CN113553776B - 一种电磁辐射数据监控分析方法及系统 - Google Patents
一种电磁辐射数据监控分析方法及系统 Download PDFInfo
- Publication number
- CN113553776B CN113553776B CN202111095842.6A CN202111095842A CN113553776B CN 113553776 B CN113553776 B CN 113553776B CN 202111095842 A CN202111095842 A CN 202111095842A CN 113553776 B CN113553776 B CN 113553776B
- Authority
- CN
- China
- Prior art keywords
- electromagnetic radiation
- source
- time sequence
- main
- data
- 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
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明公开了一种电磁辐射数据监控分析方法及系统,包括以下步骤:步骤S1、对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据;步骤S2、基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型;步骤S3、利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子,并判定电磁辐射主发射源的稳定性。本发明通过对电磁辐射主发射源的进行稳定性预测以及稳定性监听,可实现掌握目标区域的电磁辐射的波动特征,得到目标区域的电磁辐射的波动规律。
Description
技术领域
本发明涉及电磁辐射数据处理技术领域,具体涉及一种电磁辐射数据监控分析方法及系统。
背景技术
电磁辐射有一个电场和磁场分量的振荡,分别在两个相互垂直的方向传播能量。电磁辐射根据频率或波长分为不同类型,这些类型包括(按序增加频率):电力,无线电波,微波,太赫兹辐射,红外辐射,可见光,紫外线,X射线和伽玛射线。其中,无线电波的波长最长而伽玛射线的波长最短。X射线和伽玛射线电离能力很强,其他电磁辐射电离能力相对较弱,而更低频的没有电离能力。
目前测定一个未知区域的电磁辐射的波动规律,通常需要对未知区域中所有的电磁辐射的发射源进行逐一分析,从而分析出波动规律,但是由于发射源稳定性的不同,有些发射源的稳定性强,不会对未知区域的电磁辐射的波动规律产生影响,因此对所有发射源进行逐一分析会导致冗余运算,降低分析效率。
发明内容
本发明的目的在于提供一种电磁辐射数据监控分析方法及系统,以解决现有技术中对所有发射源进行逐一分析会导致冗余运算,降低分析效率的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种电磁辐射数据监控分析方法,包括以下步骤:
步骤S1、对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据,所述电磁辐射主源时序数据表征为电磁辐射主发射源的波动特征;
步骤S2、基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型,所述电磁辐射主源波动趋势模型用于输出电磁辐射主源时序数据在未来时序的预测发展趋势;
步骤S3、利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子,并根据监听因子判定电磁辐射主发射源的稳定性,以及根据所述稳定性对所述电磁辐射主发射源进行波动分析,实现对目标区域内电磁辐射主发射源的波动监听以掌握电磁辐射主发射源的波动特征。
作为本发明的一种优选方案,所述步骤S1中,所述电磁辐射主源时序数据的识别方法包括:
作为本发明的一种优选方案,所述步骤S2中,所述电磁辐射主源波动趋势模型的构建方法包括:
将所述电磁辐射主源时序数据拆分为两个连续时序段和的时序数据和,并分别作为训练时序样本和测试时序样本,其中,表征为时序处的训练样本,且为时序处的电磁辐射主源真实数据,表征为时序处的测试样本,且为时序处的电磁辐射主源真实数据,M表征为训练时序样本的时序总数目,m表征为电磁辐射多源时序数据的时序总数目;
作为本发明的一种优选方案,所述电磁辐射主源波动趋势模型的构建方法还包括:
将所述训练时序样本依时序输入CNN卷积神经网络进行电磁辐射主发射源的波动特征提取,输出波动特征序列,其中,所述CNN卷积神经网络的训练参数设定包括:网络滤波器设定为128个,激活函数设定为Relu函数,池化处理设定为max-poling模式,dropout概率设定为0.20;
将所述波动特征序列输入值LSTM长短期记忆网络中进行时序预测训练,输出连续时序段上的电磁辐射主源预测时序数据,其中,所述LSTM长短期记忆网络的训练参数设定包括:网络层timestep设定为电参特征序列的特征类别数,训练方式设置为seq2seq的反向传递模式,误差设定为,M为训练时序样本的时序总数目,表征为电磁辐射主发射源在时序的电磁辐射主源真实数据,为LSTM长短期记忆网络输出的电磁辐射主发射源在时序的电磁辐射主源预测数据,表征为电磁辐射主发射源的预测误差;
作为本发明的一种优选方案,所述电磁辐射主源波动趋势模型的输入为电磁辐射主源时序数据,输出为未来时序的预测电磁辐射主源时序数据,其中,表征为电磁辐射主发射源在未来时序处的电磁辐射主源预测数据,r为未来时序的总数目,m为电磁辐射多源时序数据的时序总数目。
作为本发明的一种优选方案,所述步骤S3中,所述监听因子的构建方法包括:
作为本发明的一种优选方案,所述步骤S3中,所述稳定性的判定方法包括:
作为本发明的一种优选方案,所述步骤S3中,所述波动分析的方法包括:
将所述波动时序链进行曲线拟合得到波动特征分析曲线,所述波动特征分析曲线包含有电磁辐射主发射源k发射的电磁辐射的波动规律。
作为本发明的一种优选方案,本发明提供了一种根据所述的电磁辐射数据监控分析方法的分析系统,包括:
数据预处理单元,用于对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据;
模型建立单元,用于基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型;
稳定性监听单元,用于利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子,并根据监听因子判定电磁辐射主发射源的稳定性。
本发明与现有技术相比较具有如下有益效果:
本发明利用主成分分析电磁辐射多源时序数据计算出目标区域内多个电磁辐射发射源在每个时序上的特征贡献率,根据特征贡献率识别出目标区域内作为对电磁辐射多源时序数据的波动特征具有主要影响的电磁辐射主发射源,因此通过对电磁辐射主发射源的进行稳定性预测以及稳定性监听,可实现掌握目标区域的电磁辐射的波动特征,得到目标区域的电磁辐射的波动规律。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的电磁辐射数据监控分析方法流程图;
图2为本发明实施例提供的分析系统结构框图。
图中的标号分别表示如下:
1-数据预处理单元;2-模型建立单元;3-稳定性监听单元。
具体实施方式
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。基于本发明中的实施例,本领域普通技术人员在没有做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。
如图1所示,本发明提供了一种电磁辐射数据监控分析方法,包括以下步骤:
在测定包含多个电磁辐射发射源的目标区域内的电磁辐射的波动规律时,需要利用由多个电磁辐射发射源综合作用产生的辐射数据(本实施例中的电磁辐射多源时序数据)判断出处于强烈波动(稳定性低)的电磁辐射主发射源,即电磁辐射主发射源稳定性低,是造成电磁辐射多源时序数据产生波动的主要影响因素,只需掌握电磁辐射主发射源的波动特征,就能够掌握到整个目标区域的电磁辐射的波动规律,无需对所有电磁辐射发射源进行波动分析,降低了数据处理量,提高了分析效率。
步骤S1、对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据,电磁辐射主源时序数据表征为电磁辐射主发射源的波动特征;
步骤S1中,电磁辐射主源时序数据的识别方法包括:
本实施例提供一种识别方法的实例,目标区域的电磁辐射多源时序数据如表1所示。
表1 电磁辐射多源时序数据
以上数据就很难观察出哪个发射源是导致目标区域电磁辐射波动的主要发射源,主成分分析步骤:
将电磁辐射多源时序数据转变为时序特征矩阵如表2所示。
表2 时序特征矩阵
对每个发射源求时序特征均值如表3所示。
表3 时序特征均值
将时序特征矩阵进行去均值处理得到去中心化矩阵,如表4所示。
表4 去中心化矩阵
计算协方差矩阵的特征值与特征向量,如表5、6所示。
表5 协方差矩阵
表6 特征值矩阵
计算每个发射源的特征贡献率并排序,如表7所示。
表7 特征贡献率矩阵
一般取累计贡献率达85%-95%发射源作为主发射源,发射源6和发射源5的累计贡献率达到99.8%。因此发射源6和发射源5为目标区域的电磁辐射主发射源,即发射源6和发射源5时目标区域电磁辐射发生波动的主要影响因素,发射源6和发射源5的电磁辐射主源时序数据如表8所示。
表8电磁辐射主源时序数据
步骤S2、基于电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型,电磁辐射主源波动趋势模型用于输出电磁辐射主源时序数据在未来时序的预测发展趋势;
为了使得电磁辐射主源波动趋势模型的预测准确率较高需要获得大数量级的电磁辐射主源数据,如表9所示。
表9 电磁辐射主源时序数据
步骤S2中,电磁辐射主源波动趋势模型的构建方法包括:
将电磁辐射主源时序数据拆分为两个连续时序段和的时序数据和,并分别作为训练时序样本和测试时序样本,其中,表征为时序处的训练样本,且为时序处的电磁辐射主源真实数据,表征为时序处的测试样本,且为时序处的电磁辐射主源真实数据,M表征为训练时序样本的时序总数目,m表征为电磁辐射多源时序数据的时序总数目;
电磁辐射主源波动趋势模型的构建方法还包括:
将训练时序样本依时序输入CNN卷积神经网络进行电磁辐射主发射源的波动特征提取,输出波动特征序列,其中,CNN卷积神经网络的训练参数设定包括:网络滤波器设定为128个,激活函数设定为Relu函数,池化处理设定为max-poling模式,dropout概率设定为0.20;
将波动特征序列输入值LSTM长短期记忆网络中进行时序预测训练,输出连续时序段上的电磁辐射主源预测时序数据,其中,LSTM长短期记忆网络的训练参数设定包括:网络层timestep设定为电参特征序列的特征类别数,训练方式设置为seq2seq的反向传递模式,误差设定为,M为训练时序样本的时序总数目,表征为电磁辐射主发射源在时序的电磁辐射主源真实数据,为LSTM长短期记忆网络输出的电磁辐射主发射源在时序的电磁辐射主源预测数据,表征为电磁辐射主发射源的预测误差;
电磁辐射主源波动趋势模型的输入为电磁辐射主源时序数据,输出为未来时序的预测电磁辐射主源时序数据,其中,表征为电磁辐射主发射源在未来时序处的电磁辐射主源预测数据,r为未来时序的总数目,m为电磁辐射多源时序数据的时序总数目。
电磁辐射主源波动趋势模型输入输出结果如表10所示。
表10 电磁辐射主源波动趋势模型输入输出结果
可预测出发射源5和发射源6在未来时序上的电磁辐射值,一旦发射源5和发射源6发生异常波动,则会打破发射源5和发射源6的辐射发射的稳定性,导致发射源5和发射源6在未来时序上的真实电磁辐射值与发射源5和发射源6在未来时序上的预测电磁辐射值不一致,而不一致的时序正好体现了发射源5和6的异常波动的发生时序,本实施例提供了一种监听因子用于监测发射源5和6的异常波动的发生时序。
步骤S3、利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子,并根据监听因子判定电磁辐射主发射源的稳定性,以及根据稳定性对电磁辐射主发射源进行波动分析,实现对目标区域内电磁辐射主发射源的波动监听以掌握电磁辐射主发射源的波动特征。
步骤S3中,监听因子的构建方法包括:
电磁辐射主发射源的真实监测输出和模型预测输出如表11所示。
表11电磁辐射主发射源的真实监测输出和模型预测输出。
电磁辐射主发射源的监听因子如表12所示。
表12 电磁辐射主发射源的监听因子
步骤S3中,稳定性的判定方法包括:
本实施例对稳定阈值范围不作限定,由使用者进行自定义。
步骤S3中,波动分析的方法包括:
将波动时序链进行曲线拟合得到波动特征分析曲线,波动特征分析曲线包含有电磁辐射主发射源k发射的电磁辐射的波动规律,波动特征分析曲线仅包含电磁辐射主发射源k发射的电磁辐射出现异常波动的时序,可以对电磁辐射主发射源k的电磁辐射主源时序数据进行压缩成仅保留异常波动特征的时序数据,能够降低波动分析的数据处理量,从而更为精准的分析出波动规律。
如图2所示,基于上述电磁辐射数据监控分析方法,本发明提供了一种分析系统,包括:
数据预处理单元1,用于对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据;
模型建立单元2,用于基于电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型;
稳定性监听单元3,用于利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子,并根据监听因子判定电磁辐射主发射源的稳定性。
本发明利用主成分分析电磁辐射多源时序数据计算出目标区域内多个电磁辐射发射源在每个时序上的特征贡献率,根据特征贡献率识别出目标区域内作为对电磁辐射多源时序数据的波动特征具有主要影响的电磁辐射主发射源,因此通过对电磁辐射主发射源的进行稳定性预测以及稳定性监听,可实现掌握目标区域的电磁辐射的波动特征,得到目标区域的电磁辐射的波动规律。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (6)
1.一种电磁辐射数据监控分析方法,其特征在于,包括以下步骤:
步骤S1、对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据,所述电磁辐射主源时序数据表征为电磁辐射主发射源的波动特征;
步骤S2、基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型,所述电磁辐射主源波动趋势模型用于输出电磁辐射主源时序数据在未来时序的预测发展趋势;
步骤S3、利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子,并根据监听因子判定电磁辐射主发射源的稳定性,以及根据所述稳定性对所述电磁辐射主发射源进行波动分析,实现对目标区域内电磁辐射主发射源的波动监听以掌握电磁辐射主发射源的波动特征;
所述监听因子的构建方法包括:
所述稳定性的判定方法包括:
所述波动分析的方法包括:
将所述波动时序链进行曲线拟合得到波动特征分析曲线,所述波动特征分析曲线包含有电磁辐射主发射源k发射的电磁辐射的波动规律。
2.根据权利要求1所述的一种电磁辐射数据监控分析方法,其特征在于:所述步骤S1中,所述电磁辐射主源时序数据的识别方法包括:
3.根据权利要求2所述的一种电磁辐射数据监控分析方法,其特征在于:所述步骤S2中,所述电磁辐射主源波动趋势模型的构建方法包括:
将所述电磁辐射主源时序数据拆分为两个连续时序段和的时序数据和,并分别作为训练时序样本和测试时序样本,其中,表征为时序处的训练样本,且为时序处的电磁辐射主源真实数据,表征为时序处的测试样本,且为时序处的电磁辐射主源真实数据,M表征为训练时序样本的时序总数目,m为电磁辐射多源时序数据的时序总数目;
4.根据权利要求3所述的一种电磁辐射数据监控分析方法,其特征在于:所述电磁辐射主源波动趋势模型的构建方法还包括:
将所述训练时序样本依时序输入CNN卷积神经网络进行电磁辐射主发射源的波动特征提取,输出波动特征序列,其中,所述CNN卷积神经网络的训练参数设定包括:网络滤波器设定为128个,激活函数设定为Relu函数,池化处理设定为max-poling模式,dropout概率设定为0.20;
将所述波动特征序列输入至LSTM长短期记忆网络中进行时序预测训练,输出连续时序段上的电磁辐射主源预测时序数据,其中,所述LSTM长短期记忆网络的训练参数设定包括:网络层timestep设定为电参特征序列的特征类别数,训练方式设置为seq2seq的反向传递模式,误差设定为,M为训练时序样本的时序总数目,表征为电磁辐射主发射源在时序的电磁辐射主源真实数据,为LSTM长短期记忆网络输出的电磁辐射主发射源在时序的电磁辐射主源预测数据,表征为电磁辐射主发射源的预测误差;
6.一种根据权利要求1-5任一项所述的电磁辐射数据监控分析方法构建的分析系统,其特征在于,包括:
数据预处理单元(1),用于对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据;
模型建立单元(2),用于基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型;
稳定性监听单元(3),用于利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子,并根据监听因子判定电磁辐射主发射源的稳定性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095842.6A CN113553776B (zh) | 2021-09-18 | 2021-09-18 | 一种电磁辐射数据监控分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095842.6A CN113553776B (zh) | 2021-09-18 | 2021-09-18 | 一种电磁辐射数据监控分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113553776A CN113553776A (zh) | 2021-10-26 |
CN113553776B true CN113553776B (zh) | 2022-02-08 |
Family
ID=78134424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111095842.6A Active CN113553776B (zh) | 2021-09-18 | 2021-09-18 | 一种电磁辐射数据监控分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553776B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238873A (zh) * | 2017-05-05 | 2017-10-10 | 池德龙 | 一种关于气旋状态的统计分析预报系统及调节方法 |
WO2019222556A1 (en) * | 2018-05-16 | 2019-11-21 | Gtx, Inc. | Selective androgen receptor degrader (sard) ligands and methods of use thereof |
CN111244975A (zh) * | 2020-03-09 | 2020-06-05 | 特变电工西安电气科技有限公司 | 一种基于主从微电网系统离网运行模式的稳定控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561251B (zh) * | 2020-11-30 | 2022-10-25 | 广东电网有限责任公司广州供电局 | 配电网异常点检测方法、装置、计算机设备及存储介质 |
-
2021
- 2021-09-18 CN CN202111095842.6A patent/CN113553776B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238873A (zh) * | 2017-05-05 | 2017-10-10 | 池德龙 | 一种关于气旋状态的统计分析预报系统及调节方法 |
WO2019222556A1 (en) * | 2018-05-16 | 2019-11-21 | Gtx, Inc. | Selective androgen receptor degrader (sard) ligands and methods of use thereof |
CN111244975A (zh) * | 2020-03-09 | 2020-06-05 | 特变电工西安电气科技有限公司 | 一种基于主从微电网系统离网运行模式的稳定控制方法 |
Non-Patent Citations (2)
Title |
---|
Electromagnetic Disturbance of Electric Drive System Signal is Extracted Based on PLS;Yun Wang 等;《AIP Conference Proceedings》;20180531;第020028-1-020028-5页 * |
人工视网膜的电磁辐射抗扰度测试方法及测试平台研究;郝烨 等;《中国医疗设备》;20190910;第34卷(第9期);第13-16、23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113553776A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6487523B2 (en) | Model for spectral and chromatographic data | |
CN116559598B (zh) | 一种智慧配电网故障定位方法及系统 | |
Corbetta et al. | On dynamic state-space models for fatigue-induced structural degradation | |
CN110632546B (zh) | 基于全网域证据集的电子式互感器可信度评估方法和装置 | |
CN105158200A (zh) | 一种提高近红外光谱定性分析准确度的建模方法 | |
Aufort et al. | Constraining the recent star formation history of galaxies: an approximate Bayesian computation approach | |
Bhaduri et al. | Multiplicity fluctuation and phase transition in high-energy collision—A chaos-based study with complex network perspective | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN113553776B (zh) | 一种电磁辐射数据监控分析方法及系统 | |
CN114118460A (zh) | 基于变分自编码器的低压台区线损率异常检测方法及装置 | |
CN116340757B (zh) | 一种特征自适应地震预警震级预测方法及其系统 | |
Huan et al. | A variable selection method of near infrared spectroscopy based on automatic weighting variable combination population analysis | |
US20130304396A1 (en) | Online statistical analysis of neutron time intervals using bayesian probability analysis | |
Musselle | Insights into the antigen sampling component of the dendritic cell algorithm | |
CN112395280B (zh) | 一种数据质量检测方法及其系统 | |
CN114861800A (zh) | 模型训练方法、概率确定方法、装置、设备、介质及产品 | |
Veronig et al. | Determination of fractal dimensions of solar radio bursts | |
JPH0750042B2 (ja) | スペクトル分析装置における状態分析方法 | |
Van Milligen et al. | Function parametrization: a fast inverse mapping method | |
Soulsbury et al. | A rules-based approach to classification of chemical acoustic emission signals | |
Srinivasan et al. | Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction | |
Lista | Hypothesis Testing | |
Dixon et al. | Data Assimilation Applied to Pressurised Water Reactors | |
Clark et al. | Measurement of the top quark mass in the $ t\bar {t}\rightarrow $ lepton+ jets channel from $\sqrt {s}= 8$ TeV ATLAS data and combination with previous results | |
Alamaniotis et al. | Short-term gamma background anticipation using learning Gaussian processes |
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 | ||
CP03 | Change of name, title or address |
Address after: 610015 No. 1534, floor 15, building 1, No. 88, Guanghua South Third Road, Qingyang District, Chengdu, Sichuan Province Patentee after: Nobicam Artificial Intelligence Technology (Chengdu) Co.,Ltd. Address before: No. 1534, floor 15, building 1, No. 88, Guanghua South Third Road, Qingyang District, Chengdu, Sichuan 610074 Patentee before: CHENGDU NUOBIKAN TECHNOLOGY Co.,Ltd. |
|
CP03 | Change of name, title or address |