CN116381164B - 一种基于神经网络的燃气臭味剂浓度测量方法及装置 - Google Patents
一种基于神经网络的燃气臭味剂浓度测量方法及装置 Download PDFInfo
- Publication number
- CN116381164B CN116381164B CN202310628903.3A CN202310628903A CN116381164B CN 116381164 B CN116381164 B CN 116381164B CN 202310628903 A CN202310628903 A CN 202310628903A CN 116381164 B CN116381164 B CN 116381164B
- Authority
- CN
- China
- Prior art keywords
- concentration
- gas
- odor agent
- neural network
- value
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 79
- 238000000691 measurement method Methods 0.000 title description 4
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 118
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 29
- 239000007789 gas Substances 0.000 claims description 198
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 72
- 239000003205 fragrance Substances 0.000 claims description 42
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 36
- 229910052757 nitrogen Inorganic materials 0.000 claims description 36
- 239000001301 oxygen Substances 0.000 claims description 36
- 229910052760 oxygen Inorganic materials 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 239000002737 fuel gas Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 206010017740 Gas poisoning Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 239000013566 allergen Substances 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0067—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display by measuring the rate of variation of the concentration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本申请提出了一种基于神经网络的燃气臭味剂浓度测量方法，方法包括：获取第一空气数据与第一燃气臭味剂浓度；对第一空气数据与第一燃气臭味剂浓度进行数据处理，连接三个维度，三个维度构成燃气臭味剂浓度的特征向量；根据燃气臭味剂浓度特征向量构建神经网络训练模型；获取迭代计算结果，并根据迭代计算结果确定预测燃气臭味剂浓度值；将预测燃气臭味剂浓度值与第一燃气臭味剂浓度值进行比对，并获取误差值；反馈误差值至神经网络训练模型；获取第二空气数据，将第二空气数据导入神经网络训练模型，得到第二燃气臭味剂浓度。本申请提出了一种基于神经网络的燃气臭味剂浓度测量装置与电子设备。
Description
技术领域
本申请涉及检测方法技术领域，尤其涉及一种基于神经网络的燃气臭味剂浓度测量方法及装置。
背景技术
燃气臭味剂是添加于燃气中以在燃气泄漏时能及时提醒使用者的添加剂。由于其特殊性，燃气臭味剂对特定的将燃气臭味剂作为过敏源的过敏人群造成严重伤害，特定人群在接触燃气臭味剂时所受到的伤害可能大于燃气中毒的伤害。因此，通过空气中氧含量、氮气浓度、燃气浓度对燃气臭味剂浓度进行预测急需解决的问题。
发明内容
基于此，本申请实施例提供了一种基于神经网络的燃气臭味剂浓度测量方法及装置，以改善上述问题。
第一方面，本申请提出了一种基于神经网络的燃气臭味剂浓度测量方法，所述方法包括：获取第一空气数据与第一燃气臭味剂浓度，所述第一空气数据包括氧含量、氮气浓度、燃气浓度；对所述第一空气数据与所述第一燃气臭味剂浓度进行数据处理，其中，所述氧含量、所述氮气浓度和所述燃气浓度作为三个不同维度；连接三个所述维度，三个所述维度构成所述燃气臭味剂浓度的特征向量；根据所述燃气臭味剂浓度特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述氧含量、所述氮气浓度、所述燃气浓度与所述燃气臭味剂浓度之间的比例进行迭代计算；获取迭代计算结果，并根据所述迭代计算结果确定预测燃气臭味剂浓度值；将所述预测燃气臭味剂浓度值与第一燃气臭味剂浓度值进行比对，并获取误差值；反馈所述误差值至所述神经网络训练模型，当所述误差值小于预设值时，停止对所述神经网络训练模型的训练过程；获取第二空气数据，将所述第二空气数据导入所述神经网络训练模型，得到第二燃气臭味剂浓度。
结合第一方面，在一些可行的实施方式中，所述对所述第一空气数据与所述第一燃气臭味剂浓度进行数据处理，其中，所述氧含量、所述氮气浓度和所述燃气浓度作为三个不同维度，包括：对每个所述维度进行归一化处理，以使每个所述维度均位于[0,1]的范围内。
结合第一方面，在一些可行的实施方式中，所述对所述第一空气数据与所述第一燃气臭味剂浓度进行数据处理，其中，所述氧含量、所述氮气浓度和所述燃气浓度作为三个不同维度，还包括：对每个所述维度进行降噪处理，其中，所述降噪处理的算法采用移动平均滤波法。
结合第一方面，在一些可行的实施方式中，所述对所述第一空气数据与所述第一燃气臭味剂浓度进行数据处理，其中，所述氧含量、所述氮气浓度和所述燃气浓度作为三个不同维度，还包括：对每个所述维度进行数据清洗。
结合第一方面，在一些可行的实施方式中，所述根据所述燃气臭味剂浓度特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述氧含量、所述氮气浓度、所述燃气浓度与所述燃气臭味剂浓度之间的比例进行迭代计算中，所述神经网络训练模型的类型为全连接神经网络训练模型。
结合第一方面，在一些可行的实施方式中，所述将所述预测燃气臭味剂浓度值与第一燃气臭味剂浓度值进行比对，并获取误差值，包括：将所述预测燃气臭味剂浓度值与所述第一燃气臭味剂浓度值比对，若所述预测燃气臭味剂浓度值大于所述第一燃气臭味剂浓度值，则所述误差值、所述预测燃气臭味剂浓度值与所述第一燃气臭味剂浓度值之间的关系满足：
T=（yt-y1）y1
其中，所述误差值为T，所述预测燃气臭味剂浓度值为yt，所述第一燃气臭味剂浓度值y1。
结合第一方面，在一些可行的实施方式中，所述将所述预测燃气臭味剂浓度值与第一燃气臭味剂浓度值进行比对，并获取误差值，还包括：
将所述预测燃气臭味剂浓度值与所述第一燃气臭味剂浓度值比对，若所述预测燃气臭味剂浓度值小于所述第一燃气臭味剂浓度值，则所述误差值、所述预测燃气臭味剂浓度值与所述第一燃气臭味剂浓度值之间的关系满足：
T=（y1-yt）y1
其中，所述误差值为T，所述预测燃气臭味剂浓度值为yt，所述第一燃气臭味剂浓度值y1。
第二方面，本申请提出了一种基于神经网络的燃气臭味剂浓度测量装置，所述装置包括：
第一获取模块，所述第一获取模块用于获取第一空气数据与第一燃气臭味剂浓度，所述第一空气数据包括氧含量、氮气浓度、燃气浓度；
数据处理模块，所述数据处理模块包括对所述第一空气数据与所述第一燃气臭味剂浓度进行数据处理，其中，所述氧含量、所述氮气浓度和所述燃气浓度作为三个不同维度；
维度构建模块，所述维度构建模块用于连接三个所述维度，三个所述维度构成所述燃气臭味剂浓度的特征向量；
训练模块，所述训练模块用于根据所述燃气臭味剂浓度特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述氧含量、所述氮气浓度、所述燃气浓度与所述燃气臭味剂浓度之间的比例进行迭代计算；
第一确定模块，所述第一确定模块用于获取迭代计算结果，并根据所述迭代计算结果确定预测燃气臭味剂浓度值；
对比模块，所述对比模块用于将所述预测燃气臭味剂浓度值与第一燃气臭味剂浓度值进行比对，并获取误差值；
反馈模块，所述反馈模块用于反馈所述误差值至所述神经网络训练模型，当所述误差值小于预设值时，停止对所述神经网络训练模型的训练过程；
第二确定模块，所述第二确定模块用于获取第二空气数据，将所述第二空气数据导入所述神经网络训练模型，得到第二燃气臭味剂浓度。
结合第二方面，在一些可行的实施方式中，所述数据处理模块，包括：
归一模块，所述归一模块用于对每个所述维度进行归一化处理，以使每个所述维度均位于[0,1]的范围内。
第三方面，本申请提出了一种电子设备，所述电子设备包括：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，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所述存储器上所存放的程序时，实现如第一方面所述的方法步骤。
本申请提出的一种基于神经网络的燃气臭味剂浓度测量方法，首先，获取第一空气数据与第一燃气臭味剂浓度，所述第一空气数据包括氧含量、氮气浓度、燃气浓度，然后，对所述第一空气数据与所述第一燃气臭味剂浓度进行数据处理，其中，所述氧含量、所述氮气浓度和所述燃气浓度作为三个不同维度，然后，连接三个所述维度，三个所述维度构成所述燃气臭味剂浓度的特征向量；根据所述燃气臭味剂浓度特征向量构建神经网络训练模型，然后，获取迭代计算结果，并根据所述迭代计算结果确定预测燃气臭味剂浓度值；将所述预测燃气臭味剂浓度值与第一燃气臭味剂浓度值进行比对，并获取误差值，然后，反馈所述误差值至所述神经网络训练模型，当所述误差值小于预设值时，停止对所述神经网络训练模型的训练过程，最后，获取第二空气数据，将所述第二空气数据导入所述神经网络训练模型，得到第二燃气臭味剂浓度，本申请提出的基于神经网络的燃气臭味剂浓度测量方法，通过空气中氧含量、氮气浓度、燃气浓度实现了对燃气臭味剂浓度进行预测。
附图说明
图1是根据本申请一实施例示出的基于神经网络的燃气臭味剂浓度测量方法的流程示意图。
具体实施方式
下面结合附图，对本申请中的技术方案进行描述。
在本申请实施例中，“示例地”、“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用示例的一词旨在以具体方式呈现概念。此外，在本申请实施例中，“和/或”所表达的含义可以是两者都有，或者可以是两者任选其一。
图1为本发明实施例提供的关于基于神经网络的燃气臭味剂浓度测量方法的流程示意图，如图1所示，该方法包括：
S101：获取第一空气数据与第一燃气臭味剂浓度，所述第一空气数据包括氧含量、氮气浓度、燃气浓度。
可以理解的，在采集数据时，需要选择合适的传感器来进行数据采集，可以采用电化学传感器、半导体传感器等。采集的数据包括氧含量、氮气浓度、燃气浓度。
S102：对所述第一空气数据与所述第一燃气臭味剂浓度进行数据处理，其中，所述氧含量、所述氮气浓度和所述燃气浓度作为三个不同维度。
具体的，在本步骤中，设氧含量、氮气浓度和燃气浓度分别为y1、x2和x3，则燃气臭味剂浓度的特征向量为：[y1, x2, x3]。该特征向量包含了三个维度的信息，可以作为神经网络训练模型的输入特征，进行模型训练和预测。
在一些实施方式中，步骤S102可以包括步骤S102-1~S102-3。
S102-1:对每个所述维度进行归一化处理，以使每个所述维度均位于[0,1]的范围内。
可以理解的，对每个维度进行归一化处理，可以使不同维度的数据具有可比性，避免不同尺度的数据对模型训练的影响不同。具体的，设x为某个维度的原始数据，xmin和xmax分别为该维度的最小值和最大值，则该维度的归一化后的值为：
y = (x - xmin) / (xmax - xmin)
其中，y为归一化后的值，取值范围为[0,1]。该方法可以保留数据的相对大小关系，同时使得数据具有可比性。
另外，对于某些特殊情况，如存在离群点或异常值的数据，可以考虑采用基于中位数和四分位数的RobustScaler归一化方法，该方法可以对异常值进行鲁棒处理，避免异常值对归一化结果的影响。
S102-2:对每个所述维度进行降噪处理，其中，所述降噪处理的算法采用移动平均滤波法。
可以理解的，移动平均滤波可以在一定时间窗口内对数据进行平均处理，以去除瞬时异常数据的影响，从而保留数据的趋势和规律。具体地，对于一个长度为N的数据序列x(1), x(2),…, x(N)，可以定义一个窗口大小w，每次将窗口放在数据序列上，并计算窗口内数据的平均值，作为当前数据点的估计值。
S102-3:对每个所述维度进行数据清洗。
可以理解的，数据清洗可以包括检查数据是否完整，具体的，可以通过检查数据中是否存在缺失值或异常值。如果存在，需要对缺失值进行填充或删除，对异常值进行修正或删除。在另外一些实施方式中，也可以包括对数据格式或重复性的检测，具体数据清洗的内容在此不做限定。
S103：连接三个所述维度，三个所述维度构成所述燃气臭味剂浓度的特征向量。
具体的，在连接的过程中，将三个维度的数据按照相同的时间戳进行对应。即将氧含量、氮气浓度、燃气浓度的数据按照采样时间对齐，确保每个维度的数据对应的时间相同。将对应的三个维度的数据组合成一个特征向量。即将氧含量、氮气浓度、燃气浓度三个维度的数据按照一定的顺序组合成一个特征向量。该特征向量用于作为燃气臭味剂浓度的表示。
S104：根据所述燃气臭味剂浓度特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述氧含量、所述氮气浓度、所述燃气浓度与所述燃气臭味剂浓度之间的比例进行迭代计算。
具体的，可以采用深度学习中常用的全连接神经网络训练模型，该模型可以通过多层神经元的计算，将输入特征与输出值之间的非线性关系进行建模。
具体地，设特征向量为x=[y1, x2, x3]，其中y1、x2和x3分别表示归一化后的氧含量、氮气浓度和燃气浓度，设神经网络训练模型为f(x;θ)，其中θ表示模型参数，使得模型输出值f(x;θ)能够接近燃气臭味剂浓度的真实值y。则神经网络训练模型的训练过程可以通过最小化损失函数来实现，即：
L(θ) = 1/N * Σ(f(x_i;θ) - y_i)^2
其中，N表示训练样本数量，xi和yi分别表示第i个样本的输入特征和输出值。该损失函数可以衡量模型预测值与真实值之间的误差，通过反向传播算法和梯度下降等优化算法，可以更新模型参数θ，从而提高模型的准确性。
S105：获取迭代计算结果，并根据所述迭代计算结果确定预测燃气臭味剂浓度值。
在神经网络训练模型训练完成后，可以使用该模型对新的燃气样本进行预测。具体地，对于一个新的燃气样本，可以先通过传感器等设备获取其氧含量、氮气浓度和燃气浓度的原始数据，并对其进行归一化处理，得到特征向量x=[x1, x2, x3]。然后，将该特征向量输入到已经训练好的神经网络训练模型中，进行迭代计算，得到模型预测的燃气臭味剂浓度值f(x;θ)。
具体地，通过前向传播算法，神经网络训练模型将特征向量x作为输入，逐层计算得到最终输出值f(x;θ)。在计算过程中，每个神经元都采用激活函数对输入值进行非线性变换，以增强模型的表达能力。最终输出值f(x;θ)通常采用线性激活函数，以保证预测结果的连续性。根据神经网络训练模型的预测结果，可以确定新的燃气样本的预测燃气臭味剂浓度值。
S106：将所述预测燃气臭味剂浓度值与第一燃气臭味剂浓度值进行比对，并获取误差值。
具体的，作为一种实施方式，步骤S106包括步骤S106-1~S106-2。
S106-1：将所述预测燃气臭味剂浓度值与所述第一燃气臭味剂浓度值比对，若所述预测燃气臭味剂浓度值大于所述第一燃气臭味剂浓度值，则所述误差值、所述预测燃气臭味剂浓度值与所述第一燃气臭味剂浓度值之间的关系满足：
T=（yt-y1）y1
其中，所述误差值为T，所述预测燃气臭味剂浓度值为yt，所述第一燃气臭味剂浓度值y1。
S106-2：将所述预测燃气臭味剂浓度值与所述第一燃气臭味剂浓度值比对，若所述预测燃气臭味剂浓度值小于所述第一燃气臭味剂浓度值，则所述误差值、所述预测燃气臭味剂浓度值与所述第一燃气臭味剂浓度值之间的关系满足：
T=（y1-yt）y1
其中，所述误差值为T，所述预测燃气臭味剂浓度值为yt，所述第一燃气臭味剂浓度值y1。
S107：反馈所述误差值至所述神经网络训练模型，当所述误差值小于预设值时，停止对所述神经网络训练模型的训练过程。
可以理解的，当误差值小于预设值时，停止对神经网络训练模型的训练过程。这是因为当误差值小于一定阈值时，模型已经足够准确地对数据进行预测，继续训练模型的效果不大，而且可能会导致过拟合等问题。
S108：获取第二空气数据，将所述第二空气数据导入所述神经网络训练模型，得到第二燃气臭味剂浓度。
可以理解的，通过将需要预测的空气，即第二空气数据导入训练好的神经网络训练模型，即可以直接预测第二空气中的第二燃气臭味剂浓度。
本申请提出的一种基于神经网络的燃气臭味剂浓度测量方法，首先，获取第一空气数据与第一燃气臭味剂浓度，所述第一空气数据包括氧含量、氮气浓度、燃气浓度，然后，对所述第一空气数据与所述第一燃气臭味剂浓度进行数据处理，其中，所述氧含量、所述氮气浓度和所述燃气浓度作为三个不同维度，然后，连接三个所述维度，三个所述维度构成所述燃气臭味剂浓度的特征向量；根据所述燃气臭味剂浓度特征向量构建神经网络训练模型，然后，获取迭代计算结果，并根据所述迭代计算结果确定预测燃气臭味剂浓度值；将所述预测燃气臭味剂浓度值与第一燃气臭味剂浓度值进行比对，并获取误差值，然后，反馈所述误差值至所述神经网络训练模型，当所述误差值小于预设值时，停止对所述神经网络训练模型的训练过程，最后，获取第二空气数据，将所述第二空气数据导入所述神经网络训练模型，得到第二燃气臭味剂浓度，本申请提出的基于神经网络的燃气臭味剂浓度测量方法，通过空气中氧含量、氮气浓度、燃气浓度实现了对燃气臭味剂浓度进行预测。
基于同一发明构思，本申请提出了一种基于神经网络的燃气臭味剂浓度测量装置，所述装置包括：
第一获取模块，所述第一获取模块用于获取第一空气数据与第一燃气臭味剂浓度，所述第一空气数据包括氧含量、氮气浓度、燃气浓度。
数据处理模块，所述数据处理模块包括对所述第一空气数据与所述第一燃气臭味剂浓度进行数据处理，其中，所述氧含量、所述氮气浓度和所述燃气浓度作为三个不同维度。
维度构建模块，所述维度构建模块用于连接三个所述维度，三个所述维度构成所述燃气臭味剂浓度的特征向量。
训练模块，所述训练模块用于根据所述燃气臭味剂浓度特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述氧含量、所述氮气浓度、所述燃气浓度与所述燃气臭味剂浓度之间的比例进行迭代计算。
第一确定模块，所述第一确定模块用于获取迭代计算结果，并根据所述迭代计算结果确定预测燃气臭味剂浓度值。
对比模块，所述对比模块用于将所述预测燃气臭味剂浓度值与第一燃气臭味剂浓度值进行比对，并获取误差值。
反馈模块，所述反馈模块用于反馈所述误差值至所述神经网络训练模型，当所述误差值小于预设值时，停止对所述神经网络训练模型的训练过程。
第二确定模块，所述第二确定模块用于获取第二空气数据，将所述第二空气数据导入所述神经网络训练模型，得到第二燃气臭味剂浓度。
在一些实施方式中，所述数据处理模块，包括：
归一模块，所述归一模块用于对每个所述维度进行归一化处理，以使每个所述维度均位于[0,1]的范围内。
基于同一发明构思，本申请提出了一种电子设备，所述电子设备包括：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，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所述存储器上所存放的程序时，实现如第一方面所述的一种基于神经网络的燃气臭味剂浓度测量方法步骤。
具体的，处理器与存储器以及收发，如可以通过通信总线连接。
下面对电子设备的各个构成部件进行具体的介绍：
其中，处理器是电子设备的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器是一个或多个中央处理器（central processing unit，CPU），也可以是特定集成电路（application specific integrated circuit，ASIC），或者是被配置成实施本发明实施例的一个或多个集成电路，例如：一个或多个微处理器（digital signalprocessor，DSP），或，一个或者多个现场可编程门阵列（field programmable gate array，FPGA）。
可选地，处理器可以通过运行或执行存储在存储器内的软件程序，以及调用存储在存储器内的数据，执行电子设备的各种功能。
其中，所述存储器用于存储执行本发明方案的软件程序，并由处理器来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。
可选地，存储器可以是只读存储器（read-only memory，ROM）或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器（random access memory，RAM）或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器（electrically erasable programmable read-only memory，EEPROM）、只读光盘（compactdisc read-only memory，CD-ROM）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以和处理器集成在一起，也可以独立存在，并通过电子设备的接口电路与处理器耦合，本发明实施例对此不作具体限定。
收发器，用于与网络设备通信，或者与终端设备通信。
可选地，收发器可以包括接收器和发送器。其中，接收器用于实现接收功能，发送器用于实现发送功能。
可选地，收发器可以和处理器集成在一起，也可以独立存在，并通过路由器的接口电路与处理器耦合，本发明实施例对此不作具体限定。
此外，电子设备的技术效果可以参考上述方法实施例所述的数据传输方法的技术效果，此处不再赘述。
应理解，在本发明实施例中的处理器可以是中央处理单元（central processingunit，CPU），该处理器还可以是其他通用处理器、数字信号处理器（digital signalprocessor，DSP）、专用集成电路（application specific integrated circuit，ASIC）、现成可编程门阵列（field programmable gate array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本发明实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read-only memory，ROM）、可编程只读存储器（programmable ROM，PROM）、可擦除可编程只读存储器（erasable PROM，EPROM）、电可擦除可编程只读存储器（electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（random access memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（random accessmemory，RAM）可用，例如静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（double data rate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（direct rambus RAM，DR RAM）。
上述实施例，可以全部或部分地通过软件、硬件（如电路）、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a, b, c, a-b, a-c, b-c, 或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文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。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、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、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，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所述权利要求的保护范围为准。
Claims (7)
1.一种基于神经网络的燃气臭味剂浓度测量方法，其特征在于，所述方法包括：
获取第一空气数据与第一燃气臭味剂浓度，所述第一空气数据包括氧含量、氮气浓度、燃气浓度；
将所述氧含量、所述氮气浓度和所述燃气浓度作为三个不同初始维度，并对每个所述初始维度进行归一化处理，降噪处理、以及数据清洗，得到三个维度；
连接三个所述维度，三个所述维度构成所述燃气臭味剂浓度的特征向量，其中，所述氧含量、所述氮气浓度、所述燃气浓度的数据按照采样时间对齐；
根据所述燃气臭味剂浓度特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述氧含量、所述氮气浓度、所述燃气浓度与所述燃气臭味剂浓度之间的比例进行迭代计算；
获取迭代计算结果，并根据所述迭代计算结果确定预测燃气臭味剂浓度值；
将所述预测燃气臭味剂浓度值与第一燃气臭味剂浓度值进行比对，并获取误差值；
反馈所述误差值至所述神经网络训练模型，当所述误差值小于预设值时，停止对所述神经网络训练模型的训练过程；
获取第二空气数据，将所述第二空气数据导入所述神经网络训练模型，得到第二燃气臭味剂浓度。
2.根据权利要求1所述的一种基于神经网络的燃气臭味剂浓度测量方法，其特征在于：
所述根据所述燃气臭味剂浓度特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述氧含量、所述氮气浓度、所述燃气浓度与所述燃气臭味剂浓度之间的比例进行迭代计算中，所述神经网络训练模型的类型为全连接神经网络训练模型。
3.根据权利要求2所述的一种基于神经网络的燃气臭味剂浓度测量方法，其特征在于：所述将所述预测燃气臭味剂浓度值与第一燃气臭味剂浓度值进行比对，并获取误差值，包括：
将所述预测燃气臭味剂浓度值与所述第一燃气臭味剂浓度值比对，若所述预测燃气臭味剂浓度值大于所述第一燃气臭味剂浓度值，则所述误差值、所述预测燃气臭味剂浓度值与所述第一燃气臭味剂浓度值之间的关系满足：
T=（yt-y1）y1
其中，所述误差值为T，所述预测燃气臭味剂浓度值为yt，所述第一燃气臭味剂浓度值y1。
4.根据权利要求3所述的一种基于神经网络的燃气臭味剂浓度测量方法，其特征在于：所述将所述预测燃气臭味剂浓度值与第一燃气臭味剂浓度值进行比对，并获取误差值，还包括：
将所述预测燃气臭味剂浓度值与所述第一燃气臭味剂浓度值比对，若所述预测燃气臭味剂浓度值小于所述第一燃气臭味剂浓度值，则所述误差值、所述预测燃气臭味剂浓度值与所述第一燃气臭味剂浓度值之间的关系满足：
T=（y1-yt）y1
其中，所述误差值为T，所述预测燃气臭味剂浓度值为yt，所述第一燃气臭味剂浓度值y1。
5.一种基于神经网络的燃气臭味剂浓度测量装置，其特征在于：所述装置包括：
第一获取模块，所述第一获取模块用于获取第一空气数据与第一燃气臭味剂浓度，所述第一空气数据包括氧含量、氮气浓度、燃气浓度；
数据处理模块，所述数据处理模块用于将所述氧含量、所述氮气浓度和所述燃气浓度作为三个不同初始维度，并对每个所述初始维度进行归一化处理，降噪处理、以及数据清洗，得到三个维度；
维度构建模块，所述维度构建模块用于连接三个所述维度，三个所述维度构成所述燃气臭味剂浓度的特征向量，其中，所述氧含量、所述氮气浓度、所述燃气浓度的数据按照采样时间对齐；
训练模块，所述训练模块用于根据所述燃气臭味剂浓度特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述氧含量、所述氮气浓度、所述燃气浓度与所述燃气臭味剂浓度之间的比例进行迭代计算；
第一确定模块，所述第一确定模块用于获取迭代计算结果，并根据所述迭代计算结果确定预测燃气臭味剂浓度值；
对比模块，所述对比模块用于将所述预测燃气臭味剂浓度值与第一燃气臭味剂浓度值进行比对，并获取误差值；
反馈模块，所述反馈模块用于反馈所述误差值至所述神经网络训练模型，当所述误差值小于预设值时，停止对所述神经网络训练模型的训练过程；
第二确定模块，所述第二确定模块用于获取第二空气数据，将所述第二空气数据导入所述神经网络训练模型，得到第二燃气臭味剂浓度。
6.根据权利要求5所述的一种基于神经网络的燃气臭味剂浓度测量装置，其特征在于：所述数据处理模块，包括：
归一模块，所述归一模块用于对每个所述维度进行归一化处理，以使每个所述维度均位于[0,1]的范围内。
7.一种电子设备，其特征在于，所述电子设备包括：
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，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所述存储器上所存放的程序时，实现如权利要求1~4任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310628903.3A CN116381164B (zh) | 2023-05-31 | 2023-05-31 | 一种基于神经网络的燃气臭味剂浓度测量方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310628903.3A CN116381164B (zh) | 2023-05-31 | 2023-05-31 | 一种基于神经网络的燃气臭味剂浓度测量方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116381164A CN116381164A (zh) | 2023-07-04 |
| CN116381164B true CN116381164B (zh) | 2023-08-29 |
Family
ID=86975425
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310628903.3A Active CN116381164B (zh) | 2023-05-31 | 2023-05-31 | 一种基于神经网络的燃气臭味剂浓度测量方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116381164B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117289685B (zh) * | 2023-11-27 | 2024-02-02 | 青岛创新奇智科技集团股份有限公司 | 一种基于人工智能的生产线故障预测与自愈方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4303564A1 (de) * | 1993-02-08 | 1994-08-11 | Palocz Andresen Michael Dr Ing | Verfahren zur Erkennbarkeit von Geruchsverlust und/oder Geruchsminderung bei Odoriermittelwechsel in bestehenden Gasnetzen |
| WO2004055507A1 (de) * | 2002-12-16 | 2004-07-01 | Axel Semrau Gmbh & Co. Kg | Verfahren zur detektion und konzentrationsbestimmung von schwefelfreien odoriermitteln in erd- oder brenngas |
| BRPI1002422A2 (pt) * | 2010-07-19 | 2012-05-15 | Siem Tecnologia Da Embalagem Ltda | embalagem |
| CA2941914A1 (en) * | 2013-03-15 | 2014-09-18 | Odotech Inc. | System and method for hybrid human machine odor observation and reporting |
| CN113203777A (zh) * | 2021-04-12 | 2021-08-03 | 广州香安化工有限公司 | 一种燃气臭味剂的监测系统 |
| CN113341066A (zh) * | 2021-05-24 | 2021-09-03 | 西南石油大学 | 基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统 |
| CN114324781A (zh) * | 2022-03-11 | 2022-04-12 | 中汽研汽车零部件检验中心(宁波)有限公司 | 一种智能嗅辨方法和系统 |
| WO2022105348A1 (zh) * | 2020-11-23 | 2022-05-27 | 华为技术有限公司 | 神经网络的训练方法和装置 |
| CN115619355A (zh) * | 2022-11-30 | 2023-01-17 | 成都秦川物联网科技股份有限公司 | 智慧燃气有害组分监控方法、物联网系统、装置以及介质 |
| CN115681821A (zh) * | 2022-12-13 | 2023-02-03 | 成都秦川物联网科技股份有限公司 | 用于智慧燃气设备管理的加臭自动控制方法和物联网系统 |
-
2023
- 2023-05-31 CN CN202310628903.3A patent/CN116381164B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4303564A1 (de) * | 1993-02-08 | 1994-08-11 | Palocz Andresen Michael Dr Ing | Verfahren zur Erkennbarkeit von Geruchsverlust und/oder Geruchsminderung bei Odoriermittelwechsel in bestehenden Gasnetzen |
| WO2004055507A1 (de) * | 2002-12-16 | 2004-07-01 | Axel Semrau Gmbh & Co. Kg | Verfahren zur detektion und konzentrationsbestimmung von schwefelfreien odoriermitteln in erd- oder brenngas |
| BRPI1002422A2 (pt) * | 2010-07-19 | 2012-05-15 | Siem Tecnologia Da Embalagem Ltda | embalagem |
| CA2941914A1 (en) * | 2013-03-15 | 2014-09-18 | Odotech Inc. | System and method for hybrid human machine odor observation and reporting |
| WO2022105348A1 (zh) * | 2020-11-23 | 2022-05-27 | 华为技术有限公司 | 神经网络的训练方法和装置 |
| CN113203777A (zh) * | 2021-04-12 | 2021-08-03 | 广州香安化工有限公司 | 一种燃气臭味剂的监测系统 |
| CN113341066A (zh) * | 2021-05-24 | 2021-09-03 | 西南石油大学 | 基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统 |
| CN114324781A (zh) * | 2022-03-11 | 2022-04-12 | 中汽研汽车零部件检验中心(宁波)有限公司 | 一种智能嗅辨方法和系统 |
| CN115619355A (zh) * | 2022-11-30 | 2023-01-17 | 成都秦川物联网科技股份有限公司 | 智慧燃气有害组分监控方法、物联网系统、装置以及介质 |
| CN115681821A (zh) * | 2022-12-13 | 2023-02-03 | 成都秦川物联网科技股份有限公司 | 用于智慧燃气设备管理的加臭自动控制方法和物联网系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于粗糙集的BP神经网络空气品质预测模型;徐凌雁;;东北电力大学学报(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116381164A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116381164B (zh) | 一种基于神经网络的燃气臭味剂浓度测量方法及装置 | |
| CN109558295B (zh) | 一种性能指标异常检测方法及装置 | |
| Lee et al. | Parameter change test for zero-inflated generalized Poisson autoregressive models | |
| KR20110110704A (ko) | 분포된 스펙트럼 센싱 | |
| Smrithy et al. | Anomaly detection using dynamic sliding window in wireless body area networks | |
| CN112259180A (zh) | 一种基于异构医学知识图谱的疾病预测方法及相关设备 | |
| CN107959675A (zh) | 配电网无线通信接入的网络异常流量检测方法和装置 | |
| Testik | Conditional and marginal performance of the Poisson CUSUM control chart with parameter estimation | |
| Cheng et al. | Cumulative incidence association models for bivariate competing risks data | |
| Sumathi et al. | Retracted: Soil monitoring and evaluation system using EDL‐ASQE: Enhanced deep learning model for IoT smart agriculture network | |
| Miller | Statistical significance testing––a panacea for software technology experiments? | |
| CN111899883A (zh) | 少样本或零样本的疾病预测设备、方法、装置及存储介质 | |
| Jain et al. | Effective de‐noising of ECG by optimised adaptive thresholding on noisy modes | |
| Bickel | Null hypothesis significance testing defended and calibrated by Bayesian model checking | |
| Rogoza | Method for the prediction of time series using small sets of experimental samples | |
| Aparicio et al. | Structure-based identification of sensor species for anticipating critical transitions | |
| GS et al. | A statistical-based light-weight anomaly detection framework for Wireless Body Area Networks | |
| CN112017776B (zh) | 基于动态图和医学知识图谱的疾病预测方法及相关设备 | |
| Scagliarini | Estimation of C p for autocorrelated data and measurement errors | |
| Chen et al. | Traffic prediction for Internet of Things through support vector regression model | |
| Ahirwal et al. | Performance prediction of adaptive filters for EEG signal | |
| CN116647405A (zh) | 一种多路径quic异常流量检测方法、系统及设备 | |
| US20180293441A1 (en) | Method and apparatus for real-time detection of a scene | |
| CN117289685B (zh) | 一种基于人工智能的生产线故障预测与自愈方法及系统 | |
| Lin et al. | Practical implementation of the capability index C pk based on the control chart data |
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 |