CN113593674A - 一种基于结构化神经网络的性格影响因子分析方法 - Google Patents
一种基于结构化神经网络的性格影响因子分析方法 Download PDFInfo
- Publication number
- CN113593674A CN113593674A CN202010370701.XA CN202010370701A CN113593674A CN 113593674 A CN113593674 A CN 113593674A CN 202010370701 A CN202010370701 A CN 202010370701A CN 113593674 A CN113593674 A CN 113593674A
- Authority
- CN
- China
- Prior art keywords
- factor
- neural network
- character
- structured neural
- rotated
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000000556 factor analysis Methods 0.000 title claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 16
- 239000013598 vector Substances 0.000 description 14
- 238000001514 detection method Methods 0.000 description 6
- 230000002996 emotional effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 108700039708 galantide Proteins 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Developmental Disabilities (AREA)
- Biomedical Technology (AREA)
- Child & Adolescent Psychology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Social Psychology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Psychology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于结构化神经网络的性格影响因子分析方法。所述方法根据性格量表测评数据可以建立一种结构化神经网络模型,通过该模型可以充分地分析性格与各影响因子之间的非线性关系;结构化神经网络模型建立前首先对用户原始数据进行筛选以及归一化处理,并形成样本点;然后基于样本点分析每一个题目所属的性格影响因子,通过数据本身的特点进行因子的提取;最后根据分析出的题目与性格影响因子之间的所属关系构建结构化神经网络的基本结构并基于样本点对该网络进行迭代优化,迭代结束后通过最终的网络模型可以得到性格与各影响因子之间的具体关系。本发明将结构化神经网络引入到性格影响因子分析研究内容中,不仅仅可以发挥神经网络针对于非线性关系的强拟合性,而且通过网络的结构自定义可以更进一步提高网络拟合的合理性。
Description
技术领域
本发明涉及到性格影响因子分析技术领域,特别是涉及一种基于结构化神经网络的性格影响因子分析方法。
背景技术
性格是一个人对现实的稳定态度,是习惯性行为中与该态度相对应的个人特质,是人格中最重要的一个方面。性格与人们的生活息息相关,不同的性格特点会对人生产生不同的影响。对于性格的分类,我们熟知的有内向和外向的分类,但是,实际上,不同学者对与性格的分类都持有自己的见解,而且分了的数目也不尽相同,有三类,比如体形说,有分为四类,比如DISC性格类型理论,还有分为五类的比如PDP性格测试系统等等。之所以不同人对于性格的分类有着不同的看法,是因为性格本身的影响因子没有成熟统一的标准。性格虽然有先天的影响方面,但是,个体经历的事件以及周围的环境对个体的性格的影响也是不容忽视的。所以,探索对于一个个体的性格有哪些影响因子也是对性格评估的一个重要方向。
性格影响因子的评估也是心理学上一个很重要的研究内容,在传统心理学领域,对于性格的影响因子的分析,通常是通过心理测评量表来完成,选择不同因子对应的测评量表,然后通过各量表的得分结果来确定各因子之间以及各因子与性格之间的关系。由于受限于采集样本量的限制,使用的分析方法大多以线性方法为主,比如说中介模型或者结构方程等等,但是,这些方法对于非线性关系的拟合性较差。随着互联网的快速发展,心理测评的困难性大大降低,测评的规模越来越大,采集到的数据也越来越多。应用如此大的数据量可以从中挖掘出更多的信息,性格与各影响因子之间的关系便是其中之一。所以,目前我们需要一种新的非线性分析方法来探索各因子与性格之间以及各因子之间的的复杂关系。
发明内容
本发明的目的是提供一种基于结构化神经网络的性格影响因子分析方法,以解决现有对性格与性格影响因子之间非线性关系分析不充分的这一问题。
为实现上述目的,本发明提供了如下方案:
一种基于结构化神经网络的性格影响因子分析方法,所述方法包括:
对原始数据进行非空值筛选以及基于不可信度的筛选,并对筛选后的数据进行归一化处理,处理后的数据作为样本点;
根据所述的样本点分析题目所属因子并确定题目所属旋转后的因子变量;
根据所述的题目所属旋转后的因子变量以及所述样本点,构造结构化神经网络模型并确定性格与各影响因子之间的关系。
可选的,所述对原始数据进行非空值筛选以及基于不可信度的筛选,并对筛选后的数据进行归一化处理,处理后的数据作为样本点,具体包括:
判断原始数据中第i个用户作答的量表题目答案中是否含有缺失值,获得第一判断结果;
若所述第一判断结果为第i个用户作答的量表题目答案中含有缺失值,剔除所述第i个用户作答的量表题目答案;
若所述第一判断结果为第i个用户作答的量表题目答案中没有缺失值,保留所述第i个用户作答的量表题目答案,形成预筛选后的数据集;
判断所述的预筛选后的数据集中第i个学生所完成的测谎题是否达到了可信度标准,获得第二判断结果;
若所述的第二判断结果为预筛选后的数据集中第i个学生所完成的测谎题未达到可信度标准,剔除所述第i个用户作答的量表题目答案;
若所述的第二判断结果为预筛选后的数据集中第i个学生所完成的测谎题达到了可信度标准,则保留所述的第i个用户作答的量表题目答案,形成可信数据集;
将所述可信数据集中第i个学生所完成的量表题目的答案形成一个列向量,并对该列向量进行0-1归一化处理,形成第i个学生处理后的题目答案列向量;
将所述的第i个学生处理后的题目答案列向量与第i个学生的量表测评结果合并成一个新的列向量形成第i个学生对应的样本点。
可选的,所述根据所述的样本点分析题目所属因子并确定题目所属旋转后的因子变量,具体包括:
将所述样本点中的所述题目答案列向量进行线性组合,得到与题目数量相同的因子变量以及每一个因子变量对应的特征值;
判断所述的特征值是否大于等于1,形成因子变量筛选标准;
如果所述的特征值小于1,则剔除该特征值对应的因子变量;
如果所述的特征值大于等于1,则保留该特征值所对应的因子变量;
对所述因子变量按照方差最大化的方式进行坐标正交变换,得到旋转后的因子变量;
计算所述题目与所述旋转后的因子变量之间的系数r;
若所述系数rim是题目i对应的所有旋转后的因子变量中系数的最大值,则所述系数rim对应的旋转后的因子变量m形成题目i所属的旋转后的因子变量。
可选的,所述根据所述的题目所属旋转后的因子变量以及所述样本点,构造结构化神经网络模型并确定性格与各影响因子之间的关系,具体包括:
根据所述的题目所属旋转后的因子变量,确定因子变量的数目N以及题目数量为M;
根据所述因子变量数目N以及题目数量M,设置结构化神经网络的输入层个数为1,输入层的节点数为M,隐藏层个数为N,每一个隐藏层的节点数为1,输出层的个数为1,节点数为1;
根据题目所属的旋转后的因子变量,形成题目与旋转后的因子变量之间的关系;
在所述的题目与所属旋转后的因子变量之间的关系中,如果第i个题目所属的旋转后的因子变量为第j个因子变量,将结构化神经网络输入层第i个节点与第j个隐藏层的第1个节点连接,然后将第j个隐藏层的第1个节点与输出层的第1个节点连接,形成结构化神经网络的基本结构;
将所述的每一个样本点中的所述处理后的题目答案列向量提取出来形成结构化神经网络的训练输入值;将所述的每一个样本点中的所述量表测评结果等级形成结构化神经网络的训练目标值;
将结构化神经网络的输入层的每一个节点值设置成所述的训练输入值,获得结构化神经网络的输出层的节点的值,形成结构化神经网络的训练输出值;
计算所述的结构化神经网络的训练输出值与结构化神经网络的训练目标值的均方误差形成训练的误差;
经过多次迭代,直至所述的训练的误差降低至预先设定的阈值,停止迭代,此时得到的结构化神经网络结构即为训练后的网络结构;
从所述的训练后的网络结构中,获得第i个隐藏层的第一个节点与输出层的第一个节点之间的权重系数,形成第i个影响因子与性格之间的系数关系。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于结构化神经网络的性格影响因子分析方法基本流程图;
图2为本发明提供的结构化神经网络的一种基本结构实例。
具体实施方式
本发明的目的是提供一种基于结构化神经网络的性格影响因子分析方法,以解决现有对性格与性格影响因子之间非线性关系分析不充分的这一问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1展示了一种基于结构化神经网络的性格影响因子分析方法的具体流程,共分为四个步骤,具体包括:
步骤101:对所述原始数据进行筛选及归一化处理,形成样本点,具体包括:
判断原始数据中第i个用户作答的量表题目答案中是否含有缺失值,获得第一判断结果;
若所述第一判断结果为第i个用户作答的量表题目答案中含有缺失值,剔除所述第i个用户作答的量表题目答案;
若所述第一判断结果为第i个用户作答的量表题目答案中没有缺失值,保留所述第i个用户作答的量表题目答案,形成预筛选后的数据集;
判断所述的预筛选后的数据集中第i个学生所完成的测谎题是否达到了可信度标准,获得第二判断结果;
若所述的第二判断结果为预筛选后的数据集中第i个学生所完成的测谎题未达到可信度标准,剔除所述第i个用户作答的量表题目答案;
若所述的第二判断结果为预筛选后的数据集中第i个学生所完成的测谎题达到了可信度标准,则保留所述的第i个用户作答的量表题目答案,形成可信数据集;
将所述可信数据集中第i个学生所完成的量表题目的答案形成一个列向量,并对该列向量进行0-1归一化处理,形成第i个学生处理后的题目答案列向量;
将所述的第i个学生处理后的题目答案列向量与第i个学生的量表测评结果合并成一个新的列向量形成第i个学生对应的样本点。
步骤102:对所述样本点分析题目所属旋转后的影响因子,具体包括:
将所述的样本点中的所述题目答案列向量进行线性组合,得到与题目数量相同的因子变量以及每一个因子变量对应的特征值;
判断所述的特征值是否大于等于1,形成因子变量筛选标准;
如果所述的特征值小于1,则剔除该特征值所对应的因子变量;
如果所述的特征值大于等于1,则保留该特征值所对应的因子变量;
对所述因子变量按照方差最大化的方式进行坐标正交变换,得到旋转后的因子变量,并将因子赋予合理的心理学意义,如本实例中的生活事件、心理韧性、情绪状态等等;
计算所述题目与所述旋转后的因子变量之间的系数r;
若所述系数rim是题目i对应的所有因子变量中系数的最大值,则所述系数rim对应的旋转后的因子变量m形成题目i所属的旋转后的因子变量,如题目1属于生活事件因子变量等等。
步骤103:根据所述的题目所属旋转后的影响因子构造结构化神经网络模型,这一部分内容将会结合图2来说明,具体包括:
根据所述的题目所属旋转后的因子变量,确定因子变量的数目N(本实例中为3)以及题目数量为M(本实例中为15);
根据所述因子变量数目N以及题目数量M,设置结构化神经网络的输入层个数为1,输入层的节点数为M=15,即图2中的I层;隐藏层个数为N=3,每一个隐藏层的节点数为1,即图2中的L1、L2、L3层;输出层的个数为1,节点数为1,即图2中的O层;
根据题目所属的旋转后的因子变量,形成题目与旋转后的因子变量之间的关系,本实例中题目与旋转后的因子变量之间的关系为如下:
题目1,2,3,4,5属于因子变量1,生活事件影响因子;
题目6,7,8,9,10属于因子变量2,心理韧性影响因子;
题目11,12,13,14,15属于因子变量3,情绪状态因子;
在所述的题目与所属旋转后的因子变量之间的关系中,如果第i个题目所属的旋转后的因子变量为第j个因子变量,将结构化神经网络输入层第i个节点与第j个隐藏层的第1个节点连接,然后将第j个隐藏层的第1个节点与输出层的第1个节点连接,形成结构化神经网络的基本结构如图2中的w1,w2,...,w18所示;
步骤104:根据结构化神经网络模型确定性格与影响因子之间的关系,这一部分内容将会结合附图2详细说明,具体包括:
将所述的每一个样本点中的所述处理后的题目答案列向量提取出来形成结构化神经网络的训练输入值;将所述的每一个样本点中的所述量表测评结果等级形成结构化神经网络的训练目标值;
将结构化神经网络的输入层I层的每一个节点值设置成所述的训练输入值,获得结构化神经网络的输出层O层的节点的值,形成结构化神经网络的训练输出值;
计算所述的结构化神经网络的训练输出值与结构化神经网络的训练目标值的均方误差形成训练的误差;
经过多次迭代,直至所述的训练的误差降低至预先设定的阈值如1×e-5,停止迭代,此时得到的结构化神经网络结构即为训练后的网络结构;
从所述的训练后的网络结构中,w16系数即代表性格与生活事件影响因子之间的关系,w17系数即代表性格与心理韧性影响因子之间的关系,w18系数即代表性格与情绪状态影响因子之间的关系。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种基于结构化神经网络的性格影响因子分析方法,用于分析性格与其影响因子之间的非线性关系,其特征在于,所述方法包括:
对原始数据进行非空值筛选以及基于不可信度的筛选,并对筛选后的数据进行归一化处理,处理后的数据作为样本点;
根据所述的样本点分析题目所属因子并确定题目所属旋转后的因子变量;
根据所述的题目所属旋转后的因子变量以及所述样本点,构造结构化神经网络模型并确定性格与各影响因子之间的关系。
2.根据权利要求1所述的性格影响因子分析方法,其特征在于,根据所述的样本点分析题目所属因子并确定题目所属旋转后的因子变量,具体包括:
根据所述的样本点构造因子变量,计算所述的因子变量的特征值并根据特征值对所述因子变量进行筛选;
将所述因子变量以方差最大化的方式进行坐标正交变换,得到旋转后的因子变量;
计算每一个题目与每一个所述旋转后的因子变量之间的系数;
对于所述的每一道题目,根据所述的系数,选取最大系数对应的旋转后的因子变量即为所述的题目所属旋转后的因子变量。
3.根据权利要求1所述的性格影响因子分析方法,其特征在于,根据所述的题目所属旋转后的因子变量以及所述样本点,构造结构化神经网络模型并确定性格与各影响因子之间的关系,具体包括:
根据所述的题目所属因子关系,设置隐藏层个数为因子个数并自定义层与层之间的连接关系,构建结构化神经网络基本结构;
根据所述的结构化神经网络基本结构,将所述的样本点作为输入并计算输出结果的误差,经过多次迭代至误差小于设定阈值后,即可得到所述的结构化神经网络模型,网络中各节点之间的权重即为所述性格与各影响因子之间的关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010370701.XA CN113593674B (zh) | 2020-04-30 | 一种基于结构化神经网络的性格影响因子分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010370701.XA CN113593674B (zh) | 2020-04-30 | 一种基于结构化神经网络的性格影响因子分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113593674A true CN113593674A (zh) | 2021-11-02 |
CN113593674B CN113593674B (zh) | 2024-05-31 |
Family
ID=
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003030705A2 (de) * | 2001-10-09 | 2003-04-17 | Dr. G. Schuhfried Gesellschaft M.B.H. | Vorrichtung zum auswerten psychologischer und biomedizinischer rohdaten |
CN108021864A (zh) * | 2017-11-02 | 2018-05-11 | 平安科技(深圳)有限公司 | 人物性格分析方法、装置及存储介质 |
CN109670032A (zh) * | 2019-01-09 | 2019-04-23 | 合肥工业大学 | 一种基于神经网络的微博正向影响力排行方法 |
CN110060762A (zh) * | 2019-04-22 | 2019-07-26 | 北京师范大学 | 一种基于多因子量表数据的心理发展水平评估方法及系统 |
CN110390254A (zh) * | 2019-05-24 | 2019-10-29 | 平安科技(深圳)有限公司 | 基于人脸的性格分析方法、装置、计算机设备及存储介质 |
CN110837523A (zh) * | 2019-10-29 | 2020-02-25 | 山东大学 | 一种基于级联神经网络的高置信改造质量和减假暂量化评估方法 |
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003030705A2 (de) * | 2001-10-09 | 2003-04-17 | Dr. G. Schuhfried Gesellschaft M.B.H. | Vorrichtung zum auswerten psychologischer und biomedizinischer rohdaten |
CN108021864A (zh) * | 2017-11-02 | 2018-05-11 | 平安科技(深圳)有限公司 | 人物性格分析方法、装置及存储介质 |
CN109670032A (zh) * | 2019-01-09 | 2019-04-23 | 合肥工业大学 | 一种基于神经网络的微博正向影响力排行方法 |
CN110060762A (zh) * | 2019-04-22 | 2019-07-26 | 北京师范大学 | 一种基于多因子量表数据的心理发展水平评估方法及系统 |
CN110390254A (zh) * | 2019-05-24 | 2019-10-29 | 平安科技(深圳)有限公司 | 基于人脸的性格分析方法、装置、计算机设备及存储介质 |
CN110837523A (zh) * | 2019-10-29 | 2020-02-25 | 山东大学 | 一种基于级联神经网络的高置信改造质量和减假暂量化评估方法 |
Non-Patent Citations (4)
Title |
---|
READ, STEPHEN J.,等: "A neural network model of the structure and dynamics of human personality", PSYCHOLOGICAL REVIEW, vol. 117, no. 1, pages 61 * |
刘怡桐;杜丽红;张靖;陈建新;杨秋莉;孔军辉;: "基于神经网络的大学生五态人格和心理健康相关性研究", 中医教育, no. 05, pages 56 - 57 * |
王新波,等: "中国中小学生自信量表编制报告", 中国特殊教育, no. 6, pages 58 - 61 * |
郑琳琳;: "原始性创新人格形成的影响因素实证研究――基于BP神经网络训练与DEMATEL测算的方法", 科技进步与对策, no. 18, pages 140 - 145 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378818B (zh) | 基于难度的个性化习题推荐方法、系统及介质 | |
CN110674604B (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
CN108257052B (zh) | 一种在线学生知识评估方法及其系统 | |
CN113422761B (zh) | 基于对抗学习的恶意社交用户检测方法 | |
CN111753207B (zh) | 一种基于评论的神经图协同过滤方法 | |
CN113067653B (zh) | 一种频谱感知方法、装置、电子设备及介质 | |
CN111476495B (zh) | 一种提升学习效率的评价及优化方法及其系统 | |
CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法 | |
CN115327041A (zh) | 一种基于关联性分析的空气污染物浓度预测方法 | |
CN108364066B (zh) | 基于n-gram和wfst模型的人工神经网络芯片及其应用方法 | |
CN111275239A (zh) | 一种基于多模态的网络化教学数据分析方法及系统 | |
CN112578089A (zh) | 一种基于改进tcn的空气污染物浓度预测方法 | |
CN115170874A (zh) | 一种基于解耦蒸馏损失的自蒸馏实现方法 | |
Shao | Research on sports training decision support system based on improved association rules algorithm | |
CN114184861A (zh) | 一种油浸式变压器的故障诊断方法 | |
CN109164794A (zh) | 基于偏f值selm的多变量工业过程故障分类方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN113109782A (zh) | 一种直接应用于雷达辐射源幅度序列的新型分类方法 | |
CN113593674A (zh) | 一种基于结构化神经网络的性格影响因子分析方法 | |
CN113593674B (zh) | 一种基于结构化神经网络的性格影响因子分析方法 | |
CN113674571B (zh) | 一种习题练习方法、系统及存储介质 | |
Zhou et al. | Effectiveness analysis of machine learning in education big data | |
Wu | Study on the differences in behaviour characteristics of distance online autonomous learning in different network virtual environments | |
CN112241454B (zh) | 一种处理样本倾斜的文本分类方法 | |
CN111429005B (zh) | 一种基于少量学生反馈的教学评估方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221018 Address after: 625, Floor 6, Building 1, No. 8, Xinjiekou Outer Street, Xicheng District, Beijing 100088 Applicant after: Beijing Heart Number Matrix Technology Co.,Ltd. Address before: 416, 4th floor, building 5, No. 8, Xinjiekou outer street, Xicheng District, Beijing 100088 Applicant before: Beijing Heart Number Matrix Technology Co.,Ltd. Applicant before: Nie Yingxin |
|
GR01 | Patent grant |