CN112216375B - 一种自主构建医疗监测系统的方法 - Google Patents
一种自主构建医疗监测系统的方法 Download PDFInfo
- Publication number
- CN112216375B CN112216375B CN202010920141.0A CN202010920141A CN112216375B CN 112216375 B CN112216375 B CN 112216375B CN 202010920141 A CN202010920141 A CN 202010920141A CN 112216375 B CN112216375 B CN 112216375B
- Authority
- CN
- China
- Prior art keywords
- micro
- node
- service
- graph
- service components
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本发明公开了一种自主构建医疗监测系统的方法,包括:预先封装训练完成的基于深度学习模型的医疗监测系统,并拆分成为若干个独立部署的微服务构件;将这些构件存储于微服务库中,并形成一个构件关系图;基于该构件关系图,用户自主输入关键词;基于A*的启发式算法,结合关键词与微服务构件的匹配程度,及微服务构件之间的数据通信关系,从构件关系图中搜索得到一个较优子图作为最优解;将搜索得到的较优子图中待组建的微服务构件和微服务构件之间的数据通信关系部署在边缘节点上,搭建获得所需的轻量级医疗监测系统。本发明能高效快速自动搜索搭建系统,自动精准构建满足用户功能需求的轻量级系统,很好地适配用户。
Description
技术领域
本发明涉及一种自主构建医疗监测系统的方法,属于医疗监测技术领域。
背景技术
目前基于无线传感器的健康监测系统已经层出不穷,它们主要用以检测异常数据并发送报警信号,对用户的健康状况起到监测及预警作用。
然而由于用户自身症状或疾病的不同,提出的需求具有差异性,简单的健康监测系统往往无法很好地适配用户,而全面的系统又过于复杂且冗余,带来了不必要的开销。用户自主构建的自适应需求的系统虽然带来了很大的自由性,但是也带来了巨大的学习成本。
发明内容
本发明根据基于图的关键词搜索算法,设计了一种自主构建医疗监测系统的方法,能够自动精准构建满足用户功能需求的轻量级微服务医疗监测系统,解决了如何利用封装深度学习模型的微服务构件以便捷地搭建符合用户需求的轻量级系统的问题。该方法支持用户仅提供若干文本关键词,就能高效的自动搜索搭建系统所需的微服务构件并确定微服务构件之间的关系,以针对性地满足用户多样化的健康监测需求。
本发明具体采用以下技术方案解决上述技术问题:
一种自主构建医疗监测系统的方法,包括以下步骤:
预先封装训练完成的基于深度学习模型的医疗监测系统,并拆分成为若干个独立部署的微服务构件并存储于微服务库中,并根据微服务构件及其之间的数据通信关系形成一个构件关系图;该图是一个有向无环图,图的节点表示一个微服务构件,从一个节点到另一个节点的有向边表示从两个微服务构件之间存在的数据通信关系;
基于该构件关系图,用户自主输入关键词;
基于A*的启发式算法,结合关键词与微服务构件的匹配程度,及微服务构件之间的数据通信关系,从构件关系图中搜索得到一个较优子图作为最优解,该较优子图包含的节点表示待组建的微服务构件以及有向边表示两个待组建的微服务构件之间的数据通信关系;
将搜索得到的较优子图中待组建的微服务构件和微服务构件之间的数据通信关系部署在边缘节点上,搭建获得所需的轻量级医疗监测系统。
进一步地,作为本发明的一种优选技术方案,所述方法中较优子图的节点权重由微服务构件与关键词的匹配程度、微服务构件的计算量决定。
进一步地,作为本发明的一种优选技术方案,所述方法中微服务构件与关键词的匹配程度由信息匹配度ir和语义匹配度sem决定,且定义一个评估函数m=score(ir,sem)来综合衡量微服务构件与关键词之间的匹配程度。
进一步地,作为本发明的一种优选技术方案,所述方法中较优子图的边权重由微服务构件之间的通信量c决定,且一条边的权重为we=1/c。
进一步地,作为本发明的一种优选技术方案,所述方法中基于A*的启发式算法从构件关系图中搜索一个较优子图,具体为:
计算候选微服务构件节点的激活值:设某个微服务构件节点v的初始激活值为av=wv/|Vi|,则其更新后的激活值为av=av/d,其中Vi为包含关键词i的节点集,wv为节点的权重,d为最短路径边权重和;
较优子图所对应的轻量级医疗监测系统的价值由公式η=∑v∈Vav计算得到,其中V为较优子图的节点集;
在构件关系图中以任意节点为起始根节点,采用子图启发式增长机制进行搜索子树T(v,Q),如下式所示:
s.t.Qr∪Qv=Q且Qi∪Qj=Q
其中,T(v,Q)表示以节点v为根,包含关键词集Q的子树;Ti(v,Qi)表示以v为根节点,包含关键词集Qi的子树;Tj(v,Qj)表示以v为根节点,包含关键词集Qj的子树;T(v,Qr)表示从根节点r增加了一条边后新加入的节点v,包含的关键词集Qr的子树;Qv表示节点v包含的关键词集;
通过搜索子树T(v,Q),得到一个最优解,最优解即为一棵以节点v为根的子树,该子树所包含的节点即为待组建的微服务构件以及有向边即为微服务构件之间的数据通信关系。
进一步地,作为本发明的一种优选技术方案,所述方法中获得的一个较优子图作为最优解,具有最低微服务构件的通信量和计算量、最高的微服务构件与关键词的匹配程度。
本发明采用上述技术方案,能产生如下技术效果:
本发明的自主构建医疗监测系统的方法,支持普通用户等非专业技术人员自主构建、部署适合于用户特定需求的轻量级诊疗监测系统。本发明支持用户根据自身需求,在医生或护理人员指导下,通过手机端APP,使用关键词自动快速搜索满足条件的微服务构件,并确定微服务构件之间的关系,用以构建用户所需监测系统,以针对性地满足用户多样化的健康监测需求。所构建的系统体量轻,系统所包含的微服务构件可被动态、分布式部署于边缘节点上。该系统不仅能满足用户特定功能需求,而且仅包含必要的系统构件即轻量,且构件之间通信量较低,即适于在边缘环境分布式部署,可以快速用于搭建轻量级医疗监测系统,投入到检测用户身体健康情况的使用中。
附图说明
图1为本发明自主构建医疗监测系统的方法的流程示意图。
图2为本发明中基于用户关键词的一个构件关系图。
图3为本发明中基于用户关键词自动构建的轻量级医疗监测系统。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示,本发明设计了一种自主构建医疗监测系统的方法,该方法具体包括以下步骤:
步骤一、预先封装训练完成的基于深度学习模型的医疗监测系统,并利用微服务架构技术把单个系统拆分成为若干个松散耦合、独立部署的微服务构件,将这些微服务构件存储于微服务库中,并根据微服务构件及其之间的数据通信关系形成一个构件关系图;该图是一个有向无环图,图的节点表示一个微服务构件,从一个节点a到另一个节点b的有向边表示从微服务构件到另一个微服务构件之间存在数据通信关系,边的权重表示数据通信量。基于该构件关系图,用户自主输入其系统需求的关键词。
步骤二、基于A*的启发式算法,结合关键词与微服务构件的匹配程度,及微服务构件之间的数据通信关系,从构件关系图中搜索得到一个较优子图作为最优解,该较优子图包含的节点表示待组建的微服务构件以及有向边表示两个待组建的微服务构件之间的数据通信关系。其中,所述较优子图的节点权重由微服务构件与关键词的匹配程度、微服务构件的计算量决定,边权重由微服务构件之间的通信量c决定。本步骤具体如下:
首先,确定微服务构件价值的较优子图中节点的权重。节点权重受两个因素影响:
(1)微服务构件与关键词的匹配程度m。
在本发明中,一个微服务构件与搜索关键词的匹配程度由信息匹配度ir和语义匹配度sem决定。信息匹配度考虑词干相关性和停用词过滤。语义匹配度依据领域本体的四种语义关系定义:精确匹配,继承,包含和不相关。本发明定义了一个评估函数m=score(ir,sem)来综合衡量微服务构件和关键词的这两者之间的匹配程度。
(2)微服务构件的计算量p。
一个微服务构件的计算量可用其处理1单位数据的时间和空间复杂度综合衡量。一个节点的权重可定义为wv=mpλ1,其中0≤λ1≤1,λ1为平衡因子。
其次,确定微服务构件之间的数据通信关系价值即较优子图的边权重。
两个微服务构件节点的边权重由微服务构件之间的通信量c决定。设节点a是一个源微服务构件,即a的入度为0,且节点a有一条边直接指向节点b。输入至节点b的数据量为1单位数据,则从a到b的通信量=1×数据率,该数据率由a向b的输出参数类型决定。则节点a与节点b间的一条边的权重为we=1/c,c>0。
最后,以微服务构件作为节点,节点权重由上述公式决定,以微服务构件之间的数据通信关系作为有向边,边权重由上述公式决定,构造一张双向有权图作为初始的较优子图。
基于A*的启发式算法搜索构件关系图得到一个较优子图作为最优解,具体如下:
首先,计算候选微服务构件节点的激活值:一个候选微服务构件节点的激活值由该节点权重和从已确定的最优子图到该节点的最短距离(d,即最短路径边权重和)共同决定。设某个微服务构件节点v的初始激活值为av=wv/|Vi|,其中Vi为包含关键词i的节点集,则其更新后的激活值为av=av/d。
其次,较优子图所对应的轻量级医疗监测系统的价值由公式η=∑v∈Vav计算得到,其中V为较优子图的节点集。
再次,在构件关系图中以任意节点为起始根节点,采用子图启发式增长机制进行搜索子树T(v,Q),如下式所示:
s.t.Qr∪Qv=Q且Qi∪Qj=Q
其中,T(v,Q)表示以节点v为根,包含关键词集Q的子树;Ti(v,Qi)表示以v为根节点,包含关键词集Qi的子树;Tj(v,Qj)表示以v为根节点,包含关键词集Qj的子树;T(v,Qr)表示从根节点r增加了一条边后新加入的节点v,包含的关键词集Qr的子树;Qv表示节点v包含的关键词集;
通过在构件关系图中以任意节点为起始根节点,利用上述公式的树增长策略,搜索子树T(v,Q),得到一个最优解。最优解T(v,Q)为一棵以节点v为根的子树,最优解即为一棵以节点v为根的子树,该子树所包含的节点即为待组建的微服务构件以及有向边即为微服务构件之间的数据通信关系。
本发明得到的最优解具有以下特点:
(1)一个最优解是一个匹配所有搜索关键词的微服务构件最优子图,最优解具有最低微服务构件的通信量和计算量、最高的微服务构件与关键词的匹配程度。
(2)用户可以随意输入领域关键词,不用提前知道任何系统结构相关知识。
由所述最优解,即可表示由子树所包含的微服务构件以及微服务构件之间数据通信关系所构成的一个轻量级医疗监测系统。该系统包含的构件的功能与用户所搜索关键词Q匹配程度最高;系统构建之间的通信量最小。
最后,本发明还进一步提出了加速搜索方法搜索子树T(v,Q):
(1)以包含不常用关键词的节点为起始根,可以缩小搜索范围;
(2)设计剪枝策略,例如定义基于最短路径的最优解下界,在搜索过程中避免子图权重小于下界值的分支增长,可以减少搜索时间。
步骤四、将搜索得到的较优子图中待组建的微服务构件和微服务构件之间的数据通信关系部署在边缘节点上,搭建获得所需的轻量级医疗监测系统,即待组建的微服务构件即可被动态地、分布式部署在边缘节点上,两个待组建的微服务构件之间的数据通信关系作为边缘节点与其他节点的有向边,搭建获得轻量级医疗监测系统,投入到检测用户身体健康情况的使用中。
为了验证本发明方法能够高效的自动搜索搭建系统所需的微服务构件并确定微服务构件之间的关系,自动精准构建满足用户功能需求的轻量级医疗监测系统,现列举一个实施例进行说明。
如图2所示,如果用户在基于深度学习模型的医疗监测系统基础上,搜索关键词<心率失常,脉动脉压>,首先可以得到一个构件关系图。
用户根据自己的身体情况,通过APP端输入关键词<心率失常,脉动脉压>,搜索构件关系图得到一个较优子图,搭建符合自身的轻量级医疗监测系统。
系统的微服务库中给出的与<心率失常,脉动脉压>关键词有关的微服务构件为“感应信号去噪服务”、“血氧浓度信号预处理服务”、“动脉血氧浓度异常检测服务”、“血压信号预处理服务”、“脉动脉压异常检测服务”、“分段预处理服务”、“心律失常检测服务”、“静脉压检测服务”、“心肌缺血检测服务”、“异常综合分析服务”,由此构成了一个构件关系图。以基于A*的启发式算法对构件关系图进行搜索,确定满足最低的微服务构件间通信量和计算量以及最高的微服务构件与关键词的匹配程度的一个较优子图得到最优解。将它们作为节点定义为表示较优子图并且节点权重为微服务构件与关键词<心率失常,脉动脉压>的匹配程度,有向边权重为微服务构件之间数据量通信比例。本实施例中,得到的<心率失常,脉动脉压>的最优解为包含“感应信号去噪服务”、“脉动脉压异常检测服务”、“分段预处理服务”、“心律失常检测服务”、“异常综合分析服务”的微服务构件,并结合微服务构件之间数据量通信关系,构成的较优子图。
最后,通过6个可通信的微服务构件构成一个符合用户基本功能需求的轻量级监测系统,如图3所示。将这6个可通信的微服务构件即可被动态地部署在边缘节点上,其两个微服务构件间的数据通信关系作为边缘节点与其他节点的有向边,从而构建出满足用户需求的微服务轻量级的医疗监测系统。
综上,本发明方法支持用户仅提供若干文本关键词,就能高效的快速自动搜索搭建系统所需的微服务构件并确定微服务构件之间的数据通信关系,以针对性地满足用户多样化的健康监测需求,能够自动精准构建满足用户功能需求的微服务轻量级医疗监测系统,很好地适配用户,实现高精准适配使用。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (3)
1.一种自主构建医疗监测系统的方法,其特征在于,包括以下步骤:
预先封装训练完成的基于深度学习模型的医疗监测系统,并拆分成为若干个独立部署的微服务构件并存储于微服务库中,并根据微服务构件及其之间的数据通信关系形成一个构件关系图;该图是一个有向无环图,图的节点表示一个微服务构件,从一个节点到另一个节点的有向边表示从两个微服务构件之间存在的数据通信关系;
基于该构件关系图,用户自主输入关键词;
基于A*的启发式算法,结合关键词与微服务构件的匹配程度,及微服务构件之间的数据通信关系,从构件关系图中搜索得到一个较优子图作为最优解,该较优子图包含的节点表示待组建的微服务构件以及有向边表示两个待组建的微服务构件之间的数据通信关系;
将搜索得到的较优子图中待组建的微服务构件和微服务构件之间的数据通信关系部署在边缘节点上,搭建获得所需的轻量级医疗监测系统;
其中,较优子图的节点权重由微服务构件与关键词的匹配程度、微服务构件的计算量决定;以及,微服务构件与关键词的匹配程度由信息匹配度ir和语义匹配度sem决定,且定义一个评估函数m=score(ir,sem)来综合衡量微服务构件与关键词之间的匹配程度;
其中,基于A*的启发式算法从构件关系图中搜索一个较优子图,具体为:
计算候选微服务构件节点的激活值:设某个微服务构件节点v的初始激活值为av=wv/|Vi|,则其更新后的激活值为av=av/d,其中Vi为包含关键词i的节点集,wv为节点的权重,d为最短路径边权重和;
较优子图所对应的轻量级医疗监测系统的价值由公式η=∑v∈Vav计算得到,其中V为较优子图的节点集;
在构件关系图中以任意节点为起始根节点,采用子图启发式增长机制进行搜索子树T(v,Q),如下式所示:
s.t.Qr∪Qv=Q且Qi∪Qj=Q
其中,T(v,Q)表示以节点v为根,包含关键词集Q的子树;Ti(v,Qi)表示以v为根节点,包含关键词集Qi的子树;Tj(v,Qj)表示以v为根节点,包含关键词集Qj的子树;T(v,Qr)表示从根节点r增加了一条边后新加入的节点v,包含的关键词集Qr的子树;Qv表示节点v包含的关键词集;
通过搜索子树T(v,Q),得到一个最优解,最优解即为一棵以节点v为根的子树,该子树所包含的节点即为待组建的微服务构件以及有向边即为微服务构件之间的数据通信关系。
2.根据权利要求1所述自主构建医疗监测系统的方法,其特征在于,所述方法中较优子图的边权重由微服务构件之间的通信量c决定,且一条边的权重为we=1/c。
3.根据权利要求1所述自主构建医疗监测系统的方法,其特征在于,所述方法中获得的一个较优子图作为最优解,具有最低微服务构件的通信量和计算量、最高的微服务构件与关键词的匹配程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010920141.0A CN112216375B (zh) | 2020-09-03 | 2020-09-03 | 一种自主构建医疗监测系统的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010920141.0A CN112216375B (zh) | 2020-09-03 | 2020-09-03 | 一种自主构建医疗监测系统的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112216375A CN112216375A (zh) | 2021-01-12 |
CN112216375B true CN112216375B (zh) | 2023-05-09 |
Family
ID=74048789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010920141.0A Active CN112216375B (zh) | 2020-09-03 | 2020-09-03 | 一种自主构建医疗监测系统的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112216375B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113380352B (zh) * | 2021-06-24 | 2023-06-23 | 湖南创星科技股份有限公司 | 基于医疗微服务编排中间语言描述方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004014022A2 (de) * | 2002-07-29 | 2004-02-12 | Baumüller Anlagen-Systemtechnik GmbH & Co. | Rechnernetzwerk mit diagnoserechnerknoten |
EP1587282A2 (en) * | 2004-04-16 | 2005-10-19 | Microsoft Corporation | Data overlay, self-organized metadata overlay, and application level multicasting |
CN103177450A (zh) * | 2013-04-11 | 2013-06-26 | 北京航空航天大学 | 一种基于构件集采样的图像场景分割与分层联合求解方法 |
CN109144481A (zh) * | 2018-08-21 | 2019-01-04 | 北京航空航天大学 | 面向领域的软件密集型系统的构件化软件配置方法 |
-
2020
- 2020-09-03 CN CN202010920141.0A patent/CN112216375B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004014022A2 (de) * | 2002-07-29 | 2004-02-12 | Baumüller Anlagen-Systemtechnik GmbH & Co. | Rechnernetzwerk mit diagnoserechnerknoten |
EP1587282A2 (en) * | 2004-04-16 | 2005-10-19 | Microsoft Corporation | Data overlay, self-organized metadata overlay, and application level multicasting |
CN103177450A (zh) * | 2013-04-11 | 2013-06-26 | 北京航空航天大学 | 一种基于构件集采样的图像场景分割与分层联合求解方法 |
CN109144481A (zh) * | 2018-08-21 | 2019-01-04 | 北京航空航天大学 | 面向领域的软件密集型系统的构件化软件配置方法 |
Non-Patent Citations (1)
Title |
---|
He Jinyuan等.A framework for cardiac arrhythmia detection from IoT-based ECGs.《World Wide Web》.2020,第2835-2850页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112216375A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10176435B1 (en) | Method and apparatus for combining techniques of calculus, statistics and data normalization in machine learning for analyzing large volumes of data | |
JP4620721B2 (ja) | コンテキストデータのセマンティック分類を自動的に決定する方法及び装置 | |
O'Connor et al. | Principles of ecology revisited: Integrating information and ecological theories for a more unified science | |
Forrest | Implementing semantic network structures using the classifier system | |
US20130097110A1 (en) | System for recommending advice based on user psychology index | |
WO2020065906A1 (ja) | 推論装置、推論方法、及び推論プログラム | |
CN111159371A (zh) | 一种面向任务型对话系统的对话策略方法 | |
CN112216375B (zh) | 一种自主构建医疗监测系统的方法 | |
EP3407207A1 (en) | System, method, and program for reconciling input datasets with a model ontology | |
Yu et al. | Epidemic source detection in contact tracing networks: Epidemic centrality in graphs and message-passing algorithms | |
CN109410935A (zh) | 一种基于语音识别的目的地搜索方法及装置 | |
Trabelsi | New structure learning algorithms and evaluation methods for large dynamic Bayesian networks | |
CN114901066B (zh) | 辅助系统以及辅助方法 | |
Bhargava et al. | Fog-centric localization for ambient assisted living | |
Fenza et al. | Enhanced healthcare environment by means of proactive context aware service discovery | |
CN114900435B (zh) | 一种连接关系预测方法及相关设备 | |
Gopalakrishna et al. | Runtime evaluation of cognitive systems for non-deterministic multiple output classification problems | |
CN114627980A (zh) | 一种化学逆合成分析方法及系统 | |
Vergara et al. | Fuzzy rule learning with ACO in epilepsy crisis identification | |
KR102190756B1 (ko) | 딥러닝 기반의 식물 인식 시스템 | |
CN113642720A (zh) | 一种仿生情景认知模型构建方法及系统 | |
Bodner et al. | Why body size matters: how larger fish ontogeny shapes ecological network topology | |
KR102156296B1 (ko) | 클라우드에 기반을 둔 설비 및 그 조작방법 | |
Park et al. | Knowledge-guided dynamic systems modeling: A case study on modeling river water quality | |
Renoux | Contribution to multiagent planning for active information gathering |
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 |