CN113610111B - 分布式多源数据的融合方法、装置、设备及存储介质 - Google Patents
分布式多源数据的融合方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113610111B CN113610111B CN202110776670.2A CN202110776670A CN113610111B CN 113610111 B CN113610111 B CN 113610111B CN 202110776670 A CN202110776670 A CN 202110776670A CN 113610111 B CN113610111 B CN 113610111B
- Authority
- CN
- China
- Prior art keywords
- experimental data
- network model
- preset
- data
- target
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000007500 overflow downdraw method Methods 0.000 title claims description 13
- 230000004927 fusion Effects 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000000605 extraction Methods 0.000 claims description 23
- 238000002474 experimental method Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000013486 operation strategy Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004821 distillation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据融合技术领域,公开了一种分布式多源数据的融合方法、装置设备及存储介质,所述方法包括:根据预设非线性变量相似性对当前实验数据进行划分,得到空间实验数据和时间实验数据;通过预设教师网络模型对空间实验数据和时间实验数据进行特征提取;根据预设网络模型对提取到的目标特征数据进行预测;根据预测结果中的第一参数信息和预设教师网络模型得到的目标教师网络模型及当前实验数据得到多源实验数据,根据多源实验数据和预设学生网络模型得到的目标网络模型实时对预设实验数据进行融合,以实现高效的数据获取;相较于现有技术通过随机类算法和人工智能类算法对数据进行融合,能够有效降低网络资源的占用率以及提高数据融合效率。
Description
技术领域
本发明涉及数据融合技术领域,尤其涉及分布式多源数据的融合方法、装置、设备及存储介质。
背景技术
近年来,随着科学技术的发展,各式各样的传感器应运而生,并且传感器的性能和种类也获得了巨大的提升。但工业互联网生产设备包括数控机床、工业机器人、自动搬运车、清洗设备、检测设备、自动化生产线和自动料库等工业设备,也包括多个传感器或执行器的控制器等工业附属设备,它们在运行过程中会产生大量的异构状态数据并且异构状态数据之间存在着较大的差异性,由于复杂的多传感器存在于系统之中,使得数据信息表现出数据类型的多样性,数据容量的超大性,以及数据与数据之间关系的复杂性,传统的融合算法已经没有办法满足这些复杂系统的要求,在传统融合算法的基础上有提出了新的融合算法,即随机类融合算法和人工智能类融合算法,通过该方法对数据进行融合会导致数据融合效率较低且网络资源的占用率较高。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种分布式多源数据的融合方法、装置、设备及存储介质,旨在解决现有技术无法有效降低网络资源的占用率以及提高数据融合效率的技术问题。
为实现上述目的,本发明提供了一种分布式多源数据的融合方法,所述分布式多源数据的融合方法包括以下步骤:
获取当前实验数据和预设非线性变量相似性,根据所述预设非线性变量相似性对所述当前实验数据进行划分,得到空间实验数据和时间实验数据;
获取预设教师网络模型,通过所述预设教师网络模型对所述空间实验数据和所述时间实验数据进行特征提取,得到目标特征数据;
获取预设网络模型,根据所述预设网络模型对所述目标特征数据进行预测,得到对应的预测结果;
根据所述预测结果中的第一参数信息和所述预设教师网络模型,得到目标教师网络模型;
根据所述目标教师网络模型以及所述当前实验数据得到多源实验数据;
获取预设学生网络模型,根据所述多源实验数据和所述预设学生网络模型得到目标网络模型,获取预设实验数据,根据目标网络模型实时对预设实验数据进行融合,以实现高效的数据获取。
可选地,所述获取当前实验数据和预设非线性变量相似性,根据所述预设非线性变量相似性对所述当前实验数据进行划分,得到空间实验数据和时间实验数据之前,还包括:
采集当前实验数据集;
对所述当前实验数据集进行分析,得到当前实验数据集对应的信号类型;
获取预设信号转换策略,根据所述预设信号转换策略对所述信号类型进行转换,以得到数字信号的实验数据集;
获取预设操作策略,根据所述预设操作策略对所述数字信号的实验数据集进行预处理,得到当前实验数据。
可选地,所述获取预设操作策略,根据所述预设操作策略对所述数字信号的实验数据集进行预处理,得到多源实验数据,包括:
获取预设操作策略,根据所述预设操作策略对所述数字信号的实验数据集进行预处理,得到第一实验数据;
对所述第一实验数据进行变异稀疏分析,得到所述第一实验数据集的分布信息;
根据所述分布信息得到对应的差异性系数,基于所述差异性系数和所述第一实验数据得到当前实验数据。
可选地,所述获取预设教师网络模型,通过预设教师网络模型对所述空间实验数据和所述时间实验数据进行特征提取,得到目标特征数据,包括:
获取预设教师网络模型,根据所述预设教师网络模型对所述空间实验数据进行特征提取,得到空间实验特征信息;
根据所述预设教师网络模型对所述时间实验数据进行特征提取,得到时间实验特征信息;
将所述空间实验特征信息与所述时间实验特征信息进行融合,得到目标特征数据。
可选地,所述根据所述预测结果中的第一参数信息和所述预设教师网络模型,得到目标教师网络模型,包括:
提取所述预设教师网络模型中的第二参数信息;
根据所述预测结果中的第一参数信息对所述第二参数信息进行调整,得到目标参数信息;
基于所述目标参数信息得到对应的目标教师网络模型。
可选地,所述根据所述目标教师网络模型以及所述多源实验数据得到多源实验数据,包括:
将所述当前实验数据输入至所述目标教师网络模型,以使所述所述目标教师网络模型根据所述当前实验数据生成并输出目标标签信息;
获取当前标签信息,根据所述当前标签信息和所述目标标签信息得到对应的交叉熵;
基于所述交叉熵得到多源实验数据。
可选地,所述获取预设学生网络模型,根据所述多源实验数据和所述预设学生网络模型得到当前学习数据,对所述当前学习数据进行融合,包括:
获取预设学生网络模型,将所述多源实验数据输入至所述预设学生网络模型,以使所述预设学生网络模型根据所述多源实验数据生成并输出当前学习数据;
将所述当前学习数据与多源实验数据进行比较,得到比较结果;
获取目标融合度,若所述比较结果中的当前融合度大于目标融合度,则对所述当前学习数据进行融合,得到目标学习数据,并将目标学习数据上传至目标云端。
此外,为实现上述目的,本发明还提出一种分布式多源数据的融合装置,所述分布式多源数据的融合装置包括:
划分模块,用于获取当前实验数据和预设非线性变量相似性,根据所述预设非线性变量相似性对所述当前实验数据进行划分,得到空间实验数据和时间实验数据;
特征提取模块,用于获取预设教师网络模型,通过所述预设教师网络模型对所述空间实验数据和所述时间实验数据进行特征提取,得到目标特征数据;
预测模块,用于获取预设网络模型,根据所述预设网络模型对所述多源实验数据集进行预测,得到对应的预测结果;
获取模块,用于根据所述预测结果中的第一参数信息和所述预设教师网络模型,得到目标教师网络模型;
获取模块,还用于根据所述目标教师网络模型以及所述当前实验数据得到多源实验数据;
融合模块,用于获取预设学生网络模型,根据所述多源实验数据和所述预设学生网络模型得到目标网络模型,获取预设实验数据,根据目标网络模型实时对预设实验数据进行融合,以实现高效的数据获取。
此外,为实现上述目的,本发明还提出一种分布式多源数据的融合设备,所述分布式多源数据的融合设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的分布式多源数据的融合程序,所述分布式多源数据的融合程序配置为实现如上文所述的分布式多源数据的融合方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有分布式多源数据的融合程序,所述分布式多源数据的融合程序被处理器执行时实现如上文所述的分布式多源数据的融合方法。
本发明提出的分布式多源数据的融合方法,通过预设非线性变量相似性对当前实验数据进行划分,得到空间实验数据和时间实验数据;通过预设教师网络模型对空间实验数据和时间实验数据进行特征提取;根据预设网络模型对提取到的目标特征数据进行预测;根据预设结果中的第一参数信息和预设教师网络模型得到目标教师网络模型,基于目标教师网络模型和当前实验数据得到多源实验数据,根据多源实验数据和预设学生网络模型得到的目标网络模型实时对预设实验数据进行融合,以实现高效的数据获取;相较于现有技术通过随机类算法和人工智能类算法对数据进行融合,能够有效降低网络资源的占用率以及提高数据融合效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的分布式多源数据的融合设备的结构示意图;
图2为本发明分布式多源数据的融合方法第一实施例的流程示意图;
图3为本发明分布式多源数据的融合方法一实施例的蒸馏框架图;
图4为本发明分布式多源数据的融合方法第二实施例的流程示意图;
图5为本发明分布式多源数据的融合方法一实施例的目标教师网络模型示意图;
图6为本发明分布式多源数据的融合方法第三实施例的流程示意图;
图7为本发明分布式多源数据的融合装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的分布式多源数据的融合设备结构示意图。
如图1所示,该分布式多源数据的融合设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对分布式多源数据的融合设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及分布式多源数据的融合程序。
在图1所示的分布式多源数据的融合设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明分布式多源数据的融合设备中的处理器1001、存储器1005可以设置在分布式多源数据的融合设备中,所述分布式多源数据的融合设备通过处理器1001调用存储器1005中存储的分布式多源数据的融合程序,并执行本发明实施例提供的分布式多源数据的融合方法。
基于上述硬件结构,提出本发明分布式多源数据的融合方法实施例。
参照图2,图2为本发明分布式多源数据的融合方法第一实施例的流程示意图。
在第一实施例中,所述分布式多源数据的融合方法包括以下步骤:
步骤S10,获取当前实验数据和预设非线性变量相似性,根据所述预设非线性变量相似性对所述当前实验数据进行划分,得到空间实验数据和时间实验数据。
需要说明的是,本实施例的执行主体为分布式多源数据的融合设备,还可为其他可实现相同或相似功能的设备,例如多源数据融合服务器等,本实施例对此不作限制,在本实施例中,以多源数据融合服务器为例进行说明。
应当理解的是,当前实验数据是指当前实验数据集中的所有实验数据,该当前实验数据集是在实验时实时采集得到的,在得到当前实验数据集后,需要对当前实验数据集进行分析,得到当前实验数据集的信号类型,此时的当前实验数据集的信号类型为模拟信号,由于在进行数据融合时需要的数据类型为数字信号,因此需要通过预设转换策略将当前实验数据集的信号类型转换为数字信号,预设转换策略指的是将数据集中的信号类型转换为其他类型的策略,该预设转换策略只能将当前数据集中的信号类型转换为其他类型的数据,由于在转换过程中会造成数据的流失,因此在转换成其他类型的数据集后,无法再将其他类型的数据转换当前数据集。
可以理解的是,在得到数字信号的实验数据集后,需要通过预设操作策略对数字信号的实验数据集进行预处理,得到当前实验数据,其中,预设操作策略指的是去掉数字信号的实验数据集中在实验过程中对实验数据造成影响的策略,包括:去噪、去重以及填充等等,通过预处理后的数据信号的实验数据集中会减少无用的数据,以得到更加准确的实验数据,在对数字信号的实验数据集进行预处理后,得到第一实验数据,此时的第一实验数据是有效实验数据,并不是当前实验数据,需要对第一实验数据进行变异稀疏分析,此时可知第一实验数据的分布信息,分布信息为第一实验数据分布的密集、稀疏程度,统计第一实验数据的分布信息,得到对应的概率图,通过对该概率图进行分析,即可得到对应的差异性系数,通过差异性系数将第一实验数据中分布较为集中的实验数据去除,在去除完成后,即可得到当前实验数据。
应当理解的是,预设非线性变量相似性指的是实验数据的相似性,在得第一实验数据的概率图后,对概率图进行分析,得到第一实验数据的距离信息,根据第一实验数据的距离信息即可得到对应的预设非线性变量相似性,根据预设非线性变量相似性对当前实验数据进行划分,得到空间实验数据和时间实验数据,该空间实验数据指的是在空间向量上的实验数据,时间实验数据指的是在时间向量上的实验数据。
在具体实施中,多源数据融合服务器获取当前实验数据和预设非线性变量相似性,根据所述预设非线性变量相似性对所述当前实验数据进行划分,得到空间实验数据和时间实验数据。
步骤S20,获取预设教师网络模型,通过所述预设教师网络模型对所述空间实验数据和所述时间实验数据进行特征提取,得到目标特征数据。
应当理解的是,预设教师网络模型指的是将通过神经网络模型和教师教学内容训练得到的网络模型,该预设教师网络只包括教学基本功能的简单网络模型,在得到空间实验数据和时间实验数据后,将空间实验数据和时间实验数据分别输入至预设教师网络模型中,此时预设教师网络模型会根据输入数据的先后顺序对空间实验数据和时间实验数据依次进行特征提取,此时得到空间实验数据的特征信息和时间实验数据的特征信息,为了提高预测的准确性,此时需要将空间实验数据的特征信息时间实验数据的特征信息进行融合,得到目标特征数据。
在具体实施中,多源数据融合服务器获取预设教师网络模型,通过所述预设教师网络模型对所述空间实验数据和所述时间实验数据进行特征提取,得到目标特征数据。
步骤S30,获取预设网络模型,根据所述预设网络模型对所述目标特征数据进行预测,得到对应的预测结果。
应当理解的是,预设网络模型指的是包含卷积计算且具有深度结构的卷积神经网络模型(Convolutional Neural Networks,CNN),也可以为其他具有相同的网络模型,本实施例以CNN网络模型为例进行说明,在得到目标特征数据后,将目标特征数据输入至CNN网络模型,以使CNN网络模型对目标特征数据进行预测,得到对应的预测结果。
在具体实施中,多源数据融合服务器获取预设网络模型,根据所述预设网络模型对所述目标特征数据进行预测,得到对应的预测结果。
步骤S40,根据所述预测结果中的第一参数信息和所述预设教师网络模型,得到目标教师网络模型。
应当理解的是,第一参数信息指的是与目标特征数据对应的参数信息,预测结果中包括第一参数信息和其他原始固有的参数信息,由于第一参数信息与目标特征信息一一对应,因此需要将预设结果中的第一参数信息提取出来,将预设教师网络模型中的第二参数信息调整为第一参数信息,以得到较为复杂的目标教师网络模型。
在具体实施中,多源数据融合服务器根据所述预测结果中的第一参数信息和所述预设教师网络模型,得到目标教师网络模型。
步骤S50,根据所述目标教师网络模型以及所述当前实验数据得到多源实验数据。
可以理解的是,当前实验数据是从当前实验数据集中分析得到的,将当前实验数据输入至目标教师网络模型中,以使目标教师网络模型根据当前实验数据集输出目标标签信息,根据当前标签信息和目标标签信息得到对应的交叉熵,基于交叉熵得到对应的多源实验数据,此时的多源实验数据为标准数据,数据的真实性和准确度都比较高,将多源实验数据作为学生网络模型比较的标准数据,当前标签信息指的是预设学生网络模型通过当前实验数据输出的数据,目标标签信息是目标教师网络模型通过当前实验数据输出的数据,交叉熵又称作损失函数,损失函数具体公式为Loss=Ldistill=crossentropy(si,ti),其中si表示预设学生网络模型对于当前实验数据的输出,ti表示的是目标教师网络模型对当前实验数据的输出,crossentropy表示交叉熵损失。
应当理解的是,参照图3,图3为本发明分布式多源数据的融合方法一实施例的蒸馏框架图,具体为将得到的当前实验数据属于至目标教师网络模型中,以使目标教师网络模型输出目标标签信息,将目标标签信息与预设学生网络模型输出的当前标签信息比较,得到交叉熵得到对应的多源实验数据,将多源实验数据输入至预设学生网络模型中,以得到目标网络模型,通过各式各样的传感器测量得到预设实验数据,根据目标网络模型对预设实验数据进行实时融合,并将融合得到的数据上传至云端服务器。
在具体实施中,多源数据融合服务器根据所述目标教师网络模型以及所述当前实验数据得到多源实验数据。
步骤S60,获取预设学生网络模型,根据所述多源实验数据和所述预设学生网络模型得到目标网络模型,获取预设实验数据,根据目标网络模型实时对预设实验数据进行融合,以实现高效的数据获取。
应当理解的是,预设学生网络模型指的是将通过神经网络模型和学生学习内容训练得到的网络模型,在得到多源实验数据后,将多源实验数据输入至预设学生网络模型中,以使预设学生网络模型根据多源实验数据进行训练,得到目标网络模型,此时需要将目标网络模型下发到各个边缘节点,通过各式各样的传感器测得对应的预设实验数据,基于目标网络模型对预设实验数据进行实时融合,此时对预设实验数据进行融合的场景为上位机,并将融合得到的数据上传至云端服务器以供使用。
在具体实施中,多源数据融合服务器获取预设学生网络模型,根据所述多源实验数据和所述预设学生网络模型得到目标网络模型,获取预设实验数据,根据目标网络模型实时对预设实验数据进行融合,以实现高效的数据获取。
本实施例通过预设非线性变量相似性对当前实验数据进行划分,得到空间实验数据和时间实验数据;通过预设教师网络模型对空间实验数据和时间实验数据进行特征提取;根据预设网络模型对提取到的目标特征数据进行预测;根据预设结果中的第一参数信息和预设教师网络模型得到目标教师网络模型,基于目标教师网络模型和当前实验数据得到多源实验数据根据多源实验数据和预设学生网络模型得到的目标网络模型实时对预设实验数据进行融合,以实现高效的数据获取;相较于现有技术通过随机类算法和人工智能类算法对数据进行融合,能够有效降低网络资源的占用率以及提高数据融合效率。
在一实施例中,如图4所述,基于第一实施例提出本发明分布式多源数据的融合方法第二实施例,所述步骤S40,包括:
步骤S401,提取所述预设教师网络模型中的第二参数信息。
应当理解的是,第二参数信息指的是预设教师网络模型中的原始参数信息,由于预设教师网络模型为通过神经网络模型和教师教学内容训练得到的网络模型,在得到预设教师网络模型后,将预设教师网络模型中的参数信息提取出来,此时提取的参数信息为第二参数信息。
在具体实施中,多源数据融合服务器提取所述预设教师网络模型中的第二参数信息。
步骤S402,根据所述预测结果中的第一参数信息对所述第二参数信息进行调整,得到目标参数信息。
可以理解的是,在得到第一参数信息和第二参数信息后,由于第一参数信息为预设网络模型对目标特征特征数据融合的参数信息,因此该参数信息为目标教师网络模型的参数信息,此时需要根据第一参数信息对第二参数信息进行调整,该调整方式可以为将第二参数信息中的部分参数信息进行调整,也可以直接用第二参数信息替换第一参数信息,在调整完成后,得到对应的目标参数信息。
在具体实施中,多源数据融合服务器根据所述预测结果中的第一参数信息对所述第二参数信息进行调整,得到目标参数信息。
步骤S403,基于所述目标参数信息得到对应的目标教师网络模型。
应当理解的是,在得到目标参数信息和预设教师网络模型后,将目标参数信息与预设教师网络模型进行结合,即可得到目标教师网络模型,并对目标教师网络模型进行测试,若测试结果与预期结果一致,则该目标教师网络模型的构成成功,参考图5,图5为本发明分布式多源数据的融合方法一实施例的目标教师网络模型示意图,具体为:该目标教师网络模型为双向长短记忆网络模型,其中X=(X0,X1......Xn),分别为当前时刻的具有时序属性的数据与当前时刻具有空间属性的数据,时序属性的数据称为时间实验数据,空间属性的数据称为空间实验数据,将时间实验数据和空间实验数据输入至预设网络模型中训练,经过训练自动对时间实验数据和空间实验数据进行特征提取,将提取后的数据输入至CNN网络中,最后经过分类器进行数据的预测,最后与当前标签信息比较,经过优化函数反向传播训练这个网络结构,Softmax函数多用于神经网络的分类。
在具体实施中,多源数据融合服务器基于所述目标参数信息得到对应的目标教师网络模型。
本实施例通过提取所述预设教师网络模型中的第二参数信息;根据所述预测结果中的第一参数信息对所述第二参数信息进行调整,得到目标参数信息;基于所述目标参数信息得到对应的目标教师网络模型;通过根据预设结果中的第一参数信息对第二参数信息进行调整,得到目标参数信息,基于目标参数信息和预设教师网络模型得到目标教师网络模型,从而有效提高获得目标教师网络模型的准确性。
在一实施例中,如图6所述,基于第一实施例提出本发明分布式多源数据的融合方法第三实施例,所述步骤S60,包括:
步骤S601,获取预设学生网络模型,将所述多源实验数据输入至所述预设学生网络模型,以使所述预设学生网络模型根据所述多源实验数据得到目标网络模型。
可以理解的是,预设学生网络模型指的是将通过神经网络模型和学生学习内容训练得到的网络模型,在得到多源实验数据后,需要将多源实验数据输入至预设学生网络模型中,以使预设学生模型根据多源实验数据进行训练,得到目标网络模型。
在具体实施中,多源数据融合服务器获取预设学生网络模型,将所述多源实验数据输入至所述预设学生网络模型,以使所述预设学生网络模型根据所述多源实验数据得到目标网络模型。
步骤S602,获取预设实验数据,根据所述目标网络模型对所述预设实验数据进行融合,得到对应的当前融合度。
可以理解的是,由于当前融合度为目标网络模型对预设实验数据融合时得到的融合度,为了提高得到融合后的数据的准确性,在通过目标网络模型对预设实验数据融合的过程中需要得到当前融合度,通过当前融合度判断目标网络模型融合预设实验数据是否合格。
在具体实施中,多源数据融合服务器获取预设实验数据,根据所述目标网络模型对所述预设实验数据进行融合,得到对应的当前融合度。
步骤S603,获取目标融合度,若所述当前融合度大于目标融合度,则将融合后的数据上传至目标云端。
可以理解的是,目标融合度指的是基于人为设置的融合度,该目标融合度可以设置为98%,也可以设置为其他值,本实施例对此不作限制,以98%为例进行说明,若当前融合度为99%,而预设融合度为98%,则表明此时通过目标网络模型对预设实验数据融合时合格的,此时可以将目标网络模型下发到各个边缘节点,基于目标网络模型对预设实验数据进行数据融合,并将融合的数据上传至目标云端,该云端可以为中心云,也可以为其他实现相同功能的云端,本实施例对此不作限制。
在具体实施中,多源数据融合服务器获取目标融合度,若所述当前融合度大于目标融合度,则将融合后的数据上传至目标云端。
本实施例通过获取预设学生网络模型,将所述多源实验数据输入至所述预设学生网络模型,以使所述预设学生网络模型根据所述多源实验数据得到目标网络模型;获取预设实验数据,根据所述目标网络模型对所述预设实验数据进行融合,得到对应的当前融合度;获取目标融合度,若所述当前融合度大于目标融合度,则将融合后的数据上传至目标云端;通过预设学生网络模型和多源实验数据得到目标网络模型,根据目标网络模型对预设实验数据进行融合,在融合得到当前融合度大于目标融合度时,将融合后的数据上传至目标云端,从而有效提高融合预设实验数据的准确率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有分布式多源数据的融合程序,所述分布式多源数据的融合程序被处理器执行时实现如上文所述的分布式多源数据的融合方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,参照图7,本发明实施例还提出一种分布式多源数据的融合装置,所述分布式多源数据的融合装置包括:
划分模块10,用于获取当前实验数据和预设非线性变量相似性,根据所述预设非线性变量相似性对所述当前实验数据进行划分,得到空间实验数据和时间实验数据。
应当理解的是,当前实验数据是指当前实验数据集中的所有实验数据,该当前实验数据集是在实验时实时采集得到的,在得到当前实验数据集后,需要对当前实验数据集进行分析,得到当前实验数据集的信号类型,此时的当前实验数据集的信号类型为模拟信号,由于在进行数据融合时需要的数据类型为数字信号,因此需要通过预设转换策略将当前实验数据集的信号类型转换为数字信号,预设转换策略指的是将数据集中的信号类型转换为其他类型的策略,该预设转换策略只能将当前数据集中的信号类型转换为其他类型的数据,由于在转换过程中会造成数据的流失,因此在转换成其他类型的数据集后,无法再将其他类型的数据转换当前数据集。
可以理解的是,在得到数字信号的实验数据集后,需要通过预设操作策略对数字信号的实验数据集进行预处理,得到当前实验数据,其中,预设操作策略指的是去掉数字信号的实验数据集中在实验过程中对实验数据造成影响的策略,包括:去噪、去重以及填充等等,通过预处理后的数据信号的实验数据集中会减少无用的数据,以得到更加准确的实验数据,在对数字信号的实验数据集进行预处理后,得到第一实验数据,此时的第一实验数据是有效实验数据,并不是当前实验数据,需要对第一实验数据进行变异稀疏分析,此时可知第一实验数据的分布信息,分布信息为第一实验数据分布的密集、稀疏程度,统计第一实验数据的分布信息,得到对应的概率图,通过对该概率图进行分析,即可得到对应的差异性系数,通过差异性系数将第一实验数据中分布较为集中的实验数据去除,在去除完成后,即可得到当前实验数据。
应当理解的是,预设非线性变量相似性指的是实验数据的相似性,在得第一实验数据的概率图后,对概率图进行分析,得到第一实验数据的距离信息,根据第一实验数据的距离信息即可得到对应的预设非线性变量相似性,根据预设非线性变量相似性对当前实验数据进行划分,得到空间实验数据和时间实验数据,该空间实验数据指的是在空间向量上的实验数据,时间实验数据指的是在时间向量上的实验数据。
在具体实施中,多源数据融合服务器获取当前实验数据和预设非线性变量相似性,根据所述预设非线性变量相似性对所述当前实验数据进行划分,得到空间实验数据和时间实验数据。
特征提取模块20,用于获取预设教师网络模型,通过所述预设教师网络模型对所述空间实验数据和所述时间实验数据进行特征提取,得到目标特征数据。
应当理解的是,预设教师网络模型指的是将通过神经网络模型和教师教学内容训练得到的网络模型,该预设教师网络只包括教学基本功能的简单网络模型,在得到空间实验数据和时间实验数据后,将空间实验数据和时间实验数据分别输入至预设教师网络模型中,此时预设教师网络模型会根据输入数据的先后顺序对空间实验数据和时间实验数据依次进行特征提取,此时得到空间实验数据的特征信息和时间实验数据的特征信息,为了提高预测的准确性,此时需要将空间实验数据的特征信息时间实验数据的特征信息进行融合,得到目标特征数据。
在具体实施中,多源数据融合服务器获取预设教师网络模型,通过所述预设教师网络模型对所述空间实验数据和所述时间实验数据进行特征提取,得到目标特征数据。
预测模块30,用于获取预设网络模型,根据所述预设网络模型对所述多源实验数据集进行预测,得到对应的预测结果。
应当理解的是,预设网络模型指的是包含卷积计算且具有深度结构的卷积神经网络模型(Convolutional Neural Networks,CNN),也可以为其他具有相同的网络模型,本实施例以CNN网络模型为例进行说明,在得到目标特征数据后,将目标特征数据输入至CNN网络模型,以使CNN网络模型对目标特征数据进行预测,得到对应的预测结果。
在具体实施中,多源数据融合服务器获取预设网络模型,根据所述预设网络模型对所述目标特征数据进行预测,得到对应的预测结果。
获取模块40,用于根据所述预测结果中的第一参数信息和所述预设教师网络模型,得到目标教师网络模型。
应当理解的是,第一参数信息指的是与目标特征数据对应的参数信息,预测结果中包括第一参数信息和其他原始固有的参数信息,由于第一参数信息与目标特征信息一一对应,因此需要将预设结果中的第一参数信息提取出来,将预设教师网络模型中的第二参数信息调整为第一参数信息,以得到较为复杂的目标教师网络模型。
在具体实施中,多源数据融合服务器根据所述预测结果中的第一参数信息和所述预设教师网络模型,得到目标教师网络模型。
获取模块40,还用于根据所述目标教师网络模型以及所述当前实验数据得到多源实验数据。
可以理解的是,当前实验数据是从当前实验数据集中分析得到的,将当前实验数据输入至目标教师网络模型中,以使目标教师网络模型根据当前实验数据集输出目标标签信息,根据当前标签信息和目标标签信息得到对应的交叉熵,基于交叉熵得到对应的多源实验数据,此时的多源实验数据为标准数据,数据的真实性和准确度都比较高,将多源实验数据作为学生网络模型比较的标准数据,当前标签信息指的是预设学生网络模型通过当前实验数据输出的数据,目标标签信息是目标教师网络模型通过当前实验数据输出的数据,交叉熵又称作损失函数,损失函数具体公式为Loss=Ldistill=crossentropy(si,ti),其中si表示预设学生网络模型对于当前实验数据的输出,ti表示的是目标教师网络模型对当前实验数据的输出,crossentropy表示交叉熵损失。
应当理解的是,参照图3,图3为本发明分布式多源数据的融合方法一实施例的蒸馏框架图,具体为将得到的当前实验数据属于至目标教师网络模型中,以使目标教师网络模型输出目标标签信息,将目标标签信息与预设学生网络模型输出的当前标签信息比较,得到交叉熵得到对应的多源实验数据,将多源实验数据输入至预设学生网络模型中,以得到目标网络模型,通过各式各样的传感器测量得到预设实验数据,根据目标网络模型对预设实验数据进行实时融合,并将融合得到的数据上传至云端服务器。
在具体实施中,多源数据融合服务器根据所述目标教师网络模型以及所述当前实验数据得到多源实验数据。
融合模块50,用于获取预设学生网络模型,根据所述多源实验数据和所述预设学生网络模型得到目标网络模型,获取预设实验数据,根据目标网络模型实时对预设实验数据进行融合,以实现高效的数据获取。
应当理解的是,预设学生网络模型指的是将通过神经网络模型和学生学习内容训练得到的网络模型,在得到多源实验数据后,将多源实验数据输入至预设学生网络模型中,以使预设学生网络模型根据多源实验数据进行训练,得到目标网络模型,此时需要将目标网络模型下发到各个边缘节点,通过各式各样的传感器测得对应的预设实验数据,基于目标网络模型对预设实验数据进行实时融合,此时对预设实验数据进行融合的场景为上位机,并将融合得到的数据上传至云端服务器以供使用。
在具体实施中,多源数据融合服务器获取预设学生网络模型,根据所述多源实验数据和所述预设学生网络模型得到目标网络模型,获取预设实验数据,根据目标网络模型实时对预设实验数据进行融合,以实现高效的数据获取。
本实施例通过预设非线性变量相似性对当前实验数据进行划分,得到空间实验数据和时间实验数据;通过预设教师网络模型对空间实验数据和时间实验数据进行特征提取;根据预设网络模型对提取到的目标特征数据进行预测;根据预设结果中的第一参数信息和预设教师网络模型得到目标教师网络模型,基于目标教师网络模型和当前实验数据得到多源实验数据,根据多源实验数据和预设学生网络模型得到的目标网络模型实时对预设实验数据进行融合,以实现高效的数据获取;相较于现有技术通过随机类算法和人工智能类算法对数据进行融合,能够有效降低网络资源的占用率以及提高数据融合效率。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的分布式多源数据的融合方法,此处不再赘述。
在一实施例中,所述划分模块10,还用于采集当前实验数据集;对所述当前实验数据集进行分析,得到当前实验数据集对应的信号类型;获取预设信号转换策略,根据所述预设信号转换策略对所述信号类型进行转换,以得到数字信号的实验数据集;获取预设操作策略,根据所述预设操作策略对所述数字信号的实验数据集进行预处理,得到当前实验数据。
在一实施例中,所述划分模块10,还用于获取预设操作策略,根据所述预设操作策略对所述数字信号的实验数据集进行预处理,得到第一实验数据;对所述第一实验数据进行变异稀疏分析,得到所述第一实验数据集的分布信息;根据所述分布信息得到对应的差异性系数,基于所述差异性系数和所述第一实验数据得到当前实验数据。
在一实施例中,所述特征提取模块20,还用于获取预设教师网络模型,根据所述预设教师网络模型对所述空间实验数据进行特征提取,得到空间实验特征信息;根据所述预设教师网络模型对所述时间实验数据进行特征提取,得到时间实验特征信息;将所述空间实验特征信息与所述时间实验特征信息进行融合,得到目标特征数据。
在一实施例中,所述获取模块40,还用于提取所述预设教师网络模型中的第二参数信息;根据所述预测结果中的第一参数信息对所述第二参数信息进行调整,得到目标参数信息;基于所述目标参数信息得到对应的目标教师网络模型。
在一实施例中,所述获取模块40,还用于将所述当前实验数据输入至所述目标教师网络模型,以使所述所述目标教师网络模型根据所述当前实验数据生成并输出目标标签信息;获取当前标签信息,根据所述当前标签信息和所述目标标签信息得到对应的交叉熵;基于所述交叉熵得到多源实验数据。
在一实施例中,所述融合模块50,还用于获取预设学生网络模型,将所述多源实验数据输入至所述预设学生网络模型,以使所述预设学生网络模型根据所述多源实验数据得到目标网络模型;获取预设实验数据,根据所述目标网络模型对所述预设实验数据进行融合,得到对应的当前融合度;获取目标融合度,若所述当前融合度大于目标融合度,则将融合后的数据上传至目标云端。
本发明所述分布式多源数据的融合装置的其他实施例或具有实现方法可参照上述各方法实施例,此处不在赘余。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种分布式多源数据的融合方法,其特征在于,所述分布式多源数据的融合方法包括以下步骤:
获取当前实验数据和预设非线性变量相似性,根据所述预设非线性变量相似性对所述当前实验数据进行划分,得到空间实验数据和时间实验数据;
获取预设教师网络模型,通过所述预设教师网络模型对所述空间实验数据和所述时间实验数据进行特征提取,得到目标特征数据;
获取预设网络模型,根据所述预设网络模型对所述目标特征数据进行预测,得到对应的预测结果;
根据所述预测结果中的第一参数信息和所述预设教师网络模型,得到目标教师网络模型;
根据所述目标教师网络模型以及所述当前实验数据得到多源实验数据;
获取预设学生网络模型,根据所述多源实验数据和所述预设学生网络模型得到目标网络模型,获取预设实验数据,根据所述目标网络模型实时对所述预设实验数据进行融合,以实现高效的数据获取;
所述获取预设教师网络模型,通过预设教师网络模型对所述空间实验数据和所述时间实验数据进行特征提取,得到目标特征数据,包括:
获取预设教师网络模型,根据所述预设教师网络模型对所述空间实验数据进行特征提取,得到空间实验特征信息;
根据所述预设教师网络模型对所述时间实验数据进行特征提取,得到时间实验特征信息;
将所述空间实验特征信息与所述时间实验特征信息进行融合,得到目标特征数据;
所述根据所述预测结果中的第一参数信息和所述预设教师网络模型,得到目标教师网络模型,包括:
提取所述预设教师网络模型中的第二参数信息;
根据所述预测结果中的第一参数信息对所述第二参数信息进行调整,得到目标参数信息;
基于所述目标参数信息得到对应的目标教师网络模型;
所述获取预设学生网络模型,根据所述多源实验数据和所述预设学生网络模型得到目标网络模型,获取预设实验数据,根据所述目标网络模型实时对所述预设实验数据进行融合,以实现高效的数据获取,包括:
获取预设学生网络模型,将所述多源实验数据输入至所述预设学生网络模型,以使所述预设学生网络模型根据所述多源实验数据得到目标网络模型;
获取预设实验数据,根据所述目标网络模型对所述预设实验数据进行融合,得到对应的当前融合度;
获取目标融合度,若所述当前融合度大于目标融合度,则将融合后的数据上传至目标云端。
2.如权利要求1所述的分布式多源数据的融合方法,其特征在于,所述获取当前实验数据和预设非线性变量相似性,根据所述预设非线性变量相似性对所述当前实验数据进行划分,得到空间实验数据和时间实验数据之前,还包括:
采集当前实验数据集;
对所述当前实验数据集进行分析,得到当前实验数据集对应的信号类型;获取预设信号转换策略,根据所述预设信号转换策略对所述信号类型进行转换,以得到数字信号的实验数据集;
获取预设操作策略,根据所述预设操作策略对所述数字信号的实验数据集进行预处理,得到当前实验数据。
3.如权利要求2所述的分布式多源数据的融合方法,其特征在于,所述获取预设操作策略,根据所述预设操作策略对所述数字信号的实验数据集进行预处理,得到多源实验数据,包括:
获取预设操作策略,根据所述预设操作策略对所述数字信号的实验数据集进行预处理,得到第一实验数据;
对所述第一实验数据进行变异稀疏分析,得到所述第一实验数据集的分布信息;
根据所述分布信息得到对应的差异性系数,基于所述差异性系数和所述第一实验数据得到当前实验数据。
4.如权利要求1所述的分布式多源数据的融合方法,其特征在于,所述根据所述目标教师网络模型以及所述当前实验数据得到多源实验数据,包括:
将所述当前实验数据输入至所述目标教师网络模型,以使所述所述目标教师网络模型根据所述当前实验数据生成并输出目标标签信息;
获取当前标签信息,根据所述当前标签信息和所述目标标签信息得到对应的交叉熵;
基于所述交叉熵得到多源实验数据。
5.一种分布式多源数据的融合装置,其特征在于,所述分布式多源数据的融合装置包括:
划分模块,用于获取当前实验数据和预设非线性变量相似性,根据所述预设非线性变量相似性对所述当前实验数据进行划分,得到空间实验数据和时间实验数据;
特征提取模块,用于获取预设教师网络模型,通过所述预设教师网络模型对所述空间实验数据和所述时间实验数据进行特征提取,得到目标特征数据;
预测模块,用于获取预设网络模型,根据所述预设网络模型对所述目标特征数据进行预测,得到对应的预测结果;
获取模块,用于根据所述预测结果中的第一参数信息和所述预设教师网络模型,得到目标教师网络模型;
获取模块,还用于根据所述目标教师网络模型以及所述当前实验数据得到多源实验数据;
融合模块,用于获取预设学生网络模型,根据所述多源实验数据和所述预设学生网络模型得到目标网络模型,获取预设实验数据,根据目标网络模型实时对预设实验数据进行融合,以实现高效的数据获取;
所述特征提取模块,还用于获取预设教师网络模型,根据所述预设教师网络模型对所述空间实验数据进行特征提取,得到空间实验特征信息;根据所述预设教师网络模型对所述时间实验数据进行特征提取,得到时间实验特征信息;将所述空间实验特征信息与所述时间实验特征信息进行融合,得到目标特征数据;
所述获取模块,还用于提取所述预设教师网络模型中的第二参数信息;根据所述预测结果中的第一参数信息对所述第二参数信息进行调整,得到目标参数信息;基于所述目标参数信息得到对应的目标教师网络模型;
所述融合模块,还用于获取预设学生网络模型,将所述多源实验数据输入至所述预设学生网络模型,以使所述预设学生网络模型根据所述多源实验数据得到目标网络模型;获取预设实验数据,根据所述目标网络模型对所述预设实验数据进行融合,得到对应的当前融合度;获取目标融合度,若所述当前融合度大于目标融合度,则将融合后的数据上传至目标云端。
6.一种分布式多源数据的融合设备,其特征在于,所述分布式多源数据的融合设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的分布式多源数据的融合程序,所述分布式多源数据的融合程序配置有实现如权利要求1至4中任一项所述的分布式多源数据的融合方法。
7.一种存储介质,其特征在于,所述存储介质上存储有分布式多源数据的融合程序,所述分布式多源数据的融合程序被处理器执行时实现如权利要求1至4中任一项所述的分布式多源数据的融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776670.2A CN113610111B (zh) | 2021-07-08 | 2021-07-08 | 分布式多源数据的融合方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776670.2A CN113610111B (zh) | 2021-07-08 | 2021-07-08 | 分布式多源数据的融合方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610111A CN113610111A (zh) | 2021-11-05 |
CN113610111B true CN113610111B (zh) | 2023-11-03 |
Family
ID=78304299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110776670.2A Active CN113610111B (zh) | 2021-07-08 | 2021-07-08 | 分布式多源数据的融合方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610111B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598216A (zh) * | 2020-04-16 | 2020-08-28 | 北京百度网讯科技有限公司 | 学生网络模型的生成方法、装置、设备及存储介质 |
CN112329824A (zh) * | 2020-10-23 | 2021-02-05 | 北京中科智加科技有限公司 | 多模型融合训练方法、文本分类方法以及装置 |
CN112949786A (zh) * | 2021-05-17 | 2021-06-11 | 腾讯科技(深圳)有限公司 | 数据分类识别方法、装置、设备及可读存储介质 |
-
2021
- 2021-07-08 CN CN202110776670.2A patent/CN113610111B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598216A (zh) * | 2020-04-16 | 2020-08-28 | 北京百度网讯科技有限公司 | 学生网络模型的生成方法、装置、设备及存储介质 |
CN112329824A (zh) * | 2020-10-23 | 2021-02-05 | 北京中科智加科技有限公司 | 多模型融合训练方法、文本分类方法以及装置 |
CN112949786A (zh) * | 2021-05-17 | 2021-06-11 | 腾讯科技(深圳)有限公司 | 数据分类识别方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113610111A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
CN107273936B (zh) | 一种gan图像处理方法及系统 | |
CN111523414A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN112560967B (zh) | 一种多源遥感图像分类方法、存储介质及计算设备 | |
CN113610069B (zh) | 基于知识蒸馏的目标检测模型训练方法 | |
CN113837308B (zh) | 基于知识蒸馏的模型训练方法、装置、电子设备 | |
AU2021245165A1 (en) | Method and device for processing quantum data | |
CN114821102A (zh) | 密集柑橘数量检测方法、设备、存储介质及装置 | |
CN115018039A (zh) | 一种神经网络蒸馏方法、目标检测方法以及装置 | |
CN114998583A (zh) | 图像处理方法、图像处理装置、设备及存储介质 | |
CN114881343A (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
CN113610111B (zh) | 分布式多源数据的融合方法、装置、设备及存储介质 | |
CN109657907B (zh) | 地理国情监测数据的质量控制方法、装置和终端设备 | |
CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
CN112529637B (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
CN113239272B (zh) | 一种网络管控系统的意图预测方法和意图预测装置 | |
CN113177603B (zh) | 分类模型的训练方法、视频分类方法及相关设备 | |
CN114357284A (zh) | 基于深度学习的众包任务个性化推荐方法和系统 | |
CN113627755A (zh) | 智能终端工厂的测试方法、装置、设备及存储介质 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN112819698A (zh) | 资料同化方法、装置、设备及存储介质 | |
CN115684835B (zh) | 配电网故障诊断方法、装置、设备及存储介质 | |
KR102417150B1 (ko) | 사용자 동작 인식 방법 및 이를 위한 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |