CN116227325A - 基于神经元模型的电器故障预测方法和装置 - Google Patents

基于神经元模型的电器故障预测方法和装置 Download PDF

Info

Publication number
CN116227325A
CN116227325A CN202211580975.7A CN202211580975A CN116227325A CN 116227325 A CN116227325 A CN 116227325A CN 202211580975 A CN202211580975 A CN 202211580975A CN 116227325 A CN116227325 A CN 116227325A
Authority
CN
China
Prior art keywords
neuron model
model
identification
weight
data
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
CN202211580975.7A
Other languages
English (en)
Inventor
李雅楠
王健
徐蕾
徐锐
付迎鑫
郑万静
薛虹
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.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp 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 China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202211580975.7A priority Critical patent/CN116227325A/zh
Publication of CN116227325A publication Critical patent/CN116227325A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明实施例提供了一种基于神经元模型的电器故障预测方法、装置、电子设备及可读存储介质，所述方法包括：构建神经元模型和权重回归模型，确定所述神经元模型的业务权重标识和神经节点标识；获取指定电器的故障诊断样本数据，并根据所述指定电器的所述故障诊断样本数据、所述业务权重标识和所述神经节点标识对所述神经元模型进行训练；采用所述权重回归模型确定训练后的所述神经元模型的拟合值；当所述拟合值满足预设阈值时，将训练后的所述神经元模型确定为训练完成的所述神经元模型，以根据训练完成的所述神经元模型对指定电器进行故障预测。本发明实施例可以避免采用故障的电器采集的信息导致智能感知错误，提高了智能感知的准确度。

Description

基于神经元模型的电器故障预测方法和装置
技术领域
本发明实施例涉及智能感知技术领域，特别是涉及一种基于神经元模型的电器故障预测方法、一种基于神经元模型的电器故障预测装置、一种电子设备以及一种计算机可读存储介质。
背景技术
信息技术是国家综合国力的重要体现，也是当今世界竞争最为激烈的领域之一。其中，智能感知是信息技术领域重点发展的前沿技术。
随着物联网的快速发展及其在各行业中的广泛应用，智能感知中出现了大量高维信息，它们具有特征维数过高、特征量巨大且包含大量无关信息和冗余信息等特点，针对这些高维信息来进行智能感知还需要进行不断探索和研究。具体地，高维信息研究的关键技术包括诸如传感器、变压器等电器，为了能够准确进行智能感知，需要对物联网的电器进行电器故障预测，避免采用故障的电器采集的信息导致智能感知错误。
发明内容
本发明实施例是提供一种基于神经元模型的电器故障预测方法、装置、电子设备以及计算机可读存储介质，以避免采用故障的电器采集的信息导致智能感知错误的问题。
本发明实施例公开了一种基于神经元模型的电器故障预测方法，包括：
构建神经元模型和权重回归模型，其中，所述神经元模型至少包括输入层、隐含层和输出层；
确定所述神经元模型的业务权重标识和神经节点标识；其中，所述业务权重标识和所述神经节点标识为所述输入层的数据进行所述隐含层时带入的数据；
获取指定电器的故障诊断样本数据，并根据所述指定电器的所述故障诊断样本数据、所述业务权重标识和所述神经节点标识对所述神经元模型进行训练；
采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值；
当所述拟合值满足预设阈值时，将训练后的所述神经元模型确定为训练完成的所述神经元模型，以根据训练完成的所述神经元模型对指定电器进行故障预测。
可选地，在所述采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值之后，所述方法还包括：
当所述拟合值不满足预设阈值时，调整所述业务权重标识和所述神经节点标识，并返回执行所述采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值的步骤。
可选地，所述确定所述神经元模型的业务权重标识和神经节点标识，包括：
根据所述神经元模型的历史数据库拓扑关系确定业务权重标识，以及根据所述神经元模型的历史同类型数据确定神经节点标识；
当无法根据所述神经元模型的历史数据库拓扑关系确定业务权重标识，以及无法根据所述神经元模型的历史同类型数据确定神经节点标识时，随机分配所述业务权重标识和所述神经节点标识。
可选地，所述隐含层包括多个神经元，在所述获取指定电器的故障诊断样本数据，并根据所述指定电器的所述故障诊断样本数据、所述业务权重标识和所述神经节点标识对所述神经元模型进行训练之后，所述方法还包括：
确定所述隐含层当前分配的神经元的数目与上一次分配的神经元的数目的差异化数据；
当所述差异化数据超过预设差异化阈值时，调整所述业务权重标识和所述神经节点标识。
可选地，所述权重回归模型包括岭回归方法模型，所述岭回归方法模型的公式为：
||Xθ-y||2+||Γθ||2
其中，所述X表示输入数据，所述y表示输出数据，所述Γ表示所述神经元模型的训练结果，所述θ为拟合超参数；
所述Γ＝aI，θ(a)＝(XTX+aI)-1XTy
其中，所述I表示单位矩阵，所述T是权重常量，所述a是单位矩阵I的权重，所述θ(a)表示为a确定的情况下去求θ。
本发明实施例还公开了一种基于神经元模型的电器故障预测装置，包括：
模型构建模块，用于构建神经元模型和权重回归模型，其中，所述神经元模型至少包括输入层、隐含层和输出层；
标识确定模块，用于确定所述神经元模型的业务权重标识和神经节点标识；其中，所述业务权重标识和所述神经节点标识为所述输入层的数据进行所述隐含层时带入的数据；
模型训练模块，用于获取指定电器的故障诊断样本数据，并根据所述指定电器的所述故障诊断样本数据、所述业务权重标识和所述神经节点标识对所述神经元模型进行训练；
拟合值获取模块，用于采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值；
训练确定模块，用于当所述拟合值满足预设阈值时，将训练后的所述神经元模型确定为训练完成的所述神经元模型，以根据训练完成的所述神经元模型对指定电器进行故障预测。
可选地，所述装置还包括返回执行模块，用于：
当所述拟合值不满足预设阈值时，调整所述业务权重标识和所述神经节点标识，并返回执行所述采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值的步骤。
可选地，所述标识确定模块，具体用于：
根据所述神经元模型的历史数据库拓扑关系确定业务权重标识，以及根据所述神经元模型的历史同类型数据确定神经节点标识；
当无法根据所述神经元模型的历史数据库拓扑关系确定业务权重标识，以及无法根据所述神经元模型的历史同类型数据确定神经节点标识时，随机分配所述业务权重标识和所述神经节点标识。
可选地，所述隐含层包括多个神经元，所述装置还包括标识调整模块，用于：
确定所述隐含层当前分配的神经元的数目与上一次分配的神经元的数目的差异化数据；
当所述差异化数据超过预设差异化阈值时，调整所述业务权重标识和所述神经节点标识。
可选地，所述权重回归模型包括岭回归方法模型，所述岭回归方法模型的公式为：
||Xθ-y||2+||Γθ||2
其中，所述X表示输入数据，所述y表示输出数据，所述Γ表示所述神经元模型的训练结果，所述θ为拟合超参数；
所述Γ＝aI，θ(a)＝(XTX+aI)-1XTy
其中，所述I表示单位矩阵，所述T是权重常量，所述a是单位矩阵I的权重，所述θ(a)表示a确定的情况下去求θ。
本发明实施例还公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行存储器上所存放的程序时，实现如本发明实施例所述的方法。
本发明实施例还公开了一种计算机程序产品，该程序产品被存储在存储介质中，该计算机程序产品被至少一个处理器执行以实现如本发明实施例所述的方法。
本发明实施例还公开了一种计算机可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如本发明实施例所述的方法。
本发明实施例包括以下优点：
在本发明实施例中，构建神经元模型和权重回归模型，其中，神经元模型至少可以包括输入层、隐含层和输出层，确定神经元模型的业务权重标识和神经节点标识；其中，业务权重标识和神经节点标识为输入层的数据进行隐含层时带入的数据，然后，可以获取指定电器的故障诊断样本数据，并根据指定电器的故障诊断样本数据、业务权重标识和神经节点标识对神经元模型进行训练，再采用权重回归模型确定训练后的神经元模型的输入层和输出层的拟合值，其中，当拟合值满足预设阈值时，可以将训练后的神经元模型确定为训练完成的神经元模型，该训练完成的神经元模型可以对物联网中的指定电器进行故障预测，从而可以避免采用故障的电器采集的信息导致智能感知错误，提高了智能感知的准确度。
附图说明
图1是本发明实施例中提供的一种基于神经元模型的电器故障预测方法的步骤流程图；
图2是本发明实施例中提供的一种神经元模型的示意图；
图3是本发明实施例中提供的一种基于神经元模型的电器故障预测装置的结构框图；
图4是实现本发明各个实施例的一种电子设备的硬件结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1，示出了本发明实施例中提供的一种基于神经元模型的电器故障预测方法的步骤流程图，具体可以包括如下步骤：
步骤101、构建神经元模型和权重回归模型，其中，所述神经元模型至少包括输入层、隐含层和输出层。
本发明实施例适用于智能感知在电器工程领域，其中，电器可以包括物联网中的各种电器，例如传感器、变压器等等，本发明实施例对此无需加以限制。
在具体实现中，神经元模型是由神经网络构成。具体地，神经网络是由很多神经元组成的，神经元是神经网络的最基本单元。本发明实施例构建神经元模型的神经网络的结构至少可以分为：前馈式神经网络、输出反馈的前馈式网络、前馈式内层互联网络、反馈型全互联网络、反馈型局部互联网络。
具体地，前馈式神经网络中，输入沿着神经网络逐层传输，层与层之间不存在反馈，常见的有神经网络、正交网络等；输出反馈的前馈式网络会有来自输出的反馈，即神经元的输入信号既可以来自外界的输入，也有可以来自自身输出的反馈；前馈式内层互联网络的特点是每层的神经元之间相互联系，互相制约，而层与层之间不存在反馈，这种结构的神经网络多为自组织神经网络，网络就是这种类型；反馈型全互联网络比较复杂，其特点是任意一个神经元的输出都和其他神经元之间存在联系，如网络模型就是反馈型全互联网络；反馈型局部互联网络的每个神经元不是和周围所有的神经元都存在联系，一般常用在非线性系统的识别中。
在本发明实施例中，为了能够准确对指定电器进行故障预测(故障诊断)，例如传感器或者变压器的故障预测，可以先构建神经元模型和权重回归模型，示例性地，参照图2，是本发明实施例中提供的一种神经元模型的示意图，所述神经元模型至少包括输入层、隐含层和输出层，其中，隐含层中可以包括多个神经元。
作为一个可选示例，神经元模型可以为：
转换函数f为：
Figure SMS_1
局部非线可以分为阈值型和分段线性型，其中，阈值型为：
f(xi)＝1，xi＞0OR f(xi)＝1，xi≤0
分段线性型为：
f(xi)＝0，xi≤xi0OR f(xi)＝k xi，xi0＜xi＜xi1
OR f(xi)＝fmax，xi≥xi
常用的转换函数有Sigmoid函数和Tan函数，Sigmoid函数为：
Figure SMS_2
Tan函数为：
Figure SMS_3
当然，上述的神经元模型仅仅是作为示例，在具体实施本发明实施例时可以根据实际需求采用其他神经元模型，本发明实施例对此无需加以限制。
步骤102、确定所述神经元模型的业务权重标识和神经节点标识；其中，所述业务权重标识和所述神经节点标识为所述输入层的数据进行所述隐含层时带入的数据。
在具体实现中，针对BP神经网络的隐含层的神经元节点的数目关系到神经网络的收敛速度和诊断精度，如果神经元节点的数目不足，那么获得信息的量会不够，导致神经网络陷入局部极小值或者得不到训练结果，反之，如果神经网络的神经元节点的数目过多，有会出现过拟合现象，训练时间也会延长。因此，如何确定神经元模型的神经元节点的数目非常重要，而神经元模型的神经元节点的数目可以由业务权重标识和神经节点标识确定，因此，需要选择一个合适的业务权重标识和神经节点标识，用于对神经元模型进行训练，从而提高对神经元模型的训练效果，达到较好的一个训练结果。
在本发明的一种可选实施例中，所述步骤102、确定所述神经元模型的业务权重标识和神经节点标识，可以包括：
根据所述神经元模型的历史数据库拓扑关系确定业务权重标识，以及根据所述神经元模型的历史同类型数据确定神经节点标识；
当无法根据所述神经元模型的历史数据库拓扑关系确定业务权重标识，以及无法根据所述神经元模型的历史同类型数据确定神经节点标识时，随机分配所述业务权重标识和所述神经节点标识。
在本发明实施例中，在对输入数据进入神经元模型的隐含层之前，可以结合历史数据库拓扑关系确定业务权重标识，然后进入神经元模型的隐含层后的数据带入业务权重标识用于神经元模型的训练，当然，如果无法根据神经元模型的历史数据拓扑关系确定业务权重标识，也可以随机分配一个初始的业务权重标识。
同时，在本发明实施例中，在对输入数据进入神经元模型的隐含层之前，获取历史同类型数据上一批在隐含层运算分配的神经节点标识，然后进入神经元模型的隐含层后的数据带入神经节点标识用于神经元模型的训练。当然，如果无法根据获取到历史同类型数据的神经节点标识，也可以随机分配一个初始的神经节点标识。
如此，在对神经元模型进行训练之前，如果能够获取到历史的业务权重标识和历史的神经节点标识，用于对神经元模型进行训练，由于历史的业务权重标识和历史的神经节点标识与神经元模型存在一定的关联，因此利用历史的业务权重标识和历史的神经节点标识可以提高神经元模型的训练效率。当然，即使不能够获取到历史的业务权重标识和神经节点标识，也可以随机为神经元模型分配业务权重标识和神经节点标识，用于对神经元模型进行训练。
步骤103、获取指定电器的故障诊断样本数据，并根据所述指定电器的所述故障诊断样本数据、所述业务权重标识和所述神经节点标识对所述神经元模型进行训练。
步骤104、采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值。
作为一个可选示例，所述权重回归模型可以包括岭回归方法模型，所述岭回归方法模型的公式可以为：
||Xθ-y||2+||Γθ||2
其中，所述X表示输入数据，所述y表示输出数据，所述Γ表示所述神经元模型的训练结果，所述θ为拟合超参数；
所述Γ＝aI，θ(a)＝(XTX+aI)-1XTy
其中，所述I表示单位矩阵，所述T是权重常量，所述a是单位矩阵I的权重，所述θ(a)表示为a确定的情况下去求θ。
当然，除了上述的岭回归方法模型作为权重回归模型之外，本发明实施例也可以选用其他的算法或者模型，本发明实施例对此无需加以限制。
在本发明实施例中，构建完神经元模型和获取到业务权重标识和神经节点标识后，就可以获取指定电器的故障诊断样本数据，从而可以根据指定电器的故障诊断样本数据、业务权重标识和神经节点标识，来对神经元模型进行训练，并且，为了确定训练后的神经元模型的准确性，可以进一步采用权重回归模型确定训练后的神经元模型的输入层和输出层的拟合值，以根据拟合值确定是否完成对神经元模型的训练。
步骤105、当所述拟合值满足预设阈值时，将训练后的所述神经元模型确定为训练完成的所述神经元模型，以根据训练完成的所述神经元模型对指定电器进行故障预测。
在本发明实施例中，当神经元模型的输入层和输出层的拟合值满足预设阈值时，则可以将训练后的神经元模型确定为训练完成的神经元模型，利用该神经元模型对物联网中的指定电器进行故障预测。
在上述基于神经元模型的电器故障预测方法中，构建神经元模型和权重回归模型，其中，神经元模型至少可以包括输入层、隐含层和输出层，确定神经元模型的业务权重标识和神经节点标识，其中，业务权重标识和神经节点标识为输入层的数据进行隐含层时带入的数据，然后，可以获取指定电器的故障诊断样本数据，并根据指定电器的故障诊断样本数据、业务权重标识和神经节点标识对神经元模型进行训练，再采用权重回归模型确定训练后的神经元模型的输入层和输出层的拟合值，其中，当拟合值满足预设阈值时，可以将训练后的神经元模型确定为训练完成的神经元模型，该训练完成的神经元模型可以对物联网中的指定电器进行故障预测，从而可以避免采用故障的电器采集的信息导致智能感知错误，提高了智能感知的准确度。
在本发明的一种优选实施例中，在所述步骤104、采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值之后，所述方法还可以包括：
当所述拟合值不满足预设阈值时，调整所述业务权重标识和所述神经节点标识，并返回执行所述采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值的步骤。
在本发明实施例中，如果神经元模型的输入层和输出层的拟合值不满足预设阈值时，则可以调整业务权重标识和神经节点标识，并利用调整后的业务权重标识和神经节点标识重新对该神经元模型进行训练，直至该神经元模型的拟合值满足预设阈值，可以保证神经元模型的对电器故障预测精度。
在本发明的一种优选实施例中，在所述步骤103、获取指定电器的故障诊断样本数据，并根据所述指定电器的所述故障诊断样本数据、所述业务权重标识和所述神经节点标识对所述神经元模型进行训练之后，所述方法还可以包括：
确定所述隐含层当前分配的神经元的数目与上一次分配的神经元的数目的差异化数据；
当所述差异化数据超过预设差异化阈值时，调整所述业务权重标识和所述神经节点标识。
其中，神经元模型的隐含层的运算结果传递给输出层，输出层获取本次隐含层运算分配的神经元(通常也称为神经节点或者神经元节点)的数目，然后比对上一次隐含层运算分配的神经元的数目，然后确定两者之间的差异化数据，当差异化数据超过预设差异化阈值(例如两者差异10％)时，则需要调整两个阈值，即业务权重标识和所述神经节点标识，然后在下次对神经元模型训练时放入到隐含层进行训练，从而减少了数据放入隐含层后需要分配的初始计算消耗隐含层资源情况，以及完成指定电器的故障诊断样本数据的有效条数检测。
为了使本领域技术人员更好地理解本发明实施例，以下采用一个完整的具体示例进行说明。
步骤一、构建神经元模型。神经元模型的神经网络是由很多神经元组成的，神经元是神经网络的最基本单元。当数据进入神经元模型的隐含层后，隐含层通过初使权重分配阈值进行随机业务权重标识分配、神经节点标识(或称为神经节点阈值)分配运算的神经元节点。
S1、隐含层是神经网络运算的加速器，加上主要受神经元节点的数目和随机分配的阈值(即业务权重标识和神经节点标识)合理性这些指标影响。当数据进入隐含层后，隐含层进行随机业务权重标识分配和神经节点标识的分配。
S2、对输入数据进入隐含层之前，结合历史数据库拓扑关系确定业务权重标识，进入隐含层后数据带入进行神经元模型训练，没有则随机分配一个初始的业务权重标识。
S3、同时，输入数据进入隐含层之前，获取历史同类型数据上一批在隐含层运算分配的神经节点标识带入隐含层，进入隐含层后数据如果有神经节点标识则采用该神经元标识进行神经元模型训练，没有则分配一个初始的神经节点标识。
S4、隐含层的运算结果传递给输出层，输出层获取本次隐含层运算分配的神经元(神经节点)的数目，然后比对上一次隐含层运算分配的神经元(神经元节点)的数目，然后确定两者之间的差异化数据，当差异化数据超过预设差异化阈值时，则需要调整业务权重标识和神经节点标识这两个标识，然后在下次对神经元模型训练时放入到隐含层进行训练，从而减少了数据放入隐含层后需要分配的初始计算消耗隐含层资源情况。
步骤二、采用AI芯片针对BP神经网络隐含节点输入和输出层结合【权重回归模型】进行隐含层数据训练的有效性分析。
通过岭回归方法构建权重回归模型预测防止机器学习过程中隐含层(储备池)输出数据与模拟输入数据过拟合，如果过拟合则，则需要对输入层数据的阈值进行调整或者对储备池计算中的神经元节点之间使用随机阈值进行更改。
可选地，权重回归模型包括岭回归方法模型，岭回归方法模型的公式为：
||Xθ-y||2+||Γθ||2
其中，X表示输入数据，y表示输出数据，Γ表示所述神经元模型的训练结果，θ为拟合超参数；
所述Γ＝aI，θ(a)＝(XTX+aI)-1XTy
其中，I表示单位矩阵，T是权重常量，a是单位矩阵I的权重，θ(a)表示为a确定的情况下去求θ。具体地，防止过拟合运算的运算结果即：输出层或输入层数据数据模型运算得到的拟合值，然后可以根据拟合值确定是否可以结束对神经元模型的训练，从而可以利用训练完成的神经元模型对物联网总的指定电器进行故障预测。可选地，当对神经元模型的训练次数达到最大训练次数时，也可以结束神经元模型的训练。
当然，除了上述的岭回归方法模型之外，本发明实施例也可以采用其他算法模型来确定神经元模型是否满足条件，本发明实施例对此无需加以限制。
综上，应用本发明实施例，首先，可以针对物联网创造性的构建神经元模型预测属于物联网的电器的故障诊断概率，从而完成神经网络运用物联网的电器的故障诊断采用的学习方法。同时，本发明实施例采用AI芯片中的权重回归模型针对神经元模型的隐含层的神经元结合物联网的电器的故障诊断方式进行创新性优化，以提高神经元模型的训练效果。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图3，示出了本发明实施例中提供的一种基于神经元模型的电器故障预测装置的结构框图，具体可以包括如下模块：
模型构建模块301，用于构建神经元模型和权重回归模型，其中，所述神经元模型至少包括输入层、隐含层和输出层；
标识确定模块302，用于确定所述神经元模型的业务权重标识和神经节点标识；其中，所述业务权重标识和所述神经节点标识为所述输入层的数据进行所述隐含层时带入的数据；
模型训练模块303，用于获取指定电器的故障诊断样本数据，并根据所述指定电器的所述故障诊断样本数据、所述业务权重标识和所述神经节点标识对所述神经元模型进行训练；
拟合值获取模块304，用于采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值；
训练确定模块305，用于当所述拟合值满足预设阈值时，将训练后的所述神经元模型确定为训练完成的所述神经元模型，以根据训练完成的所述神经元模型对指定电器进行故障预测。
在本发明的一种可选实施例中，所述装置还包括返回执行模块，用于：
当所述拟合值不满足预设阈值时，调整所述业务权重标识和所述神经节点标识，并返回执行所述采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值的步骤。
在本发明的一种可选实施例中，所述标识确定模块302，具体用于：
根据所述神经元模型的历史数据库拓扑关系确定业务权重标识，以及根据所述神经元模型的历史同类型数据确定神经节点标识；
当无法根据所述神经元模型的历史数据库拓扑关系确定业务权重标识，以及无法根据所述神经元模型的历史同类型数据确定神经节点标识时，随机分配所述业务权重标识和所述神经节点标识。
在本发明的一种可选实施例中，所述装置还包括标识调整模块，用于：
确定所述隐含层当前分配的神经元的数目与上一次分配的神经元的数目的差异化数据；
当所述差异化数据超过预设差异化阈值时，调整所述业务权重标识和所述神经节点标识。
在本发明的一种可选实施例中，所述权重回归模型包括岭回归方法模型，所述岭回归方法模型的公式为：
||Xθ-y||2+||Γθ||2
其中，所述X表示输入数据，所述y表示输出数据，所述Γ表示所述神经元模型的训练结果，所述θ为拟合超参数；
所述Γ＝aI，θ(a)＝(XTX+aI)-1XTy
其中，所述I表示单位矩阵，所述T是权重常量，所述a是单位矩阵I的权重，所述θ(a)表示为a确定的情况下去求θ。
在本发明实施例中，构建神经元模型和权重回归模型，其中，神经元模型至少可以包括输入层、隐含层和输出层，确定神经元模型的业务权重标识和神经节点标识；其中，业务权重标识和神经节点标识为输入层的数据进行隐含层时带入的数据，然后，可以获取指定电器的故障诊断样本数据，并根据指定电器的故障诊断样本数据、业务权重标识和神经节点标识对神经元模型进行训练，再采用权重回归模型确定训练后的神经元模型的输入层和输出层的拟合值，其中，当拟合值满足预设阈值时，可以将训练后的神经元模型确定为训练完成的神经元模型，该训练完成的神经元模型可以对物联网中的指定电器进行故障预测，从而可以避免采用故障的电器采集的信息导致智能感知错误，提高了智能感知的准确度。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
另外，本发明实施例还提供了一种电子设备，包括：处理器，存储器，存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述基于神经元模型的电器故障预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述基于神经元模型的电器故障预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、磁碟或者光盘等。
本发明实施例还提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述基于神经元模型的电器故障预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
图4为实现本发明各个实施例的一种电子设备的硬件结构示意图。
该电子设备400包括但不限于：射频单元401、网络模块402、音频输出单元403、输入单元404、传感器405、显示单元406、用户输入单元407、接口单元408、存储器409、处理器410、以及电源411等部件。本领域技术人员可以理解，图4中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
应理解的是，本发明实施例中，射频单元401可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器410处理；另外，将上行的数据发送给基站。通常，射频单元401包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元401还可以通过无线通信系统与网络和其他设备通信。
电子设备通过网络模块402为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元403可以将射频单元401或网络模块402接收的或者在存储器409中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元403还可以提供与电子设备400执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元403包括扬声器、蜂鸣器以及受话器等。
输入单元404用于接收音频或视频信号。输入单元404可以包括图形处理器(Graphics Processing Unit，GPU)4041和麦克风4042，图形处理器4041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元406上。经图形处理器4041处理后的图像帧可以存储在存储器409(或其它存储介质)中或者经由射频单元401或网络模块402进行发送。麦克风4042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元401发送到移动通信基站的格式输出。
电子设备400还包括至少一种传感器405，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板4061的亮度，接近传感器可在电子设备400移动到耳边时，关闭显示面板4061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器405还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
显示单元406用于显示由用户输入的信息或提供给用户的信息。显示单元406可包括显示面板4061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板4061。
用户输入单元407可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元407包括触控面板4071以及其他输入设备4072。触控面板4071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板4071上或在触控面板4071附近的操作)。触控面板4071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器410，接收处理器410发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板4071。除了触控面板4071，用户输入单元407还可以包括其他输入设备4072。具体地，其他输入设备4072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
进一步的，触控面板4071可覆盖在显示面板4061上，当触控面板4071检测到在其上或附近的触摸操作后，传送给处理器410以确定触摸事件的类型，随后处理器410根据触摸事件的类型在显示面板4061上提供相应的视觉输出。虽然在图4中，触控面板4071与显示面板4061是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板4071与显示面板4061集成而实现电子设备的输入和输出功能，具体此处不做限定。
接口单元408为外部装置与电子设备400连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元408可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到电子设备400内的一个或多个元件或者可以用于在电子设备400和外部装置之间传输数据。
存储器409可用于存储软件程序以及各种数据。存储器409可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器409可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器410是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器409内的软件程序和/或模块，以及调用存储在存储器409内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器410可包括一个或多个处理单元；优选的，处理器410可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器410中。
电子设备400还可以包括给各个部件供电的电源411(比如电池)，优选的，电源411可以通过电源管理系统与处理器410逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外，电子设备400包括一些未示出的功能模块，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。
本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于神经元模型的电器故障预测方法，其特征在于，包括：
构建神经元模型和权重回归模型，其中，所述神经元模型至少包括输入层、隐含层和输出层；
确定所述神经元模型的业务权重标识和神经节点标识；其中，所述业务权重标识和所述神经节点标识为所述输入层的数据进行所述隐含层时带入的数据；
获取指定电器的故障诊断样本数据，并根据所述指定电器的所述故障诊断样本数据、所述业务权重标识和所述神经节点标识对所述神经元模型进行训练；
采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值；
当所述拟合值满足预设阈值时，将训练后的所述神经元模型确定为训练完成的所述神经元模型，以根据训练完成的所述神经元模型对指定电器进行故障预测。
2.根据权利要求1所述的方法，其特征在于，在所述采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值之后，所述方法还包括：
当所述拟合值不满足预设阈值时，调整所述业务权重标识和所述神经节点标识，并返回执行所述采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值的步骤。
3.根据权利要求1所述的方法，其特征在于，所述确定所述神经元模型的业务权重标识和神经节点标识，包括：
根据所述神经元模型的历史数据库拓扑关系确定业务权重标识，以及根据所述神经元模型的历史同类型数据确定神经节点标识；
当无法根据所述神经元模型的历史数据库拓扑关系确定业务权重标识，以及无法根据所述神经元模型的历史同类型数据确定神经节点标识时，随机分配所述业务权重标识和所述神经节点标识。
4.根据权利要求1所述的方法，其特征在于，所述隐含层包括多个神经元，在所述获取指定电器的故障诊断样本数据，并根据所述指定电器的所述故障诊断样本数据、所述业务权重标识和所述神经节点标识对所述神经元模型进行训练之后，所述方法还包括：
确定所述隐含层当前分配的神经元的数目与上一次分配的神经元的数目的差异化数据；
当所述差异化数据超过预设差异化阈值时，调整所述业务权重标识和所述神经节点标识。
5.根据权利要求1所述的方法，其特征在于，所述权重回归模型包括岭回归方法模型，所述岭回归方法模型的公式为：
||Xθ-y||2+||Γθ||2
其中，所述X表示输入数据，所述y表示输出数据，所述Γ表示所述神经元模型的训练结果，所述θ为拟合超参数；
所述Γ＝aI，θ(a)＝(XTX+aI)-1XTy
其中，所述I表示单位矩阵，所述T是权重常量，所述a是单位矩阵I的权重，所述θ(a)表示为a确定的情况下去求θ。
6.一种基于神经元模型的电器故障预测装置，其特征在于，包括：
模型构建模块，用于构建神经元模型和权重回归模型，其中，所述神经元模型至少包括输入层、隐含层和输出层；
标识确定模块，用于确定所述神经元模型的业务权重标识和神经节点标识；其中，所述业务权重标识和所述神经节点标识为所述输入层的数据进行所述隐含层时带入的数据；
模型训练模块，用于获取指定电器的故障诊断样本数据，并根据所述指定电器的所述故障诊断样本数据、所述业务权重标识和所述神经节点标识对所述神经元模型进行训练；
拟合值获取模块，用于采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值；
训练确定模块，用于当所述拟合值满足预设阈值时，将训练后的所述神经元模型确定为训练完成的所述神经元模型，以根据训练完成的所述神经元模型对指定电器进行故障预测。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括返回执行模块，用于：
当所述拟合值不满足预设阈值时，调整所述业务权重标识和所述神经节点标识，并返回执行所述采用所述权重回归模型确定训练后的所述神经元模型的所述输入层和所述输出层的拟合值的步骤。
8.根据权利要求6所述的装置，其特征在于，所述标识确定模块，具体用于：
根据所述神经元模型的历史数据库拓扑关系确定业务权重标识，以及根据所述神经元模型的历史同类型数据确定神经节点标识；
当无法根据所述神经元模型的历史数据库拓扑关系确定业务权重标识，以及无法根据所述神经元模型的历史同类型数据确定神经节点标识时，随机分配所述业务权重标识和所述神经节点标识。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行存储器上所存放的程序时，实现如权利要求1-5任一项所述的方法。
10.一种计算机可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如权利要求1-5任一项所述的方法。
CN202211580975.7A 2022-12-09 2022-12-09 基于神经元模型的电器故障预测方法和装置 Pending CN116227325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211580975.7A CN116227325A (zh) 2022-12-09 2022-12-09 基于神经元模型的电器故障预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211580975.7A CN116227325A (zh) 2022-12-09 2022-12-09 基于神经元模型的电器故障预测方法和装置

Publications (1)

Publication Number Publication Date
CN116227325A true CN116227325A (zh) 2023-06-06

Family

ID=86583197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211580975.7A Pending CN116227325A (zh) 2022-12-09 2022-12-09 基于神经元模型的电器故障预测方法和装置

Country Status (1)

Country Link
CN (1) CN116227325A (zh)

Similar Documents

Publication Publication Date Title
CN111726341B (zh) 一种数据检测方法、装置、电子设备及存储介质
CN108427873B (zh) 一种生物特征识别方法及移动终端
CN110659179B (zh) 一种评估系统运行状况的方法、装置及电子设备
WO2024148870A1 (zh) 一种调频方法、装置、电子设备及可读存储介质
CN113238868B (zh) 任务处理方法、装置、服务器、设备、系统及存储介质
CN111753520B (zh) 一种风险预测方法、装置、电子设备及存储介质
CN110022235B (zh) 信息处理方法、终端和服务器
CN116208613A (zh) 云主机的迁移方法、装置、电子设备及存储介质
CN114091611A (zh) 设备负载重量获取方法、装置、存储介质及电子设备
CN117269946A (zh) 蓝牙设备之间的距离确定方法、装置、电子设备及介质
CN117076295A (zh) 数据库的检测方法、系统、电子设备及存储介质
CN115240250A (zh) 模型训练方法、装置、计算机设备及可读存储介质
CN116450963A (zh) 内容的显示处理方法、装置、电子设备及存储介质
CN116227325A (zh) 基于神经元模型的电器故障预测方法和装置
CN116405396A (zh) 一种带宽数据预测结果生成方法和装置
CN117527804A (zh) 一种网络请求信息转发方法和装置
CN111818548B (zh) 一种数据的处理方法、装置及设备
CN113360908A (zh) 数据处理方法、违规识别模型训练方法及相关设备
CN112416927A (zh) 一种数据处理方法、装置、电子设备及存储介质
CN113112011A (zh) 一种数据预测方法及装置
CN115333928B (zh) 网络预警方法、装置、电子设备及存储介质
CN112015973A (zh) 一种异构网络的关系推理方法及终端
CN113518152A (zh) 电话号码的识别方法、系统及电子设备
CN110908787A (zh) 一种应用程序处理方法及电子设备
CN112312411A (zh) VoLTE业务的业务量预测方法和终端设备

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