CN113533946A - 一种基于kl距离的板级电路测点选择方法 - Google Patents
一种基于kl距离的板级电路测点选择方法 Download PDFInfo
- Publication number
- CN113533946A CN113533946A CN202110776895.8A CN202110776895A CN113533946A CN 113533946 A CN113533946 A CN 113533946A CN 202110776895 A CN202110776895 A CN 202110776895A CN 113533946 A CN113533946 A CN 113533946A
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- formula
- fault
- fish
- calculating
- 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.)
- Granted
Links
- 238000010187 selection method Methods 0.000 title description 4
- 241000251468 Actinopterygii Species 0.000 claims abstract description 111
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 235000013305 food Nutrition 0.000 claims description 28
- 230000006399 behavior Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 9
- 230000002431 foraging effect Effects 0.000 claims description 8
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 229910002056 binary alloy Inorganic materials 0.000 claims description 3
- 230000019637 foraging behavior Effects 0.000 claims description 3
- 238000002955 isolation Methods 0.000 abstract description 20
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/3167—Testing of combined analog and digital circuits
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于KL(Kullback‑Leibler)距离的板级电路测点选择方法，首先对电路仿真测量各个故障类型各个测点某一时间段内时域电压数据并对数据进行核密度估计并保存得到的概率密度函数，引入离散KL距离实现计算出测点集的故障隔离率。利用故障隔离率和测试点数量构造多维适应度函数，故障隔离率越高测点选择数越少的测点集越优，搜索全局最优测试点集。本发明专利无需建立故障字典进行故障隔离度的计算，通过引入核密度估计和离散KL距离将故障隔离计算转换为概率分布情况差异计算，充分利用了时域电压数据，提高测点集隔离率，利用故障隔离率和测试点数量构造人工鱼算法的多维适应度函数实现最优测点集选择，并通过在人工鱼算法中引入繁衍行为改善陷入局部最优解的情况。
Description
技术领域
本发明属于数字以及模拟电路故障诊断领域的，更具体地讲，一种基于KL(Kullback-Leibler)距离的板级电路测点选择方法。
背景技术
随着集成电路的快速发展,为了提高产品性能、降低芯片面积和费用,需将数字和模拟元件集成在同一块芯片上，所以大多数存在的电路并不是纯数字电路或者纯模拟电路，而是数字和模拟混合的电路。测后仿真和测前仿真是常用的故障诊断方法，测试点选择在电子测试和诊断领域至关重要，因为在实际诊断当中如果电路的规模庞大是不可能逐一测点测量的，选取出几个优选测点进行测量诊断是必要的。
常用故障字典方法作为测点选择的依据，故障字典方法需要对测量到的测点电压进行模糊化处理转化为整数故障字典再进行测点选择，该方法只利用了测点电压值的一维信息，当故障数量增加时导致诊断效果下降，即使测点足够多但也存在多数故障未能隔离，导致测点集的故障隔离率低。
发明内容
本发明的目的在于克服现有技术的不足，提出了一种基于KL(Kullback-Leibler)距离的板级电路测点选择方法，无需建立故障字典进行故障隔离度的计算，通过引入核密度估计和离散KL(Kullback-Leibler)距离将故障隔离计算转换为概率分布情况差异计算，充分利用了时域电压数据，提高测点集隔离率，利用故障隔离率和测试点数量构造人工鱼算法的多维适应度函数实现最优测点集选择，并通过在人工鱼算法中引入繁衍行为改善陷入局部最优解的情况。
为了实现上述发明目的，一种基于KL(Kullback-Leibler)距离的板级电路测点选择方法包括以下步骤：
S1：对所有故障类型中的每一个故障类型进行多次的蒙特卡洛仿真，测量所有测点的时域仿真波形，并保存时域波形数据;
S2：将各个波形数据进行核密度估计，生成相应的概率密度函数记为fi(x)其中i=1,2，...，I，表示第i个故障类的概率密度函数；
S3：计算KL(Kullback-Leibler)距离，KL(Kullback-Leibler)距离计算如下：
fn表示某一故障类型测量到的电压数据使用核密度估后的概率密度函数,计算fn和各个故障类的fi(x)的KL(Kullback-Leibler)距离
S4：计算分类结果，取最小的距离作为分类的结果，分类计算如下：
式子中C代表分类结果
S5：随机初始化鱼群，第i条人工鱼的状态用向量Xi=(xi1,xi2,...,xin)来表示，其中i=1,2，...N，xij(j=1,2,...,D)∈{0,1}，在人工鱼的状态其中xij代表某一个测点，取值为0或者1，当xij=1的时候代表选中该测点，当xij=0的时候代表不选择该测点；
S6：设置最大迭代次数，初始化迭代计数器为0；
S7：执行觅食行为，计算人工鱼Xi当前的食物浓度值，记为Yi，并搜索当前视野范围内（dij<visual）， dij= |Xi - Xj| 为人工鱼Xi和 Xj之间的距离，随机选取一个人工鱼记为Xj并计算此人工鱼的食物浓度即为Yj，如果Yi<Yj则按式子（3）人工鱼Xi朝人工鱼Xj位置移动，移动过程，如果Yi>Yj则按式子（4）再从视野范围中重新选择一条人工鱼，直到满足Yi<Yj或者如果达到最大选择次数不能满足Yi<Yj则按照式子（5）进行随机的移动；
S8：执行群聚行为，搜索人工鱼Xi当前视野范围内（dij<visual）所有存在的人工鱼作为一个鱼群记录鱼群的个数为num并找到人工鱼的中心位置Xcenter基于二进制的人工鱼中心位置的计算如式（6）进行，式子中p由式子（7）计算，然后计算Ycenter如果满足条件：Ycenter<Yi，num×Ycenter<a×Yi，通过式子（8）进行向鱼群中心进行近一步的移动，否则进行觅食行为；
S9：执行繁衍行为，每次从公告牌中选出适应度函数值即食物浓度最高人工鱼作为母本然后在觅食、群聚、繁衍行为生成的人工鱼个体中选取食物浓度最大的作为父本以一定的概率按照式(9)进行交叉并繁衍生成新的个体，式子(9)中的g的确定如式(10)所示；
S10：计算适应度函数值，即食物浓度，食物浓度定义为
, 
表示第t次迭代第i条人工鱼适应度函数，
表示第t次
迭代第i条人工鱼可以隔离的故障数，
表示第t次迭代第i条人工鱼选中的测试点数；
每一种故障类型留取一次蒙特卡洛分析的数据作为测试样本，然后剩余的样本作为训练样
本并依次生成概率密度函数；把测试样本转换为概率密度函数，通过式子（1）计算该测试样
本与每个故障类样本的KL(Kullback-Leibler)距离，通过式子（2）求出分类结果，如果分类
结果和测试样本植入的故障类型一致，并且之前选中的测点未能对此故障类型进行隔离则
进行加一计数，否则
不变
，即为人工鱼中元素1存在的个数；
S11：比较觅食、群聚、繁衍行为生成的人工鱼个体的食物浓度，选择
数量最大的人工鱼个体，如果二者的
数量相等则比较
数量，选择
数量较少的人工鱼个体；
S12：将S10中生成的人工鱼个体和公告板中的人工鱼个体进行比较，如果S10中生成的人工鱼个体的食物浓度大于公告牌中的人工鱼个体食物浓度，则更新公告板，否则公告板不变；
S13：迭代次数加一，并判断迭代次数是否小于最大迭代次数，如果是则返回S7，否则执行步骤S13；
S14：将人工鱼个体的编码进行输出，从而得出所选择的最优测点；
一种基于KL(Kullback-Leibler)距离的板级电路测点选择方法，首先对所有故障类型中的每一个故障类型进行多次的蒙特卡洛仿真，并测量每种故障类型以及正常电路情况下各个测点的输出的时域波形将数据保存并进行核密度估计得到的概率密度函数（PDF）取每种故障类型其中一次蒙特卡洛作为测试样本，剩余的作为训练样本从而来评估测试点的诊断能力。利用故障隔离率和测试点数量构造多维适应度函数来搜索全局最优测试点集，并引入繁衍行为改善人工鱼算法陷入局部最优解。
本发明一种基于KL(Kullback-Leibler)距离的板级电路测点选择方法，首先对电路仿真，测量各个故障类型各个测点某一时间段内时域电压数据并对数据进行核密度估计并保存得到的概率密度函数；对存储的概率密度函数通过引入离散KL(Kullback-Leibler)距离实现每个测点的隔离度的计算，然后计算出测点集的故障隔离率。利用故障隔离率和测试点数量构造多维适应度函数，故障隔离率越高测点选择数越少的测点集越优，从而搜索全局最优测试点集，在搜索过程中引入繁衍行为改善人工鱼算法陷入局部最优解的情况。本发明专利无需建立故障字典进行故障隔离度的计算，通过引入核密度估计和离散KL(Kullback-Leibler)距离将故障隔离计算转换为概率分布情况差异计算，充分利用了时域电压数据，提高测点集隔离率，利用故障隔离率和测试点数量构造人工鱼算法的多维适应度函数实现最优测点集选择，并通过在人工鱼算法中引入繁衍行为改善陷入局部最优解的情况。
附图说明
图1是本发明一种基于KL(Kullback-Leibler)距离的板级电路测点选择方法的具体实施方式流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。
S101：对所有故障类型中的每一个故障类型进行多次的蒙特卡洛仿真，测量所有测点的时域仿真波形，并保存时域波形数据；
S102：将各个波形数据进行核密度估计，生成相应的概率密度函数记为fi(x)其中i=1,2，...，I，表示第i个故障类的概率密度函数；
S103:随机初始化鱼群。第i条人工鱼的状态用向量Xi=(xi1,xi2,...,xin)来表示，其中i=1,2，...N，xij(j=1,2,...,D)∈{0,1}，在人工鱼的状态其中xij代表某一个测点，取值为0或者1，当xij=1的时候代表选中该测点，当xij=0的时候代表不选择该测点。设置最大迭代次数，初始化迭代计数器为0；
S104：取食物浓度值最大的记录到公告板，计算适应度函数值，即食物浓度；食物浓度定义为
,
表示第t次迭代第i条人工鱼适应度函数，
表示第t次迭代第i条人工鱼可以隔离的故障数，
表示第t次迭代第i条人工鱼选中的测试点；每一种故障类型留取一次蒙特卡洛分析的数据作为测试样本，然后剩余的样本作为训练样本并依次生成概率密度函数；把测试样本转换为概率密度函数，通过式子(1)计算该测试样本与每个故障类样本的KL(Kullback-Leibler)距离，通过式子(2)求出分类结果，如果分类结果和测试样本植入的故障类型一致，并且之前选中的测点未能对此故障类型进行隔离则
进行加一计数，否则
不变。
即为人工鱼中元素1存在的个数；比较人工鱼个体的食物浓度，选择
数量最大的人工鱼个体，如果二者的数量相等则比较
数量，选择
数量较少的人工鱼个体；
S105：执行觅食行为，计算人工鱼Xi当前的食物浓度值，记为Yi，并搜索当前视野范围内（dij<visual）， dij= |Xi - Xj| 为人工鱼Xi和 Xj之间的距离，随机选取一个人工鱼记为Xj并计算此人工鱼的食物浓度即为Yj，如果Yi<Yj则按式子（3）人工鱼Xi朝人工鱼Xj位置移动，移动过程，如果Yi>Yj则按式子（4）再从视野范围中重新选择一条人工鱼，直到满足Yi<Yj或者如果达到最大选择次数不能满足Yi<Yj则按照式子（5）进行随机的移动；
S106：执行群聚行为，搜索人工鱼Xi当前视野范围内（dij<visual）所有存在的人工鱼作为一个鱼群记录鱼群的个数为num并找到人工鱼的中心位置Xcenter基于二进制的人工鱼中心位置的计算如式（6）进行，式子中p由式子（7）计算，然后计算Ycenter如果满足条件：Ycenter<Yi，num×Ycenter<a×Yi，通过式子（8）进行向鱼群中心进行近一步的移动，否则进行觅食行为；
S107：执行繁衍行为，每次从公告牌中选出适应度函数值即食物浓度最高人工鱼作为母本然后在觅食、群聚、繁衍行为生成的人工鱼个体中选取食物浓度最大的作为父本以一定的概率按照式(9)进行交叉并繁衍生成新的个体，式子(9)中的g的确定如式(10)所示
S108:计算三种行为的人工鱼适应度函数值即食物浓度，取最优；比较的过程如S104进行；
S109：将S108中生成的人工鱼个体和公告板中的人工鱼个体进行比较，如果S108中生成的人工鱼个体的食物浓度大于公告牌中的人工鱼个体食物浓度，则更新公告板，否则公告板不变；
S110：迭代次数加一，并判断迭代次数是否小于最大迭代次数，如果是则返回S104，否则执行步骤S111；
S111：将人工鱼个体的编码进行输出，从而得出所选择的最优测点。
Claims (1)
1.一种基于KL距离的板级电路测点选择方法，其主要包括以下步骤：
S1：对所有故障类型中的每一个故障类型进行多次的蒙特卡洛仿真，测量所有测点的时域仿真波形，并保存时域波形数据;
S2：将各个波形数据进行核密度估计，生成相应的概率密度函数记为fi(x)其中i=1,2，...，I，表示第i个故障类的概率密度函数；
S3：计算KL(Kullback-Leibler)距离，KL(Kullback-Leibler)距离计算如下：
fn表示某一故障类型测量到的电压数据使用核密度估后的概率密度函数,计算fn和各个故障类的fi(x)的KL(Kullback-Leibler)距离
S4：计算分类结果，取最小的距离作为分类的结果，分类计算如下：
式子中C代表分类结果
S5：随机初始化鱼群，第i条人工鱼的状态用向量Xi=(xi1,xi2,...,xin)来表示，其中i=1,2，...N，xij(j=1,2,...,D)∈{0,1}，在人工鱼的状态其中xij代表某一个测点，取值为0或者1，当xij=1的时候代表选中该测点，当xij=0的时候代表不选择该测点；
S6：设置最大迭代次数，初始化迭代计数器为0；
S7：执行觅食行为，计算人工鱼Xi当前的食物浓度值，记为Yi，并搜索当前视野范围内（dij<visual）， dij= |Xi - Xj| 为人工鱼Xi和 Xj之间的距离，随机选取一个人工鱼记为Xj并计算此人工鱼的食物浓度即为Yj，如果Yi<Yj则按式子（3）人工鱼Xi朝人工鱼Xj位置移动，移动过程，如果Yi>Yj则按式子（4）再从视野范围中重新选择一条人工鱼，直到满足Yi<Yj或者如果达到最大选择次数不能满足Yi<Yj则按照式子（5）进行随机的移动；
S8：执行群聚行为，搜索人工鱼Xi当前视野范围内（dij<visual）所有存在的人工鱼作为一个鱼群记录鱼群的个数为num并找到人工鱼的中心位置Xcenter基于二进制的人工鱼中心位置的计算如式（6）进行，式子中p由式子（7）计算，然后计算Ycenter如果满足条件：Ycenter<Yi，num×Ycenter<a×Yi，通过式子（8）进行向鱼群中心进行近一步的移动，否则进行觅食行为；
S9：执行繁衍行为，每次从公告牌中选出适应度函数值即食物浓度最高人工鱼作为母本然后在觅食、群聚、繁衍行为生成的人工鱼个体中选取食物浓度最大的作为父本以一定的概率按照式(9)进行交叉并繁衍生成新的个体，式子(9)中的g的确定如式(10)所示；
S10：计算适应度函数值，即食物浓度，食物浓度定义为
,
表示第t次迭代第i条人工鱼适应度函数，
表示第t次迭代第i条人工鱼可以隔离的故障数，
表示第t次迭代第i条人工鱼选中的测试点数；每一种故障类型留取一次蒙特卡洛分析的数据作为测试样本，然后剩余的样本作为训练样本并依次生成概率密度函数；把测试样本转换为概率密度函数，通过式子（1）计算该测试样本与每个故障类样本的KL(Kullback-Leibler)距离，通过式子（2）求出分类结果，如果分类结果和测试样本植入的故障类型一致，并且之前选中的测点未能对此故障类型进行隔离则
进行加一计数，否则
不变
，即为人工鱼中元素1存在的个数；
S11：比较觅食、群聚、繁衍行为生成的人工鱼个体的食物浓度，选择
数量最大的人工鱼个体，如果二者的
数量相等则比较
数量，选择
数量较少的人工鱼个体；
S12：将S10中生成的人工鱼个体和公告板中的人工鱼个体进行比较，如果S10中生成的人工鱼个体的食物浓度大于公告牌中的人工鱼个体食物浓度，则更新公告板，否则公告板不变；
S13：迭代次数加一，并判断迭代次数是否小于最大迭代次数，如果是则返回S7，否则执行步骤S13；
S14：将人工鱼个体的编码进行输出，从而得出所选择的最优测点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110776895.8A CN113533946B (zh) | 2021-07-09 | 2021-07-09 | 一种基于kl距离的板级电路测点选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110776895.8A CN113533946B (zh) | 2021-07-09 | 2021-07-09 | 一种基于kl距离的板级电路测点选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113533946A true CN113533946A (zh) | 2021-10-22 |
| CN113533946B CN113533946B (zh) | 2024-05-14 |
Family
ID=78127245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110776895.8A Active CN113533946B (zh) | 2021-07-09 | 2021-07-09 | 一种基于kl距离的板级电路测点选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113533946B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108470207A (zh) * | 2018-03-28 | 2018-08-31 | 天津大学 | 一种人工鱼群算法的并行实现方法 |
| US20180309294A1 (en) * | 2016-12-07 | 2018-10-25 | Northeastern University | Reactive power optimization system and method of power grid based on the double-fish-swarm algorithm |
| CN110442995A (zh) * | 2019-08-13 | 2019-11-12 | 江苏师范大学 | 一种基于人工鱼群算法的lcl滤波器参数优化方法 |
| CN110907810A (zh) * | 2019-12-02 | 2020-03-24 | 电子科技大学 | 基于粒子群算法的模拟电路单故障诊断方法 |
| CN112505533A (zh) * | 2020-12-14 | 2021-03-16 | 电子科技大学 | 基于改进粒子群算法的模拟电路双故障诊断方法 |
-
2021
- 2021-07-09 CN CN202110776895.8A patent/CN113533946B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180309294A1 (en) * | 2016-12-07 | 2018-10-25 | Northeastern University | Reactive power optimization system and method of power grid based on the double-fish-swarm algorithm |
| CN108470207A (zh) * | 2018-03-28 | 2018-08-31 | 天津大学 | 一种人工鱼群算法的并行实现方法 |
| CN110442995A (zh) * | 2019-08-13 | 2019-11-12 | 江苏师范大学 | 一种基于人工鱼群算法的lcl滤波器参数优化方法 |
| CN110907810A (zh) * | 2019-12-02 | 2020-03-24 | 电子科技大学 | 基于粒子群算法的模拟电路单故障诊断方法 |
| CN112505533A (zh) * | 2020-12-14 | 2021-03-16 | 电子科技大学 | 基于改进粒子群算法的模拟电路双故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| 周晏;尚鹏;: "基于人工鱼群聚类的传感器节点故障诊断", 计算机测量与控制, no. 05, 25 May 2013 (2013-05-25) * |
| 张严;楚晓丽;: "一种改进的人工鱼群算法", 计算机系统应用, no. 05, 15 May 2011 (2011-05-15) * |
| 方伟骏;黄圣国;: "人工鱼群算法选择特征和加权的模拟电路故障诊断", 现代电子技术, no. 19, 1 October 2016 (2016-10-01) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113533946B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829057A (zh) | 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法 | |
| CN108960409B (zh) | 标注数据生成方法、设备及计算机可读存储介质 | |
| CN110413924A (zh) | 一种半监督多视图学习的网页分类方法 | |
| Barthélemy et al. | mipfp: An R package for multidimensional array fitting and simulating multivariate Bernoulli distributions | |
| CN110472090A (zh) | 基于语义标签的图像检索方法以及相关装置、存储介质 | |
| CN103077402A (zh) | 基于奇异值分解算法的变压器局部放电模式识别方法 | |
| CN109299258A (zh) | 一种舆情事件检测方法、装置及设备 | |
| Ives | Mixed and phylogenetic models: a conceptual introduction to correlated data | |
| CN111078876A (zh) | 一种基于多模型集成的短文本分类方法和系统 | |
| CN112381248A (zh) | 一种基于深度特征聚类和lstm的配电网故障诊断方法 | |
| CN112818120B (zh) | 习题标注方法、装置、存储介质及电子设备 | |
| CN108805295A (zh) | 一种基于决策树算法的故障诊断方法 | |
| Leigh et al. | $\nu $-flows: Conditional neutrino regression | |
| Ehrke et al. | Topological reconstruction of particle physics processes using graph neural networks | |
| CN112817954A (zh) | 一种基于多种方法集成学习的缺失值插补方法 | |
| CN117556360A (zh) | 一种光伏逆变器异常监测方法及装置 | |
| CN116090389A (zh) | 基于失效边缘采样的电路良率估计方法、预测系统 | |
| CN110472659B (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
| Abbas et al. | Volterra-system identification using adaptive real-coded genetic algorithm | |
| CN113533946A (zh) | 一种基于kl距离的板级电路测点选择方法 | |
| CN112527996A (zh) | 一种样本筛选方法、系统、电子设备及存储介质 | |
| CN113221964A (zh) | 单样本图像分类方法、系统、计算机设备及存储介质 | |
| KR20080053103A (ko) | 연관규칙 탐사 기법을 이용하여 추출한 다수의 연관분류규칙에 의한 다중범주 문서의 자동 분류 방법 및 장치 | |
| EP1382976A1 (en) | Method of processing test patterns for an integrated circuit | |
| CN112733036A (zh) | 知识点推荐方法、装置、存储介质及电子装置 |
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 |