CN115114495B - 基于深度学习的适航数据治理辅助方法及其系统 - Google Patents

基于深度学习的适航数据治理辅助方法及其系统 Download PDF

Info

Publication number
CN115114495B
CN115114495B CN202211058656.XA CN202211058656A CN115114495B CN 115114495 B CN115114495 B CN 115114495B CN 202211058656 A CN202211058656 A CN 202211058656A CN 115114495 B CN115114495 B CN 115114495B
Authority
CN
China
Prior art keywords
data
model
deep learning
layer
airworthiness
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
Application number
CN202211058656.XA
Other languages
English (en)
Other versions
CN115114495A (zh
Inventor
邵林
王晓辉
叶夏竹
王兆星
刘晓疆
陈晓
刘青
战嘉馨
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.)
Qingdao Civil Aviation Cares Co ltd
Original Assignee
Qingdao Civil Aviation Cares Co ltd
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 Qingdao Civil Aviation Cares Co ltd filed Critical Qingdao Civil Aviation Cares Co ltd
Priority to CN202211058656.XA priority Critical patent/CN115114495B/zh
Publication of CN115114495A publication Critical patent/CN115114495A/zh
Application granted granted Critical
Publication of CN115114495B publication Critical patent/CN115114495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/908—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Library & Information Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于深度学习的适航数据治理辅助方法及其系统，包括以下步骤：收集样本数据、标注样本数据、对样本数据进行学习、导入校正数据以及正式数据分析，本发明的优点是：以适航审定大量的无规律、内容复杂的历史数据的基础上，通过算法得出数据的关联性及契合性，从而实现在杂乱无章的大量文件中，抽取匹配的数据结果。

Description

基于深度学习的适航数据治理辅助方法及其系统
技术领域
本发明涉及一种基于深度学习的适航数据治理辅助方法及其系统，属于深度学习技术领域。
背景技术
为了更好地服务于“大飞机工程”等国家重大战略，切实保障民用航空安全、促进大型客机等国家重点型号项目的审定工作，落实局党组关于加强适航审定体系、提高适航审定能力的要求，建设适航审定运行管理系统。中国民用航空局正式批准AMOS建设项目立项报告。AMOS系统于2020年11月正式进入上线试用阶段。
而在AMOS系统上线后，发现在系统的升级改造过程中，旧系统中存在大量珍贵的历史数据。并且关键的是，历史数据是新系统成功运行的重要数据依存，大量的新业务建立，需要依附于旧有数据的支持。如何把旧的系统中的历史数据迁移到新系统中使用，便成了新系统上线后，需要攻克的重点、难点。
按照适航数据、适航审定、深度学习以及数据治理辅助关键词，进行了相应技术方案的检索，具体如下：
1）申请号为202010752316.1，发明名称为适航数据传输方法，系统，装置及存储介质的专利：
本发明提供一种适航文件传输方法，系统、装置及存储介质，申请方平台发起适航数据传输流程，根据数据传输协议通过手动或自动方式生成适航数据包，由审查方平台自动解析校验并导入，审查方平台发起适航数据传输流程，根据数据传输协议通过手动或自动方式生成适航数据包，由申请方平台自动解析校验并导入，本发明确定了适航审查方与被审查方的数据传输协议，明确适航数据的传输范围、传输方式和协议格式，规范化适航数据交换过程。
此方案的重点在于是提供一种适航数据传输方法，系统、装置及存储介质，以规范化适航数据交换过程。我们的方案重点在于在根据大数据分析数据传输，收集数据信息，建立用户画像。
2)申请号为202010762494.2，发明名称为一种适航审定协同工作平台及方法的专利：本发明提供的一种适航审定协同工作平台及方法，提出了符合性目标、符合性对象、符合性活动和符合性案例为核心建立适航领域本体知识库，提出由符合性目标、符合性对象和符合性活动三个维度构成的符合性向量概念，以此进行符合性案例推荐，解决了大量样本情况下符合性案例知识经验的推荐问题，同时，通过文本特征提取能够挖掘适航指令中的问题描述和相关设计特征，最后通过面向自然语言需求的辅助审查方法，达到了适航符合性工作中的符合性辅助评价的目的。
此方案的重点在于是提供一种适航审定协同工作平台及方法，建立了以适航知识本体为核心的数据模型，形成了适航审查的业务核心能力以及知识推送的基础框架。我们的方案重点在于运用大数据分析技术，简化用户操作流程。
3）申请号为201810002406.1，发明名称为一种深度学习系统及深度学习识别方法的专利：
本发明公开了一种深度学习系统及深度学习识别方法，系统包括：数据输入接口、交换模块、存储模块、控制模块、计算模块和数据输出接口，其中，数据输入接口用于接收输入的数据；交换模块用于判断是否将所待识别数据以及第一深度学习算法模型存储到存储模块中；存储模块用于在交换模块的判断结果为是的情况下，存储待识别数据和第一深度学习算法模型；控制模块用于向计算模块发出针对待识别数据的识别指令；计算模块用于根据识别指令利用第一深度学习算法模型对待识别数据进行识别处理；数据输出接口用于输出计算模块的识别结果和其他设备针对待识别数据的识别结果。应用本发明实施例，可以提高对待识别数据的识别准确率。
4）申请号为202110973570.9，发明名称为一种基于数据治理技术的高校数据管理辅助系统及方法的专利：本申请提供一种基于数据治理技术的高校数据管理辅助系统及方法。其通过业务系统接口接入高校现有各系统中的高校数据信息，通过业务前端接收操作者导入的数据信息，再分别通过结构化业务数据采集模块和非结构化数据采集模块分别提取各数据信息所对应的元数据，从而根据元数据，在规范化处理模块中对相应数据信息进行处理以更新辅助系统数据库，并相应通过数据回写模块更新现有各系统。本申请能够自动获取高校目前所使用的业务系统、教务系统、科研项目管理系统、设备系统、人事管理系统、财务系统和/或一卡通系统，对各系统中数据进行调取、使用，也能够自动将辅助系统对上述各现有系统中数据的更新进行相应同步，以简化对高校数据的维护、管理。
基于因适航审定管理系统的历史数据所属类型众多（TC，PC，MDA，STC，PMA等），且每个类型对应的内容也非常多，包括结构化数据、与非结构化数据（文档、图片、音频、视频及扫描件等）。部分历史数据未按照要求进行存储与归类，导致这部分数据难以进行区分整理，无法将数据分配到对应的证件中进行有效的归类，而设计了本发明。
发明内容
为克服现有技术的缺陷，本发明提供一种基于深度学习的适航数据治理辅助方法，本发明的技术方案是：
一种基于深度学习的适航数据治理辅助方法，其特征在于，包括以下步骤：
（1）收集样本数据：根据数据所属类型将所有数据进行分类，然后针对每一类数据，梳理数据的非结构话内容，梳理数据的结构化数据，得到未标注的样本数据集合：
Figure 789562DEST_PATH_IMAGE001
，
Figure 175544DEST_PATH_IMAGE002
，
Figure 440435DEST_PATH_IMAGE003
；
（2）标注样本数据：对收集的样本数据的特征进行标注，通过标注，得到标注的样本数据以及标注的内容集，所述的样本数据为：
Figure 38906DEST_PATH_IMAGE004
，
Figure 790962DEST_PATH_IMAGE005
，
Figure 331533DEST_PATH_IMAGE006
；
所述标注的内容集为：
Figure 67408DEST_PATH_IMAGE007
，
Figure 729DEST_PATH_IMAGE008
，
Figure 872870DEST_PATH_IMAGE009
；
（3）对样本数据进行学习：将所有标注的样本数据R输入到深度学习模块中，并将所有标注的内容集P也输入到深度学习模块中，通过该深度学习模块，对整个样本数据进行分析；
（4）导入校正数据：将准备的校正数据
Figure 85808DEST_PATH_IMAGE010
导入到深度学习的常规模型中，经过模 型计算后，人工判断模型分析结果准确率w，重复数次，将数据带入公式中，直到结果趋紧为 1，则认为本次模型数据校正完毕，其中x为当前数据类型的数据复杂率；
Figure 105717DEST_PATH_IMAGE011
；
（5）正式数据分析：将正式数据导入到模型中，进行分析归类，总结出对应类型、对应证件的所有的分析数据。
一种基于深度学习的适航数据治理辅助系统，包括后台功能层，用于将待分析的信息和文件进行收集上传，以便后续的深度学习；
任务计算层，用于对收集到的数据进行分类，分成普通任务、模型任务和定时任务，从而对每一项任务进行排布并最后进行执行调用；
模型部署层，用于对模型进行部署，通过负载均衡的方式，将任务计算层的任务进行合理分配，最终输出到各模型学习计算服务器中进行处理；
模型学习训练层，用于对所有待处理的数据进行分析学习，分析出每一项数据的规律，最后归类到统一的文件内容中。
所述的模型学习训练层具体包括：
卷积层，用于提取不同的输入特征；
激活层，使用Relu的激活函数，用于提高引入非线性因素，提高模型的处理精度与准确度；
池化层，用于处理降低冗余信息，提升模型的尺度不变性和旋转不变性，防止过拟合；
全连接层用于将每个节点都与上一层的所有节点相连，用来把前面的提取到的特征进行综合。
还包括监控模块，通过配置alertmanager告警模块的参数，当出现系统性能过低，分析服务器内存不足、GPU异常、CPU不足时，向配置的运维人员接收邮箱、收集进行告警提示。
还包括文件安全管理模块：用于对上传的文件进行加密，保存在相应的存储容器中，防止机密文件遗失被盗取。
还包括密钥管理模块，用于对待保护的数据进行加密。
本发明的优点是：在面对适航领域千万级的历史数据及历史文件时，先通过人工的方式，梳理其中的小部分内容，并加以整理。放入到分析系统中进行模型分析，最后产出学习模型。再使用学习模型，来分析还未进行整理的数据的一部分，然后再对产出结果进行人为校正。通过校正结果再修改学习模型。再进行新一轮的学习校正，逐渐的提高最后产出结果的效率与正确性。
以适航审定大量的无规律、内容复杂的历史数据的基础上，通过算法得出数据的关联性及契合性，从而实现在杂乱无章的大量文件中，抽取匹配的数据结果。
附图说明
图1是本发明的系统结构框图。
图2是本发明的方法流程示意图。
图3是本发明的工作原理示意图。
具体实施方式
下面结合具体实施例来进一步描述本发明，本发明的优点和特点将会随着描述而更为清楚。但这些实施例仅是范例性的，并不对本发明的范围构成任何限制。本领域技术人员应该理解的是，在不偏离本发明的精神和范围下可以对本发明技术方案的细节和形式进行修改或替换，但这些修改和替换均落入本发明的保护范围内。
参见图1至图3，本发明涉及一种基于深度学习的适航数据治理辅助方法，包括以下步骤：
（1）收集样本数据：根据数据所属类型将所有数据进行分类，然后针对每一类数 据，梳理数据的非结构话内容（比如申请的申请书、意向函等；受理的受理通知书等；缴费的 凭证与缴费码等；审查的审查文件等；颁证的证件、数据单、审查报告等），梳理数据的结构 化数据（比如历史数据库中的证件号，受理编号，申请人信息等）得到未标注的样本数据集 合：
Figure 311570DEST_PATH_IMAGE001
，
Figure 303797DEST_PATH_IMAGE002
，
Figure 202483DEST_PATH_IMAGE003
；
（2）标注样本数据：对收集的样本数据的特征进行标注，通过标注，得到标注的样本数据以及标注的内容集，
所述的样本数据为：
Figure 365480DEST_PATH_IMAGE004
，
Figure 375024DEST_PATH_IMAGE005
，
Figure 373155DEST_PATH_IMAGE006
；
所述标注的内容集为：
Figure 177163DEST_PATH_IMAGE007
，
Figure 171664DEST_PATH_IMAGE008
，
Figure 968587DEST_PATH_IMAGE009
；
比如：对于申请书，标注申请人信息所在表格的位置；对于受理通知书文件，标注受理编号在整个文档（或图片）中的位置及前后的文字内容的关键字；对于证件文件，标注证件编号、型别、申请人信息等重要数据的位置及前后的文字内容关键字。
（3）对样本数据进行学习：将所有标注的样本数据R输入到深度学习模块中，并将所有标注的内容集P也输入到深度学习模块中，通过该深度学习模块，对整个样本数据进行分析；
（4）导入校正数据：将准备的校正数据
Figure 607510DEST_PATH_IMAGE010
导入到模型中，经过模型计算后，人工判 断模型分析结果准确率w，重复数次，将数据带入公式中，直到结果趋紧为1，则认为本次模 型数据校正完毕，其中x为当前数据类型的数据复杂率；
Figure 864310DEST_PATH_IMAGE011
；
（5）正式数据分析：将正式数据导入到模型中，进行分析归类，总结出对应类型、对应证件的所有的分析数据。
本发明还涉及一种基于深度学习的适航数据治理辅助系统，包括
后台功能层1，运用SpringBoot、Vue等技术，通过负载均衡和微服务的部署方式，为使用者提供一套简洁、稳定、高效的操作界面，用于将待分析的信息和文件进行收集上传，以便后续的深度学习；
任务计算层2，用于对收集到的数据进行分类，分成普通任务、模型任务和定时任务，从而对每一项任务进行排布并最后进行执行调用；
模型部署层3，用于对模型进行部署，通过负载均衡的方式（此处使用Nginx作为负载均衡的方式），将任务计算层的任务进行合理分配，最终输出到各模型学习计算服务器中进行处理；
模型学习训练层4，用于对所有待处理的数据进行分析学习，通过算法，如：针对证件结构化数据，抓取证件号、证件内容、审批时间、审批人等特殊信息进行公共信息比对类同项提取算法；针对审批流程中，抓取申请时间、受理编号、受理时间、审查内容等特殊信息进行公共信息比对类同项提取算法，分析出每一项数据的规律，最后归类到统一的文件内容中。还对外产出分析日志和结果收集，最后方便进行模型修改与升级。
所述的模型学习训练层具体包括：
卷积层，用于提取不同的输入特征；
激活层，使用Relu的激活函数，用于；
池化层，用于处理降低冗余信息，提升模型的尺度不变性和旋转不变性，防止过拟合；
全连接层用于将每个节点都与上一层的所有节点相连，用来把前面的提取到的特征进行综合。
还包括监控模块，通过配置alertmanager告警模块的参数，当出现系统性能过低，分析服务器内存不足、GPU异常、CPU不足时，向配置的运维人员接收邮箱、收集进行告警提示。通过使用Prometheus、Grafana、Telegraf来组成平台的监控功能。通过Telegraf来收集各服务器、各服务包的性能参数，传输给Prometheus服务器进行分析，并最终展示到Grafana中。在Prometheus中，通过配置alertmanager告警模块的参数，如出现系统性能过低，分析服务器内存不足、GPU异常、CPU不足时，向配置的运维人员接收邮箱、收集进行告警提示，运维人员通过排查问题原因、增加服务器配置的方式，缓解整个平台的运行压力，恢复系统正常运行。
还包括文件安全管理模块：用于对上传的文件进行加密，保存在相应的存储容器中，防止机密文件遗失被盗取。
还包括密钥管理模块，用于对待保护的数据进行加密，密钥生成，存储和访问都需要严格按照规定加以管理，以避免出现安全漏洞或数据丢失。例如，密钥不能和数据存储到一起；密钥需要定期进行更换等。
本发明对适航审定的历史数据的结构化和非结构化等海量数据，所进行的采集、分析技术，使用对应的深度学习神经网络，对杂乱无章的历史数据进行分析、归纳、整理的功能方式。数据治理辅助平台，主要包含文件管理、安全管理、日志管理、平台监控、部署管理、深度学习分析服务。
通过深度学习的卷积层、激活层、池化层的模块，对适航审定的历史数据进行“清洗、填补、平滑、合并、规格化、一致性检验”等操作，提高数据质量，为深度学习模块分析正式数据奠定基础。
本发明对适航审定数据治理辅助分析，可将适航审定流程中的庞大的历史数据进行归类整理，方便用户对历史数据进行归纳、总结。提炼出适航几十年的历史进程中，前人处理适航工作时的宝贵经验。为适航领域工作的开展提供历史数据的指导性建议，有益于后续适航领域相关工作的顺利进行。
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于深度学习的适航数据治理辅助系统，其特征在于，包括
后台功能层，用于将待分析的信息和文件进行收集上传，以便后续的深度学习；
任务计算层，用于对收集到的数据进行分类，分成普通任务、模型任务和定时任务，从而对每一项任务进行排布并最后进行执行调用；根据数据所属类型将所有数据进行分类，然后针对每一类数据，梳理数据的非结构话内容，梳理数据的结构化数据，得到未标注的样本数据集合：
RTC：rt1，rt2，rt3...rtn，
RPC：rp1，rp2，rp3...rpn，
RSTC：rs1，rs2，rs3...rsn；
对收集的样本数据的特征进行标注，通过标注，得到标注的样本数据以及标注的内容集，所述的样本数据为：
R′TC：rt′1，rt′2，rt′3...rt′n，
R′PC：rp′1，rp′2，rp′3....rp′n，
R′STC：rs′1，rs′2，rs′3....rs′n；
所述标注的内容集为：
PTC：pt1，pt2，pt3...ptn，
PPC：pp1，pp2，pp3...ppn，
PSTC：ps1，ps2，ps3...psn；
模型部署层，用于对模型进行部署，通过负载均衡的方式，将任务计算层的任务进行合理分配，最终输出到各模型学习计算服务器中进行处理；将所有标注的样本数据R输入到深度学习模块中，并将所有标注的内容集P也输入到深度学习模块中，通过该深度学习模块，对整个样本数据进行分析；将准备的校正数据rt导入到深度学习的模型中，经过模型计算后，人工判断模型分析结果准确率w，重复数次，将数据带入公式中，直到结果趋紧为1，则认为本次模型数据校正完毕，其中x为当前数据类型的数据复杂率，
Figure FDA0003902367390000021
模型学习训练层，用于对所有待处理的数据进行分析学习，分析出每一项数据的规律，最后归类到统一的文件内容中；
所述的模型学习训练层具体包括：
卷积层，用于提取不同的输入特征；
激活层，使用Relu的激活函数，用于提高引入非线性因素，提高模型的处理精度与准确度；
池化层，用于处理降低冗余信息，提升模型的尺度不变性和旋转不变性，防止过拟合；
全连接层用于将每个节点都与上一层的所有节点相连，用来把前面的提取到的特征进行综合。
2.根据权利要求1所述的一种基于深度学习的适航数据治理辅助系统，其特征在于，还包括监控模块，通过配置alertmanager告警模块的参数，当出现系统性能过低，分析服务器内存不足、GPU异常、CPU不足时，配置的运维人员接收邮箱和收集进行告警提示。
3.根据权利要求2所述的一种基于深度学习的适航数据治理辅助系统，其特征在于，还包括文件安全管理模块：用于对上传的文件进行加密，保存在相应的存储容器中，防止机密文件遗失被盗取。
4.根据权利要求3所述的一种基于深度学习的适航数据治理辅助系统，其特征在于，还包括密钥管理模块，用于对待保护的数据进行加密。
CN202211058656.XA 2022-08-31 2022-08-31 基于深度学习的适航数据治理辅助方法及其系统 Active CN115114495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211058656.XA CN115114495B (zh) 2022-08-31 2022-08-31 基于深度学习的适航数据治理辅助方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211058656.XA CN115114495B (zh) 2022-08-31 2022-08-31 基于深度学习的适航数据治理辅助方法及其系统

Publications (2)

Publication Number Publication Date
CN115114495A CN115114495A (zh) 2022-09-27
CN115114495B true CN115114495B (zh) 2022-11-22

Family

ID=83335481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211058656.XA Active CN115114495B (zh) 2022-08-31 2022-08-31 基于深度学习的适航数据治理辅助方法及其系统

Country Status (1)

Country Link
CN (1) CN115114495B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642569A (zh) * 2021-05-31 2021-11-12 国网宁夏电力有限公司 非结构化数据文档处理方法及相关设备
CN113988812A (zh) * 2021-11-02 2022-01-28 中国民用航空局信息中心 一种用于适航审定的动态工作流实现系统及方法
CN113987164A (zh) * 2021-10-09 2022-01-28 国网江苏省电力有限公司电力科学研究院 一种基于领域事件知识图谱的项目研判方法及装置
CN114064915A (zh) * 2021-10-22 2022-02-18 北京仿真中心 一种基于规则与深度学习的领域知识图谱构建方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674295A (zh) * 2019-09-11 2020-01-10 成都数之联科技有限公司 一种基于深度学习的数据标注系统
US11663523B2 (en) * 2019-09-14 2023-05-30 Oracle International Corporation Machine learning (ML) infrastructure techniques

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642569A (zh) * 2021-05-31 2021-11-12 国网宁夏电力有限公司 非结构化数据文档处理方法及相关设备
CN113987164A (zh) * 2021-10-09 2022-01-28 国网江苏省电力有限公司电力科学研究院 一种基于领域事件知识图谱的项目研判方法及装置
CN114064915A (zh) * 2021-10-22 2022-02-18 北京仿真中心 一种基于规则与深度学习的领域知识图谱构建方法及系统
CN113988812A (zh) * 2021-11-02 2022-01-28 中国民用航空局信息中心 一种用于适航审定的动态工作流实现系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Improving the risk assessments of critical operations to better reflect uncertainties and the unforeseen;Henning Veland等;《Safety Science》;20151231;全文 *
面向持续适航的航空器运行风险研究;倪晓梅;《中国优秀硕士学位论文全文数据库（电子期刊）》;20190215;全文 *

Also Published As

Publication number Publication date
CN115114495A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN111708773B (zh) 一种多源科创资源数据融合方法
CN110263009A (zh) 日志分类规则的生成方法、装置、设备及可读存储介质
CN107368521B (zh) 一种基于大数据和深度学习的知识推介方法及系统
CN106228340A (zh) 施工图数字化审查系统
CN110968571A (zh) 面向金融信息服务的大数据分析与处理平台
CN117290508A (zh) 一种基于自然语言处理的贷后文本数据处理方法和系统
CN106355489A (zh) 一种面向管理的数据中心系统及数据处理方法
CN106685707A (zh) 一种分布式基础设施系统中的资产信息控制方法
CN114003600A (zh) 数据处理方法、系统、电子设备和存储介质
CN115114495B (zh) 基于深度学习的适航数据治理辅助方法及其系统
CN117131106A (zh) 一种科技数据挖掘与决策辅助系统
CN109710730B (zh) 一种基于自然语言分析处理的巡视信息系统及分析方法
CN115827885A (zh) 一种运维知识图谱的构建方法、装置及电子设备
LU504881B1 (en) Intelligent collection method and system for engineering archives based on enabling thinking
CN116489047B (zh) 一种基于边缘计算的智能通讯管理系统及方法
Hao et al. Power Data Traceability Mechanism Based on Data Processing Unit
Zhang Construction of Business Continuity Management Audit Information Model based on Big Data Technology
CN116796310B (zh) 应用于智慧云的数据攻击处理方法及系统
Wu [Retracted] Design of Question Answering Interactive Open Platform for Power Grid Business Acceptance Robot
Thakore et al. Combining learning and model-based reasoning to reduce uncertainties in cloud security and compliance auditing
CN116910264A (zh) 基于非结构化数据的cnas体系程序文件智慧管理系统
Shao et al. Research on decision tree in component retrieval
CN116645153A (zh) 基于多架构nlp预训练模型和区块链的营商环境评价系统
Coskun et al. Email Clustering & Generating Email Templates Based on Their Topics
Wei Design and Implementation of Preprocessing Scheme for Massive SQL Interactive Instructions in Power Business

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