CN114490412A - 基于自减逆向云发生器的三维cad软件性能度量方法及装置 - Google Patents

基于自减逆向云发生器的三维cad软件性能度量方法及装置 Download PDF

Info

Publication number
CN114490412A
CN114490412A CN202210133974.1A CN202210133974A CN114490412A CN 114490412 A CN114490412 A CN 114490412A CN 202210133974 A CN202210133974 A CN 202210133974A CN 114490412 A CN114490412 A CN 114490412A
Authority
CN
China
Prior art keywords
index
performance
entropy
dimensional cad
cad software
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
Application number
CN202210133974.1A
Other languages
English (en)
Inventor
程锦
吕昊
王荣
胡伟飞
刘振宇
谭建荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210133974.1A priority Critical patent/CN114490412A/zh
Publication of CN114490412A publication Critical patent/CN114490412A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3604—Software analysis for verifying properties of programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明公开了基于自减逆向云发生器的三维CAD软件性能度量方法及装置，确定三维CAD软件性能度量指标集并进行标准化处理，将得到的标准化数据输入自减逆向云发生器求解各性能指标数据的云模型数字特征，通过该数字特征计算各性能指标值及其不确定度，并据此调整各指标权重，进而计算最终的性能度量值。提出方法在三维CAD软件性能度量过程中充分考虑三维CAD软件性能测试数据中所包含的复杂不确定因素并对其进行准确表征，能够实现对三维CAD软件性能的准确度量。

Description

基于自减逆向云发生器的三维CAD软件性能度量方法及装置
技术领域
本发明涉及三维CAD软件性能度量领域，尤其涉及基于自减逆向云发生器的三维CAD软件性能度量方法及装置。
背景技术
三维CAD软件在船舶、航空、机械等众多行业中有着广泛应用，其性能对设计效率有着重要影响，准确地对三维CAD软件的性能进行度量有助于各三维CAD厂商认识其产品性能与国际先进水平的差距，从而进行软件产品迭代改进，对促进三维CAD软件产品性能提升有着重要意义。三维CAD软件性能指标数据通过大量测试获得，由于三维CAD软件自身性能波动以及测试环境的不稳定，导致性能指标数据中包含了复杂的不确定性，通过云模型数字特征可对性能指标测试数据包含的复杂不确定性因素进行细分，但由于测试环境的不稳定性干扰相对较小以及实际测试数据样本数量偏少，直接采用现有逆向云发生器求解性能指标可能导致超熵计算结果为虚数即云模型数字特征求解失效的问题，从而导致三维CAD软件的性能度量过程无法完成。
发明内容
现有的基于云模型数字特征描述三维CAD软件性能指标的方法中，由于测试环境干扰相对较小且样本点较少，可能存在超熵计算结果为虚数的情况，从而导致云模型数字特征求解失效。本发明的目的在于提供一种基于自减逆向云发生器的三维CAD软件性能度量方法，该方法考虑了性能指标测试数据包含的复杂不确定性因素，同时通过自减逆向云发生器避免了求解云模型数字特征可能失效的问题，能够实现三维CAD软件性能的准确度量。
本发明的目的是通过以下技术方案来实现的：
一种基于自减逆向云发生器的三维CAD软件性能度量方法，通过自减逆向云发生器求解各性能指标数据的云模型数字特征，通过该数字特征计算各性能指标值及其不确定度，并据此调整各指标权重，确定最终的性能度量结果。具体包括如下步骤：
基于自减逆向云发生器的三维CAD软件性能度量方法，包括如下步骤：
S1：确定三维CAD软件性能度量指标集，包括性能一级指标Ui(1≤i≤I)及其下属的二级指标Uij(1≤i≤I,1≤j≤Ji)，其中，I为性能一级指标个数，Ji(1≤i≤I)为性能一级指标Ui下的性能二级指标个数，通过自动测试程序获得各性能二级指标的原始测试数据。
S2：对原始测试数据进行标准化处理得到标准化数据，对性能二级指标Uij的总共N个初始测试样本中的第n个样本
Figure BDA0003503923380000021
若Uij为效益型指标，即Uij越大反映对应的三维CAD软件性能越好，则标准化数据
Figure BDA0003503923380000022
若Uij为成本型指标，即Uij越大反映对应的三维CAD软件性能越差，则标准化得分
Figure BDA0003503923380000023
其中
Figure BDA0003503923380000024
分别为所有参与测试的三维CAD软件的同一性能指标Uij的测试数据最大值、最小值。
S3：将标准化数据输入自减逆向云发生器求解云模型数字特征；
S3.1：将标准化数据
Figure BDA0003503923380000025
作为云滴样本点输入逆向云发生器中，计算其期望Exij、熵Enij和样本方差S2 ij，其中期望
Figure BDA0003503923380000026
表示该指标的性能水平；熵
Figure BDA0003503923380000027
表示该指标性能水平本身的不确定性；方差
Figure BDA0003503923380000028
之后计算云滴样本点的超熵
Figure BDA0003503923380000029
表示测试环境的不稳定对该指标的性能度量造成的不确定性干扰；
S3.2：若超熵Heij为实数，则返回期望Exij、熵Enij、和超熵Heij进入S4，否则，进入S3.3；
S3.3：保持期望Exij、熵Enij不变，将各云滴样本点按照与期望Exij的距离重新排序，减去距离期望最近的云滴样本点后重新计算样本方差
Figure BDA00035039233800000210
并统计已经减去的样本点个数M，重新计算超熵，
Figure BDA00035039233800000211
S4：基于云模型数字特征确定各二级性能指标值及其不确定度，对性能二级指标Uij，其性能指标值为aij＝Exij，其不确定度为
Figure BDA00035039233800000212
S5：计算各二级指标的权重，利用层次分析法确定各二级指标的初始权重
Figure BDA00035039233800000213
之后对各一级指标Ui构建矩阵Mi，该矩阵第r行第k列元素
Figure BDA00035039233800000214
对矩阵的每一列进行归一化，得到新矩阵
Figure BDA00035039233800000215
各元素
Figure BDA00035039233800000216
则二级指标Uij调整后的权重
Figure BDA00035039233800000217
S6：计算三维CAD软件性能一级指标Ui的值为
Figure BDA0003503923380000031
熵
Figure BDA0003503923380000032
超熵
Figure BDA0003503923380000033
则其不确定度
Figure BDA0003503923380000034
构建矩阵S，该矩阵第r行第k列元素
Figure BDA0003503923380000035
对矩阵的每一列进行归一化，得到新矩阵S*各元素
Figure BDA0003503923380000036
则一级指标的最终权重
Figure BDA0003503923380000037
Figure BDA0003503923380000038
表示一级指标初始权重。
S7：三维CAD软件性能度量结果为
Figure BDA0003503923380000039
取值范围为0～1，其中
Figure BDA00035039233800000310
Figure BDA00035039233800000311
基于自减逆向云发生器的三维CAD软件性能度量装置，包括一个或多个处理器，用于实现所述的基于自减逆向云发生器的三维CAD软件性能度量方法。
本发明的优势和有益效果在于：
本发明提供的基于自减逆向云发生器的三维CAD软件性能度量方法及装置，可以在对三维CAD软件的性能进行度量时，充分考虑三维CAD软件测试数据中所包含的复杂不确定性，能准确地对三维CAD软件的性能进行度量。
附图说明
下面结合附图和实施例对本发明进一步说明；
图1是本发明的方法的流程图；
图2是本发明的装置的结构图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提出的基于自减逆向云发生器的三维CAD软件性能度量方法，使用自减逆向云发生器求解各性能指标数据的云模型数字特征，通过该数字特征计算各性能指标值及其不确定度，并据此调整各指标权重，确定最终的性能度量结果。具体包括如下步骤：
S1：确定三维CAD软件性能度量指标集，包括性能一级指标Ui(1≤i≤I)及其下属的二级指标Uij(1≤i≤I,1≤j≤Ji)，其中，I为性能一级指标个数，Ji(1≤i≤I)为性能一级指标Ui下的性能二级指标个数，通过自动测试程序获得各性能二级指标的原始测试数据。
S2：对原始测试数据进行标准化处理得到标准化数据，对性能二级指标Uij的总共N个初始测试样本中的第n个样本
Figure BDA0003503923380000041
若Uij为效益型指标，即Uij越大反映对应的三维CAD软件性能越好，则标准化数据
Figure BDA0003503923380000042
若Uij为成本型指标，即Uij越大反映对应的三维CAD软件性能越差，则标准化得分
Figure BDA0003503923380000043
其中
Figure BDA0003503923380000044
分别为所有参与测试的三维CAD软件的同一性能指标Uij的测试数据最大值、最小值。
S3：将标准化数据输入自减逆向云发生器求解云模型数字特征；
S3.1：将标准化数据
Figure BDA0003503923380000045
作为云滴样本点输入逆向云发生器中，计算其期望Exij、熵Enij和样本方差S2 ij，其中期望
Figure BDA0003503923380000046
表示该指标的性能水平；熵
Figure BDA0003503923380000047
表示该指标性能水平本身的不确定性；方差
Figure BDA0003503923380000048
之后计算云滴样本点的超熵
Figure BDA0003503923380000049
表示测试环境的不稳定对该指标的性能度量造成的不确定性干扰；
S3.2：若超熵Heij为实数，则返回期望Exij、熵Enij、和超熵Heij进入S4，否则，进入S3.3；
S3.3：保持期望Exij、熵Enij不变，将各云滴样本点按照与期望Exij的距离重新排序，减去距离期望最近的云滴样本点后重新计算样本方差
Figure BDA00035039233800000410
并统计已经减去的样本点个数M，重新计算超熵，
Figure BDA00035039233800000411
进入S3.2；
S4：基于云模型数字特征确定各二级性能指标值及其不确定度，对性能二级指标Uij，其性能指标值为aij＝Exij，其不确定度为
Figure BDA00035039233800000412
S5：计算各二级指标的权重，利用层次分析法确定各二级指标的初始权重
Figure BDA00035039233800000413
之后对各一级指标Ui构建矩阵Mi，该矩阵第r行第k列元素
Figure BDA00035039233800000414
对矩阵的每一列进行归一化，得到新矩阵
Figure BDA00035039233800000415
各元素
Figure BDA00035039233800000416
则二级指标Uij调整后的权重
Figure BDA0003503923380000051
S6：计算三维CAD软件性能一级指标Ui的值为
Figure BDA0003503923380000052
熵
Figure BDA0003503923380000053
超熵
Figure BDA0003503923380000054
则其不确定度
Figure BDA0003503923380000055
构建矩阵S，该矩阵第r行第k列元素
Figure BDA0003503923380000056
对矩阵的每一列进行归一化，得到新矩阵S*各元素
Figure BDA0003503923380000057
则一级指标的最终权重
Figure BDA0003503923380000058
Figure BDA0003503923380000059
表示一级指标的初始权重。
S7：三维CAD软件性能度量结果为
Figure BDA00035039233800000510
取值范围为0～1，其中
Figure BDA00035039233800000511
Figure BDA00035039233800000512
下面针对具体的实施例对本发明的方法进行描述。
选择具体的三维CAD软件进行性能度量，从中选择环境配置、模型加载、模型保存、布尔运算、三维建模、大型装配作为六个性能一级指标，各一级指标又由一系列具体二级指标组成，通过自动测试程序获得各性能二级指标的原始测试数据。各指标及其采用层次分析法确定的初始权重如表1所示。
表1.三维CAD性能评价指标及其初始权重
Figure BDA00035039233800000513
Figure BDA0003503923380000061
以性能二级指标P51为例，使用8个用于测试三维CAD软件拉伸性能的三维模型作为测试用例，涵盖了几种常用的拉伸场景，通过自动化测试从该三维CAD软件获取50组拉伸时间的原始数据，每组原始测试数据包括拉伸8个三维模型的时间消耗，原始测试数据及其标准化数据如表2所示。
表2.性能指标P51的原始测试数据及其标准化数据
Figure BDA0003503923380000062
将标准化数据作为云滴样本点输入自减逆向云发生器，得到云模型数字特征期望Ex51、熵En51和超熵He51，并计算三维CAD软件性能二级指标P51的值和不确定度，并由此调整该指标权重。利用同样的方法计算所有性能二级指标的云模型数字特征及最终权重，结果如表3所示。
表3.三维CAD软件各性能二级指标的云模型数字特征和权重
Figure BDA0003503923380000063
Figure BDA0003503923380000071
根据三维CAD软件各性能二级指标权重对其云模型数字特征加权求和得到性能一级指标的云模型数字特征，并由此调整性能一级指标的权重，各性能一级指标的云模型数字特征及权重如表4所示。
表4.三维CAD软件各性能一级指标的云模型数字特征和权重
Figure BDA0003503923380000072
将各性能一级指标的云模型数字特征使用其最终权重加权求和，获得三维CAD性能评价的云模型数字特征，计算性能度量结果为0.830，表明该三维CAD软件性能较优。
与前述基于自减逆向云发生器的三维CAD软件性能度量方法的实施例相对应，本发明还提供了基于自减逆向云发生器的三维CAD软件性能度量装置的实施例。
参见图2，本发明实施例提供的基于自减逆向云发生器的三维CAD软件性能度量装置，包括一个或多个处理器，用于实现上述实施例中的基于自减逆向云发生器的三维CAD软件性能度量方法。
本发明基于自减逆向云发生器的三维CAD软件性能度量装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图2所示，为本发明基于自减逆向云发生器的三维CAD软件性能度量装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于自减逆向云发生器的三维CAD软件性能度量方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例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。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (9)

1.基于自减逆向云发生器的三维CAD软件性能度量方法，其特征在于包括如下步骤：
S1：确定三维CAD软件性能度量指标集，包括一级指标及其下属的二级指标，获取各性能二级指标的原始测试数据；
S2：对原始测试数据进行标准化处理得到标准化数据；
S3：将标准化数输入自减逆向云发生器求解云模型数字特征，包括如下步骤：
S3.1：将标准化数据作为云滴样本点输入逆向云发生器中，计算其期望，用于表示该指标的性能水平，通过期望和标准化数据计算熵和方差，熵用于表示该指标性能水平本身的不确定度，通过熵和方差，计算云滴样本点的超熵，用于表示测试环境的不稳定对该指标的性能度量造成的不确定性干扰；
S3.2：若超熵为实数，则返回期望、熵、和超熵进入S4，否则，进入S3.3；
S3.3：保持期望、熵不变，将各云滴样本点按照与期望的距离重新排序，减去距离期望最近的云滴样本点后，重新计算样本方差，并统计已经减去的样本点个数，重新计算超熵，进入S3.2；
S4：基于云模型数字特征确定各二级性能指标值及其不确定度，对性能二级指标，将期望作为二级指标的值，通过熵和超熵，得到二级指标的不确定度；
S5：计算各二级指标的权重，利用层次分析法确定各二级指标的初始权重，根据二级指标的不确定度，对各一级指标构建矩阵，对矩阵的每一列进行归一化，通过得到的新矩阵各元素与二级指标的初始权重，计算二级指标调整后的权重；
S6：计算各一级指标的权重，利用层次分析法确定各一级指标的初始权重，将各二级指标值、熵、超熵分别使用其最终权重加权求和，将加权求和的一级指标期望作为一级指标的值，通过加权求和的一级指标熵和超熵，得到一级指标的不确定度，根据一级指标的不确定度，对各一级指标构建矩阵，对矩阵的每一列进行归一化，通过得到新矩阵各元素与一级指标的初始权重，计算一级指标的最终权重；
S7：将一级指标期望、熵分别使用其最终权重进行加权求和，得到三维CAD软件性能度量结果。
2.根据权利要求1所述的基于自减逆向云发生器的三维CAD软件性能度量方法，其特征在于所述S1中的指标集，包括一级指标Ui(1≤i≤I)及其下属的二级指标Uij(1≤i≤I,1≤j≤Ji)，其中，I为性能一级指标个数，Ji(1≤i≤I)为性能一级指标Ui下的性能二级指标个数。
3.根据权利要求2所述的基于自减逆向云发生器的三维CAD软件性能度量方法，其特征在于所述S2中，对性能二级指标Uij的总共N个初始测试样本中的第n个样本
Figure FDA0003503923370000021
若Uij为效益型指标，即Uij越大反映对应的三维CAD软件性能越好，则标准化数据
Figure FDA0003503923370000022
若Uij为成本型指标，即Uij越大反映对应的三维CAD软件性能越差，则标准化得分
Figure FDA0003503923370000023
其中
Figure FDA0003503923370000024
分别为所有参与测试的三维CAD软件的同一性能指标Uij的测试数据最大值、最小值。
4.根据权利要求3所述的基于自减逆向云发生器的三维CAD软件性能度量方法，其特征在于所述S3.1中，将标准化数据
Figure FDA0003503923370000025
作为云滴样本点输入逆向云发生器中，计算其期望Exij、熵Enij和样本方差S2 ij，其中期望
Figure FDA0003503923370000026
表示该指标的性能水平；熵
Figure FDA0003503923370000027
表示该指标性能水平本身的不确定性；方差
Figure FDA0003503923370000028
之后计算云滴样本点的超熵Heij，
Figure FDA0003503923370000029
表示测试环境的不稳定对该指标的性能度量造成的不确定性干扰；
所述S3.3中，已经减去的样本点个数为M，重新计算的超熵为
Figure FDA00035039233700000210
5.根据权利要求1所述的基于自减逆向云发生器的三维CAD软件性能度量方法，其特征在于所述S4中，性能指标值为aij＝Exij，其不确定度为
Figure FDA00035039233700000211
其中Exij表示期望，Enij表示熵，Heij表示超熵。
6.根据权利要求5所述的基于自减逆向云发生器的三维CAD软件性能度量方法，其特征在于所述S5中，对各一级指标构建矩阵Mi，该矩阵第r行第k列元素
Figure FDA00035039233700000212
；对矩阵的每一列进行归一化，得到新矩阵
Figure FDA00035039233700000213
各元素
Figure FDA00035039233700000214
则二级指标调整后的权重
Figure FDA00035039233700000215
Figure FDA00035039233700000216
表示二级指标的初始权重。
7.根据权利要求6所述的基于自减逆向云发生器的三维CAD软件性能度量方法，其特征在于所述S6中，计算三维CAD软件性能一级指标Ui的值为
Figure FDA0003503923370000031
熵
Figure FDA0003503923370000032
超熵
Figure FDA0003503923370000033
则其不确定度
Figure FDA0003503923370000034
构建矩阵S，该矩阵第r行第k列元素
Figure FDA0003503923370000035
对矩阵的每一列进行归一化，得到新矩阵S*各元素
Figure FDA0003503923370000036
则一级指标的最终权重
Figure FDA0003503923370000037
Figure FDA0003503923370000038
表示一级指标的初始权重。
8.根据权利要求7所述的基于自减逆向云发生器的三维CAD软件性能度量方法，其特征在于所述S7中，三维CAD软件性能度量结果为
Figure FDA0003503923370000039
取值范围为0～1，其中
Figure FDA00035039233700000310
9.基于自减逆向云发生器的三维CAD软件性能度量装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-8中任一项所述的基于自减逆向云发生器的三维CAD软件性能度量方法。
CN202210133974.1A 2022-02-14 2022-02-14 基于自减逆向云发生器的三维cad软件性能度量方法及装置 Pending CN114490412A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210133974.1A CN114490412A (zh) 2022-02-14 2022-02-14 基于自减逆向云发生器的三维cad软件性能度量方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210133974.1A CN114490412A (zh) 2022-02-14 2022-02-14 基于自减逆向云发生器的三维cad软件性能度量方法及装置

Publications (1)

Publication Number Publication Date
CN114490412A true CN114490412A (zh) 2022-05-13

Family

ID=81480035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210133974.1A Pending CN114490412A (zh) 2022-02-14 2022-02-14 基于自减逆向云发生器的三维cad软件性能度量方法及装置

Country Status (1)

Country Link
CN (1) CN114490412A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117076293A (zh) * 2023-07-19 2023-11-17 浙江大学 基于贫样本层次可信聚类热力图的软件性能可视评价方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117076293A (zh) * 2023-07-19 2023-11-17 浙江大学 基于贫样本层次可信聚类热力图的软件性能可视评价方法
CN117076293B (zh) * 2023-07-19 2024-04-05 浙江大学 基于贫样本层次可信聚类热力图的软件性能可视评价方法

Similar Documents

Publication Publication Date Title
WO2021208079A1 (zh) 获取动力电池寿命数据的方法、装置、计算机设备及介质
CN106022631B (zh) 一种指标权重分析方法
CN111209316A (zh) 一种信息素养数据挖掘方法、装置、电子设备及存储介质
CN115841046A (zh) 基于维纳过程的加速退化试验数据处理方法和装置
CN113808132B (zh) 三维网络模型质量检测方法、装置和计算机设备
CN114490412A (zh) 基于自减逆向云发生器的三维cad软件性能度量方法及装置
CN110955862A (zh) 一种用于设备模型趋势相似度的评估方法及装置
CN110472659A (zh) 数据处理方法、装置、计算机可读存储介质和计算机设备
CN117193502B (zh) 基于机器学习的电竞主机电源状态分析方法
CN107067276A (zh) 确定对象影响力的方法及装置
EP2738701A2 (en) Method and apparatus for statistical electronic circuit simulation
CN114487976B (zh) Mcm电子式互感器校验仪溯源不确定度评定方法及系统
WO2019196437A1 (zh) 指标决策方法
CN115048290A (zh) 软件质量的评估方法、装置、存储介质及计算机设备
CN113159537B (zh) 电网新技术项目的评估方法、装置和计算机设备
CN114491699A (zh) 基于拓展区间数的三维cad软件易用性量化方法及装置
WO2020215566A1 (zh) 基于机器学习的婴儿发育情况预测方法、装置、存储介质及电子设备
JP2011141674A (ja) ソフトウェア品質指標値管理システム、ソフトウェア品質指標値の真値を推定する推定方法及び推定プログラム
CN115879405B (zh) 电路性能的检测方法及计算机存储介质和终端设备
CN117216454A (zh) 基于模糊非概率的可靠性评估方法、装置、终端及存储介质
CN116541726B (zh) 用于植被覆盖度估算的样本量确定方法、装置及设备
RU86769U1 (ru) Устройство для решения задачи прогнозирования технического уровня сложной технической системы
CN111507639A (zh) 理财风险分析方法及装置
CN116842683A (zh) 无人机集群贮存可用度模型不确定性评估方法
CN116819464A (zh) 一种设备性能评估结果的可信度确定方法及装置

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