CN116248959A - 网络播放器故障检测方法、装置、设备及存储介质 - Google Patents
网络播放器故障检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116248959A CN116248959A CN202310535923.6A CN202310535923A CN116248959A CN 116248959 A CN116248959 A CN 116248959A CN 202310535923 A CN202310535923 A CN 202310535923A CN 116248959 A CN116248959 A CN 116248959A
- Authority
- CN
- China
- Prior art keywords
- network player
- test data
- fault detection
- network
- weight
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 171
- 238000012360 testing method Methods 0.000 claims abstract description 163
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 55
- 239000013598 vector Substances 0.000 claims description 52
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/4425—Monitoring of client processing errors or hardware failure
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/004—Diagnosis, testing or measuring for television systems or their details for digital television systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/04—Diagnosis, testing or measuring for television systems or their details for receivers
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及故障检测领域，尤其涉及一种网络播放器故障检测方法、装置、设备及存储介质，该方法包括：获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征；构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值；根据所述网络播放器故障检测模型的目标权值对所述网络播放器故障检测模型进行调整，得到目标网络播放器故障检测模型；获取当前待检测网络播放器测试数据并输入至所述目标网络播放器故障检测模型，得到网络播放器故障检测结果，从而及时准确检测出网络播放器故障。
Description
技术领域
本发明涉及故障检测领域，尤其涉及一种网络播放器故障检测方法、装置、设备及存储介质。
背景技术
网络播放器是一个连接电视机（投影）与外部信号源的设备，能够将压缩的数字信号转成视频内容，并在电视机（投影）上显示出来，信号可以来自有线电缆、卫星天线、宽带网络以及地面广播，网络播放器还能够接收数字内容，包括电子节目指南、网络网页和字幕等等，但是网络播放器故障如果不能及时准确检测出故障，就会极大影响到用户体验，因此如何及时准确检测出网络播放器故障成为亟待解决的问题，目前传统的方式主要采用人工评定，测试人员通过自己的仪器去获取故障信息，然后通过自己的主观意识和经验判断网络播放器故障，但是专家评定方法很容易受到受专家个人经验和身体状况等主观因素的影响，使得造成网络播放器故障检测不准确问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种网络播放器故障检测方法、装置、设备及存储介质，旨在解决现有技术中难以及时准确检测出网络播放器故障的技术问题。
为实现上述目的，本发明提供一种网络播放器故障检测方法，所述网络播放器故障检测方法包括以下步骤：
获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征，所述网络播放器历史测试数据至少包括：视频画面显示、面板接线电流、信号连接线电流、暗埋线电流、频道跳台情况、网络连接情况；
构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值；
根据所述网络播放器故障检测模型的目标权值对所述网络播放器故障检测模型进行调整，得到目标网络播放器故障检测模型；
获取当前待检测网络播放器测试数据并输入至所述目标网络播放器故障检测模型，得到网络播放器故障检测结果。
可选地，所述构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值，包括：
根据所述网络播放器历史测试数据特征进行数据处理，并根据设置所述网络播放器故障检测模型的初始权值；
根据所述初始权值和预设参考权值进行处理得到误差，并在所述误差不满足预设误差范围时对所述权值进行跟踪得到新的权值；
重复执行上述迭代误差计算和权值跟踪操作，直到所述误差满足预设误差范围得到目标权值。
可选地，所述对所述权值进行跟踪得到新的权值，包括：
根据所述权值的k时刻的值和k-1时刻的值的关系、网络播放器故障检测模型的期望输出、实际输出以及模型误差建立到非线性函数关系；
通过非线性递归最小二乘跟踪对状态向量进行辨识，得到权值的最小估计值；
根据所述权值的最小估计值对所述非线性函数进行泰勒展开保留线性项，得到网络播放器故障模型对应的状态方程；
对所述网络播放器故障检测对应的状态方程进行递推，得到新的权值。
可选地，所述根据所述初始权值和预设参考权值进行处理得到误差，包括：
建立所述网络播放器故障检测模型对应的多个输出向量、输入向量以及参数向量之间的向量关系；
将所述网络播放器历史测试数据特征和权值进行处理得到多个输出向量，并根据所述多个输出向量、输入向量以及参数向量之间的向量关系得到输出向量；
根据所述输出向量得到实际输出权值，并根据所述实际输出权值和目标权值得到误差。
可选地，所述获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征，包括：
对所述网络播放器历史测试数据进行数据增强处理，得到数据增强处理后的网络播放器历史测试数据；
通过所述数据增强处理后的网络播放器历史测试数据进行局部特征提取，得到网络播放器历史测试数据不同的特征子空间；
将所述网络播放器历史测试数据不同的特征子空间通过Attention机制进行全局注意力计算，得到网络播放器历史测试数据各子空间输出的特征；
对所述网络播放器历史测试数据各子空间输出的特征进行融合分类，得到网络播放器历史测试数据特征。
可选地，所述将所述网络播放器历史测试数据不同的特征子空间通过Attention机制进行全局注意力计算，得到各子空间输出的特征，包括：
对所述网络播放器历史测试数据不同的特征子空间进行N次Self-Attention处理，捕获到不同的特征子空间中的目标特征，其中N为大于1的正整数；
对所述不同的特征子空间中的目标特征进行Concat拼接并与预设映射矩阵相乘，得到各子空间输出的特征。
可选地，所述对所述网络播放器历史测试数据不同的特征子空间进行N次Self-Attention处理，捕获到不同的特征子空间中的目标特征，其中N为大于1的正整数，包括：
根据不同的特征子空间每个数据指标对目标特征的贡献，调整每个数据指标在特征提取过程中的对应的权重系数；
根据所述权重系数对卷积提取的局部特征进行二次特征提取，得到不同的特征子空间中的目标特征。
此外，为实现上述目的，本发明还提出一种网络播放器故障检测装置，所述网络播放器故障检测装置包括：
获取模块，用于获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征，所述网络播放器历史测试数据至少包括：视频画面显示、面板接线电流、信号连接线电流、暗埋线电流、频道跳台情况、网络连接情况；
处理模块，用于构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值；
模型构建模块，用于根据所述网络播放器故障检测模型的目标权值对所述网络播放器故障检测模型进行调整，得到目标网络播放器故障检测模型；
检测模块，用于获取当前待检测网络播放器测试数据并输入至所述目标网络播放器故障检测模型，得到网络播放器故障检测结果。
此外，为实现上述目的，本发明还提出一种网络播放器故障检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的网络播放器故障检测程序，所述网络播放器故障检测程序配置为实现如上文所述的网络播放器故障检测方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有网络播放器故障检测程序，所述网络播放器故障检测程序被处理器执行时实现如上文所述的网络播放器故障检测方法。
本发明其公开了一种网络播放器故障检测方法、装置、设备及存储介质，该方法包括：获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征，所述网络播放器历史测试数据至少包括：视频画面显示、面板接线电流、信号连接线电流、暗埋线电流、频道跳台情况、网络连接情况；构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值；根据所述网络播放器故障检测模型的目标权值对所述网络播放器故障检测模型进行调整，得到目标网络播放器故障检测模型；获取当前待检测网络播放器测试数据并输入至所述目标网络播放器故障检测模型，得到网络播放器故障检测结果。从而实现进行实时性与准确性兼顾的网络播放器故障检测。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的网络播放器故障检测设备结构示意图；
图2为本发明网络播放器故障检测方法第一实施例的流程示意图；
图3为本发明网络播放器故障检测方法一实施例的整体流程图；
图4为本发明网络播放器故障检测方法第二实施例的流程示意图；
图5为本发明网络播放器故障检测方法第三实施例的流程示意图；
图6为本发明网络播放器故障检测装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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，所描述的实施例仅仅是本发明的一部分实施例，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。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的网络播放器故障检测设备结构示意图。
如图1所示，该网络播放器故障检测设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display），可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（Random Access Memory，RAM）存储器，也可以是稳定的存储器（Non-volatileMemory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对网络播放器故障检测设备的限定，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。
如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及网络播放器故障检测程序。
在图1所示的网络播放器故障检测设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述网络播放器故障检测设备通过处理器1001调用存储器1005中存储的网络播放器故障检测程序，并执行本发明实施例提供的网络播放器故障检测方法。
基于上述硬件结构，提出本发明网络播放器故障检测方法的实施例。
参照图2，图2为本发明网络播放器故障检测方法第一实施例的流程示意图，提出本发明网络播放器故障检测方法第一实施例。
在第一实施例中，所述网络播放器故障检测方法包括以下步骤：
步骤S10：获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征，所述网络播放器历史测试数据至少包括：视频画面显示、面板接线电流、信号连接线电流、暗埋线电流、频道跳台情况、网络连接情况。
需要理解的是，本实施例的执行主体是为网络播放器故障检测设备，该网络播放器故障检测设备具有数据处理、数据通信及程序运行等功能。
应当说明的是，对所述网络播放器历史测试数据进行数据增强处理，得到数据增强处理后的网络播放器历史测试数据；通过所述数据增强处理后的网络播放器历史测试数据进行局部特征提取，得到网络播放器历史测试数据不同的特征子空间；将所述网络播放器历史测试数据不同的特征子空间通过Attention机制进行全局注意力计算，得到网络播放器历史测试数据各子空间输出的特征；对所述网络播放器历史测试数据各子空间输出的特征进行融合分类，得到网络播放器历史测试数据特征。
在具体实现中，网络播放器故障检测设备发送收集指令到电流传感器、电压传感器、画面采集器、网络监测器，以使电流传感器、电压传感器、画面采集器在接收到了收集指令后开始收集视频画面显示、面板接线电流、信号连接线电流、暗埋线电流、频道跳台情况、网络连接情况。
步骤S20：构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值。
应理解的是，为进一步保障网络播放器故障检测的准确性，在软件设计中加入RLS算法对数据进行优化处理，使用递归最小二乘（RLS）算法来优化网络播放器故障检测模型的权值。
在具体实施中，根据所述网络播放器历史测试数据特征进行数据处理，并根据设置所述网络播放器故障检测模型的初始权值；根据所述初始权值和预设参考权值进行处理得到误差，并在所述误差不满足预设误差范围时对所述权值进行跟踪得到新的权值；重复执行上述迭代误差计算和权值跟踪操作，直到所述误差满足预设误差范围得到目标权值。
步骤S30：根据所述网络播放器故障检测模型的目标权值对所述网络播放器故障检测模型进行调整，得到目标网络播放器故障检测模型。
在具体实施中，将初始值输入至网络播放器故障检测模型的输入层；将所述初始值进行隐含层的逐层处理，直到传输到输出层；若输出层输出故障检测结果值与期望值不同，则得到误差值；根据所述误差值，更新所述网络播放器故障检测模型的权值。从而可以得到目标网络播放器故障检测模型。
步骤S40：获取当前待检测网络播放器测试数据并输入至所述目标网络播放器故障检测模型，得到网络播放器故障检测结果。
应理解的是，如图3所示为本发明网络播放器故障检测方法一实施例的整体流程图，先通过电流传感器、电压传感器、画面采集器、网络监测器分别收集样本网络播放器的视频画面显示、面板接线电流、信号连接线电流、暗埋线电流、频道跳台情况、网络连接情况，然后再对得到的数据进行增强处理，根据增强处理后的数据，通过大数据积累的过程，需要大量的测试才能得到最优的网络播放器故障检测模型，然后获取目标网络播放器的当前视频画面显示、面板接线电流、信号连接线电流、暗埋线电流、频道跳台情况、网络连接情况，输入最优的网络播放器故障检测模型，得到网络播放器故障检测结果。
在本实施例中，获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征，所述网络播放器历史测试数据至少包括：视频画面显示、面板接线电流、信号连接线电流、暗埋线电流、频道跳台情况、网络连接情况；构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值；根据所述网络播放器故障检测模型的目标权值对所述网络播放器故障检测模型进行调整，得到目标网络播放器故障检测模型；获取当前待检测网络播放器测试数据并输入至所述目标网络播放器故障检测模型，得到网络播放器故障检测结果。从而实现进行实时性与准确性兼顾的网络播放器故障检测。
参照图4，图4为本发明网络播放器故障检测方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明网络播放器故障检测方法的第二实施例。
在第二实施例中，所述步骤S20，包括：
步骤S201：根据所述网络播放器历史测试数据特征进行数据处理，并根据设置所述网络播放器故障检测模型的初始权值。
在具体实施中，根据网络播放器历史测试数据预设一个误差范围，从而得到所述网络播放器故障检测模型的初始权值，在得到了所述网络播放器故障检测模型的初始权值后，判断得到的权值在不在预设的误差范围中，如果在预设的误差范围，就可以得到最优的权值，如果得的权值不是误差范围，那么继续进行非线性递归最小二乘跟踪，从而可以得到最优的权值。
步骤S202：根据所述初始权值和预设参考权值进行处理得到误差，并在所述误差不满足预设误差范围时对所述权值进行跟踪得到新的权值。
在具体实施中，根据所述权值的k时刻的值和k-1时刻的值的关系、网络播放器故障检测模型的期望输出、实际输出以及模型误差建立到非线性函数关系；通过非线性递归最小二乘跟踪对状态向量进行辨识，得到权值的最小估计值；根据所述权值的最小估计值对所述非线性函数进行泰勒展开保留线性项，得到网络播放器故障模型对应的状态方程；对所述网络播放器故障检测对应的状态方程进行递推，得到新的权值。
需要说明的是，使用递推最小二乘(RLS)方法来计算这个权值，这个权值一般符合随机游动规律，其中为网络播放器故障检测模型的权值k时刻和k-1时刻的关系。
其中，
为k时刻权值，/>
为k-1时刻权值，/>
为任意常数，/>
权值变化值，由网络播放器故障检测模型误差为下式所示：
其中，
，/>
分别表示网络播放器故障检测模型的期望输出和实际输出。设/>
为/>
的估计值，则在/>
(表示在/>
时刻状态向量的估计值)处将非线性函数/>
进行泰勒展开，仅保留线性项得系统的状态方程表示为下所示。
上式中
是一个矩阵，/>
是泰勒展开的高阶项在实际的计算中可忽略不计；
的最小方差估计/>
由递推最小二乘算法辨识公式直接得到下式所示。
在实际实施中，根据过程只要给定初值就可以递推计算下去，已经证明这个过程是收敛的，这个步骤还存在着收敛速度慢、辨识精度低的缺点，故而需要对此可以加以改进，由前面的算法递推公式可以看出，算法的一个主要过程是P(k)的变化，对其变化方式进行了改变，使其趋于简单化，然后作为一种学习算法应用到网络播放器故障检测模型的学习中去，得到新的权值。
步骤S203：重复执行上述迭代误差计算和权值跟踪操作，直到所述误差满足预设误差范围得到目标权值。
在具体实施中，建立所述网络播放器故障检测模型对应的多个输出向量、输入向量以及参数向量之间的向量关系；将所述网络播放器历史测试数据特征和权值进行处理得到多个输出向量，并根据所述多个输出向量、输入向量以及参数向量之间的向量关系得到输出向量；根据所述输出向量得到实际输出权值，并根据所述实际输出权值和目标权值得到误差，重复执行上述迭代误差计算和权值跟踪操作，直到所述误差满足预设误差范围得到目标权值。
在本实施例中，获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征，所述网络播放器历史测试数据特征至少包括：视频画面显示、面板接线电流、信号连接线电流、暗埋线电流、频道跳台情况、网络连接情况；根据所述网络播放器历史测试数据特征进行数据处理，并根据设置所述网络播放器故障检测模型的初始权值；根据所述初始权值和预设参考权值进行处理得到误差，并在所述误差不满足预设误差范围时对所述权值进行跟踪得到新的权值；重复执行上述迭代误差计算和权值跟踪操作，直到所述误差满足预设误差范围得到目标权值。根据所述网络播放器故障检测模型的目标权值对所述网络播放器故障检测模型进行调整，得到目标网络播放器故障检测模型；获取当前待检测网络播放器测试数据并输入至所述目标网络播放器故障检测模型，得到网络播放器故障检测结果。从而得到目标权值，并根据目标权值实现进行实时性与准确性兼顾的网络播放器故障检测。
参照图5，图5为本发明网络播放器故障检测方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明网络播放器故障检测方法的第三实施例。
在第三实施例中，所述步骤S10，包括：
步骤S101：对所述网络播放器历史测试数据进行数据增强处理，得到数据增强处理后的网络播放器历史测试数据。
在具体实施中，识别所述网络播放器历史测试数据中的缺失值，得到所述缺失值的K个邻近数据，其中K为大于等于1的整数；计算所述K个最邻近的数据的低维空间的欧式距离并拓展到高维空间得到高维空间的欧式距离；根据所述高维空间的欧式距离，对网络播放器历史测试数据进行缺失值填补，得到网络播放器历史测试增强数据。
步骤S102：通过所述数据增强处理后的网络播放器历史测试数据进行局部特征提取，得到网络播放器历史测试数据不同的特征子空间。
需要说明的是，本实施例对特征提取结构进行了优化，首先征提取模型使用不同尺度的卷积核分别对输入数据增强处理后的网络播放器历史测试数据进行局部特征提取将原始数据增强处理后的网络播放器历史测试数据转换到不同的特征子空间，然后在不同的特征子空间应用Attention机制进行全局注意力计算，最后对各子空间输出的特征进行融合分类，这种结构极大的提升了模型在特征提取上的能力，并有效的提升了模型的性能及准确度。
步骤S103：将所述网络播放器历史测试数据不同的特征子空间通过Attention机制进行全局注意力计算，得到网络播放器历史测试数据各子空间输出的特征。
在具体实施中，根据不同的网络播放器历史测试数据特征子空间每个数据指标对目标特征的贡献，调整每个网络播放器历史测试数据指标在特征提取过程中的对应的权重系数；根据所述网络播放器历史测试数据对应的权重系数对卷积提取的局部特征进行二次特征提取，得到不同的网络播放器历史测试数据对应的特征子空间中的目标特征。对所述不同的网络播放器历史测试数据对应的特征子空间中的目标特征进行Concat拼接并与预设映射矩阵相乘，得到各子空间输出的网络播放器历史测试数据对应的特征。
需要说明的是，特征提取模型主要包括用于词向量嵌入的输入层、由卷积和Attention计算组成的特征提取层、用于网络播放器历史测试数据表示的特征融合层以及用于输出预测的线性分类层，为了获取多种尺度上的特征，对模型进行了并行设计，每层分别在不同的特征空间进行特征提取。
步骤S104：对所述网络播放器历史测试数据各子空间输出的特征进行融合分类，得到网络播放器历史测试数据特征。
在具体实施中，将所述各子空间输出的特征和经卷积得到的网络播放器历史测试局部特征进行残差连接，得到残差连接后的网络播放器历史测试数据向量；对所述残差连接后的网络播放器历史测试数据向量进行均值操作，得到网络播放器历史测试数据最终特征表示。
在本实施例中，对所述网络播放器历史测试数据进行数据增强处理，得到数据增强处理后的网络播放器历史测试数据；通过所述数据增强处理后的网络播放器历史测试数据进行局部特征提取，得到网络播放器历史测试数据不同的特征子空间；将所述网络播放器历史测试数据不同的特征子空间通过Attention机制进行全局注意力计算，得到网络播放器历史测试数据各子空间输出的特征；对所述网络播放器历史测试数据各子空间输出的特征进行融合分类，得到网络播放器历史测试数据特征。构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值；根据所述网络播放器故障检测模型的目标权值对所述网络播放器故障检测模型进行调整，得到目标网络播放器故障检测模型；获取当前待检测网络播放器测试数据并输入至所述目标网络播放器故障检测模型，得到网络播放器故障检测结果，及时准确检测出网络播放器故障。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有网络播放器故障检测程序，所述网络播放器故障检测程序被处理器执行时实现如上文所述的网络播放器故障检测方法的步骤。
由于本存储介质可以采用上述所有实施例的技术方案，因此至少具有上述实施例的技术方案所带来的有益效果，在此不再一一赘述。
参照图6，图6为本发明网络播放器故障检测装置第一实施例的功能模块示意图。
本发明网络播放器故障检测装置第一实施例中，该网络播放器故障检测装置包括：
获取模块10，用于获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征，所述网络播放器历史测试数据至少包括：视频画面显示、面板接线电流、信号连接线电流、暗埋线电流、频道跳台情况、网络连接情况；
处理模块20，用于构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值；
模型构建模块30，用于根据所述网络播放器故障检测模型的目标权值对所述网络播放器故障检测模型进行调整，得到目标网络播放器故障检测模型；
检测模块40，用于获取当前待检测网络播放器测试数据并输入至所述目标网络播放器故障检测模型，得到网络播放器故障检测结果。
在本实施例中，获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征，所述网络播放器历史测试数据至少包括：视频画面显示、面板接线电流、信号连接线电流、暗埋线电流、频道跳台情况、网络连接情况；构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值；根据所述网络播放器故障检测模型的目标权值对所述网络播放器故障检测模型进行调整，得到目标网络播放器故障检测模型；获取当前待检测网络播放器测试数据并输入至所述目标网络播放器故障检测模型，得到网络播放器故障检测结果。从而实现进行实时性与准确性兼顾的网络播放器故障检测。
在一实施例中，所述模型构建模块30，还用于构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值，包括：根据所述网络播放器历史测试数据特征进行数据处理，并根据设置所述网络播放器故障检测模型的初始权值；根据所述初始权值和预设参考权值进行处理得到误差，并在所述误差不满足预设误差范围时对所述权值进行跟踪得到新的权值；重复执行上述迭代误差计算和权值跟踪操作，直到所述误差满足预设误差范围得到目标权值。
在一实施例中，所述模型构建模块30，还用于对所述权值进行跟踪得到新的权值，包括：
根据所述权值的k时刻的值和k-1时刻的值的关系、网络播放器故障检测模型的期望输出、实际输出以及模型误差建立到非线性函数关系；
通过非线性递归最小二乘跟踪对状态向量进行辨识，得到权值的最小估计值；
根据所述权值的最小估计值对所述非线性函数进行泰勒展开保留线性项，得到网络播放器故障模型对应的状态方程；
对所述网络播放器故障检测对应的状态方程进行递推，得到新的权值。
在一实施例中，所述模型构建模块30，还用于根据所述初始权值和预设参考权值进行处理得到误差，包括：
建立所述网络播放器故障检测模型对应的多个输出向量、输入向量以及参数向量之间的向量关系；
将所述网络播放器历史测试数据特征和权值进行处理得到多个输出向量，并根据所述多个输出向量、输入向量以及参数向量之间的向量关系得到输出向量；
根据所述输出向量得到实际输出权值，并根据所述实际输出权值和目标权值得到误差。
在一实施例中，所述模型构建模块30，还用于获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征，包括：
对所述网络播放器历史测试数据进行数据增强处理，得到数据增强处理后的网络播放器历史测试数据；
通过所述数据增强处理后的网络播放器历史测试数据进行局部特征提取，得到网络播放器历史测试数据不同的特征子空间；
将所述网络播放器历史测试数据不同的特征子空间通过Attention机制进行全局注意力计算，得到网络播放器历史测试数据各子空间输出的特征；
对所述网络播放器历史测试数据各子空间输出的特征进行融合分类，得到网络播放器历史测试数据特征。
在一实施例中，所述处理模块20，还用于将所述网络播放器历史测试数据不同的特征子空间通过Attention机制进行全局注意力计算，得到各子空间输出的特征，包括：
对所述网络播放器历史测试数据不同的特征子空间进行N次Self-Attention处理，捕获到不同的特征子空间中的目标特征，其中N为大于1的正整数；
对所述不同的特征子空间中的目标特征进行Concat拼接并与预设映射矩阵相乘，得到各子空间输出的特征。
在一实施例中，所述处理模块20，还用于对所述网络播放器历史测试数据不同的特征子空间进行N次Self-Attention处理，捕获到不同的特征子空间中的目标特征，其中N为大于1的正整数，包括：
根据不同的特征子空间每个数据指标对目标特征的贡献，调整每个数据指标在特征提取过程中的对应的权重系数；
根据所述权重系数对卷积提取的局部特征进行二次特征提取，得到不同的特征子空间中的目标特征。
本发明所述网络播放器故障检测装置的其他实施例或具体实现方式可参照上述各方法实施例，因此至少具有上述实施例的技术方案所带来的所有有益效果，此处不再赘述。
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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。
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(如只读存储器镜像（Read Only Memory image，ROM）/随机存取存储器（Random AccessMemory，RAM）、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种网络播放器故障检测方法，其特征在于，所述方法包括以下步骤：
获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征，所述网络播放器历史测试数据至少包括：视频画面显示、面板接线电流、信号连接线电流、暗埋线电流、频道跳台情况、网络连接情况；
构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值；
根据所述网络播放器故障检测模型的目标权值对所述网络播放器故障检测模型进行调整，得到目标网络播放器故障检测模型；
获取当前待检测网络播放器测试数据并输入至所述目标网络播放器故障检测模型，得到网络播放器故障检测结果。
2.如权利要求1所述的方法，其特征在于，所述构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值，包括：
根据所述网络播放器历史测试数据特征进行数据处理，并根据设置所述网络播放器故障检测模型的初始权值；
根据所述初始权值和预设参考权值进行处理得到误差，并在所述误差不满足预设误差范围时对所述权值进行跟踪得到新的权值；
重复执行上述误差计算和权值跟踪操作，直到所述误差满足预设误差范围得到目标权值。
3.如权利要求2所述的方法，其特征在于，所述对所述权值进行跟踪得到新的权值，包括：
根据所述权值的k时刻的值和k-1时刻的值的关系、网络播放器故障检测模型的期望输出、实际输出以及模型误差建立到非线性函数关系；
通过非线性递归最小二乘跟踪对状态向量进行辨识，得到权值的最小估计值；
根据所述权值的最小估计值对所述非线性函数进行泰勒展开保留线性项，得到网络播放器故障模型对应的状态方程；
对所述网络播放器故障检测对应的状态方程进行递推，得到新的权值。
4.如权利要求2所述的方法，其特征在于，所述根据所述初始权值和预设参考权值进行处理得到误差，包括：
建立所述网络播放器故障检测模型对应的多个输出向量、输入向量以及参数向量之间的向量关系；
将所述网络播放器历史测试数据特征和权值进行处理得到多个输出向量，并根据所述多个输出向量、输入向量以及参数向量之间的向量关系得到输出向量；
根据所述输出向量得到实际输出权值，并根据所述实际输出权值和目标权值得到误差。
5.如权利要求1中所述的方法，其特征在于，所述获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征，包括：
对所述网络播放器历史测试数据进行数据增强处理，得到数据增强处理后的网络播放器历史测试数据；
通过所述数据增强处理后的网络播放器历史测试数据进行局部特征提取，得到网络播放器历史测试数据不同的特征子空间；
将所述网络播放器历史测试数据不同的特征子空间通过Attention机制进行全局注意力计算，得到网络播放器历史测试数据各子空间输出的特征；
对所述网络播放器历史测试数据各子空间输出的特征进行融合分类，得到网络播放器历史测试数据特征。
6.如权利要求5所述的方法，其特征在于，所述将所述网络播放器历史测试数据不同的特征子空间通过Attention机制进行全局注意力计算，得到各子空间输出的特征，包括：
对所述网络播放器历史测试数据不同的特征子空间进行N次Self-Attention处理，捕获到不同的特征子空间中的目标特征，其中N为大于1的正整数；
对所述不同的特征子空间中的目标特征进行Concat拼接并与预设映射矩阵相乘，得到各子空间输出的特征。
7.如权利要求6所述的方法，其特征在于，所述对所述网络播放器历史测试数据不同的特征子空间进行N次Self-Attention处理，捕获到不同的特征子空间中的目标特征，其中N为大于1的正整数，包括：
根据不同的特征子空间每个数据指标对目标特征的贡献，调整每个数据指标在特征提取过程中的对应的权重系数；
根据所述权重系数对卷积提取的局部特征进行二次特征提取，得到不同的特征子空间中的目标特征。
8.一种网络播放器故障检测装置，其特征在于，所述网络播放器故障检测装置包括：
获取模块，用于获取网络播放器历史测试数据并进行特征提取得到网络播放器历史测试数据特征，所述网络播放器历史测试数据至少包括：视频画面显示、面板接线电流、信号连接线电流、暗埋线电流、频道跳台情况、网络连接情况；
处理模块，用于构建网络播放器故障检测模型，并根据所述网络播放器历史测试数据特征进行跟踪，得到所述网络播放器故障检测模型的目标权值；
模型构建模块，用于根据所述网络播放器故障检测模型的目标权值对所述网络播放器故障检测模型进行调整，得到目标网络播放器故障检测模型；
检测模块，用于获取当前待检测网络播放器测试数据并输入至所述目标网络播放器故障检测模型，得到网络播放器故障检测结果。
9.一种网络播放器故障检测设备，其特征在于，所述网络播放器故障检测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的网络播放器故障检测程序，所述网络播放器故障检测程序被所述处理器执行时实现如权利要求1至7中任一项所述的网络播放器故障检测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有网络播放器故障检测程序，所述网络播放器故障检测程序被处理器执行时实现如权利要求1至7中任一项所述的网络播放器故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310535923.6A CN116248959B (zh) | 2023-05-12 | 2023-05-12 | 网络播放器故障检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310535923.6A CN116248959B (zh) | 2023-05-12 | 2023-05-12 | 网络播放器故障检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116248959A true CN116248959A (zh) | 2023-06-09 |
| CN116248959B CN116248959B (zh) | 2023-07-28 |
Family
ID=86635301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310535923.6A Active CN116248959B (zh) | 2023-05-12 | 2023-05-12 | 网络播放器故障检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116248959B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040243339A1 (en) * | 2003-04-03 | 2004-12-02 | Fujitsu Limited | Integrated circuit testing method, program, storing medium, and apparatus |
| CN102959982A (zh) * | 2010-06-25 | 2013-03-06 | 艾科星科技公司 | 信号降级检测 |
| CN110943874A (zh) * | 2018-09-21 | 2020-03-31 | 中国移动通信有限公司研究院 | 一种家庭宽带网络的故障检测方法、装置和可读介质 |
| CN110969096A (zh) * | 2019-11-07 | 2020-04-07 | 国电南京自动化股份有限公司 | 基于粒子群优化支持向量机的电机故障模式诊断方法 |
| US20200169450A1 (en) * | 2018-11-27 | 2020-05-28 | Centurylink Intellectual Property Llc | Method and System for Detecting Errors in Local Area Network |
| CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
| CN112911272A (zh) * | 2019-12-04 | 2021-06-04 | 中国电信股份有限公司 | Iptv群障预警方法和系统 |
| CN113472809A (zh) * | 2021-07-19 | 2021-10-01 | 华中科技大学 | 一种加密恶意流量检测方法、检测系统及计算机设备 |
| WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
| CN114861754A (zh) * | 2022-03-25 | 2022-08-05 | 华中师范大学 | 一种基于外部注意力机制的知识追踪方法及系统 |
| CN115236535A (zh) * | 2022-07-18 | 2022-10-25 | 湖北文理学院 | 电池soc预估方法、装置、设备及存储介质 |
| CN115457051A (zh) * | 2022-08-31 | 2022-12-09 | 昆明理工大学 | 基于全局自注意力与多尺度特征融合的肝脏ct图像分割方法 |
| CN115761697A (zh) * | 2022-11-25 | 2023-03-07 | 重庆工商大学 | 一种基于改进yolov4的辅助智能驾驶目标检测方法 |
| CN115834222A (zh) * | 2022-11-30 | 2023-03-21 | 中国矿业大学 | 一种基于递归水印机制的无人系统网络攻击检测方法 |
| US20230106360A1 (en) * | 2021-10-01 | 2023-04-06 | Toyota Motor Engineering & Manufacturing North America, Inc. | Physics-informed partial least squares regression modeling for failure detection in power electronic devices |
| CN115935284A (zh) * | 2022-11-04 | 2023-04-07 | 贵州电网有限责任公司信息中心 | 电网异常电压检测方法、装置、设备及存储介质 |
-
2023
- 2023-05-12 CN CN202310535923.6A patent/CN116248959B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040243339A1 (en) * | 2003-04-03 | 2004-12-02 | Fujitsu Limited | Integrated circuit testing method, program, storing medium, and apparatus |
| CN102959982A (zh) * | 2010-06-25 | 2013-03-06 | 艾科星科技公司 | 信号降级检测 |
| CN110943874A (zh) * | 2018-09-21 | 2020-03-31 | 中国移动通信有限公司研究院 | 一种家庭宽带网络的故障检测方法、装置和可读介质 |
| US20200169450A1 (en) * | 2018-11-27 | 2020-05-28 | Centurylink Intellectual Property Llc | Method and System for Detecting Errors in Local Area Network |
| CN110969096A (zh) * | 2019-11-07 | 2020-04-07 | 国电南京自动化股份有限公司 | 基于粒子群优化支持向量机的电机故障模式诊断方法 |
| CN112911272A (zh) * | 2019-12-04 | 2021-06-04 | 中国电信股份有限公司 | Iptv群障预警方法和系统 |
| WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
| CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
| CN113472809A (zh) * | 2021-07-19 | 2021-10-01 | 华中科技大学 | 一种加密恶意流量检测方法、检测系统及计算机设备 |
| US20230106360A1 (en) * | 2021-10-01 | 2023-04-06 | Toyota Motor Engineering & Manufacturing North America, Inc. | Physics-informed partial least squares regression modeling for failure detection in power electronic devices |
| CN114861754A (zh) * | 2022-03-25 | 2022-08-05 | 华中师范大学 | 一种基于外部注意力机制的知识追踪方法及系统 |
| CN115236535A (zh) * | 2022-07-18 | 2022-10-25 | 湖北文理学院 | 电池soc预估方法、装置、设备及存储介质 |
| CN115457051A (zh) * | 2022-08-31 | 2022-12-09 | 昆明理工大学 | 基于全局自注意力与多尺度特征融合的肝脏ct图像分割方法 |
| CN115935284A (zh) * | 2022-11-04 | 2023-04-07 | 贵州电网有限责任公司信息中心 | 电网异常电压检测方法、装置、设备及存储介质 |
| CN115761697A (zh) * | 2022-11-25 | 2023-03-07 | 重庆工商大学 | 一种基于改进yolov4的辅助智能驾驶目标检测方法 |
| CN115834222A (zh) * | 2022-11-30 | 2023-03-21 | 中国矿业大学 | 一种基于递归水印机制的无人系统网络攻击检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 顾桂梅: "基于YOLOv5s 的接触网吊弦线和 载流环缺陷识别算法", 《铁道科学与工程学报》, vol. 20, no. 3, pages 1066 - 1076 * |
| 黄伟;范磊;: "基于多分类器投票集成的半监督情感分类方法研究", 中文信息学报, no. 02 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116248959B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109949290B (zh) | 路面裂缝检测方法、装置、设备及存储介质 | |
| CN110781413B (zh) | 兴趣点确定方法及装置、存储介质、电子设备 | |
| CN110264093B (zh) | 信用模型的建立方法、装置、设备及可读存储介质 | |
| CN111311022B (zh) | 发电量预测方法、装置、设备及计算机可读存储介质 | |
| CN111898247B (zh) | 滑坡位移预测方法、设备及存储介质 | |
| CN111199355A (zh) | 生态环境的评价方法、装置和电子系统 | |
| CN114169245A (zh) | 一种变压器故障诊断方法、装置及设备 | |
| CN112651467A (zh) | 卷积神经网络的训练方法和系统以及预测方法和系统 | |
| CN115641498A (zh) | 基于空间多尺度卷积神经网络的中期降水预报后处理订正方法 | |
| CN111815576A (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
| CN115222061A (zh) | 基于持续学习的联邦学习方法以及相关设备 | |
| CN114897858A (zh) | 一种基于深度学习的快速绝缘子缺陷检测方法及其系统 | |
| CN111476144B (zh) | 行人属性识别模型确定方法、装置及计算机可读存储介质 | |
| CN118071428A (zh) | 用于多模态监测数据的智能处理系统及方法 | |
| CN116248959B (zh) | 网络播放器故障检测方法、装置、设备及存储介质 | |
| CN116805387B (zh) | 基于知识蒸馏的模型训练方法、质检方法和相关设备 | |
| CN113435531A (zh) | 零样本图像分类方法、系统、电子设备及存储介质 | |
| CN114549849A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| CN115689061A (zh) | 风电超短期功率预测方法及相关设备 | |
| CN112836900B (zh) | 风电预测误差概率计算方法、装置及可读存储介质 | |
| CN115713683A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
| CN110378306B (zh) | 年龄预测方法、装置及图像处理设备 | |
| CN115223157A (zh) | 一种基于循环神经网络的电网设备铭牌光学字符识别方法 | |
| CN114238968A (zh) | 应用程序检测方法及装置、存储介质及电子设备 | |
| CN117056979B (zh) | 基于用户隐私数据的业务处理模型更新方法及装置 |
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 |