CN113743461B - 无人机集群健康度评估方法及装置 - Google Patents
无人机集群健康度评估方法及装置 Download PDFInfo
- Publication number
- CN113743461B CN113743461B CN202110866661.2A CN202110866661A CN113743461B CN 113743461 B CN113743461 B CN 113743461B CN 202110866661 A CN202110866661 A CN 202110866661A CN 113743461 B CN113743461 B CN 113743461B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- single machine
- working state
- real
- 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
- 230000036541 health Effects 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 89
- 238000011156 evaluation Methods 0.000 claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 13
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 31
- 238000004445 quantitative analysis Methods 0.000 claims description 28
- 238000007477 logistic regression Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000012886 linear function Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000011002 quantification Methods 0.000 claims 1
- 239000000243 solution Substances 0.000 description 13
- 210000000349 chromosome Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 241000257303 Hymenoptera Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000033830 Hot Flashes Diseases 0.000 description 1
- 206010060800 Hot flush Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种无人机集群健康度评估方法及装置，通过从每个无人机单机上的传感器接收无人机单机监测数据，将无人机单机监测数据输入无人机单机状态集成学习分类模型，输出每个无人机单机的实时工作状态。利用该实时工作状态和全寿命周期健康监测数据得到在实时工作状态下可量化的健康度，基于每个无人机单机的在所述实时工作状态下的健康度和对应的权重系数进行加权合成，输出无人机集群健康度评估结果。本发明的无人机集群健康度评估方案中，机器学习模型可以自动且持续学习迭代，对无人机单机的实时工作状态的智能化分类准确度高，进一步对实时工作状态下的健康度进行量化，最终实现无人机集群健康度的准确评估。
Description
技术领域
本发明涉及无人机技术领域，尤其涉及一种无人机集群健康度评估方法及装置。
背景技术
无人机集群概念正是起源于生物集群行为，逐渐吸引了大批学者的关注，从而掀起了相关领域的研究热潮，并逐渐涌现了诸多智能集群算法，如蚁群算法和粒子群优化算法。所以，在对蜂群、蚂蚁的集群智能行为的模拟之上，研究出了现在的无人机智能集群技术，以无人机单机间通过彼此的感知交互、信息传递、协同工作在险恶的环境下可以低成本完成多样性的复杂任务。
其中，如何进行无人机集群健康度评估是业界普遍考虑的一个课题。
发明内容
本发明提供一种无人机集群健康度评估方法及装置，用以解决现有技术中无人机集群健康度评估准确性低的缺陷，实现无人机集群健康度的精确评估。
本发明提供一种无人机集群健康度评估方法，包括：
从无人机集群中每个无人机单机上的传感器接收无人机单机监测数据；
将每个无人机单机的单机监测数据输入无人机单机状态集成学习分类模型，输出每个无人机单机的实时工作状态，其中所述无人机单机状态集成学习分类模型是利用标签化的海量无人机单机监测数据基于机器学习模型进行训练得到的；
将每个无人机单机的所述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出所述无人机单机在所述实时工作状态下的健康度，所述健康度量化分析模型是基于对数线性内核的二项逻辑斯蒂回归分析模型构建的；
基于每个所述无人机单机在所述实时工作状态下的健康度和对应的所述无人机单机的权重系数进行加权合成，最终输出无人机集群健康度评估结果。
根据本发明提供的一种无人机集群健康度评估方法，所述将每个无人机单机的无人机单机监测数据输入无人机单机状态集成学习分类模型，包括：
将每个无人机单机的无人机单机监测数据输入所述无人机单机状态集成学习分类模型中包含的多个分类器模型，输出多个工作状态分类结果；
将所述多个实时工作状态分类结果输入分类投票器，输出满足预设投票条件的所述实时工作状态；
其中，所述多个分类器模型是分别利用所述海量无人机单机监测数据训练得到的。
根据本发明提供的一种无人机集群健康度评估方法，将每个无人机单机的所述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，包括：
将包含各个多源传感器数据的所述全寿命周期健康监测数据输入如下二项逻辑斯蒂回归模型，输出基于所述各个多源传感器数据的权重与偏移量数据：
其中，ω＝(ω(1)，ω(2)，…，ω(n)，b)T为权重与偏置向量，ω(n)为权重值，b为偏置向量，X＝(x(1)，x(2)，…，x(n)，1)T为多源传感器数据的输入向量，所述ω和b组成所述各个多源传感器数据的权重与偏移量数据；
对所述各个多源传感器数据的输入向量及权重与偏移量数据做线性函数叠加分析，将得到的计算结果作为自变量输入Sigmoid函数中，进而输出各个工作状态的概率值；
在所述各个工作状态的概率值中提取所述实时工作状态的概率值；
对所述实时工作状态的概率值做区间化处理，将区间化处理的百分比结果作为所述无人机单机在所述实时工作状态下的健康度。
根据本发明提供的一种无人机集群健康度评估方法，采用如下步骤计算所述无人机单机的权重系数：
利用所述无人机单机的决策变量范围与决策变量边界，基于遗传算法的模糊评判综合评价模型计算上述无人机单机的权重系数。
本发明还提供一种无人机集群健康度评估装置，包括：
接收模块，从无人机集群中每个无人机单机上的传感器接收无人机单机监测数据；
无人机单机状态分类模块，将每个无人机单机的无人机单机监测数据输入无人机单机状态集成学习分类模型，输出每个无人机单机的实时工作状态，其中所述无人机单机状态集成学习分类模型是利用标签化的海量无人机单机监测数据基于机器学习模型进行训练得到的；
健康度量化分析模块，将每个无人机单机的所述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出所述无人机单机在所述实时工作状态下的健康度，所述健康度量化分析模型是基于对数线性内核的二项逻辑斯蒂回归分析模型构建的；
无人机集群健康度评估模块，基于每个所述无人机单机在所述实时工作状态下的健康度和对应的所述无人机单机的权重系数进行加权合成，最终输出无人机集群健康度评估结果。
根据本发明提供的一种无人机集群健康度评估装置，所述无人机单机状态分类模块具体用于：
将每个无人机单机的无人机单机监测数据输入所述无人机单机状态集成学习分类模型中包含的多个分类器模型，输出多个工作状态分类结果；
将所述多个实时工作状态分类结果输入分类投票器，输出满足预设投票条件的所述实时工作状态；
其中，所述多个分类器模型是分别利用所述海量无人机单机监测数据训练得到的。
根据本发明提供的一种无人机集群健康度评估装置，健康度量化分析模块具体用于：
将包含各个多源传感器数据的所述全寿命周期健康监测数据输入如下二项逻辑斯蒂回归模型，输出基于所述各个多源传感器数据的权重与偏移量数据：
其中，ω＝(ω(1)，ω(2)，…，ω(n)，b)T为权重与偏置向量，ω(n)为权重值，b为偏置向量，X＝(x(1)，x(2)，…，x(n)，1)T为将所述全寿命周期健康监测数据中的多源传感器数据的输入向量，所述ω和b组成所述各个多源传感器数据的权重与偏移量数据；
对所述多源传感器数据的输入向量和各个多源传感器数据的权重与偏移量数据做线性函数叠加分析，将得到的计算结果作为自变量输入Sigmoid函数中，进而输出各个工作状态的概率值；
对所述实时工作状态的概率值做区间化处理，将区间化处理的百分比结果作为所述无人机单机在所述实时工作状态下的健康度。
根据本发明提供的一种无人机集群健康度评估装置，还包括：
权重系数计算模块，采用如下步骤计算所述无人机单机的权重系数：
利用所述无人机单机的决策变量范围与决策变量边界，基于遗传算法的模糊评判综合评价模型计算上述无人机单机的权重系数。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述无人机集群健康度评估方法的步骤。
本发明提供的无人机集群健康度评估方法及装置，通过从每个无人机单机上的传感器接收对应的无人机单机监测数据，将无人机单机监测数据输入无人机单机状态集成学习分类模型，输出每个无人机单机的实时工作状态。利用无人机单机的所述实时工作状态和全寿命周期健康监测数据得到在实时工作状态下可量化的健康度，基于每个无人机单机的在所述实时工作状态下的健康度和对应的权重系数进行加权合成，进而最终输出无人机集群健康度评估结果。
本发明的无人机集群健康度评估方案中，采用基于机器学习模型的无人机单机状态集成学习分类模型预测无人机单机的实时工作状态，并结合全寿命周期健康监测数据对该实时工作状态下的健康度进行量化，最后根据所有无人机单机的健康度量化值进行加权合成，以得到无人机集群的健康度评估结果。通过机器学习模型可以从海量无人机单机监测数据自动且持续学习迭代，对无人机单机的实时工作状态的智能化分类准确度高，并能通过不断学习优化分类准确度，从而最终实现无人机集群健康度的准确评估。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的无人机集群健康度评估方法的流程示意图之一；
图2是本发明实施例提供的无人机集群健康度评估方法的流程示意图之二；
图3是本发明实施例提供的无人机集群健康度评估方法的流程示意图之三；
图4是本发明实施例提供的无人机集群健康度评估方法及装置的结构示意图之一；
图5是本发明实施例提供的无人机集群健康度评估方法及装置的结构示意图之二；
图6是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
下面结合图1-图3描述本发明的无人机集群健康度评估方法，本方法的执行主体是无人机集群健康度评估系统。
参照图1，本发明实施例提供的无人机集群健康度评估方法具体包括如下步骤：
步骤110：从无人机集群中每个无人机单机上的传感器接收无人机单机监测数据；
步骤120：将每个无人机单机的无人机单机监测数据输入无人机单机状态集成学习分类模型，输出每个无人机单机的实时工作状态，其中所述无人机单机状态集成学习分类模型是利用标签化的海量无人机单机监测数据基于机器学习模型进行训练得到的；
步骤130：将每个无人机单机的所述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出所述无人机单机在所述实时工作状态下的健康度，所述健康度量化分析模型是基于对数线性内核的二项逻辑斯蒂回归分析模型构建的；
步骤140：基于每个所述无人机单机在所述实时工作状态下的健康度和对应的所述无人机单机的权重系数进行加权合成，最终输出所述无人机集群健康度评估结果。
在本发明实施例中，每个无人机单机上布置有各种传感器，利用这些传感器监测无人机单机的监测数据，监测数据包括但不限于运行过程中的状态数据、控制数据及逻辑数据，从大类型上还包含模拟量监测参数与布尔型监测参数。
每个无人机单机上的传感器实时地监测无人机单机监测数据，并传输给无人机集群健康度评估系统，由无人机集群健康度评估系统能够及时对无人机单机的工作状态进行检测。
在本发明实施例中，无人机单机的工作状态可以包括正常状态和故障状态，利用无人机单机状态集成学习分类模型能够高效且准确地对无人机单机的工作状态进行实时评估。
其中，无人机单机状态集成学习分类模型是基于机器学习模型进行训练得到的，该机器学习模型具体可以包含支持向量机、决策树、逻辑回归、神经网络以及贝叶斯分类器中的一种或多种的组合，在此不作限定。
在本发明具体实施例中，参照图2，步骤120具体包括如下步骤：
步骤210：将每个无人机单机的无人机单机监测数据输入所述无人机单机状态集成学习分类模型中包含的多个分类器模型，输出多个工作状态分类结果；
步骤220：将所述多个工作状态分类结果输入分类投票器，输出满足预设投票条件的所述实时工作状态；
其中，所述多个分类器模型是分别利用所述海量无人机单机监测数据训练得到的。
其中，分类器模型可以参考上文提到的机器学习模型的类型，在此不再详述。这些分类器模型可以利用相同的海量无人机单机监测数据进行训练。
分类投票器用于根据各个工作状态分类结果对无人机工作状态的类别进行投票，最多票的类别获胜，因此实时工作状态可以是正常状态或故障状态。
在本发明实施例中，海量无人机单机监测数据是无人机集群全寿命周期产生的海量异构数据，具体包含无人机运行过程中的状态数据、控制数据与逻辑数据，从大类型上包含模拟量监测参数与布尔型监测参数。这些数据来自基于无人机集群的在线状态系统的传感器数据、人工状态记录以及数据后处理统计过程。
海量异构数据顾名思义就是不同结构的大量数据，包含结构化及非结构化数据，在此不作限定。
在实际应用中，搭建海量异构数据监测管理平台，该海量异构数据监测管理平台用于管理无人机集群产生的大量监测数据的存储与分析，海量异构数据监测管理平台包含处理结构化与非结构化海量异构数据的HDFS/Spark平台、以及处理流式海量异构数据的Storm平台。
以图2所示流程图中的分类器模型及分类投票器为示例，对机器学习模型采用如下所示步骤进行训练。
步骤S1，根据无人机系统整体性结构树为蓝本，分析统计系统的常见故障模式，进行相应的故障模式、影响及危害性分析，确立系统的关键部件，建立故障模式、影响和危害性分析(英文：Failure Mode,Effects and Criticality Analysis，缩写FMECA)数据库，为故障诊断、预测的专家知识获取提供数据支撑。
步骤S2，基于所选定故障模式，以特定的故障注入为手段，进行关键/重要故障模式以及正常状态的特征性探究，得到丰富的关于无人机单机的关键/重要故障模式特征数据与正常模式特征数据，这些数据组成海量无人机单机监测数据。
步骤S3，基于无人机单机若干类关键/重要故障模式监测数据，进行数据的标签化处理，为其后的有监督学习打下基础。
步骤S4，选择若干类经典机器学习算法，包含支持向量机、决策树、逻辑回归、神经网络以及贝叶斯分类器，利用步骤S3得到的有监督学习样本数据，进行各个分类器模型的训练；
其后，保存各个分类器模型，并利用集成学习的相关方法构建分类投票器；
最后，利用有监督学习样本数据做集成学习模型的K折交叉验证，最终得到具备较高精度的无人机单机故障分类与诊断模型，即对应上文的无人机单机状态集成学习分类模型。
将实时/准实时的无人机单机监测数据注入训练好的无人机单机状态集成学习分类模型中，输出无人机单机工作状态，为其后的该工作状态模式下的无人机单机系统健康度评分打下基础。
因此，如上所述，以无人机单机的故障模式、影响和危害性分析(FMECA)为依托，基于经典机器学习算法，训练基于集成学习算法的无人机单机状态故障分类与诊断模型，最终输出无人机单机装备较低健康度得分时可能处于的故障模式结果。
在本发明实施例中，健康度量化分析模型能够对无人机单机的健康度进行量化，健康度是衡量无人机单机运行健康状况的量化指标。
具体地，以无人机单机的实时工作状态为基础，结合无人机单机的全寿命周期健康监测数据，以无人机单机的FMECA结果为依托，以对数线性模型为内核，以二类标签数据为依托构建无人机单机的健康度量化分析模型，得到以百分制表征的无人机单机的健康度，实现无人机单机的健康度量化评估。
具体地，参考图3，将每个无人机单机的所述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，包括如下步骤：
步骤310：将包含各个多源传感器数据的全寿命周期健康监测数据输入如下二项逻辑斯蒂回归模型，输出基于各个多源传感器数据的权重与偏移量数据：
其中，ω＝(ω(1)，ω(2)，…，ω(n)，b)T为权重与偏置向量，ω(n)为权重值，b为偏置向量，X＝(x(1)，x(2)，…，x(n)，1)T为将所述全寿命周期健康监测数据中的多源传感器数据的输入向量，所述ω和b组成所述各个多源传感器数据的权重与偏移量数据；
步骤320：对所述各个多源传感器数据的输入向量及权重与偏移量数据做线性函数叠加分析，将得到的计算结果作为自变量输入Sigmoid函数中，进而输出各个工作状态的概率值；
步骤330：在各个工作状态的概率值中提取实时工作状态的概率值；
步骤340：对所述实时工作状态的概率值做区间化处理，将区间化处理的百分比结果作为所述无人机单机在所述实时工作状态下的健康度。
在本发明实施例中，无人机单机全寿命周期服役过程中的健康状态由其正常工作状态与各型故障状态共同决定，可通过特定故障模式下的基于健康度评分的分数制健康度进行量化评价，从而能够直观地给出单机装备的健康状态。
其中，某型特定故障模式下的健康度分数为值域为[0，100]的连续性变量。利用基于对数线性内核的二项逻辑斯蒂回归分析模型建立健康度分数量化分析模型，上述健康度分数本质上可以表述为无人机单机装备的健康度为正常状态的概率，上述概率经过区间化处理即可变换为值域为[0，100]的健康度分数值。
本实施例采用二项逻辑斯蒂回归模型，本质上该模型描述了一种状态值为0(故障状态)或1(正常状态)的二值标签状态，整个模型以条件概率分布的形式，即以式P(Y|X)来进行表示，上式中X表示多源传感器数据输入向量，输出Y的取值为0或1。
参考上述公式，二项逻辑斯蒂回归模型中输出Y＝1的对数几率是输入向量X的线性函数；当线性函数的计算值愈接近于正无穷时，条件概率分布P(Y＝1|X)的计算值越接近于1；而当线性函数的计算值愈接近于负无穷时，条件概率分布P(Y＝1|X)的计算值越接近于0。
在本发明实施例中，二项逻辑斯蒂回归模型的学习过程，主要为依据多源传感器数据输入向量X＝(x(1)，x(2)，…，x(n)，1)T确定参数向量ω＝(ω(1)，ω(2)，…，ω(n)，b)T的过程。具体地，利用极大似然估计法实现模型参数向量的参数估计，进而得到完备的二项逻辑斯蒂回归模型，具体过程为：
对于二项逻辑斯蒂回归模型而言，有P(Y＝1|X)＝f(x)与P(Y＝0|X)＝1-f(x)，此时的似然函数可以表示为：
以似然函数取负对数构建二项逻辑斯蒂回归模型的目标函数，可得：
对以对数似然函数为目标函数的最优化问题，利用梯度下降法求解其最小值，即可得到参数向量ω的估计值此时的二项逻辑斯蒂回归模型满足如下关系式：
具体的，利用Python语言实施上述计算过程后，即可输出基于各个多源传感器数据的权重与偏移量数据。
在具体应用中，基于无人机单机的全寿命周期健康监测属中的多源传感器数据的输入向量X、各个多源传感器数据的权重向量ω以及总偏移量b，将上述数据做线性函数叠加分析(即X·ω+b)，将上述计算结果作为自变量带入Sigmoid函数之中，即可输出值域在[0，1]范围的单机装备健康状态概率值(即P(Y＝1|x))。
可选地，在基于每个所述无人机单机的在所述实时工作状态下的健康度和对应的所述无人机单机的权重系数进行加权合成之前，还包括：
根据所述无人机集群中各个无人机单机权重的权重范围信息和边界信息，采用遗传算法得到所述各个无人机单机的权重系数。
在本发明实施例中，执行上述步骤140，结合无人机集群中不同无人机单机的权重差异，利用基于遗传算法的模糊评判综合评价模型，计算得到不同无人机权重的值，最终结合无人机单机健康度，实现无人机集群健康度评估。
具体地，采用如下步骤计算所述无人机单机的权重系数：
利用所述无人机单机的决策变量范围与决策变量边界，基于遗传算法的模糊评判综合评价模型计算上述无人机单机的权重系数。
遗传算法是模拟生物进化论的自然选择和遗传学机理的生物进化过程的计算方法，是一种通过模拟自然进化过程扩大种群并搜索最优解的方法。
遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过编码(或基因编码)的一定数目的个体(即基础指标)组成。
每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，它决定了个体的形状的外部表现。初始种群(即基础指标)产生之后，可以按照适者生存和优胜劣汰的原理，逐代演化，在每一代，根据问题域中个体的适应度选择个体，并借助于自然遗传学的遗传算子进行组合交叉和/或变异，产生出代表新的解集的种群(即衍生指标)，该过程可以导致种群如自然进化一样的后生代种群(即衍生指标)比前代种群更加适应于环境，而末代种群(即衍生指标)经过解码，可以作为最终的衍生指标。
在本发明实施例中，可以基于专家评价过程，由模糊评判相关原理，给出无人机集群中各个无人机单机的决策变量范围与决策变量边界，由上述两类信息得到包含各个无人机单机权重的权重范围矩阵和边界矩阵。
基于上条所述的初始权重范围矩阵和边界矩阵，进行遗传算法初始染色体设置与遗传算法参数设置，确定的相关参数如下：编码格式、编码方式、编码精度、种群个体数目、最大遗传代数、选择方式、交叉方式、变异方式、交叉概率、整条染色体变异概率以及计算染色体长度等。
基于上条所述的遗传算法初始化参数开始进入遗传算法的进化过程，初始化过程由生成种群染色体矩阵、解码、计算种群目标函数、分配适应度、最优个体选型五步构成，其后进入遗传算法进化步骤，依次经历选择、重组、变异步骤后，将父代精英个体与子代的染色体进行合并，得到新一代种群；
其后进行种群解码，进而得到种群个体的目标函数值与根据目标函数值所分配的适应度值；
最后完成最优结果的相关记录，包含最优个体的序号、当代种群的目标函数均值、当代种群中最优个体的函数值以及当代种群中最优个体的染色体，更进一步地，完成全部进化。
进而，依据遗传算法的相关计算，输出权重最优解的目标函数值及决策变量值，更进一步地，得到各个无人机单机的权重最优值，该权重最优值即为所要求解的权重系数。
下面对本发明提供的无人机集群健康度评估装置进行描述，下文描述的无人机集群健康度评估装置与上文描述的无人机集群健康度评估方法可相互对应参照。
参照图4所示，无人机集群健康度评估装置可以包括如下模块：
接收模块410，从无人机集群中每个无人机单机上的传感器接收无人机单机监测数据；
无人机单机状态分类模块420，将每个无人机单机的无人机单机监测数据输入无人机单机状态集成学习分类模型，输出每个无人机单机的实时工作状态，其中所述无人机单机状态集成学习分类模型是利用标签化的海量无人机单机监测数据基于机器学习模型进行训练得到的；
健康度量化分析模块430，将每个无人机单机的所述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出所述无人机单机在所述实时工作状态下的健康度，所述健康度量化分析模型是基于对数线性内核的二项逻辑斯蒂回归分析模型构建的；
无人机集群健康度评估模块440，基于每个所述无人机单机在所述实时工作状态下的健康度和对应的所述无人机单机的权重系数进行加权合成，输出所述无人机集群健康度评估结果。
可选地，无人机单机状态分类模块420具体用于：
将每个无人机单机的无人机单机监测数据输入所述无人机单机状态集成学习分类模型中包含的多个分类器模型，输出多个工作状态分类结果；
将所述多个实时工作状态分类结果输入分类投票器，输出满足预设投票条件的所述实时工作状态；
其中，所述多个分类器模型是分别利用所述海量无人机单机监测数据训练得到的。
可选地，健康度量化分析模块430具体用于：
将包含各个多源传感器数据的全寿命周期健康监测数据输入如下二项逻辑斯蒂回归模型，输出基于所述各个多源传感器数据的权重与偏移量数据：
其中，ω＝(ω(1)，ω(2)，…，ω(n)，b)T为权重与偏置向量，ω(n)为权重值，b为偏置向量，X＝(x(1)，x(2)，…，x(n)，1)T为将所述全寿命周期健康监测数据中的多源传感器数据的输入向量，所述ω和b组成所述各个多源传感器数据的权重与偏移量数据；
对所述多源传感器数据的输入向量和各个多源传感器数据的权重与偏移量数据做线性函数叠加分析，将得到的计算结果作为自变量输入Sigmoid函数中，进而输出所述实时工作状态的概率值；
对所述实时工作状态的概率值做区间化处理，将区间化处理的百分比结果作为所述无人机单机在所述实时工作状态下的健康度。
在本发明可选实施例中，参照图5所示，与图4相比，本装置还可以包括：
权重系数计算模块510，采用如下步骤计算所述无人机单机的权重系数：
利用所述无人机单机的决策变量范围与决策变量边界，基于遗传算法的模糊评判综合评价模型计算上述无人机单机的权重系数。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：·处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行无人机集群健康度评估方法，该方法包括：
从无人机集群中每个无人机单机上的传感器接收无人机单机监测数据；
将每个无人机单机的无人机单机监测数据输入无人机单机状态集成学习分类模型，输出每个无人机单机的实时工作状态，其中所述无人机单机状态集成学习分类模型是利用标签化的海量无人机单机监测数据基于机器学习模型进行训练得到的；
将每个无人机单机的所述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出所述无人机单机在所述实时工作状态下的健康度，所述健康度量化分析模型是基于对数线性内核的二项逻辑斯蒂回归分析模型构建的；
基于每个所述无人机单机在所述实时工作状态下的健康度和对应的所述无人机单机的权重系数进行加权合成，输出无人机集群健康度评估结果。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各实施例所提供的无人机集群健康度评估方法，该方法包括：
从无人机集群中每个无人机单机上的传感器接收无人机单机监测数据；
将每个无人机单机的无人机单机监测数据输入无人机单机状态集成学习分类模型，输出每个无人机单机的实时工作状态，其中所述无人机单机状态集成学习分类模型是利用标签化的海量无人机单机监测数据基于机器学习模型进行训练得到的；
将每个无人机单机的所述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出所述无人机单机在所述实时工作状态下的健康度，所述健康度量化分析模型是基于对数线性内核的二项逻辑斯蒂回归分析模型构建的；
基于每个所述无人机单机在所述实时工作状态下的健康度和对应的所述无人机单机的权重系数进行加权合成，输出无人机集群健康度评估结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的无人机集群健康度评估方法，该方法包括：
从无人机集群中每个无人机单机上的传感器接收无人机单机监测数据；
将每个无人机单机的无人机单机监测数据输入无人机单机状态集成学习分类模型，输出每个无人机单机的实时工作状态，其中所述无人机单机状态集成学习分类模型是利用标签化的海量无人机单机监测数据基于机器学习模型进行训练得到的；
将每个无人机单机的所述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出所述无人机单机在所述实时工作状态下的健康度，所述健康度量化分析模型是基于对数线性内核的二项逻辑斯蒂回归分析模型构建的；
基于每个所述无人机单机在所述实时工作状态下的健康度和对应的所述无人机单机的权重系数进行加权合成，输出无人机集群健康度评估结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种无人机集群健康度评估方法，其特征在于，包括：
从无人机集群中每个无人机单机上的传感器接收无人机单机监测数据；
将每个无人机单机的无人机单机监测数据输入无人机单机状态集成学习分类模型，输出每个无人机单机的实时工作状态，其中所述无人机单机状态集成学习分类模型是利用标签化的海量无人机单机监测数据基于机器学习模型进行训练得到的；所述实时工作状态包括正常状态和故障状态；
将每个无人机单机的所述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出所述无人机单机在所述实时工作状态下的健康度，所述健康度量化分析模型是基于对数线性内核的二项逻辑斯蒂回归分析模型构建的；
基于每个所述无人机单机在所述实时工作状态下的健康度和对应的所述无人机单机的权重系数进行加权合成，最终输出无人机集群健康度评估结果；
所述无人机单机监测数据包括运行过程中的状态数据、控制数据、逻辑数据中的至少一项。
2.根据权利要求1所述的无人机集群健康度评估方法，其特征在于，所述将每个无人机单机的无人机单机监测数据输入无人机单机状态集成学习分类模型，包括：
将每个无人机单机的无人机单机监测数据输入所述无人机单机状态集成学习分类模型中包含的多个分类器模型，输出多个工作状态分类结果；
将所述多个工作状态分类结果输入分类投票器，输出满足预设投票条件的所述实时工作状态；
其中，所述多个分类器模型是分别利用所述海量无人机单机监测数据训练得到的。
3.根据权利要求1所述的无人机集群健康度评估方法，其特征在于，所述将每个无人机单机的所述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，包括：
将包含各个多源传感器数据的所述全寿命周期健康监测数据输入如下二项逻辑斯蒂回归模型，输出基于所述各个多源传感器数据的权重与偏移量数据：
；
其中，为权重与偏置向量，/>为权重值，/>为偏置向量，/>为多源传感器数据的输入向量，所述/>和/>组成所述各个多源传感器数据的权重与偏移量数据；
对所述各个多源传感器数据的输入向量及权重与偏移量数据做线性函数叠加分析，将得到的计算结果作为自变量输入Sigmoid函数中，进而输出各个工作状态的概率值；
在所述各个工作状态的概率值中提取所述实时工作状态的概率值；
对所述实时工作状态的概率值做区间化处理，将区间化处理的百分比结果作为所述无人机单机在所述实时工作状态下的健康度。
4.根据权利要求1所述的无人机集群健康度评估方法，其特征在于，采用如下步骤计算所述无人机单机的权重系数：
利用所述无人机单机的决策变量范围与决策变量边界，基于遗传算法的模糊评判综合评价模型计算上述无人机单机的权重系数。
5.一种无人机集群健康度评估装置，其特征在于，包括：
接收模块，从无人机集群中每个无人机单机上的传感器接收无人机单机监测数据；
无人机单机状态分类模块，将每个无人机单机的无人机单机监测数据输入无人机单机状态集成学习分类模型，输出每个无人机单机的实时工作状态，其中所述无人机单机状态集成学习分类模型是利用标签化的海量无人机单机监测数据基于机器学习模型进行训练得到的；所述实时工作状态包括正常状态和故障状态；
健康度量化分析模块，将每个无人机单机的所述实时工作状态和全寿命周期健康监测数据输入健康度量化分析模型，输出所述无人机单机在所述实时工作状态下的健康度，所述健康度量化分析模型是基于对数线性内核的二项逻辑斯蒂回归分析模型构建的；
无人机集群健康度评估模块，基于每个所述无人机单机在所述实时工作状态下的健康度和对应的所述无人机单机的权重系数进行加权合成，最终输出无人机集群健康度评估结果；
所述无人机单机监测数据包括运行过程中的状态数据、控制数据、逻辑数据中的至少一项。
6.根据权利要求5所述的无人机集群健康度评估装置，其特征在于，所述无人机单机状态分类模块具体用于：
将每个无人机单机的无人机单机监测数据输入所述无人机单机状态集成学习分类模型中包含的多个分类器模型，输出多个工作状态分类结果；
将所述多个工作状态分类结果输入分类投票器，输出满足预设投票条件的所述实时工作状态；
其中，所述多个分类器模型是分别利用所述海量无人机单机监测数据训练得到的。
7.根据权利要求5所述的无人机集群健康度评估装置，其特征在于，所述健康度量化分析模块具体用于：
将包含各个多源传感器数据的所述全寿命周期健康监测数据输入如下二项逻辑斯蒂回归模型，输出基于所述各个多源传感器数据的权重与偏移量数据：
；
其中，为权重与偏置向量，/>为权重值，/>为偏置向量，/>为所述全寿命周期健康监测数据中的多源传感器数据的输入向量，所述/>和/>组成所述各个多源传感器数据的权重与偏移量数据；
对所述多源传感器数据的输入向量和各个多源传感器数据的权重与偏移量数据做线性函数叠加分析，将得到的计算结果作为自变量输入Sigmoid函数中，进而输出各个工作状态的概率值；
在所述各个工作状态的概率值中提取所述实时工作状态的概率值；
对所述实时工作状态的概率值做区间化处理，将区间化处理的百分比结果作为所述无人机单机在所述实时工作状态下的健康度。
8.根据权利要求5所述的无人机集群健康度评估装置，其特征在于，还包括：
权重系数计算模块，采用如下步骤计算所述无人机单机的权重系数：
利用所述无人机单机的决策变量范围与决策变量边界，基于遗传算法的模糊评判综合评价模型计算上述无人机单机的权重系数。
9.一种电子设备，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计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述无人机集群健康度评估方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述无人机集群健康度评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110866661.2A CN113743461B (zh) | 2021-07-29 | 2021-07-29 | 无人机集群健康度评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110866661.2A CN113743461B (zh) | 2021-07-29 | 2021-07-29 | 无人机集群健康度评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113743461A CN113743461A (zh) | 2021-12-03 |
| CN113743461B true CN113743461B (zh) | 2024-04-09 |
Family
ID=78729365
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110866661.2A Active CN113743461B (zh) | 2021-07-29 | 2021-07-29 | 无人机集群健康度评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113743461B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114298552A (zh) * | 2021-12-28 | 2022-04-08 | 广东电网有限责任公司 | 无人机多机协同作业管理方法、系统和可读存储介质 |
| CN117714304B (zh) * | 2024-02-05 | 2024-04-12 | 中南大学 | 一种无人机集群网络健康评估方法、系统及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915576A (zh) * | 2012-08-17 | 2013-02-06 | 中国航天空气动力技术研究院 | 一种无人机电子履历记录装置 |
| CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务系统 |
| CN107358347A (zh) * | 2017-07-05 | 2017-11-17 | 西安电子科技大学 | 基于工业大数据的装备集群健康状态评估方法 |
| CN109934358A (zh) * | 2019-01-30 | 2019-06-25 | 中国人民解放军32181部队 | 装备故障预测和健康评估方法、系统及终端设备 |
| CN111368971A (zh) * | 2020-02-19 | 2020-07-03 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机集群协同降落排序方法及系统 |
| CN111487991A (zh) * | 2020-04-03 | 2020-08-04 | 中国人民解放军军事科学院国防科技创新研究院 | 一种面向无人机集群的安全等级预测方法及系统 |
| CN111636932A (zh) * | 2020-04-23 | 2020-09-08 | 天津大学 | 基于叶尖定时和集成学习算法的叶片裂纹在线测量方法 |
| CN111652461A (zh) * | 2020-04-13 | 2020-09-11 | 北京航空航天大学 | 基于sae-hmm的航空发动机连续健康状态评估方法 |
| CN112580169A (zh) * | 2020-12-24 | 2021-03-30 | 广东省科学院智能制造研究所 | 一种基于机器学习的谐波减速器健康评估方法 |
-
2021
- 2021-07-29 CN CN202110866661.2A patent/CN113743461B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915576A (zh) * | 2012-08-17 | 2013-02-06 | 中国航天空气动力技术研究院 | 一种无人机电子履历记录装置 |
| CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务系统 |
| CN107358347A (zh) * | 2017-07-05 | 2017-11-17 | 西安电子科技大学 | 基于工业大数据的装备集群健康状态评估方法 |
| CN109934358A (zh) * | 2019-01-30 | 2019-06-25 | 中国人民解放军32181部队 | 装备故障预测和健康评估方法、系统及终端设备 |
| CN111368971A (zh) * | 2020-02-19 | 2020-07-03 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机集群协同降落排序方法及系统 |
| CN111487991A (zh) * | 2020-04-03 | 2020-08-04 | 中国人民解放军军事科学院国防科技创新研究院 | 一种面向无人机集群的安全等级预测方法及系统 |
| CN111652461A (zh) * | 2020-04-13 | 2020-09-11 | 北京航空航天大学 | 基于sae-hmm的航空发动机连续健康状态评估方法 |
| CN111636932A (zh) * | 2020-04-23 | 2020-09-08 | 天津大学 | 基于叶尖定时和集成学习算法的叶片裂纹在线测量方法 |
| CN112580169A (zh) * | 2020-12-24 | 2021-03-30 | 广东省科学院智能制造研究所 | 一种基于机器学习的谐波减速器健康评估方法 |
Non-Patent Citations (3)
| Title |
|---|
| Reliable flight performance assessment of multirotor based on interacting multiple model particle filter and health degree;Zhiyao ZHAO等;《Chinese Journal of Aeronautics》;第32卷(第2期);第444-453页 * |
| 无人机预测与健康管理体系结构研究;罗晓亮 等;《飞机设计》;第32卷(第5期);第50-55页 * |
| 智能无人作战系统发展及关键技术;李林林 等;《现代防御技术》;20200630;第48卷(第3期);第37-43页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113743461A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
| US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
| Garg | A hybrid GA-GSA algorithm for optimizing the performance of an industrial system by utilizing uncertain data | |
| CN106095942B (zh) | 强变量提取方法及装置 | |
| CN113743461B (zh) | 无人机集群健康度评估方法及装置 | |
| CN107465664B (zh) | 基于并行多人工蜂群算法和支持向量机的入侵检测方法 | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| CN109873425B (zh) | 基于深度学习和用户行为的电力系统调整潮流方法及系统 | |
| CA3164718A1 (en) | Application of pathogenicity model and training thereof | |
| CN111476274B (zh) | 一种大数据预测分析的方法、系统、装置及存储介质 | |
| Huang et al. | Harnessing deep learning for population genetic inference | |
| Bustillo et al. | Predictive Hybridization Model integrating Modified Genetic Algorithm (MGA) and C4. 5 | |
| Fadhil et al. | Multiple efficient data mining algorithms with genetic selection for prediction of SARS-CoV2 | |
| CN118246744A (zh) | 一种特长隧道施工现场风险评估方法及系统 | |
| Tiruneh et al. | Feature selection for construction organizational competencies impacting performance | |
| CN115686995A (zh) | 一种数据监控处理方法及装置 | |
| Raman et al. | Machine learning based university admit eligibility predictor | |
| CN113537607A (zh) | 停电预测方法 | |
| Gupta et al. | Selection of input variables for the prediction of wind speed in wind farms based on genetic algorithm | |
| Dagar | A Comparative Study on Loan Eligibility | |
| KR102685644B1 (ko) | 설명 가능한 인공지능을 이용한 학습 진단 시스템 | |
| KR102636461B1 (ko) | 인공지능 모델 학습을 위한 오토 레이블링 자동화 방법, 장치 및 시스템 | |
| CN118134047A (zh) | 信息预测方法、装置、设备及存储介质 | |
| Kavarakuntla | Performance modelling for scalable deep learning | |
| Mentari et al. | Comparative Analysis of Naïve Bayes Algorithm, K-Nearest Neighbours, Neural Network, Decision Tree, and Random Forest to Classify Data Mining in Predicting Heart Disease |
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 |