CN114282834A - 一种评估结果溯源分析方法、装置、设备和存储介质 - Google Patents
一种评估结果溯源分析方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114282834A CN114282834A CN202111633414.4A CN202111633414A CN114282834A CN 114282834 A CN114282834 A CN 114282834A CN 202111633414 A CN202111633414 A CN 202111633414A CN 114282834 A CN114282834 A CN 114282834A
- Authority
- CN
- China
- Prior art keywords
- index
- sub
- node
- score
- index node
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种评估结果溯源分析方法、装置、计算机设备和存储介质。所述方法包括:根据人员训练的多维度评估指标体系构建相应的网络模型,每个评估维度为一个总指标节点,每个所述总指标节点下包括多级子指标节点,所有总指标节点共享末级指标节点,预先通过训练样本数据对网络模型进行训练,得到训练好的网络模型,从而确定网络模型中每个子指标节点的权重信息。在进行人员训练评估结果溯源分析时,首先获取人员训练完成后的末级指标分数,根据末级指标分数和每个子指标节点的权重信息,得到每个子指标节点的分数;根据每个子指标节点的分数和每个子指标节点的权重信息,确定加权分值最低的节点为对末级指标分数影响最大的节点。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种评估结果溯源分析方法、装置、计算机设备和存储介质。
背景技术
人员训练是提高人员素质能力的根本途径,无论是网络化训练、模式化训练还是实地化训练,训练效果的评估都十分重要。对于训练的评估,曾出现过千分制评估、检讨式评估等方法。训练效果评估是在明确训练任务的前提下,监测采集训练过程中的所有数据,分训练课目和阶段地对训练成绩进行评价,对训练质量进行评估,对训练效益进行分析,为训练问题复盘检讨和训练过程复盘讲评提供原始证据、指标结果和评价结论的支撑。训练效果评估对于提升人员训练质量和发挥训练效益具有十分重要的意义。但现有的人员训练结果评估方法大多是分训练课目和阶段地对训练成绩进行评价,效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高训练结果评估方法自动化程度和适应性的评估结果溯源分析方法、装置、计算机设备和存储介质。
一种评估结果溯源分析方法,所述方法包括:
根据人员训练的多维度评估指标体系构建相应的网络模型;所述网络模型以人员训练的每个评估维度为一个总指标节点,每个所述总指标节点下包括多级子指标节点,所有总指标节点共享末级指标节点;
获取训练样本数据,根据所述训练样本数据对所述网络模型进行训练,得到训练好的网络模型;所述训练样本数据包括每个子指标节点的分数;所述训练好的网络模型确定了每个子指标节点的权重信息;
获取人员训练完成后的末级指标分数,根据所述末级指标分数和所述每个子指标节点的权重信息,得到每个子指标节点的分数;
根据所述每个子指标节点的分数和所述每个子指标节点的权重信息,确定加权分值最低的节点为对末级指标分数影响最大的节点。
在其中一个实施例中,在获取人员训练完成后的末级指标分数之后,还包括:对所述末级指标分数进行标准化处理,使得所述末级指标分数在[0,1]之间。
在其中一个实施例中,在根据所述末级指标分数和所述每个子指标节点的权重信息,得到每个子指标节点的分数之后,还包括:标记分数在预设阈值之下的子指标节点为不合格节点。
在其中一个实施例中,还包括:获取人员训练完成后的末级指标分数,根据所述末级指标分数和所述每个子指标节点的权重信息,构建多元方程组;
通过求解所述多元方程组确定每个子指标节点的分数。
在其中一个实施例中,还包括:任一子指标节点的得分由其父指标节点加权求和得到。
在其中一个实施例中,还包括:所述评估维度包括人员能力和训练阶段两个维度。
在其中一个实施例中,还包括:所述人员能力评估维度对应的总指标节点的子指标节点包括指挥能力子指标节点和执行能力子指标节点;
所述指挥能力子指标节点包括决策能力子指标节点和控制能力子指标节点;所述执行能力子指标节点包括意图理解子指标节点和执行效率子指标节点;
所述训练阶段评估维度对应的总指标节点的子指标节点包括准备阶段子指标节点和实施阶段子指标节点;
所述准备阶段子指标节点包括装备准备子指标节点和人员动员子指标节点;所述实施阶段子指标节点包括计划实施子指标节点和突发状况子指标节点;
所述末级指标节点包括损失率、行动速度、训练完成程度和突发状况处理程度。
一种评估结果溯源分析装置,所述装置包括:
网络模型构建模块,用于根据人员训练的多维度评估指标体系构建相应的网络模型;所述网络模型以人员训练的每个评估维度为一个总指标节点,每个所述总指标节点下包括多级子指标节点,所有总指标节点共享末级指标节点;
网络模型训练模块,用于获取训练样本数据,根据所述训练样本数据对所述网络模型进行训练,得到训练好的网络模型;所述训练样本数据包括每个子指标节点的分数;所述训练好的网络模型确定了每个子指标节点的权重信息;
子指标节点分数确定模块,用于获取人员训练完成后的末级指标分数,根据所述末级指标分数和所述每个子指标节点的权重信息,得到每个子指标节点的分数;
溯源分析模块,用于根据所述每个子指标节点的分数和所述每个子指标节点的权重信息,确定加权分值最低的节点为对末级指标分数影响最大的节点。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据人员训练的多维度评估指标体系构建相应的网络模型;所述网络模型以人员训练的每个评估维度为一个总指标节点,每个所述总指标节点下包括多级子指标节点,所有总指标节点共享末级指标节点;
获取训练样本数据,根据所述训练样本数据对所述网络模型进行训练,得到训练好的网络模型;所述训练样本数据包括每个子指标节点的分数;所述训练好的网络模型确定了每个子指标节点的权重信息;
获取人员训练完成后的末级指标分数,根据所述末级指标分数和所述每个子指标节点的权重信息,得到每个子指标节点的分数;
根据所述每个子指标节点的分数和所述每个子指标节点的权重信息,确定加权分值最低的节点为对末级指标分数影响最大的节点。
一种计算机可读存储介质,其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以下步骤:
根据人员训练的多维度评估指标体系构建相应的网络模型;所述网络模型以人员训练的每个评估维度为一个总指标节点,每个所述总指标节点下包括多级子指标节点,所有总指标节点共享末级指标节点;
获取训练样本数据,根据所述训练样本数据对所述网络模型进行训练,得到训练好的网络模型;所述训练样本数据包括每个子指标节点的分数;所述训练好的网络模型确定了每个子指标节点的权重信息;
获取人员训练完成后的末级指标分数,根据所述末级指标分数和所述每个子指标节点的权重信息,得到每个子指标节点的分数;
根据所述每个子指标节点的分数和所述每个子指标节点的权重信息,确定加权分值最低的节点为对末级指标分数影响最大的节点。
上述评估结果溯源分析方法、装置、计算机设备和存储介质,根据人员训练的多维度评估指标体系构建相应的网络模型,每个评估维度为一个总指标节点,每个所述总指标节点下包括多级子指标节点,所有总指标节点共享末级指标节点,预先通过训练样本数据对网络模型进行训练,得到训练好的网络模型,从而确定网络模型中每个子指标节点的权重信息。在进行人员训练评估结果溯源分析时,首先获取人员训练完成后的末级指标分数,根据末级指标分数和每个子指标节点的权重信息,得到每个子指标节点的分数;根据每个子指标节点的分数和每个子指标节点的权重信息,确定加权分值最低的节点为对末级指标分数影响最大的节点。本发明针对多维度评估指标体系提出了一种评估结果溯源分析方法,能够实现从评估结果出发,往上溯源得到指标体系中每一节点的分数,从而定位出人员训练过程的薄弱指标,进而分析该薄弱指标是由于哪个对象、能力、行动、阶段甚至环境影响导致的训练成绩偏差,不需要分训练课目和阶段地对训练成绩进行评价,提高了评估结果分析的效率,填补了多维溯源的空白。
附图说明
图1为一个实施例中评估结果溯源分析方法的流程示意图;
图2为一个实施例中多维度评估指标体系对应的网络模型示意图;
图3为一个实施例中评估结果溯源分析装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种评估结果溯源分析方法,包括以下步骤:
步骤102,根据人员训练的多维度评估指标体系构建相应的网络模型。
网络模型以人员训练的每个评估维度为一个总指标节点,每个总指标节点下包括多级子指标节点,所有总指标节点共享末级指标节点。
现有的评估结果溯源技术只能向上溯源二维的指标模型,无法处理多维指标体系的评估结果溯源。
本发明所构建的多维度评估指标体系,将人员评估的指标分为多个维度,也就是说本发明的评估指标体系是建立在多个独立视角上的,每一个末级指标会与几个维度的属性相关。以消防演习训练为例,一个末级指标是民众撤离速度,这将与对象,环境,阶段等几个属性相关。
步骤104,获取训练样本数据,根据训练样本数据对网络模型进行训练,得到训练好的网络模型。
训练样本数据包括每个子指标节点的分数;训练好的网络模型确定了每个子指标节点的权重信息。
步骤106,获取人员训练完成后的末级指标分数,根据末级指标分数和每个子指标节点的权重信息,得到每个子指标节点的分数。
步骤108,根据每个子指标节点的分数和每个子指标节点的权重信息,确定加权分值最低的节点为对末级指标分数影响最大的节点。
上述评估结果溯源分析方法中,根据人员训练的多维度评估指标体系构建相应的网络模型,每个评估维度为一个总指标节点,每个所述总指标节点下包括多级子指标节点,所有总指标节点共享末级指标节点,预先通过训练样本数据对网络模型进行训练,得到训练好的网络模型,从而确定网络模型中每个子指标节点的权重信息。在进行人员训练评估结果溯源分析时,首先获取人员训练完成后的末级指标分数,根据末级指标分数和每个子指标节点的权重信息,得到每个子指标节点的分数;根据每个子指标节点的分数和每个子指标节点的权重信息,确定加权分值最低的节点为对末级指标分数影响最大的节点。本发明针对多维度评估指标体系提出了一种评估结果溯源分析方法,能够实现从评估结果出发,往上溯源得到指标体系中每一节点的分数,从而定位出人员训练过程的薄弱指标,进而分析该薄弱指标是由于哪个对象、能力、行动、阶段甚至环境影响导致的训练成绩偏差,不需要分训练课目和阶段地对训练成绩进行评价,提高了评估结果分析的效率,填补了多维溯源的空白。
在其中一个实施例中,在获取人员训练完成后的末级指标分数之后,还包括:对末级指标分数进行标准化处理,使得末级指标分数在[0,1]之间。
在其中一个实施例中,在根据末级指标分数和每个子指标节点的权重信息,得到每个子指标节点的分数之后,还包括:标记分数在预设阈值之下的子指标节点为不合格节点。
在其中一个实施例中,还包括:获取人员训练完成后的末级指标分数,根据末级指标分数和每个子指标节点的权重信息,构建多元方程组;通过求解多元方程组确定每个子指标节点的分数。
在其中一个实施例中,还包括:任一子指标节点的得分由其父指标节点加权求和得到。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个具体实施例中,如图2所示,为一个人员训练的多维度评估指标体系对应的网络模型,评估维度包括人员能力和训练阶段两个维度,即人员能力和训练阶段为两个总指标节点;损失率、行动速度、训练完成程度和突发状况处理程度为四个末级指标节点,两个评估维度共同影响末级指标节点;人员能力评估维度对应的总指标节点的子指标节点包括指挥能力子指标节点和执行能力子指标节点;指挥能力子指标节点包括决策能力子指标节点和控制能力子指标节点;执行能力子指标节点包括意图理解子指标节点和执行效率子指标节点;训练阶段评估维度对应的总指标节点的子指标节点包括准备阶段子指标节点和实施阶段子指标节点;准备阶段子指标节点包括装备准备子指标节点和人员动员子指标节点;实施阶段子指标节点包括计划实施子指标节点和突发状况子指标节点。末级指标节点的上一层指标节点并不一定影响每个末级指标节点,例如在本实施例中,突发状况只影响损失率和突发状况处理程度两个末级指标节点,而不影响行动速度和训练完成程度这两个末级指标节点。
在进行评估结果溯源分析时,获取的数据为末级指标节点的最终评估得分,再根据训练好的网络模型中每个子指标节点的权重信息,建立构建多元方程组,通过求解所述多元方程组确定每个子指标节点的分数。最后,根据每个子指标节点的分数和每个子指标节点的权重信息,确定加权分值最低的节点为对末级指标分数影响最大的节点。
在一个实施例中,如图3所示,提供了一种评估结果溯源分析装置,包括:网络模型构建模块302、网络模型训练模块304、子指标节点分数确定模块306和溯源分析模块308,其中:
网络模型构建模块302,用于根据人员训练的多维度评估指标体系构建相应的网络模型;网络模型以人员训练的每个评估维度为一个总指标节点,每个总指标节点下包括多级子指标节点,所有总指标节点共享末级指标节点;
网络模型训练模块304,用于获取训练样本数据,根据训练样本数据对网络模型进行训练,得到训练好的网络模型;训练样本数据包括每个子指标节点的分数;训练好的网络模型确定了每个子指标节点的权重信息;
子指标节点分数确定模块306,用于获取人员训练完成后的末级指标分数,根据末级指标分数和每个子指标节点的权重信息,得到每个子指标节点的分数;
溯源分析模块308,用于根据每个子指标节点的分数和每个子指标节点的权重信息,确定加权分值最低的节点为对末级指标分数影响最大的节点。
子指标节点分数确定模块306还用于在获取人员训练完成后的末级指标分数之后,对末级指标分数进行标准化处理,使得末级指标分数在[0,1]之间。
子指标节点分数确定模块306还用于在根据末级指标分数和每个子指标节点的权重信息,得到每个子指标节点的分数之后,标记分数在预设阈值之下的子指标节点为不合格节点。
子指标节点分数确定模块306还用于获取人员训练完成后的末级指标分数,根据末级指标分数和每个子指标节点的权重信息,构建多元方程组;通过求解多元方程组确定每个子指标节点的分数。
关于评估结果溯源分析装置的具体限定可以参见上文中对于评估结果溯源分析方法的限定,在此不再赘述。上述评估结果溯源分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种评估结果溯源分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其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中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种评估结果溯源分析方法,其特征在于,所述方法包括:
根据人员训练的多维度评估指标体系构建相应的网络模型;所述网络模型以人员训练的每个评估维度为一个总指标节点,每个所述总指标节点下包括多级子指标节点,所有总指标节点共享末级指标节点;
获取训练样本数据,根据所述训练样本数据对所述网络模型进行训练,得到训练好的网络模型;所述训练样本数据包括每个子指标节点的分数;所述训练好的网络模型确定了每个子指标节点的权重信息;
获取人员训练完成后的末级指标分数,根据所述末级指标分数和所述每个子指标节点的权重信息,得到每个子指标节点的分数;
根据所述每个子指标节点的分数和所述每个子指标节点的权重信息,确定加权分值最低的节点为对末级指标分数影响最大的节点。
2.根据权利要求1所述的方法,其特征在于,在获取人员训练完成后的末级指标分数之后,还包括:
对所述末级指标分数进行标准化处理,使得所述末级指标分数在[0,1]之间。
3.根据权利要求2所述的方法,其特征在于,在根据所述末级指标分数和所述每个子指标节点的权重信息,得到每个子指标节点的分数之后,还包括:
标记分数在预设阈值之下的子指标节点为不合格节点。
4.根据权利要求1所述的方法,其特征在于,获取人员训练完成后的末级指标分数,根据所述末级指标分数和所述每个子指标节点的权重信息,得到每个子指标节点的分数,包括:
获取人员训练完成后的末级指标分数,根据所述末级指标分数和所述每个子指标节点的权重信息,构建多元方程组;
通过求解所述多元方程组确定每个子指标节点的分数。
5.根据权利要求1所述的方法,其特征在于,任一子指标节点的得分由其父指标节点加权求和得到。
6.根据权利要求1所述的方法,其特征在于,所述评估维度包括人员能力和训练阶段两个维度。
7.根据权利要求6所述的方法,其特征在于,所述人员能力评估维度对应的总指标节点的子指标节点包括指挥能力子指标节点和执行能力子指标节点;
所述指挥能力子指标节点包括决策能力子指标节点和控制能力子指标节点;所述执行能力子指标节点包括意图理解子指标节点和执行效率子指标节点;
所述训练阶段评估维度对应的总指标节点的子指标节点包括准备阶段子指标节点和实施阶段子指标节点;
所述准备阶段子指标节点包括装备准备子指标节点和人员动员子指标节点;所述实施阶段子指标节点包括计划实施子指标节点和突发状况子指标节点;
所述末级指标节点包括损失率、行动速度、训练完成程度和突发状况处理程度。
8.一种评估结果溯源分析装置,其特征在于,所述装置包括:
网络模型构建模块,用于根据人员训练的多维度评估指标体系构建相应的网络模型;所述网络模型以人员训练的每个评估维度为一个总指标节点,每个所述总指标节点下包括多级子指标节点,所有总指标节点共享末级指标节点;
网络模型训练模块,用于获取训练样本数据,根据所述训练样本数据对所述网络模型进行训练,得到训练好的网络模型;所述训练样本数据包括每个子指标节点的分数;所述训练好的网络模型确定了每个子指标节点的权重信息;
子指标节点分数确定模块,用于获取人员训练完成后的末级指标分数,根据所述末级指标分数和所述每个子指标节点的权重信息,得到每个子指标节点的分数;
溯源分析模块,用于根据所述每个子指标节点的分数和所述每个子指标节点的权重信息,确定加权分值最低的节点为对末级指标分数影响最大的节点。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111633414.4A CN114282834A (zh) | 2021-12-28 | 2021-12-28 | 一种评估结果溯源分析方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111633414.4A CN114282834A (zh) | 2021-12-28 | 2021-12-28 | 一种评估结果溯源分析方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114282834A true CN114282834A (zh) | 2022-04-05 |
Family
ID=80877561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111633414.4A Pending CN114282834A (zh) | 2021-12-28 | 2021-12-28 | 一种评估结果溯源分析方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114282834A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776528A (zh) * | 2023-04-03 | 2023-09-19 | 中国消防救援学院 | 一种基于计算机仿真演练的应急救援方法及系统 |
-
2021
- 2021-12-28 CN CN202111633414.4A patent/CN114282834A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776528A (zh) * | 2023-04-03 | 2023-09-19 | 中国消防救援学院 | 一种基于计算机仿真演练的应急救援方法及系统 |
CN116776528B (zh) * | 2023-04-03 | 2024-04-19 | 中国消防救援学院 | 一种基于计算机仿真演练的应急救援方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zárate-Miñano et al. | Construction of SDE-based wind speed models with exponentially decaying autocorrelation | |
CN110888911A (zh) | 样本数据处理方法、装置、计算机设备及存储介质 | |
CN111325159A (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
CN110751175A (zh) | 损失函数的优化方法、装置、计算机设备和存储介质 | |
CN110888625A (zh) | 基于需求变更和项目风险对代码质量进行控制的方法 | |
CN111144267A (zh) | 设备运行状态检测方法、装置、存储介质及计算机设备 | |
CN114282834A (zh) | 一种评估结果溯源分析方法、装置、设备和存储介质 | |
Gardner et al. | A unifying framework for probabilistic validation metrics | |
CN112988606B (zh) | 测试用例生成方法、装置、设备及存储介质 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN114022738A (zh) | 训练样本获取方法、装置、计算机设备和可读存储介质 | |
Faure et al. | Estimating Kolmogorov entropy from recurrence plots | |
CN114610645B (zh) | 任务可靠性和测试性联合确定方法、装置和计算机设备 | |
Worms et al. | Record events attribution in climate studies | |
CN111985033B (zh) | 一种cad图纸处理方法、装置和电子设备 | |
CN112988135B (zh) | 面向开源软件的任务单元推荐方法、装置和计算机设备 | |
CN111401055B (zh) | 从金融资讯提取脉络信息的方法和装置 | |
CN112035361B (zh) | 医疗诊断模型的测试方法、装置、计算机设备和存储介质 | |
CN111141981B (zh) | 线损点检方法、装置、计算机设备和存储介质 | |
CN111083007B (zh) | 测试方法、装置、计算机设备和存储介质 | |
CN114363004A (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
CN114493340A (zh) | 技能数据处理方法、装置、计算机设备及存储介质 | |
CN110865939A (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
CN112364695A (zh) | 一种行为预测方法、装置、计算机设备和存储介质 | |
CN111008311A (zh) | 基于邻域弱连接的复杂网络节点重要性评估方法和装置 |
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 |