CN115910240B - 聚酯增塑剂的性能测试数据处理方法及系统 - Google Patents
聚酯增塑剂的性能测试数据处理方法及系统 Download PDFInfo
- Publication number
- CN115910240B CN115910240B CN202211369489.0A CN202211369489A CN115910240B CN 115910240 B CN115910240 B CN 115910240B CN 202211369489 A CN202211369489 A CN 202211369489A CN 115910240 B CN115910240 B CN 115910240B
- Authority
- CN
- China
- Prior art keywords
- network
- node
- local
- relation
- target
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的聚酯增塑剂的性能测试数据处理方法及系统,涉及技术领域。在本发明中,对于同一批次生产的多个聚酯增塑剂进行节点式关系网的构建处理,以构建出目标节点式关系网,每一个关系节点的节点属性数据基于对应的聚酯增塑剂的性能测试数据确定;通过目标关系网分析网络模型,对目标节点式关系网进行数据分析处理,以从目标节点式关系网中,提取出至少一个目标局部节点式关系网,每一个目标局部节点式关系网包括至少一个关系节点;将每一个目标局部节点式关系网包括的每一个关系节点的节点属性数据进行融合,以输出多个聚酯增塑剂的代表性能测试数据。基于上述内容,可以在一定程度上提高代表性能确定的可靠度。
Description
技术领域
本发明涉及技术领域,具体而言,涉及一种聚酯增塑剂的性能测试数据处理方法及系统。
背景技术
聚酯增塑剂具有分子量大、挥发性低、迁移性小、耐油等特点,是性能较佳的一种耐热和耐久增塑剂。其中,聚酯增塑剂广泛应用于耐油、耐高温特殊制品,例如,包括但不限于耐油胶管、耐高温、高湿非迁移电缆料,耐高温线材的包复层、绝缘料等,也可以用于接触涂料层、橡胶、聚苯乙烯、ABS和有机溶剂紧密的制品,例如,包括但不限于电器电线、冰箱密封条、管、器材等。并且,在抗污染制品方面,可以应用于地板材料、耐油手套和胶靴。另外,在接触食品方面,可以应用于包装薄膜、饮料软管和瓶盖垫片等。其中,在聚酯增塑剂的生产过程中,对应的缩聚反应的生产温度,直接关系着聚酯增塑剂的性能,因此,而温度的控制一般很难实现有效的控制,因而,需要对生产出的聚酯增塑剂的性能进行测试,但是,在现有技术中,一般是直接对一批的聚酯增塑剂的性能参数进行均值计算,以得到代表性能参数,如此,使得存在着测试的可靠度不佳的问题。
发明内容
有鉴于此,本发明的目的在于提供一种聚酯增塑剂的性能测试数据处理方法及系统,以在一定程度上提高代表性能确定的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种聚酯增塑剂的性能测试数据处理方法,包括:
对于同一批次生产的多个聚酯增塑剂进行节点式关系网的构建处理,以构建出对应的目标节点式关系网,在所述目标节点式关系网中,包括的一个关系节点与一个所述聚酯增塑剂对应,且每一个所述关系节点在所述目标节点式关系网中的关系网分布坐标基于对应的所述聚酯增塑剂的轮廓确定,以及每一个所述关系节点的节点属性数据基于对应的所述聚酯增塑剂的性能测试数据确定,所述性能测试数据至少包括耐热测试形变数据;
通过目标关系网分析网络模型,对所述目标节点式关系网进行数据分析处理,以从所述目标节点式关系网中,提取出至少一个目标局部节点式关系网,每一个所述目标局部节点式关系网包括至少一个所述关系节点;
将每一个所述目标局部节点式关系网包括的每一个所述关系节点的节点属性数据进行融合,以输出所述多个聚酯增塑剂的代表性能测试数据。
在一些优选的实施例中,在上述聚酯增塑剂的性能测试数据处理方法中,所述对于同一批次生产的多个聚酯增塑剂进行节点式关系网的构建处理,以构建出对应的目标节点式关系网的步骤,包括:
对于同一批次生产的多个聚酯增塑剂分别进行性能测试处理,以得到每一个所述聚酯增塑剂对应的性能测试数据,并分别对每一个所述聚酯增塑剂的轮廓进行提取处理,以得到每一个所述聚酯增塑剂对应的轮廓信息;
对每两个所述聚酯增塑剂对应的轮廓信息进行轮廓相似度的计算处理,以得到每两个所述聚酯增塑剂之间的轮廓相似度,再依据每两个所述聚酯增塑剂之间的轮廓相似度,确定出每一个所述聚酯增塑剂对应的关系节点的关系网分布坐标,以及,将每一个所述聚酯增塑剂对应的性能测试数据确定为对应的所述关系节点的节点属性数据;
依据每一个所述关系节点的关系网分布坐标和节点属性数据,构建形成对应的目标节点式关系网,在所述目标节点式关系网中,每一个关系节点对应的聚酯增塑剂和相邻的关系节点对应的聚酯增塑剂之间的轮廓相似度的平均值满足预先配置的轮廓参考条件。
在一些优选的实施例中,在上述聚酯增塑剂的性能测试数据处理方法中,所述通过目标关系网分析网络模型,对所述目标节点式关系网进行数据分析处理,以从所述目标节点式关系网中,提取出至少一个目标局部节点式关系网的步骤,包括:
通过目标关系网分析网络模型包括的前端关系网分析子模型,对所述目标节点式关系网进行数据分析处理,以从所述目标节点式关系网中,提取出至少一个待处理局部节点式关系网,并分析输出所述至少一个待处理局部节点式关系网分别具有的局部关系网可视化信息;
通过所述目标关系网分析网络模型包括的节点属性关键信息挖掘子模型,挖掘出所述至少一个待处理局部节点式关系网中的每一个待处理局部节点式关系网对应的局部关系网节点属性关键信息;
对于每一个所述待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该待处理局部节点式关系网对应的局部关系网节点属性关键信息和对应的局部关系网可视化信息进行节点属性关键信息整合操作,形成该待处理局部节点式关系网对应的局部关系网节点属性整合信息;
通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个待处理局部节点式关系网分别对应的局部关系网节点属性整合信息进行数据分析处理,筛选出对应的至少一个目标局部节点式关系网。
在一些优选的实施例中,在上述聚酯增塑剂的性能测试数据处理方法中,所述通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个待处理局部节点式关系网分别对应的局部关系网节点属性整合信息进行数据分析处理,筛选出对应的至少一个目标局部节点式关系网的步骤,包括:
对于所述至少一个待处理局部节点式关系网中的每一个待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的后端关系网分析子模型包括的信息增强网络层,依据所述至少一个待处理局部节点式关系网对应的至少一个局部关系网节点属性整合信息,对该待处理局部节点式关系网对应的局部关系网节点属性整合信息进行信息增强操作,形成该待处理局部节点式关系网对应的增强局部关系网节点属性整合信息;
通过所述后端关系网分析子模型包括的关系网重建网络层,对所述至少一个待处理局部节点式关系网中的每一个待处理局部节点式关系网对应的增强局部关系网节点属性整合信息进行关系网重建操作,形成该待处理局部节点式关系网的目标局部节点式关系网。
在一些优选的实施例中,在上述聚酯增塑剂的性能测试数据处理方法中,所述对于每一个所述待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该待处理局部节点式关系网对应的局部关系网节点属性关键信息和对应的局部关系网可视化信息进行节点属性关键信息整合操作,形成该待处理局部节点式关系网对应的局部关系网节点属性整合信息的步骤,包括:
对于每一个所述待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该待处理局部节点式关系网对应的局部关系网节点属性关键信息和对应的局部关系网可视化信息进行级联整合处理,形成该待处理局部节点式关系网对应的局部关系网节点属性整合信息。
在一些优选的实施例中,在上述聚酯增塑剂的性能测试数据处理方法中,所述目标关系网分析网络模型的优化过程包括:
提取到用于进行模型优化的示例性节点式关系网和所述示例性节点式关系网对应的至少一个示例性目标局部节点式关系网;
通过目标关系网分析网络模型包括的前端关系网分析子模型,对所述示例性节点式关系网进行数据分析处理,以从所述示例性节点式关系网中,提取出至少一个示例性待处理局部节点式关系网,并分析输出所述至少一个示例性待处理局部节点式关系网具有的示例性局部关系网可视化信息;
通过所述目标关系网分析网络模型包括的节点属性关键信息挖掘子模型,挖掘出所述至少一个示例性待处理局部节点式关系网中的每一个示例性待处理局部节点式关系网对应的示例性局部关系网节点属性关键信息;
对于每一个所述示例性待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该示例性待处理局部节点式关系网对应的示例性局部关系网节点属性关键信息和对应的示例性局部关系网可视化信息进行节点属性关键信息整合操作,形成该示例性待处理局部节点式关系网的示例性局部关系网节点属性整合信息;
通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个示例性待处理局部节点式关系网分别对应的示例性局部关系网节点属性整合信息进行数据分析处理,形成所述示例性节点式关系网对应的估计目标局部节点式关系网;
依据所述估计目标局部节点式关系网和所述示例性目标局部节点式关系网,对所述目标关系网分析网络模型进行模型优化操作。
在一些优选的实施例中,在上述聚酯增塑剂的性能测试数据处理方法中,所述通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个示例性待处理局部节点式关系网分别对应的示例性局部关系网节点属性整合信息进行数据分析处理,形成所述示例性节点式关系网对应的估计目标局部节点式关系网的步骤,包括:
对于所述至少一个示例性待处理局部节点式关系网中的每一个示例性待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的后端关系网分析子模型包括的信息增强网络层,依据所述至少一个示例性待处理局部节点式关系网对应的至少一个示例性局部关系网节点属性整合信息,对该示例性待处理局部节点式关系网对应的局部关系网节点属性整合信息进行信息增强操作,形成该示例性待处理局部节点式关系网对应的示例性增强局部关系网节点属性整合信息;
通过所述后端关系网分析子模型包括的关系网重建网络层,对所述至少一个示例性待处理局部节点式关系网中的每一个示例性待处理局部节点式关系网对应的示例性增强局部关系网节点属性整合信息进行关系网重建操作,形成该示例性待处理局部节点式关系网对应的估计目标局部节点式关系网,作为所述示例性节点式关系网对应的估计目标局部节点式关系网。
在一些优选的实施例中,在上述聚酯增塑剂的性能测试数据处理方法中,所述对于每一个所述示例性待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该示例性待处理局部节点式关系网对应的示例性局部关系网节点属性关键信息和对应的示例性局部关系网可视化信息进行节点属性关键信息整合操作,形成该示例性待处理局部节点式关系网的示例性局部关系网节点属性整合信息的步骤,包括:
对于每一个所述示例性待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该示例性待处理局部节点式关系网对应的示例性局部关系网节点属性关键信息和对应的示例性局部关系网可视化信息进行级联整合处理,形成该示例性待处理局部节点式关系网对应的示例性局部关系网节点属性整合信息。
在一些优选的实施例中,在上述聚酯增塑剂的性能测试数据处理方法中,所述将每一个所述目标局部节点式关系网包括的每一个所述关系节点的节点属性数据进行融合,以输出所述多个聚酯增塑剂的代表性能测试数据的步骤,包括:
对于每一个所述目标局部节点式关系网,依据该目标局部节点式关系网包括的所述关系节点的节点分布集中度和包括的所述关系节点的数量,确定出该目标局部节点式关系网包括的每一个所述关系节点的融合系数;
依据每一个所述关系节点的融合系数,对每一个所述目标局部节点式关系网包括的每一个所述关系节点的节点属性数据进行融合,得到对应的融合节点属性数据,以作为所述多个聚酯增塑剂的代表性能测试数据。
本发明实施例还提供一种聚酯增塑剂的性能测试数据处理系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的聚酯增塑剂的性能测试数据处理方法。
本发明实施例提供的一种聚酯增塑剂的性能测试数据处理方法及系统,对于同一批次生产的多个聚酯增塑剂进行节点式关系网的构建处理,以构建出目标节点式关系网,每一个关系节点的节点属性数据基于对应的聚酯增塑剂的性能测试数据确定;通过目标关系网分析网络模型,对目标节点式关系网进行数据分析处理,以从目标节点式关系网中,提取出至少一个目标局部节点式关系网,每一个目标局部节点式关系网包括至少一个关系节点;将每一个目标局部节点式关系网包括的每一个关系节点的节点属性数据进行融合,以输出多个聚酯增塑剂的代表性能测试数据。基于上述处理过程,相较于将各聚酯增塑剂对应的性能测试数据进行简单的均值计算的常规技术方案,可以在一定程度上提高代表性能确定的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的聚酯增塑剂的性能测试数据处理系统的结构框图。
图2为本发明实施例提供的聚酯增塑剂的性能测试数据处理方法包括的各步骤的流程示意图。
图3为本发明实施例提供的聚酯增塑剂的性能测试数据处理装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
如图1所示,本发明实施例提供了一种聚酯增塑剂的性能测试数据处理系统。其中,所述性能测试数据处理系统可以包括存储器和处理器。
可以理解的是,在一些实施方式中,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的聚酯增塑剂的性能测试数据处理方法。
可以理解的是,在一些实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解的是,在一些实施方式中,所述聚酯增塑剂的性能测试数据处理系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种聚酯增塑剂的性能测试数据处理方法,可应用于上述聚酯增塑剂的性能测试数据处理系统。其中,所述聚酯增塑剂的性能测试数据处理方法有关的流程所定义的方法步骤,可以由所述聚酯增塑剂的性能测试数据处理系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,对于同一批次生产的多个聚酯增塑剂进行节点式关系网的构建处理,以构建出对应的目标节点式关系网。
在本发明实施例中,所述聚酯增塑剂的性能测试数据处理系统可以对于同一批次生产的多个聚酯增塑剂进行节点式关系网的构建处理,以构建出对应的目标节点式关系网。在所述目标节点式关系网中,包括的一个关系节点与一个所述聚酯增塑剂对应,且每一个所述关系节点在所述目标节点式关系网中的关系网分布坐标基于对应的所述聚酯增塑剂的轮廓确定,以及每一个所述关系节点的节点属性数据基于对应的所述聚酯增塑剂的性能测试数据确定,所述性能测试数据至少包括耐热测试形变数据(所述耐热测试形变数据可以是指所述聚酯增塑剂在高温环境中的形变程度)。
步骤S120,通过目标关系网分析网络模型,对所述目标节点式关系网进行数据分析处理,以从所述目标节点式关系网中,提取出至少一个目标局部节点式关系网。
在本发明实施例中,所述聚酯增塑剂的性能测试数据处理系统可以通过目标关系网分析网络模型,对所述目标节点式关系网进行数据分析处理,以从所述目标节点式关系网中,提取出至少一个目标局部节点式关系网。每一个所述目标局部节点式关系网包括至少一个所述关系节点。
步骤S130,将每一个所述目标局部节点式关系网包括的每一个所述关系节点的节点属性数据进行融合,以输出所述多个聚酯增塑剂的代表性能测试数据。
在本发明实施例中,所述聚酯增塑剂的性能测试数据处理系统可以将每一个所述目标局部节点式关系网包括的每一个所述关系节点的节点属性数据进行融合,以输出所述多个聚酯增塑剂的代表性能测试数据。
基于上述处理过程,相较于将各聚酯增塑剂对应的性能测试数据进行简单的均值计算的常规技术方案,可以在一定程度上提高代表性能确定的可靠度(即需要挖掘出目标局部节点式关系网,再将包括的每一个关系节点的节点属性数据进行融合,得到多个聚酯增塑剂的代表性能测试数据)。
可以理解的是,在步骤S110的实现过程中,在一些具体的实施方式中,其具体可以包括以下内容:
对于同一批次生产的多个聚酯增塑剂分别进行性能测试处理,以得到每一个所述聚酯增塑剂对应的性能测试数据,并分别对每一个所述聚酯增塑剂的轮廓进行提取处理,以得到每一个所述聚酯增塑剂对应的轮廓信息(该轮廓信息可以是三维轮廓,也可以是二维轮廓);
对每两个所述聚酯增塑剂对应的轮廓信息进行轮廓相似度的计算处理,以得到每两个所述聚酯增塑剂之间的轮廓相似度,再依据每两个所述聚酯增塑剂之间的轮廓相似度,确定出每一个所述聚酯增塑剂对应的关系节点的关系网分布坐标,以及,将每一个所述聚酯增塑剂对应的性能测试数据确定为对应的所述关系节点的节点属性数据;
依据每一个所述关系节点的关系网分布坐标和节点属性数据,构建形成对应的目标节点式关系网,在所述目标节点式关系网中,每一个关系节点对应的聚酯增塑剂和相邻的关系节点对应的聚酯增塑剂之间的轮廓相似度的平均值满足预先配置的轮廓参考条件(如在各种分布关系网中,所述目标节点式关系网对应的平均值可以具有最大值)。
可以理解的是,在所述对每两个所述聚酯增塑剂对应的轮廓信息进行轮廓相似度的计算处理,以得到每两个所述聚酯增塑剂之间的轮廓相似度的步骤的实现过程中,在一些具体的实施方式中,其可以包括以下内容:
提取出第一个聚酯增塑剂对应的第一二维轮廓信息,并提取出第二个聚酯增塑剂对应的第二二维轮廓信息;以及,从所述第一二维轮廓信息中,提取出每一个第一二维轮廓特征点(如轮廓线上的拐点),并从所述第二二维轮廓信息中,提取出每一个第二二维轮廓特征点;
依据预先进行网络优化形成的三维轮廓重建神经网络模型(如通过二维轮廓特征点和对应的真实三维轮廓信息进行网络优化形成),对每一个所述第一二维轮廓特征点进行三维轮廓重建处理,以形成所述第一个聚酯增塑剂对应的重建第一三维轮廓信息;以及,依据所述三维轮廓重建神经网络模型,对每一个所述第二二维轮廓特征点进行三维轮廓重建处理,以形成所述第二个聚酯增塑剂对应的重建第二三维轮廓信息;
从所述重建第一三维轮廓信息中,提取出每一个重建第一三维轮廓特征点(如轮廓线上的拐点),以形成对应的第一重建特征点集合,并从所述重建第二三维轮廓信息中,提取出每一个重建第二三维轮廓特征点,以形成对应的第二重建特征点集合;
提取出所述第一个聚酯增塑剂对应的第一三维轮廓信息,并提取出所述第二个聚酯增塑剂对应的第二三维轮廓信息;以及,从所述第一三维轮廓信息中,提取出每一个第一三维轮廓特征点(如轮廓线上的拐点),以形成对应的第一特征点集合,并从所述第二三维轮廓信息中,提取出每一个第二三维轮廓特征点,以形成对应的第二特征点集合;
计算输出所述第一重建特征点集合和所述第一特征点集合之间的集合差异度,得到第一集合差异度,再计算输出所述第二重建特征点集合和所述第二特征点集合之间的集合差异度,得到第二集合差异度;
计算输出所述第一重建特征点集合和所述第二重建特征点集合之间案的集合相关度,得到第一集合相关度,并计算输出所述第一特征点集合和所述第二特征点集合之间的集合相关度,得到第二集合相关度;
依据所述第一集合差异度、所述第二集合差异度、所述第一集合相关度和所述第二集合相关度,计算得到所述第一个聚酯增塑剂和所述第二个聚酯增塑剂之间的轮廓相似度(例如,可以计算所述第一集合差异度和所述第二集合差异度之间的差值,并对所述第一集合相关度和所述第二集合相关度进行加权求和,然后,基于该差值对该加权求和的结果进行更新,以得到所述轮廓相似度,在该加权求和的结果保持不变的情况下,该差值越小,对应的轮廓相似度越大,反之,该差值越大,对应的轮廓相似度越小,需要说明的是,由于是通过同一个三维轮廓重建神经网络模型进行的三维轮廓重建处理,使得得到的第一集合差异度和第二集合差异度可以分别表示出对应的轮廓规整程度,即形状越不规整,重建的精度就越低,对应的集合差异度就越大,因而,所述第一集合差异度和所述第二集合差异度之间的差值,可以反映出所述第一个聚酯增塑剂和所述第二个聚酯增塑剂在轮廓规整程度上的差异性,因此,可以基于所述第一集合差异度和所述第二集合差异度之间的差值进行更新)。
可以理解的是,在步骤S120的实现过程中,在一些具体的实施方式中,其具体可以包括以下内容:
通过目标关系网分析网络模型包括的前端关系网分析子模型,对所述目标节点式关系网进行数据分析处理,以从所述目标节点式关系网中,提取出至少一个待处理局部节点式关系网,并分析输出所述至少一个待处理局部节点式关系网分别具有的局部关系网可视化信息(示例性地,可以基于包括的关系节点对应的聚酯增塑剂的轮廓信息之间的相似度进行关系网的分割,以形成多个初始待处理局部节点式关系网,然后,基于所述初始待处理局部节点式关系网包括的关系节点的数量进行筛选,以将数量较少的初始待处理局部节点式关系网筛除,其中,未被筛除的初始待处理局部节点式关系网可以作为提取出的待处理局部节点式关系网;另外,在其它示例中,也可以结合包括的关系节点对应的聚酯增塑剂的轮廓信息的规整度进行筛选,以筛除轮廓信息不规整的关系节点;其中,所述规整度可以是指,该轮廓信息与配置的标准轮廓信息之间的相似程度;另外,所述局部关系网可视化信息可以是指,对所述待处理局部节点式关系网包括的关系节点的轮廓信息进行关键信息挖掘处理的结果);
通过所述目标关系网分析网络模型包括的节点属性关键信息挖掘子模型,挖掘出所述至少一个待处理局部节点式关系网中的每一个待处理局部节点式关系网对应的局部关系网节点属性关键信息(示例性地,在本申请中,进行关键信息挖掘可以通过编码网络实现,所述编码网络路包括多个编码器,该编码器可以为Transformer网络结构中的编码器块);
对于每一个所述待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该待处理局部节点式关系网对应的局部关系网节点属性关键信息和对应的局部关系网可视化信息进行节点属性关键信息整合操作,形成该待处理局部节点式关系网对应的局部关系网节点属性整合信息;
通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个待处理局部节点式关系网分别对应的局部关系网节点属性整合信息进行数据分析处理,筛选出对应的至少一个目标局部节点式关系网。
可以理解的是,在所述对于每一个所述待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该待处理局部节点式关系网对应的局部关系网节点属性关键信息和对应的局部关系网可视化信息进行节点属性关键信息整合操作,形成该待处理局部节点式关系网对应的局部关系网节点属性整合信息的步骤的实现过程中,在一些具体的实施方式中,其具体可以包括以下内容:
对于每一个所述待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该待处理局部节点式关系网对应的局部关系网节点属性关键信息和对应的局部关系网可视化信息进行级联整合处理(即先后连接在一起;在其它示例中,倘若所述局部关系网节点属性关键信息和所述局部关系网可视化信息的寸尺一致,可以叠加所述局部关系网节点属性关键信息和所述局部关系网可视化信息),形成该待处理局部节点式关系网对应的局部关系网节点属性整合信息。
可以理解的是,在所述通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个待处理局部节点式关系网分别对应的局部关系网节点属性整合信息进行数据分析处理,筛选出对应的至少一个目标局部节点式关系网的步骤的实现过程中,在一些具体的实施方式中,其具体可以包括以下内容:
对于所述至少一个待处理局部节点式关系网中的每一个待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的后端关系网分析子模型包括的信息增强网络层,依据所述至少一个待处理局部节点式关系网对应的至少一个局部关系网节点属性整合信息,对该待处理局部节点式关系网对应的局部关系网节点属性整合信息进行信息增强操作(示例性地,可以从所述至少一个待处理局部节点式关系网中,筛选出与该待处理局部节点式关系网相关的待处理局部节点式关系网,再将该相关的待处理局部节点式关系网对应的局部关系网节点属性整合信息和该待处理局部节点式关系网对应的局部关系网节点属性整合信息进行加权叠加即可;其中,该相关的待处理局部节点式关系网的确定方式,可以依据对应的轮廓信息、分布坐标和/或对应的局部关系网节点属性整合信息进行相关性确定),形成该待处理局部节点式关系网对应的增强局部关系网节点属性整合信息;
通过所述后端关系网分析子模型包括的关系网重建网络层,对所述至少一个待处理局部节点式关系网中的每一个待处理局部节点式关系网对应的增强局部关系网节点属性整合信息进行关系网重建操作(示例性地,所述后端关系网分析子模型进行关系网重建操作,可以是与所述节点属性关键信息挖掘子模型的处理过程相反,以得到对应的重建局部节点式关系网,然后,可以从所述待处理局部节点式关系网中,提取出与该重建局部节点式关系网之间相似度最大的一个局部节点式关系网,作为目标局部节点式关系网),形成该待处理局部节点式关系网的目标局部节点式关系网。
可以理解的是,在所述通过目标关系网分析网络模型,对所述目标节点式关系网进行数据分析处理,以从所述目标节点式关系网中,提取出至少一个目标局部节点式关系网的步骤的实现过程中,在一些具体的实施方式中,其具体还可以包括以下内容:
通过所述目标关系网分析网络模型包括的中间关系网分析子模型,对所述目标节点式关系网进行数据分析处理,以从所述目标节点式关系网中,提取出至少一个待确认局部节点式关系网,并分析输出所述至少一个待确认局部节点式关系网分别具有的待确认局部关系网可视化信息;
通过所述目标关系网分析网络模型包括的中间节点属性关键信息挖掘子模型,挖掘出所述至少一个待确认局部节点式关系网中的每一个待确认局部节点式关系网对应的待确认局部关系网节点属性关键信息;
对于每一个所述待确认局部节点式关系网,通过所述目标关系网分析网络模型包括的中间节点属性关键信息整合子模型,至少对该待确认局部节点式关系网对应的待确认局部关系网节点属性关键信息和对应的待确认局部关系网可视化信息进行节点属性关键信息整合操作,形成该待确认局部节点式关系网对应的待确认局部关系网节点属性整合信息;
通过所述目标关系网分析网络模型包括的相关局部关系网组合子模型,对所述至少一个待处理局部节点式关系网和所述至少一个待确认局部节点式关系网进行相关组合操作,形成至少一个相关局部关系网组合,所述相关局部关系网组合包括所述至少一个待处理局部节点式关系网中的一个待处理局部节点式关系网和所述至少一个待确认局部节点式关系网中的一个待确认局部节点式关系网;
对于每一个所述相关局部关系网组合,通过所述目标关系网分析网络模型包括的附加节点属性关键信息整合子模型,对该相关局部关系网组合包括的待处理局部节点式关系网对应的局部关系网节点属性整合信息和该相关局部关系网组合包括的待确认局部节点式关系网对应的待确认局部关系网节点属性整合信息进行节点属性关键信息整合操作,形成该相关局部关系网组合对应的目标局部关系网节点属性整合信息(示例性地,所述目标局部关系网节点属性整合信息用于:在执行所述通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个待处理局部节点式关系网分别对应的局部关系网节点属性整合信息进行数据分析处理,筛选输出对应的至少一个目标局部节点式关系网的步骤的过程中,替代所述局部关系网节点属性整合信息作为进行数据分析处理的依据)。
可以理解的是,在所述通过所述目标关系网分析网络模型包括的相关局部关系网组合子模型,对所述至少一个待处理局部节点式关系网和所述至少一个待确认局部节点式关系网进行相关组合操作,形成至少一个相关局部关系网组合的步骤的实现过程中,在一些具体的实施方式中,其具体可以包括以下内容:
通过所述目标关系网分析网络模型包括的相关局部关系网组合子模型,依据所述至少一个待处理局部节点式关系网对应的局部关系网可视化信息和所述至少一个待确认局部节点式关系网对应的待确认局部关系网可视化信息,对所述至少一个待处理局部节点式关系网和所述至少一个待确认局部节点式关系网进行相关组合操作,形成至少一个相关局部关系网组合,每一个相关局部关系网组合包括的待处理局部节点式关系网对应的局部关系网可视化信息和待确认局部节点式关系网对应的待确认局部关系网可视化信息之间具有相关关系(该相关关系可以是指,对应的待确认局部关系网可视化信息之间的相似度大于设定阈值等)。
可以理解的是,所述目标关系网分析网络模型的优化过程,在一些具体的实施方式中,其具体可以包括以下内容:
提取到用于进行模型优化的示例性节点式关系网和所述示例性节点式关系网对应的至少一个示例性目标局部节点式关系网;
通过目标关系网分析网络模型包括的前端关系网分析子模型,对所述示例性节点式关系网进行数据分析处理,以从所述示例性节点式关系网中,提取出至少一个示例性待处理局部节点式关系网,并分析输出所述至少一个示例性待处理局部节点式关系网具有的示例性局部关系网可视化信息;
通过所述目标关系网分析网络模型包括的节点属性关键信息挖掘子模型,挖掘出所述至少一个示例性待处理局部节点式关系网中的每一个示例性待处理局部节点式关系网对应的示例性局部关系网节点属性关键信息;
对于每一个所述示例性待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该示例性待处理局部节点式关系网对应的示例性局部关系网节点属性关键信息和对应的示例性局部关系网可视化信息进行节点属性关键信息整合操作,形成该示例性待处理局部节点式关系网的示例性局部关系网节点属性整合信息;
通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个示例性待处理局部节点式关系网分别对应的示例性局部关系网节点属性整合信息进行数据分析处理,形成所述示例性节点式关系网对应的估计目标局部节点式关系网;
依据所述估计目标局部节点式关系网和所述示例性目标局部节点式关系网(之间的差异),对所述目标关系网分析网络模型进行模型优化操作。
可以理解的是,在所述对于每一个所述示例性待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该示例性待处理局部节点式关系网对应的示例性局部关系网节点属性关键信息和对应的示例性局部关系网可视化信息进行节点属性关键信息整合操作,形成该示例性待处理局部节点式关系网的示例性局部关系网节点属性整合信息的步骤的实现过程中,在一些具体的实施方式中,其具体可以包括以下内容:
对于每一个所述示例性待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该示例性待处理局部节点式关系网对应的示例性局部关系网节点属性关键信息和对应的示例性局部关系网可视化信息进行级联整合处理,形成该示例性待处理局部节点式关系网对应的示例性局部关系网节点属性整合信息(该级联整合处理可以参照前文的相关描述,或者,也可以进行叠加等处理)。
可以理解的是,在所述通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个示例性待处理局部节点式关系网分别对应的示例性局部关系网节点属性整合信息进行数据分析处理,形成所述示例性节点式关系网对应的估计目标局部节点式关系网的步骤的实现过程中,在一些具体的实施方式中,其具体可以包括以下内容:
对于所述至少一个示例性待处理局部节点式关系网中的每一个示例性待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的后端关系网分析子模型包括的信息增强网络层,依据所述至少一个示例性待处理局部节点式关系网对应的至少一个示例性局部关系网节点属性整合信息,对该示例性待处理局部节点式关系网对应的局部关系网节点属性整合信息进行信息增强操作,形成该示例性待处理局部节点式关系网对应的示例性增强局部关系网节点属性整合信息(参照前文的相关描述);
通过所述后端关系网分析子模型包括的关系网重建网络层,对所述至少一个示例性待处理局部节点式关系网中的每一个示例性待处理局部节点式关系网对应的示例性增强局部关系网节点属性整合信息进行关系网重建操作,形成该示例性待处理局部节点式关系网对应的估计目标局部节点式关系网,作为所述示例性节点式关系网对应的估计目标局部节点式关系网(可以参照前文的相关描述)。
可以理解的是,所述目标关系网分析网络模型的优化过程,在一些具体的实施方式中,其具体还可以包括以下内容:
通过所述目标关系网分析网络模型包括的中间关系网分析子模型,对所述示例性节点式关系网进行数据分析处理,以从所述示例性节点式关系网中,提取出至少一个示例性待确认局部节点式关系网,并分析输出所述至少一个示例性待确认局部节点式关系网分别具有的示例性待确认局部关系网可视化信息;
通过所述目标关系网分析网络模型包括的中间节点属性关键信息挖掘子模型,挖掘出所述至少一个示例性待确认局部节点式关系网中的每一个示例性待确认局部节点式关系网对应的示例性待确认局部关系网节点属性关键信息;
对于每一个所述示例性待确认局部节点式关系网,通过所述目标关系网分析网络模型包括的中间节点属性关键信息整合子模型,至少对该待确认局部节点式关系网对应的示例性待确认局部关系网节点属性关键信息和对应的示例性待确认局部关系网可视化信息进行节点属性关键信息整合操作,形成该示例性待确认局部节点式关系网对应的示例性待确认局部关系网节点属性整合信息;
通过所述目标关系网分析网络模型包括的相关局部关系网组合子模型,对所述至少一个示例性待处理局部节点式关系网和所述至少一个示例性待确认局部节点式关系网进行相关组合操作,形成至少一个示例性相关局部关系网组合,所述示例性相关局部关系网组合包括所述至少一个示例性待处理局部节点式关系网中的一个示例性待处理局部节点式关系网和所述至少一个示例性待确认局部节点式关系网中的一个示例性待确认局部节点式关系网;
对于每一个所述示例性相关局部关系网组合,通过所述目标关系网分析网络模型包括的附加节点属性关键信息整合子模型,对该示例性相关局部关系网组合包括的示例性待处理局部节点式关系网对应的示例性局部关系网节点属性整合信息和该示例性相关局部关系网组合包括的示例性待确认局部节点式关系网对应的示例性待确认局部关系网节点属性整合信息进行节点属性关键信息整合操作,形成该示例性相关局部关系网组合对应的示例性目标局部关系网节点属性整合信息(示例性地,所述示例性目标局部关系网节点属性整合信息用于:在执行所述通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个示例性待处理局部节点式关系网分别对应的示例性局部关系网节点属性整合信息进行数据分析处理,形成所述示例性节点式关系网对应的估计目标局部节点式关系网的步骤的过程中,替代所述示例性局部关系网节点属性整合信息作为进行数据分析处理的依据)。
可以理解的是,在步骤S130的实现过程中,在一些具体的实施方式中,其具体可以包括以下内容:
对于每一个所述目标局部节点式关系网,依据该目标局部节点式关系网包括的所述关系节点的节点分布集中度(示例性地,所述节点分布集中度可以等于,包括的关系节点的数量和该目标局部节点式关系网的最小外接圆的面积之间的比值)和包括的所述关系节点的数量,确定出该目标局部节点式关系网包括的每一个所述关系节点的融合系数(所述融合系数可以与该节点分布集中度正相关、与该数量正相关);
依据每一个所述关系节点的融合系数,对每一个所述目标局部节点式关系网包括的每一个所述关系节点的节点属性数据进行融合(示例性地,可以将所述融合系数作为权重值,以进行加权求和计算),得到对应的融合节点属性数据,以作为所述多个聚酯增塑剂的代表性能测试数据。
结合图3,本发明实施例还提供一种聚酯增塑剂的性能测试数据处理装置,可应用于上述聚酯增塑剂的性能测试数据处理系统。其中,所述聚酯增塑剂的性能测试数据处理装置可以包括关系网构建模块、数据分析处理模块和节点属性数据融合模块等软件功能模块。
可以理解的是,在一些实施方式中,所述关系网构建模块,用于对于同一批次生产的多个聚酯增塑剂进行节点式关系网的构建处理,以构建出对应的目标节点式关系网,在所述目标节点式关系网中,包括的一个关系节点与一个所述聚酯增塑剂对应,且每一个所述关系节点在所述目标节点式关系网中的关系网分布坐标基于对应的所述聚酯增塑剂的轮廓确定,以及每一个所述关系节点的节点属性数据基于对应的所述聚酯增塑剂的性能测试数据确定,所述性能测试数据至少包括耐热测试形变数据;所述数据分析处理模块,用于通过目标关系网分析网络模型,对所述目标节点式关系网进行数据分析处理,以从所述目标节点式关系网中,提取出至少一个目标局部节点式关系网,每一个所述目标局部节点式关系网包括至少一个所述关系节点;所述节点属性数据融合模块,用于将每一个所述目标局部节点式关系网包括的每一个所述关系节点的节点属性数据进行融合,以输出所述多个聚酯增塑剂的代表性能测试数据。
综上所述,本发明提供的一种聚酯增塑剂的性能测试数据处理方法及系统,对于同一批次生产的多个聚酯增塑剂进行节点式关系网的构建处理,以构建出目标节点式关系网,每一个关系节点的节点属性数据基于对应的聚酯增塑剂的性能测试数据确定;通过目标关系网分析网络模型,对目标节点式关系网进行数据分析处理,以从目标节点式关系网中,提取出至少一个目标局部节点式关系网,每一个目标局部节点式关系网包括至少一个关系节点;将每一个目标局部节点式关系网包括的每一个关系节点的节点属性数据进行融合,以输出多个聚酯增塑剂的代表性能测试数据。基于上述处理过程,相较于将各聚酯增塑剂对应的性能测试数据进行简单的均值计算的常规技术方案,可以在一定程度上提高代表性能确定的可靠度。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种聚酯增塑剂的性能测试数据处理方法,其特征在于,包括:
对于同一批次生产的多个聚酯增塑剂进行节点式关系网的构建处理,以构建出对应的目标节点式关系网,在所述目标节点式关系网中,包括的一个关系节点与一个所述聚酯增塑剂对应,且每一个所述关系节点在所述目标节点式关系网中的关系网分布坐标基于对应的所述聚酯增塑剂的轮廓确定,以及每一个所述关系节点的节点属性数据基于对应的所述聚酯增塑剂的性能测试数据确定,所述性能测试数据至少包括耐热测试形变数据;
通过目标关系网分析网络模型,对所述目标节点式关系网进行数据分析处理,以从所述目标节点式关系网中,提取出至少一个目标局部节点式关系网,每一个所述目标局部节点式关系网包括至少一个所述关系节点;
将每一个所述目标局部节点式关系网包括的每一个所述关系节点的节点属性数据进行融合,以输出所述多个聚酯增塑剂的代表性能测试数据;
其中,所述对于同一批次生产的多个聚酯增塑剂进行节点式关系网的构建处理,以构建出对应的目标节点式关系网的步骤,包括:
对于同一批次生产的多个聚酯增塑剂分别进行性能测试处理,以得到每一个所述聚酯增塑剂对应的性能测试数据,并分别对每一个所述聚酯增塑剂的轮廓进行提取处理,以得到每一个所述聚酯增塑剂对应的轮廓信息;
对每两个所述聚酯增塑剂对应的轮廓信息进行轮廓相似度的计算处理,以得到每两个所述聚酯增塑剂之间的轮廓相似度,再依据每两个所述聚酯增塑剂之间的轮廓相似度,确定出每一个所述聚酯增塑剂对应的关系节点的关系网分布坐标,以及,将每一个所述聚酯增塑剂对应的性能测试数据确定为对应的所述关系节点的节点属性数据;
依据每一个所述关系节点的关系网分布坐标和节点属性数据,构建形成对应的目标节点式关系网,在所述目标节点式关系网中,每一个关系节点对应的聚酯增塑剂和相邻的关系节点对应的聚酯增塑剂之间的轮廓相似度的平均值满足预先配置的轮廓参考条件。
2.如权利要求1所述的聚酯增塑剂的性能测试数据处理方法,其特征在于,所述通过目标关系网分析网络模型,对所述目标节点式关系网进行数据分析处理,以从所述目标节点式关系网中,提取出至少一个目标局部节点式关系网的步骤,包括:
通过目标关系网分析网络模型包括的前端关系网分析子模型,对所述目标节点式关系网进行数据分析处理,以从所述目标节点式关系网中,提取出至少一个待处理局部节点式关系网,并分析输出所述至少一个待处理局部节点式关系网分别具有的局部关系网可视化信息;
通过所述目标关系网分析网络模型包括的节点属性关键信息挖掘子模型,挖掘出所述至少一个待处理局部节点式关系网中的每一个待处理局部节点式关系网对应的局部关系网节点属性关键信息;
对于每一个所述待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该待处理局部节点式关系网对应的局部关系网节点属性关键信息和对应的局部关系网可视化信息进行节点属性关键信息整合操作,形成该待处理局部节点式关系网对应的局部关系网节点属性整合信息;
通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个待处理局部节点式关系网分别对应的局部关系网节点属性整合信息进行数据分析处理,筛选出对应的至少一个目标局部节点式关系网。
3.如权利要求2所述的聚酯增塑剂的性能测试数据处理方法,其特征在于,所述通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个待处理局部节点式关系网分别对应的局部关系网节点属性整合信息进行数据分析处理,筛选出对应的至少一个目标局部节点式关系网的步骤,包括:
对于所述至少一个待处理局部节点式关系网中的每一个待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的后端关系网分析子模型包括的信息增强网络层,依据所述至少一个待处理局部节点式关系网对应的至少一个局部关系网节点属性整合信息,对该待处理局部节点式关系网对应的局部关系网节点属性整合信息进行信息增强操作,形成该待处理局部节点式关系网对应的增强局部关系网节点属性整合信息;
通过所述后端关系网分析子模型包括的关系网重建网络层,对所述至少一个待处理局部节点式关系网中的每一个待处理局部节点式关系网对应的增强局部关系网节点属性整合信息进行关系网重建操作,形成该待处理局部节点式关系网的目标局部节点式关系网。
4.如权利要求2所述的聚酯增塑剂的性能测试数据处理方法,其特征在于,所述对于每一个所述待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该待处理局部节点式关系网对应的局部关系网节点属性关键信息和对应的局部关系网可视化信息进行节点属性关键信息整合操作,形成该待处理局部节点式关系网对应的局部关系网节点属性整合信息的步骤,包括:
对于每一个所述待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该待处理局部节点式关系网对应的局部关系网节点属性关键信息和对应的局部关系网可视化信息进行级联整合处理,形成该待处理局部节点式关系网对应的局部关系网节点属性整合信息。
5.如权利要求2所述的聚酯增塑剂的性能测试数据处理方法,其特征在于,所述目标关系网分析网络模型的优化过程包括:
提取到用于进行模型优化的示例性节点式关系网和所述示例性节点式关系网对应的至少一个示例性目标局部节点式关系网;
通过目标关系网分析网络模型包括的前端关系网分析子模型,对所述示例性节点式关系网进行数据分析处理,以从所述示例性节点式关系网中,提取出至少一个示例性待处理局部节点式关系网,并分析输出所述至少一个示例性待处理局部节点式关系网具有的示例性局部关系网可视化信息;
通过所述目标关系网分析网络模型包括的节点属性关键信息挖掘子模型,挖掘出所述至少一个示例性待处理局部节点式关系网中的每一个示例性待处理局部节点式关系网对应的示例性局部关系网节点属性关键信息;
对于每一个所述示例性待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该示例性待处理局部节点式关系网对应的示例性局部关系网节点属性关键信息和对应的示例性局部关系网可视化信息进行节点属性关键信息整合操作,形成该示例性待处理局部节点式关系网的示例性局部关系网节点属性整合信息;
通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个示例性待处理局部节点式关系网分别对应的示例性局部关系网节点属性整合信息进行数据分析处理,形成所述示例性节点式关系网对应的估计目标局部节点式关系网;
依据所述估计目标局部节点式关系网和所述示例性目标局部节点式关系网,对所述目标关系网分析网络模型进行模型优化操作。
6.如权利要求5所述的聚酯增塑剂的性能测试数据处理方法,其特征在于,所述通过所述目标关系网分析网络模型包括的后端关系网分析子模型,对所述至少一个示例性待处理局部节点式关系网分别对应的示例性局部关系网节点属性整合信息进行数据分析处理,形成所述示例性节点式关系网对应的估计目标局部节点式关系网的步骤,包括:
对于所述至少一个示例性待处理局部节点式关系网中的每一个示例性待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的后端关系网分析子模型包括的信息增强网络层,依据所述至少一个示例性待处理局部节点式关系网对应的至少一个示例性局部关系网节点属性整合信息,对该示例性待处理局部节点式关系网对应的局部关系网节点属性整合信息进行信息增强操作,形成该示例性待处理局部节点式关系网对应的示例性增强局部关系网节点属性整合信息;
通过所述后端关系网分析子模型包括的关系网重建网络层,对所述至少一个示例性待处理局部节点式关系网中的每一个示例性待处理局部节点式关系网对应的示例性增强局部关系网节点属性整合信息进行关系网重建操作,形成该示例性待处理局部节点式关系网对应的估计目标局部节点式关系网,作为所述示例性节点式关系网对应的估计目标局部节点式关系网。
7.如权利要求5所述的聚酯增塑剂的性能测试数据处理方法,其特征在于,所述对于每一个所述示例性待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该示例性待处理局部节点式关系网对应的示例性局部关系网节点属性关键信息和对应的示例性局部关系网可视化信息进行节点属性关键信息整合操作,形成该示例性待处理局部节点式关系网的示例性局部关系网节点属性整合信息的步骤,包括:
对于每一个所述示例性待处理局部节点式关系网,通过所述目标关系网分析网络模型包括的节点属性关键信息整合子模型,至少对该示例性待处理局部节点式关系网对应的示例性局部关系网节点属性关键信息和对应的示例性局部关系网可视化信息进行级联整合处理,形成该示例性待处理局部节点式关系网对应的示例性局部关系网节点属性整合信息。
8.如权利要求1-7任意一项所述的聚酯增塑剂的性能测试数据处理方法,其特征在于,所述将每一个所述目标局部节点式关系网包括的每一个所述关系节点的节点属性数据进行融合,以输出所述多个聚酯增塑剂的代表性能测试数据的步骤,包括:
对于每一个所述目标局部节点式关系网,依据该目标局部节点式关系网包括的所述关系节点的节点分布集中度和包括的所述关系节点的数量,确定出该目标局部节点式关系网包括的每一个所述关系节点的融合系数;
依据每一个所述关系节点的融合系数,对每一个所述目标局部节点式关系网包括的每一个所述关系节点的节点属性数据进行融合,得到对应的融合节点属性数据,以作为所述多个聚酯增塑剂的代表性能测试数据。
9.一种聚酯增塑剂的性能测试数据处理系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211369489.0A CN115910240B (zh) | 2022-11-03 | 2022-11-03 | 聚酯增塑剂的性能测试数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211369489.0A CN115910240B (zh) | 2022-11-03 | 2022-11-03 | 聚酯增塑剂的性能测试数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115910240A CN115910240A (zh) | 2023-04-04 |
CN115910240B true CN115910240B (zh) | 2023-09-26 |
Family
ID=86473655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211369489.0A Active CN115910240B (zh) | 2022-11-03 | 2022-11-03 | 聚酯增塑剂的性能测试数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115910240B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5475882A (en) * | 1993-10-15 | 1995-12-19 | Sereboff; Joel L. | Gel filled deformable cushion and composition contained therein |
CN105390056A (zh) * | 2015-10-16 | 2016-03-09 | 南方医科大学 | 用于变形配准算法精度验证的高仿真腹部变形模体及其制备方法 |
WO2018219223A1 (zh) * | 2017-05-31 | 2018-12-06 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及存储介质 |
WO2021057744A1 (zh) * | 2019-09-27 | 2021-04-01 | Oppo广东移动通信有限公司 | 定位方法及装置、设备、存储介质 |
CN115098705A (zh) * | 2022-08-25 | 2022-09-23 | 成都航空职业技术学院 | 基于知识图谱推理的网络安全事件分析方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6865582B2 (en) * | 2000-01-03 | 2005-03-08 | Bechtel Bwxt Idaho, Llc | Systems and methods for knowledge discovery in spatial data |
RU2729055C2 (ru) * | 2016-01-20 | 2020-08-04 | Басф Се | Пластифицирующая композиция, которая содержит алифатический сложный эфир дикарбоновой кислоты и сложный диэфир, выбранный из сложных эфиров 1,2-циклогександикарбоновой кислоты и сложных эфиров терефталевой кислоты |
US20180137415A1 (en) * | 2016-11-11 | 2018-05-17 | Minitab, Inc. | Predictive analytic methods and systems |
-
2022
- 2022-11-03 CN CN202211369489.0A patent/CN115910240B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5475882A (en) * | 1993-10-15 | 1995-12-19 | Sereboff; Joel L. | Gel filled deformable cushion and composition contained therein |
CN105390056A (zh) * | 2015-10-16 | 2016-03-09 | 南方医科大学 | 用于变形配准算法精度验证的高仿真腹部变形模体及其制备方法 |
WO2018219223A1 (zh) * | 2017-05-31 | 2018-12-06 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及存储介质 |
WO2021057744A1 (zh) * | 2019-09-27 | 2021-04-01 | Oppo广东移动通信有限公司 | 定位方法及装置、设备、存储介质 |
CN115098705A (zh) * | 2022-08-25 | 2022-09-23 | 成都航空职业技术学院 | 基于知识图谱推理的网络安全事件分析方法及系统 |
Non-Patent Citations (7)
Title |
---|
Yi Chen 等.Methods for determination of plasticizer migration from polyvinyl chloride synthetic materials: a mini review.Journal of Leather Science and Engineering.2022,1-4. * |
刘义.大规模空间数据的高性能查询处理关键技术研究.中国优秀硕士学位论文全文数据库 信息科技辑.2016,(第1期),I138-39. * |
孔阳.聚氯乙烯材料中增塑剂迁移率测试方法及影响因素研究.塑料助剂 .2020,31-37. * |
张燕 等.基于复杂网络的企业关系网演变研究.科技与管理.2010,(05),70-74. * |
邾玉香.挥发性有机物气体传感器性能测试及应用研究.中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑.2021,(第8期),B027-686. * |
银霞 等.基于CiteSpace可视化分析的茶叶香气研究进展.茶叶科学.2020,(第02期),143-156. * |
饶伟.新型甘油自动喷雾系统的设计与实现开发中的应用.中国优秀硕士学位论文全文数据库 信息科技辑.2015,(第6期),I140-194. * |
Also Published As
Publication number | Publication date |
---|---|
CN115910240A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112782743B (zh) | 一种车辆定位方法、装置、计算机设备及存储介质 | |
CN114254584A (zh) | 芯片产品的对比方法、建模方法、装置及存储介质 | |
CN115412371B (zh) | 基于物联网的大数据安全防护方法、系统及云平台 | |
Koutra et al. | Perseus: an interactive large-scale graph mining and visualization tool | |
CN116126945A (zh) | 基于数据分析的传感器运行状态分析方法和系统 | |
CN116028886A (zh) | 一种基于bim的数据处理方法、系统及云平台 | |
CN113449586A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN115603973A (zh) | 基于政务信息网络的异构安全监测方法及系统 | |
CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
CN115910240B (zh) | 聚酯增塑剂的性能测试数据处理方法及系统 | |
CN115826515B (zh) | 一种应用于聚酯增塑剂生产的温度控制方法及系统 | |
CN116109630B (zh) | 基于传感器采集和人工智能的图像分析方法及系统 | |
CN115588157A (zh) | 交联低烟低卤聚烯烃材料的性能数据处理方法及系统 | |
CN114529001A (zh) | 量子算法的指标评估方法、装置、终端及存储介质 | |
CN114581261A (zh) | 基于快速图计算的故障诊断方法、系统、设备及存储介质 | |
CN116561706B (zh) | 瓷性阻燃线材的性能数据处理方法及系统 | |
CN115267614B (zh) | 一种用于智能变压器的检测方法及系统 | |
CN114998811B (zh) | 基于智能网络互联的大数据处理方法及系统 | |
CN115620210B (zh) | 基于图像处理的电子线料的性能确定方法及系统 | |
CN116501285B (zh) | 基于虚拟数字形象交互的ai对话处理方法及数字化系统 | |
CN115658946B (zh) | 基于5g互联网的监控数据可视化方法及系统 | |
CN116680323B (zh) | 基于大数据安全平台的用户需求挖掘方法及系统 | |
CN115980279B (zh) | 氖气纯度检测系统的稳定性优化方法及系统 | |
CN116628138A (zh) | 应用于深度学习的物流订单文本挖掘方法及系统 | |
CN117218439A (zh) | 一种物联网数据采集方法及系统 |
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 |