CN112069058A - 一种基于专家库和自学习技术的缺陷处置方法 - Google Patents
一种基于专家库和自学习技术的缺陷处置方法 Download PDFInfo
- Publication number
- CN112069058A CN112069058A CN202010803145.0A CN202010803145A CN112069058A CN 112069058 A CN112069058 A CN 112069058A CN 202010803145 A CN202010803145 A CN 202010803145A CN 112069058 A CN112069058 A CN 112069058A
- Authority
- CN
- China
- Prior art keywords
- defect
- self
- expert database
- text
- expert
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005516 engineering process Methods 0.000 title claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012850 discrimination method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于专家库和自学习技术的缺陷处置方法，包括如下步骤：步骤S1：对于测试文本，根据特征将测试文本转化成测试文本向量；步骤S2：对于训练文本，利用层次分析法，将训练文本集合分成n层；步骤S3：计算测试文本和各个训练样本的相似度；步骤S4：对第n层进行权重的差分比较后；步骤S5：结合专家库，得到缺陷处置的具体方案。本发明在层次分析方法的基础上，将差分模型和k最邻近算法应用到层次分析方法中，结合专家库进行自学习，推理出缺陷处置的方案，解决了层次分析法在缺陷处理中不能为决策提供新方案和权重难以确定等问题。
Description
技术领域
本发明属于电网检修领域，特别涉及一种基于专家库和自学习技术的缺陷处置方法。
背景技术
随着信息的发展和科学的进步，电力系统结构愈发复杂，规模愈发庞大，在日常维护过程中，难免出现缺陷和问题，因此供电企业对电力设备进行缺陷处理，能够有效提高电力系统的安全、稳定运行。
层次分析法(Analytic Hierarchy Process,AHP)的核心思想就是将与决策总是有关的元素根据实际需求和因素特征分解成目标、准则、方案等层次，然后再分别进行定性和定量分析的决策方法。
通过将层次分析法应用在智能缺陷识别系统中，能够提高消缺效率。但是针对电力系统结构复杂、数据量过多，层次分析法在缺陷处理中存在不能为决策提供新方案和权重难以确定等问题。
发明内容
本发明所要解决的技术问题是提供一种基于专家库和自学习技术的缺陷处置方法，解决了层次分析法在缺陷处理中不能为决策提供新方案和权重难以确定的问题。
为解决上述问题，本发明所采取的技术方案是：
一种基于专家库和自学习技术的缺陷处置方法，所述方法包括如下步骤：
步骤S1
对于测试文本，根据特征将测试文本转化成测试文本向量；
步骤S2
对于训练文本，利用层次分析法，将训练文本集合分成n层；
步骤S3
计算测试文本和各个训练样本的相似度；
步骤S4
对第n层进行权重的差分比较后，如果比较的结果不唯一，还存在干扰性，则在第n层自动添加新类别；如果比较的结果唯一，则权重最大的类即为预测分类；
步骤S5
结合专家库，得到缺陷处置的具体方案。
作为本发明的进一步改进，
所述步骤S1的具体做法是：
步骤S11：采集电力设备出现的缺陷信息，作为文本信息；
步骤S12：将步骤S11的文本信息以加权特征向量的方式作为测试文本。
作为本发明的进一步改进，
所述缺陷信息来源为装置液晶、后台告警信息、装置灯以及网络分析仪。
作为本发明的进一步改进，
所述步骤S2的具体做法是：
步骤S21：将训练样本按照保护系统、功能故障和器件故障进行分类；
步骤S22：按照步骤S21的分类结果进行分层，形成n层层次结构。
作为本发明的进一步改进，
所述保护系统包括设备名称、生产厂家以及设备型号。
作为本发明的进一步改进，
所述功能故障包括缺陷名称、缺陷典型现象以及缺陷原因分析。
作为本发明的进一步改进，
所述器件故障包括故障名称、故障判别方法和典型处理方案。
作为本发明的进一步改进，
所述步骤S3的具体做法是：
步骤S31：通过相似度的计算公式计算相似度；
步骤S32：根据距离的大小顺序从小到大进行排序，找到距离最小的k个文本；
步骤S33：在距离最小的k个文本中，计算各类别的权重；
步骤S34：对计算的权重进行排序；
步骤S35：利用差分模型对排序后的权重进行比较。
作为本发明的进一步改进，
所述步骤S5的具体做法是：
步骤S51：根据差分层次kNN算法的缺陷处理模型，将每次分类的结果自动生成到知识库中，原有的知识库模板得到有效的扩充，形成更新、更全面的知识库；
步骤S52：在检修辅助决策系统的专家库基础上，根据缺陷信息，提供详细分析结果和处理方法。
作为本发明的进一步改进，
所述方法还包括步骤S6：验证方法的有效性。
采用上述技术方案所产生的有益效果在于：
本发明利用kNN(k-nearest neighbor,kNN)算法能够处理电网设备中多分类问题和预测新类别的优点，同时差分模型能够避免经过权重比较后，直接判断测试文本所属类别的问题，将差分模型和k最邻近算法应用到层次分析方法中，降低了时间复杂度，并结合专家库进行自学习，推理出缺陷处理的方案，有效地解决了系统结构复杂、数据量过多问题，提高了缺陷处理的准确性，为电网检修提供了保障。
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地介绍，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是分层模型图；
图2是专家系统结构图；
图3是有效性实验结果图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。
因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
如图1-3所示，
本发明提供一种基于专家库和自学习技术的缺陷处置方法。包括如下步骤：
步骤S1
对于测试文本，根据特征将测试文本转化成测试文本向量，具体包括以下步骤：
步骤S11
采集电力设备出现的缺陷信息，作为文本信息。
步骤S12
将步骤S11的文本信息以加权特征向量的方式作为测试文本。
所述缺陷信息来源为装置液晶、后台告警信息、装置灯、网络分析仪等。
步骤S2
对于训练文本，利用层次分析法，采用图1的分层模型图将训练文本集合分成n层，具体包括以下步骤：
步骤S21
将训练样本按照保护系统、功能故障和器件故障进行分类。
步骤S22
按照步骤S21的分类结果进行分层，形成n层层次结构。
所述保护系统包括设备名称、生产厂家、设备型号等；功能故障包括缺陷名称、缺陷典型现象、缺陷原因分析等；器件故障包括故障名称、故障判别方法、典型处理方案等。
步骤S3
计算测试文本和各个训练样本的相似度。具体包括以下步骤：
步骤S31
通过相似度的计算公式计算相似度，公式如下：
式中，di是测试文本向量，d1j是第1层第j类的中心向量，M是特征向量的维数，Wk则是特征向量的第k维，一般采用一个初始值作为k值，最后还是需要根据实验的结果来确定最终k值的大小。
步骤S32
根据距离的大小顺序从小到大进行排序，找到距离最小的k个文本。
步骤S33
在距离最小的k个文本中，计算各类别的权重，计算公式如下：
式中m是测试文本的特征向量，sim(m,di)是相似度计算公式，y(di,Cj)的值为0或1，当di属于Cj时，y(di,Cj)＝1，当di不属于Cj时，y(di,Cj)＝0。
步骤S34
对计算的权重进行排序：
P11≥P12≥P13≥…≥P1j≥…
步骤S35
利用差分模型对排序后的权重进行比较。
本发明实施例中，利用差分模型对排序后的权重进行比较的具体实施步骤如下：
步骤S351
第1层差分公式为：
D12＝P11-P12
当D12≥D0时，此时的D0为阈值，则测试文本属于第1类，那么在第2层对相似度进行比较时，则可排除其他类别的影响，只对第2层的第1类的子类进行比较；当D12≤D0时，则继续按照第2类、第3类等进行判断。
步骤S352
层次差分公式为：
Dk(k+1)＝P1k-P1(k+1)
当Dk(k+1)≥D0时，则测试文本属于第k类，那么在第2层对相似度进行比较时，则可排除其他类别的影响，只对第2层的第k类的子类进行比较；当Dk(k+1)≤D0时，则继续按照第k+1类、第k+2类等进行判断。
步骤S4
对第n层进行权重的差分比较后，如果比较的结果不唯一，还存在个别干扰性，则在第n层自动添加新类别；如果比较的结果唯一，则权重最大的类即为预测分类。
步骤S5
采用图2给出的专家结构系统，结合专家库，得到缺陷处置的具体方案，具体包括以下步骤：
步骤S51
根据差分层次kNN算法的缺陷处理模型，将每次分类的结果自动生成到知识库中，原有的知识库模板得到有效的扩充，形成更新、更全面的知识库。
步骤S52
在检修辅助决策系统的专家库基础上，根据缺陷信息，提供详细分析结果和处理方法。为了验证本发明方法的有效性，可以按照以下步骤进行验证。
步骤S6
验证本发明方法的有效性，缺陷处理结果如图3所示，具体包括以下步骤：
步骤S61
将缺陷信息形成数据集进行测试，实验对比模型采用传统的动态时间归整(Dynamic Time Warping，DTW)、最小方差匹配(Minimal Variance Matching,MVM)和层次分析算法，通过对准确率进行对比，其中DTW方法的准确率为0.67，MVM方法的准确率为0.72，层次分析法的准确率为0.73.本发明方法的准确率为0.86，结果可以看出，对比DTW、MVM和层次分析算法，差分kNN方法的准确率有了显著提高，证明本发明方法能够有效提高缺陷处理的准确性。
步骤S62
将缺陷信息形成数据集进行测试，采用本发明方法和层次分析方法进行对比，计算分类所用时间，其中层次分析法时间为2349.6秒，本发明方法为1359.9秒，说明本发明方法的计算时间更短，能够快速对缺陷进行分类。
最后应说明的是：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；作为本领域技术人员对本发明的多个技术方案进行组合是显而易见的。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实施例技术方案的精神和范围。
Claims (10)
1.一种基于专家库和自学习技术的缺陷处置方法，其特征在于，所述方法包括如下步骤：
步骤S1：对于测试文本，根据特征将测试文本转化成测试文本向量；
步骤S2：对于训练文本，利用层次分析法，将训练文本集合分成n层；
步骤S3：计算测试文本和各个训练样本的相似度；
步骤S4：对第n层进行权重的差分比较后，如果比较的结果不唯一，还存在干扰性，则在第n层自动添加新类别；如果比较的结果唯一，则权重最大的类即为预测分类；
步骤S5：结合专家库，得到缺陷处置的具体方案。
2.根据权利要求1所述的一种基于专家库和自学习技术的缺陷处置方法，其特征在于，所述步骤S1的具体做法是：
步骤S11：采集电力设备出现的缺陷信息，作为文本信息；
步骤S12：将步骤S11的文本信息以加权特征向量的方式作为测试文本。
3.根据权利要求2所述的一种基于专家库和自学习技术的缺陷处置方法，其特征在于，所述缺陷信息来源为装置液晶、后台告警信息、装置灯以及网络分析仪。
4.根据权利要求1所述的一种基于专家库和自学习技术的缺陷处置方法，其特征在于，所述步骤S2的具体做法是：
步骤S21：将训练样本按照保护系统、功能故障和器件故障进行分类；
步骤S22：按照步骤S21的分类结果进行分层，形成n层层次结构。
5.根据权利要求4所述的一种基于专家库和自学习技术的缺陷处置方法，其特征在于，所述保护系统包括设备名称、生产厂家以及设备型号。
6.根据权利要求4所述的一种基于专家库和自学习技术的缺陷处置方法，其特征在于，所述功能故障包括缺陷名称、缺陷典型现象以及缺陷原因分析。
7.根据权利要求4所述的一种基于专家库和自学习技术的缺陷处置方法，其特征在于，所述器件故障包括故障名称、故障判别方法和典型处理方案。
8.根据权利要求1所述的一种基于专家库和自学习技术的缺陷处置方法，其特征在于，所述步骤S3的具体做法是：
步骤S31：通过相似度的计算公式计算相似度；
步骤S32：根据距离的大小顺序从小到大进行排序，找到距离最小的k个文本；
步骤S33：在距离最小的k个文本中，计算各类别的权重；
步骤S34：对计算的权重进行排序；
步骤S35：利用差分模型对排序后的权重进行比较。
9.根据权利要求1所述的一种基于专家库和自学习技术的缺陷处置方法，其特征在于，
所述步骤S5的具体做法是：
步骤S51：根据差分层次kNN算法的缺陷处理模型，将每次分类的结果自动生成到知识库中，原有的知识库模板得到有效的扩充，形成更新、更全面的知识库；
步骤S52：在检修辅助决策系统的专家库基础上，根据缺陷信息，提供详细分析结果和处理方法。
10.根据权利要求1所述的一种基于专家库和自学习技术的缺陷处置方法，其特征在于，所述方法还包括步骤S6：验证方法的有效性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010803145.0A CN112069058A (zh) | 2020-08-11 | 2020-08-11 | 一种基于专家库和自学习技术的缺陷处置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010803145.0A CN112069058A (zh) | 2020-08-11 | 2020-08-11 | 一种基于专家库和自学习技术的缺陷处置方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112069058A true CN112069058A (zh) | 2020-12-11 |
Family
ID=73661148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010803145.0A Pending CN112069058A (zh) | 2020-08-11 | 2020-08-11 | 一种基于专家库和自学习技术的缺陷处置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112069058A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308251A (zh) * | 2020-12-31 | 2021-02-02 | 北京蒙帕信创科技有限公司 | 一种基于机器学习的工单分派方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106371427A (zh) * | 2016-10-28 | 2017-02-01 | 浙江大学 | 基于层次分析法和模糊融合的工业过程故障分类方法 |
| CN106844194A (zh) * | 2016-12-21 | 2017-06-13 | 北京航空航天大学 | 一种多层次软件故障诊断专家系统的构建方法 |
| CN107609121A (zh) * | 2017-09-14 | 2018-01-19 | 深圳市玛腾科技有限公司 | 基于LDA和word2vec算法的新闻文本分类方法 |
| US20180307904A1 (en) * | 2017-04-19 | 2018-10-25 | Tata Consultancy Services Limited | Systems and methods for classification of software defect reports |
| CN108985467A (zh) * | 2018-06-22 | 2018-12-11 | 贵州电网有限责任公司 | 基于人工智能的二次设备精益化管控方法 |
-
2020
- 2020-08-11 CN CN202010803145.0A patent/CN112069058A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106371427A (zh) * | 2016-10-28 | 2017-02-01 | 浙江大学 | 基于层次分析法和模糊融合的工业过程故障分类方法 |
| CN106844194A (zh) * | 2016-12-21 | 2017-06-13 | 北京航空航天大学 | 一种多层次软件故障诊断专家系统的构建方法 |
| US20180307904A1 (en) * | 2017-04-19 | 2018-10-25 | Tata Consultancy Services Limited | Systems and methods for classification of software defect reports |
| CN107609121A (zh) * | 2017-09-14 | 2018-01-19 | 深圳市玛腾科技有限公司 | 基于LDA和word2vec算法的新闻文本分类方法 |
| CN108985467A (zh) * | 2018-06-22 | 2018-12-11 | 贵州电网有限责任公司 | 基于人工智能的二次设备精益化管控方法 |
Non-Patent Citations (4)
| Title |
|---|
| 吴春颖;王士同;杨林波;: "一种结合层次结构和KNN的Web文本分类方法", 小型微型计算机系统, no. 08, pages 1 - 6 * |
| 戴璞微;潘斌;王玉铭;朱峰;: "一种基于层次分析法的改进KNN算法", 辽宁石油化工大学学报, no. 04 * |
| 王文琦: "层次分析法在继电保护消缺专家系统中的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》, no. 2017, pages 4 - 5 * |
| 蔡华利;刘鲁;王理;: "突发事件Web新闻多层次自动分类方法", 北京工业大学学报, no. 06 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308251A (zh) * | 2020-12-31 | 2021-02-02 | 北京蒙帕信创科技有限公司 | 一种基于机器学习的工单分派方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626336B (zh) | 一种基于不平衡数据集的地铁故障数据分类方法 | |
| CN105589806B (zh) | 一种基于SMOTE+Boosting算法的软件缺陷倾向预测方法 | |
| CN108848068A (zh) | 基于深度信念网络-支持向量数据描述的apt攻击检测方法 | |
| CN109299741B (zh) | 一种基于多层检测的网络攻击类型识别方法 | |
| CN112465040B (zh) | 一种基于类不平衡学习算法的软件缺陷预测方法 | |
| CN108196132B (zh) | 系统内电磁兼容性评估方法 | |
| CN108470022B (zh) | 一种基于运维管理的智能工单质检方法 | |
| CN107239798B (zh) | 一种面向软件缺陷个数预测的特征选择方法 | |
| CN110381079A (zh) | 结合gru和svdd进行网络日志异常检测方法 | |
| CN112070128A (zh) | 一种基于深度学习的变压器故障诊断方法 | |
| CN113778894B (zh) | 测试用例的构建方法、装置、设备及存储介质 | |
| CN109389418A (zh) | 基于lda模型的供电服务客户诉求识别方法 | |
| CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及系统 | |
| CN105975611A (zh) | 自适应组合降采样增强学习机 | |
| CN109034140A (zh) | 基于深度学习结构的工业控制网络信号异常检测方法 | |
| CN112199496A (zh) | 基于多头注意力机制与rcnn网络的电网设备缺陷文本分类方法 | |
| CN111522743B (zh) | 一种基于梯度提升树支持向量机的软件缺陷预测方法 | |
| CN112529114A (zh) | 基于gan的目标信息识别方法、电子设备和介质 | |
| CN115577357A (zh) | 一种基于堆叠集成技术的Android恶意软件检测方法 | |
| CN107766560A (zh) | 客服服务流程的评价方法和系统 | |
| CN114662405A (zh) | 基于少样本度量和集成学习的岩爆预测方法 | |
| CN112069058A (zh) | 一种基于专家库和自学习技术的缺陷处置方法 | |
| CN111651932A (zh) | 一种基于集成分类模型的电力系统在线动态安全评估方法 | |
| CN112906672B (zh) | 钢轨缺陷识别方法及系统 | |
| CN109164794B (zh) | 基于偏f值selm的多变量工业过程故障分类方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210519 Address after: No. 138, sunny north street, Baoding, Hebei Province, Hebei Applicant after: STATE GRID HEBEI ELECTRIC POWER Co.,Ltd. BAODING POWER SUPPLY BRANCH Applicant after: STATE GRID HEBEI ELECTRIC POWER SUPPLY Co.,Ltd. Applicant after: STATE GRID CORPORATION OF CHINA Applicant after: CYG SUNRI Co.,Ltd. Applicant after: XINGTAI POWER SUPPLY BRANCH OF STATE GRID HEBEI ELECTRIC POWER Co.,Ltd. Applicant after: MAINTENANCE BRANCH COMPANY OF STATE GRID HEBEI ELECTRIC POWER Co. Address before: No. 138, sunny north street, Baoding, Hebei Province, Hebei Applicant before: STATE GRID HEBEI ELECTRIC POWER Co.,Ltd. BAODING POWER SUPPLY BRANCH Applicant before: CYG SUNRI Co.,Ltd. Applicant before: XINGTAI POWER SUPPLY BRANCH OF STATE GRID HEBEI ELECTRIC POWER Co.,Ltd. Applicant before: MAINTENANCE BRANCH COMPANY OF STATE GRID HEBEI ELECTRIC POWER Co. |
|
| TA01 | Transfer of patent application right |