CN113452473B - 在反向散射中预测最佳信道的方法、装置及存储介质 - Google Patents
在反向散射中预测最佳信道的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113452473B CN113452473B CN202010225298.1A CN202010225298A CN113452473B CN 113452473 B CN113452473 B CN 113452473B CN 202010225298 A CN202010225298 A CN 202010225298A CN 113452473 B CN113452473 B CN 113452473B
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- rssi
- predicting
- variance
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0006—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及一种在反向散射中预测最佳信道的方法、装置及存储介质,所述方法包括:计算RFID标签的速度以及接收信号强度指示RSSI的方差;构建神经网络并对模型进行训练;以及在所述模型训练完成后,利用所述模型进行预测以获取最优信道以及相应的比特率,其中,所述神经网络的输入包括所述RFID标签的速度、所述RSSI的方差、丢包率以及表述当前信道列表的稀疏矩阵所构成的矩阵。通过采用上述在反向散射中预测最佳信道的方法、装置及存储介质,可以根据动态信道质量来调整数据的传输速率,以确保信道的高吞吐量。
Description
技术领域
本发明涉及通信领域,更具体地,涉及一种在反向散射中预测最佳信道的方法、装置及存储介质。
背景技术
随着物联网的蓬勃发展,许多新兴的应用领域,例如运动分析、交互式游戏和移动医疗保健等,其中都嵌入了各种物联网传感器。传统的无线传感技术需要消耗较高的功率,然而,对于新型的超低功率传感器设备而言,其中存在的一个严重问题是能量预算非常低,尽管设计者已经将各种功耗设计的非常高效,但执行很多任务时会产生巨大的能耗。
反向散射通信是指设备自身不产生信号,而是反射传输过来的信号,从而达到信息交换的目的。反向散射网络有望为那些互连的移动节点提供高吞吐量和稳定的通信平台。
在反向散射通信网络中,速率适应是一项关键技术。反向散射节点利用从阅读器读取的RF信号获得的能量来传输感测数据。这种低功耗的通信对动态信道质量非常敏感。因此,根据动态信道质量来调整数据的传输速率以确保高吞吐量具有重要意义。然而,用于反向散射网络的通常的速率自适应方法在传感器节点的硬件多样性上存在局限性,因为基于无线电信号的接收信号的强度指示(RSSI)而选择最佳速率的通用映射方法依赖于标签的硬件属性。这些方法基本上都是针对静态标签来进行速率自适应,无法良好地应用于动态模型。
发明内容
本申请的目的旨在至少解决上述技术缺陷之一,特别是提供了一种在反向散射中预测最佳信道的方法,所述方法包括:计算RFID标签的速度以及接收信号强度指示RSSI的方差;构建神经网络并对模型进行训练;以及在所述模型训练完成后,利用所述模型进行预测以获取最优信道以及相应的比特率,其中,所述神经网络的输入包括所述RFID标签的速度、所述RSSI的方差、丢包率以及表述当前信道列表的稀疏矩阵所构成的矩阵。
进一步地,利用one-hot编码方式来生成表述所述当前信道列表的稀疏矩阵。
进一步地,在所述稀疏矩阵中,仅代表最优的信道在矩阵中对应的值为1。
进一步地,通过读取与所述RFID标签对应的相位值来计算所述RFID标签的速度。
进一步地,在所述神经网络中,采用ReLU函数作为激活函数。
进一步地,所述神经网络采用Adam优化器作为其优化器。
进一步地,根据本公开的另一方面,公开了一种在反向散射中预测最佳信道的装置,所述装置包括:存储器;以及处理器,所述处理器被配置为:计算RFID标签的速度以及接收信号强度指示RSSI的方差;构建神经网络并对模型进行训练;以及在所述模型训练完成后,利用所述模型进行预测以获取最优信道以及相应的比特率,其中,所述神经网络的输入包括所述RFID标签的速度、所述RSSI的方差、丢包率以及表述当前信道列表的稀疏矩阵所构成的矩阵。
进一步地,利用one-hot编码方式来生成表述所述当前信道列表的稀疏矩阵。
进一步地,通过读取与所述RFID标签对应的相位值来计算所述RFID标签的速度。
根据本公开的另一方面,公开了一种非暂时性存储介质,其上存储有指令,所述指令被计算装置的处理器执行时,使所述处理器执行如下所述的操作:计算RFID标签的速度以及接收信号强度指示RSSI的方差;构建神经网络并对模型进行训练;以及在所述模型训练完成后,利用所述模型进行预测以获取最优信道以及相应的比特率,其中,所述神经网络的输入包括所述RFID标签的速度、所述RSSI的方差、丢包率以及表述当前信道列表的稀疏矩阵所构成的矩阵。
通过采用上述在反向散射中预测最佳信道的方法、装置及存储介质,可以根据动态信道质量来调整数据的传输速率,以确保信道的高吞吐量。
附图说明
图1示出了根据本公开的实施例的训练神经网络并对最优信道以及比特率进行预测的方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,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,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,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,都属于本发明保护的范围。
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发明的范围。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。
如前所述,为了解决物联网无源感知系统中从反向散射中的高质量数据传输,本申请提出了一种基于神经网络的动态模型信道选择和速率自适应选择方案,用于提升双向链路的吞吐量。引入了标签的相位作为指标之一,通过相邻相位的差值可以求出标签的相位变化,即标签的速度,一方面可以消除标签硬件属性对模型的影响,另一方面增加了速度指标即增加了模型的动力学指标,可以更好的对模型进行评估。
具体地,本申请中采用了如下技术方案来实现:
信道质量的主要参数包括接收信号强度指示(RSSI)、相位值(phase)和丢包率(packet loss rate)等。通过对相位的计算,可以得出标签的运动状态,同时,可以降低各个标签因为构成其的硬件的不同属性而产生的差异而对接收信号强度指示RSSI值进行速率自适应时的影响。
神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型,用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能基于外界信息来改变其内部结构,因此神经网络是一种自适应系统。
因为在物联网的RFID节点等的运行中将产生海量的数据,所以对数据进行收集后,可以通过神经网络以及反向传播技术获得一个良好的信道选择以及速率自适应模型。该神经网络的输入是标签速度ΔR、RSSI方差、丢包率、当前信道列表,在训练后,该神经网络将输出最优信道以及比特率。
图1示出了根据本公开的实施例的训练神经网络并对最优信道以及比特率进行预测的方法的流程图。该图仅为示例,并不旨在限定本公开的范围。
如图1所示,在步骤S110中,计算标签的速度以及RSSI方差。
具体地,可以通过如下方式来计算标签的速度:
因为随着节点移动得越快,通道的变化就越快。对于每次成功读取,读取器都会输出一个相位值。标签与阅读器之间的距离R与测得相位θ之间的关系如以下的公式(1)所示:
其中γ是波长,θD、θR分别是标签和天线根据其反射特性带来的相位误差,N是整数模糊度,所测相位的周期是π,n是噪声。如果我们知道与两个位置对应的相位θ1和θ2,则依据公式(1),将θ1和θ2的表达式相减,可以得到该两个位置之间的距离近似为:
其中,θD,θR,Nп和噪声n被完全抵消,由此可以求得该两个位置之间的距离变化量ΔR,也即速度。
RSSI方差:
接收信号强度指示标(RSSI)是对接收到的无线电信号中存在的功率的一个度量性指标,在现有的速率自适应方法中,都直接运用RSSI值;然而,由于RSSI方差可以更好的反映信道质量,因此在本申请中,计算已测量信道的RSSI值的方差,并将其作为神经网络的输入来计算。
在本申请中,采取对信道和传输速率进行稀疏编码的方式,这是因为:信道和传输速率是离散值,且彼此之间没有特别强的相关性;当信道1是最优信道时,信道2不一定是最优信道,如果采用如(1,2,3)之类的连续编码方式,很容易产生相邻信道的强相关性,所以为了削减信道之间的编码时的误差,采取one-hot编码方式,生成一个稀疏矩阵,只有当前代表最优的信道在矩阵中对应的值为1,其余信道在矩阵中对应的值为0。同理,对不同的传输速率选择也有类似的性质,因此,也采取相同的编码方式来生成与传输速率对应的矩阵。
在步骤S120中,构建神经网络并对神经网络进行训练。
被构建的神经网络由5层组成,其中:1)最上的一层是输入层,其输入包括标签速度ΔR、RSSI方差、丢包率、以及表述当前信道列表的稀疏矩阵所构成的矩阵;2)最下的一层是输出层,其输出是最优信道和最优传输编码的选择;3)中间的三层都是连接层,因为我们希望获得的输出包含两个信息,即最优的信道和最优的比特率选择,所以可以看做是两个多分类问题的集合,即选用两个softmax输出层并联,其一部分的神经元与一层Softmax的公式为:
可以很明显的得出如果某zj大于其他z,则此映射的分量接近1,其他分量接近0,并且所有输入数据都被标准化。
在利用神经网络对模型进行训练时,可以优化损失函数,并学得相应的计算参数。在神经网络中,激活函数的主要作用是提供网络的非线性建模能力,它一般而言是非线性函数。常用的激活函数包括sigmod函数、tanh函数、ReLU函数等。然而在选用激活函数时,需要考虑梯度消失问题,该问题常常发生在用基于梯度的方法训练神经网络的过程中,在关于反向传播的问题中,在计算损失函数对权重的梯度时,随着越往后传播,梯度将越来越小,导致神经网络的之前层的神经元,会比之后层的训练慢得多,甚至不会产生变化。因为sigmod函数和tanh函数会发生梯度消失问题,而ReLU函数在输入为正的区域计算效率很高,所以选择ReLU函数作为网络的激活函数。
此外,因为Adam优化器具有高效的计算、所需内存少的特点,所以选择该优化器作为神经网络的优化器。
在步骤S130中,判断该模型是否已经训练完成,如果未完成,则重新进行训练。
在步骤S140中,利用训练完成的模型进行预测,并输出最优信道以及相应的比特率。
当整个网络训练好后就可以进行实时的信道选择和速率自适应,将当前时刻的标签速度ΔR、RSSI方差、丢包率、当前信道列表输入网络,输出即为最优信道及相应的比特率。
本申请的实施例还涉及用于在反向散射中预测最佳信道的硬件设备。该硬件设备可以是被配置为执行处理流程和/或计算操作的任何类型的机器,其中包含用于控制该硬件设备的处理组件以及存储设备,该存储设备被配置为存储各种类型的数据以支持计算设备的操作。这些数据的示例包括用于在计算设备上操作的任何应用程序或方法的指令、消息、图片、视频等。
本领域普通技术人员还可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种在反向散射中预测最佳信道的方法,其特征在于,所述方法包括:
计算RFID标签的速度以及接收信号强度指示RSSI的方差;
构建神经网络并对模型进行训练;以及在所述模型训练完成后,利用所述模型进行预测以获取最优信道以及相应的比特率,
其中,所述神经网络的输入包括所述RFID标签的速度、所述RSSI的方差、丢包率以及表述当前信道列表的稀疏矩阵所构成的矩阵;
其中,通过如下方式来计算标签的速度:
标签与阅读器之间的距离R与测得相位θ之间的关系如以下的公式(1)所示:
其中γ是波长,θD、θR分别是标签和天线根据其反射特性带来的相位误差,N是整数模糊度,所测相位的周期是π,n是噪声;
假设存在两个位置,其对应的相位分别为θ1和θ2,则依据公式(1),将θ1和θ2的表达式相减,可以得到该两个位置之间的距离近似为:
其中,θD,θR,Nπ和噪声n被完全抵消,由此可以求得该两个位置之间的距离变化量ΔR,即标签的速度。
2.根据权利要求1所述的方法,其特征在于,
利用one-hot编码方式来生成表述所述当前信道列表的稀疏矩阵。
3.根据权利要求2所述的方法,其特征在于,
在所述稀疏矩阵中,仅代表最优的信道在矩阵中对应的值为1。
4.根据权利要求1所述的方法,其特征在于,
通过读取与所述RFID标签对应的相位值来计算所述RFID标签的速度。
5.根据权利要求1所述的方法,其特征在于,在所述神经网络中,采用ReLU函数作为激活函数。
6.根据权利要求1所述的方法,其特征在于,所述神经网络采用Adam优化器作为其优化器。
7.一种在反向散射中预测最佳信道的装置,其特征在于,所述装置用以实现权利要求1-6任一所述在反向散射中预测最佳信道的方法,其中,所述装置包括:
存储器;以及
处理器,所述处理器被配置为:
计算RFID标签的速度以及接收信号强度指示RSSI的方差;构建神经网络并对模型进行训练;以及
在所述模型训练完成后,利用所述模型进行预测以获取最优信道以及相应的比特率,
其中,所述神经网络的输入包括所述RFID标签的速度、所述RSSI的方差、丢包率以及表述当前信道列表的稀疏矩阵所构成的矩阵。
8.根据权利要求7所述的装置,其特征在于,
利用one-hot编码方式来生成表述所述当前信道列表的稀疏矩阵。
9.根据权利要求7所述的装置,其特征在于,
通过读取与所述RFID标签对应的相位值来计算所述RFID标签的速度。
10.一种非暂时性存储介质,其特征在于,其上存储有指令,所述指令用以实现权利要求1-6任一所述在反向散射中预测最佳信道的方法,所述指令被计算装置的处理器执行时,使所述处理器执行如下所述的操作:
计算RFID标签的速度以及接收信号强度指示RSSI的方差;
构建神经网络并对模型进行训练;以及
在所述模型训练完成后,利用所述模型进行预测以获取最优信道以及相应的比特率,
其中,所述神经网络的输入包括所述RFID标签的速度、所述RSSI的方差、丢包率以及表述当前信道列表的稀疏矩阵所构成的矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010225298.1A CN113452473B (zh) | 2020-03-26 | 2020-03-26 | 在反向散射中预测最佳信道的方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010225298.1A CN113452473B (zh) | 2020-03-26 | 2020-03-26 | 在反向散射中预测最佳信道的方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113452473A CN113452473A (zh) | 2021-09-28 |
CN113452473B true CN113452473B (zh) | 2022-06-28 |
Family
ID=77807312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010225298.1A Active CN113452473B (zh) | 2020-03-26 | 2020-03-26 | 在反向散射中预测最佳信道的方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113452473B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114884596B (zh) * | 2022-04-24 | 2023-04-07 | 华中科技大学 | 基于能量感知的背向散射码率自适应方法、装置及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100763166B1 (ko) * | 2006-08-17 | 2007-10-08 | 엘에스산전 주식회사 | 알에프 아이디 리더기 및 알에프 태그 |
CN107832647A (zh) * | 2017-10-20 | 2018-03-23 | 南京邮电大学 | 一种基于无源射频标签的相位式手势识别方法 |
CN108964815A (zh) * | 2018-07-30 | 2018-12-07 | 太原理工大学 | 一种基于bp神经网络的信道选择和比特率自适应方法 |
CN110012547A (zh) * | 2019-04-12 | 2019-07-12 | 电子科技大学 | 一种共生网络中用户关联的方法 |
CN110858799A (zh) * | 2018-08-24 | 2020-03-03 | 索尼公司 | 无线通信系统中的标签设备、电子设备、通信方法及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201006904D0 (en) * | 2010-04-26 | 2010-06-09 | Cambridge Entpr Ltd | RFID TAG location systems |
-
2020
- 2020-03-26 CN CN202010225298.1A patent/CN113452473B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100763166B1 (ko) * | 2006-08-17 | 2007-10-08 | 엘에스산전 주식회사 | 알에프 아이디 리더기 및 알에프 태그 |
CN107832647A (zh) * | 2017-10-20 | 2018-03-23 | 南京邮电大学 | 一种基于无源射频标签的相位式手势识别方法 |
CN108964815A (zh) * | 2018-07-30 | 2018-12-07 | 太原理工大学 | 一种基于bp神经网络的信道选择和比特率自适应方法 |
CN110858799A (zh) * | 2018-08-24 | 2020-03-03 | 索尼公司 | 无线通信系统中的标签设备、电子设备、通信方法及存储介质 |
CN110012547A (zh) * | 2019-04-12 | 2019-07-12 | 电子科技大学 | 一种共生网络中用户关联的方法 |
Non-Patent Citations (3)
Title |
---|
Optimal data transmission in backscatter communication for passive sensing systems;J. Zhao, J. Li, D. Li and H. Yang;《Tsinghua Science and Technology》;20200316;全文 * |
基于RFID的空间信息感知技术研究;邱兰馨;《中国优秀博硕士学位论文全文数据库 信息科技辑》;20180615;全文 * |
无源感知系统反向散射链路吞吐量优化机制研究;李彦霞;《中国优秀博硕士学位论文全文数据库 信息科技辑》;20190815;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113452473A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Beutel et al. | Does machine learning help us predict banking crises? | |
KR102295805B1 (ko) | 학습 데이터 관리 방법 | |
CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
CN111352965B (zh) | 序列挖掘模型的训练方法、序列数据的处理方法及设备 | |
He et al. | STNN: A spatio-temporal neural network for traffic predictions | |
CN107563801A (zh) | 一种基于隐马尔可夫模型的消费者线下消费行为预测方法 | |
US11977978B2 (en) | Finite rank deep kernel learning with linear computational complexity | |
CN113452473B (zh) | 在反向散射中预测最佳信道的方法、装置及存储介质 | |
US20220269718A1 (en) | Method And Apparatus For Tracking Object | |
CN114066510A (zh) | 物品销量预测方法、装置、计算机设备和存储介质 | |
CN113328908A (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
Zhang et al. | Deep reinforcement learning for stock prediction | |
CN116739787B (zh) | 基于人工智能的交易推荐方法及系统 | |
KR102457893B1 (ko) | 딥러닝 기반의 강수량 예측 방법 | |
JP2007018530A (ja) | 忘却型ヒストグラム計算装置及びそれを用いた外れ値度計算装置 | |
KR102184395B1 (ko) | 결정트리 및 심층신경망을 이용한 대량의 데이터를 분류하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 | |
CN113435938A (zh) | 电力现货市场中分布式特征数据选择方法 | |
KR20220055657A (ko) | 상품 추천을 위한 방법, 컴퓨터 프로그램 및 서버 | |
Liu et al. | Risk analysis of textile industry foreign investment based on deep learning | |
JP4662702B2 (ja) | 外れ値度計算装置 | |
Sousa et al. | Online semi-supervised learning for multi-target regression in data streams using AMRules | |
CN116089735B (zh) | 用于序列推荐的元优化Seq2Seq和对比学习方法及系统 | |
CN116089722B (zh) | 基于图产出标签的实现方法、装置、计算设备和存储介质 | |
US20220076835A1 (en) | Disease judgement method | |
US20240160951A1 (en) | Control Simulation Method Based On Artificial Intelligence |
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 |