CN113536203A - 一种面向应用的能源数据目录项筛选方法 - Google Patents
一种面向应用的能源数据目录项筛选方法 Download PDFInfo
- Publication number
- CN113536203A CN113536203A CN202110720832.0A CN202110720832A CN113536203A CN 113536203 A CN113536203 A CN 113536203A CN 202110720832 A CN202110720832 A CN 202110720832A CN 113536203 A CN113536203 A CN 113536203A
- Authority
- CN
- China
- Prior art keywords
- energy data
- data directory
- screening
- directory
- energy
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
Abstract
本发明提供了一种面向应用的能源数据目录项筛选方法,解决现有的具体能源数据目录项定性化和相关性进行定量化筛选问题。该能源数据目录项筛选方法包括:步骤S1:根据具体的应用需求,分析和梳理目前的能源数据目录项,并根据该具体应用的相应原则进行初次筛选:步骤S2:对初次筛选的能源数据目录项进行定性化筛选:步骤S3:基于步骤S2的定性化筛选结果,计算不同能源数据目录项之间的相关熵值:步骤S4:对能源数据目录项进行最优关联度的最终筛选,完成能源数据目录项筛选。本发明能够清晰、全面、有针对性的反映了不同应用需求下的能源数据目录项,不仅能更全面地筛选出适应不同分析角度的能源数据目录项,而且能有效提高评估的精准度。
Description
技术领域
本发明涉及能源数据目录项筛选技术领域,特别涉及一种面向应用的能源数据目录项筛选方法。
背景技术
能源目录项的公开项目可为相关行业从业人员提供方便、快捷、可靠的能源数据获取途径,从而促进能源管理体系建设工作,提高能源管理工作的精细化程度。但随着能源技术的不断发展,能源数据目录项的应用类别和数据种类也变得众多且繁杂,数据量越来越庞大。这种发展趋势,一方面,庞大的目录项在调取数据时会存在不便,且目录内众多项目项可能存在冗余;另一方面,在进行数据分析时,能源目录项偏差性较大,导致数据分析算法结果不准确。此外,能源目录项各个项目下收录的数据标签可能不完整,这将进一步增加数据使用上的困难。因此,需要对能源数据目录项进行筛选,以提升能源目录的实用性。
目前国内外对能源数据目录项的筛选方法有一定的研究,例如:利用改进的灰色关联度分析方法对能源目录项进行筛选;利用模糊时间加权与色关联度结合的能源目录筛选方法;利用筛序与排序的对能源目录项筛选。但这些研究主要还是针对不同能源目录项的筛选,对不同能源目录项之间的相关性研究甚少,而目录项相关性的研究却是目录筛选的重中之重。
发明内容
本发明的目的在于提供一种面向应用的能源数据目录项筛选方法,解决现有的具体能源数据目录项定性化和相关性进行定量化筛选问题。
为了实现上述目的,本发明采用的技术方案如下:
一种面向应用的能源数据目录项筛选方法,包括以下步骤:
步骤S1:根据具体的应用需求,分析和梳理目前的能源数据目录项,并根据该具体应用的相应原则进行初次筛选:
步骤S2:对初次筛选的能源数据目录项进行定性化筛选:
步骤S3:基于步骤S2的定性化筛选结果,计算不同能源数据目录项之间的相关熵值:
步骤S4:对能源数据目录项进行最优关联度的最终筛选,完成能源数据目录项筛选。
具体地,本发明中,所述步骤S2包括以下步骤:
步骤S201:对主相关目录与不确定能源数据目录项进行具体数据标准化处理;
其中,正向能源数据目录项数据的标准化处理依照如下表达式进行:
逆向能源数据目录项数据的标准化处理依照如下表达式进行:
式(1)~(4)中,Si是由i个主相关目录数据构成的归一化矩阵,Sj是由j个不确定能源数据目录项数据构成的归一化矩阵;xik、xjk分别为主相关目录和不确定能源数据目录项的原始数据构成的矩阵元素,其中:i为主目录个数,j为不确定能源数据目录项的数量,k为主相关目录项的特征数量;xmax,j、xmin,j分别为不确定能源数据目录特征中的最大与最小值xmax,i、xmin,i分别为主相关目录个数的最大与最小值;
步骤S202:采用模糊聚类分析法计算不确定能源数据目录项对主相关目录项的最优隶属度,确定其相应所属的应用,完成对能源数据目录项的定性化筛选。
进一步地,所述步骤S202中,根据以下表达式,建立不确定能源数据目录项对主相关目录项的最优隶属度函数矩阵,对不确定能源数据目录项进行隶属度分析:
式中,dij=||xik-xjk||;uij为第i个主相关目录对第j个不确定能源数据目录项的隶属度;σ为相应系数,取值为1.4~1.9。
具体地,本发明中,所述步骤S3中,采用互信息理论计算能源数据目录项之间的相关熵值。
具体地,本发明中,所述步骤S4包括以下步骤:
步骤S401:利用最大相关性-最小冗余计算得到不同能源数据目录项的特征集,计算函数为:
式中,其中,I(ei,p)为Zl第i个能源数据目录特征ei和Yi含有的互信息p,Zl为L个能源数据目录项构成的特征集合SL中包含有l 个特征的特征子集,SL={ei,i=1,2,…,L},Zl={ei,i=1,2,…,l},I(ei,ej)为能源数据目录特征ei与ej之间的互信息;C为源数据目录项的特征子集个数;
步骤S402:通过互信息理论得到不同应用需求下的能源数据目录项的关联程度;
步骤S403:通过设立不同的阀值对群信息熵值进行筛选,得到定量化后的能源数据目录,完成能源数据目录项筛选。
与现有技术相比,本发明具有以下有益效果:
本发明首先分析具体的应用需求,根据相应的应用原则对能源数据目录项梳理分析并进行初次筛选;其次,定性化筛选能源数据目录项,考虑模糊聚类分析方法将不确定能源数据目录项进行再次筛选;最后,定量化筛选能源数据目录项,基于互信息理论计算不同能源数据目录项相关性熵,采用最大相关性-最小冗余系数对能源数据目录项进行最优关联度筛选,在保障能源数据目录项去除冗余的同时,相关性最大,最终得到满足相应应用需求的能源数据目录项。本发明流程简单、筛选效率高,其筛选方法能够清晰、全面、有针对性的反映了不同应用需求下的能源数据目录项,不仅能更全面地筛选出适应不同分析角度的能源数据目录项,而且能有效提高评估的精准度。
附图说明
图1为本发明-实施例的流程示意图。
具体实施方式
下面结合附图说明和实施例对本发明作进一步说明,本发明的实施方式包括但不限于以下实施例。
实施例
本实施例针对不同能源目录项之间的相关性,提出了一种筛选方法,如图1所示,其主要流程包含能源数据目录项初筛、能源数据目录项定性化筛选、计算不同能源数据目录项之间的相关熵值、对能源数据目录项进行最优关联度筛选几大步骤,下面对这几大步骤一一进行阐述。
一、能源数据目录项初筛
初筛的原则是根据具体的应用需求,分析和梳理目前的能源数据目录项,并根据该具体应用的相应原则进行初次筛选。
二、能源数据目录项定性化筛选
对能源数据目录项进行初次筛选后,存在一部分不确定的能源数据目录项,这些能源数据目录项中可能有一些具体应用不明确但又对具体应用特别重要的能源数据目录项。为此,本实施例采用模糊聚类分析法FCM(fuzzyc-means)对这些能源数据目录项进行所属应用分类,以此对能源数据目录项进行再次筛选。
首先,以确定所属应用的能源数据目录项为聚类集U;其次,将不确定能源数据目录项集合设置为聚类因子集合;最后,将与具体应用最相关的目录项设置为聚类中心,即为主相关目录项。
假设Xm×n为不确定能源数据目录项的原始数据构成的矩阵;m为不确定能源数据目录项的数量;n表示主相关目录项的特征数;Yb×n为主相关目录项原始数据,b为主相关目录个数。
对主相关目录与不确定能源数据目录项的具体数据标准化处理:
正向能源数据目录项数据标准化处理:
逆向能源数据目录项数据标准化处理:
式中,Sj(k)、Si(k)为xjk与xik标准化数据,xmax,j、xmin,j分别为不确定能源数据目录特征中的最大与最小值;xmin,i、xmax,i分别为主相关目录项的特征数中最大与最小值。
而后,采用模糊聚类计算不确定能源数据目录项对主相关目录项的最优隶属度,相关函数为:
式中,dij=||xik-xjk||;uij为第i个主相关目录对第j个不确定能源数据目录项的隶属度;σ为相应系数,取值为1.4~1.9。
基于拉格朗日乘子法可将式(5~6)求解,得最优情况下的隶属度函数:
由式(7)建立最优隶属度函数矩阵,由不确定能源数据目录项隶属度分析,确定其相应所属的应用,完成对能源数据目录项的定性化筛选。
三、计算不同能源数据目录项之间的相关熵值
采用模糊聚类分析法对能源数据目录项进行定性化筛选后,采用互信息对能源数据目录项间的相关性进行定量化筛选。采用互信息理论对能源数据目录项间的相关熵进行计算,通过设置一定阀值筛选出具有一定相关性的能源数据目录项,具体如下:
互信息利用两个度量信息之间相互所包含信息的大小来判断度量信息之间的关联程度,设X为随机变量,取值范围R,其概率分布,P(x)=P(X=x),随机离散变量(X,Y)的联合分布为P(x,y),边缘分布为P(y),那么关于X的熵的定义为:
当X为定值不变时,相应的Y的条件熵值为:
当初始熵值等于条件熵值时,X,Y两度量信息之间没有相关性,互信息I(X;Y)的计算公式如下:
I(X;Y)=H(X)-H(Y|X) (10)
由(10)、(9)、(8)式可计算出X,Y的互信息I(X;Y),可表示为联合分布于边缘分布的熵值。
四、对能源数据目录项进行最优关联度筛选
相关性分析是挖掘关联性的重要方法之一,度量信息间相关性可以分为相关、冗余、无关。目前针对能源数据目录项的相关性选择与冗余剔除方法众多,但主要针对不同应用需求下的能量数据目录项的筛选,而未研究不同应用需求下的类间筛选、本实施例提出本文基于最大相关-最小冗余原则对不同应用需求下的能源数据目录项计算相对信息群熵值并进行筛选,具体如下:
首先,对能源数据目录项Xj选取能源数据目录的特征值,在L个能源数据目录项构成的特征集合SL选l个作为特征子集Zl,其中SL={ei,i=1,2,…,L},Zl={ei,i=1,2,…,l},能源数据目录项Xj的特征子集有个,根据最大相关性选取最优的特征子集使Zl中所包含的特征信息与相应的主相关能源目录项中所包含的特征信息p的互信息的均值最大,相应的最大相关性集合函数如下式所示:
式中:I(ei,p)为Zl第i个能源数据目录特征ei和Yi含有的的互信息p。因此得最大相关性的集合Zl,同时增加最小冗余约束函数将Zl的能源数据目录特征互信息值保持为最小值:
式中:I(ei,ej)为能源数据目录Xj的能源数据目录特征之间ei与ej的互信息,由隶属度函数和熵值可以得到最大相关性-最小冗余的筛选函数:
基于最大相关性-最小冗余计算得不同能源数据目录项的特征集,通过互信息理论得到不同应用需求下的能源数据目录项的关联程度,通过设立不同的阀值对群信息熵值进行筛选,可到定量化后的能源数据目录。
下面对本实施例的实施流程进行进一步的说明。
一、能源数据目录项初筛
确定的能源应用需求为系统效率、可靠性、经济性三大类,根据应用需求基本原则进行筛选。
首先,结合目前国内外现有的能源数据目录项的相应数据,并梳理汇总了一系列常用能源数据目录项的36个能源数据目录,如下表1所示。
表1能源数据目录项
而后,根据三大类应用基本原则对36个能源数据目录项初始筛选:
(1)系统效率应用:能源效率是能源企业运营的要求之一,也是保障供电企业长期维持正常运行的关键因素之一。
(2)可靠性应用:可靠性目录原则为能源企业对用户能源供应的安全稳定性,是保障能源系统正常工作的关键。
(3)经济性应用:能源企业经济运行是保障企业长久生存的关键,因此经济性也是能源企业的首要目标。
筛选后的能源数据目录项如表2所示:
表2初始能源数据目录项
二、对初次筛选的能源数据目录项进行再次筛选
首先以系统效率、可靠性、经济性应用的目录项为总集合的聚类集U;其次,将不确定能源数据目录项集合设置为聚类因子集合;然后将三大能源数据目录中的最主要目录设置为聚类中心,即主相关目录项。假设Xm×n为不确定能源数据目录的原始数据构成的矩阵;m为不确定能源数据目录项的数量;n表示三大应用相关的特征数;Yb×n为三大应用相关原始数据, b为三大应用主相关目录项个数。对三大应用的主相关目录项与不确定能源数据目录项数据标准化处理:
基于模糊聚类计算不确定性能源数据目录项对三大应用主相关目录项的最优隶属度
以某地区能源系统相关参数为例,选取相关三年能源数据目录项数据。采用两种筛选方法对比,方法1为本发明所提筛选方法,方法2为目前常用的改进灰色关联度的能源数据目录筛项选法。
得初次筛选后相关不确定能源数据目录与三大应用下的主相关能源数据目录项的隶属度值如表3:
表3模糊隶属度
由表3可知功率因数、主变年平均负载率、负荷均衡程度、系统线路轻载比例等能源数量目录项分别对三大原则下主相关能源数据目录的隶属度最大,故将它们分别归入相应的应用中。根据步骤:
三、计算不同能源数据目录相关性熵:基于互信息理论计算不同能源数据项之间的相关性熵值。
四、能源数据目录进行最优关联度最终筛选:采用最大相关性-最小冗余系数对能源数据目录进行最优关联度筛选。
对该地能源系统选取效率应用下的能源数据目录项(即Yi)、可靠性应用下的能源数据目录项(即Xj)和经济性应用下的能源目录项(即Xj')进行相关性挖掘,并计算得到相应的能源数据目录的最大相关性和最小冗余结果如表4所示。
表4最大相关性-最小冗余值
本实施例将互信息熵值的阀值设为0.8,通过计算得到相应应用下系统效率下的主变N-1 通过率、负荷均衡程度、主变年平均负载率等能源数据目录项与经济性应用互信息熵值超过了阀值故将这些能源数据目录列入这两个应用下,同理通过互信息熵值归纳筛选其他能源数据目录项。
基于改进的灰色关联度筛选法进行关联度求解得到结果如下表所示:
表5指标群灰色关联度
表中D、ω、分别表示系统效率应用、可靠性应用、经济性应用下所有能源数据目录项的关联度,同时设置相应的关联度筛选阀值为0.5,由表5可知,多个能源数据目录项的关联度值超过阀值故将其归入到相应的应用需求中。
通过本发明与常规改进的灰色关联度筛选法计算得到的不同应用下适应的能源数据目录项,并通过混合权重法求解计算得到该地区能源系统的三大应用的评分结果与最终整体评分值,如下表6所示:
表6能源应用评价结果对比
从表6中可以看出,本发明所设计的筛选方法使得能源系统考虑、可靠性、经济性等三大应用的评分结果都比较准确且相比常规筛选方法的评价结果较为优良。这是因为本发明对能源数据目录项的模糊聚类定型化分类后,再通过互信息与最大相关性-最小冗余条件下保证了能源数据目录项的完整、准确性。并且能定量化的筛选出真实反映能源系统的运行状态的能源数据目录项,因此本发明设计的能源数据目录筛选方法能有效提高评估精准度。
上述仅为本发明的一种优选实施方式,凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色,其所解决的技术问题仍然与本发明一致的,均应当包含在本发明的保护范围之内。
Claims (5)
1.一种面向应用的能源数据目录项筛选方法,其特征在于,包括以下步骤:
步骤S1:根据具体的应用需求,分析和梳理目前的能源数据目录项,并根据该具体应用的相应原则进行初次筛选:
步骤S2:对初次筛选的能源数据目录项进行定性化筛选:
步骤S3:基于步骤S2的定性化筛选结果,计算不同能源数据目录项之间的相关熵值:
步骤S4:对能源数据目录项进行最优关联度的最终筛选,完成能源数据目录项筛选。
2.根据权利要求1所述的一种面向应用的能源数据目录项筛选方法,其特征在于,所述步骤S2包括以下步骤:
步骤S201:对主相关目录与不确定能源数据目录项进行具体数据标准化处理;
其中,正向能源数据目录项数据的标准化处理依照如下表达式进行:
逆向能源数据目录项数据的标准化处理依照如下表达式进行:
式(1)~(4)中,Si是由i个主相关目录数据构成的归一化矩阵,Sj是由j个不确定能源数据目录项数据构成的归一化矩阵;xik、xjk分别为主相关目录和不确定能源数据目录项的原始数据构成的矩阵元素,其中:i为主目录个数,j为不确定能源数据目录项的数量,k为主相关目录项的特征数量;xmax,j、xmin,j分别为不确定能源数据目录特征中的最大与最小值xmax,i、xmin,i分别为主相关目录个数的最大与最小值;
步骤S202:采用模糊聚类分析法计算不确定能源数据目录项对主相关目录项的最优隶属度,确定其相应所属的应用,完成对能源数据目录项的定性化筛选。
4.根据权利要求2或3所述的一种面向应用的能源数据目录项筛选方法,其特征在于,所述步骤S3中,采用互信息理论计算能源数据目录项之间的相关熵值。
5.根据权利要求4所述的一种面向应用的能源数据目录项筛选方法,其特征在于,所述步骤S4包括以下步骤:
步骤S401:利用最大相关性-最小冗余计算得到不同能源数据目录项的特征集,计算函数为:
式中,其中,I(ei,p)为Zl第i个能源数据目录特征ei和Yi含有的互信息p,Zl为L个能源数据目录项构成的特征集合SL中包含有l个特征的特征子集,SL={ei,i=1,2,…,L},Zl={ei,i=1,2,…,l},I(ei,ej)为能源数据目录特征ei与ej之间的互信息;C为源数据目录项的特征子集个数;
步骤S402:通过互信息理论得到不同应用需求下的能源数据目录项的关联程度;
步骤S403:通过设立不同的阀值对群信息熵值进行筛选,得到定量化后的能源数据目录,完成能源数据目录项筛选。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720832.0A CN113536203B (zh) | 2021-06-28 | 2021-06-28 | 一种面向应用的能源数据目录项筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720832.0A CN113536203B (zh) | 2021-06-28 | 2021-06-28 | 一种面向应用的能源数据目录项筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536203A true CN113536203A (zh) | 2021-10-22 |
CN113536203B CN113536203B (zh) | 2024-05-10 |
Family
ID=78126043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110720832.0A Active CN113536203B (zh) | 2021-06-28 | 2021-06-28 | 一种面向应用的能源数据目录项筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536203B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006113683A (ja) * | 2004-10-12 | 2006-04-27 | Patolis Corp | 文献検索支援装置、その方法、文献検索装置、それらのプログラム、および、そのプログラムを記録した記録媒体 |
JP2011134190A (ja) * | 2009-12-25 | 2011-07-07 | Digitalcoast Inc | 組織構造管理ディレクトリを備えたディレクトリシステム及びそのプログラム |
CN106951540A (zh) * | 2017-03-23 | 2017-07-14 | 掌阅科技股份有限公司 | 文件目录的生成方法、装置、服务器及计算机存储介质 |
WO2019035699A1 (ko) * | 2017-08-18 | 2019-02-21 | 경희대학교 산학협력단 | 인문 사상의 분류 방법 |
CN110442038A (zh) * | 2019-07-25 | 2019-11-12 | 南京邮电大学 | 基于FP-Growth算法的火电机组运行优化目标值确定方法 |
CN112559600A (zh) * | 2020-12-22 | 2021-03-26 | 南京万购信息科技有限公司 | 基于搜索引擎检索数据的企业产品名录挖掘方法 |
-
2021
- 2021-06-28 CN CN202110720832.0A patent/CN113536203B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006113683A (ja) * | 2004-10-12 | 2006-04-27 | Patolis Corp | 文献検索支援装置、その方法、文献検索装置、それらのプログラム、および、そのプログラムを記録した記録媒体 |
JP2011134190A (ja) * | 2009-12-25 | 2011-07-07 | Digitalcoast Inc | 組織構造管理ディレクトリを備えたディレクトリシステム及びそのプログラム |
CN106951540A (zh) * | 2017-03-23 | 2017-07-14 | 掌阅科技股份有限公司 | 文件目录的生成方法、装置、服务器及计算机存储介质 |
WO2019035699A1 (ko) * | 2017-08-18 | 2019-02-21 | 경희대학교 산학협력단 | 인문 사상의 분류 방법 |
CN110442038A (zh) * | 2019-07-25 | 2019-11-12 | 南京邮电大学 | 基于FP-Growth算法的火电机组运行优化目标值确定方法 |
CN112559600A (zh) * | 2020-12-22 | 2021-03-26 | 南京万购信息科技有限公司 | 基于搜索引擎检索数据的企业产品名录挖掘方法 |
Non-Patent Citations (1)
Title |
---|
程万正: "地震活动性参数的数理基础、相关性及筛选", 地震学报, no. 02, pages 166 - 174 * |
Also Published As
Publication number | Publication date |
---|---|
CN113536203B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11663254B2 (en) | System and engine for seeded clustering of news events | |
CN108427891B (zh) | 基于差分隐私保护的邻域推荐方法 | |
CA2910866C (en) | Digital communications interface and graphical user interface | |
He et al. | Organizing structured web sources by query schemas: a clustering approach | |
CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
CN108647276B (zh) | 一种搜索方法 | |
Liu et al. | Identifying relevant databases for multidatabase mining | |
CN105159971B (zh) | 一种云平台数据检索方法 | |
EP1574969A1 (en) | Method for the automated annotation of multi-dimensional database reports with information objects of a data repository | |
Zheng et al. | Coverage-based search result diversification | |
Singh et al. | The role of citation context in predicting long-term citation profiles: An experimental study based on a massive bibliographic text dataset | |
Zhang et al. | A research paper recommender system based on spreading activation model | |
CN112989621A (zh) | 一种模型性能评价方法、装置、设备及存储介质 | |
WO2021128523A1 (zh) | 一种基于科技大数据的技术成熟度判断方法和系统 | |
CN105786810B (zh) | 类目映射关系的建立方法与装置 | |
Yao et al. | Searching multiple databases for interesting complexes | |
Shi et al. | Research on Fast Recommendation Algorithm of Library Personalized Information Based on Density Clustering. | |
CN103279577B (zh) | 一种基于主成分分析的钢号查询对照系统 | |
Kumar | Efficient k-mean clustering algorithm for large datasets using data mining standard score normalization | |
CN113536203A (zh) | 一种面向应用的能源数据目录项筛选方法 | |
CN104462480A (zh) | 基于典型性的评论大数据挖掘方法 | |
Nuray-Turan et al. | Self-tuning in graph-based reference disambiguation | |
CN112116238A (zh) | 一种基于指标权重体系设计的满意度评估方法 | |
Kasinadh et al. | Building fuzzy OLAP using multi-attribute summarization | |
Shrivastava et al. | Neural network learning improvement using K-means clustering algorithm to improve the performance of web traffic mining |
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 |