CN114238062A - 板卡烧录装置性能分析方法、装置、设备及可读存储介质 - Google Patents
板卡烧录装置性能分析方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114238062A CN114238062A CN202111595197.4A CN202111595197A CN114238062A CN 114238062 A CN114238062 A CN 114238062A CN 202111595197 A CN202111595197 A CN 202111595197A CN 114238062 A CN114238062 A CN 114238062A
- Authority
- CN
- China
- Prior art keywords
- information
- burning
- performance
- clustering
- board card
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims description 27
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 74
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000005236 sound signal Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供了一种板卡烧录装置性能分析方法、装置、设备及可读存储介质,涉及计算机技术领域,包括获取第一信息,所述第一信息为至少一种板卡烧录装置的板卡烧录信息;将所述第一信息进行预处理,得到第二信息,所述第二信息为将第一信息进行预处理后得到板卡烧录的性能数值集合;对所述第二信息进行关键因子筛选和初始聚类,得到第二信息的初始聚类簇;根据所述初始聚类簇的数量进行二次聚类,并计算出所述板卡烧录装置的性能评分。本发明通过上述步骤既获取了多种板卡的性能评分,又使得到性能评分更加准确,同时减少人力物力的投入,并更加客观和具备可信度。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种板卡烧录装置性能分析方法、装置、设备及可读存储介质。
背景技术
目前许多设备都会用到板卡,在板卡烧录时需要用到板卡烧录设备,现在市场上有很多种板卡烧录设备,在采购时往往需要对烧录设备进行分析,这需要一个分析专家团队,对于很多企业来说这就是很大的开支,现在需要一种自动分析板卡烧录设备的方法和装置来分析板卡烧录设备的性能。
发明内容
本发明的目的在于提供一种板卡烧录装置性能分析方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种板卡烧录装置性能分析方法,包括:获取第一信息,所述第一信息为至少一种板卡烧录装置的板卡烧录信息;将所述第一信息进行预处理,得到第二信息,所述第二信息为将第一信息进行预处理后得到板卡烧录的性能数值集合;对所述第二信息进行关键因子筛选和初始聚类,得到第二信息的初始聚类簇;根据所述初始聚类簇的数量进行二次聚类,并计算出所述板卡烧录装置的性能评分。
可选地,将所述第一信息进行预处理,得到第二信息,包括:将所述第一信息按照层次分析法进行分析,得到每种板卡烧录信息所占的权重比例;根据每种板卡烧录信息所占的权重比例将所述第一信息转化成对应的数值,并进行离散化处理和数据处理,得到每种板卡烧录的性能数值;基于主成分分析法对所述每种板卡烧录的性能数值进行降维处理,得到板卡烧录的性能数值集合。
可选地,对所述第二信息进行关键因子筛选和初始聚类,包括:在随机森林算法中通过基尼指数计算所述第二信息中每种烧录信息的特征重要性,得到第二信息中每种烧录信息的基尼系数,并筛选出三个最大基尼系数的烧录信息作为聚类特征因子;将所述聚类特征因子对应的性能数值集合基于canopy算法将所述预处理后的性能数值信息进行聚类,得到至少两个初始聚类簇。
可选地,根据所述初始聚类簇的数量进行二次聚类,并计算出所述板卡烧录装置的性能评分,包括:调用所述初始聚类簇的数量,并将所述初始聚类簇的数量作为K-means聚类算法中的K值,以K值作为初始质心,基于欧式距离算法计算所有第二信息内的数据与初始质心的距离;基于所述距离对所述第二信息内的数据进行分组,分别计算每组中数据的均值,并将所述均值作为新的质心,重复计算每个第二信息内的数据与新的质心之间的距离;重复上一步骤进行迭代计算直至新的质心与初始质心相等,并计算每个聚类簇内聚类点的平方差;基于所述每个聚类簇内聚类点的平方差进行求和计算,得到板卡烧录装置的性能评分。
第二方面,本申请还提供了一种板卡烧录装置性能分析装置,包括:第一获取单元,用于获取第一信息,所述第一信息为至少一种板卡烧录装置的板卡烧录信息;第一处理单元,用于将所述第一信息进行预处理,得到第二信息,所述第二信息为将第一信息进行预处理后得到板卡烧录的性能数值集合;第二处理单元,用于对所述第二信息进行关键因子筛选和初始聚类,得到第二信息的初始聚类簇;第三处理单元,用于根据所述初始聚类簇的数量进行二次聚类,并计算出所述板卡烧录装置的性能评分。
可选地,所述装置包括:第一分析子单元,用于将所述第一信息按照层次分析法进行分析,得到每种板卡烧录信息所占的权重比例;第一处理子单元,用于根据每种板卡烧录信息所占的权重比例将所述第一信息转化成对应的数值,并进行离散化处理和数据处理,得到每种板卡烧录的性能数值;第二处理子单元,用于基于主成分分析法对所述每种板卡烧录的性能数值进行降维处理,得到板卡烧录的性能数值集合。
可选地,所述装置包括:第一计算子单元,用于在随机森林算法中通过基尼指数计算所述第二信息中每种烧录信息的特征重要性,得到第二信息中每种烧录信息的基尼系数,并筛选出三个最大基尼系数的烧录信息作为聚类特征因子;第一聚类子单元,用于将所述聚类特征因子对应的性能数值集合基于canopy算法将所述预处理后的性能数值信息进行聚类,得到至少两个初始聚类簇。
可选地,所述装置包括:第二聚类子单元,用于调用所述初始聚类簇的数量,并将所述初始聚类簇的数量作为K-means聚类算法中的K值,以K值作为初始质心,基于欧式距离算法计算所有第二信息内的数据与初始质心的距离;第三处理子单元,用于基于所述距离对所述第二信息内的数据进行分组,分别计算每组中数据的均值,并将所述均值作为新的质心,重复计算每个第二信息内的数据与新的质心之间的距离;第四处理子单元,用于重复上一步骤进行迭代计算直至新的质心与初始质心相等,并计算每个聚类簇内聚类点的平方差;第五处理子单元,用于基于所述每个聚类簇内聚类点的平方差进行求和计算,得到板卡烧录装置的性能评分。
第三方面,本申请还提供了一种板卡烧录装置性能分析设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述板卡烧录装置性能分析方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于板卡烧录装置性能分析方法的步骤。
本发明的有益效果为:
本发明通过对板卡的性能数值进行预处理并转化为对应的性能值,然后根据关键因子筛选,选出板卡的关键性能进行分析,然后通过二次聚类对板卡的性能进行评分,以此获取每种板卡的性能评分,这样得到性能评分更加准确,同时减少人力物力的投入。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中所述的板卡烧录装置性能分析方法流程示意图;
图2为本发明实施例中所述的板卡烧录装置性能分析装置结构示意图;
图3为本发明实施例中所述的板卡烧录装置性能分析设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
如图1所示,本实施例提供了一种板卡烧录装置性能分析方法,其所述方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取第一信息,所述第一信息为至少一种板卡烧录装置的板卡烧录信息;
步骤S2、将所述第一信息进行预处理,得到第二信息,所述第二信息为将第一信息进行预处理后得到板卡烧录的性能数值集合;
步骤S3、对所述第二信息进行关键因子筛选和初始聚类,得到第二信息的初始聚类簇;
步骤S4、根据所述初始聚类簇的数量进行二次聚类,并计算出所述板卡烧录装置的性能评分。
可以理解的是本发明通过对板卡的性能数值进行预处理并转化为对应的性能值,然后根据关键因子筛选,选出板卡的关键性能进行分析,然后通过二次聚类对板卡的性能进行评分,以此获取每种板卡的性能评分,这样得到性能评分更加准确,同时减少人力物力的投入。
可以理解的是本发明板卡烧录信息包括板卡烧录时间、板卡烧录效率、板卡烧录合格率和板卡烧录装置可以同时烧录板卡的数量等方面的信息。
在本公开的一种具体实施方式中,所述步骤S2包括步骤S21、步骤S22和步骤S23。
S21、将所述第一信息按照层次分析法进行分析,得到每种板卡烧录信息所占的权重比例;
S22、根据每种板卡烧录信息所占的权重比例将所述第一信息转化成对应的数值,并进行离散化处理和数据处理,得到每种板卡烧录的性能数值;
S23、基于主成分分析法对所述每种板卡烧录的性能数值进行降维处理,得到板卡烧录的性能数值集合。
可以理解的是本发明通过层次分析法计算每种板卡的烧录信息对于总信息所占的权重比例,然后再将所有板卡的烧录信息预设的性能评分表进行评分,并与对应的权重比例进行相乘,计算出板卡烧录装置的性能数值,然后对所述性能数值进行数据处理,并基于主成分分析法板卡烧录装置的性能分值,减少数据的重叠,减少误差。
可以理解的是上述步骤中的离散化处理和数据处理,是对数据进行相应的缩小和异常数据的清洗,减少数据计算量,增加数据的可信度。
在本公开的一种具体实施方式中,所述步骤S3包括步骤S31和步骤S32。
步骤S31、在随机森林算法中通过基尼指数计算所述第二信息中每种烧录信息的特征重要性,得到第二信息中每种烧录信息的基尼系数,并筛选出三个最大基尼系数的烧录信息作为聚类特征因子;
步骤S32、将所述聚类特征因子对应的性能数值集合基于canopy算法将所述预处理后的性能数值信息进行聚类,得到至少两个初始聚类簇。
可以理解的是本发明通过采用随机森林算法计算每种烧录信息的特征重要性,以此来分析出板卡烧录装置的最重要的三个性能,减少误差的同时增加分析的客观性,并增加分析的效率。
可以理解的是随机森林是由若干决策树组成,随机森林的训练其为多个决策树的生长。决策树的生长则是将样本特征的重要度进行排序,利用其中的主要特征对样本进行二分类,即树的生枝过程,直至训练样本都被明确分类;其中特征重要度的衡量则是通过基尼系数或信息熵判断。无论是基尼系数或是信息熵,都是为了衡量一个随机变量不确定度大小而存在的,换句话来说,就是该变量的信息复杂程度和此变量的重要程度,最终将重要度向量进行归一化,因此本发明运用基尼指数来计算板每种烧录信息的特征重要性。
可以理解的是Canopy聚类一般用在Kmeans聚类之前的粗聚类。考虑到Kmeans在使用上必须要确定K的大小,而往往数据集预先不能确定K的值大小的,这样如果 K取的不合理会带来K均值的误差很大,而运用Canopy聚类确定K值可以增加Kmeans聚类的抗干扰能力。
在本公开的一种具体实施方式中,所述步骤S4包括步骤S41、步骤S42、步骤S43和步骤S44。
步骤S41、调用所述初始聚类簇的数量,并将所述初始聚类簇的数量作为K-means聚类算法中的K值,以K值作为初始质心,基于欧式距离算法计算所有第二信息内的数据与初始质心的距离;
步骤S42、基于所述距离对所述第二信息内的数据进行分组,分别计算每组中数据的均值,并将所述均值作为新的质心,重复计算每个第二信息内的数据与新的质心之间的距离;
步骤S43、重复上一步骤进行迭代计算直至新的质心与初始质心相等,并计算每个聚类簇内聚类点的平方差;
步骤S44、基于所述每个聚类簇内聚类点的平方差进行求和计算,得到板卡烧录装置的性能评分。
可以理解的是本发明通过以canopy算法聚类得到的聚类簇数量作为K-means聚类算法中的K值进行二次聚类,减少数据分析时误差,并且本发明通过对所述每个聚类簇内聚类点的平方差进行求和计算,得到板卡烧录装置的性能评分,以此来取多个数据中的平方和来进行性能分析,保证性能分析的准确性。
在本公开的一种具体实施方式中,所述步骤S4之后还包括步骤S5、步骤S6、步骤S7和步骤S8。
步骤S5、调用至少两种板卡烧录装置的性能评分数据;
步骤S6、将至少两种所述板卡烧录装置的性能评分数据进行分级处理,得到至少两个等级的评分数据集合;
步骤S7、将所述至少两个等级的评分数据集合进行隶属度计算并建立评价矩阵,得到评分数据集合的评价矩阵;
步骤S8、根据所述评分数据集合的评价矩阵和预设的至少两种板卡烧录装置的价格确定所述板卡烧录装置的第一性价比值。
可以理解的是本发明通过将不同的板卡烧录装置的性能评分数据建立评分矩阵,以此来分析不同板卡烧录装置的性价比,确定适合自己企业的板卡烧录装置,更加的人性化,并更加的智能化。
可以理解的是上述步骤中的隶属度计算是通过确定每个所述评分数据集合的数据与对应集合的隶属度,去除掉隶属度比预设阈值小的数据,进而减少评价误差。
在本公开的一种具体实施方式中,所述步骤S4之后还包括步骤S9、步骤S10、步骤S11、步骤S12和步骤S13、
步骤S9、调用板卡烧录装置的烧录失败信息和板卡烧录失败原因;
步骤S10、根据谓词逻辑表示法建立所述板卡烧录装置的烧录信息和板卡烧录失败原因之间逻辑关系;
步骤S11、将所述逻辑关系转化为贝叶斯网络拓扑,使用板卡烧录装置的烧录失败信息和烧录失败原因对贝叶斯网络进行训练;
步骤S12、将所述板卡烧录装置的板卡烧录信息发送至所述的贝叶斯网络推理模型进行验证,并通过神经网络算法修正贝叶斯网络节点条件概率得到修正后的贝叶斯网络推理模型;
步骤S13、基于所述贝叶斯网络推理模型得到板卡烧录装置运行失败的可能性,并基于所述板卡烧录装置运行失败的可能性与所述得到板卡烧录装置的性能评分进行相除,得到所述板卡烧录装置的第二性价比值。
可以理解的是本发明通过获取失败的原因,并进行分析和训练,建立神经网络模型,进而智能分析每个烧录失败的原因,增加分析数据,减少分析烧录装置性能的客观性,减少分析误差。
实施例2
如图2所示,本实施例提供了一种板卡烧录装置性能分析装置,所述装置包括第一获取单元701、第一处理单元702、第二处理单元703和第三处理单元704。
第一获取单元701,用于获取第一信息,所述第一信息为至少一种板卡烧录装置的板卡烧录信息;
第一处理单元702,用于将所述第一信息进行预处理,得到第二信息,所述第二信息为将第一信息进行预处理后得到板卡烧录的性能数值集合;
第二处理单元703,用于对所述第二信息进行关键因子筛选和初始聚类,得到第二信息的初始聚类簇;
第三处理单元704,用于根据所述初始聚类簇的数量进行二次聚类,并计算出所述板卡烧录装置的性能评分。
在本公开的一种具体实施方式中,所述第一处理单元702包括第一分析子单元7021、第一处理子单元7022和第二处理子单元7023。
第一分析子单元7021,用于将所述第一信息按照层次分析法进行分析,得到每种板卡烧录信息所占的权重比例;
第一处理子单元7022,用于根据每种板卡烧录信息所占的权重比例将所述第一信息转化成对应的数值,并进行离散化处理和数据处理,得到每种板卡烧录的性能数值;
第二处理子单元7023,用于基于主成分分析法对所述每种板卡烧录的性能数值进行降维处理,得到板卡烧录的性能数值集合。
在本公开的一种具体实施方式中,所述第二处理单元703包括第一计算子单元7031和第一聚类子单元7032。
第一计算子单元7031,用于在随机森林算法中通过基尼指数计算所述第二信息中每种烧录信息的特征重要性,得到第二信息中每种烧录信息的基尼系数,并筛选出三个最大基尼系数的烧录信息作为聚类特征因子;
第一聚类子单元7032,用于将所述聚类特征因子对应的性能数值集合基于canopy算法将所述预处理后的性能数值信息进行聚类,得到至少两个初始聚类簇。
在本公开的一种具体实施方式中,所述第三处理单元704包括第二聚类子单元7041、第三处理子单元7042、第四处理子单元7043和第五处理子单元7044。
第二聚类子单元7041,用于调用所述初始聚类簇的数量,并将所述初始聚类簇的数量作为K-means聚类算法中的K值,以K值作为初始质心,基于欧式距离算法计算所有第二信息内的数据与初始质心的距离;
第三处理子单元7042,用于基于所述距离对所述第二信息内的数据进行分组,分别计算每组中数据的均值,并将所述均值作为新的质心,重复计算每个第二信息内的数据与新的质心之间的距离;
第四处理子单元7043,用于重复上一步骤进行迭代计算直至新的质心与初始质心相等,并计算每个聚类簇内聚类点的平方差;
第五处理子单元7044,用于基于所述每个聚类簇内聚类点的平方差进行求和计算,得到板卡烧录装置的性能评分。
在本公开的一种具体实施方式中,所述第三处理单元704之后还包括第一调用单元705、第四处理单元706、第五处理单元707和第六处理单元708。
第一调用单元705,用于调用至少两种板卡烧录装置的性能评分数据;
第四处理单元706,用于将至少两种所述板卡烧录装置的性能评分数据进行分级处理,得到至少两个等级的评分数据集合;
第五处理单元707,用于将所述至少两个等级的评分数据集合进行隶属度计算并建立评价矩阵,得到评分数据集合的评价矩阵;
第六处理单元708,用于根据所述评分数据集合的评价矩阵和预设的至少两种板卡烧录装置的价格确定所述板卡烧录装置的第一性价比值。
在本公开的一种具体实施方式中,所述第三处理单元704之后还包括第二调用单元709、第七处理单元710、第八处理单元711、第九处理单元712和第十处理单元713。
第二调用单元709,用于调用板卡烧录装置的烧录失败信息和板卡烧录失败原因;
第七处理单元710,用于根据谓词逻辑表示法建立所述板卡烧录装置的烧录信息和板卡烧录失败原因之间逻辑关系;
第八处理单元711,用于将所述逻辑关系转化为贝叶斯网络拓扑,使用板卡烧录装置的烧录失败信息和烧录失败原因对贝叶斯网络进行训练;
第九处理单元712,用于将所述板卡烧录装置的板卡烧录信息发送至所述的贝叶斯网络推理模型进行验证,并通过神经网络算法修正贝叶斯网络节点条件概率得到修正后的贝叶斯网络推理模型;
第十处理单元713,用于基于所述贝叶斯网络推理模型得到板卡烧录装置运行失败的可能性,并基于所述板卡烧录装置运行失败的可能性与所述得到板卡烧录装置的性能评分进行相除,得到所述板卡烧录装置的第二性价比值。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例,本实施例中还提供了一种板卡烧录装置性能分析设备,下文描述的一种板卡烧录装置性能分析设备与上文描述的一种板卡烧录装置性能分析方法可相互对应参照。
图3是根据示例性实施例示出的一种板卡烧录装置性能分析设备800的框图。如图3所示,该板卡烧录装置性能分析设备800可以包括:处理器801,存储器802。该板卡烧录装置性能分析设备800还可以包括多媒体组件803,I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该板卡烧录装置性能分析设备800的整体操作,以完成上述的板卡烧录装置性能分析方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该板卡烧录装置性能分析设备800的操作,这些数据例如可以包括用于在该板卡烧录装置性能分析设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(StaticRandom Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕,例如,可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该板卡烧录装置性能分析设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(NearFieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,板卡烧录装置性能分析设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的板卡烧录装置性能分析方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的板卡烧录装置性能分析方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由板卡烧录装置性能分析设备800的处理器801执行以完成上述的板卡烧录装置性能分析方法。
实施例4
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种板卡烧录装置性能分析方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的板卡烧录装置性能分析方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种板卡烧录装置性能分析方法,其特征在于,包括:
获取第一信息,所述第一信息为至少一种板卡烧录装置的板卡烧录信息;
将所述第一信息进行预处理,得到第二信息,所述第二信息为将第一信息进行预处理后得到板卡烧录的性能数值集合;
对所述第二信息进行关键因子筛选和初始聚类,得到第二信息的初始聚类簇;
根据所述初始聚类簇的数量进行二次聚类,并计算出所述板卡烧录装置的性能评分。
2.根据权利要求1所述的板卡烧录装置性能分析方法,其特征在于,将所述第一信息进行预处理,得到第二信息,包括:
将所述第一信息按照层次分析法进行分析,得到每种板卡烧录信息所占的权重比例;
根据每种板卡烧录信息所占的权重比例将所述第一信息转化成对应的数值,并进行离散化处理和数据处理,得到每种板卡烧录的性能数值;
基于主成分分析法对所述每种板卡烧录的性能数值进行降维处理,得到板卡烧录的性能数值集合。
3.根据权利要求1所述的板卡烧录装置性能分析方法,其特征在于,对所述第二信息进行关键因子筛选和初始聚类,包括:
在随机森林算法中通过基尼指数计算所述第二信息中每种烧录信息的特征重要性,得到第二信息中每种烧录信息的基尼系数,并筛选出三个最大基尼系数的烧录信息作为聚类特征因子;
将所述聚类特征因子对应的性能数值集合基于canopy算法将所述预处理后的性能数值信息进行聚类,得到至少两个初始聚类簇。
4.根据权利要求1所述的板卡烧录装置性能分析方法,其特征在于,根据所述初始聚类簇的数量进行二次聚类,并计算出所述板卡烧录装置的性能评分,包括:
调用所述初始聚类簇的数量,并将所述初始聚类簇的数量作为K-means聚类算法中的K值,以K值作为初始质心,基于欧式距离算法计算所有第二信息内的数据与初始质心的距离;
基于所述距离对所述第二信息内的数据进行分组,分别计算每组中数据的均值,并将所述均值作为新的质心,重复计算每个第二信息内的数据与新的质心之间的距离;
重复上一步骤进行迭代计算直至新的质心与初始质心相等,并计算每个聚类簇内聚类点的平方差;
基于所述每个聚类簇内聚类点的平方差进行求和计算,得到板卡烧录装置的性能评分。
5.一种板卡烧录装置性能分析装置,其特征在于,包括:
第一获取单元,用于获取第一信息,所述第一信息为至少一种板卡烧录装置的板卡烧录信息;
第一处理单元,用于将所述第一信息进行预处理,得到第二信息,所述第二信息为将第一信息进行预处理后得到板卡烧录的性能数值集合;
第二处理单元,用于对所述第二信息进行关键因子筛选和初始聚类,得到第二信息的初始聚类簇;
第三处理单元,用于根据所述初始聚类簇的数量进行二次聚类,并计算出所述板卡烧录装置的性能评分。
6.根据权利要求5所述的板卡烧录装置性能分析装置,其特征在于,所述装置包括:
第一分析子单元,用于将所述第一信息按照层次分析法进行分析,得到每种板卡烧录信息所占的权重比例;
第一处理子单元,用于根据每种板卡烧录信息所占的权重比例将所述第一信息转化成对应的数值,并进行离散化处理和数据处理,得到每种板卡烧录的性能数值;
第二处理子单元,用于基于主成分分析法对所述每种板卡烧录的性能数值进行降维处理,得到板卡烧录的性能数值集合。
7.根据权利要求5所述的板卡烧录装置性能分析装置,其特征在于,所述装置包括:
第一计算子单元,用于在随机森林算法中通过基尼指数计算所述第二信息中每种烧录信息的特征重要性,得到第二信息中每种烧录信息的基尼系数,并筛选出三个最大基尼系数的烧录信息作为聚类特征因子;
第一聚类子单元,用于将所述聚类特征因子对应的性能数值集合基于canopy算法将所述预处理后的性能数值信息进行聚类,得到至少两个初始聚类簇。
8.根据权利要求5所述的板卡烧录装置性能分析装置,其特征在于,所述装置包括:
第二聚类子单元,用于调用所述初始聚类簇的数量,并将所述初始聚类簇的数量作为K-means聚类算法中的K值,以K值作为初始质心,基于欧式距离算法计算所有第二信息内的数据与初始质心的距离;
第三处理子单元,用于基于所述距离对所述第二信息内的数据进行分组,分别计算每组中数据的均值,并将所述均值作为新的质心,重复计算每个第二信息内的数据与新的质心之间的距离;
第四处理子单元,用于重复上一步骤进行迭代计算直至新的质心与初始质心相等,并计算每个聚类簇内聚类点的平方差;
第五处理子单元,用于基于所述每个聚类簇内聚类点的平方差进行求和计算,得到板卡烧录装置的性能评分。
9.一种板卡烧录装置性能分析设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述板卡烧录装置性能分析方法的步骤。
10.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述板卡烧录装置性能分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595197.4A CN114238062B (zh) | 2021-12-24 | 2021-12-24 | 板卡烧录装置性能分析方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595197.4A CN114238062B (zh) | 2021-12-24 | 2021-12-24 | 板卡烧录装置性能分析方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114238062A true CN114238062A (zh) | 2022-03-25 |
CN114238062B CN114238062B (zh) | 2024-03-05 |
Family
ID=80762367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111595197.4A Active CN114238062B (zh) | 2021-12-24 | 2021-12-24 | 板卡烧录装置性能分析方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114238062B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115237739A (zh) * | 2022-09-23 | 2022-10-25 | 湖南云箭智能科技有限公司 | 板卡运行环境的分析方法、装置、设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120072423A1 (en) * | 2010-09-20 | 2012-03-22 | Microsoft Corporation | Semantic Grouping for Program Performance Data Analysis |
CN103257923A (zh) * | 2013-04-16 | 2013-08-21 | 中国科学院计算技术研究所 | 数据中心数据分析类基准测试程序的应用选取方法及系统 |
US20160116892A1 (en) * | 2014-10-22 | 2016-04-28 | Industrial Technology Research Institute | Method and system of cause analysis and correction for manufacturing data |
CN107094306A (zh) * | 2016-02-18 | 2017-08-25 | 中国移动通信集团福建有限公司 | 终端性能评估方法及装置 |
CN110222248A (zh) * | 2019-05-28 | 2019-09-10 | 长江大学 | 一种大数据聚类方法及装置 |
CN110503245A (zh) * | 2019-07-30 | 2019-11-26 | 南京航空航天大学 | 一种机场航班大面积延误风险的预测方法 |
CN110597523A (zh) * | 2019-08-08 | 2019-12-20 | 深圳优地科技有限公司 | 板卡固件烧录方法、装置、系统及板卡、终端设备 |
CN113220313A (zh) * | 2021-05-26 | 2021-08-06 | 深圳市沃特沃德信息有限公司 | Wifi模组的程序烧录方法、装置、设备及介质 |
-
2021
- 2021-12-24 CN CN202111595197.4A patent/CN114238062B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120072423A1 (en) * | 2010-09-20 | 2012-03-22 | Microsoft Corporation | Semantic Grouping for Program Performance Data Analysis |
CN103257923A (zh) * | 2013-04-16 | 2013-08-21 | 中国科学院计算技术研究所 | 数据中心数据分析类基准测试程序的应用选取方法及系统 |
US20160116892A1 (en) * | 2014-10-22 | 2016-04-28 | Industrial Technology Research Institute | Method and system of cause analysis and correction for manufacturing data |
CN107094306A (zh) * | 2016-02-18 | 2017-08-25 | 中国移动通信集团福建有限公司 | 终端性能评估方法及装置 |
CN110222248A (zh) * | 2019-05-28 | 2019-09-10 | 长江大学 | 一种大数据聚类方法及装置 |
CN110503245A (zh) * | 2019-07-30 | 2019-11-26 | 南京航空航天大学 | 一种机场航班大面积延误风险的预测方法 |
CN110597523A (zh) * | 2019-08-08 | 2019-12-20 | 深圳优地科技有限公司 | 板卡固件烧录方法、装置、系统及板卡、终端设备 |
CN113220313A (zh) * | 2021-05-26 | 2021-08-06 | 深圳市沃特沃德信息有限公司 | Wifi模组的程序烧录方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
XIA, D., NING, F. & HE, W.: "Research on Parallel Adaptive Canopy-K-Means Clustering Algorithm for Big Data Mining Based on Cloud Platform", 《J GRID COMPUTING》, vol. 18, pages 263, XP037162997, DOI: 10.1007/s10723-019-09504-z * |
昂鑫: "基于日志模式发现的系统故障预测", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 137 - 13 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115237739A (zh) * | 2022-09-23 | 2022-10-25 | 湖南云箭智能科技有限公司 | 板卡运行环境的分析方法、装置、设备及可读存储介质 |
CN115237739B (zh) * | 2022-09-23 | 2022-12-09 | 湖南云箭智能科技有限公司 | 板卡运行环境的分析方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114238062B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378786B (zh) | 模型训练方法、违约传导风险识别方法、装置及存储介质 | |
CN106940679A (zh) | 数据处理方法及装置 | |
CN111222976B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN110336838B (zh) | 账号异常检测方法、装置、终端及存储介质 | |
CN112735097A (zh) | 一种区域滑坡预警方法及系统 | |
CN111898675B (zh) | 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备 | |
CN113011889B (zh) | 账号异常识别方法、系统、装置、设备及介质 | |
CN109257383A (zh) | 一种bgp异常检测方法及系统 | |
CN107679680A (zh) | 一种金融走势预测方法、装置、设备及存储介质 | |
CN115130711A (zh) | 一种数据处理方法、装置、计算机及可读存储介质 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN111179055B (zh) | 授信额度调整方法、装置和电子设备 | |
CN108667678A (zh) | 一种基于大数据的运维日志安全检测方法及装置 | |
CN115222303A (zh) | 基于大数据的行业风险数据分析方法、系统及存储介质 | |
CN114238062B (zh) | 板卡烧录装置性能分析方法、装置、设备及可读存储介质 | |
CN114139931A (zh) | 企业数据评估方法、装置、计算机设备及存储介质 | |
CN112801145A (zh) | 安全监测方法、装置、计算机设备及存储介质 | |
CN111950623A (zh) | 数据稳定性监控方法、装置、计算机设备及介质 | |
CN112463964B (zh) | 文本分类及模型训练方法、装置、设备及存储介质 | |
CN111143533A (zh) | 一种基于用户行为数据的客服方法及系统 | |
CN115544235A (zh) | 一种基于文本解析的电网规划智能问答系统 | |
CN112069392B (zh) | 涉网犯罪防控方法、装置、计算机设备及存储介质 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN114330720A (zh) | 用于云计算的知识图谱构建方法、设备及存储介质 | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 |
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 |