CN111428886A - 一种故障诊断的深度学习模型自适应更新的方法及装置 - Google Patents

一种故障诊断的深度学习模型自适应更新的方法及装置 Download PDF

Info

Publication number
CN111428886A
CN111428886A CN202010279433.0A CN202010279433A CN111428886A CN 111428886 A CN111428886 A CN 111428886A CN 202010279433 A CN202010279433 A CN 202010279433A CN 111428886 A CN111428886 A CN 111428886A
Authority
CN
China
Prior art keywords
data
model
deep learning
new fault
learning model
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
CN202010279433.0A
Other languages
English (en)
Other versions
CN111428886B (zh
Inventor
陈维亮
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.)
Qingdao Juhaolian Technology Co ltd
Original Assignee
Qingdao Juhaolian Technology 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 Qingdao Juhaolian Technology Co ltd filed Critical Qingdao Juhaolian Technology Co ltd
Priority to CN202010279433.0A priority Critical patent/CN111428886B/zh
Publication of CN111428886A publication Critical patent/CN111428886A/zh
Application granted granted Critical
Publication of CN111428886B publication Critical patent/CN111428886B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种故障诊断的深度学习模型自适应更新的方法及装置，该方法包括获取设备数据，根据设备数据和分类模型，确定设备数据是否为新的故障数据，若是，则根据新的故障数据，更新分类模型和深度学习模型。通过在确定设备数据为新的故障数据时，及时更新分类模型和深度学习模型，从而可以使得每次模型更新的结果不同，提高系统资源利用率，降低系统能耗。

Description

一种故障诊断的深度学习模型自适应更新的方法及装置
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种故障诊断的深度学习模型自适应更新的方法及装置。
背景技术
白电数据可以产生巨大的价值，基于深度学习的故障预测诊断模型，可以通过学习优良设备和不良设备的数据差别，在优良设备发生不良变化前，发现此设备，并将此信息和改进方案推送给用户，使用户提前预防，减少损失。
当前的深度学习方案，是基于样本推断整体，基于当前数据推断将来数据，但是随着产品类型的增加，这种以偏概全的方式，必须过一段时间就要全部重新学习、重新部署。这种按照固定时间进行更新的方式，有时会因为本次学习数据跟上次学习数据相比并没有增加新的故障数据，造成本次学习的结果与上次学习的结果相同，浪费了系统能耗。
发明内容
本发明实施例提供一种故障诊断的深度学习模型自适应更新的方法及装置，用以实现深度学习模型每次更新的结果都不同，提高系统利用率，降低系统能耗。
第一方面，本发明实施例提供一种故障诊断的深度学习模型自适应更新的方法，包括：
获取设备数据；
根据所述设备数据和分类模型，确定所述设备数据是否为新的故障数据；
若是，则根据所述新的故障数据，更新所述分类模型和深度学习模型。
上述技术方案中，通过在确定设备数据为新的故障数据时，及时更新分类模型和深度学习模型，从而可以使得每次模型更新的结果不同，提高系统资源利用率，降低系统能耗。
可选的，若所述设备数据不是新的故障数据，则根据所述设备数据和深度学习模型进行故障预测。
可选的，所述根据所述新的故障数据，更新所述分类模型和深度学习模型，包括：
将所述新的故障数据加入训练样本中；
使用预设的分类模型和预设的深度学习模型对加入所述新的故障数据的训练样本重新进行训练学习，得到更新后的所述分类模型和更新后的所述深度学习模型。
可选的，所述分类模型为孤立森林模型；
所述根据所述设备数据和分类模型，确定所述设备数据是否为新的故障数据，包括：
将所述设备数据输入至所述孤立森林模型中，得到所述设备数据对应距离根节点的深度；
若所述设备数据对应距离根节点的深度大于所述孤立森林模型的深度，则确定所述设备数据为新的故障数据，否则确定所述设备数据不是新的故障数据。
第二方面，本发明实施例提供一种故障诊断的深度学习模型自适应更新的装置，包括：
获取单元，用于获取设备数据；
处理单元，用于根据所述设备数据和分类模型，确定所述设备数据是否为新的故障数据；若是，则根据所述新的故障数据，更新所述分类模型和深度学习模型。
可选的，所述处理单元还用于：
若所述设备数据不是新的故障数据，则根据所述设备数据和深度学习模型进行故障预测。
可选的，所述处理单元具体用于：
将所述新的故障数据加入训练样本中；
使用预设的分类模型和预设的深度学习模型对加入所述新的故障数据的训练样本重新进行训练学习，得到更新后的所述分类模型和更新后的所述深度学习模型。
可选的，所述分类模型为孤立森林模型；
所述处理单元具体用于：
将所述设备数据输入至所述孤立森林模型中，得到所述设备数据对应距离根节点的深度；
若所述设备数据对应距离根节点的深度大于所述孤立森林模型的深度，则确定所述设备数据为新的故障数据，否则确定所述设备数据不是新的故障数据。
第三方面，本发明实施例还提供一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述故障诊断的深度学习模型自适应更新的方法。
第四方面，本发明实施例还提供一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述故障诊断的深度学习模型自适应更新的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种系统架构的示意图；
图2为本发明实施例提供的一种故障诊断的深度学习模型自适应更新的方法的流程示意图；
图3为本发明实施例提供的一种孤立森林的深度的示意图；
图4为本发明实施例提供的一种孤立森林的深度的示意图；
图5为本发明实施例提供的一种孤立森林的深度的示意图；
图6为本发明实施例提供的一种故障诊断的深度学习模型自适应更新的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种系统架构。参考图1所示，该系统架构可以为服务器100，包括处理器110、通信接口120和存储器130。
其中，通信接口120用于与终端设备进行通信，收发该终端设备传输的信息，实现通信。
处理器110是服务器100的控制中心，利用各种接口和线路连接整个服务器100的各个部分，通过运行或执行存储在存储器130内的软件程序/或模块，以及调用存储在存储器130内的数据，执行服务器100的各种功能和处理数据。可选地，处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块，处理器110通过运行存储在存储器130的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器130可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据业务处理所创建的数据等。此外，存储器130可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是，上述图1所示的结构仅是一种示例，本发明实施例对此不做限定。
基于上述描述，图2详细的示出了本发明实施例提供的一种故障诊断的深度学习模型自适应更新的方法的流程，该流程可以由故障诊断的深度学习模型自适应更新的装置执行。
如图2所示，该流程具体包括：
步骤201，获取设备数据。
在本发明实施例中，该设备数据可以为某一机型的白电数据，例如，冰箱的温度数据，传感器数据等。
步骤202，根据所述设备数据和分类模型，确定所述设备数据是否为新的故障数据。
该分类模型可以为孤立森林模型，也可以称为一元分类模型，具体的，可以将设备数据输入至孤立森林模型中，得到设备数据对应距离根节点的深度，若设备数据对应距离根节点的深度大于孤立森林模型的深度，则确定设备数据为新的故障数据，否则确定设备数据不是新的故障数据。该孤立森林模型的深度是指该设备数据对应的当前故障最大深度，每条设备数据对应一个当前故障最大深度，对应一个孤立森林模型。
举例来说，图3是一张统计表，记录的是每条数据各个字段的情况，以字段1为例，它表示冰箱冷藏设定温度，在孤立森林中，每个异常值被识别出来是因为这些异常值到根节点的距离(深度)短，通常会随机选取样本，建立100颗孤立森林，然后可以记录第一个字段的异常值在每个孤立森林的深度，然后取最大深度，也就是该冰箱冷藏设定温度对应的故障最大深度。通过这种方式就可以得到图3的各数据字段对应的故障最大深度，也就是孤立森林模型的深度。
当有新的设备数据输入后，需要判断的是，该新的设备数据进入100颗孤立森林，每个字段的最大深度与之前统计的最大深度做比较，若小于等于之前统计的最大深度，则认为此数据是一个已有类型的数据，若大于之前统计的最大深度，则认为此数据是一个新数据。
由于其他异常类型数据的加入，会使得之前异常数据和当前异常数据在孤立森林中距离根节点深度增加。图4表示原始的孤立森林，以每次都取平均的方式来说明分类原理，大量的正常数据都是1-7，异常数据为10。每一层都是取(最大值+最小值)/2作为分类标准，第一层为(1+10)/2＝5.5，第二层为(6+10)/2＝8，于是可将10分离出来，此时距离根节点的层数为3。
图5是当有一个新的异常数据(值为11)时，通过上述方式可以看出，第一层为(1+10)/2＝5.5，第二层为(6+10)/2＝8，第三层为(10+11)/2＝10.5.因此11被分离出来，位于第四层。可以看到异常值10和11将在第四层被孤立森林检测出来，与图4的三层，显然增加了一层，最终使这个孤立森林的深度的最大值增加了1。
因此，孤立森林模型检测设备数据表现为：某字段的异常值与随机森林根节点最大深度增加时，可认为这是之前没有遇见的故障异常值，也就是新的故障数据。
步骤203，若所述设备数据为新的故障数据，则根据所述新的故障数据，更新所述分类模型和深度学习模型。
当确定为新的故障数据时，可以将该新的故障数据加入训练样本中，然后使用预设的分类模型和预设的深度学习模型对加入所述新的故障数据的训练样本重新进行训练学习，得到更新后的所述分类模型和更新后的所述深度学习模型。
也就是说，将新的故障数据加入抽样样本中，更新孤立森林模型和深度学习模型(autoencoder模型)，实现了自适应更新。该深度学习模型可以为通用的深度学习模型。
若在步骤202中确定出设备数据不是新的故障数据，则可以使用深度学习模型对该设备数据进行故障预测，得到预测结果。
上述实施例表明，获取设备数据，根据设备数据和分类模型，确定设备数据是否为新的故障数据，若是，则根据新的故障数据，更新分类模型和深度学习模型。通过在确定设备数据为新的故障数据时，及时更新分类模型和深度学习模型，从而可以使得每次模型更新的结果不同，提高系统资源利用率，降低系统能耗。
基于相同的技术构思，图6示例性的示出了本发明实施例提供的一种故障诊断的深度学习模型自适应更新的装置的结构，该装置可以执行故障诊断的深度学习模型自适应更新的流程。
如图6所示，该装置具体包括：
获取单元601，用于获取设备数据；
处理单元602，用于根据所述设备数据和分类模型，确定所述设备数据是否为新的故障数据；若是，则根据所述新的故障数据，更新所述分类模型和深度学习模型。
可选的，所述处理单元602还用于：
若所述设备数据不是新的故障数据，则根据所述设备数据和深度学习模型进行故障预测。
可选的，所述处理单元602具体用于：
将所述新的故障数据加入训练样本中；
使用预设的分类模型和预设的深度学习模型对加入所述新的故障数据的训练样本重新进行训练学习，得到更新后的所述分类模型和更新后的所述深度学习模型。
可选的，所述分类模型为孤立森林模型；
所述处理单元602具体用于：
将所述设备数据输入至所述孤立森林模型中，得到所述设备数据对应距离根节点的深度；
若所述设备数据对应距离根节点的深度大于所述孤立森林模型的深度，则确定所述设备数据为新的故障数据，否则确定所述设备数据不是新的故障数据。
基于相同的技术构思，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用存储器中存储的程序指令，按照获得的程序执行上述故障诊断的深度学习模型自适应更新的方法。
基于相同的技术构思，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行计算机可读指令时，使得计算机执行上述故障诊断的深度学习模型自适应更新的方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种故障诊断的深度学习模型自适应更新的方法，其特征在于，包括：
获取设备数据；
根据所述设备数据和分类模型，确定所述设备数据是否为新的故障数据；
若是，则根据所述新的故障数据，更新所述分类模型和深度学习模型。
2.如权利要求1所述的方法，其特征在于，若所述设备数据不是新的故障数据，则根据所述设备数据和深度学习模型进行故障预测。
3.如权利要求1所述的方法，其特征在于，所述根据所述新的故障数据，更新所述分类模型和深度学习模型，包括：
将所述新的故障数据加入训练样本中；
使用预设的分类模型和预设的深度学习模型对加入所述新的故障数据的训练样本重新进行训练学习，得到更新后的所述分类模型和更新后的所述深度学习模型。
4.如权利要求1至3任一项所述的方法，其特征在于，所述分类模型为孤立森林模型；
所述根据所述设备数据和分类模型，确定所述设备数据是否为新的故障数据，包括：
将所述设备数据输入至所述孤立森林模型中，得到所述设备数据对应距离根节点的深度；
若所述设备数据对应距离根节点的深度大于所述孤立森林模型的深度，则确定所述设备数据为新的故障数据，否则确定所述设备数据不是新的故障数据。
5.一种故障诊断的深度学习模型自适应更新的装置，其特征在于，包括：
获取单元，用于获取设备数据；
处理单元，用于根据所述设备数据和分类模型，确定所述设备数据是否为新的故障数据；若是，则根据所述新的故障数据，更新所述分类模型和深度学习模型。
6.如权利要求5所述的装置，其特征在于，所述处理单元还用于：
若所述设备数据不是新的故障数据，则根据所述设备数据和深度学习模型进行故障预测。
7.如权利要求5所述的装置，其特征在于，所述处理单元具体用于：
将所述新的故障数据加入训练样本中；
使用预设的分类模型和预设的深度学习模型对加入所述新的故障数据的训练样本重新进行训练学习，得到更新后的所述分类模型和更新后的所述深度学习模型。
8.如权利要求5至7任一项所述的装置，其特征在于，所述分类模型为孤立森林模型；
所述处理单元具体用于：
将所述设备数据输入至所述孤立森林模型中，得到所述设备数据对应距离根节点的深度；
若所述设备数据对应距离根节点的深度大于所述孤立森林模型的深度，则确定所述设备数据为新的故障数据，否则确定所述设备数据不是新的故障数据。
9.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1至4任一项所述的方法。
10.一种计算机可读非易失性存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1至4任一项所述的方法。
CN202010279433.0A 2020-04-10 2020-04-10 一种故障诊断的深度学习模型自适应更新的方法及装置 Active CN111428886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010279433.0A CN111428886B (zh) 2020-04-10 2020-04-10 一种故障诊断的深度学习模型自适应更新的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010279433.0A CN111428886B (zh) 2020-04-10 2020-04-10 一种故障诊断的深度学习模型自适应更新的方法及装置

Publications (2)

Publication Number Publication Date
CN111428886A true CN111428886A (zh) 2020-07-17
CN111428886B CN111428886B (zh) 2023-08-04

Family

ID=71553850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010279433.0A Active CN111428886B (zh) 2020-04-10 2020-04-10 一种故障诊断的深度学习模型自适应更新的方法及装置

Country Status (1)

Country Link
CN (1) CN111428886B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906744A (zh) * 2021-01-20 2021-06-04 湖北工业大学 一种基于孤立森林算法的故障单体电池识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330522A (zh) * 2017-07-04 2017-11-07 北京百度网讯科技有限公司 用于更新深度学习模型的方法、装置及系统
CN107657288A (zh) * 2017-10-26 2018-02-02 国网冀北电力有限公司 一种基于孤立森林算法的电力调度流数据异常检测方法
CN109543765A (zh) * 2018-08-23 2019-03-29 江苏海平面数据科技有限公司 一种基于改进IForest的工业数据去噪方法
CN110162018A (zh) * 2019-05-31 2019-08-23 天津开发区精诺瀚海数据科技有限公司 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法
CN110263846A (zh) * 2019-06-18 2019-09-20 华北电力大学 基于故障数据深度挖掘及学习的故障诊断方法
WO2020010701A1 (zh) * 2018-07-11 2020-01-16 平安科技（深圳）有限公司 污染物异常监测方法、系统、计算机设备和存储介质
CN110751371A (zh) * 2019-09-20 2020-02-04 苏宁云计算有限公司 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682685B (zh) * 2016-12-06 2020-05-01 重庆大学 基于微波加热温度场分布特征深度学习的局部温度变化异常检测方法
CN109506963B (zh) * 2018-11-29 2019-09-03 中南大学 一种智能列车牵引故障大数据异常检测辨识方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330522A (zh) * 2017-07-04 2017-11-07 北京百度网讯科技有限公司 用于更新深度学习模型的方法、装置及系统
CN107657288A (zh) * 2017-10-26 2018-02-02 国网冀北电力有限公司 一种基于孤立森林算法的电力调度流数据异常检测方法
WO2020010701A1 (zh) * 2018-07-11 2020-01-16 平安科技（深圳）有限公司 污染物异常监测方法、系统、计算机设备和存储介质
CN109543765A (zh) * 2018-08-23 2019-03-29 江苏海平面数据科技有限公司 一种基于改进IForest的工业数据去噪方法
CN110162018A (zh) * 2019-05-31 2019-08-23 天津开发区精诺瀚海数据科技有限公司 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法
CN110263846A (zh) * 2019-06-18 2019-09-20 华北电力大学 基于故障数据深度挖掘及学习的故障诊断方法
CN110751371A (zh) * 2019-09-20 2020-02-04 苏宁云计算有限公司 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906744A (zh) * 2021-01-20 2021-06-04 湖北工业大学 一种基于孤立森林算法的故障单体电池识别方法
CN112906744B (zh) * 2021-01-20 2023-08-04 湖北工业大学 一种基于孤立森林算法的故障单体电池识别方法

Also Published As

Publication number Publication date
CN111428886B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN105491117A (zh) 面向实时数据分析的流式图数据处理系统及方法
CN111860568B (zh) 数据样本的均衡分布方法、装置及存储介质
CN111428886B (zh) 一种故障诊断的深度学习模型自适应更新的方法及装置
CN107992361B (zh) 后台应用的清理方法、装置、存储介质及电子设备
CN110602207A (zh) 基于离网预测推送信息的方法、装置、服务器和存储介质
CN113794696A (zh) 一种基于因果模型的网络安全信息处理方法和系统
CN108959039A (zh) 一种虚拟机故障预测的方法及装置
CN104112056B (zh) 数据处理的故障检测方法和系统
CN115442262B (zh) 一种资源评估方法、装置、电子设备及存储介质
CN111159251A (zh) 一种异常数据的确定方法及装置
CN117763024A (zh) 一种数据分片抽取方法及装置
CN116089477A (zh) 分布式训练方法及系统
CN111161064A (zh) 一种区块链交易记录的处理方法及装置
CN111079390B (zh) 一种复选框列表的选择状态确定方法以及装置
CN114244681A (zh) 设备连接故障预警方法、装置、存储介质及电子设备
CN113296951A (zh) 一种资源配置方案确定方法及设备
CN109600245B (zh) 服务器自动配置方法及装置
CN111309706A (zh) 模型训练方法、装置、可读存储介质及电子设备
CN111325278B (zh) 一种图像处理方法、装置及存储介质
CN115951893B (zh) 一种半导体加工脚本获取方法、系统、设备及存储介质
CN113032236B (zh) 应用于人工智能和云计算的业务行为处理方法及服务器
CN116107761B (zh) 性能调优方法、系统、电子设备及可读存储介质
US9244832B1 (en) Cache learning model
CN112016123B (zh) 隐私保护算法的验证方法、装置及电子设备
WO2018174908A1 (en) Method to enhance reliability of monitoring data for edge-core distributed analytics systems

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