CN113474796A - 信息处理装置、信息处理方法以及信息处理程序 - Google Patents

信息处理装置、信息处理方法以及信息处理程序 Download PDF

Info

Publication number
CN113474796A
CN113474796A CN201980092828.5A CN201980092828A CN113474796A CN 113474796 A CN113474796 A CN 113474796A CN 201980092828 A CN201980092828 A CN 201980092828A CN 113474796 A CN113474796 A CN 113474796A
Authority
CN
China
Prior art keywords
parameter
selection
influence
unit
similarity
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
Application number
CN201980092828.5A
Other languages
English (en)
Inventor
谷口贵耶
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN113474796A publication Critical patent/CN113474796A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

影响度分析部(103)针对多个参数，按照每个参数分析使参数值变化时对设备的影响度。参数选择部(104)从多个参数中选择得到符合选择条件的影响度的参数作为选择参数。相似度计算部(106)针对设备的多个动作模型，按照每个动作模型计算对各动作模型设定的多个参数中的与选择参数对应的参数和选择参数之间的相似度。初始概率计算部(107)按照每个动作模型，根据各动作模型的相似度计算初始概率，初始概率是作为初始值对各动作模型设定的概率。

Description

信息处理装置、信息处理方法以及信息处理程序
技术领域
本发明涉及使用动作模型估计设备状态的技术。
背景技术
作为与本发明关联的技术，有专利文献1中记载的技术。
在专利文献1中，准备用于估计设备状态的多个动作模型。并且，在专利文献1中，使用对各动作模型设定的状态推定值和在设备中计测出的传感器值等，计算各动作模型的模型似然度。并且，在专利文献1中，通过使用模型似然度更新各动作模型的模型概率，提高状态估计精度。
现有技术文献
专利文献
专利文献1：日本特开2009-031096号公报
发明内容
发明要解决的课题
在专利文献1的技术中，没有公开各动作模型的模型概率的初始值(以下称作初始概率)的设定方法。
因此，在使用专利文献1的技术的情况下，设想在全部动作模型中一律设定相同的初始概率，或者系统使用者通过估计来设定各动作模型的初始概率。
本发明鉴于这样的情况，其主要目的在于，不依赖于系统使用者的力量或经验而得到高妥当性的动作模型的初始概率。
用于解决课题的手段
本发明的信息处理装置具有：影响度分析部，其针对多个参数，按照每个参数分析使参数值变化时对设备的影响度；参数选择部，其从所述多个参数中选择得到符合选择条件的影响度的参数作为选择参数；相似度计算部，其针对所述设备的多个动作模型，按照每个动作模型计算对各动作模型设定的多个参数中的与所述选择参数对应的参数和所述选择参数之间的相似度；以及初始概率计算部，其按照每个动作模型，根据各动作模型的相似度计算初始概率，该初始概率是作为初始值对各动作模型设定的概率。
发明效果
根据本发明，能够不依赖于系统使用者的力量或经验而得到高妥当性的动作模型的初始概率。
附图说明
图1是表示实施方式1的信息处理装置的硬件结构例的图。
图2是表示实施方式1的信息处理装置的功能结构例的图。
图3是表示实施方式1信息处理装置的动作例的流程图。
图4是表示实施方式1的物理模型选择处理的图。
图5是表示实施方式1的影响度分析处理的图。
图6是表示实施方式1的参数选择处理的例子的图。
图7是表示实施方式1的相似度的计算例和模型概率的计算例的图。
图8是表示实施方式1的各动作模型的相似度和初始概率的例子的图。
图9是表示实施方式1的状态估计系统的概要的图。
具体实施方式
以下，使用附图对本发明的实施方式进行说明。在以下的实施方式的说明和附图中，标记有相同标号的部分表示相同的部分或相应的部分。
实施方式1
***状态推定系统的说明***
首先，说明作为本实施方式的前提的状态推定系统。
图9表示使用多个动作模型估计设备300的状态的状态估计系统的概略。设备300例如是配置于工厂的制造设备、控制设备等。此外，设备300不限于此。
在图9中，使用动作模型A、动作模型B、动作模型C。动作模型A、动作模型B、动作模型C模拟设备300的动作。动作模型A例如模拟设备300正常动作时的动作。动作模型B例如模拟设备300发生轻微故障时的动作。动作模型C例如模拟设备300发生重大故障时的动作。
传感器400周期性地监测设备300的部分301。例如，传感器400周期性地计测部分301的电流值。
并且，每当由传感器400计测传感器值(例如电流值)时，使用对各动作模型设定的状态推定值、计测出的传感器值等，更新动作模型A、动作模型B和动作模型B各自的模型概率。此外，每当更新模型概率时，选择模型概率最高的动作模型，使用选择出的动作模型估计设备300的状态。
在图9的例子中，动作模型C的模型概率最高，因而选择动作模型C。
如上所述，在专利文献1中，没有公开作为模型概率的初始值的初始概率的设定方法，因此，例如考虑在各动作模型中一律设定相同的初始概率，或者系统使用者通过估计来设定各动作模型的初始概率。
在图9的例子中，在各动作模型中一律设定相同的初始概率(0.25)。
在本实施方式中，说明不依赖于系统使用者的力量或经验而得到高妥当性的动作模型的初始概率的结构。
***结构的说明***
图1表示本实施方式的信息处理装置100的硬件结构例。
另外，图2表示本实施方式的信息处理装置100的功能结构例。
信息处理装置100是计算机。
如图1所示，作为硬件，信息处理装置100具备处理器901、主存储装置902、辅助存储装置903以及通信装置904。
在辅助存储装置903存储有实现图2所示的物理模型选择部1021、影响度分析部103、参数选择部104、相似度计算部106以及初始概率计算部107的功能的程序。
这些程序从辅助存储装置903加载到主存储装置902。然后，处理器901执行这些程序，进行后述的物理模型选择部1021、影响度分析部103、参数选择部104、相似度计算部106以及初始概率计算部107的动作。
在图1中，示意性地表示处理器901执行实现物理模型选择部1021、影响度分析部103、参数选择部104、相似度计算部106以及初始概率计算部107的功能的程序的状态。
另外，图2所示的物理模型存储部101和动作模型存储部105例如通过主存储装置902或者辅助存储装置903来实现。
如图2所示，信息处理装置100具备物理模型存储部101、物理模型选择部1021、影响度分析部103、参数选择部104、动作模型存储部105、相似度计算部106以及初始概率计算部107。
物理模型存储部101存储多个设备300的物理模型。按照每个设备300设置有物理模型。
物理模型模拟设备300的动作。另外，对物理模型设置有多个参数。
物理模型选择部1021根据设备信息201，从物理模型存储部101中存储的多个物理模型中选择作为初始概率计算对象的设备300的物理模型。此外，以下将作为初始概率计算对象的设备300称作对象设备300。
设备信息201例如是对象设备300的ID(Identifier：标识符)信息。
影响度分析部103按照每个参数分析使多个参数的参数值变化时对对象设备300的影响度。
在参数传感器信息202中，按照每个参数示出对应的传感器400。
影响度分析部103使用参数传感器信息202所示的传感器400的传感器值，按照每个参数分析使参数值变化时对对象设备300的影响度。通过使用由物理模型选择部1021选择出的物理模型的模拟，得到使参数值变化时的传感器400的传感器值。
影响度是传感器值的变化相对于参数的变化的程度(灵敏度)。例如，影响度分析部103通过“(变化后的参数值-变化前的参数值)÷(变化后的传感器值-变化前的传感器值)”计算影响度。在使用该算式的情况下，如果通过该算式得到的值高，则影响度高。
另外，由影响度分析部103进行的处理相当于影响度分析处理。
参数选择部104从多个参数中选择得到符合选择条件的影响度的参数作为选择参数。
另外，参数选择部104从动作模型存储部105取得对动作模型存储部105中存储的多个动作模型设定的多个参数中的与选择参数对应的参数。
然后，参数选择部104将选择参数的值和从动作模型存储部105取得的参数的值输出到相似度计算部106。
另外，由参数选择部104进行的处理相当于参数选择处理。
动作模型存储部105存储多个动作模型。
如上所述，动作模型模拟设备300的动作。在动作模型存储部105中，如图9所示的动作模型A、动作模型B和动作模型C那样，存储有与设备300的各种形态(正常动作、发生轻微故障、发生重大故障等)对应的多个动作模型。
另外，对各动作模型设定有与对物理模型设定的参数相同的参数。
相似度计算部106按照每个动作模型计算对各动作模型设定的多个参数中的与选择参数对应的参数和选择参数之间的相似度。
即，相似度计算部106按照每个动作模型计算由参数选择部104取得的各动作模型的参数和选择参数之间的相似度。
由相似度计算单元106进行的处理相当于相似度计算处理。
初始概率计算部107按照每个动作模型，根据各动作模型的相似度计算初始概率，该初始概率是作为初始值对各动作模型设定的模型概率。
即，初始概率计算部107使用由相似度计算部106计算出的各动作模型的相似度，计算各动作模型的初始概率。
由初始概率计算部107进行的处理相当于初始概率计算部。
***动作的说明***
接着，参照图3说明本实施方式的信息处理装置100的动作例。
首先，在步骤S11中，物理模型选择部1021选择物理模型(物理模型选择处理)。
图4表示步骤S11的概要。
如图4所示，物理模型选择部1021取得设备信息201，从物理模型存储部101取得与设备信息201中记载的ID对应的物理模型203。
在图4的例子中，设备A是对象设备。并且，在设备信息201中，作为设备A的ID记载有“100－001”。物理模型选择部1021从物理模型存储部101取得与ID“100－001”对应的物理模型203。
接着，在步骤S12中，影响度分析部103分析影响度(影响度分析处理)。
图5表示步骤S12的概要。
如图5所示，影响度分析部103使物理模型203的多个参数分别各变化1次，分析各参数对对象设备300的影响度。
如上所述，在参数传感器信息202中示出与每个参数对应的传感器400。在图5的例子中，在参数传感器信息202中，作为与要素a对应的传感器400，示出传感器1和该传感器1的ID(1－1)，作为与要素b对应的传感器400，示出传感器2和该传感器2的ID(1－2)。即，例如在使要素a的尺寸的值变化的情况下，传感器1的传感器值变化。另外，例如在使要素的尺寸的值变化的情况下，传感器2的值变化。使要素a的值变化时的传感器1的传感器值和使要素b的值变化时的传感器2的传感器值是通过使用物理模型的模拟而得到的。
参数传感器信息202按照每个参数，例如使用上述算式计算影响度。
接着，在步骤S13中，参数选择部104从多个参数中选择得到符合选择条件的影响度的参数作为选择参数(参数选择处理)。
例如，参数选择部104选择得到阈值以上的影响度的参数作为选择参数。此时的选择条件是阈值以上的影响度这样的条件。
另外，例如，参数选择部104也可以选择影响度在上位第n(n为1以上的整数)个以内的参数作为选择参数。此时的选择条件是影响度在上位第n个以内这样的条件。
另外，参数选择部104从动作模型存储部105取得对动作模型存储部105中存储的多个动作模型设定的多个参数中的与选择参数对应的参数。
例如，在选择了图5所示的要素a和要素b作为选择参数的情况下，参数选择部104从动作模型存储部105取得各动作模型的要素a的值和要素b的值。
然后，参数选择部104将物理模型的要素a的变化前的值(在图5的例子中为“10”)和要素b的变化前的值(在图5的例子中为“20”)以及从动作模型存储部105取得的各动作模型的要素a的值和要素b的值输出到相似度计算部106。
接着，在步骤S14中，相似度计算部106计算相似度(相似度计算处理)。
图6表示步骤S14的概要。
在图6的例子中，相似度计算部106在作为选择参数的要素a，b，c，…的值与动作模型A的要素a，b，c，…的值之间求出相似度。另外，相似度计算部106在作为选择参数的要素a，b，c，…的值与动作模型B的要素a，b，c，…的值之间求出相似度。另外，图6的“a，b，c”表示选择参数，“aA，bA，cA”表示动作模型A的对应的参数，“aB，bB，cB”表示动作模型B的对应的参数。
相似度计算部106例如按照每个动作模型计算图7所示的欧几里得距离d。然后，相似度计算部106将计算出的欧几里得距离d应用于图7所示的<模式1>或<模式2>的算式，计算各动作模型的相似度。
接着，在步骤S15中，初始概率计算部107计算各动作模型的初始概率(初始概率计算处理)。
例如，初始概率计算部107通过图7所示的方法计算初始概率。具体而言，初始概率计算部107通过“(动作模型A的相似度)/(全部动作模型的相似度的合计)”计算动作模型A的初始概率。
图8表示各动作模型的相似度和初始概率的例子。
初始概率计算部107将这样计算出的初始概率输出到规定的输出目的地。其结果是，得到与对象设备300的实际举动匹配的初始概率。
***实施方式的效果的说明***
以上，根据本实施方式，能够不依赖于系统使用者的力量或经验而得到高妥当性的动作模型的初始概率。
此外，在上文中，说明了使用设备300的要素的属性(例如尺寸)作为参数的例子。然而，参数不限于设备300的元件的属性。例如，能够使用与设备300的设置环境关联的物理量(温度、湿度、风量、长度、高度、重量等)、设备300的使用年数等作为参数。
另外，影响度的计算方法、相似度的计算方法以及初始概率的计算方法也不限于上述方法，可以使用其他计算方法。
***硬件结构的说明***
最后，进行信息处理装置100的硬件结构的补充说明。
图3所示的处理器901是进行处理的IC(Integrated Circuit：集成电路)。
处理器901是CPU(Central Processing Unit中央处理单元)、DSP(DigitalSignal Processor：数字信号处理器)等。
图3所示的主存储装置902是RAM(Random Access Memory：随机存取存储器)。
图3所示的辅助存储装置903是ROM(Read Only Memory：只读存储器)、闪存器、HDD(Hard Disk Drive：硬盘驱动器)等。
图3所示的通信装置904是执行数据通信处理的电子电路。
通信装置904例如是通信芯片或NIC(Network Interface Card：网络接口卡)。
另外，在辅助存储装置903中还存储有OS(Operating System：操作系统)。
并且，由处理器901执行OS的至少一部分。
处理器901在执行OS的至少一部分的同时，执行实现物理模型选择部1021、影响度分析部103、参数选择部104、相似度计算部106以及初始概率计算部107的功能的程序。
通过处理器901执行OS，进行任务管理、存储器管理、文件管理、通信控制等。
另外，表示物理模型选择部1021、影响度分析部103、参数选择部104、相似度计算部106以及初始概率计算部107的处理结果的信息、数据、信号值和变量值中的至少一方存储于主存储装置902、辅助存储装置903、处理器901内的寄存器和高速缓冲存储器中的至少一方。
另外，实现物理模型选择部1021、影响度分析部103、参数选择部104、相似度计算部106以及初始概率计算部107的功能的程序也可以存储于磁盘、软盘、光盘、高密度盘、蓝光(注册商标)盘、DVD等移动记录介质。并且，也可以使存储有实现物理模型选择部1021、影响度分析部103、参数选择部104、相似度计算部106以及初始概率计算部107的功能的程序的移动记录介质商业性地流通。
另外，也可以将物理模型选择部1021、影响度分析部103、参数选择部104、相似度计算部106以及初始概率计算部107的“部”改写成“电路”或“工序”或“步骤”或“处理”。
另外，信息处理装置100也可以通过处理电路来实现。处理电路例如是逻辑IC(Integrated Circuit：集成电路)、GA(Gate Array：门阵列)、ASIC(ApplicationSpecificIntegrated Circuit：专用集成电路)、FPGA(Field-Programmable Gate Array：现场可编程门阵列)。
在该情况下，物理模型选择部1021、影响度分析部103、参数选择部104、相似度计算部106以及初始概率计算部107分别作为处理电路的一部分来实现。
另外，在本说明书中，将处理器和处理电路的上位概念称作“处理线路”。
即，处理器和处理电路分别是“处理线路”的具体例。
标号说明
100：信息处理装置；101：物理模型存储部；1021：物理模型选择部；103：影响度分析部；104：参数选择部；105：动作模型存储部；106：相似度计算部；107：初始概率计算部；201：设备信息；202：参数传感器信息；203：物理模型；300：设备；400：传感器；901：处理器；902：主存储装置；903：辅助存储装置；904：通信装置。

Claims (6)

1.一种信息处理装置，该信息处理装置具有：
影响度分析部，其针对多个参数，按照每个参数分析使参数值变化时对设备的影响度；
参数选择部，其从所述多个参数中选择得到符合选择条件的影响度的参数作为选择参数；
相似度计算部，其针对所述设备的多个动作模型，按照每个动作模型计算对各动作模型设定的多个参数中的与所述选择参数对应的参数和所述选择参数之间的相似度；以及
初始概率计算部，其按照每个动作模型，根据各动作模型的相似度计算初始概率，该初始概率是作为初始值对各动作模型设定的概率。
2.根据权利要求1所述的信息处理装置，其中，
所述影响度分析部通过模拟，按照每个参数分析使参数值变化时对所述设备的影响度。
3.根据权利要求1所述的信息处理装置，其中，
所述影响度分析部按照每个参数分析使参数值变化时对设置于所述设备的传感器的传感器值的影响度，作为对所述设备的影响度。
4.根据权利要求1所述的信息处理装置，其中，
所述影响度分析部使用所述设备的要素的属性、与所述设备的设置环境关联的物理量和所述设备的使用年数中的任意参数，作为所述多个参数。
5.一种信息处理方法，在该信息处理方法中，
计算机针对多个参数，按照每个参数分析使参数值变化时对设备的影响度，
所述计算机从所述多个参数中选择得到符合选择条件的影响度的参数作为选择参数，
所述计算机针对所述设备的多个动作模型，按照每个动作模型计算对各动作模型设定的多个参数中的与所述选择参数对应的参数和所述选择参数之间的相似度，
所述计算机按照每个动作模型，根据各动作模型的相似度计算初始概率，该初始概率是作为初始值对各动作模型设定的概率。
6.一种信息处理程序，该信息处理程序使计算机执行：
影响度分析部，其针对多个参数，按照每个参数分析使参数值变化时对设备的影响度；
参数选择部，其从所述多个参数中选择得到符合选择条件的影响度的参数作为选择参数；
相似度计算部，其针对所述设备的多个动作模型，按照每个动作模型计算对各动作模型设定的多个参数中的与所述选择参数对应的参数和所述选择参数之间的相似度；以及
初始概率计算部，其按照每个动作模型，根据各动作模型的相似度计算初始概率，该初始概率是作为初始值对各动作模型设定的概率。
CN201980092828.5A 2019-03-04 2019-03-04 信息处理装置、信息处理方法以及信息处理程序 Pending CN113474796A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/008358 WO2020178938A1 (ja) 2019-03-04 2019-03-04 情報処理装置、情報処理方法及び情報処理プログラム

Publications (1)

Publication Number Publication Date
CN113474796A true CN113474796A (zh) 2021-10-01

Family

ID=72337044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980092828.5A Pending CN113474796A (zh) 2019-03-04 2019-03-04 信息处理装置、信息处理方法以及信息处理程序

Country Status (5)

Country Link
JP (1) JP6903246B2 (zh)
KR (1) KR102413753B1 (zh)
CN (1) CN113474796A (zh)
TW (1) TW202034233A (zh)
WO (1) WO2020178938A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5089281B2 (ja) 2007-07-26 2012-12-05 三菱電機株式会社 状態推定装置及び状態推定方法
JP5017392B2 (ja) * 2010-02-24 2012-09-05 クラリオン株式会社 位置推定装置および位置推定方法
JP6032066B2 (ja) * 2013-03-05 2016-11-24 三菱電機株式会社 試験装置
CN108700852B (zh) * 2017-01-27 2021-07-16 三菱动力株式会社 模型参数值推定装置及推定方法、记录介质、模型参数值推定系统
JP6904418B2 (ja) * 2017-08-02 2021-07-14 日本電気株式会社 情報処理装置、情報処理システム、情報処理方法、及び、プログラム

Also Published As

Publication number Publication date
KR102413753B1 (ko) 2022-06-27
KR20210112388A (ko) 2021-09-14
JPWO2020178938A1 (ja) 2021-09-13
WO2020178938A1 (ja) 2020-09-10
JP6903246B2 (ja) 2021-07-14
TW202034233A (zh) 2020-09-16

Similar Documents

Publication Publication Date Title
CN107480028B (zh) 磁盘可使用的剩余时长的获取方法及装置
US20170154260A1 (en) Learning method, computer-readable recording medium, and information processing apparatus
CN108509970B (zh) 学习方法、对应的系统、设备和计算机程序产品
CN112771504A (zh) 多因素云服务存储设备错误预测
CN111414987A (zh) 神经网络的训练方法、训练装置和电子设备
CN111078639B (zh) 数据标准化方法、装置以及电子设备
CN110178123B (zh) 性能指标评估方法及装置
KR20150145179A (ko) 정적 타이밍 분석의 타이밍 디레이트 조정방법
US20200090076A1 (en) Non-transitory computer-readable recording medium, prediction method, and learning device
US20150378806A1 (en) System analysis device and system analysis method
US10248462B2 (en) Management server which constructs a request load model for an object system, load estimation method thereof and storage medium for storing program
CN110674397A (zh) 年龄点预测模型的训练方法及装置、设备与可读介质
US20140324409A1 (en) Stochastic based determination
CN113516185A (zh) 模型训练的方法、装置、电子设备及存储介质
US11036980B2 (en) Information processing method and information processing system
CN113474796A (zh) 信息处理装置、信息处理方法以及信息处理程序
CN108008999B (zh) 指标评估方法及装置
CN110908599B (zh) 数据的写入方法与写入系统
US8676547B2 (en) Parameter extraction method
CN107562266B (zh) 电容屏校准方法、装置及终端设备
US11100321B2 (en) Information processing method and information processing system
WO2021046723A1 (zh) 传感器模型的生成方法和系统、传感器测量方法和系统
CN108664368B (zh) 处理器性能指标评估方法及设备
US7650579B2 (en) Model correspondence method and device
KR102585613B1 (ko) 머신러닝에서 상관 관계 변화에 따른 공정한 모델 훈련 방법 및 시스템

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