CN114493229A - 一种基于无监督学习技术的调控业务编排代理方法及系统 - Google Patents
一种基于无监督学习技术的调控业务编排代理方法及系统 Download PDFInfo
- Publication number
- CN114493229A CN114493229A CN202210068257.5A CN202210068257A CN114493229A CN 114493229 A CN114493229 A CN 114493229A CN 202210068257 A CN202210068257 A CN 202210068257A CN 114493229 A CN114493229 A CN 114493229A
- Authority
- CN
- China
- Prior art keywords
- data
- service
- labels
- label
- unsupervised learning
- 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 24
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 18
- 239000003795 chemical substances by application Substances 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 abstract 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/0633—Workflow analysis
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的属于数据处理技术领域,具体为一种基于无监督学习技术的调控业务编排代理方法,包括取业务编排模块中的业务数据参数,将业务数据参数中具有标签的数据划分到相对应的数据区段中,对划分后的数据通过业务规则编排模块进行业务规则的编排,本发明通过对业务数据参数根据标签进行初步划分,对业务数据进行分类,同时在对没有标签的数据进行分类标签提取,从而完成对没有标签数据的划分,最后再将分类标签提取失败的数据通过学习算法找到特征分布,标注得到相接近的数据参数标签,在数据与模型参数不匹配时,仍然能够通过多道处理方法实现对数据的编排,提高业务编排的灵活性与系统的自适应性。
Description
技术领域
本发明涉及数据处理技术领域,具体为一种基于无监督学习技术的调控业务编排代理方法及系统。
背景技术
随着企业业务的不断发展,当前云业务逐步扩展到云边协同业务,边缘业务作为云端业务的前哨,对数据的过滤和筛选以及边缘的前置运算,起着越来越重要的作用。使用各种“能力”进行编排来完成某一业务,各个“能力”被有序的编织起来,聚合成一条特定的执行链。流程编排几乎适用于所有的业务型系统,特别是在业务身份非常多的系统中更受青睐。
现有对业务编排的技术仍然不够成熟,流程编排“约束”了编排的方式,现有对业务编排的处理方法大都是从给定的数据中学习出一个模型参数,然后根据这个模型参数对后续的数据进行结果导向,从而实现对数据定向编排的工作方式,但是这种对数据的处理方式必须要有模型参数,根据模型参数寻找规律对数据进行导向,当数据与模型参数不匹配时,则无法对数据进行导向,从而无法实现编排工作,灵活性与自适应性较低。
发明内容
本发明的目的在于提供一种基于无监督学习技术的调控业务编排代理方法及系统,以解决上述背景技术中提出的灵活性与自适应性较低的问题。
为实现上述目的,本发明提供如下技术方案:一种基于无监督学习技术的调控业务编排代理方法,包括以下步骤:
步骤1:接入数据,获取业务编排模块中的待编排订单信息,并提取业务编排模块中的业务数据参数;
步骤2:将业务数据参数中具有标签的数据划分到相对应的数据区段中,对划分后的数据通过业务规则编排模块进行业务规则的编排,并根据编排后数据之间的依赖关系预设数据优先级;
步骤3:对业务数据参数中没有标签的数据进行分类标签提取,从而将没有标签的数据标注上与数据区段相接近的数据参数标签,并归类到相对应的数据区段中,重复步骤2中编排与预设数据优先级的步骤;
步骤4:将步骤3中分类标签提取失败的业务数据参数采用学习算法找到业务数据参数特征分布,在进行标注分类得到与数据区段相接近的数据参数标签,并对其归类到数据区段中,重复步骤2中编排与预设数据优先级的步骤;
步骤5:对步骤2中完成数据优先级的数据进行排序,生成业务订单。
优选的,所述步骤2中将具有共同标签或特征的业务数据归并在一起,通过其类别的属性或特征对业务数据进行划分。
优选的,所述步骤2中对数据的编排包括以下步骤:
步骤A:新增数据流;
步骤B:创建数据流节点;
步骤C:配置数据流。
所述步骤B中数据流节点包括数据输入节点、数据处理节点与数据输出节点,所述步骤C中配置数据流包括配置调度与配置变量。
优选的,所述步骤2中根据编排后数据之间的依赖关系预设数据优先级为在同一数据区段中的两个数据之间的处理逻辑是否存在依赖关系,存在依赖关系则将两个数据之间的优先级设为并列处理,不存在依赖关系则将两个数据之间的优先级设有分列处理。
优选的,所述步骤3中分类标签提取为将没有标签的数据的每个特征与各数据区段中的样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似数据的分类标签。
优选的,所述步骤4中的学习算法的步骤是:
S1:选K个初始聚类中心,z1(1),z2(1),…,zK(1),其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定,例如可选开始的K个模式样本的向量值作为初始聚类中心;
S2:逐个将需分类的模式样本{x}按最小距离准则分配给K个聚类中心中的某一个zj(1),假设i=j时,则其中k为迭代运算的次序号,第一次迭代k=1,Sj表示第j个聚类,其聚类中心为zj;
S3:计算各个聚类中心的新的向量值,zj(k+1),j=1,2,…,K
求各聚类域中所包含样本的均值向量,并使用该均值更新聚类中心:
其中Nj为第j个聚类域Sj中所包含的样本个数。以均值向量作为新的聚类中心,在这一步中要分别计算K个聚类中的样本均值向量;
S4:重复步骤2与3,直到达到以下条件之一:质心的位置变化小于指定的阈值;达到最大迭代次数。
优选的,所述步骤2中统计分类算法为通过已有的已知数据及其对应的输出去训练得到一个最优模型,再利用这个模型将所有的输入映射为相应的输出,对输出进行简单的判断从而实现分类的目的,公式为L(f,(X,Y))=-logfy(X),其中Y是一个有穷数,可以看做类标号,分类过程中(X,Y)是X属于类Y的概率的负对数,其中fi(X)=P(Y=i/X),fy(X)≥0,∑ifi(X)=1。
一种基于无监督学习技术的调控业务编排代理系统,包括处理模块与传输模块,且处理模块与传输模块连接,所述处理模块用于完成基于无监督学习技术的调控业务编排代理方法。
与现有技术相比,本发明的有益效果是:
本发明通过对业务数据参数根据标签进行初步划分,对业务数据进行分类,同时在对没有标签的数据进行分类标签提取,从而完成对没有标签数据的划分,最后再将分类标签提取失败的数据通过学习算法找到特征分布,标注得到相接近的数据参数标签,在数据与模型参数不匹配时,仍然能够通过多道处理方法实现对数据的编排,提高业务编排的灵活性与系统的自适应性。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例:
本发明提供一种技术方案:一种基于无监督学习技术的调控业务编排代理方法,包括以下步骤:
步骤1:接入数据,获取业务编排模块中的待编排订单信息,并提取业务编排模块中的业务数据参数;
步骤2:将业务数据参数中具有标签的数据划分到相对应的数据区段中,对划分后的数据通过业务规则编排模块进行业务规则的编排,并根据编排后数据之间的依赖关系预设数据优先级;
步骤3:对业务数据参数中没有标签的数据进行分类标签提取,从而将没有标签的数据标注上与数据区段相接近的数据参数标签,并归类到相对应的数据区段中,重复步骤2中编排与预设数据优先级的步骤;
步骤4:将步骤3中分类标签提取失败的业务数据参数采用学习算法找到业务数据参数特征分布,在进行标注分类得到与数据区段相接近的数据参数标签,并对其归类到数据区段中,重复步骤2中编排与预设数据优先级的步骤;
步骤5:对步骤2中完成数据优先级的数据进行排序,生成业务订单。
所述步骤2中将具有共同标签或特征的业务数据归并在一起,通过其类别的属性或特征对业务数据进行划分。
所述步骤2中对数据的编排包括以下步骤:
步骤A:新增数据流;
步骤B:创建数据流节点;
步骤C:配置数据流。
所述步骤B中数据流节点包括数据输入节点、数据处理节点与数据输出节点,所述步骤C中配置数据流包括配置调度与配置变量。
所述步骤2中根据编排后数据之间的依赖关系预设数据优先级为在同一数据区段中的两个数据之间的处理逻辑是否存在依赖关系,存在依赖关系则将两个数据之间的优先级设为并列处理,不存在依赖关系则将两个数据之间的优先级设有分列处理。
所述步骤3中分类标签提取为将没有标签的数据的每个特征与各数据区段中的样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似数据的分类标签。
所述步骤4中的学习算法的步骤是,
S1:选K个初始聚类中心,z1(1),z2(1),…,zK(1),其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定,例如可选开始的K个模式样本的向量值作为初始聚类中心;
S2:逐个将需分类的模式样本{x}按最小距离准则分配给K个聚类中心中的某一个zj(1),假设i=j时,则其中k为迭代运算的次序号,第一次迭代k=1,Sj表示第j个聚类,其聚类中心为zj;
S3:计算各个聚类中心的新的向量值,zj(k+1),j=1,2,…,K
求各聚类域中所包含样本的均值向量,并使用该均值更新聚类中心:
其中Nj为第j个聚类域Sj中所包含的样本个数。以均值向量作为新的聚类中心,在这一步中要分别计算K个聚类中的样本均值向量;
S4:重复步骤2与3,直到达到以下条件之一:质心的位置变化小于指定的阈值;达到最大迭代次数。
预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算,当没有对象被重新分配给不同的聚类和没有聚类中心再发生变化时步骤终止。
所述步骤2中统计分类算法为通过已有的已知数据及其对应的输出去训练得到一个最优模型,再利用这个模型将所有的输入映射为相应的输出,对输出进行简单的判断从而实现分类的目的,公式为L(f,(X,Y))=-logfy(X),其中Y是一个有穷数(finitenumber),可以看做类标号,分类过程中costfunctionl(X,Y)是X属于类Y的概率的负对数,其中fi(X)=P(Y=i/X),fy(X)≥0,∑ifi(X)=1。从给定的训练数据集中学习出一个函数(模型参数),当新的数据到来时,可以根据这个函数预测结果。训练集要求包括输入输出,也可以说是特征和目标,训练集中的目标是由人标注的。
一种基于无监督学习技术的调控业务编排代理系统,包括处理模块与传输模块,且处理模块与传输模块连接,所述处理模块用于完成调控业务编排代理方法。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明;因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于无监督学习技术的调控业务编排代理方法,其特征在于:包括以下步骤:
步骤1:接入数据,获取业务编排模块中的待编排订单信息,并提取业务编排模块中的业务数据参数;
步骤2:将业务数据参数中具有标签的数据划分到相对应的数据区段中,对划分后的数据通过业务规则编排模块进行业务规则的编排,并根据编排后数据之间的依赖关系预设数据优先级;
步骤3:对业务数据参数中没有标签的数据进行分类标签提取,从而将没有标签的数据标注上与数据区段相接近的数据参数标签,并归类到相对应的数据区段中,重复步骤2中编排与预设数据优先级的步骤;
步骤4:将步骤3中分类标签提取失败的业务数据参数采用学习算法找到业务数据参数特征分布,在进行标注分类得到与数据区段相接近的数据参数标签,并对其归类到数据区段中,重复步骤2中编排与预设数据优先级的步骤;
步骤5:对步骤2中完成数据优先级的数据进行排序,生成业务订单。
2.根据权利要求1所述的一种基于无监督学习技术的调控业务编排代理方法,其特征在于:所述步骤2中采用统计分类的算法将具有共同标签或特征的业务数据归并在一起,通过其类别的属性或特征对业务数据进行划分。
3.根据权利要求1所述的一种基于无监督学习技术的调控业务编排代理方法,其特征在于:所述步骤2中对数据的编排包括以下步骤:
步骤A:新增数据流;
步骤B:创建数据流节点;
步骤C:配置数据流。
所述步骤B中数据流节点包括数据输入节点、数据处理节点与数据输出节点,所述步骤C中配置数据流包括配置调度与配置变量。
4.根据权利要求1所述的一种基于无监督学习技术的调控业务编排代理方法,其特征在于:所述步骤2中根据编排后数据之间的依赖关系预设数据优先级为在同一数据区段中的两个数据之间的处理逻辑是否存在依赖关系,存在依赖关系则将两个数据之间的优先级设为并列处理,不存在依赖关系则将两个数据之间的优先级设有分列处理。
5.根据权利要求1所述的一种基于无监督学习技术的调控业务编排代理方法,其特征在于:所述步骤3中分类标签提取为将没有标签的数据的每个特征与各数据区段中的样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似数据的分类标签。
6.根据权利要求1所述的一种基于无监督学习技术的调控业务编排代理方法,其特征在于:所述步骤4中的学习算法的步骤是:
S1:选K个初始聚类中心,z1(1),z2(1),…,zK(1),其中括号内的序号为寻找聚类中心的迭代运算的次序号,聚类中心的向量值可任意设定,例如可选开始的K个模式样本的向量值作为初始聚类中心;
S2:逐个将需分类的模式样本{x}按最小距离准则分配给K个聚类中心中的某一个zj(1),假设i=j时,则其中k为迭代运算的次序号,第一次迭代k=1,Sj表示第j个聚类,其聚类中心为zj;
S3:计算各个聚类中心的新的向量值,zj(k+1),j=1,2,…,K
求各聚类域中所包含样本的均值向量,并使用该均值更新聚类中心:
其中Nj为第j个聚类域Sj中所包含的样本个数,以均值向量作为新的聚类中心,在这一步中要分别计算K个聚类中的样本均值向量;
S4:重复步骤2与3,直到达到以下条件之一:质心的位置变化小于指定的阈值;达到最大迭代次数。
7.根据权利要求2所述的一种基于无监督学习技术的调控业务编排代理方法,其特征在于:所述步骤2中统计分类算法为通过已有的已知数据及其对应的输出去训练得到一个最优模型,再利用这个模型将所有的输入映射为相应的输出,对输出进行简单的判断从而实现分类的目的,公式为L(f,(X,Y))=-logfy(X),其中Y是一个有穷数,可以看做类标号,分类过程中(X,Y)是X属于类Y的概率的负对数,其中fi(X)=P(Y=i/X),fy(X)≥0,∑ifi(X)=1。
8.一种基于无监督学习技术的调控业务编排代理系统,其特征在于:包括处理模块与传输模块,且处理模块与传输模块连接,所述处理模块用于完成权利要求1-7任一项所述的基于无监督学习技术的调控业务编排代理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068257.5A CN114493229A (zh) | 2022-01-20 | 2022-01-20 | 一种基于无监督学习技术的调控业务编排代理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068257.5A CN114493229A (zh) | 2022-01-20 | 2022-01-20 | 一种基于无监督学习技术的调控业务编排代理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493229A true CN114493229A (zh) | 2022-05-13 |
Family
ID=81472284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210068257.5A Pending CN114493229A (zh) | 2022-01-20 | 2022-01-20 | 一种基于无监督学习技术的调控业务编排代理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493229A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030147558A1 (en) * | 2002-02-07 | 2003-08-07 | Loui Alexander C. | Method for image region classification using unsupervised and supervised learning |
CN102368294A (zh) * | 2011-09-07 | 2012-03-07 | 常州蓝城信息科技有限公司 | 复杂环境下性别特征的提取方法 |
CN104731916A (zh) * | 2015-03-24 | 2015-06-24 | 无锡中科泛在信息技术研发中心有限公司 | 数据挖掘中基于密度优化初始中心的k均值聚类方法 |
US20210241041A1 (en) * | 2020-01-31 | 2021-08-05 | Element Ai Inc. | Method of and system for joint data augmentation and classification learning |
JP2021189658A (ja) * | 2020-05-28 | 2021-12-13 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置及び情報処理プログラム |
-
2022
- 2022-01-20 CN CN202210068257.5A patent/CN114493229A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030147558A1 (en) * | 2002-02-07 | 2003-08-07 | Loui Alexander C. | Method for image region classification using unsupervised and supervised learning |
CN102368294A (zh) * | 2011-09-07 | 2012-03-07 | 常州蓝城信息科技有限公司 | 复杂环境下性别特征的提取方法 |
CN104731916A (zh) * | 2015-03-24 | 2015-06-24 | 无锡中科泛在信息技术研发中心有限公司 | 数据挖掘中基于密度优化初始中心的k均值聚类方法 |
US20210241041A1 (en) * | 2020-01-31 | 2021-08-05 | Element Ai Inc. | Method of and system for joint data augmentation and classification learning |
JP2021189658A (ja) * | 2020-05-28 | 2021-12-13 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置及び情報処理プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8626682B2 (en) | Automatic data cleaning for machine learning classifiers | |
Hassan et al. | A hybrid of multiobjective Evolutionary Algorithm and HMM-Fuzzy model for time series prediction | |
CN110008259A (zh) | 可视化数据分析的方法及终端设备 | |
CN108280472A (zh) | 一种基于局部密度和聚类中心优化的密度峰聚类方法 | |
CN113222035B (zh) | 基于强化学习和知识蒸馏的多类别不平衡故障分类方法 | |
CN102831432A (zh) | 一种适用于支持向量机训练的冗余数据约减方法 | |
CN111539444A (zh) | 一种修正式模式识别及统计建模的高斯混合模型方法 | |
Wang et al. | An output-constrained clustering approach for the identification of fuzzy systems and fuzzy granular systems | |
CN109492682A (zh) | 一种多分枝随机森林数据分类方法 | |
CN110766043A (zh) | 基于电网信息数据的K-means聚类算法 | |
CN110852344A (zh) | 一种基于智能变电站网络故障分类的方法 | |
CN112199287B (zh) | 基于强化混合专家模型的跨项目软件缺陷预测方法 | |
CN114493229A (zh) | 一种基于无监督学习技术的调控业务编排代理方法及系统 | |
CN111950652A (zh) | 一种基于相似度的半监督学习数据分类算法 | |
CN111488903A (zh) | 基于特征权重的决策树特征选择方法 | |
CN109934344A (zh) | 一种改进的基于规则模型的多目标分布估计算法 | |
CN115496133A (zh) | 基于自适应在线学习的密度数据流聚类方法 | |
CN110070111A (zh) | 一种配网线路分类方法及系统 | |
Vieira et al. | Multi-criteria ant feature selection using fuzzy classifiers | |
CN114662012A (zh) | 一种面向基因调控网络的社区查询分析方法 | |
CN113886442A (zh) | 一种基于rfm模型和人工蜂群算法的铁路货运客户细分方法 | |
CN113239034A (zh) | 一种基于人工智能的大数据资源整合方法、系统及云平台 | |
CN113222034B (zh) | 基于知识蒸馏的细粒度多类别不平衡故障分类方法 | |
Liu et al. | Timely: Improving labeling consistency in medical imaging for cell type classification | |
CN118194067B (zh) | 一种基于多维高斯混合模型的广告外溢检测方法 |
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 |