CN113988519A - 一种馆藏文物保存环境风险表征方法 - Google Patents
一种馆藏文物保存环境风险表征方法 Download PDFInfo
- Publication number
- CN113988519A CN113988519A CN202111137766.0A CN202111137766A CN113988519A CN 113988519 A CN113988519 A CN 113988519A CN 202111137766 A CN202111137766 A CN 202111137766A CN 113988519 A CN113988519 A CN 113988519A
- Authority
- CN
- China
- Prior art keywords
- environment
- risk
- cultural
- environmental
- collection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004321 preservation Methods 0.000 title claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 abstract description 5
- 238000013145 classification model Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000010606 normalization Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 235000004257 Cordia myxa Nutrition 0.000 description 1
- 244000157795 Cordia myxa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011428 standard deviation standardization method Methods 0.000 description 1
- 239000003039 volatile agent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种馆藏文物保存环境风险表征方法,包括以下步骤:S1,构建风险表征系统,获取馆藏文物信息和环境信息;S2,获取环境变量和环境风险指标,确定关键环境变量;S3,构建环境风险状态分级模型,获取预设分级控制限;S4,获取若干实时环境变量,确定当前时刻的分级控制限;S5,比较当前时刻的分级控制限与预设分级控制限,确定当前的风险状态分级,生成风控二维码;S6,将生成的二维码在文物终端设备上显示。本发明通过上述步骤,能够对馆藏文物保存环境的风险进行量化分级并快速、直观地进行表征,使管理者及时充分地掌握馆藏文物保存环境的风险状态,有利于促进及时实施风险处理,提高了对馆藏文物的风险预控和保护能力。
Description
技术领域
本发明涉及文物保存环境风险表征技术领域,更具体地涉及一种馆藏文物保存环境风险表征方法。
背景技术
文物通常保存在特定环境中,环境因素影响着文物的保存时间和质量。就馆藏文物而言,长期保存在封闭环境中,面临诸多环境因素的变化,如何最大限度地防止或减缓环境因素对文物的破坏作用,是预防性保护珍贵文物的关键。
防止或减缓环境因素对馆藏文物的破坏需要对馆藏文物保存环境进行监测和评估,但目前的监测评估建立在物理和化学实验基础之上,凭借文物专家的经验来进行判断。这种方式费时费力、主观性强,且无法将馆藏文物保存环境的风险表征出来,无法对馆藏文物进行有效的风险预控和保护。
发明内容
为解决上述现有技术中的问题,本发明提供一种馆藏文物保存环境风险表征方法,能够快速、直观地表征馆藏文物保存环境的风险,并提高对馆藏文物的风险预控和保护能力。
本发明提供一种馆藏文物保存环境风险表征方法,包括:
步骤S1,提供服务器、与服务器通信连接的多个文物终端设备以及风控系统,利用所述文物终端设备获取馆藏文物信息和环境信息;
步骤S2,所述馆藏文物信息和所述环境信息通过所述服务器输入至所述风控系统,分析每个文物终端设备对应展柜内的馆藏文物所处保存环境中的环境变量和环境风险指标,确定不同类型文物的关键环境变量;
步骤S3,根据不同类型文物的环境风险指标和关键环境变量,构建不同类型文物的环境风险状态分级模型,获取不同类型文物环境风险的预设分级控制限;
步骤S4,利用所述文物终端设备获取馆藏文物的若干实时环境变量,根据所述若干实时环境变量和步骤S3构建的环境风险状态分级模型,获取当前时刻的分级控制限;
步骤S5,将当前时刻的分级控制限与预设分级控制限进行比较,确定当前馆藏文物保存环境的风险状态分级,生成对应的风控二维码;
步骤S6,将生成的风控二维码通过所述服务器输入至所述文物终端设备,并在所述文物终端设备的显示界面显示所述风控二维码。
进一步地,所述馆藏文物信息包括文物身份信息、文物保存条件信息、文物管理使用信息和游客信息。
进一步地,所述环境信息包括文物保护设施信息和文物保存环境信。
进一步地,所述文物终端设备为手机、平板电脑、台式计算机或便携笔记本式计算机。
进一步地,步骤S2进一步包括:
步骤S21:构建环境变量集合X的模型和环境风险指标y的模型;
步骤S22:对环境变量集合中的每个环境变量xi以及环境风险指标y进行标准化;
进一步地,环境变量集合X的模型和环境风险指标y的模型满足如下关系式:
X=[x1,x2,…,xi,…,xm]∈Rn×m
y∈Rn
其中,m是所有环境变量的个数,n是对馆藏文物所处的保存环境进行采样得到的样本个数,i是所有环境变量的序数,xi表示环境变量集合中第i个环境变量,i=1,2,3,…,m,R是实数集。
进一步地,标准化后的环境变量的采样值满足如下关系式:
其中,n是对馆藏文物所处的保存环境进行采样得到的样本个数,表示标准化后的第i个环境变量的第t个采样值,表示第i个环境变量xi的所有采样值的均值,si表示第i个环境变量的所有采样值的标准差,xi表示环境变量集合中第i个环境变量,xit表示第i个环境变量xi的第t个采样值;
进一步地,步骤S3进一步包括:
步骤S31:构建以时序相关神经网络为基础的训练模型,作为环境风险状态分级模型;
步骤S32:构建关键环境变量的训练集X′与环境风险指标的训练集y′,对训练集中的每个关键环境变量x′j和环境风险指标y′进行标准化;
步骤S33:将标准化后的关键环境变量x′j和环境风险指标y′输入步骤S31构建的训练模型中进行训练,不断利用关键环境变量x′j拟合风险指标y′,使神经网络学习到关键环境变量x′j与风险指标y′的关系,从而提取出关键环境变量x′j的数据特征h;
步骤S34,根据关键环境变量X′的数据特征h得出环境风险的预设分级控制限T2。
进一步地,所述预设分级控制限T2满足如下关系式:
进一步地,步骤S4进一步包括:
步骤S41:从获取的若干实时环境变量中选出实时关键环境变量;
步骤S42:对实时关键环境变量进行标准化;
Tfact 2=h(Xonline)TΣ-1h(Xonline)
其中,h(Xonline)表示在线过程中表示每一个样本点的特征。
本发明通过上述步骤,能够对馆藏文物保存环境的风险进行量化分级并快速、直观地进行表征,使管理者及时充分地掌握馆藏文物保存环境的风险状态,有利于促进及时实施风险处理,提高了对馆藏文物的风险预控和保护能力。
附图说明
图1是按照本发明的馆藏文物保存环境风险表征方法的流程图。
图2是时序相关神经网络的结构框图。
具体实施方式
下面结合附图,给出本发明的较佳实施例,并予以详细描述。
如图1所示,本发明的馆藏文物保存环境风险表征方法,包括以下步骤:
步骤S1,如图2所示,提供服务器1、与服务器1通信连接的多个文物终端设备2以及风控系统3。其中,每个文物终端设备2位于一个固定展柜内,展柜内保存有馆藏文物,文物终端设备2可以获取其对应展柜内的馆藏文物信息和该馆藏文物所处环境的环境信息。馆藏文物信息包括文物身份信息(文物编码、文物质地、主要病害、收藏单位等)、文物保存条件信息(保存地域、藏展状态、藏展条件等)、文物管理使用信息(养护管理、检查管理、人员队伍、制度管理、指导服务等)、游客信息等;环境信息包括文物保护设施信息(环境监测设备信息、小环境调控设备信息、微环境调控设备信息等)、文物保存环境信息(湿热指标、光照强度、污染物、生物危害、气候指标等)等。文物终端设备2可以是手机、平板电脑、台式计算机、便携笔记本式计算机等,安装有基于二维码的应用。
步骤S2,将文物终端设备2获取的馆藏文物信息和环境信息通过服务器1输入至风控系统3,分析每个文物终端设备2对应展柜内的馆藏文物所处保存环境中的环境变量和环境风险指标,确定不同类型文物的关键环境变量。
本发明采用互信息分析法提取关键环境变量。两个变量之间的互信息是对于变量之间相互依赖性的度量,衡量两个事件集合的相关性。也可以理解为,互信息度量两个变量之间共享的信息,即在了解一个变量后,对另一个变量不确定度减少的程度。提取关键环境变量的步骤包括:
步骤S21,构建环境变量集合X的模型和环境风险指标y的模型如下:
X=[x1,x2,…,xi,…,xm]∈Rn×m (1)
y∈Rn (2)
其中,m是所有环境变量的个数,n是对馆藏文物所处的保存环境进行采样得到的样本个数,R是实数集。xi表示环境变量集合中第i个环境变量,i是所有环境变量的序数,i=1,2,3,…,m。
由于不同变量的量度(单位)不同,会造成不同变量之间的量级不同,如果使用原始数据,会造成量级大的数据在模型中占据更大的比重,显然是不合理的。因此需要对上述模型中的每一个变量进行标准化,以保证不同变量对整个模型的贡献度相同。
因此,步骤S22,对每个环境变量xi以及环境风险指标y进行标准化。本发明采用标准差标准化法,每个环境变量xi的采样值xit标准化的计算公式如下:
其中,n是对馆藏文物所处的保存环境进行采样得到的样本个数,表示表示标准化后的第i个环境变量xi的第t个采样值,表示第i个环境变量的所有采样值的均值,s表示第i个环境变量的所有采样值的标准差,xi表示环境变量集合中第i个环境变量,xt表示第i个环境变量xi的第t个采样值。
环境风险指标y的标准化计算公式与环境变量相同,此处不再赘述。
通过计算互信息的方式,可以直观地看到环境变量与环境风险指标的关联程度,为关键环境变量的选择提供了理论基础。需要说明的是,选择关键环境变量时,可以按照计算结果的数值大小顺位选择顺位的多个环境变量,也可以选择计算结果大于某一阈值的对应的环境变量。在本实施例中,最终选择的关键环境变量为顺位的六个(即排在前六位的)环境变量,包括环境温度、环境湿度、光照强度、二氧化硫浓度、二氧化碳浓度以及有机挥发物。
步骤S3,根据不同类型文物的环境风险指标和关键环境变量,构建不同类型文物的环境风险状态分级模型,获取不同类型文物环境风险的预设分级控制限。
步骤S3具体包括:
步骤S31,构建以时序相关神经网络(BERT)为基础的训练模型,作为环境风险状态分级模型。由于某一个采样点在不同的前后采样点之间表示的状态不同,仅利用单个采样点无法全面反应当前的状态。即在整个过程中,某一个采样点并不是独立存在,而是和前后数个采样点之间存在时序关系,因此需要在神经网络中引入时序相关特征。
本发明采用的时序相关神经网络如图2所示,包括多头注意力机制模块、残差连接模块、前馈神经网络层、最大池化层、线性层和输出层。为更好地理解,以下对该时序相关神经网络进行简要说明。
1)多头注意力机制模块设置为进行如下操作:对于输入的向量,首先通过线性层分别构造该向量的查询向量(Q)、键向量(K)以及值向量(V);其中,Q∈RN×m,K∈RN×m,V∈RN ×m。其次,为了训练网络使之关注并学习到不同类型的信息,避免网络学习到的信息单一化从而对结果产生影响,采用多头注意力机制,即将查询向量(Q)、键向量(K)和值向量(V)经过线性投影到不同于输入维度后进行计算,如下所示:
headi=Attention(QWi Q,KWi K,VWi V) (6)
其中,headi是多头的向量片段,Wi Q∈Rm×d、Wi K∈Rm×d与Wi V∈Rm×d为网络训练得到的参数,且d=m/i。Attention()的计算方式如下所示:
Attention_output是进行attention这一步操作后的输出值,Softmax是归一化函数。
在学习到不同的信息后,将所有的向量片段进行拼接,以保证总体信息量不变,如下所示:
MultiHead(Q,K,V)=Concat(head1...headh)Wo (8)
其中,Wo∈Rm×m同样是网络训练得到的权重。
2)残差连接模块设置为执行进行如下操作:将每层输入结果与输出结果相加后经过归一化操作,以一定程度上解决网络退化的问题。下式(9)表示将输入与经过神经网络的输入相加,下式(10)表示对该结果进行层归一化的操作。这里采用层归一化LayerNormalization,即在每一层进行归一化的计算,防止输入数据落在激活函数的饱和区。
其中,H表示第l层神经元的个数。
此外,在LayerNormalization中为了防止信息的破坏,得到的结果需要经过激活函数,故最终LayerNormalization后的结果如下所示:
其中,f(·)其表示激活函数,这里采用ReLU激活函数。
3)前馈神经网络层由两个全连接层构成,第一层使用激活函数SELU,第二层不使用激活函数,该层对应公式如下:
其中,λ和α都是固定参数,λ≈1.0507并且α≈1.6733。W1、W2、b1以及b2均为网络训练得到的参数。Xl为最后一层的残差网络的输出。
4)最大池化层设置为在减少参数数量的同时增大感受野,从中选出最为相关的输入。
步骤S32,构建关键环境变量的训练集X′与环境风险指标的训练集y′,对训练集中的每个关键环境变量x′j和环境风险指标y′进行标准化。
关键环境变量的训练集X′与环境风险指标的训练集y′是通过对文物终端设备2获取的馆藏文物信息和环境信息的进行采样得到环境变量和环境风险指标,进而统计得到的。
关键环境变量的训练集X′与环境风险指标的训练集y′分别如下所示:
X′=[x′1,x′2,…,x′j,…x′n]∈Rt×n (13)
y’∈Rt (14)
其中,n是关键环境变量的个数;t是时间窗长度,即选取的样本个数,在本实施例中,选取时间窗长度为10,即每次输入10个样本进行网络训练;R是实数集;xj表示关键环境变量训练集中任一环境变量。
对每个关键环境变量x′j和环境风险指标y′进行标准化的方法与步骤S12中的方法相同,在此不再赘述。需要注意的是,对每个关键环境变量x′j和环境风险指标y′进行标准化时所使用的均值和方差值与公式(4)计算得到的均值和方差值相同。
步骤S33,将标准化后的关键环境变量x′j和环境风险指标y′输入步骤S31构建的训练模型中进行训练,不断利用关键环境变量x′j拟合风险指标y′,使神经网络学习到关键环境变量x′j与风险指标y′的关系,从而提取出关键环境变量x′j的数据特征h。
具体地,先定义损失函数MSE:
步骤S34,根据关键环境变量X′的数据特征h得出环境风险的预设分级控制限T2。预设分级控制限T2的计算公式如下:
式中,N表示样本个数,其与公式(13)和(14)中的t相等。
由于每一个采用点均会生成一个,因此需要采用核密度估计来选择使用T2的在哪一个置信度下的值。具体地,先确定核密度估计的置信度,然后根据置信度来选择对应的T2值。例如,当置信度为0.9时,对应的预设分级控制限为中风险预设分级控制限当置信度为0.99时,对应的预设分级控制限为高风险预设分级控制限
步骤S41,从获取的若干实时环境变量中选出实时关键环境变量,即从若干实时环境变量中挑选出属于步骤S1确定的关键环境变量(即实时关键环境变量),作为后续计算的数据。
步骤S42,对实时关键环境变量进行标准化。此处进行标准化的方法与步骤S12中的方法相同,在此不再赘述。需要注意的是,此处进行标准化时所使用的均值和方差值与公式(4)计算得到的均值和方差值相同,以保证实时数据与建模数据的一致性。
其中,h(Xonline)表示在线过程中表示每一个样本点的特征。hi与公式15,16相同。
具体地,当时,风险状态等级为低风险,生成绿色二维码,表示馆藏文物保存环境正常;当时,风险状态等级为中风险,生成黄色二维码,表示馆藏文物保存环境存在隐患;当时,风险状态等级为高风险,生成红色二维码,表示馆藏文物保存环境危险。
步骤S6,将生成的二维码通过服务器1输入至文物终端设备2,并在文物终端设备2的显示界面显示二维码。如此,通过对馆藏文物保存环境的风险进行量化分级与表征,可使管理者及时充分地掌握馆藏文物保存环境的风险状态,有利于促进及时实施风险处理,提高了对馆藏文物的风险预控和保护能力。
本发明还提供了一种用于馆藏文物保存环境风险表征的存储介质,该存储介质用于存储计算机可执行指令。其中,计算机可执行指令在被执行时实现上述步骤S1-S6。
以上所述的,仅为本发明的较佳实施例,并非用以限定本发明的范围,本发明的上述实施例还可以做出各种变化。即凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰,皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。
Claims (12)
1.一种馆藏文物保存环境风险表征方法,其特征在于,包括:
步骤S1,提供服务器、与服务器通信连接的多个文物终端设备以及风控系统,利用所述文物终端设备获取馆藏文物信息和环境信息;
步骤S2,所述馆藏文物信息和所述环境信息通过所述服务器输入至所述风控系统,分析每个文物终端设备对应展柜内的馆藏文物所处保存环境中的环境变量和环境风险指标,确定不同类型文物的关键环境变量;
步骤S3,根据不同类型文物的环境风险指标和关键环境变量,构建不同类型文物的环境风险状态分级模型,获取不同类型文物环境风险的预设分级控制限;
步骤S4,利用所述文物终端设备获取馆藏文物的若干实时环境变量,根据所述若干实时环境变量和步骤S3构建的环境风险状态分级模型,获取当前时刻的分级控制限;
步骤S5,将当前时刻的分级控制限与预设分级控制限进行比较,确定当前馆藏文物保存环境的风险状态分级,生成对应的风控二维码;
步骤S6,将生成的风控二维码通过所述服务器输入至所述文物终端设备,并在所述文物终端设备的显示界面显示所述风控二维码。
2.根据权利要求1所述的馆藏文物保存环境风险表征方法,其特征在于,所述馆藏文物信息包括文物身份信息、文物保存条件信息、文物管理使用信息和游客信息。
3.根据权利要求1所述的馆藏文物保存环境风险表征方法,其特征在于,所述环境信息包括文物保护设施信息和文物保存环境信息。
4.根据权利要求1所述的馆藏文物保存环境风险表征方法,其特征在于,所述文物终端设备为手机、平板电脑、台式计算机或便携笔记本式计算机。
6.根据权利要求5所述的馆藏文物保存环境风险表征方法,其特征在于,环境变量集合X的模型和环境风险指标y的模型满足如下关系式:
X=[x1,x2,...,xi,...,xm]∈Rn×m
y∈Rn
其中,m是所有环境变量的个数,n是对馆藏文物所处的保存环境进行采样得到的样本个数,i是所有环境变量的序数,xi表示环境变量集合中第i个环境变量,i=1,2,3,…,m,R是实数集。
9.根据权利要求1所述的馆藏文物保存环境风险表征方法,其特征在于,步骤S3进一步包括:
步骤S31:构建以时序相关神经网络为基础的训练模型,作为环境风险状态分级模型;
步骤S32:构建关键环境变量的训练集X′与环境风险指标的训练集y′,对训练集中的每个关键环境变量x′j和环境风险指标y′进行标准化;
步骤S33:将标准化后的关键环境变量x′j和环境风险指标y′输入步骤S31构建的训练模型中进行训练,不断利用关键环境变量x′j拟合风险指标y′,使神经网络学习到关键环境变量x′j与风险指标y′的关系,从而提取出关键环境变量x′j的数据特征h;
步骤S34,根据关键环境变量X′的数据特征h得出环境风险的预设分级控制限T2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137766.0A CN113988519A (zh) | 2021-09-27 | 2021-09-27 | 一种馆藏文物保存环境风险表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137766.0A CN113988519A (zh) | 2021-09-27 | 2021-09-27 | 一种馆藏文物保存环境风险表征方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113988519A true CN113988519A (zh) | 2022-01-28 |
Family
ID=79736934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111137766.0A Pending CN113988519A (zh) | 2021-09-27 | 2021-09-27 | 一种馆藏文物保存环境风险表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988519A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115656444A (zh) * | 2022-11-11 | 2023-01-31 | 北京航空航天大学 | 一种大型场馆内二氧化碳场浓度重建方法 |
CN117610965A (zh) * | 2023-12-03 | 2024-02-27 | 瑞安市博物馆 | 一种基于人工智能算法的纸质文物环境评估方法 |
-
2021
- 2021-09-27 CN CN202111137766.0A patent/CN113988519A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115656444A (zh) * | 2022-11-11 | 2023-01-31 | 北京航空航天大学 | 一种大型场馆内二氧化碳场浓度重建方法 |
CN115656444B (zh) * | 2022-11-11 | 2024-06-11 | 北京航空航天大学 | 一种大型场馆内二氧化碳场浓度重建方法 |
CN117610965A (zh) * | 2023-12-03 | 2024-02-27 | 瑞安市博物馆 | 一种基于人工智能算法的纸质文物环境评估方法 |
CN117610965B (zh) * | 2023-12-03 | 2024-04-26 | 瑞安市博物馆 | 一种基于人工智能算法的纸质文物环境评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112446591B (zh) | 一种用于学生综合能力评价的零样本评价方法 | |
CN109242223B (zh) | 城市公共建筑火灾风险的量子支持向量机评估与预测方法 | |
CN112132233A (zh) | 一种基于有效影响因子的服刑人员危险行为预测方法及系统 | |
CN106060008B (zh) | 一种网络入侵异常检测方法 | |
CN113988519A (zh) | 一种馆藏文物保存环境风险表征方法 | |
CN113379267B (zh) | 一种基于风险分级预测的城市火灾事件处理方法、系统及存储介质 | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN111738044A (zh) | 一种基于深度学习行为识别的校园暴力评估方法 | |
CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
CN114511429A (zh) | 地质灾害危险等级评估方法及装置 | |
CN116579447A (zh) | 一种基于分解机制和注意力机制的时间序列预测方法 | |
CN113268870B (zh) | 一种基于蒙特卡洛的室外环境条件下图像识别可靠性评估方法 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
CN113281229A (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
Wongkhamdi et al. | A comparison of classical discriminant analysis and artificial neural networks in predicting student graduation outcomes | |
CN117131654A (zh) | 基于预分析初猜值条件非线性最优扰动的目标观测方法 | |
Dang et al. | seq2graph: discovering dynamic dependencies from multivariate time series with multi-level attention | |
CN116523298A (zh) | 一种馆藏文物保存环境风险评价和溯源方法 | |
CN115577259A (zh) | 高压直流输电系统故障选极方法、装置和计算机设备 | |
CN106845386A (zh) | 一种基于动态时间规整与多核学习的动作识别方法 | |
CN113962424A (zh) | 基于PCANet-BiGRU的成绩预测方法、处理器、可读存储介质及计算机设备 |
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 |