CN113033646B - 一种电池协议自动识别方法及系统 - Google Patents

一种电池协议自动识别方法及系统 Download PDF

Info

Publication number
CN113033646B
CN113033646B CN202110290820.9A CN202110290820A CN113033646B CN 113033646 B CN113033646 B CN 113033646B CN 202110290820 A CN202110290820 A CN 202110290820A CN 113033646 B CN113033646 B CN 113033646B
Authority
CN
China
Prior art keywords
battery
protocol
decision tree
battery protocol
data
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
CN202110290820.9A
Other languages
English (en)
Other versions
CN113033646A (zh
Inventor
王瑞珩
王君
罗强
王拓
胡以华
刘彬
顾俊杰
申艳娥
吴怡欣
郜绪斌
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.)
Shenzhen Bitan Technology Co ltd
Original Assignee
Shenzhen Bitan 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 Shenzhen Bitan Technology Co ltd filed Critical Shenzhen Bitan Technology Co ltd
Priority to CN202110290820.9A priority Critical patent/CN113033646B/zh
Publication of CN113033646A publication Critical patent/CN113033646A/zh
Application granted granted Critical
Publication of CN113033646B publication Critical patent/CN113033646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Communication Control (AREA)

Abstract

本发明提供一种电池协议自动识别方法及系统，属于换电技术领域。本发明电池协议自动识别方法包括步骤：S1：识别开始；S2：判断是否设置了解析顺序，如果是，按照设定的解析顺序解析电池协议；S3：判断是否解析成功，如果是，执行步骤S5，如果否，执行步骤S4；S4：根据学习后的决策树规则，基于获取到的电池数据，判断电池协议类型，并进行电池协议识别；S5：电池协议识别完成。本发明的有益效果为：在存储模块、内存都资源极端受限的前提下，依然能够实现协议的快速识别。

Description

一种电池协议自动识别方法及系统
技术领域
本发明涉及一种换电技术，尤其涉及一种电池协议自动识别方法。
背景技术
在电动自行车的电池换电中，由于电池并没有规定通讯协议，在换电的过程中，换电柜能够自动识别这些电池，并且用对应电池的协议和电池通讯。
在整个换电系统中，仓控负责和电池通信，仓控是一个单片机组成的嵌入式设备，内存和Flash都是有限的，一般Flash同时由于在换电过程中，需要能快速识别出对应的电池，不能因为自动识别影响了整体的换电流程。
但是，当通信使用CPU，内存，Flash都是资源极端受限的单片机时，识别速度会比较慢，影响用户体验。
发明内容
为解决现有技术中的问题，本发明提供一种电池协议自动识别方法，当单片机资源受限，仍然能够在3s内完成识别。
本发明电池协议自动识别方法包括如下步骤：
S1：识别开始；
S2：判断是否设置了解析顺序，如果是，按照设定的解析顺序解析电池协议；
S3：判断是否解析成功，如果是，执行步骤S5，如果否，执行步骤S4；
S4：根据学习后的决策树规则，基于获取到的电池数据，判断电池协议类型，并进行电池协议识别；
S5：电池协议识别完成。
本发明作进一步改进，步骤S4中，所述决策树规则生成方法为：
S41：根据不同类型的电池协议和电池的不同状态，分别取电池在充电、放电、静置状态下的电池状态数据，汇集成对应的电池数据，形成对应的学习数据集D；
S42：将寄存器地址作为其中一个属性，对学习数据集D进行分类，分为M个数据样本，M为正整数；
S43：每个数据样本作为一个子树分别计算，计算当前子树的所有属性下的Gini增益，选择最小的属性i，如果当前的子树都是同一个分类，停止计算，否则形成子树T1压入栈中，如果有多个相同的Gini增益，把对应的子树Tl压入待计算的栈中；
S44：判断待计算的栈是否为空，如果否，返回步骤S42继续计算，否则执行步骤S45；
S45：根据设定标准筛选决策树规则；
S46：确定最后使用的决策树规则。
本发明作进一步改进，步骤S45中，所述筛选决策树规则的标准为：
(1)根据奥卡姆剃刀原则，树的高度越低越好；
(2)两颗树的子树规则中，优先使用一个属性值用于构建子树数量越少越好。
本发明作进一步改进，步骤S5中，所述电池自动识别方法为：
S51：根据分类统计的电池通讯协议数量排序，判定协议类型；
S52：选定通讯协议；
S53：根据学习后的决策树规则判断电池协议类型；
S54：判断是否匹配到了电池协议，如果否，电池协议无法识别，如果是，执行下一步；
S55：识别电池协议，并开始和电池通讯；
S56：电池协议自动识别完成。
本发明作进一步改进，所述解析顺序为：
默认使用上一次电池的通讯协议，如果解析成功，退出；如果没有解析成功，则按照解析优先级队列中的优先级顺序解析协议。
本发明作进一步改进，还包括步骤S6：判断识别的电池协议是否在仓控的存储器中，如果是，利用该电池协议解析电池数据，如果否，执行步骤S7：
S7：向主控发请求同步识别到的电池协议的请求；
S8：收到主控发出的确认信息后，开始接收该电池协议数据；
S9：利用电池协议解析电池数据。
本发明还提供一种实现所述的电池协议自动识别方法的系统，包括：
第一判断模块，判断是否设置了解析顺序；
解析模块：用于按照设定的解析顺序解析电池协议；
第二判断模块：判断是否解析成功；
决策树规则生成模块：用于利用决策树和CART算法学习规则，生成决策树规则；
电池协议识别模块：用于根据学习后的决策树规则，基于获取到的电池数据，判断电池协议类型，并进行电池协议识别。
与现有技术相比，本发明的有益效果是：仓柜单片机为低频CPU，并且在存储模块、内存都资源极端受限的前提下，依然能够实现协议的快速识别，并正确和电池通讯；解决了存储空间有限，无法存储所有的协议库的空间限制问题。
附图说明
图1为本发明电池协议自动识别方法流程图；
图2为决策树结构示意图；
图3为规则学习和自动识别方法流程图；
图4为本发明另一实施例方法流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
如图1所示，本发明的电池协议自动识别方法包括如下步骤：
1、电池识别开始；
2、判断是否有上一次解析成功的电池协议编号，如果是，按照上次的协议编号解析协议，如果否，判断是否设置了解析优先级，如果有的话，就按照设置的优先级顺序进行电池协议解析；
电池的底层通信协议包括：RS485，CAN，UART等。根据适配的电池通信协议归类计数得到每类的数量，形成对应的通信协议的测试顺序，比如测试底层协议的顺序为：CAN，RS485，UART。这个顺序会随着电池协议的扩充而自动变化。
3、判断是否解析成功，如果是，电池识别完成，结束，如果否，开始进行电池协议自动识别。
自动识别的过程实际上可以转化为一个自动分类的问题，但是由于电池协议的特殊性，原来在机器学习中使用的逻辑回归，SVM，深度学习算法在低频的单片机上无法有效使用。本例采取了一种特殊的决策树的方案来识别。
本例的决策树设计的节点类型包括规则节点和电池协议节点，其中，将规则节点，对应的值设置为0，电池协议节点，对应的值为1。
具体的，针对规则节点的定义，由于协议中除了0和非0之外，还有一些数值是不同范围的，这里的规则定义为：
|规则序号|寄存器|比较运算符|比较值|为true时节点类型|节点序号|为false时节点类型|节点序号|
电池协议节点的定义：由于电池协议节点就是对应的电池协议类别，直接用数值表示即可，所以电池协议节点的定义为：|电池协议序号|
因此，本例的决策树的数据结构包括电池协议数据结构、电池协议序号和电池协议，下面结合具体实施例来说明本例决策树整个节点的数据结构。
如图2所示的决策树，本例用表2决策树数据结构表示：
其中，为true/false的节点类型就是对应节点类型，为0的时候，节点序号就是规则节点，为1的时候，节点序号就是电池协议序号，本决策树的整体结构比较简单，占用空间少。
如图3所示，本例决策树的学习过程为：
(1)根据不同类型的电池协议和电池的不同状态，分别取电池在充电、放电、静置状态下的电池状态数据，汇集成对应的电池数据集合D，由于在电池协议中会有一些连续值，比如电压，电流等，决策树的CART算法更适合这种数据的训练和学习。
本例为了更好的划分连续变量，CART算法使用Gini不纯度的概念。为了衡量一个特征集合下的不确定性，提出基尼指数Gini(D)的定义，基尼指数Gini(D)的计算法方法为：
Gini(D)表示从数据集D中随机抽取两个样本，其类别不一致的概率，当所有样本属于同一类的时候，Gini(D)＝0,当所有类的概率是等概率的时候，Gini(D)最大化。Ck其中的一个类别，K是该类别中的分类总数，k为其中一个分类的序号。
对于离散型的属性，可以根据某个属性来划分数据，同时决策树是二叉树，所以我们把电池数据集合D在特征A的条件下分为D1和D2，电池数据集D的基尼指数表示经过划分后电池数据集合D的不确定性，定义如下：
本例采用属性递归寻找最优划分，其处理过程如下：
如果当前节点的所有样本都不属于同一类，或者只剩下一个样本，那么此节点为非叶子节点，所以会尝试样本的每个属性以及每个属性对应的分裂点，尝试找出Gini不纯度最大的一个划分，那么该属性的划分的子树就是最优分支。
对于属性值是连续型，可以借鉴离散型的计算方法，将连续值离散化，下面举例说明，对于有m个连续值出现的属性，可以把m个属性值按值正序排列表示为：[a1，a2，a3...am-1，am]其中，该数组有m-1个切分点：
根据m-1切分点，可以将集合分为D1和D2，然后计算切分点的基尼指数，选择基尼指数最小的一个切分为最优切分。
例如：本例的集合中有三个数值，分别为[1,3,100]，分别计算2个切分点[2,51.5]，分别计算Gini(D,2)和Gini(D,51.5)的基尼指数，其中最小的就是一个最优切分，对应的属性值也是这个切分点。
具体到本例的电池协议来说，把寄存器作为一个属性，收集一次通讯获取到每个寄存器的值xi，收集的每个寄存器的数据对应的电池协议为Ck，组成了一个训练数据样本：{(x1，x2，...xi，...xn)，Ck}，电池协议共有n个属性，根据收集到的数据整理共有s个样本数据。因为协议的不确定性，所有的属性都当作连续型来处理，计算过程虽然复杂度更高，但是由于是离线计算，这个训练学习时间是可以接受的。
本例基于上述计算公式，其决策树规则的具体计算过程如下：
(1)初始化待计算子树的栈；
(2)每个数据样本作为一个子树分别计算，计算当前子树的所有属性下的Gini增益，如果当前是以寄存器作为一个属性的子树，那么计算当前子树的所有属性下的Gini增益，此处所有属性是排除子树规则中已经用过的寄存器属性外剩下的其他属性集合。选择Gini增益最小的属性i，如果当前的子树都是同一个分类，说明根据这个属性i的属性判断可以确定一个分类，停止计算，否则形成子树T1压入栈中，如果有多个相同的Gini增益，把对应的子树Tl压入待计算的栈中，无法确定分类或者分支属性，需要继续计算；
(3)判断待计算的栈是否为空，如果否，返回步骤(2)继续计算，否则执行步骤(4)；
(4)根据设定标准筛选决策树规则，本例的筛选标准为：
a.根据奥卡姆剃刀原则，树的高度越低越好；
b.两颗树的子树规则中，优先使用一个属性值用于构建子树数量越少越好，这里的原因是，多次使用的属性值，在新样本的容错能力上会偏差。
(5)确定最后使用的决策树规则。
利用学习后的决策树规则，自动识别电池协议。根据决策树学习的结果，将学习到的决策树持久化到程序中。根据对应的规则，在获取到电池数据之后，根据规则来计算和分类，这样就能识别出对应的电池协议。
如图4所示，作为本发明的一个优选实施例，本例在识别出电池协议后，采用动态加载电池协议库的方法进行处理。
由于单片机的存储空间有限，无法容纳换电柜所有已经支持的电池协议。仓控的上级控制设备是主控，本例的主控是一个CPU，内7存和存储都足够的设备，可以把完整的协议库存放到主控中。本例的主控如果没有足够的内存，也可以与上位机通讯，获取所有完整的协议库中的协议。
本例的协议库存储在主控中，动态加载协议库的处理方法为：
1、仓控开始自动识别电池协议；
2、识别出电池协议N；
3、电池协议是否在仓控的存储中？如果是，那么利用协议N解析电池数据，如果不是，向主控发请求同步电池协议N的请求；
4、收到主控发出的确认之后，开始接收电池协议N的数据；
5、如果不能正常接收电池协议N的数据或者验证完整性失败，返回执行步骤2；
6、利用电池协议N解析电池数据。
与现有技术相比，本发明在仓柜单片机为低频CPU，并且在存储模块、内存都资源极端受限的前提下，依然能够实现协议的快速识别，识别速度控制在3秒以内，并正确和电池通讯；动态协议库加载技术方案，很好的解决了存储空间有限，无法存储所有的协议库的空间限制问题。
以上所述之具体实施方式为本发明的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明所作的等效变化均在本发明的保护范围内。

Claims (6)

1.一种电池协议自动识别方法，其特征在于，包括如下步骤：
S1：识别开始；
S2：判断是否设置了解析顺序，如果是，按照设定的解析顺序解析电池协议；
S3：判断是否解析成功，如果是，执行步骤S5，如果否，执行步骤S4；
S4：根据学习后的决策树规则，基于获取到的电池数据，判断电池协议类型，并进行电池协议识别；
S5：电池协议识别完成，
步骤S4中，所述决策树规则的生成方法为：
S41：根据不同类型的电池协议和电池的不同状态，分别取电池在充电、放电、静置状态下的电池状态数据，汇集成对应的电池数据，形成对应的学习数据集D；
S42：将寄存器地址作为其中一个属性，对学习数据集D进行分类，分为M个数据样本，M为正整数；
S43：每个数据样本作为一个子树分别计算，计算当前子树的所有属性下的Gini增益，选择最小的属性i，如果当前的子树都是同一个分类，停止计算，否则形成子树T1压入栈中，如果有多个相同的Gini增益，把对应的子树Tl压入待计算的栈中；
S44：判断待计算的栈是否为空，如果否，返回步骤S42继续计算，否则执行步骤S45；
S45：根据设定标准筛选决策树规则；
S46：确定最后使用的决策树规则。
2.根据权利要求1所述的电池协议自动识别方法，其特征在于：步骤S45中，所述筛选决策树规则的标准为：
(1)根据奥卡姆剃刀原则，树的高度越低越好；
(2)两颗树的子树规则中，优先使用一个属性值用于构建子树数量越少越好。
3.根据权利要求1所述的电池协议自动识别方法，其特征在于：步骤S5中，电池协议识别方法为：
S51：根据分类统计的电池通讯协议数量排序，判定协议类型；
S52：选定通讯协议；
S53：根据学习后的决策树规则判断电池协议类型；
S54：判断是否匹配到了电池协议，如果否，电池协议无法识别，如果是，执行下一步；
S55：识别电池协议，并开始和电池通讯；
S56：电池协议自动识别完成。
4.根据权利要求1所述的电池协议自动识别方法，其特征在于：所述解析顺序为：默认使用上一次电池的通讯协议，如果解析成功，退出；如果没有解析成功，则按照解析优先级队列中的优先级顺序解析协议。
5.根据权利要求1-4任一项所述的电池协议自动识别方法，其特征在于：还包括步骤S6：判断识别的电池协议是否在仓控的存储器中，如果是，利用该电池协议解析电池数据，如果否，执行步骤S7：
S7：向主控发请求同步识别到的电池协议的请求；
S8：收到主控发出的确认信息后，开始接收该电池协议数据；
S9：利用电池协议解析电池数据。
6.一种电池协议自动识别系统，用于实现权利要求1-5任一项所述的电池协议自动识别方法，其特征在于，包括：
第一判断模块，判断是否设置了解析顺序；
解析模块：用于按照设定的解析顺序解析电池协议；
第二判断模块：判断是否解析成功；
决策树规则生成模块：用于利用决策树和CART算法学习规则，生成决策树规则；
电池协议识别模块：用于根据学习后的决策树规则，基于获取到的电池数据，判断电池协议类型，并进行电池协议识别。
CN202110290820.9A 2021-03-18 2021-03-18 一种电池协议自动识别方法及系统 Active CN113033646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110290820.9A CN113033646B (zh) 2021-03-18 2021-03-18 一种电池协议自动识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110290820.9A CN113033646B (zh) 2021-03-18 2021-03-18 一种电池协议自动识别方法及系统

Publications (2)

Publication Number Publication Date
CN113033646A CN113033646A (zh) 2021-06-25
CN113033646B true CN113033646B (zh) 2024-06-28

Family

ID=76471472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110290820.9A Active CN113033646B (zh) 2021-03-18 2021-03-18 一种电池协议自动识别方法及系统

Country Status (1)

Country Link
CN (1) CN113033646B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114500688B (zh) * 2022-01-28 2023-12-05 厦门科灿信息技术有限公司 设备协议识别的方法、装置、终端及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111510133A (zh) * 2020-04-09 2020-08-07 上海艾为电子技术股份有限公司 时钟相位控制电路、方法、功率放大装置及音频设备
CN112383882A (zh) * 2020-11-13 2021-02-19 深圳市比特安科技有限公司 一种蓝牙换电中的数据传输方法及换电系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE515927C2 (sv) * 1999-01-27 2001-10-29 Ericsson Telefon Ab L M Ett förfarande och en apparat för att identifiera ett batteri
JP2009512035A (ja) * 2005-10-14 2009-03-19 リサーチ イン モーション リミテッド モバイルデバイスのためのバッテリーパックの認証
CA2564029C (en) * 2005-10-14 2013-07-09 Research In Motion Limited Interface and communication protocol for a mobile device with a smart battery
US8692663B2 (en) * 2010-08-10 2014-04-08 General Motors Llc. Wireless monitoring of battery for lifecycle management
US8829911B2 (en) * 2011-09-16 2014-09-09 Blackberry Limited Diagnostic use of a plurality of electrical battery parameters
KR101623113B1 (ko) * 2014-06-27 2016-05-20 부산대학교 산학협력단 의사 결정 트리의 학습과 분류를 위한 장치 및 그 방법
WO2018104966A1 (en) * 2016-12-07 2018-06-14 Kumar Maini Chetan A rechargeable battery management system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111510133A (zh) * 2020-04-09 2020-08-07 上海艾为电子技术股份有限公司 时钟相位控制电路、方法、功率放大装置及音频设备
CN112383882A (zh) * 2020-11-13 2021-02-19 深圳市比特安科技有限公司 一种蓝牙换电中的数据传输方法及换电系统

Also Published As

Publication number Publication date
CN113033646A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN112732871B (zh) 一种机器人催收获取客户意向标签的多标签分类方法
CN111382572B (zh) 一种命名实体识别方法、装置、设备以及介质
CN111178196B (zh) 一种细胞分类的方法、装置及设备
CN108549696B (zh) 一种基于内存计算的时间序列数据相似性查询方法
CN111581092A (zh) 仿真测试数据的生成方法、计算机设备及存储介质
CN113033646B (zh) 一种电池协议自动识别方法及系统
CN111432003A (zh) 应用于云计算的数据推送方法、装置、电子设备及系统
CN113315851A (zh) 域名检测方法、装置及存储介质
CN115294397A (zh) 一种分类任务的后处理方法、装置、设备及存储介质
CN117523218A (zh) 标签生成、图像分类模型的训练、图像分类方法及装置
CN111475648A (zh) 一种文本分类模型生成方法、文本分类方法及装置、设备
CN117235137B (zh) 一种基于向量数据库的职业信息查询方法及装置
CN114549897A (zh) 一种分类模型的训练方法、装置及存储介质
CN117390480A (zh) 一种信息提取方法、装置、设备及存储介质
CN115617351B (zh) 算子的切分图样搜索方法、装置、计算机设备及存储介质
CN115268867B (zh) 一种抽象语法树裁剪方法
WO2008072459A1 (ja) 能動学習システム、能動学習方法、及び能動学習用プログラム
CN116089820A (zh) 基于用户协同的负荷辨识方法及系统、电子设备、介质
CN115510331A (zh) 一种基于闲置量聚合的共享资源匹配方法
CN115587313A (zh) 一种轨迹数据半监督分类方法及装置
CN114610758A (zh) 基于数据仓库的数据处理方法、装置、可读介质及设备
CN117973522B (zh) 基于知识数据训练技术的应用模型构建方法及系统
Zerbini Outlier detection to detect segment transitions between time series data
CN118114093B (zh) 一种主数据处理方法、系统、设备及存储介质
He et al. Minimal consistent subset for hyper surface classification method

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