CN111259573B - 一种磁疗服装使用寿命预测方法 - Google Patents
一种磁疗服装使用寿命预测方法 Download PDFInfo
- Publication number
- CN111259573B CN111259573B CN202010271801.7A CN202010271801A CN111259573B CN 111259573 B CN111259573 B CN 111259573B CN 202010271801 A CN202010271801 A CN 202010271801A CN 111259573 B CN111259573 B CN 111259573B
- Authority
- CN
- China
- Prior art keywords
- training
- magnetic therapy
- washing
- clothing
- network
- 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
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Magnetic Treatment Devices (AREA)
Abstract
本发明涉及功能服装领域,其公开了一种磁疗服装使用寿命预测方法,在知晓磁疗服装的规格参数后,便能根据其规格参数快速、准确了解磁疗服装每次洗涤后的磁场强度变化,从而快速、准确了解磁疗使用寿命。该方法包括:a.通过选取不同参数规格的磁疗服装样本进行洗涤实验;b.采集每一次洗涤后的磁疗服装样本的磁场强度,并构建样本数据集;c.构建BP神经网络模型;d.将样本数据集划分为训练集和验证集,对构建的BP神经网络模型进行训练和验证,获取稳定的网络模型作为预测模型;e.在磁疗服装实际使用过程中,通过向所述预测模型输入该磁疗服装的参数规格来预测每次洗涤后的磁场强度。本发明适用于快速准确地获知磁疗服装的使用寿命。
Description
技术领域
本发明涉及功能服装领域,具体涉及一种磁疗服装使用寿命预测方法。
背景技术
磁疗服装是物理磁学、医学磁学、服装学的完美契合。磁性疗法纺织品迎合了当今社会人们对健康理疗的需求。对于磁疗的具体疗效性,国内外学者对此做了大量的研究,它是一种纯绿色保健方法,值得推崇和推广。
磁疗服装的磁场强度并不是一成不变的,尤其是在洗涤后,磁疗服装的磁场变化剧烈,然而在磁场强度衰减时,人们不能直觉感受到,如果继续穿磁性基本消失的磁疗服装将无法获得磁疗效果。由于磁疗服装一般用作于内衣设计,洗涤是不可避免的,如何能够磁疗服装每次洗涤后的磁场强度变化情况从而了解磁疗使用寿命是当前亟待解决的问题。
发明内容
本发明所要解决的技术问题是:提出一种磁疗服装使用寿命预测方法,在知晓磁疗服装的规格参数后,便能根据其规格参数快速、准确了解磁疗服装每次洗涤后的磁场强度变化,从而快速、准确了解磁疗使用寿命。
本发明解决上述技术问题采用的技术方案是:
一种磁疗服装使用寿命预测方法,包括以下步骤:
a.通过选取不同参数规格的磁疗服装样本进行洗涤实验;
b.采集每一次洗涤后的磁疗服装样本的磁场强度,并构建样本数据集;
c.构建BP神经网络模型;
d.将样本数据集划分为训练集和验证集,对构建的BP神经网络模型进行训练和验证,获取稳定的网络模型作为预测模型;
e.在磁疗服装实际使用过程中,通过向所述预测模型输入该磁疗服装的参数规格来预测每次洗涤后的磁场强度。
作为进一步优化,所述不同参数规格至少包括:磁性纤维比例和厚度不同。
作为进一步优化,步骤a中,在洗涤实验开始之前,将选取的不同参数规格的磁疗服装样本修剪成相同尺寸规格,在洗涤实验中保证每次洗涤条件和晾晒条件完全相同。
作为进一步优化,步骤b中,在采集磁疗服装样本的磁场强度时,通过对样本进行多点测量求平均值作为该样本本次洗涤后的磁场强度。
作为进一步优化,步骤c中,采用MATLAB中的newff函数建立包括输入层、中间层和输出层的三层BP神经网络;所述三层BP神经网络的输入层到中间层采用Sigmoid函数作为传输函数;中间层到输出层采用purelin线性函数作为传输函数。
作为进一步优化,步骤d具体包括:
d1.将样本数据集划分为训练集和验证集;
d2.以磁性纤维比例和厚度作为网络输入,以每次洗涤后的磁场强度作为网络输出,利用训练集中的数据对网络进行训练,得到多个训练网络;
d3.采用验证集中的数据对所述多个训练网络进行检验,确定预测值与实际检测值误差最小的训练网络;
d4.判断所述误差最小的训练网络的误差是否满足要求,若满足,则固化此训练网络中的参数,将此训练网络作为预测模型;若不满足,则返回步骤d2重新训练。
作为进一步优化,步骤d2中,在利用训练集中的数据对网络进行训练时,通过采用不同的训练函数、不同的中间层神经元个数以及输入层与中间层之间不同的传输函数对网络进行训练来获得多个训练网络。
作为进一步优化,所述不同的训练函数至少包括:BFGS拟牛顿BP算法函数、梯度下降BP算法函数和梯度下降动量BP算法函数3种训练函数;所述不同的中间层神经元个数至少包括10种不同的神经元个数;所述输入层与中间层之间不同的传输函数至少包括logsig和tansig两种传输函数。
本发明的有益效果是:
本发明充分考虑不同磁疗服装的衣物特征,通过洗涤实验建立不同参数规格的磁疗服装每次洗涤后的电磁场强度,并通过BP神经网络建立衣物特征参数与每次洗涤后磁场强度的非线性关系,从而建立预测模型;
在建立预测模型的过程中,基于训练集数据并通过对训练函数、中间层神经元个数、输入层与中间层之间的传输函数的不同选择来训练BP神经网络,以此获得尽可能多的备选网络,并结合验证集数据对这些备选网络的误差进行验证,从而获得误差满足要求的最优网络作为预测模型,以此提高模型的准确性;
用户可以采用此预测模型输入磁疗服装参数后,便可快速准确得知该服装每次洗涤后的磁场强度,从而知晓该服装的使用寿命(最多洗涤多少次后磁场强度消失),便于用户根据治疗需要及时更换磁疗服装,同时也提醒用户对磁疗服装保护,避免过度洗涤。
附图说明
图1为实施例中的预测模型建立流程图;
图2为实施例的两种织物经过15次洗涤表面磁场强度变化示意图;
图3为BP神经网络模型结构图。
具体实施方式
本发明旨在提出一种磁疗服装使用寿命预测方法,在知晓磁疗服装的规格参数后,便能根据其规格参数快速、准确了解磁疗服装每次洗涤后的磁场强度变化,从而快速、准确了解磁疗使用寿命。其核心思想是:通过选取不同参数规格的磁疗服装样本进行洗涤实验,在实验中采集每一次洗涤后的磁疗服装样本的磁场强度,并构建样本数据集;构建BP神经网络模型,利用样本数据对构建的BP神经网络模型进行训练和验证,获取稳定的网络模型作为预测模型;在磁疗服装实际使用过程中,通过向所述预测模型输入该磁疗服装的参数规格来预测每次洗涤后的磁场强度,从而快速准确了解该磁疗服装的使用寿命。
实施例:
本实施例中,建立预测模型的流程如图1所示,其包括以下步骤:
(1)磁疗服装洗涤试验:
选取10种磁疗服装,所选服装为双罗纹组织针织结构,磁性纤维比例为40%~70%不等,厚度为0.565mm~0.755mm不等,如表1所示:
表1:选取的10种磁疗服装特性参数表
试样编号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
磁性纤维比例 | 40% | 45% | 45% | 50% | 50% | 55% | 55% | 60% | 65% | 70% |
厚度/mm | 0.755 | 0.521 | 0.567 | 0.623 | 0.641 | 0.683 | 0.590 | 0.675 | 0.632 | 0.565 |
洗涤试验参照GB/T 8629-2001《纺织品试验用家庭洗涤和干燥程序》进行。洗涤前每种织物取样100mm×100mm,在标准环境中放置24h。试验用洗衣机为B型洗衣机,干燥程序为摊平晾干。实验需保证每次洗涤条件和晾晒条件完全相同,以便摒弃由于其他原因造成表面磁场强度的变换,提高数据的准确性。
(2)磁场强度数据采集:
由于磁性织物表面磁感应强度值很低,一般在0.03mT上下浮动。因此选择的磁场强度测量仪器其分辨力必须高于10-2mT。
而由于每个点的磁场强度不能准确代表该样本的表面磁场强度,在每次洗涤后需多点测量求平均值作为该样本本次洗涤后的磁场强度;本实施例中按1点/cm2密度取点测量,所有测试结果的平均值作为一块织物的表面磁场强度,测量时可使用尺子标注好测量点,避免测量点设置不均匀。
为了便于说明磁疗服装的磁场强度随着洗涤次数的变化的非线性和不同磁疗服装的磁场强度变化的差异性,我们绘制了10种织物样本中的织物1和织物10经过15次数洗涤后的平均磁场强度图,如图2所示。图中正值表示增大,负值表示减小。
可以看出,织物1经过11次洗涤织物表面磁感应强度减小了70%左右、织物10经过9次洗涤织物表面磁感应强度减小了80%左右,织物磁性基本丧失。随着洗涤次数的增加,织物表面磁感应强度值并不是逐渐减小,在前几次洗涤中,织物表面磁感应强度值有增大的趋势,织物1在第4次洗涤后达到最大值,织物10在2次洗涤后达到最大值,此后总体呈下降趋势。
(3)BP神经网络模型建立:
图3所示为一个典型的三层BP神经网络模型。BP神经网络输入为p,输出目标为t。输入层的权值和阈值分别为w1和b1,p与w1和b1以加权求和的形式传递到中间层,再通过激励函数f1得到中间层的输出a1,计算形式见式1:
a1=f1(w1p+b1) (式1)
a1继续作为输出层的网络输入,以同样的方法用权值w2和阈值b2,再与a1进行加权求和后传递到输出层,输出层通过激励函数f2计算得到输出层的网络输出a2,计算形式见式2:
a2=f2(w2a1+b2) (式2)
计算输出层的网络输出a2与目标输出t的均方误差e(x),均方误差计算方法见式3::
e(x)=[t(k)-a(k)]T[t(k)-a(k)] (式3)
式中:t(k)表示第k个a2的期望输出值,a(k)表示第k个a2的输出值。网络根据均方误差e(x)进行反向传播,不断调整更新每层的权值和阈值来训练网络,直到网络达到稳定状态,获得一组最优的权值和阈值。
本实施例使用newff函数建立BP神经网络;选取10组样本中的9组样本分别以2×9和9×15的矩阵形式赋值给p1和t1,作为BP神经网络模型的训练组;将剩下的1组样本(织物3)分别以2×1和1×15的矩阵形式,赋值给p2和t2作为BP神经网络模型的检验组;
采用Sigmoid函数作为传输函数,该函数可以将输入矩阵归一化;中间层到输出层采用purelin线性函数作为传输函数。
(4)BP神经网络模型训练:
BP神经网络建立完成后,需要调整传输函数、中间层神经元个数和训练函数。
本实施例分别选取中间层神经元个数为15~24;训练函数分布选取BFGS拟牛顿BP算法函数(trainbfg)、梯度下降BP算法函数(traingd)和梯度下降动量BP算法函数(traingdm)3种训练函数;分别使用logsig和tansig两种传输函数作为输入层到中间层的传输函数。故此可以得到2×10×3=60种不同训练网络,如表2所示:
表2:不同网络训练下的均方误差表
可以看出,网络42的均方误差最小,其值为0.026,对应中间层个数为21。即认为使用它对应的网络42时预测性能最佳。
(5)BP神经网络模型检验:
使用上述网络42预测输出织物3在15次洗涤后的磁场强度和实测值对比,如表3所示:
表3:采用网络42的预测结果与实测结果对比表
由此可见,采用网络42对验证组的样本预测值与实测值的吻合度基本已经达到了92%以上。
(6)BP神经网络模型确定:
通过以上分析网络42的均方误差最小,且满足设计要求。为了找到BP神经网络预测最终关系式,在MatLab中导出其权值和阈值,如表4所示:
表4:BP神经网络最终权值和阈值表
iw1为输入层到中间层的权值,由于网络的中间层有21个神经元,输入层p是一个2行的矩阵,因此,权值iw1为一个21×2的矩阵。根据图3中的BP神经网络传输过程可知,iw1与网络输入矩阵p做矩阵乘积运算之后,得到一个21行的矩阵,将该矩阵的每列分别与阈值b1相加,得到一个新的21行矩阵输出,将此输出用tansig函数做函数关系映射,得到输入层到中间层的网络输出f1(21行的矩阵);iw2(21×15的矩阵形式)为中间层到输出层的权值,继续将f1作为中间层到输出层的网络输入,左乘iw2的转置(15行21列矩阵)做矩阵乘积运算后,得到一个15行的矩阵输出,将此输出的每列都与阈值b2相加后,得到中间层到输出层的网络输出t。此计算过程即为BP神经网络内部计算关系,即确定了最终的BP神经网络模型。
通过将以上手段确定的BP神经网络模型作为预测模型,在磁疗服装实际使用过程中,通过向所述预测模型输入该磁疗服装的参数规格来预测每次洗涤后的磁场强度,从而快速准确了解该磁疗服装的使用寿命。
Claims (6)
1.一种磁疗服装使用寿命预测方法,其特征在于,包括以下步骤:
a.通过选取不同参数规格的磁疗服装样本进行洗涤实验;
b.采集每一次洗涤后的磁疗服装样本的磁场强度,并构建样本数据集;
c.构建BP神经网络模型;
d.将样本数据集划分为训练集和验证集,对构建的BP神经网络模型进行训练和验证,获取稳定的网络模型作为预测模型;
e.在磁疗服装实际使用过程中,通过向所述预测模型输入该磁疗服装的参数规格来预测每次洗涤后的磁场强度;
步骤d具体包括:
d1.将样本数据集划分为训练集和验证集;
d2.以磁性纤维比例和厚度作为网络输入,以每次洗涤后的磁场强度作为网络输出,利用训练集中的数据对网络进行训练,得到多个训练网络;
d3.采用验证集中的数据对所述多个训练网络进行检验,确定预测值与实际检测值误差最小的训练网络;
d4.判断所述误差最小的训练网络的误差是否满足要求,若满足,则固化此训练网络中的参数,将此训练网络作为预测模型;若不满足,则返回步骤d2重新训练;
步骤d2中,在利用训练集中的数据对网络进行训练时,通过采用不同的训练函数、不同的中间层神经元个数以及输入层与中间层之间不同的传输函数对网络进行训练来获得多个训练网络。
2.如权利要求1所述的一种磁疗服装使用寿命预测方法,其特征在于,
所述不同参数规格至少包括:磁性纤维比例和厚度不同。
3.如权利要求1所述的一种磁疗服装使用寿命预测方法,其特征在于,
步骤a中,在洗涤实验开始之前,将选取的不同参数规格的磁疗服装样本修剪成相同尺寸规格,在洗涤实验中保证每次洗涤条件和晾晒条件完全相同。
4.如权利要求1所述的一种磁疗服装使用寿命预测方法,其特征在于,
步骤b中,在采集磁疗服装样本的磁场强度时,通过对样本进行多点测量求平均值作为该样本本次洗涤后的磁场强度。
5.如权利要求1所述的一种磁疗服装使用寿命预测方法,其特征在于,
步骤c中,采用MATLAB中的newff函数建立包括输入层、中间层和输出层的三层BP神经网络;所述三层BP神经网络的输入层到中间层采用Sigmoid函数作为传输函数;中间层到输出层采用purelin线性函数作为传输函数。
6.如权利要求1所述的一种磁疗服装使用寿命预测方法,其特征在于,
所述不同的训练函数至少包括:BFGS拟牛顿BP算法函数、梯度下降BP算法函数和梯度下降动量BP算法函数3种训练函数;
所述不同的中间层神经元个数至少包括10种不同的神经元个数;
所述输入层与中间层之间不同的传输函数至少包括logsig和tansig两种传输函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010271801.7A CN111259573B (zh) | 2020-04-08 | 2020-04-08 | 一种磁疗服装使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010271801.7A CN111259573B (zh) | 2020-04-08 | 2020-04-08 | 一种磁疗服装使用寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259573A CN111259573A (zh) | 2020-06-09 |
CN111259573B true CN111259573B (zh) | 2023-06-16 |
Family
ID=70951716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010271801.7A Active CN111259573B (zh) | 2020-04-08 | 2020-04-08 | 一种磁疗服装使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259573B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8422744B1 (en) * | 2009-11-20 | 2013-04-16 | Cossey and Associates Inc. | Computer based method and system for determining a parameter for a material |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN107330733A (zh) * | 2017-06-30 | 2017-11-07 | 攀枝花学院 | 基于bp神经网络的药材价格变化规律的预测方法 |
WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
KR20190031786A (ko) * | 2017-09-18 | 2019-03-27 | 삼성전자주식회사 | 전자 장치 및 이의 피드백 정보 획득 방법 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103926137B (zh) * | 2014-04-25 | 2016-11-23 | 大连海事大学 | 一种银纤维抗疲劳测试装置 |
CN109190767A (zh) * | 2018-07-27 | 2019-01-11 | 东华大学 | 一种基于机器学习的阻燃面料性能老化预测方法 |
CN109855991B (zh) * | 2019-01-16 | 2022-04-05 | 广州大学 | 一种预测复合材料疲劳寿命的方法 |
CN110929886B (zh) * | 2019-12-06 | 2022-03-22 | 支付宝(杭州)信息技术有限公司 | 模型训练、预测方法及其系统 |
-
2020
- 2020-04-08 CN CN202010271801.7A patent/CN111259573B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8422744B1 (en) * | 2009-11-20 | 2013-04-16 | Cossey and Associates Inc. | Computer based method and system for determining a parameter for a material |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
CN107330733A (zh) * | 2017-06-30 | 2017-11-07 | 攀枝花学院 | 基于bp神经网络的药材价格变化规律的预测方法 |
KR20190031786A (ko) * | 2017-09-18 | 2019-03-27 | 삼성전자주식회사 | 전자 장치 및 이의 피드백 정보 획득 방법 |
Non-Patent Citations (1)
Title |
---|
Artificial Neural Network Study: Protective Textiles for Defense Applications;Ramaiah, Gurumurthy B.;《AATCC REVIEW》;75-79 * |
Also Published As
Publication number | Publication date |
---|---|
CN111259573A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112577747B (zh) | 一种基于空间池化网络的滚动轴承故障诊断方法 | |
CN105487526B (zh) | 一种Fast RVM污水处理故障诊断方法 | |
CN110992354A (zh) | 基于引入自动记忆机制对抗自编码器的异常区域检测方法 | |
CN108416695A (zh) | 基于深度学习的电力负荷概率密度预测方法和系统、介质 | |
CN107292884A (zh) | 一种识别mri图像中水肿和血肿的方法及装置 | |
CN105610525B (zh) | 一种基于子频带匹配选择的宽带压缩频谱感知方法 | |
CN110082136A (zh) | 基于云遗传算法优化支持向量机的旋转机械故障诊断方法 | |
CN111259573B (zh) | 一种磁疗服装使用寿命预测方法 | |
CN109685140A (zh) | 一种基于主成分分析的dbscan算法岸桥状态分类方法 | |
CN105139282A (zh) | 一种电网指标数据处理方法、装置以及计算设备 | |
CN107071788A (zh) | 一种认知无线网络中的频谱感知方法及装置 | |
CN105721086B (zh) | 基于ukfnn的无线信道场景识别方法 | |
CN111126499A (zh) | 一种基于二次聚类的用电行为模式分类方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN107122521B (zh) | 一种二维随机载荷作用下疲劳寿命的计算方法 | |
Örenç et al. | Utilizing the ensemble of deep learning approaches to identify monkeypox disease | |
CN113505531B (zh) | 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 | |
CN108763283A (zh) | 一种不平衡数据集过采样方法 | |
CN108563201B (zh) | 一种dmaic驱动的小批量零件加工工艺过程质量改进方法 | |
CN112231880B (zh) | 一种超导磁体线圈设计方法 | |
Paul et al. | An intelligent system for domestic appliance identification using deep dense 1-D convolutional neural network | |
CN111783930A (zh) | 一种基于路径状态的神经网络测试充分性评估方法 | |
CN106547722A (zh) | 一种大数据并行优化方法 | |
Fayala et al. | Study the effect of operating parameters and intrinsic features of yarn and fabric on thermal conductivity of stretch knitted fabrics using artificial intelligence system | |
CN111614318A (zh) | 光伏系统直流侧电流故障检测方法和装置 |
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 |