过哈希算法计算所述高精度地图成果数据集中数据的唯一标识，将所述唯一标识作为键，将所述关联关系作为值，以键值关联形式保存至Redis数据缓存中；
具体的，读取所述成果数据临时库中的形状数据，并遍历所述高精度地图成果数据集中的各要素，根据所述形状数据及所述高精度地图成果数据集中的各要素通过哈希算法生成32位唯一标识，通过生成的唯一标识作为Key查询Redis数据缓存。
S104、当接收到Kafka发送的关联完成消息后，根据已关联的高精度地图成果数据集中数据及原始高精度地图数据成果数据生成AI样本数据集；
当接收到Kafka发送的关联计算完成消息，基于已关联的批次高精度地图成果数据和原始测绘成果数据生成AI样本数据集，完成后向Kafka发送AI样本数据集生成完成消息。所述kafka为开源的高吞吐量的分布式发布/订阅消息组件，针对大批量的数据处理，基于kafka可以有效提高任务处理效率。
S105、基于所述AI样本数据集通过调用机器学习算法优化、更新AI模型，并根据所述AI模型自动化产生高精度地图数据以对所述AI模型进一步迭代更新。
具体的，当接收到Kafka发送AI样本生成完成消息，先调用机器学习算法优化并更新训练模型，然后调用高精度地图自动化生产算法(AI模型)按批次从原始测绘成果数据中提取全要素或部分要素的高精度地图数据；再按批次将自动化生产的高精度地图数据集保存至高精度地图数据待检库中，经质检完成后将该批次高精度地图数据导入高精度地图成果数据库，最后进入下一轮模型进化迭代，从S101重新开始对所述AI模型进一步迭代优化。
通过本实施例提供的方法，用户仅需配置指定批次的高精度地图成果数据源，选择全部要素或部分要素，各环节在Kafka的消息机制下进行自动化作业，减少人工成本，方便获取样本进行模型训练，提高AI模型更新优化效率。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图2为本发明实施例提供的一种用于AI模型迭代更新方法的电子设备结构示意图，该电子设备包括：
导入模块210，用于按批次将原始高精度地图成果数据导入成果数据临时库，在所述成果数据临时库中包含有形状数据的数据表上增加与所述原始高精度地图成果数据相关的关联信息字段；
可选的，在未初始化的所述成果数据临时库中创建表结构，其中，对原始高精度地图数据成果数据中形状数据字段采用WKT格式的Geometry对象类型，并在包含有形状数据的表上增加与原始高精度地图数据成果数据的关联信息字段。
查询模块220，用于从所述成果数据临时库中读取预定批次高精度地图成果数据集，查询所述高精度地图成果数据集中数据与所述原始高精度地图成果数据的关联关系；
可选的，所述查询模块220包括：
计算模块，用于当无法查询到高精度地图成果数据集中数据与所述原始高精度地图数据成果数据关联关系，则获取所述成果数据临时库中形状数据，对于独立要素的形状数据调用中心点算法计算形状中心点，对于链状要素的形状数据调用抽稀算法进行抽稀处理后，通过JNI接口调用空间分析算法计算高精度地图成果数据集中数据与所述原始高精度地图数据成果数据的关联关系。
存储模块230，用于通过哈希算法计算所述高精度地图成果数据集中数据的唯一标识，将所述唯一标识作为键，将所述关联关系作为值，以键值关联形式保存至Redis数据缓存中；
优选的，读取所述成果数据临时库中的形状数据，并遍历所述高精度地图成果数据集中的各要素，根据所述形状数据及所述高精度地图成果数据集中的各要素通过哈希算法生成32位唯一标识。
生成模块240，用于当接收到Kafka发送的关联完成消息后，根据已关联的高精度地图成果数据集中数据及原始高精度地图数据成果数据生成AI样本数据集；
优化模块250，用于基于所述AI样本数据集通过调用机器学习算法优化、更新AI模型，并根据所述AI模型自动化产生高精度地图数据以对所述AI模型进一步迭代更新。
可选的，所述根据所述AI模型自动化产生高精度地图数据以对所述AI模型进一步迭代更新包括：
通过所述AI模型按批次从所述原始高精度地图数据成果数据中提取全要素或部分要素的高精度地图数据，将所述高精度地图数据保存至高精度地图数据待检库中，经质检完成后将所述高精度地图数据导入高精度地图成果数据库，以将所述高精度地图数据作为样本对所述AI模型进一步迭代优化。
可以理解的是，在一个实施例中，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现AI模型迭代更新。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括步骤S101～S105，所述的存储介质包括如：ROM/RAM、磁碟、光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种AI模型迭代更新方法，其特征在于，包括：
按批次将原始高精度地图成果数据导入成果数据临时库，在所述成果数据临时库中包含有形状数据的数据表上增加与所述原始高精度地图成果数据相关的关联信息字段；
从所述成果数据临时库中读取预定批次高精度地图成果数据集，查询所述高精度地图成果数据集中数据与所述原始高精度地图成果数据的关联关系；
通过哈希算法计算所述高精度地图成果数据集中数据的唯一标识，将所述唯一标识作为键，将所述关联关系作为值，以键值关联形式保存至Redis数据缓存中；
当接收到Kafka发送的关联完成消息后，根据已关联的高精度地图成果数据集中数据及原始高精度地图数据成果数据生成AI样本数据集；
基于所述AI样本数据集通过调用机器学习算法优化、更新AI模型，并根据所述AI模型自动化产生高精度地图数据以对所述AI模型进一步迭代更新。
2.根据权利要求1所述的方法，其特征在于，所述按批次将原始高精度地图成果数据导入成果数据临时库，在所述成果数据临时库中包含有形状数据的数据表上增加与所述原始高精度地图成果数据相关的关联信息字段包括：
在未初始化的所述成果数据临时库中创建表结构，其中，对原始高精度地图数据成果数据中形状数据字段采用WKT格式的Geometry对象类型，并在包含有形状数据的表上增加与原始高精度地图数据成果数据相关的关联信息字段。
3.根据权利要求1所述方法，其特征在于，所述通过哈希算法计算所述高精度地图成果数据集中数据的唯一标识包括：
读取所述成果数据临时库中的形状数据，并遍历所述高精度地图成果数据集中的各要素，根据所述形状数据及所述高精度地图成果数据集中的各要素通过哈希算法生成32位唯一标识。
4.根据权利要求1所述的方法，其特征在于，所述查询所述高精度地图成果数据集中数据与所述原始高精度地图成果数据的关联关系还包括
当无法查询到高精度地图成果数据集中数据与所述原始高精度地图数据成果数据关联关系，则获取所述成果数据临时库中形状数据，对于独立要素的形状数据调用中心点算法计算形状中心点，对于链状要素的形状数据调用抽稀算法进行抽稀处理后，通过JNI接口调用空间分析算法计算高精度地图成果数据集中数据与所述原始高精度地图数据成果数据的关联关系。
5.根据权利要求1所述方法，其特征在于，所述根据所述AI模型自动化产生高精度地图数据以对所述AI模型进一步迭代更新包括：
通过所述AI模型按批次从所述原始高精度地图数据成果数据中提取全要素或部分要素的高精度地图数据，将所述高精度地图数据保存至高精度地图数据待检库中，经质检完成后将所述高精度地图数据导入高精度地图成果数据库，以将所述高精度地图数据作为样本对所述AI模型进一步迭代优化。
6.一种用于AI模型迭代更新的电子设备，其特征在于，包括：
导入模块，用于按批次将原始高精度地图成果数据导入成果数据临时库，在所述成果数据临时库中包含有形状数据的数据表上增加与所述原始高精度地图成果数据相关的关联信息字段；
查询模块，用于从所述成果数据临时库中读取预定批次高精度地图成果数据集，查询所述高精度地图成果数据集中数据与所述原始高精度地图成果数据的关联关系；
存储模块，用于通过哈希算法计算所述高精度地图成果数据集中数据的唯一标识，将所述唯一标识作为键，将所述关联关系作为值，以键值关联形式保存至Redis数据缓存中；
生成模块，用于当接收到Kafka发送的关联完成消息后，根据已关联的高精度地图成果数据集中数据及原始高精度地图数据成果数据生成AI样本数据集；
优化模块，用于基于所述AI样本数据集通过调用机器学习算法优化、更新AI模型，并根据所述AI模型自动化产生高精度地图数据以对所述AI模型进一步迭代更新。
7.根据权利要求6所述的电子设备，其特征在于，所述查询模块包括：
计算模块，用于当无法查询到高精度地图成果数据集中数据与所述原始高精度地图数据成果数据关联关系，则获取所述成果数据临时库中形状数据，对于独立要素的形状数据调用中心点算法计算形状中心点，对于链状要素的形状数据调用抽稀算法进行抽稀处理后，通过JNI接口调用空间分析算法计算高精度地图成果数据集中数据与所述原始高精度地图数据成果数据的关联关系。
8.根据权利要求6所述电子设备，其特征在于，所述根据所述AI模型自动化产生高精度地图数据以对所述AI模型进一步迭代更新包括：
通过所述AI模型按批次从所述原始高精度地图数据成果数据中提取全要素或部分要素的高精度地图数据，将所述高精度地图数据保存至高精度地图数据待检库中，经质检完成后将所述高精度地图数据导入高精度地图成果数据库，以将所述高精度地图数据作为样本对所述AI模型进一步迭代优化。
9.一种电子设备，包括处理器、存储器以及存储在所述存储器中并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述AI模型迭代更新方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述AI模型迭代更新方法的步骤。
CN201911401151.7A 2019-12-31 2019-12-31 一种ai模型迭代更新方法、电子设备及存储介质 Active CN111221821B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911401151.7A CN111221821B (zh) 2019-12-31 2019-12-31 一种ai模型迭代更新方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911401151.7A CN111221821B (zh) 2019-12-31 2019-12-31 一种ai模型迭代更新方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111221821A true CN111221821A (zh) 2020-06-02
CN111221821B CN111221821B (zh) 2022-07-01

Family

ID=70827934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911401151.7A Active CN111221821B (zh) 2019-12-31 2019-12-31 一种ai模型迭代更新方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111221821B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111897828A (zh) * 2020-07-31 2020-11-06 广州视源电子科技股份有限公司 数据批处理实现方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105187139A (zh) * 2015-09-30 2015-12-23 中国人民解放军后勤工程学院 一种基于群智感知的室外无线信号接收强度地图构建方法
US20170032068A1 (en) * 2015-07-31 2017-02-02 Autodesk, Inc. Techniques for warm starting finite element analyses with deep neural networks
CN106970614A (zh) * 2017-03-10 2017-07-21 江苏物联网研究发展中心 改进的栅格拓扑语义环境地图的构建方法
CN110118564A (zh) * 2019-03-22 2019-08-13 纵目科技（上海）股份有限公司 一种高精度地图的数据管理系统、管理方法、终端和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170032068A1 (en) * 2015-07-31 2017-02-02 Autodesk, Inc. Techniques for warm starting finite element analyses with deep neural networks
CN105187139A (zh) * 2015-09-30 2015-12-23 中国人民解放军后勤工程学院 一种基于群智感知的室外无线信号接收强度地图构建方法
CN106970614A (zh) * 2017-03-10 2017-07-21 江苏物联网研究发展中心 改进的栅格拓扑语义环境地图的构建方法
CN110118564A (zh) * 2019-03-22 2019-08-13 纵目科技（上海）股份有限公司 一种高精度地图的数据管理系统、管理方法、终端和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111897828A (zh) * 2020-07-31 2020-11-06 广州视源电子科技股份有限公司 数据批处理实现方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111221821B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN107239392B (zh) 一种测试方法、装置、终端及存储介质
CN106293891B (zh) 多维投资指标监督方法
CN108984155B (zh) 数据处理流程设定方法和装置
CN102135938A (zh) 一种软件产品测试方法及系统
CN110765773A (zh) 地址数据获取方法以及装置
CN112817866A (zh) 录制回放方法、装置、系统、计算机设备以及存储介质
CN115794641A (zh) 基于业务流程的造数方法、装置、设备及存储介质
CN111427784B (zh) 一种数据获取方法、装置、设备及存储介质
CN111221821B (zh) 一种ai模型迭代更新方法、电子设备及存储介质
CN105786941B (zh) 一种信息挖掘方法和装置
CN113761285A (zh) 基于多源数据的元数据的生成系统
CN114328452A (zh) 数据稽核方法、装置、平台、电子设备及存储介质
CN116993237A (zh) 一种基于余弦相似度算法的企业推荐方法及系统
CN110968518A (zh) 自动化测试日志文件的分析方法及装置
CN111400245B (zh) 美术资源迁移方法及装置
CN111143356B (zh) 报表检索方法及装置
CN108920749B (zh) 管线二三维数据更新方法、装置与计算机可读存储介质
CN112685041A (zh) 前端模块化语法转换方法、系统及存储介质
CN113568662B (zh) 一种基于调用关系的代码变更影响范围分析方法及系统
CN113986305B (zh) B/s模型升级的检测方法、装置、设备和存储介质
CN112395365A (zh) 一种知识图谱批量离线查询解决方案
CN117931893A (zh) 基于分布式搜索引擎的数据检索方法及系统
CN117194501B (zh) Dcs趋势测点跳转逻辑组态的方法、系统、设备及介质
CN110879722B (zh) 生成逻辑示意图的方法及装置、计算机可存储介质
CN117668183A (zh) 一种电力专用插件构建以及电力设备检索问答方法

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
GR01 Patent grant
GR01 Patent grant