CN111582307B - 签到结果判定方法、系统、存储介质、计算机程序、终端 - Google Patents

签到结果判定方法、系统、存储介质、计算机程序、终端 Download PDF

Info

Publication number
CN111582307B
CN111582307B CN202010234503.0A CN202010234503A CN111582307B CN 111582307 B CN111582307 B CN 111582307B CN 202010234503 A CN202010234503 A CN 202010234503A CN 111582307 B CN111582307 B CN 111582307B
Authority
CN
China
Prior art keywords
check
tuples
class
sample
tuple
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
Application number
CN202010234503.0A
Other languages
English (en)
Other versions
CN111582307A (zh
Inventor
沈玉龙
王祥阳
翟开放
张志为
姜晓鸿
郭得科
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202010234503.0A priority Critical patent/CN111582307B/zh
Publication of CN111582307A publication Critical patent/CN111582307A/zh
Application granted granted Critical
Publication of CN111582307B publication Critical patent/CN111582307B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于信息处理技术领域，公开了一种签到结果判定方法、系统、存储介质、计算机程序、终端，利用机器学习中的地址聚类算法对存在偏差的定位信息进行判定，采用K最近邻分类算法，每个样本都用它最接近的K个邻居代表；如果一个样本在特征空间中的K个最相邻的样本中的大多数属于一个类别，则该样本也属于这个类别，并且具有这个类别上样本的特性；在确定分类决策上只依据最接近的一个或几个样本的类别决定待分样本所属的类别。本发明解决了传统的基于定位的考勤系统定位的精度较低，因而签到结果判定上存在较多误判情况发生的问题；旨在尽可能减少在签到判定上的误判情况的发生，保证考勤系统签到判定结果的正确性。

Description

签到结果判定方法、系统、存储介质、计算机程序、终端
技术领域
本发明属于信息处理技术领域，尤其涉及一种签到结果判定方法、系统、存储介质、计算机程序、终端。
背景技术
目前，市面上的基于定位的考勤系统是通过计算发起考勤者的位置与被考勤者位置之间的距离是否小于某个数值来判定签到是否成功，但由于定位技术受到许多环境因素的干扰，导致定位的精度较低，因而签到结果判定上存在较多误判的情况发生。业内普遍的做法是，设定一个误差范围，如果误差在设定范围内，则判定签到成功，这样的作法，误差设定没有标准，签到结果的判定十分依赖误差的设定，判定结果一定程度上有违客观现实，无法较好的解决定位偏差引起的问题。
通过上述分析，现有技术存在的问题及缺陷为：目前考勤系统由于定位技术受到许多环境因素的干扰，导致定位的精度较低，因而签到结果判定上存在较多误判的情况发生。
解决以上问题及缺陷的难度为：短期内无法产生一种定位十分精准而又可以大范围商用的技术。
解决以上问题及缺陷的意义为：在现有条件下，大幅提高签到系统判定结果的准确度。
发明内容
针对现有技术存在的问题，本发明提供了一种签到结果判定方法、系统、存储介质、计算机程序、终端。
本发明是这样实现的，一种签到结果判定方法，所述签到结果判定方法利用机器学习中的地址聚类算法对存在偏差的定位信息进行判定，采用K最近邻分类算法，每个样本都用它最接近的K个邻居代表；如果一个样本在特征空间中的K个最相邻的样本中的大多数属于一个类别，则该样本也属于这个类别，并且具有这个类别上样本的特性；在确定分类决策上只依据最接近的一个或几个样本的类别决定待分样本所属的类别。
进一步，所述签到结果判定方法包括：
第一步，选用合适的数据结构存储训练数据和测试元组，设定参数K，维护一个大小为K的按距离发起签到者位置由大到小的优先级队列用于存储最近邻训练元组；
第二步，随机从训练元组中选取K个元组作为初始的最近邻元组，通过欧式距离计算公式，分别计算测试元组距这K个元组的距离，将训练元组标号和距离存入优先级队列；
第三步，遍历训练元组集，训练元组集与测试元组集做差并取绝对值求和，计算当前训练元组与测试元组距离，将所得距离L与优先级队列中的最大距离Lmax进行比较；
第四步，计算优先级队列中K个元组的多数类，并将其作为测试元组的类别；测试元组集测试完毕后，根据测试元组集与真实情况的对比，计算误差率；继续设定不同的K值，K从1开始，每次加1，重新进行训练，最后选取误差率最小的K值；
第五步，将地址聚成设定大小的K个类，挑出人数最多的一个类作为目标类；
第六步，以目标类的质点为中心，按照滚雪球的方式确定签到信息，即先找到离这个质点最近的类(第一圈的人)，然后再找到离第一圈的人比较近的人(第二圈的人)，以此类推。
进一步，所述第三步L>＝Lmax，则舍弃该元组，遍历下一个元组，反之删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列。
进一步，所述第六步先找到离这个质点最近的，然后再找到离质点最近的比较近的，质点最近的与离质点最近的比较近的之间的距离小于一个经验值，算合法。
本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤：利用机器学习中的地址聚类算法对存在偏差的定位信息进行判定，采用K最近邻分类算法，每个样本都用它最接近的K个邻居代表；如果一个样本在特征空间中的K个最相邻的样本中的大多数属于一个类别，则该样本也属于这个类别，并且具有这个类别上样本的特性；在确定分类决策上只依据最接近的一个或几个样本的类别决定待分样本所属的类别。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的签到结果判定方法。
本发明的另一目的在于提供一种实施所述的签到结果判定方法的签到结果判定系统，所述签到结果判定系统包括：
最近邻训练元组存储模块，用于选用合适的数据结构存储训练数据和测试元组，设定参数K，维护一个大小为K的按距离发起签到者位置由大到小的优先级队列用于存储最近邻训练元组；
测试元组距计算模块，用于随机从训练元组中选取K个元组作为初始的最近邻元组，分别计算测试元组距这K个元组的距离，将训练元组标号和距离存入优先级队列；
距离比较单元，用于遍历训练元组集，计算当前训练元组与测试元组距离，将所得距离L与优先级队列中的最大距离Lmax进行比较；
误差率最小值选取模块，用于计算优先级队列中K个元组的多数类，并将其作为测试元组的类别，测试元组集测试完毕后计算误差率，继续设定不同的K值重新进行训练，最后选取误差率最小的K值；
目标类设定模块，用于将地址聚成设定大小的K个类，挑出人数最多的一个类作为目标类；
签到信息确定模块，用于以目标类的质点为中心，按照滚雪球的方式确定签到信息。
本发明的另一目的在于提供一种终端，所述终端搭载所述的签到结果判定系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明利用机器学习中的地址聚类算法对存在偏差的定位信息进行判定，采用的地址聚类算法：KNN聚类算法。K最近邻(KNN，K-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K近邻，就是K个最近的邻居的意思，说的就是每个样本都可以用它最接近的K个邻居来代表。KNN算法的核心是如果一个样本在特征空间中的K个最相邻的样本中的大多数属于一个类别，则该样本也属于这个类别，并且具有这个类别上样本的特性。本发明在确定分类决策上只依据最接近的一个或几个样本的类别来决定待分样本所属的类别。KNN方法在类别决策时只与极少数的相邻样本有关。由于KNN方法主要依靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为合适。
本发明对于传统的基于定位的考勤系统，存在由于定位技术受到许多环境因素的干扰，导致定位的精度较低，因而签到结果判定上存在较多误判情况发生的问题。本发明的提出旨在尽可能减少在签到判定上的误判情况的发生，保证考勤系统签到判定结果的正确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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得其他的附图。
图1是本发明实施例提供的签到结果判定方法流程图。
图2是本发明实施例提供的签到结果判定系统的结构示意图；
图中：1、最近邻训练元组存储模块；2、测试元组距计算模块；3、距离比较单元；4、误差率最小值选取模块；5、目标类设定模块；6、签到信息确定模块。
图3是本发明实施例提供的签到结果判定方法实现流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种签到结果判定方法、系统、存储介质、计算机程序、终端，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的签到结果判定方法包括以下步骤：
S101：选用合适的数据结构存储训练数据和测试元组。设定参数K，维护一个大小为K的按距离发起签到者位置由大到小的优先级队列用于存储最近邻训练元组；
S102：随机从训练元组中选取K个元组作为初始的最近邻元组，分别计算测试元组距这K个元组的距离，将训练元组标号和距离存入优先级队列；
S103：遍历训练元组集，计算当前训练元组与测试元组距离，将所得距离L与优先级队列中的最大距离Lmax进行比较；
S104：计算优先级队列中K个元组的多数类，并将其作为测试元组的类别。测试元组集测试完毕后计算误差率。继续设定不同的K值重新进行训练，最后选取误差率最小的K值；
S105：将地址聚成设定大小的K个类，挑出人数最多的一个类作为目标类；
S106：以上述目标类的质点为中心，按照滚雪球的方式确定签到人员。
如图2所示，本发明提供的签到结果判定系统包括：
最近邻训练元组存储模块1，用于选用合适的数据结构存储训练数据和测试元组，设定参数K，维护一个大小为K的按距离发起签到者位置由大到小的优先级队列用于存储最近邻训练元组。
测试元组距计算模块2，用于随机从训练元组中选取K个元组作为初始的最近邻元组，分别计算测试元组距这K个元组的距离，将训练元组标号和距离存入优先级队列。
距离比较单元3，用于遍历训练元组集，计算当前训练元组与测试元组距离，将所得距离L与优先级队列中的最大距离Lmax进行比较。
误差率最小值选取模块4，用于计算优先级队列中K个元组的多数类，并将其作为测试元组的类别，测试元组集测试完毕后计算误差率，继续设定不同的K值重新进行训练，最后选取误差率最小的K值。
目标类设定模块5，用于将地址聚成设定大小的K个类，挑出人数最多的一个类作为目标类。
签到信息确定模块6，用于以目标类的质点为中心，按照滚雪球的方式确定签到信息。
下面结合附图对本发明的技术方案作进一步的描述。
如图3所示，本发明提供的签到结果判定方法包括以下步骤：
步骤一，准备数据，对数据进行预处理。选用合适的数据结构存储训练数据和测试元组。设定参数K，维护一个大小为K的按距离发起签到者位置由大到小的优先级队列用于存储最近邻训练元组。随机从训练元组中选取K个元组作为初始的最近邻元组，分别计算测试元组距这K个元组的距离，将训练元组标号和距离存入优先级队列。遍历训练元组集，计算当前训练元组与测试元组距离，将所得距离L与优先级队列中的最大距离Lmax进行比较。若L>＝Lmax，则舍弃该元组，遍历下一个元组，反之删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列。遍历完毕，计算优先级队列中K个元组的多数类，并将其作为测试元组的类别。测试元组集测试完毕后计算误差率。继续设定不同的K值重新进行训练，最后选取误差率最小的K值。
步骤二，将地址聚成设定大小的K个类，挑出人数最多的一个类作为目标类。
步骤三，以上述目标类的质点为中心，按照滚雪球的方式来确定签到人员，即先找到离这个质点最近的人(第一圈的人)，然后再找到离第一圈的人比较近的人(第二圈的人)，依次类推。这里两个人之间的距离小于一个经验值，比如1米，就算合法。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种签到结果判定方法，其特征在于，所述签到结果判定方法利用机器学习中的地址聚类算法对存在偏差的定位信息进行判定，采用K最近邻分类算法，每个样本都用它最接近的K个邻居代表；如果一个样本在特征空间中的K个最相邻的样本中的大多数属于一个类别，则该样本也属于这个类别，并且具有这个类别上样本的特性；在确定分类决策上只依据最接近的一个或几个样本的类别决定待分样本所属的类别；
所述签到结果判定方法包括：
第一步，选用合适的数据结构存储训练数据和测试元组，设定参数K，维护一个大小为K的按距离发起签到者位置由大到小的优先级队列用于存储最近邻训练元组；
第二步，随机从训练元组中选取K个元组作为初始的最近邻元组，分别计算测试元组距这K个元组的距离，将训练元组标号和距离存入优先级队列；
第三步，遍历训练元组集，计算当前训练元组与测试元组距离，将所得距离L与优先级队列中的最大距离Lmax进行比较；
第四步，计算优先级队列中K个元组的多数类，并将其作为测试元组的类别；测试元组集测试完毕后计算误差率；继续设定不同的K值重新进行训练，最后选取误差率最小的K值；
第五步，将地址聚成设定大小的K个类，挑出人数最多的一个类作为目标类；
第六步，以目标类的质点为中心，按照滚雪球的方式确定签到信息；
所述第三步L>=Lmax，则舍弃该元组，遍历下一个元组，反之删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列；
所述第六步先找到离这个质点最近的，然后再找到离质点最近的与比较近的，质点最近的与离质点最近的比较近的之间的距离小于一个经验值，算合法。
2.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1任意一项所述签到结果判定方法包括下列步骤：利用机器学习中的地址聚类算法对存在偏差的定位信息进行判定，采用K最近邻分类算法，每个样本都用它最接近的K个邻居代表；如果一个样本在特征空间中的K个最相邻的样本中的大多数属于一个类别，则该样本也属于这个类别，并且具有这个类别上样本的特性；在确定分类决策上只依据最接近的一个或几个样本的类别决定待分样本所属的类别。
3.一种存储在计算机可读介质，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1所述的签到结果判定方法。
4.一种考勤系统，其特征在于，所示考勤系统运行权利要求1所述的签到结果判定方法。
5.一种实施权利要求1所述的签到结果判定方法的签到结果判定系统，其特征在于，所述签到结果判定系统包括：
最近邻训练元组存储模块，用于选用合适的数据结构存储训练数据和测试元组，设定参数K，维护一个大小为K的按距离发起签到者位置由大到小的优先级队列用于存储最近邻训练元组；
测试元组距计算模块，用于随机从训练元组中选取K个元组作为初始的最近邻元组，分别计算测试元组距这K个元组的距离，将训练元组标号和距离存入优先级队列；
距离比较单元，用于遍历训练元组集，计算当前训练元组与测试元组距离，将所得距离L与优先级队列中的最大距离Lmax进行比较；
误差率最小值选取模块，用于计算优先级队列中K个元组的多数类，并将其作为测试元组的类别，测试元组集测试完毕后计算误差率，继续设定不同的K值重新进行训练，最后选取误差率最小的K值；
目标类设定模块，用于将地址聚成设定大小的K个类，挑出人数最多的一个类作为目标类；
签到信息确定模块，用于以目标类的质点为中心，按照滚雪球的方式确定签到信息。
6.一种终端，其特征在于，所述终端搭载权利要求5所述的签到结果判定系统。
7.一种考勤机，其特征在于，所述考勤机搭载权利要求5所述的签到结果判定系统。
CN202010234503.0A 2020-03-30 2020-03-30 签到结果判定方法、系统、存储介质、计算机程序、终端 Active CN111582307B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010234503.0A CN111582307B (zh) 2020-03-30 2020-03-30 签到结果判定方法、系统、存储介质、计算机程序、终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010234503.0A CN111582307B (zh) 2020-03-30 2020-03-30 签到结果判定方法、系统、存储介质、计算机程序、终端

Publications (2)

Publication Number Publication Date
CN111582307A CN111582307A (zh) 2020-08-25
CN111582307B true CN111582307B (zh) 2023-04-07

Family

ID=72122618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010234503.0A Active CN111582307B (zh) 2020-03-30 2020-03-30 签到结果判定方法、系统、存储介质、计算机程序、终端

Country Status (1)

Country Link
CN (1) CN111582307B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529744A (zh) * 2020-11-10 2021-03-19 成都佳发教育科技有限公司 利用学生移动设备位置信息定位教室实现精准考勤的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0997259A (ja) * 1995-09-29 1997-04-08 Nippon Telegr & Teleph Corp <Ntt> ｋ最近傍クラス判定装置
CA3006412A1 (en) * 2017-07-14 2019-01-14 Easymarkit Software, Inc. Smart messaging in medical practice communication
CN109615075A (zh) * 2018-12-14 2019-04-12 大连海事大学 一种基于多层聚类模型的居民日常行为识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0997259A (ja) * 1995-09-29 1997-04-08 Nippon Telegr & Teleph Corp <Ntt> ｋ最近傍クラス判定装置
CA3006412A1 (en) * 2017-07-14 2019-01-14 Easymarkit Software, Inc. Smart messaging in medical practice communication
CN109615075A (zh) * 2018-12-14 2019-04-12 大连海事大学 一种基于多层聚类模型的居民日常行为识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于聚类算法的KNN文本分类算法研究;江涛等;《计算机工程与应用》(第07期);全文 *

Also Published As

Publication number Publication date
CN111582307A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN109784391B (zh) 基于多模型的样本标注方法及装置
CN107423278B (zh) 评价要素的识别方法、装置及系统
CN105303179A (zh) 指纹识别方法、装置
US20080126556A1 (en) System and method for classifying data streams using high-order models
CN106919957B (zh) 处理数据的方法及装置
CN109165309B (zh) 负例训练样本采集方法、装置及模型训练方法、装置
CN110889463A (zh) 一种样本标注方法、装置、服务器及机器可读存储介质
CN112309126B (zh) 车牌检测方法、装置、电子设备及计算机可读存储介质
CN103473492A (zh) 权限识别方法和用户终端
CN110909804B (zh) 基站异常数据的检测方法、装置、服务器和存储介质
CN111310829A (zh) 基于混淆矩阵的分类结果检测方法、装置及存储介质
CN111582307B (zh) 签到结果判定方法、系统、存储介质、计算机程序、终端
CN117611879A (zh) 缺陷检测方法、装置、设备及计算机可读介质
CN117523218A (zh) 标签生成、图像分类模型的训练、图像分类方法及装置
CN111738290B (zh) 图像检测方法、模型构建和训练方法、装置、设备和介质
CN113032514B (zh) 兴趣点数据处理方法及装置
CN112052724A (zh) 基于深度卷积神经网络的手指指尖定位方法及装置
CN116245630A (zh) 一种反欺诈检测方法、装置、电子设备及介质
CN116151236A (zh) 文本处理模型的训练方法、文本处理方法及相关设备
CN113298185B (zh) 模型训练方法、异常文件检测方法、装置、设备及介质
CN114707175B (zh) 机器学习模型敏感信息的处理方法、系统、设备及终端
CN116185843B (zh) 基于神经元覆盖率引导的两阶段神经网络测试方法及装置
JP4320124B2 (ja) パターン認識方法、装置及びプログラム
CN117851854A (zh) 基于最小先验知识的标签分配方法、电子设备及存储介质
CN116883721A (zh) 手绘图形的识别方法、装置、电子设备和可读存储介质

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
CB03 Change of inventor or designer information

Inventor after: Shen Yulong

Inventor after: Wang Xiangyang

Inventor after: Zhai Kaifang

Inventor after: Zhang Zhiwei

Inventor after: Jiang Xiaohong

Inventor before: Shen Yulong

Inventor before: Wang Xiangyang

Inventor before: Zhai Kaifang

Inventor before: Zhang Zhiwei

Inventor before: Jiang Xiaohong

Inventor before: Guo Deke

CB03 Change of inventor or designer information