CN113157995A - 一种数据归类方法、门窗参数归尺方法、处理装置以及存储介质 - Google Patents
一种数据归类方法、门窗参数归尺方法、处理装置以及存储介质 Download PDFInfo
- Publication number
- CN113157995A CN113157995A CN202110285811.0A CN202110285811A CN113157995A CN 113157995 A CN113157995 A CN 113157995A CN 202110285811 A CN202110285811 A CN 202110285811A CN 113157995 A CN113157995 A CN 113157995A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- interval
- minimum
- door
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 title claims abstract description 14
- 238000004513 sizing Methods 0.000 title claims description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 53
- 230000015654 memory Effects 0.000 claims description 9
- 238000007726 management method Methods 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90348—Query processing by searching ordered data, e.g. alpha-numerically ordered data
-
- 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
- G06Q50/04—Manufacturing
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Economics (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种数据归类方法、门窗参数归尺方法、处理装置以及存储介质,涉及家具生产统筹方法技术领域;所述数据归类方法包括以下步骤:S1、获取若干初始数据,对所述初始数据进行大小排序形成数据串;S2、预设区间范围值;S3、获取排序好的数据串中的端值;S4、以获取到的端值为初始值,依次按预设的区间范围值将数据串归类形成若干档区间数据;S5、获取区间数据中的特定值作为该档区间数据的输出值;采用本发明提供的技术方案解决了现有的家具生产无法标准化,生产效率低,生产成本高,不易管理的技术问题。
Description
技术领域
本发明涉及家具生产统筹方法技术领域,尤其涉及一种数据归类方法、门窗参数归尺方法、处理装置以及存储介质。
背景技术
在家具生产领域中,一般需要经过以下几个步骤,首先现场人员进行实地现场测量,记录下现场的数据,随后将数据待会生产部门进行生产;然而现有的生产方式存在一些问题,现场人员带回的测量数据往往是的大量未经过处理的数据,且数据之间存在差异,无法进行标准化生产,无法进行标准化生产带来的后果是生产部门需要根据多个数据进行开模生产,效率低下且生产成本高,数据混乱,不易管理。
发明内容
本发明目的在于提供一种数据归类方法、门窗参数归尺方法、处理装置以及存储介质,采用本发明提供的技术方案解决了现有的家具生产无法标准化,生产效率低,生产成本高,不易管理的技术问题。
为了解决上述技术问题,本发明提供一种数据归类方法、门窗参数归尺方法、处理装置以及存储介质,第一方面,本申请提供一种数据归类方法,包括以下步骤:
所述数据归类方法包括以下步骤:
S1、获取若干初始数据,对所述初始数据进行大小排序形成数据串;
S2、预设区间范围值;
S3、获取排序好的数据串中的端值;
S4、以获取到的端值为初始值,依次按预设的区间范围值将数据串归类形成若干档区间数据;
S5、获取区间数据中的特定值作为该档区间数据的输出值。
优选的,在步骤S4中,包括首档区间数据获取步骤和次档区间数据获取步骤;
首档区间数据获取步骤包括:
S41、若获取的端值为最小值,则以该最小值为首档区间数据的最小端值;
S42、以该最小值为初始值,加上区间范围值作为首档区间数据的最大端值,令落在两个端值之间的数据统一归类于首档区间数据;
S43、若获取的端值为最大值,则以该最大值为首档区间数据的最大端值;
S44、以该最大值为初始值,减去区间范围值作为首档区间数据的最小端值,令落在两个端值之间的数据统一归类于首档区间数据。
优选的,所述次档区间数据获取步骤包括:
S45、若步骤S3中获取的端值为最小值,完成首档区间数据归类;
S46、获取剩余未归类的数据中的最小值,并重复步骤S42,令落在两个端值之间的数据统一归类于次档区间数据,直至所有数据归类完毕;
S47、若步骤S3中获取的端值为最大值,完成首档区间数据归类;
S48、获取剩余未归类的数据中的最大值,并重复步骤S42,令落在两个端值之间的数据统一归类于次档区间数据,直至所有数据归类完毕。
优选的,在步骤S4中,判定数据是否落在某一区间范围内可包括以下任一种方式:
(1)不小于某一区间内的最小端值,同时小于该区间的最大端值;
(2)不大于某一区间内的最大端值,同时大于该区间的最小端值。
优选的,在步骤S5中,所述特定值的获取方式可为以下任一种:
(1)所述特定值等于该档区间的最小端值;
(2)所述特定值等于该档区间的最大端值;
(3)所述特定值等于该档区间的中间值;
(4)所述特定值等于该档区间的最小值。
第二方面,本申请提供一种一上述数据归类方法为基础的门窗参数归尺方法,其中,获取的若干数据包括门套外径宽或窗套外径宽或门套外径高或窗套外径高或门洞深或窗洞深;
以步骤S5中获得的若干组不同的的输出值为参数进行生产。
优选的,在步骤S5中获得输出值为该档区间的最小值;
第三方面,本申请提供一种门窗参数归尺处理装置,所述处理装置包括处理器和存储器,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如上述所述的门窗参数归尺方法。
第四方面,计算机可读存储介质,所述计算机可读存储介质中存储有程序数据,所述程序数据在被处理器执行时,用以实现如上述所述的门窗参数归尺方法。
与现有技术相比,本发明的有益效果在于:本申请通过巧妙的归尺方法,将杂乱的测量数据以合理的方式进行归集整理,在家具生产领域中,采用该方法可极大的缩减生产人员生产时间,提升其生产效率,对数据归类后生产订单更加清晰明了;将各个参数合理的归集于各个范围区间值中,并以每个区间中的标准值为代表进行开模生产,令生产过程更加标准化,避免了需要对每个参数均进行逐一生产的问题,极大的降低生产成本,简化生产方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请其中一实施例的数据归类方法的流程图;
图2为本申请其中一实施例的首档区间数据的部分获取方法流程图;
图3为本申请其中一实施例的首档区间数据的部分获取方法流程图;
图4为本申请其中一实施例的次档区间数据的部分获取方法流程图;
图5为本申请其中一实施例的次档区间数据的部分获取方法流程图。
具体实施方式
以下将以图式揭露本发明的多个实施方式,为明确说明起见,许多实务上的细节将在以下叙述中一并说明。然而,应了解到,这些实务上的细节不应用以限制本发明。也就是说,在本发明的部分实施方式中,这些实务上的细节是非必要的。此外,为简化图式起见,一些习知惯用的结构与组件在图式中将以简单的示意的方式绘示之。
需要说明,本发明实施例中所有方向性指示诸如上、下、左、右、前、后……仅用于解释在某一特定姿态如附图所示下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,并非特别指称次序或顺位的意思,亦非用以限定本发明,其仅仅是为了区别以相同技术用语描述的组件或操作而已,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下:
实施例
在家具生产领域中,一般需要经过以下几个步骤,首先现场人员进行实地现场测量,记录下现场的数据,随后将数据待会生产部门进行生产;然而现有的生产方式存在一些问题,现场人员带回的测量数据往往是的大量未经过处理的数据,且数据之间存在差异,无法进行标准化生产,无法进行标准化生产带来的后果是生产部门需要根据多个数据进行开模生产,效率低下且生产成本高,数据混乱,不易管理;为了解决该技术问题,本实施例提供以下技术方案:
具体的,本实施例提供一种数据归类方法,包括以下步骤:
S1、获取若干初始数据,对初始数据进行大小排序形成数据串;
S2、预设区间范围值;
S3、获取排序好的数据串中的端值;
S4、以获取到的端值为初始值,依次按预设的区间范围值将数据串归类形成若干档区间数据;
S5、获取区间数据中的特定值作为该档区间数据的输出值。
具体的,在步骤S4中,包括首档区间数据获取步骤和次档区间数据获取步骤;
首档区间数据获取步骤包括:
S41、若获取的端值为最小值,则以该最小值为首档区间数据的最小端值;
S42、以该最小值为初始值,加上区间范围值作为首档区间数据的最大端值,令落在两个端值之间的数据统一归类于首档区间数据;
S43、若获取的端值为最大值,则以该最大值为首档区间数据的最大端值;
S44、以该最大值为初始值,减去区间范围值作为首档区间数据的最小端值,令落在两个端值之间的数据统一归类于首档区间数据;
进一步的,次档区间数据获取步骤包括:
S45、若步骤S3中获取的端值为最小值,完成首档区间数据归类;
S46、获取剩余未归类的数据中的最小值,并重复步骤S42,令落在两个端值之间的数据统一归类于次档区间数据,直至所有数据归类完毕;
S47、若步骤S3中获取的端值为最大值,完成首档区间数据归类;
S48、获取剩余未归类的数据中的最大值,并重复步骤S42,令落在两个端值之间的数据统一归类于次档区间数据,直至所有数据归类完毕。
在上述步骤S4中,采用的方式为逐级筛选方式,在归类完一组数据后,其不是简单的在上一组数据加上区间范围值而获得下一组区间的端值,而是将已归类完毕的数据略过,获取剩余数据中的极值作为下一组区间的端值,采用该方式所产生的数据区间更贴近于数据的真实情况;如在家具生产领域中,若数据之间数量差异较大,采用简单的加和所产生的连续区间范围并不能很好的贴合实际数据,导致最终产生的区间标准值并不能很好的代表该区间的数据,从而令后续以该区间标准值作为标准参数生产的家具与实际出入较大;而采用本申请提供的方法,利用递进式的筛选,尽可能的贴合实际数据,从而降低标准数据与实际数据出入大的风险,令最终得到的输出值与实际所需更贴合,提升生产的精准度。
具体的,在步骤S4中,判定数据是否落在某一区间范围内可包括以下任一种方式:
(1)不小于某一区间内的最小端值,同时小于该区间的最大端值;
(2)不大于某一区间内的最大端值,同时大于该区间的最小端值。
具体的,在步骤S5中,所述特定值的获取方式可为以下任一种:
(1)所述特定值等于该档区间的最小端值;
(2)所述特定值等于该档区间的最大端值;
(3)所述特定值等于该档区间的中间值;
(4)所述特定值等于该档区间的最小值。
在上述方案中,区间标准值与首位两端的端值的数量关系包括但不限于上述方式,上述仅举出其中部分例子,其具体的数量关系的设定可以是工作人员根据其自身的生产经验进行的调整,同样的区间范围值也是如此,如以门套外径宽为例,若工作人员认为在实际中一参数上下浮动2个数量级的数据均可适用,则其在设定区间范围值的时候可将区间范围值设置为4或5,由此可见,在实际使用本申请提供的方法时是灵活多变的,可适用于多种情况。
本实施例还提供一种以上述数据归类方法为基础的门窗参数归尺方法,其中,在上述方法中所获取的若干数据可包括门套外径宽或窗套外径宽或门套外径高或窗套外径高或门洞深或窗洞深;
在本方法中,以步骤S5中获得的输出值为参数进行生产。
进一步的,在步骤S5中获得输出值为该档区间的最小值。
以下将举一具体实施例对上述方法进行进一步阐述:
现有一组门套外径宽为790、792、796、794、791、865、855、870、846、863、854、812、822、866;
在步骤S1中,对上述数据进行排序,排序后为:790、791、792、794、796、812、822、846、854、855、863、865、866、870;
在步骤S2中,工作人员预设区间范围值,此处将其预设为以十个数量跨度为一个区间,并以该区间内的最小值作为输出值,同时从数据的最小值开始获取数据,具体如下:
上述数据中最小值为790,则以790作为第一组区间数据的最小端值,以十个数量跨度作为一个区间,则800作为第一组区间数据的最大端值;其中,在此次数据判定中,以不小于790同时小于800为标准进行判断,即判定的数据X满足790≤X<800;该区间的输出值790;最终判定落入该区间的数据有790、791、792、794、796,上述五个数据落入第一组区间中,故其最终均被归类为以区间标准值790为代表的数据中,即最终得到该组的生产订单为5个门套外径宽为790的生产需求;
进一步的,在步骤S4中,当第一组区间的数据归类完毕后,忽略上述归类好的5个数据,获取下一最小值,即812,重复步骤S31,即以812作为该组区间的最小端值,以822作为该组区间的最大端值,即落入该区间的数据满足812≤X<822,其区间输出值为812,其中最终落入该区间的数据为812,故最终得到该组的生产订单为1个门套外径宽为812的生产需求。
后续类推最终得到以下区间以及各个区间的区间标准值:
790≤X<800,790,5个;
812≤X<822,812,1个;
822≤X<832,822,1个;
846≤X<856,846,3个;
863≤X<873,863,3个;
870≤X<880,870,1个;
最终分别以790、812、822、846、863、870作为标准进行生产,并对应相应的生产数量;
由上述可见,本申请提供的数据归类方法与家具生产领域进行了巧妙的结合,有效解决了现有的家具生产中在面对大量数据时无法得到合理的生产标准,仅能通过逐一生产的困境;采用上述门窗参数归尺方法为厂家对生产的管理提供的极大的便利性,将参差不齐的众多数据合理的归于若干组数据中,并以各个区间的区间标准值作为生产标准进行生产,简化了生产过程,生产部门无需再对各个不同参数进行逐一的生产,提升了生产效率,降低生产成本。
具体的,本申请还提供一种门窗参数归尺处理装置,包括处理器和存储器;
进一步的,存储器用于用于存储计算机程序;处理器用于执行计算机程序时实现上述方法的门窗参数归尺方法的步骤;
进一步的,本申请提供的门窗参数归尺处理装置包括一个或一个以上处理器和存储器,一个或一个以上存储应用程序或数据的存储介质(例如一个或一个以上海量存储设备)。其中,存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块,每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地,处理器可以设置为与存储介质通信,在门窗参数归尺方法上执行存储介质中的一系列指令操作;
进一步的,门窗参数归尺处理装置还可以包括一个或一个以上电源,一个或一个以上有线或无线网络接口,一个或一个以上输入输出接口,和/或,一个或一个以上操作系统。例如,Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。
具体的,本申请还提供一种存储介质,存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的门窗参数归尺方法的步骤;
进一步的,该存储介质具体可以为U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围。
Claims (9)
1.一种数据归类方法,其特征在于:所述数据归类方法包括以下步骤:
S1、获取若干初始数据,对所述初始数据进行大小排序形成数据串;
S2、预设区间范围值;
S3、获取排序好的数据串中的端值;
S4、以获取到的端值为初始值,依次按预设的区间范围值将数据串归类形成若干档区间数据;
S5、获取区间数据中的特定值作为该档区间数据的输出值。
2.根据权利要求1所述的数据归类方法,其特征在于:在步骤S4中,包括首档区间数据获取步骤和次档区间数据获取步骤;
首档区间数据获取步骤包括:
S41、若获取的端值为最小值,则以该最小值为首档区间数据的最小端值;
S42、以该最小值为初始值,加上区间范围值作为首档区间数据的最大端值,令落在两个端值之间的数据统一归类于首档区间数据;
S43、若获取的端值为最大值,则以该最大值为首档区间数据的最大端值;
S44、以该最大值为初始值,减去区间范围值作为首档区间数据的最小端值,令落在两个端值之间的数据统一归类于首档区间数据。
3.根据权利要求2所述的数据归类方法,其特征在于:所述次档区间数据获取步骤包括:
S45、若步骤S3中获取的端值为最小值,完成首档区间数据归类;
S46、获取剩余未归类的数据中的最小值,并重复步骤S42,令落在两个端值之间的数据统一归类于次档区间数据,直至所有数据归类完毕;
S47、若步骤S3中获取的端值为最大值,完成首档区间数据归类;
S48、获取剩余未归类的数据中的最大值,并重复步骤S42,令落在两个端值之间的数据统一归类于次档区间数据,直至所有数据归类完毕。
4.根据权利要求1-3任一项所述的数据归类方法,其特征在于:在步骤S4中,判定数据是否落在某一区间范围内可包括以下任一种方式:
(1)不小于某一区间内的最小端值,同时小于该区间的最大端值;
(2)不大于某一区间内的最大端值,同时大于该区间的最小端值。
5.根据权利要求1-3任一项所述的数据归类方法,其特征在于:在步骤S5中,所述特定值的获取方式可为以下任一种:
(1)所述特定值等于该档区间的最小端值;
(2)所述特定值等于该档区间的最大端值;
(3)所述特定值等于该档区间的中间值;
(4)所述特定值等于该档区间的最小值。
6.一种以权利要求1-5任一项所述的数据归类方法为基础的门窗参数归尺方法,其特征在于:获取的若干数据包括门套外径宽或窗套外径宽或门套外径高或窗套外径高或门洞深或窗洞深;
以步骤S5中获得的输出值为参数进行生产。
7.根据权利要求6所述的门窗参数归尺方法,其特征在于:在步骤S5中获得输出值为该档区间的最小值。
8.一种门窗参数归尺处理装置,其特征在于:所述处理装置包括处理器和存储器,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如权利要求6中所述的门窗参数归尺方法。
9.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有程序数据,所述程序数据在被处理器执行时,用以实现如权利要求6中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110285811.0A CN113157995A (zh) | 2021-03-17 | 2021-03-17 | 一种数据归类方法、门窗参数归尺方法、处理装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110285811.0A CN113157995A (zh) | 2021-03-17 | 2021-03-17 | 一种数据归类方法、门窗参数归尺方法、处理装置以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113157995A true CN113157995A (zh) | 2021-07-23 |
Family
ID=76887610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110285811.0A Pending CN113157995A (zh) | 2021-03-17 | 2021-03-17 | 一种数据归类方法、门窗参数归尺方法、处理装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113157995A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536412A (zh) * | 2014-12-23 | 2015-04-22 | 清华大学 | 基于指标预报和解相似度分析的光刻工序动态调度方法 |
CN105205219A (zh) * | 2015-08-25 | 2015-12-30 | 华南师范大学 | 基于非线性回归模型参数的生产预测方法和系统 |
CN106203776A (zh) * | 2016-06-24 | 2016-12-07 | 青岛亿商天下网络科技有限公司 | 一种门窗生产管理系统及方法 |
CN107424193A (zh) * | 2017-04-27 | 2017-12-01 | 巧夺天宫(深圳)科技有限公司 | 一种门窗信息提取方法及其装置 |
CN111814979A (zh) * | 2020-07-06 | 2020-10-23 | 河南工业大学 | 一种基于动态规划的模糊集自动划分方法 |
-
2021
- 2021-03-17 CN CN202110285811.0A patent/CN113157995A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536412A (zh) * | 2014-12-23 | 2015-04-22 | 清华大学 | 基于指标预报和解相似度分析的光刻工序动态调度方法 |
CN105205219A (zh) * | 2015-08-25 | 2015-12-30 | 华南师范大学 | 基于非线性回归模型参数的生产预测方法和系统 |
CN106203776A (zh) * | 2016-06-24 | 2016-12-07 | 青岛亿商天下网络科技有限公司 | 一种门窗生产管理系统及方法 |
CN107424193A (zh) * | 2017-04-27 | 2017-12-01 | 巧夺天宫(深圳)科技有限公司 | 一种门窗信息提取方法及其装置 |
CN111814979A (zh) * | 2020-07-06 | 2020-10-23 | 河南工业大学 | 一种基于动态规划的模糊集自动划分方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103827826B (zh) | 自适应地确定事务型工作负荷的响应时间分布 | |
CN103729689B (zh) | 一种基于行业分类与主导行业数据的电网电量预测方法 | |
Cheng et al. | Unraveling the presence of multiple plagioclase populations and identification of representative two-dimensional sections using a statistical and numerical approach | |
CN111784204A (zh) | 一种基于用户用电行为画像的优质用户挖掘方法及系统 | |
CN116957874B (zh) | 一种智能高校自动排课方法、系统、设备及存储介质 | |
CN107480686B (zh) | 一种筛选机器学习特征的方法和装置 | |
CN102722577A (zh) | 指标动态权重的确定方法及装置 | |
CN104391879A (zh) | 层次聚类的方法及装置 | |
CN109449923B (zh) | 一种有源配电系统运行灵活性的量化分析方法及相关产品 | |
CN115587232A (zh) | 一种工程造价数据智能管理方法及系统 | |
CN115795535A (zh) | 一种提供自适应梯度的差分私有联邦学习方法及装置 | |
CN109062947A (zh) | 用户画像标签查询方法、设备及计算机可读存储介质 | |
Bernardo | An assignment approach to choosing R&D experiments | |
CN113157995A (zh) | 一种数据归类方法、门窗参数归尺方法、处理装置以及存储介质 | |
CN115374019B (zh) | 分布式ui测试用例的测试方法、系统及计算机存储介质 | |
CN110781755A (zh) | 一种建筑钢筋智能识别计量方法及系统 | |
CN114841490A (zh) | 一种生态保护优先区识别方法、系统、装置及存储介质 | |
CN115689201A (zh) | 面向企业资源供需调配的多准则智能决策优化方法及系统 | |
CN104156418B (zh) | 一种基于知识重用的演化聚类方法 | |
CN104363293A (zh) | 一种基于变异系数Web服务选择方法 | |
CN106301880A (zh) | 一种确定网络关系稳定度、互联网业务推荐方法和设备 | |
WO2021206755A1 (en) | Systems and methods for evaluating a simulation model of a hydrocarbon field | |
Wang et al. | Resilience of hybrid herbivore–plant–pollinator networks | |
CN114091560A (zh) | 一种通信站址的规划方法、装置、设备以及可读存储介质 | |
CN110656924A (zh) | 一种超低渗透油藏分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |
|
RJ01 | Rejection of invention patent application after publication |