CN114564759B - 一种分布式数据的检测方法及系统 - Google Patents
一种分布式数据的检测方法及系统 Download PDFInfo
- Publication number
- CN114564759B CN114564759B CN202210456274.6A CN202210456274A CN114564759B CN 114564759 B CN114564759 B CN 114564759B CN 202210456274 A CN202210456274 A CN 202210456274A CN 114564759 B CN114564759 B CN 114564759B
- Authority
- CN
- China
- Prior art keywords
- data
- distributed
- missing
- data point
- point
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种分布式数据的检测方法及系统,其中分布式数据的检测方法,具体包括以下步骤:获取分布式数据;对获取的分布式数据进行异常检测;响应于完成分布式数据的异常检测,判断分布式数据是否存在缺失数据点;若分布式数据存在缺失数据点,则确定与缺失数据点强关联的补充数据点;响应于确定了与缺失数据点强关联的补充数据点,根据补充数据点进行缺失数据点的补充;将补充缺失数据点后的分布式数据反馈输出。本申请能够对数据进行检测处理,具体包括异常数据检测和缺失数据检测,加强了数据的安全性以及保证了数据的稳定性。
Description
技术领域
本申请涉及数据处理领域,具体地,涉及一种分布式数据的检测方法及系统。
背景技术
随着互联网、物联网等行业的蓬勃发展和计算机技术的日益完善,伴随着云计算技术的迅速发展,数据的收集和存储技术的发展带来了海量数据,而在对数据的处理过程中常常会进行数据检测,传统的数据检测方式是对输出的数据进行一个简单的判断,但是这种判断往往不会检测出数据真实的异常,或造成数据的误判。
因此,如何提供一种能够提高数据安全性的检测方法,是本领域技术人员急需解决的问题。
发明内容
本申请提供了一种分布式数据的检测方法,具体包括以下步骤:获取分布式数据;对获取的分布式数据进行异常检测;响应于完成分布式数据的异常检测,判断分布式数据是否存在缺失数据点;若分布式数据存在缺失数据点,则确定与缺失数据点强关联的补充数据点;响应于确定了与缺失数据点强关联的补充数据点,根据补充数据点进行缺失数据点的补充;将补充缺失数据点后的分布式数据反馈输出。
如上的,其中,若分布式数据中不存在缺失数据点,则直接将分布式数据反馈输出。
如上的,其中,分布式数据为由时间序列数据所构成的数据,分布式数据中包含多个数据点。
如上的,其中,对获取的分布式数据进行异常检测,具体包括以下子步骤:对分布式数据进行扫描并划分;确定分布式数据划分后的数据点的个数,根据划分后的数据点的个数确定异常数据点。
如上的,其中,对分布式数据进行扫描并划分具体为,将时间序列数据划分为若干个小簇。
如上的,其中,统计划分的每个簇内的所有数据点的个数,将每个簇内的数据点个数与预先设定的阈值k进行比较,若簇内的数据点个数大于设定的阈值k,则认为该簇中的数据点为异常数据点。
如上的,其中,判断分布式数据是否存在缺失数据点,具体包括以下子步骤:将完整的分布式数据提前保存在数据库中;将完成异常检测的分布式数据与对应的数据库中的数据进行对比;根据比对结果确定完成异常检测的分布式数据是否存在数据点缺失。
如上的,其中,若比对结果为完成异常检测的分布式数据的属性与数据库中对应的数据的属性保持一致,则说明完成异常检测的分布式数据不存在缺失数据点。
如上的,其中,确定与缺失的数据点强关联的补充数据点包括,确定参照数据点,根据参照数据点确定补充数据点。
一种分布式数据的检测系统,具体包括:获取单元、异常检测单元、缺失判断单元、确定单元、补充单元以及反馈单元;获取单元,用于获取分布式数据;异常检测单元,用于对分布式数据进行异常检测;缺失判断单元,用于判断分布式数据是否存在缺失数据点;确定单元,用于若分布式数据存在缺失数据点,则确定与缺失的数据点强关联的补充数据点;补充单元,用于根据补充数据点进行缺失数据点的补充;反馈单元,用于将补充缺失数据点后的分布式数据反馈输出。
本申请具有以下有益效果:
本申请能够对数据进行检测处理,具体包括异常数据检测和缺失数据检测,加强了数据的安全性以及保证了数据的稳定性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是根据本申请实施例提供的分布式数据的检测方法的流程图;
图2是根据本申请实施例提供的分布式数据的检测系统的内部结构图。
具体实施方式
下面结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
本申请涉及一种分布式数据的检测方法及系统,本申请能够对数据进行检测处理,具体包括异常数据检测和缺失数据检测,加强了数据的安全性以及保证了数据的稳定性。
实施例一
如图1所示,是本申请提供的一种分布式数据的检测方法,具体包括以下步骤:
步骤S110:获取分布式数据。
具体地,其中分布式数据具体体现为由时间序列数据所构成的数据。
步骤S120:对获取的分布式数据进行异常检测。
其中对分布式数据进行异常检测,就是去发现是否存在那些明显脱离了其他大规模数据的数据点。
其中异常数据点是指于其他数据相比,它的数据行为存在明显的差异,它不属于任何的聚类簇,同样也不是噪声数据点。
同时,异常数据点也可能是那些在聚类过程中产生的噪声点,这些噪声点不属于任何簇或者簇类小模式。
其中异常数据点可能由以下几个方面造成:
1、在进行数据的收集和测量中,可能会出现一些误差比如认为操作失误或者机器设备故障等,类似这种原因产生的异常会大大降低了数据本来的质量,会造成数据分析出现问题。
2、可能是原有数据进行了变异,也会造成异常数据点的出现。
3、异常数据点本身是来源于异常类别,假如一个数据的来源不同于其他数据类型,那么它的表现一般会不同于其他的数据。
基于上述分析,本实施例认为异常数据点是这样一个数据对象,即在r邻域中,它至少与k部分数据点之间的距离大于某一阈值。即如果对于数据点o,分布式数据中存在至少k个部分与他的距离大于邻域半径,就称数据点o是以k和为参数的基于距离的异常数据点,等同于异常数据点就是其r邻域的数量小于某个阈值k的点。
其中步骤S120具体包括以下子步骤:
步骤S1201:对分布式数据进行扫描并划分。
其中时间序列数据(分布式数据)包括多个数据点,其中时间序列数据表示为,N为时间序列数据的大小,为时间序列数据中的单个数据点(数据对象),每个数据点中包含多个元素,记为,其中每个数据点是一个类别为的D元组,其中D为时间序列数据的维度,AD为数据元素的属性,其中类别A仅是一个泛称,并不代表就属于类别A。
其中对时间序列数据进行划分具体为,将时间序列数据划分为若干个小簇,步骤S1201具体包括以下子步骤:
步骤S12011:在分布式数据中随机选定一个数据点作为簇中心。
本实施例优先选取一个簇中心,然后再相应的开始簇的扩展。
步骤S12012:根据簇中心进行数据点划分,进行簇的扩展和填充。
其中,表示类别g的簇中心,表示选取的与簇中心进行距离计算的某数据点,其中表示类别为g的簇中心所包含的任一元素,表示选取的与簇中心进行距离计算的某数据点包含的任一元素,n表示选取的类别为g中的数据点的数量,j为自然数。
其中这种距离中区别于传统意义上的数值距离,考虑到了数据点的类别和数据点所包含的元素来度量某个数据点与簇中心的“距离”,来决定是否将数据纳入该类别的簇中,提升了划分过程的准确性,为后续确定异常数据点提供了保障。
步骤S1202:确定分布式数据划分后的数据点的个数,根据划分后的数据点的个数确定异常数据点。
由于对分布式数据进行了簇的扩展和填充,同时在上述步骤中确定了每个簇中所能容纳的数据点,此时所有数据点都被分到了不同的簇中。
此时统计划分的每个簇内的所有数据点的个数,将每个簇内的数据点个数与预先设定的阈值k进行比较,若簇内的数据点个数小于设定的阈值k,则说明该簇中的数据点为正常数据点,将该簇剪掉,若簇内的数据点个数大于设定的阈值k,则认为该簇中的数据点为异常数据点。
步骤S130:响应于完成分布式数据的异常检测,判断分布式数据是否存在缺失数据点。
其中异常检测后,可能在对数据的处理中出现数据点缺失的情况,也可能在一开始获取的就是缺失数据点的分布式数据,因此在本步骤中需要判断分布式数据中是否存在数据点丢失的情况,其中步骤S130具体包括以下子步骤:
步骤S1301:将完整的分布式数据提前保存在数据库中。
其中数据库中包括但不限于提前预存的分布式数据。获取的分布式数据与保存在数据库中的完整的分布式数据为对应关系。
步骤S1302:将完成异常检测的分布式数据与对应的数据库中的数据进行对比。
其中分布式数据缺失的表现为数据点的缺失,数据点的缺失带来了某个属性或某几个属性随机地缺失,因此将完成异常检测的分布式数据与对应的数据库中的数据进行对比,实质是进行属性的对比。
步骤S1303:根据比对结果确定完成异常检测的分布式数据是否存在数据点缺失。
具体地,若比对结果为完成异常检测的分布式数据的属性与数据库中对应的预存的数据的属性保持一致,则说明完成异常检测的分布式数据不存在缺失数据点的情况,则直接将分布式数据反馈输出。
若比对结果为完成异常检测的分布式数据的属性与数据库中的数据的属性保持不一致,具体为完成异常检测的分布式数据中存在丢失的一个或多个属性,则说明完成异常检测的分布式数据存在缺失数据点的情况,则执行步骤S140。
步骤S140:确定与缺失的数据点强关联的补充数据点。
其中,与缺失数据点存在强关联的数据点为在属性上有强关联性,具体来说与是与缺失的数据点极其相似的数据,才能称作为强关联的数据点。因此,本实施例以缺失的数据对应的数据库中的完整数据为参照数据,参照数据中的数据点为参照数据点,寻找与参照数据点强关联的数据点作为补充数据点。
其中步骤S140具体包括以下子步骤:
步骤S1401:确定与参照数据点类别相同的数据点作为补充数据点。
步骤S1402:在类别相同的情况下,确定参数数据点与补充数据点是否包含相同数量的属性。
若包含相同数量的属性,则执行步骤S1403。否则流程退出。
步骤S1403:确定补充数据点与参照数据点是否具有强关联。
具体地,参照数据点和补充数据点之间需要满足,则认为他们之间有强关联性,其中定义数据点是一个类别为的D元组,AD为数据元素的属性,m表示数据点包含的属性的数量,表示参照数据点的属性的属性值,表示补充数据点的属性的属性值,P为预先设定的指定阈值,l表示自然数。
其中若参照数据点和补充数据点满足上述条件,则认为补充数据点与参照数据点具有强关联,执行步骤S150。反之则淘汰该补充数据点,继续寻找满足上述条件的补充数据点。
步骤S150:响应于确定了与缺失数据点强关联的补充数据点,根据补充数据点进行缺失数据点的补充。
其中满足条件的补充数据点补充到确实数据点的分布式数据中,以完成缺失数据点的处理。
步骤S160:将补充缺失数据点后的分布式数据反馈输出。
其中将完成上述检测的分布式数据进行反馈并输出,具体为若分布式数据未存在缺失数据点,则将分布式数据反馈输出,或者将缺失数据点补充后的分布式数据进行反馈输出。
通过上述对分布式数据的检测,保证了分布式数据的完整性,排除了存在异常的情况。
实施例二
如图2所示,本申请提供一种分布式数据的检测系统,具体包括:获取单元210、异常检测单元220、缺失判断单元230、确定单元240、补充单元250、反馈单元260。
获取单元210用于获取分布式数据。
异常检测单元220与获取单元210连接,用于对分布式数据进行异常检测。
缺失判断单元230与异常检测单元220连接,用于判断分布式数据是否存在缺失数据点。
确定单元240与缺失判断单元230连接,用于若分布式数据存在缺失数据点,则确定与缺失的数据点强关联的补充数据点。
补充单元250与确定单元240连接,用于根据补充数据点进行缺失数据点的补充。
反馈单元260与补充单元250连接,用于将补充缺失数据点后的分布式数据反馈输出。
本申请具有以下有益效果:
本申请能够对数据进行检测处理,具体包括异常数据检测和缺失数据检测,加强了数据的安全性以及保证了数据的稳定性。
虽然当前申请参考的示例被描述,其只是为了解释的目的而不是对本申请的限制,对实施方式的改变,增加和/或删除可以被做出而不脱离本申请的范围。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种分布式数据的检测方法,其特征在于,具体包括以下步骤:
获取分布式数据;
对获取的分布式数据进行异常检测;
响应于完成分布式数据的异常检测,判断分布式数据是否存在缺失数据点;
若分布式数据存在缺失数据点,则确定与缺失数据点强关联的补充数据点;
响应于确定了与缺失数据点强关联的补充数据点,根据补充数据点进行缺失数据点的补充;
将补充缺失数据点后的分布式数据反馈输出;
确定与缺失的数据点强关联的补充数据点具体包括以下子步骤:
确定与参照数据点类别相同的数据点作为补充数据点;
确定参数数据点与补充数据点是否包含相同数量的属性;
若包含相同属性,确定补充数据点与参照数据点是否具有强关联;
参照数据点和补充数据点之间需满足,则认为参照数据点和补充数据点之间有强关联性,其中定义数据点是一个类别为的D元组,AD为数据元素的属性,m表示数据点包含的属性的数量,表示参照数据点的属性的属性值,表示补充数据点的属性的属性值,P为预先设定的指定阈值,l表示自然数;
若补充数据点与参照数据点具有强关联,则根据补充数据点进行缺失数据点的补充。
2.如权利要求1所述的分布式数据的检测方法,其特征在于,若分布式数据中不存在缺失数据点,则直接将分布式数据反馈输出。
3.如权利要求1所述的分布式数据的检测方法,其特征在于,分布式数据为由时间序列数据所构成的数据,分布式数据中包含多个数据点。
4.如权利要求1所述的分布式数据的检测方法,其特征在于,对获取的分布式数据进行异常检测,具体包括以下子步骤:
对分布式数据进行扫描并划分;
确定分布式数据划分后的数据点的个数,根据划分后的数据点的个数确定异常数据点。
5.如权利要求4所述的分布式数据的检测方法,其特征在于,其中对分布式数据进行扫描并划分具体为,将时间序列数据划分为若干个小簇。
6.如权利要求5所述的分布式数据的检测方法,其特征在于,统计划分的每个簇内的所有数据点的个数,将每个簇内的数据点个数与预先设定的阈值k进行比较,若簇内的数据点个数大于设定的阈值k,则认为该簇中的数据点为异常数据点。
7.如权利要求1所述的分布式数据的检测方法,其特征在于,判断分布式数据是否存在缺失数据点,具体包括以下子步骤:
将完整的分布式数据提前保存在数据库中;
将完成异常检测的分布式数据与对应的数据库中的数据进行对比;
根据比对结果确定完成异常检测的分布式数据是否存在数据点缺失。
8.如权利要求7所述的分布式数据的检测方法,其特征在于,若比对结果为完成异常检测的分布式数据的属性与数据库中对应的数据的属性保持一致,则说明完成异常检测的分布式数据不存在缺失数据点。
9.如权利要求1所述的分布式数据的检测方法,其特征在于,确定与缺失的数据点强关联的补充数据点包括,确定参照数据点,根据参照数据点确定补充数据点。
10.一种分布式数据的检测系统,其特征在于,具体包括:获取单元、异常检测单元、缺失判断单元、确定单元、补充单元以及反馈单元;
获取单元,用于获取分布式数据;
异常检测单元,用于对分布式数据进行异常检测;
缺失判断单元,用于判断分布式数据是否存在缺失数据点;
确定单元,用于若分布式数据存在缺失数据点,则确定与缺失的数据点强关联的补充数据点;
补充单元,用于根据补充数据点进行缺失数据点的补充;
反馈单元,用于将补充缺失数据点后的分布式数据反馈输出;
确定单元中,确定与缺失的数据点强关联的补充数据点具体包括以下子步骤:
确定与参照数据点类别相同的数据点作为补充数据点;
确定参数数据点与补充数据点是否包含相同数量的属性;
若包含相同属性,确定补充数据点与参照数据点是否具有强关联;
参照数据点和补充数据点之间需满足,则认为参照数据点和补充数据点之间有强关联性,其中定义数据点是一个类别为的D元组,AD为数据元素的属性,m表示数据点包含的属性的数量,表示参照数据点的属性的属性值,表示补充数据点的属性的属性值,P为预先设定的指定阈值,l表示自然数;
若补充数据点与参照数据点具有强关联,则根据补充数据点进行缺失数据点的补充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210456274.6A CN114564759B (zh) | 2022-04-28 | 2022-04-28 | 一种分布式数据的检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210456274.6A CN114564759B (zh) | 2022-04-28 | 2022-04-28 | 一种分布式数据的检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114564759A CN114564759A (zh) | 2022-05-31 |
CN114564759B true CN114564759B (zh) | 2022-07-29 |
Family
ID=81720798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210456274.6A Active CN114564759B (zh) | 2022-04-28 | 2022-04-28 | 一种分布式数据的检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114564759B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006031378A (ja) * | 2004-07-15 | 2006-02-02 | Nippon Hoso Kyokai <Nhk> | 時系列データ補完装置、その方法及びそのプログラム |
CN106503086A (zh) * | 2016-10-11 | 2017-03-15 | 成都云麒麟软件有限公司 | 分布式局部离群点的检测方法 |
CN108932301A (zh) * | 2018-06-11 | 2018-12-04 | 天津科技大学 | 数据填充方法及装置 |
CN110134592A (zh) * | 2019-04-19 | 2019-08-16 | 平安普惠企业管理有限公司 | 一种补充数据字段的方法及装置、电子设备 |
CN110659396A (zh) * | 2019-08-14 | 2020-01-07 | 平安科技(深圳)有限公司 | 缺失属性信息补全方法、装置、计算机设备和存储介质 |
CN113297439A (zh) * | 2021-05-31 | 2021-08-24 | 中电福富信息科技有限公司 | 一种时间序列数据特征提取及分类方法 |
-
2022
- 2022-04-28 CN CN202210456274.6A patent/CN114564759B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006031378A (ja) * | 2004-07-15 | 2006-02-02 | Nippon Hoso Kyokai <Nhk> | 時系列データ補完装置、その方法及びそのプログラム |
CN106503086A (zh) * | 2016-10-11 | 2017-03-15 | 成都云麒麟软件有限公司 | 分布式局部离群点的检测方法 |
CN108932301A (zh) * | 2018-06-11 | 2018-12-04 | 天津科技大学 | 数据填充方法及装置 |
CN110134592A (zh) * | 2019-04-19 | 2019-08-16 | 平安普惠企业管理有限公司 | 一种补充数据字段的方法及装置、电子设备 |
CN110659396A (zh) * | 2019-08-14 | 2020-01-07 | 平安科技(深圳)有限公司 | 缺失属性信息补全方法、装置、计算机设备和存储介质 |
CN113297439A (zh) * | 2021-05-31 | 2021-08-24 | 中电福富信息科技有限公司 | 一种时间序列数据特征提取及分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114564759A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110709688B (zh) | 用于预测在装配单元中的缺陷的方法 | |
EP4060607A1 (en) | Information processing device, information processing method, and program | |
JP6285640B2 (ja) | 自動及び手動欠陥分類の統合 | |
JP2018128468A (ja) | 自動欠陥分類のための未知欠陥除去の最適化 | |
CN112115897B (zh) | 多指针仪表报警检测方法、装置、计算机设备及存储介质 | |
TW201514472A (zh) | 整合影像分析與資料挖礦之自動光學檢測缺陷影像分類方法 | |
CN112446637A (zh) | 一种建筑施工质量安全在线风险检测方法及系统 | |
CN114564759B (zh) | 一种分布式数据的检测方法及系统 | |
CN106528665A (zh) | Aoi设备测试文件查找方法和系统 | |
CN107590303A (zh) | 快速查找和修正版图数据中异常图形的方法 | |
US20230325413A1 (en) | Error Factor Estimation Device and Error Factor Estimation Method | |
CN114153730A (zh) | 埋点配置页面生成方法及相关设备 | |
US20220171982A1 (en) | System and method for processing facility image data | |
CN113554079A (zh) | 一种基于二次检测法的电力负荷异常数据检测方法及系统 | |
CN112434653A (zh) | 一种遥感图像建筑区检测方法及系统 | |
JP2000077495A (ja) | 検査システム及びそれを用いた電子デバイスの製造方法 | |
CN110991940A (zh) | 海洋观测数据产品质量在线检验方法、装置及服务器 | |
JP2020101900A (ja) | 画像検査装置、画像検査のための学習方法および画像検査プログラム | |
US20240183793A1 (en) | Inspection device, inspection method, and program | |
CN113393450B (zh) | 用于数字线划图的数据质检方法、系统及可读存储介质 | |
WO2024105811A1 (ja) | エラー要因解析装置、および、エラー要因解析方法 | |
CN117236572B (zh) | 一种基于数据分析的干粉灭火设备性能评估方法及系统 | |
US20240144101A1 (en) | Generation system, computer-readable storage medium, and method for generating waveform evaluation model | |
CN112612882B (zh) | 检阅报告生成方法、装置、设备和存储介质 | |
CN117193177A (zh) | 推断产品制造中出现的问题 |
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 |