CN113724881B - Meta分析自动数据预处理和参数设置软件及其应用 - Google Patents
Meta分析自动数据预处理和参数设置软件及其应用 Download PDFInfo
- Publication number
- CN113724881B CN113724881B CN202110784310.7A CN202110784310A CN113724881B CN 113724881 B CN113724881 B CN 113724881B CN 202110784310 A CN202110784310 A CN 202110784310A CN 113724881 B CN113724881 B CN 113724881B
- Authority
- CN
- China
- Prior art keywords
- setting
- parameter
- parameters
- effect
- meta analysis
- 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
- 238000010197 meta-analysis Methods 0.000 title claims abstract description 65
- 238000007781 pre-processing Methods 0.000 title claims abstract description 27
- 230000000694 effects Effects 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 59
- 230000000977 initiatory effect Effects 0.000 claims abstract description 4
- 230000000875 corresponding effect Effects 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 241000722946 Acanthocybium solandri Species 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种Meta分析自动数据预处理和参数设置软件及其应用，步骤：对输入数据的结构及数值特征进行校验；识别输入数据的类型及特征；根据输入数据的类型及特征设置效应量参数；根据效应量参数设置算法参数；将初始效应模型参数设置为固定效应模型后进行Meta分析，得到I2值统计量；根据I2值对效应模型参数进行设定，根据设定的效应模型参数确定其对应的效应量参数和算法参数，最终输出效应模型参数、效应量参数和算法参数完成参数自动设置过程。本发明的Meta分析自动数据预处理和参数设置软件，能够在无人工干预的情况下实现高效率的Meta分析自动参数设置，进而能够实现高效率的自动Meta分析，极具应用前景。
Description
技术领域
本发明属于循证医学系统评价方法技术领域，涉及一种Meta分析自动数据预处理和参数设置软件程序及其应用，特别涉及一种Meta分析过程中数据预处理和参数设置的自动化方法、其软件程序及其应用。
背景技术
Meta分析(Meta-analysis,MA)是一种合并结果的统计学方法，在循证医学领域使用最普遍，如定量系统评价中，合并多个临床试验结果即使用该方法。
Meta分析通常使用计算机软件，Meta分析正常运行并得到正确结果需要合理设置效应量、算法和效应模型参数，参数选择依赖数据类型、数据特征和预分析结果等因素，目前均需要人工设置。如Cochrane协作网发布的Meta分析软件Revman 5.4中，用户录入数据后，需对数据的完整性、合规性进行人工审核，然后通过图形化交互界面(GUI)设置数据类型、效应量、算法和效应模型等参数，并且可能要在分析过程中多次反复调整参数，以获得最终正确结果。另外一种常见的方法是通过命令行的方式设置分析参数，如在著名的统计分析软件R中，其执行Meta分析的命令：
Metaresult<-metabin(event.e,n.e,event.c,n.c,sm＝"RR",comb.random＝FALSE)
其中“event.e,n.e,event.c,n.c”、“sm＝"RR"”、“comb.random＝FALSE”即分别对数据结构、效应量和效应模型进行设置。尽管有些软件可以预设一些分析必须的默认参数，但尚不能做到根据输入数据的结构和特征，自动完成精确的参数匹配。
当执行零散的Meta分析任务时，人工设置参数不是Meta分析的大问题，但随着自动Meta分析时代的到来，需要在极短时间内连续完成多个Meta分析任务，这时人工数据预处理和参数设置就会中断数据处理程序，阻碍自动化工作进程，会直接影响Meta分析过程的连续性，导致运行效率下降，尤其是自动Meta分析的情况下，人工设置参数成为实现快速连续分析的最大障碍。
因此，开发一种能够显著提高Meta分析效率的完成Meta分析自动数据预处理和参数设置的方法极具现实意义。
发明内容
本发明的目的在于克服现有Meta分析软件需人工设置分析参数，大大影响Meta分析效率的缺陷，提供一种完成Meta分析自动数据预处理和参数设置的软件，进而实现无人工参与的快速连续的Meta分析过程。
为实现上述目的，本发明提供如下技术方案：
Meta分析自动数据预处理和参数设置软件，应用于电子设备，包括以下步骤：
(1)对输入数据的结构及数值特征进行校验；
(2)识别输入数据的类型及特征；
(3)根据输入数据的类型及特征设置效应量参数；
(4)根据效应量参数设置算法参数；
(5)将初始效应模型参数设置为固定效应模型后进行Meta分析，得到I2值统计量；
(6)根据I2值对效应模型参数进行设定，根据设定的效应模型参数确定其对应的效应量参数和算法参数，最终输出效应模型参数、效应量参数和算法参数作为Meta分析的参数，完成参数自动设置过程。
本发明的Meta分析自动数据预处理和参数设置软件，可以完全通过软件逻辑设定完成Meta分析数据的参数设置，本发明具体是计算机软件程序检测、判断输入数据的类型和特征，合理设置Meta分析参数，其整个过程无需人工干预，能够实现高效率的自动Meta分析，极具应用前景。
作为优选的技术方案：
如上所述的Meta分析自动数据预处理和参数设置软件，步骤(3)具体如下：
(3.1)判断输入数据的类型是否为连续数据，如是则进入步骤(3.2)，反之则进入步骤(3.3)；
(3.2)判断各研究间均值是否存在量级程度差异(具体为十倍以上的差异)，如是则将效应量参数设置为标准化均数差SMD，反之则将效应量参数设置为加权均数差WMD，步骤(3)结束；
(3.3)判断试验组和对照组事件数是否全部发生或者全部未发生，如是则将效应量参数设置为率差RD，步骤(3)结束，反之进入步骤(3.4)；
(3.4)判断试验组和对照组事件发生率是否小于1％，如是则将效应量参数设置为比值比OR，反之则将效应量参数设置为率比RR。
如上所述的Meta分析自动数据预处理和参数设置软件，步骤(4)具体如下：
(4.1)判断效应量参数是否为加权均数差WMD，如是则将算法参数设置为倒方差法(Inverse Variance,IV)，步骤(4)结束，反之则进入下一步；
(4.2)判断效应量参数是否为标准化均数差SMD，如是则将算法参数设置为Hedges'校正g倒方差法(Inverse Variance Hedges'adjusted g)，步骤(4)结束，反之则进入下一步；
(4.3)判断效应量参数是否为比值比OR，如是则将算法参数设置为Peto法，步骤(4)结束，反之则进入下一步；
(4.4)判断效应量参数是否为率差RD，如是则将算法参数设置为倒方差法，步骤(4)结束，反之则进入下一步；
(4.5)判断平均样本量是否小于50，如是则将算法参数设置为M-H法(Mantel-Haenszel)，反之则将算法参数设置为倒方差法。
如上所述的Meta分析自动数据预处理和参数设置软件，步骤(6)具体为：
(6.1)判定I2是否<50％，如是则将效应模型参数设定为固定效应模型，将步骤(3)、(4)和(5)设定的各参数作为Meta分析的参数，完成参数自动设置过程，否则进入下一步；
(6.2)将效应模型参数设置为随机效应模型，判断效应量参数是否为加权均数差WMD，如是则将算法参数设置为倒方差D-L法(DerSimonian-Laird,D-L)，步骤(6)结束，反之则进入下一步；
(6.3)判断效应量参数是否为标准化均数差SMD，如是则将算法参数设置为Hedges'校正g倒方差D-L法，步骤(6)结束，反之则进入下一步；
(6.4)判断效应量参数是否为比值比OR，如是则将算法参数设置为M-H，D-L法，步骤(6)结束，反之则进入下一步；
(6.5)判断效应量参数是否为率差RD，如是则将算法参数设置为倒方差D-L法，步骤(6)结束，反之则进入下一步；
(6.6)判断平均样本量是否小于50，如是则将算法参数设置为M-H，D-L法，反之则将算法参数设置为倒方差D-L法。
本发明还提供一种电子设备，包括一个或多个处理器、一个或多个存储器、一个或多个程序及获取输入数据的数据获取设备；
所述一个或多个程序被存储在所述存储器中，当所述一个或多个程序被所述处理器执行时，使得所述电子设备执行如上所述的Meta分析自动数据预处理和参数设置软件。
此外，本发明还提供了一种计算机存储介质，包括计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如上所述的Meta分析自动数据预处理和参数设置软件。
有益效果：
(1)本发明的Meta分析自动数据预处理和参数设置软件，其可用于自动化系统评价Meta分析过程中，根据输入数据，自动完成数据校验、类型判别、特征检测，匹配并设置正确运行Meta分析所需的效应量、算法和效应模型参数；
(2)本发明的Meta分析自动数据预处理和参数设置软件，其可与临床循证辅助决策系统搭配，实现自动Meta分析，整个过程无需人工干预，大大提高了Meta分析效率，极具应用前景。
具体实施方式
下面对本发明的具体实施方式做进一步阐述，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。
实施例1
一种Meta分析自动数据预处理和参数设置软件，其步骤如下：
步骤1，由于Meta分析的数据有一定要求，为了能在后续步骤中正常处理，此步需对输入数据的结构和数值特征等进行校验。
(1)Meta分析数据的两种类型，连续型数据和二分类型数据有不同的数据结构特征，可以表示成行列表(表1、表2)形式，计算机程序对输入数据的结构进行识别和对比，完成数据结构完整性校验；
表1连续型数据结构
表2二分类型数据结构
(2)Meta分析数据按约定规则排列后，特定位置数值有不同的类型和取值范围特征(表3)，计算机程序对输入数据的类型和取值范围进行识别和对比，完成数据数值特征校验。
表3Meta分析数据的数值特征
| 数值 | 类型 | 取值范围 |
| 样本量 | 正整数 | ≥1 |
| 均数 | 实数 | (-∞,+∞) |
| 标准差 | 非负数 | ≥0 |
| 事件数 | 自然数 | ≥0 |
步骤2，数据类型识别步骤，Meta分析的数据有2种类型，即连续型和二分类型。Meta分析对不同数据类型，使用不同的分析参数。计算机对数据类型识别可以采用以下一种或多种方式：
(1)数据类型参数传入，按照约定编码规则，将数据类型进行编码后传入计算机程序，计算机程序接收到数据类型编码，解码得到数据类型，完成数据类型识别步骤；
(2)根据输入数据的结构特征进行识别，两种类型数据结构(见表1，2)主要区别在于：连续型数据为7列(ID、试验组均数、试验组标准差、试验组样本量、对照组均数、对照组标准差、对照组样本量)，二分类型数据为5列(ID、试验组事件数、试验组样本量、对照组事件数、对照组样本量)。计算机程序通过检测约定排列规则输入数据的列数，完成数据类型识别过程；
(3)根据数据中特定位置数值特征进行识别，计算机程序通过检测约定排列规则输入数据特定位置数值的类型和取值范围(见表3)，完成数据类型辅助识别过程。
步骤3，数据特征识别步骤：输入数据的某些特征被计算机程序检测并识别，上述特征至少包括：
(1)样本量；
(2)连续型数据各研究间均值存在十倍以上程度差异；
(3)二分类数据事件数存在极端情况，如试验组和对照组全部发生或全为0；
(4)二分类数据事件发生率分布范围。
步骤4，预分析步骤，根据步骤1～3获取的信息，设置Meta分析的效应量、算法、效应模型参数，得到预分析结果；
(1)效应量参数，根据步骤2得到的数据类型结果和步骤3得到的数据特征结果设置效应量参数，具体为：
(a)判断输入数据的类型是否为连续数据，如是则进入步骤(b)，反之则进入步骤(c)；
(b)判断各研究间均值是否存在十倍以上程度差异，如是则将效应量参数设置为标准化均数差SMD，反之则将效应量参数设置为加权均数差WMD，步骤(1)结束；
(c)判断试验组和对照组事件数是否全部发生或者全部未发生，如是则将效应量参数设置为率差RD，步骤(1)结束，反之进入步骤(d)；
(d)判断试验组和对照组事件发生率是否小于1％，如是则将效应量参数设置为比值比OR，反之则将效应量参数设置为率比RR；
(2)算法参数，根据(1)效应量参数设置算法参数，具体为：
(i)判断效应量参数是否为加权均数差WMD，如是则将算法参数设置为倒方差法(Inverse Variance,IV)，步骤(2)结束，反之则进入下一步；
(ii)判断效应量参数是否为标准化均数差SMD，如是则将算法参数设置为Hedges'校正g倒方差法(Inverse Variance Hedges'adjusted g)，步骤(2)结束，反之则进入下一步；
(iii)判断效应量参数是否为比值比OR，如是则将算法参数设置为Peto法，步骤(2)结束，反之则进入下一步；
(iv)判断效应量参数是否为率差RD，如是则将算法参数设置为倒方差法，步骤(2)结束，反之则进入下一步；
(v)判断平均样本量是否小于50，如是则将算法参数设置为M-H法(Mantel-Haenszel)，反之则将算法参数设置为倒方差法；
(3)效应模型参数，初始效应模型参数设置为固定效应模型。
该预分析步骤得到Meta分析结果包括效应量、95％置信区间(CI)、Q值统计量、I2值统计量等。
步骤5，参数调整步骤，根据步骤4得到的I2值统计量，设置效应模型参数并相应修改效应量和算法参数。具体为：
(1)I2<50％，效应模型参数设置为固定效应模型，效应量、算法参数保留步骤4的设置；
(2)I2≥50％，效应模型参数设置为随机效应模型，重新确定算法参数，具体判断如下；
(2.1)判断效应量参数是否为加权均数差WMD，如是则将算法参数设置为倒方差D-L法，步骤(2)结束，反之则进入下一步；
(2.2)判断效应量参数是否为标准化均数差SMD，如是则将算法参数设置为Hedges'校正g倒方差D-L法，步骤(2)结束，反之则进入下一步；
(2.3)判断效应量参数是否为比值比OR，如是则将算法参数设置为M-H，D-L法，步骤(2)结束，反之则进入下一步；
(2.4)判断效应量参数是否为率差RD，如是则将算法参数设置为倒方差D-L法，步骤(2)结束，反之则进入下一步；
(2.5)判断平均样本量是否小于50，如是则将算法参数设置为M-H，D-L法，反之则将算法参数设置为倒方差D-L法。
步骤6，输出Meta分析参数，上述参数输出到Meta分析模块，完成参数自动设置过程。
经验证，本发明的Meta分析自动数据预处理和参数设置软件，能够在无人工干预的情况下实现高效率的Meta分析自动参数设置，极具应用前景。
实施例2
一种电子设备，包括一个或多个处理器、一个或多个存储器、一个或多个程序及获取输入数据的数据获取设备；
一个或多个程序被存储在存储器中，当一个或多个程序被处理器执行时，使得电子设备执行如实施例1所述的Meta分析自动数据预处理和参数设置软件。
实施例3
一种计算机存储介质，包括计算机指令，当计算机指令在电子设备上运行时，使得电子设备执行如实施例1所述的Meta分析自动数据预处理和参数设置软件。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应该理解，这些仅是举例说明，在不违背本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改。
Claims (5)
1.Meta分析过程中数据预处理的自动化方法，应用于电子设备，其特征在于，根据输入数据，包括ID号，试验组和对照组的均数、样本量、标准差和事件数，自动完成数据校验、类型判别、特征检测，匹配并设置正确运行Meta分析所需的效应量、算法和效应模型参数，包括以下步骤：
(1)对输入数据的结构及数值特征进行校验；
(2)识别输入数据的类型及特征；
(3)根据输入数据的类型及特征设置效应量参数；
(4)根据效应量参数设置算法参数；
(5)将初始效应模型参数设置为固定效应模型后进行Meta分析，得到I2值统计量；
(6)根据I2值对效应模型参数进行设定，根据设定的效应模型参数确定其对应的效应量参数和算法参数，最终输出效应模型参数、效应量参数和算法参数作为Meta分析的参数，完成数据预处理过程。
2.根据权利要求1所述的Meta分析过程中数据预处理的自动化方法，其特征在于，步骤(3)具体如下：
(3.1)判断输入数据的类型是否为连续数据，如是则进入步骤(3.2)，反之则进入步骤(3.3)；
(3.2)判断各研究间均值是否存在十倍以上的差异，如是则将效应量参数设置为标准化均数差SMD，反之则将效应量参数设置为加权均数差WMD，步骤(3)结束；
(3.3)判断试验组和对照组事件数是否全部发生或者全部未发生，如是则将效应量参数设置为率差RD，步骤(3)结束，反之进入步骤(3.4)；(3.4)判断试验组和对照组事件发生率是否小于1％，如是则将效应量参数设置为比值比OR，反之则将效应量参数设置为率比RR。
3. 根据权利要求1所述的Meta分析过程中数据预处理的自动化方法，其特征在于，步骤(4)具体如下：(4.1)判断效应量参数是否为加权均数差WMD，如是则将算法参数设置为倒方差法，步骤(4)结束，反之则进入下一步；(4.2)判断效应量参数是否为标准化均数差SMD，如是则将算法参数设置为Hedges'校正g倒方差法，步骤(4)结束，反之则进入下一步；(4.3)判断效应量参数是否为比值比OR，如是则将算法参数设置为Peto法，步骤(4)结束，反之则进入下一步；(4.4)判断效应量参数是否为率差RD，如是则将算法参数设置为倒方差法，步骤(4)结束，反之则进入下一步；(4.5)判断平均样本量是否小于50，如是则将算法参数设置为M H法，反之则将算法参数设置为倒方差法。
4.一种电子设备，其特征在于，包括一个或多个处理器、一个或多个存储器、一个或多个程序及获取输入数据的数据获取设备；所述一个或多个程序被存储在所述存储器中，当所述一个或多个程序被所述处理器执行时，使得所述电子设备执行如权利要求1～3任一项所述的Meta分析过程中数据预处理的自动化方法。
5.一种计算机存储介质，其特征在于，包括计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如权利要求1～3任一项所述的Meta分析过程中数据预处理的自动化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110784310.7A CN113724881B (zh) | 2021-07-12 | 2021-07-12 | Meta分析自动数据预处理和参数设置软件及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110784310.7A CN113724881B (zh) | 2021-07-12 | 2021-07-12 | Meta分析自动数据预处理和参数设置软件及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113724881A CN113724881A (zh) | 2021-11-30 |
| CN113724881B true CN113724881B (zh) | 2024-03-29 |
Family
ID=78673326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110784310.7A Active CN113724881B (zh) | 2021-07-12 | 2021-07-12 | Meta分析自动数据预处理和参数设置软件及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113724881B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898222A (zh) * | 2018-06-26 | 2018-11-27 | 郑州云海信息技术有限公司 | 一种自动调节网络模型超参数的方法和装置 |
| CN109784676A (zh) * | 2018-12-25 | 2019-05-21 | 杨鑫 | 数据分析的学习和使用方法、装置及计算机可读存储介质 |
-
2021
- 2021-07-12 CN CN202110784310.7A patent/CN113724881B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898222A (zh) * | 2018-06-26 | 2018-11-27 | 郑州云海信息技术有限公司 | 一种自动调节网络模型超参数的方法和装置 |
| CN109784676A (zh) * | 2018-12-25 | 2019-05-21 | 杨鑫 | 数据分析的学习和使用方法、装置及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113724881A (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110704231A (zh) | 一种故障处理方法及装置 | |
| CN108492380B (zh) | 一种三维模型的减面方法与装置、存储介质 | |
| CN115865649B (zh) | 一种智能运维管理控制方法、系统和存储介质 | |
| CN111796957A (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
| US11605210B2 (en) | Method for optical character recognition in document subject to shadows, and device employing method | |
| CN113705977A (zh) | 一种木地板基材的安全性生产方法及系统 | |
| WO2021082695A1 (zh) | 一种训练方法、特征提取方法、装置及电子设备 | |
| CN111176872B (zh) | 面向it运维的监控数据处理方法、系统、装置及存储介质 | |
| WO2023065744A1 (zh) | 一种人脸识别方法、装置、设备以及存储介质 | |
| CN113592842B (zh) | 一种基于深度学习的样本血清质量识别方法及识别设备 | |
| CN113724881B (zh) | Meta分析自动数据预处理和参数设置软件及其应用 | |
| CN110878709B (zh) | 汽轮机阀门的卡涩识别机制建立方法及卡涩识别方法 | |
| CN113112188B (zh) | 一种基于预筛选动态集成的电力调度监控数据异常检测方法 | |
| WO2021231826A1 (en) | System and method for time series pattern recognition | |
| CN116720084A (zh) | 数据识别方法、装置、电子设备及计算机可读存储介质 | |
| CN116091874B (zh) | 图像校验方法、训练方法、装置、介质、设备及程序产品 | |
| CN113297249A (zh) | 慢查询语句的识别和分析、查询语句的统计方法及装置 | |
| CN117272646A (zh) | 一种基于孪生神经网络的仿真软件自动操作优化方法 | |
| CN116185797A (zh) | 预测服务器资源饱和度的方法、装置及存储介质 | |
| CN112766387B (zh) | 一种训练数据的纠错方法、装置、设备及存储介质 | |
| CN115309638A (zh) | 协助模型优化的方法及装置 | |
| CN111654853B (zh) | 一种基于用户信息的数据分析方法 | |
| CN114765574A (zh) | 一种网络异常定界定位方法及装置 | |
| CN114648646B (zh) | 一种图像分类方法及装置 | |
| CN113469235A (zh) | 用水波动异常识别方法及装置、计算机装置及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |