CN113704073A - 一种汽车维修记录库异常数据的检测方法 - Google Patents
一种汽车维修记录库异常数据的检测方法 Download PDFInfo
- Publication number
- CN113704073A CN113704073A CN202111023570.9A CN202111023570A CN113704073A CN 113704073 A CN113704073 A CN 113704073A CN 202111023570 A CN202111023570 A CN 202111023570A CN 113704073 A CN113704073 A CN 113704073A
- Authority
- CN
- China
- Prior art keywords
- data
- maintenance
- model
- depth
- encoder
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 84
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 7
- 230000005764 inhibitory process Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 14
- 230000008439 repair process Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000002401 inhibitory effect Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 abstract 2
- 230000036541 health Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
本发明涉及一种汽车维修记录库异常数据的检测方法，包括汽车维修记录库数据的预处理和特征提取，利用抑制深度的自动编码器对数据重构，通过深度训练得到重构损失及准确率均符合预期要求的各层权值向量和偏置向量，并以此构建辨别标准对正常数据进行正常特征标注，对非正常数据进行异常特征标注，从而完成异常数据的检测。本发明通过对损失函数的正则化抑制，建立汽车维修记录库异常数据的检测算法，能够有效提高异常数据识别的精度和库内数据的质量。
Description
技术领域
本发明涉及数据检测技术领域，具体涉及一种汽车维修记录库异常数据的检测方法。
背景技术
汽车维修记录库数据包含送修里程、行驶时间、故障描述、维修项目及维修配件5个数据字段， 汽车维修记录库是汽车维修电子健康档案系统运行的数据基础。汽车维修电子健康档案系统在行业管理部 门、维修企业和车主之间建立联系，在后市场渠道和维修大数据两个层面具有重要价值。通过系统的数据 资源与优势建设数据分析和大数据服务系统，为车主、维修企业、行业管理部门和汽车后市场相关行业提 供服务。因此，做好汽车维修记录库异常数据的检测工作，提高异常数据识别的精度和库内数据的质量显 得尤为重要。
目前相关的检测方法适用于对数据的完整性和数据类型的匹配性进行异常检测。现有方法数据匹 配性弱，检测精度低，且故障描述、维修项目、维修配件三个数据字段之间未建立对应关系。原因为现有 方法以穷举匹配的传统思想构建异常数据检测算法，而其无法穷举整个汽车1万多个零部件中每个字段的 所有描述结果；同时，由于维修人员对汽车不同部位故障描述语言的不规范统一，导致其上传至汽车维修 记录库中的一些异常数据无法通过现有方法准确识别。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种汽车维修记录库异常数据的检测方法， 可有效建立故障描述、维修项目和维修配件三者之间完整的对应关系，识别出描述异常的数据字段，增强 异常数据识别的精度，实现汽车维修记录库库内数据的准确筛查，提高汽车维修电子健康档案质量及管理 水平。
本发明的目的可以通过以下技术方案来实现：
一种汽车维修记录库异常数据的检测方法，包括如下步骤：
步骤S1：采集汽车维修记录数据样本，完成数据分类及标注；
步骤S2：构建包括故障描述、维修项目和维修配件3个字段的汽车维修词库，向量化表示所完成 标注的数据，确定训练集及测试集；
步骤S3：确定抑制深度自动编码器模型，限制变量规模，增加正常数据与异常数据的区分度；
步骤S4：将汽车维修记录库数据输入抑制深度自动编码器模型；
步骤S5：模型判断数据类型，输出数据标签。
所述步骤S1具体包括：
步骤S11：采集汽车维修记录数据样本，对数据分类，分类类型为“正常”或“异常”；
步骤S12：将“正常”数据标注为“0”，将“异常”数据标注为“1”。
所述步骤S2具体包括：
步骤S21：在完成标注的数据中，提取故障描述、维修项目和维修配件3个字段内属于汽车维修 行业领域内的词语，将提取的词语保存为专有名词；提取故障描述、维修项目和维修配件3个字段内不属 于汽车维修行业领域内的词语，将提取的词语保存为停用词；
步骤S22：将专有名词及停用词导入中文分词词库，对中文文本分词；
步骤S23：将分词后的词汇输入语言向量化算法模型，调整参数训练模型；
步骤S24：完成模型训练，得到向量化表示的每个故障描述字段、每个维修项目字段和每个维修 配件字段；
步骤S25：将向量化后的数据分为训练集及测试集，且训练集数据大于测试集数据个数。
所述步骤S3具体包括：
步骤S31：建立抑制深度自动编码器模型；
步骤S32：训练抑制深度自动编码器模型。
所述步骤S31具体包括；
步骤S311：扩大编码器和解码器的层数，增加结构深度；
步骤S312：抑制编码器损失函数；
所述编码器为4层及以上深度结构；
所述解码器为4层及以上深度结构；
所述增加结构深度的处理方法为：
其中：
是输入数据，
是输出数据，x1～ xn是输入数据经过编解码后的特征表达，n是自动编码器的层数，f是激活函数，W是各层的权重，b是各 层的偏置；
所述损失函数为如下表达：
其中：e是损失函数，m是数据个数，i是自动编码器的层数；
进一步的，在损失函数加入正则化，得到抑制后的损失函数：
其中：e是抑制后的损失函数，m是数据个数，λ是正则化权重，||W||i是每层权值向量W中各 个元素的绝对值之和。
所述步骤S32具体包括；
步骤S321：将训练集数据输入抑制深度自动编码器模型，设置批大小及训练次数，提取每次训练 的损失函数e和准确率；
步骤S322：根据各次损失函数e的结果和准确率调整抑制深度自动编码器各层的权重W和偏置b， 对网络进行惩罚创建不同于输入的输出，解码器学习接受编码并以适当方式将其重构回输入，实现降低损 失函数e和提高准确率；
步骤S323：将测试集数据中正常数据和异常数据的误差可视化，根据可视化结果设定合适的阈值 以区分正常数据和异常数据的误差，验证在该阈值下模型的准确率、精确率、召回率、F1分数和AUC值， 检验模型效果；
步骤S324：当所有训练集数据经过模型训练并通过测试集数据检验时，将调整好的所有隐藏层节 点的特征参数保存，完成模型训练并保存，最佳模型效果如下：
| 参数 | 精确率 | 召回率 | F1分数 |
| 0 | 1.00 | 0.99 | 1.00 |
| 1 | 0.80 | 0.95 | 0.87 |
| 准确率 | / | / | 0.99 |
| 宏平均值 | 0.90 | 0.97 | 0.93 |
| 加权平均值 | 0.99 | 0.99 | 0.99 |
本发明的有益效果在于；一种基于数据特征表示和抑制深度自动编码器的汽车维修记录库异常数 据的检测方法，利用文本向量化实现对原始数据的预处理和特征提取，并通过扩大编码器和解码器的层数 和抑制编码器首层损失函数，限制了变量规模，增加了正常数据与异常数据的区分度，有效建立起故障描 述、维修项目和维修配件三者之间完整的对应关系，增强对异常数据识别的精度，实现对汽车维修记录库 库内数据的准确检测与筛查，使汽车维修电子健康档案质量及管理水平得到大幅度提高。
附图说明
图1为本发明方法的流程图示；
图2为抑制深度自动编码器示意简图。
具体实施方式
本发明提供一种汽车维修记录库异常数据的检测方法，已在部级汽车维修电子健康档案系统的数 据检测工作中得到实际应用，解决了原有系统仅能识别出存在空值或数据类型不匹配的异常情况、而对于 不存在空值且数据类型正确的数据则无法判断其正常或异常的缺陷。
对于数据类型正确且完整的数据，其异常表现形式为：一是单个字段数据异常，主要出现在故障 描述字段，标准内容由汽车部件名称与其工作状态描述组成，实际数据内容只含有某个零部件或只含有工 作状态，该类异常为语言描述不规范；二是故障描述、维修项目和维修配件三个数据字段之间未建立对应 关系，按照三个字段的定义，故障描述中的部件为维修项目中维修施工的对象，维修配件对应维修项目中 施工对象需要修理或更换的零部件，该类异常为对应关系错位或无对应关系。下面结合附图和实施例对本 发明作进一步说明。
如图1所示，本发明提供了一种汽车维修记录库异常数据的检测方法，包括如下步骤：
步骤S1：采集汽车维修记录数据样本，完成数据分类及标注；
所述步骤S1具体包括：
步骤S11：采集汽车维修记录数据样本，对数据分类，分类类型为“正常”或“异常”；
步骤S12：将“正常”数据标注为“0”，将“异常”数据标注为“1”。
步骤S2：构建包括故障描述、维修项目和维修配件3个字段的汽车维修词库，向量化表示所完成 标注的数据，确定训练集及测试集；
所述步骤S2具体包括：
步骤S21：在完成标注的数据中，提取故障描述、维修项目和维修配件3个字段内属于汽车维修 行业领域内的词语，将提取的词语保存为专有名词；提取故障描述、维修项目和维修配件3个字段内不属 于汽车维修行业领域内的词语，将提取的词语保存为停用词；
步骤S22：将专有名词及停用词导入jieba词库，利用jieba分词工具对中文文本分词；
步骤S23：将分词后的关于故障描述和维修项目的词汇输入原始的Doc2vec语言向量化算法模型， 调整参数训练Doc2vec模型并保存；将分词后的关于维修配件的词汇输入原始的Glove语言向量化算法模 型，调整参数训练Glove模型并保存；
步骤S24：完成模型训练，得到向量化表示的每个故障描述字段、每个维修项目字段和每个维修 配件字段；
步骤S25：将向量化后的数据按照6∶4的比例分为训练集及测试集。
步骤S3：确定抑制深度自动编码器模型，限制变量规模，增加正常数据与异常数据的区分度；
所述步骤S3具体包括：
步骤S31：建立抑制深度自动编码器模型；
所述步骤S31具体包括；
步骤S311：如图2所示，扩大编码器和解码器的层数，增加结构深度；
所述编码器为4层深度结构；
所述解码器为4层深度结构；
所述增加结构深度的处理方法为：
其中：
是输入数据，
是输出数据，x1～x8是 输入数据经过编解码后的特征表达，n＝8是自动编码器的层数，f是激活函数，在前7层中，激活函数均 为Relu函数，在第8层中，激活函数为softmax函数，W是各层的权重，b是各层的偏置；
步骤S312：抑制编码器首层损失函数；
所述损失函数为如下表达：
其中：e是损失函数，m是数据个数，i是自动编码器的层数；
在首层损失函数加入正则化，得到抑制后的损失函数：
其中：e1是首层抑制后的损失函数，m是数据个数，λ是正则化权重，设置为105，||W||1是每 层权值向量W中各个元素的绝对值之和；
步骤S32：训练抑制深度自动编码器模型；
所述步骤S32具体包括；
步骤S321：将训练集数据输入抑制深度自动编码器模型，根据电脑性能和数据量设置批大小为 32，模型优化改进的训练次数为100，提取每次训练的损失函数e1和准确率；
步骤S322：根据各次损失函数e1结果和准确率调整抑制深度自动编码器各层的权重W和偏置b， 对网络进行惩罚创建不同于输入的输出，解码器学习接受编码并以适当方式将其重构回输入，实现降低损 失函数e1和提高准确率；
步骤S323：将测试集数据中正常数据和异常数据的误差可视化，根据可视化结果设定合适的阈值 以区分正常数据和异常数据的误差，验证在该阈值下模型的准确率、精确率、召回率、F1分数和AUC值， 检验模型效果；
步骤S324：当所有训练集数据经过模型训练并通过测试集数据检验时，将调整好的所有隐藏层节 点的特征参数保存，完成模型训练并保存，最佳模型效果如表1所示：
表1
| 参数 | 精确率 | 召回率 | F1分数 |
| 0 | 1.00 | 0.99 | 1.00 |
| 1 | 0.80 | 0.95 | 0.87 |
| 准确率 | / | / | 0.99 |
| 宏平均值 | 0.90 | 0.97 | 0.93 |
| 加权平均值 | 0.99 | 0.99 | 0.99 |
步骤S4：将汽车维修记录库数据输入抑制深度自动编码器模型。
步骤S5：模型判断数据类型，输出数据标签，正常数据标签为“0”，异常数据标签为“1”。
以上所述仅为本发明较佳的实施方式，并非限制本发明的保护范围，故凡应用本发明说明书及附 图内容所作出的等效变化，均包含在本发明的保护范围内。
Claims (10)
1.一种汽车维修记录库异常数据的检测方法，其特征在于，包括如下步骤：
步骤S1：采集汽车维修记录数据样本，完成数据分类及标注；
步骤S2：构建包括故障描述、维修项目和维修配件3个字段的汽车维修词库，向量化表示所完成标注的数据，确定训练集及测试集；
步骤S3：确定抑制深度自动编码器模型，限制变量规模，增加正常数据与异常数据的区分度；
步骤S4：将汽车维修记录库数据输入抑制深度自动编码器模型；
步骤S5：模型判断数据类型，输出数据标签。
2.根据权利要求1所述的一种汽车维修记录库异常数据的检测方法，其特征在于，所述步骤S1具体包括：
步骤S11：采集汽车维修记录数据样本，对数据分类，分类类型为“正常”或“异常”；
步骤S12：将“正常”数据标注为“0”，将“异常”数据标注为“1”。
3.根据权利要求1所述的一种汽车维修记录库异常数据的检测方法，其特征在于，所述步骤S2具体包括：
步骤S21：在完成标注的数据中，提取故障描述、维修项目和维修配件3个字段内属于汽车维修行业领域内的词语，将提取的词语保存为专有名词；提取故障描述、维修项目和维修配件3个字段内不属于汽车维修行业领域内的词语，将提取的词语保存为停用词；
步骤S22：将专有名词及停用词导入中文分词词库，对中文文本分词；
步骤S23：将分词后的词汇输入语言向量化算法模型，调整参数训练模型；
步骤S24：完成模型训练，得到向量化表示的每个故障描述字段、每个维修项目字段和每个维修配件字段；
步骤S25：将向量化后的数据分为训练集及测试集，且训练集数据大于测试集数据个数。
4.根据权利要求1所述的一种汽车维修记录库异常数据的检测方法，其特征在于，所述步骤S3具体包括：
步骤S31：建立抑制深度自动编码器模型；
步骤S32：训练抑制深度自动编码器模型。
5.根据权利要求4所述的一种汽车维修记录库异常数据的检测方法，其特征在于，所述步骤S31具体包括：
步骤S311：扩大编码器和解码器的层数，增加结构深度；
步骤S312：抑制编码器损失函数。
6.根据权利要求5所述的一种汽车维修记录库异常数据的检测方法，其特征在于，所述编码器为4层及以上深度结构。
7.根据权利要求5所述的一种汽车维修记录库异常数据的检测方法，其特征在于，所述解码器为4层及以上深度结构。
8.根据权利要求5所述的一种汽车维修记录库异常数据的检测方法，其特征在于，所述增加结构深度的处理方法为：
其中：
是输入数据，
是输出数据，x1～xn是输入数据经过编解码后的特征表达，n是自动编码器的层数，f是激活函数，W是各层的权重，b是各层的偏置。
9.根据权利要求5所述的一种汽车维修记录库异常数据的检测方法，其特征在于，所述抑制编码器损失函数为：
其中：e是抑制后的损失函数，m是数据个数，λ是正则化权重，||W||i是每层权值向量W中各个元素的绝对值之和。
10.根据权利要求4所述的一种汽车维修记录库异常数据的检测方法，其特征在于，所述步骤S32具体包括：
步骤S321：将训练集数据输入抑制深度自动编码器模型，设置批大小及训练次数，提取每次训练的损失函数e和准确率；
步骤S322：根据各次损失函数e的结果和准确率调整抑制深度自动编码器各层的权重W和偏置b，对网络进行惩罚创建不同于输入的输出，解码器学习接受编码并以适当方式将其重构回输入，实现降低损失函数e和提高准确率；
步骤S323：将测试集数据中正常数据和异常数据的误差可视化，根据可视化结果设定合适的阈值以区分正常数据和异常数据的误差，验证在该阈值下模型的准确率、精确率、召回率、F1分数和AUC值，检验模型效果；
步骤S324：当所有训练集数据经过模型训练并通过测试集数据检验时，将调整好的所有隐藏层节点的特征参数保存，完成模型训练并保存。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111023570.9A CN113704073A (zh) | 2021-09-02 | 2021-09-02 | 一种汽车维修记录库异常数据的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111023570.9A CN113704073A (zh) | 2021-09-02 | 2021-09-02 | 一种汽车维修记录库异常数据的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113704073A true CN113704073A (zh) | 2021-11-26 |
Family
ID=78657158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111023570.9A Pending CN113704073A (zh) | 2021-09-02 | 2021-09-02 | 一种汽车维修记录库异常数据的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113704073A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626563A (zh) * | 2022-05-16 | 2022-06-14 | 开思时代科技(深圳)有限公司 | 一种基于大数据的配件管理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
| CN109115501A (zh) * | 2018-07-12 | 2019-01-01 | 哈尔滨工业大学（威海） | 一种基于cnn与svm的民航发动机气路故障诊断方法 |
| CN110781671A (zh) * | 2019-10-29 | 2020-02-11 | 西安科技大学 | 一种智能ietm故障维修记录文本的知识挖掘方法 |
| CN110852366A (zh) * | 2019-11-01 | 2020-02-28 | 湖南大学 | 一种含有缺失数据的数据保距性降维方法 |
| US20210048994A1 (en) * | 2019-08-12 | 2021-02-18 | Nec Laboratories America, Inc. | Securing software installation through deep graph learning |
| WO2021051560A1 (zh) * | 2019-09-17 | 2021-03-25 | 平安科技（深圳）有限公司 | 文本分类方法和装置、电子设备、计算机非易失性可读存储介质 |
-
2021
- 2021-09-02 CN CN202111023570.9A patent/CN113704073A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
| CN109115501A (zh) * | 2018-07-12 | 2019-01-01 | 哈尔滨工业大学（威海） | 一种基于cnn与svm的民航发动机气路故障诊断方法 |
| US20210048994A1 (en) * | 2019-08-12 | 2021-02-18 | Nec Laboratories America, Inc. | Securing software installation through deep graph learning |
| WO2021051560A1 (zh) * | 2019-09-17 | 2021-03-25 | 平安科技（深圳）有限公司 | 文本分类方法和装置、电子设备、计算机非易失性可读存储介质 |
| CN110781671A (zh) * | 2019-10-29 | 2020-02-11 | 西安科技大学 | 一种智能ietm故障维修记录文本的知识挖掘方法 |
| CN110852366A (zh) * | 2019-11-01 | 2020-02-28 | 湖南大学 | 一种含有缺失数据的数据保距性降维方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李志杰;耿朝阳;宋鹏;: "LSTM-TextCNN联合模型的短文本分类研究", 西安工业大学学报, no. 03 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626563A (zh) * | 2022-05-16 | 2022-06-14 | 开思时代科技(深圳)有限公司 | 一种基于大数据的配件管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9384603B2 (en) | Failure cause classification apparatus | |
| CN110197205B (zh) | 一种多特征来源残差网络的图像识别方法 | |
| CN111882446B (zh) | 一种基于图卷积网络的异常账户检测方法 | |
| CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
| CN110232395A (zh) | 一种基于故障中文文本的电力系统故障诊断方法 | |
| CN112756759B (zh) | 点焊机器人工作站故障判定方法 | |
| CN111949535B (zh) | 基于开源社区知识的软件缺陷预测装置及方法 | |
| CN110161480B (zh) | 基于半监督深度概率模型的雷达目标识别方法 | |
| CN111833310B (zh) | 一种基于神经网络架构搜索的表面缺陷分类方法 | |
| CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
| CN113516228B (zh) | 一种基于深度神经网络的网络异常检测方法 | |
| CN109460471B (zh) | 一种基于自学习的方式建立纤维种类图谱库的方法 | |
| CN113392931A (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
| CN111177010B (zh) | 一种软件缺陷严重程度识别方法 | |
| CN107392129A (zh) | 基于Softmax的人脸检索方法和系统 | |
| CN113704073A (zh) | 一种汽车维修记录库异常数据的检测方法 | |
| CN111737993A (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
| CN111026075A (zh) | 一种基于误差匹配的中低压燃气调压器故障检测方法 | |
| CN115293641A (zh) | 一种基于金融大数据的企业风险智能识别方法 | |
| CN114120043A (zh) | 一种基于生产动态数据和示功图检测异常抽油井的方法 | |
| CN114757495A (zh) | 一种基于逻辑回归的会员价值量化评估方法 | |
| CN110083637B (zh) | 一种面向桥梁病害评级数据的去噪方法 | |
| CN113743464B (zh) | 一种连续特征离散化损失信息补偿方法及其应用 | |
| CN115456693A (zh) | 一种大数据驱动的汽车外造型设计的自动评估方法 | |
| CN116308439A (zh) | 车辆估值方法、装置、设备及存储介质 |
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 |