CN111783028B - 数据筛选补偿算法 - Google Patents

数据筛选补偿算法 Download PDF

Info

Publication number
CN111783028B
CN111783028B CN202010611278.8A CN202010611278A CN111783028B CN 111783028 B CN111783028 B CN 111783028B CN 202010611278 A CN202010611278 A CN 202010611278A CN 111783028 B CN111783028 B CN 111783028B
Authority
CN
China
Prior art keywords
data
value
available
difference value
standard
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
CN202010611278.8A
Other languages
English (en)
Other versions
CN111783028A (zh
Inventor
孙林
陈良
彭华
陈志勇
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.)
Chongqing College of Electronic Engineering
Original Assignee
Chongqing College of Electronic Engineering
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 Chongqing College of Electronic Engineering filed Critical Chongqing College of Electronic Engineering
Priority to CN202010611278.8A priority Critical patent/CN111783028B/zh
Publication of CN111783028A publication Critical patent/CN111783028A/zh
Application granted granted Critical
Publication of CN111783028B publication Critical patent/CN111783028B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)

Abstract

本发明属于数据处理技术领域，尤其涉及一种数据筛选补偿算法，包括：S1，快速采集N个数据；S2，数据筛选；S3，求标准数据，筛选出第一计数值最大的可用数据，作为标准数据；当第一计数值最大的可用数据不止一个时：若可用数据的个数为奇数，则将这些可用数据按大小排序后，取其中间值的可用数据作为标准数据；若可用数据的个数为偶数，则将这些可用数据按大小排序后，取其中间值的前面一位可用数据作为标准数据；S4，参考数据处理，得到最终参考值；S5，求最终结果，求所有最终参考值的平均数，得到最终结果。使用本算法，能够在环境条件变化的情况下，仍然能够精确、稳定的进行数据测量。

Description

数据筛选补偿算法
技术领域
本发明属于数据处理技术领域，尤其涉及一种数据筛选补偿算法。
背景技术
在实验室进行数据采集时，为了保证采集结果的精准性，通常会通过一系列内的布置，来使实验室达到一个理想的环境。
但是，在实际场景中进行数据采集时，只有非常少的情况下会出现相对理想的测量环境。如对人体进行温度测量时，周围吹过的风，或者测量者抖动的手部，都会使测量结果出现偏差，导致结果不够精准。再比如，在实际测量水位值时，水面通常不是非常平静的，而是会存在水波，每次测量时都然会存在偏差，难以对其进行精准、有效的测量。
为了使采集的数据在实际应用时能够发挥其应有的作用，就需要对实际采集到的数据进行处理，以使其与真实的数据更加接近，同时使得测量的结果更加稳定，达到提升测量结果的准确性和抑制数据的波动的作用。
因此，需要一种数据筛选补偿算法，能够在环境条件变化的情况下，仍然能够精确、稳定的进行数据测量。
发明内容
本发明的目的在于，提供一种数据筛选补偿算法，能够在环境条件变化的情况下，仍然能够精确、稳定的进行数据测量。
本发明提供的基础方案为：
数据筛选补偿算法，包括：
S1，快速采集N个数据；
S2，数据筛选，将采集的数据中的任一个数据与剩余数据分别相减并得到第一差值，再将第一差值的绝对值与第一预设值进行对比，对绝对值小于第一预设值的第一差值进行计数得到第一计数值，若第一计数值与采集数据数量的比值大于M，则保留该数据并记为可用数据，否则，剔除该数据；
S3，求标准数据，筛选出第一计数值最大的可用数据，作为标准数据；当第一计数值最大的可用数据不止一个时：若可用数据的个数为奇数，则将这些可用数据按大小排序后，取其中间值的可用数据作为标准数据；若可用数据的个数为偶数，则将这些可用数据按大小排序后，取其中间值的前面一位可用数据作为标准数据；
S4，参考数据处理，把剩余的可用数据分别与标准数据相减，得到第二差值，并将第二差值带入预设的一元二次方程计算得到第三差值；若第三差值与第二差值同正负，则用标准数据加上第三差值得到最终参考值，若第三差值与第二差值不同正负，则用标准数据减去第三差值得到最终参考值；
S5，求最终结果，求所有最终参考值的平均数，得到最终结果。
基础方案工作原理及有益效果：
当需要对外部环境存在变化的物体进行属性测量时，如在有风的情况下快速测量人体温度，或者在水面波动的情况下测量水位。
以测量人体温度为例，用温度采集器(如测温仪)快速采集N个人体(如额头或手腕内侧)温度数据后，将采集的数据中的任一个数据与剩余数据分别相减并得到第一差值，相当于，每个数据均会得到N-1个第一差值。再将N-1个第一差值的绝对值分别与第一预设值进行对比，对绝对值小于第一预设值的第一差值进行计数得到第一计数值，若第一计数值与采集数据数量的比值大于M，说明该数据位于所有采集数据中的相对中心的位置，与其他的数据偏移度不大，因此，保留该数据并记为可用数据；否则，剔除该数据。按照这样的方式，依次对N个数据进行筛选。
之后，从筛选出的可用数据中选择作为基准的标准数据，具体的，筛选出第一计数值最大的可用数据作为标准数据。当第一计数值最大的可用数据不止一个时：若可用数据的个数为奇数，则将这些可用数据按大小排序后，取其中间值的可用数据作为标准数据；若可用数据的个数为偶数，则将这些可用数据按大小排序后，取其中间值的前面一位可用数据作为标准数据。通过这样的方式，能够从可用数据中，找到和最终输出结果较为接近的标准数据。
再之后，对标准数据进行校正，具体的，把剩余的可用数据分别与标准数据相减，得到第二差值，并将第二差值带入预设的一元二次方程计算得到第三差值；若第三差值与第二差值同正负，则用标准数据加上第三差值得到最终参考值，若第三差值与第二差值不同正负，则用标准数据减去第三差值得到最终参考值。再将求所有最终参考值的平均数，得到最终结果。
这个最终结果，即为对标准数据进行误差补偿校正后得到的最终结果。
通过这样的方式，在对人体进行温度测量时，即使外部存在风力，或者测量者的手部在测量时出现了抖动，也可以稳定且精确的对人体温度进行测量。同理，即使存在水波，同样能够稳定却精确的对水位进行测量。
与现有技术相比，使用本算法，能够在环境条件变化的情况下，仍然能够精确、稳定的进行数据测量。
进一步，S2中，若数据全部被剔除，则返回S1。
数据全部被剔除，说明采集的数据非常散乱，一个可用数据都没有，因此，需要重新进行数据采集。
进一步，S4中，预设的算法为一元二次方程。
因为一元二次方程的函数图像是u或者反u型；越靠近对称轴的点斜率越接近0，且函数图像的开口大小可以根据具体情况进行设定和修改，即不同斜率的补偿力度不同，在使用前，可以根据实际应用场景对参数进行调节，以保证算法的适用性。调整方便且精度有保证。
进一步，S4中，预设一元二次方程的设置方式为对同一个物体进行多次测量，若运行结果未达到预设精度，则调整精度后重新测量，直到运行结果达到预设精度，记录该参数。
使用这样的方式，能够保证该一元二次方程处理时的稳定有效性。
进一步，S4中，预设一元二次方程的筛选方式为，使用记录的参数对物体进行测量后，用精度较高的现有测量工具对同一物体进行测量，若测量的差值小于预设差值，则将该记录参数作为实际使用参数。
这样的方式，能够保证使用该一元二次方程时测量的准确有效性。
进一步，多次测量时，保存上一次最终数据，并在得到本次标准数据后，将本次标准数据与上一次最终数据进行对比，若差值小于第三预设值，则以上一次的最终结果作为实际标准数据，否则，以本次标准数据为实际标准数据。
新的标准数据，与之前(上一次)的最终数据，如果差值非常小(如测量温度时，差值为0.1)，则以上一次的最终结果为实际标准数据，否则，以本次标准数据为实际标准数据。通过这样的方式，可以通过数据补偿(本次的测量对上次的测量进行补偿)的方式，使输出结果越来越接近真实数据，同时还可以减小输出数据的波动性，使检测结果更加稳定。
进一步，N的数值大于15。
采集数据的数量达到一定的数量级，能够保证测量结构的准确性和稳定性。
进一步，M的数值小于5。
M的数值越大，M分之一所包含的数据个数越少，即，筛选的尺度越松，处理结果存在较大偏差的可能性越大。与M大于5相比，M小于5，能够保证数据处理结果的精确性。
进一步，M的数值大于1.5。
M的数值过小，则会导致筛选的尺度太严格，进而导致可用的点非常少，测量时会经常出现需要反复测量的情况，增大测量难度。
进一步，S1中，采集的数据为体温数据或水深数据。
实际情况中，这两类数据的使用次数最多。
附图说明
图1为本发明数据筛选补偿算法实施例一的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例一
如图1所示，数据筛选补偿算法，包括：
S1，快速采集N个数据。其中，N的数值大于15。采集数据的数量达到一定的数量级，能够保证测量结构的准确性和稳定性。本实施例中，N的数值为20。采集的数据为体温数据或水深数据。
S2，数据筛选，将采集的数据中的任一个数据与剩余数据分别相减并得到第一差值，再将第一差值的绝对值与第一预设值进行对比，对绝对值小于第一预设值的第一差值进行计数得到第一计数值，若第一计数值与采集数据数量的比值大于M，则保留该数据并记为可用数据，否则，剔除该数据。若数据全部被剔除，则返回S1。
其中，M的数值大于1.5且小于5。M的数值过小，则会导致筛选的尺度太严格，进而导致可用的点非常少，测量时会经常出现需要反复测量的情况，增大测量难度。另一方面，M的数值越大，M分之一所包含的数据个数越少，即，筛选的尺度越松，处理结果存在较大偏差的可能性越大。与M大于5相比，M小于5，能够保证数据处理结果的精确性。本实施例中，M的数值为3。
S3，求标准数据，筛选出第一计数值最大的可用数据，作为标准数据；当第一计数值最大的可用数据不止一个时：若可用数据的个数为奇数，则将这些可用数据按大小排序后，取其中间值的可用数据作为标准数据；若可用数据的个数为偶数，则将这些可用数据按大小排序后，取其中间值的前面一位可用数据作为标准数据。
S4，参考数据处理，把剩余的可用数据分别与标准数据相减，得到第二差值，并将第二差值带入预设的一元二次方程计算得到第三差值；若第三差值与第二差值同正负，则用标准数据加上第三差值得到最终参考值，若第三差值与第二差值不同正负，则用标准数据减去第三差值得到最终参考值。
具体的，预设的算法为一元二次方程。因为一元二次方程的函数图像是u或者反u型；越靠近对称轴的点斜率越接近0，且函数图像的开口大小可以根据具体情况进行设定和修改，即不同斜率的补偿力度不同，在使用前，可以根据实际应用场景对参数进行调节，以保证算法的适用性。调整方便且精度有保证。
预设一元二次方程的设置方式为对同一个物体进行多次测量，若运行结果未达到预设精度，则调整精度后重新测量，直到运行结果达到预设精度，记录该参数。使用这样的方式，能够保证该一元二次方程处理时的稳定性。同时，预设一元二次方程的筛选方式为，使用记录的参数对物体进行测量后，用精度较高的现有测量工具对同一物体进行测量，若测量的差值小于预设差值，则将该记录参数作为实际使用参数。这样，能够保证使用该一元二次方程时测量的准确性。
S5，求最终结果，求所有最终参考值的平均数，得到最终结果。
具体实施过程如下：
当需要对外部环境存在变化的物体进行属性测量时，如在有风的情况下快速测量人体温度，或者在水面波动的情况下测量水位。
以测量人体温度为例，用温度采集器(如测温仪)快速采集N个人体(如额头或手腕内侧)温度数据后，将采集的数据中的任一个数据与剩余数据分别相减并得到第一差值，相当于，每个数据均会得到N-1个第一差值。再将N-1个第一差值的绝对值分别与第一预设值进行对比，对绝对值小于第一预设值的第一差值进行计数得到第一计数值，若第一计数值与采集数据数量的比值大于M，说明该数据位于采集的数据中的相对中心的位置，与其他的数据偏移度不大，因此，保留该数据并记为可用数据；否则，剔除该数据。按照这样的方式，依次对N个数据进行筛选。若数据全部被剔除，说明采集的数据非常散乱，一个可用数据都没有，因此，需要重新进行数据采集。
从筛选出的可用数据中选择作为基准的标准数据，具体的，筛选出第一计数值最大的可用数据作为标准数据。当第一计数值最大的可用数据不止一个时：若可用数据的个数为奇数，则将这些可用数据按大小排序后，取其中间值的可用数据作为标准数据；若可用数据的个数为偶数，则将这些可用数据按大小排序后，取其中间值的前面一位可用数据作为标准数据。通过这样的方式，能够从可用数据中，找到和最终输出结果较为接近的标准数据。
再之后，对标准数据进行校正，具体的，把剩余的可用数据分别与标准数据相减，得到第二差值，并将第二差值带入预设的一元二次方程计算得到第三差值；若第三差值与第二差值同正负，则用标准数据加上第三差值得到最终参考值，若第三差值与第二差值不同正负，则用标准数据减去第三差值得到最终参考值。再将求所有最终参考值的平均数，得到最终结果。
这个最终结果，即为对标准数据进行校正后得到的最终结果。
通过这样的方式，在对人体进行温度测量时，即使外部存在风力，或者测量者的手部在测量时出现了抖动，也可以稳定且精确的对人体温度进行测量。同理，即使存在水波，同样能够稳定却精确的对水位进行测量。
与现有技术相比，使用本算法，能够在环境条件变化的情况下，仍然能够精确、稳定的进行数据测量。
实施例二
多次测量时，保存上一次最终数据，并在得到本次标准数据后，将本次标准数据与上一次最终数据进行对比，若差值小于第三预设值，则以上一次的最终结果作为实际标准数据，否则，以本次标准数据为实际标准数据。
新的标准数据，与之前(上一次)的最终数据如果差值非常小(如测量温度时，差值为0.1)，则以上一次的最终结果为实际标准数据，否则，以本次标准数据为实际标准数据。通过这样的方式，可以通过数据补偿(本次的测量对上次的测量进行补偿)的方式，使输出结果更加接近于真实数据，同时还可以减小输出数据的波动性，使检测结果更加稳定。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (8)

1.数据筛选补偿算法，其特征在于，包括：
S1，快速采集N个数据；采集的数据为体温数据或水深数据；
S2，数据筛选，将采集的数据中的任一个数据与剩余数据分别相减并得到第一差值，再将第一差值的绝对值与第一预设值进行对比，对绝对值小于第一预设值的第一差值进行计数得到第一计数值，若第一计数值与采集数据数量的比值大于M，则保留该数据并记为可用数据，否则，剔除该数据；
S3，求标准数据，筛选出第一计数值最大的可用数据，作为标准数据；当第一计数值最大的可用数据不止一个时：若可用数据的个数为奇数，则将这些可用数据按大小排序后，取其中间值的可用数据作为标准数据；若可用数据的个数为偶数，则将这些可用数据按大小排序后，取其中间值的前面一位可用数据作为标准数据；
S4，参考数据处理，把剩余的可用数据分别与标准数据相减，得到第二差值，并将第二差值带入预设的一元二次方程计算得到第三差值；若第三差值与第二差值同正负，则用标准数据加上第三差值得到最终参考值，若第三差值与第二差值不同正负，则用标准数据减去第三差值得到最终参考值；
S5，求最终结果，求所有最终参考值的平均数，得到最终结果；
在上述步骤中，多次测量时，保存上一次最终数据，并在得到本次标准数据后，将本次标准数据与上一次最终数据进行对比，若差值小于第三预设值，则以上一次的最终结果作为实际标准数据，否则，以本次标准数据为实际标准数据。
2.根据权利要求1所述的数据筛选补偿算法，其特征在于：S2中，若数据全部被剔除，则返回S1。
3.根据权利要求1所述的数据筛选补偿算法，其特征在于：S4中，预设的算法为一元二次方程。
4.根据权利要求3所述的数据筛选补偿算法，其特征在于：S4中，预设一元二次方程的设置方式为对同一个物体进行多次测量，若运行结果未达到预设精度，则调整精度后重新测量，直到运行结果达到预设精度，记录该参数。
5.根据权利要求4所述的数据筛选补偿算法，其特征在于：S4 中，预设一元二次方程的筛选方式为，使用记录的参数对物体进行测量后，用精度较高的现有测量工具对同一物体进行测量，若测量的差值小于预设差值，则将该记录参数作为实际使用参数。
6.根据权利要求1所述的数据筛选补偿算法，其特征在于：N的数值大于15。
7.根据权利要求1所述的数据筛选补偿算法，其特征在于：M的数值小于5。
8.根据权利要求1所述的数据筛选补偿算法，其特征在于：M的数值大于1.5。
CN202010611278.8A 2020-06-29 2020-06-29 数据筛选补偿算法 Active CN111783028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010611278.8A CN111783028B (zh) 2020-06-29 2020-06-29 数据筛选补偿算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010611278.8A CN111783028B (zh) 2020-06-29 2020-06-29 数据筛选补偿算法

Publications (2)

Publication Number Publication Date
CN111783028A CN111783028A (zh) 2020-10-16
CN111783028B true CN111783028B (zh) 2023-04-28

Family

ID=72760362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010611278.8A Active CN111783028B (zh) 2020-06-29 2020-06-29 数据筛选补偿算法

Country Status (1)

Country Link
CN (1) CN111783028B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462808A (zh) * 2014-12-04 2015-03-25 河海大学 安全水平位移与水位的滑动可变窗口动态数据拟合方法
CN104535785A (zh) * 2014-12-24 2015-04-22 牛艳花 一种测量数据的降噪方法
CN108362911A (zh) * 2018-02-09 2018-08-03 西京学院 一种基于最小二乘法和插值法的流速仪标定方法
CN109144988A (zh) * 2018-08-07 2019-01-04 东软集团股份有限公司 一种异常数据的检测方法及装置
CN110082319A (zh) * 2019-04-22 2019-08-02 深圳市锦瑞生物科技有限公司 定标数据修正方法及其电子设备
CN110316629A (zh) * 2018-03-30 2019-10-11 上海三菱电梯有限公司 电梯称量装置自动校正方法
CN110751213A (zh) * 2019-10-21 2020-02-04 东北电力大学 一种测风塔异常风速数据识别与补齐的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462808A (zh) * 2014-12-04 2015-03-25 河海大学 安全水平位移与水位的滑动可变窗口动态数据拟合方法
CN104535785A (zh) * 2014-12-24 2015-04-22 牛艳花 一种测量数据的降噪方法
CN108362911A (zh) * 2018-02-09 2018-08-03 西京学院 一种基于最小二乘法和插值法的流速仪标定方法
CN110316629A (zh) * 2018-03-30 2019-10-11 上海三菱电梯有限公司 电梯称量装置自动校正方法
CN109144988A (zh) * 2018-08-07 2019-01-04 东软集团股份有限公司 一种异常数据的检测方法及装置
CN110082319A (zh) * 2019-04-22 2019-08-02 深圳市锦瑞生物科技有限公司 定标数据修正方法及其电子设备
CN110751213A (zh) * 2019-10-21 2020-02-04 东北电力大学 一种测风塔异常风速数据识别与补齐的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Identification and Compensation Technique of Non-Uniform Temperature Field for Lamb Wave-and Multiple Sensors-Based Damage Detection;Hu Sun 等;《Sensors》;20190702;1-14 *
一种基于传感器温度补偿的双指数函数拟合算法;刘一兵 等;《电子技术应用》;20171231;第43卷(第11期);47-50 *
基于无线传感器和激光技术的气体浓度检测;彭 华 等;《激光杂志》;20181231;第39卷(第5期);32-35 *

Also Published As

Publication number Publication date
CN111783028A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
Rounce et al. Quantifying parameter uncertainty in a large-scale glacier evolution model using Bayesian inference: application to High Mountain Asia
CN102944583B (zh) 基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法
Samei et al. Comparison of edge analysis techniques for the determination of the MTF of digital radiographic systems
ATE153133T1 (de) Verfahren und gerät zur messung von optischen eigenschaften biologischer proben
CN111783028B (zh) 数据筛选补偿算法
CN117906580B (zh) 一种航道水下地形变化分析系统及方法
CN114459523B (zh) 一种在线质量检测仪器的标定预警方法
CN113865750A (zh) 非接触式设备的测温校准方法及非接触式设备
CN109655749B (zh) 采集数据矩阵智能跟踪校准方法及装置
CN109084899B (zh) 一种红外焦平面探测器非均匀性本体输出校正方法及装置
CN112003891A (zh) 用于智能网联车辆控制器的多传感数据融合方法
DE112015007217T5 (de) HMM-basiertes adaptives Spektrogrammnachverfolgungsverfahren
CN114441043B (zh) 非制冷红外测温仪的温度修正方法、测温仪
CN114441469A (zh) 水分仪的校准方法、装置和计算机设备
Kluga et al. Dynamic data processing with kaiman filter
RU2419098C2 (ru) Цифровой способ измерения фазового сдвига гармонических колебаний
CN112016045B (zh) 纳秒级脉冲功率计数据处理方法
CN111044152A (zh) 图谱关联系统光谱偏置外场的自适应校正方法及系统
CN113419046B (zh) 一种改进的土壤湿度产品双变量融合方法
CN115824020B (zh) 电容标定方法、评估方法、设备和存储介质
CN112697387B (zh) 风洞气动热试验薄膜电阻温度计测量数据有效性分析方法
JP2004157089A (ja) 濃度プロファイル較正方法及び濃度プロファイル分析処理装置
WO2024111364A1 (ja) インピーダンス検出装置及びインピーダンス検出方法
CN116846040B (zh) 一种恒压恒流充放电电源的全数字控制方法
CN118625887A (zh) 带隙基准电路的校准方法、装置、存储介质和电子设备

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