CN117421705A - 应用于智能化生产的信息分析方法及系统 - Google Patents
应用于智能化生产的信息分析方法及系统 Download PDFInfo
- Publication number
- CN117421705A CN117421705A CN202311445848.0A CN202311445848A CN117421705A CN 117421705 A CN117421705 A CN 117421705A CN 202311445848 A CN202311445848 A CN 202311445848A CN 117421705 A CN117421705 A CN 117421705A
- Authority
- CN
- China
- Prior art keywords
- order
- production
- knowledge
- vector
- item
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 314
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 168
- 238000000611 regression analysis Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims description 39
- 230000009467 reduction Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 21
- 239000002994 raw material Substances 0.000 claims description 13
- 238000005065 mining Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 17
- 238000011161 development Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008451 emotion Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Manufacturing & Machinery (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的应用于智能化生产的信息分析方法及系统，可采集待进行分析的智能化生产文本日志，根据智能化生产文本日志的订单需求描述向量，确定选定生产订单项目对应的项目信息关联向量和订单关键词向量，结合项目信息关联向量和订单关键词向量，从订单需求描述向量中挖掘选定生产订单项目对应的订单细节知识，结合挖掘的订单细节知识确定选定生产订单项目的多元回归分析标签。确定选定生产订单项目的订单细节知识和对选定生产订单项目进行多元回归分析是异步实现的，在对选定生产订单项目进行多元回归分析是能够融入选定生产订单项目的订单细节知识，所得的多元回归分析结果更加准确，提升针对选定生产订单项目的捕捉和分类准确性和效率。
Description
技术领域
本发明涉及信息处理与智能生产线技术领域，特别涉及一种应用于智能化生产的信息分析方法及系统。
背景技术
随着数字技术的发展，传统的生产行业发生了翻天覆地的变化。数字智能化生产已逐渐成为现目前的主流：就硬件产品而言，数字智能化生产能够提高良品率，节约生产资源；就数字智能化生产线的产品而言，数字智能化生产能够实现个性化定制。当下，针对数字智能化生产的订单分析技术是实现生产质量更新优化的关键，然而传统技术鲜有方案能够实现高质量的订单分析处理。
发明内容
为改善相关技术中存在的技术问题，本发明提供了一种应用于智能化生产的信息分析方法及系统。
第一方面，本发明实施例提供了一种应用于智能化生产的信息分析方法，应用于信息分析系统，所述方法包括：
采集待进行分析的智能化生产文本日志；将所述智能化生产文本日志加载到生产订单分析模型，依据所述智能化生产文本日志的订单需求描述向量，确定选定生产订单项目对应的项目信息关联向量和订单关键词向量；其中，所述项目信息关联向量是通过所述生产订单分析模型的第一局部模型层所得的，所述订单关键词向量是通过所述生产订单分析模型的第二局部模型层所得的，所述项目信息关联向量涵盖所述选定生产订单项目在所述订单关键词向量对应的第一生产订单要素和第二生产订单要素；
结合所述项目信息关联向量和所述订单关键词向量，确定所述选定生产订单项目在所述智能化生产文本日志中的订单捕捉窗口；结合所述订单捕捉窗口，从所述订单需求描述向量中挖掘所述选定生产订单项目对应的订单细节知识；结合所述订单细节知识确定所述选定生产订单项目的多元回归分析标签。
可选的，所述依据所述智能化生产文本日志的订单需求描述向量，确定选定生产订单项目对应的项目信息关联向量和订单关键词向量，包括：
对所述智能化生产文本日志进行不少于一阶滑动平均操作，得到所述智能化生产文本日志的订单需求描述向量；
对所述智能化生产文本日志的订单需求描述向量进行特征提炼操作，得到选定生产订单项目对应的项目信息关联向量和订单关键词向量。
可选的，所述滑动平均操作包括专家知识扩展操作和专家知识精简操作；所述对所述智能化生产文本日志进行不少于一阶滑动平均操作，得到所述智能化生产文本日志的订单需求描述向量，包括：
对所述智能化生产文本日志进行不少于一阶专家知识精简操作，得到不少于一阶专家知识精简操作后的第一智能化生产知识关系网；
结合所述不少于一阶专家知识精简操作后的第一智能化生产知识关系网，得到不少于一阶专家知识扩展操作后的第二智能化生产知识关系网；
结合所述不少于一阶专家知识精简操作后的第一智能化生产知识关系网和所述不少于一阶专家知识扩展操作后的第二智能化生产知识关系网，得到所述智能化生产文本日志的订单需求描述向量。
可选的，每一阶所述专家知识精简操作后生成一个第一智能化生产知识关系网，每一阶所述专家知识扩展操作后生成一个第二智能化生产知识关系网；
所述结合所述不少于一阶专家知识精简操作后的第一智能化生产知识关系网，得到不少于一阶专家知识扩展操作后的第二智能化生产知识关系网，包括：
对于所述不少于一阶专家知识扩展操作中的第一阶专家知识扩展操作，将所述不少于一阶专家知识精简操作中最后一阶专家知识精简操作后的第一智能化生产知识关系网，作为所述第一阶专家知识扩展操作的原料信息；得到所述第一阶专家知识扩展操作后生成的第二智能化生产知识关系网；
对于所述不少于一阶专家知识扩展操作中的第X阶专家知识扩展操作，将所述第X阶专家知识扩展操作的前一阶专家知识扩展操作后生成的第二智能化生产知识关系网以及配对于所述第X阶专家知识扩展操作后生成的第二智能化生产知识关系网的第一智能化生产知识关系网，作为所述第X阶专家知识扩展操作的原料信息；得到所述第X阶专家知识扩展操作生成的第二智能化生产知识关系网，其中，X为大于1的正整数。
可选的，所述将所述第X阶专家知识扩展操作的前一阶专家知识扩展操作后生成的第二智能化生产知识关系网以及配对于所述第X阶专家知识扩展操作后生成的第二智能化生产知识关系网的第一智能化生产知识关系网，作为所述第X阶专家知识扩展操作的原料信息，包括：
将所述第X阶专家知识扩展操作的前一阶专家知识扩展操作后生成的第二智能化生产知识关系网，与配对于所述第X阶专家知识扩展操作后生成的第二智能化生产知识关系网的第一智能化生产知识关系网进行知识拼接，得到所述第X阶专家知识扩展操作的原料信息。
可选的，所述对所述智能化生产文本日志的订单需求描述向量进行特征提炼操作，得到选定生产订单项目对应的项目信息关联向量和订单关键词向量，包括：
对所述智能化生产文本日志的订单需求描述向量进行特征提炼操作，得到向量提炼信息；
通过第一局部模型层对所述向量提炼信息进行滑动平均操作，得到选定生产订单项目对应的项目信息关联向量；
通过第二局部模型层对所述向量提炼信息进行滑动平均操作，得到选定生产订单项目对应的订单关键词向量；其中，第一局部模型层与第二局部模型层的注意力维度值存在差异。
可选的，所述结合所述项目信息关联向量和所述订单关键词向量，从所述订单需求描述向量中挖掘所述选定生产订单项目对应的订单细节知识，包括：
依据所述项目信息关联向量和所述订单关键词向量，确定与所述选定生产订单项目在所述智能化生产文本日志中的窗口化文本内容集存在对应条件的知识内容集；
在所述订单需求描述向量的知识内容集挖掘所述选定生产订单项目对应的订单细节知识。
可选的，所述选定生产订单项目对应的订单关键词向量包括至少所述选定生产订单项目对应的第一订单关键词向量和第二订单关键词向量；所述选定生产订单项目对应的项目信息关联向量包括：所述选定生产订单项目在第一订单关键词向量对应的第一生产订单要素和第二生产订单要素，以及所述选定生产订单项目在第二订单关键词向量对应的第一生产订单要素和第二生产订单要素。
可选的，所述方法还包括：
结合所述第一订单关键词向量对应的第一生产订单要素和第二生产订单要素以及所述第二订单关键词向量对应的第一生产订单要素和第二生产订单要素，确定所述选定生产订单项目在所述智能化生产文本日志中的订单捕捉窗口；
确定随机两个存在交叉的订单捕捉窗口之间的窗口面积运算结果；
在所述窗口面积运算结果大于设定判定值的基础上，将所述随机两个交叉的订单捕捉窗口整理为一个订单捕捉窗口。
可选的，所述结合所述订单细节知识确定所述选定生产订单项目的多元回归分析标签，包括：
对所述订单细节知识进行不少于一阶滑动平均操作，得到所述选定生产订单项目对应于各个设定多元回归分析标签的可能性；
依据所述选定生产订单项目对应于各个设定多元回归分析标签的可能性，从所述设定多元回归分析标签中确定所述选定生产订单项目的多元回归分析标签。
第二方面，本发明还提供了一种信息分析系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
在本发明实施例中，可以采集待进行分析的智能化生产文本日志，根据智能化生产文本日志的订单需求描述向量，确定选定生产订单项目对应的项目信息关联向量和订单关键词向量，然后结合项目信息关联向量和订单关键词向量，从订单需求描述向量中挖掘选定生产订单项目对应的订单细节知识，再结合挖掘的订单细节知识确定选定生产订单项目的多元回归分析标签。如此，确定选定生产订单项目的订单细节知识和对选定生产订单项目进行多元回归分析是异步实现的，在对选定生产订单项目进行多元回归分析是能够融入选定生产订单项目的订单细节知识，从而所得的多元回归分析结果更加准确，提升针对选定生产订单项目的捕捉和分类准确性和效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种应用于智能化生产的信息分析方法的流程示意图。
图2是本发明实施例提供的一种应用于智能化生产的信息分析方法的应用环境的通信架构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在信息分析系统、计算机设备或者类似的运算装置中执行。以运行在信息分析系统上为例，信息分析系统10可以包括一个或多个处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述信息分析系统还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述信息分析系统的结构造成限定。例如，信息分析系统10还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种应用于智能化生产的信息分析方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至信息分析系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括信息分析系统10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
基于此，请参阅图1，图1是本发明实施例所提供的一种应用于智能化生产的信息分析方法的流程示意图，该方法应用于信息分析系统，进一步可以包括S1-S3描述的技术方案。
S1、信息分析系统采集待进行分析的智能化生产文本日志。
在本发明实施例中，信息分析系统可以在获得授权之后，从智能化工厂的服务器中获得待进行分析的智能化生产文本日志，该智能化生产文本日志记录了智能化生产线的一系列运行内容，比如订单接收信息、订单处理信息、订单交付信息等，智能化生产线可以涉及硬件产品比如电子产品，也可以涉及软件产品比如APP软件、小程序等，在此不作限定。当然，在一些示例下，也可以采集待进行分析的智能化生产图文记录。
S2、信息分析系统将所述智能化生产文本日志加载到生产订单分析模型，依据所述智能化生产文本日志的订单需求描述向量，确定选定生产订单项目对应的项目信息关联向量和订单关键词向量。
其中，所述项目信息关联向量是通过所述生产订单分析模型的第一局部模型层所得的，所述订单关键词向量是通过所述生产订单分析模型的第二局部模型层所得的，所述项目信息关联向量涵盖所述选定生产订单项目在所述订单关键词向量对应的第一生产订单要素和第二生产订单要素。
在本发明实施例中，生产订单分析模型可以是基于人工智能技术搭建和训练得到的神经网络模型，比如可以是卷积神经网络、深度学习模型、多元回归算法等，再次不作限定。生产订单分析模型可以包括两个局部模型层，这两个局部模型层的注意力维度数存在差异，也即不同的局部模型层具有不同的关注维度或者通道维度。
在实际实施过程中，生产订单分析模型的第一局部模型层可以对智能化生产文本日志进行选定生产订单项目的关联特征的挖掘，该关联特征（项目信息关联向量）能够反映选定生产订单项目的影响力/影响范围，还可以反映选定生产订单项目的项目信息的覆盖面是否广泛，而生产订单分析模型的第二局部模型层可以对智能化生产文本日志进行选定生产订单项目的订单关键词向量挖掘，该订单关键词向量用于实现选定生产订单项目在智能化生产文本日志中的定位处理，基于此，第一生产订单要素和第二生产订单要素分别可以理解为文本框的横向定位变量和纵向定位变量。
S3、信息分析系统结合所述项目信息关联向量和所述订单关键词向量，确定所述选定生产订单项目在所述智能化生产文本日志中的订单捕捉窗口；结合所述订单捕捉窗口，从所述订单需求描述向量中挖掘所述选定生产订单项目对应的订单细节知识；结合所述订单细节知识确定所述选定生产订单项目的多元回归分析标签。
在本发明实施例中，订单捕捉窗口可以是通过具有区分的形状存在于在智能化生产文本日志中的，用于突出显示选定生产订单项目所对应的相关数据信息的窗口。这样以来，可以实现对选定生产订单项目的准确捕捉和突出处理，以便结合订单需求描述向量（用户在下发订单和修改订单时的反馈文本对应的需求特征）进行订单细节知识的挖掘，该订单细节知识可以结合预设的专家系统模型实现，该专家系统模型能够挖掘出订单需求描述向量中具有显著区分度的知识向量作为订单细节知识，这样可以基于订单细节知识确定选定生产订单项目的多元回归分析标签（比如可以是选定生产订单项的分类标签）。
基于上述内容，可以确定出多个选定生产订单项目的分类标签，这样能够实现对智能化生产文本日志中的选定生产订单项目的分类处理，便于后续针对性或者有选择性地进行相关生产订单项目的挖掘分析。
可以理解的是，应用于S1-S3，可以采集待进行分析的智能化生产文本日志，根据智能化生产文本日志的订单需求描述向量，确定选定生产订单项目对应的项目信息关联向量和订单关键词向量，然后结合项目信息关联向量和订单关键词向量，从订单需求描述向量中挖掘选定生产订单项目对应的订单细节知识，再结合挖掘的订单细节知识确定选定生产订单项目的多元回归分析标签。如此，确定选定生产订单项目的订单细节知识和对选定生产订单项目进行多元回归分析是异步实现的，在对选定生产订单项目进行多元回归分析是能够融入选定生产订单项目的订单细节知识，从而所得的多元回归分析结果更加准确，提升针对选定生产订单项目的捕捉和分类准确性和效率。
在一些可能的实施例中，上述依据所述智能化生产文本日志的订单需求描述向量，确定选定生产订单项目对应的项目信息关联向量和订单关键词向量，可以包括S21和S22所描述的技术方案。
S21、对所述智能化生产文本日志进行不少于一阶滑动平均操作，得到所述智能化生产文本日志的订单需求描述向量。
例如，滑动平均操作可以理解为卷积处理，也可以理解为特征提取操作，这样可以得到订单需求描述特征，该订单需求描述特征涵盖多个维度的特征，比如关联需求特征、订单标签特征、订单主题特征等。
S22、对所述智能化生产文本日志的订单需求描述向量进行特征提炼操作，得到选定生产订单项目对应的项目信息关联向量和订单关键词向量。
例如，特征提炼操作能够对订单需求描述向量进行更为深入的特征提取和挖掘，从而得到反映关联特性的项目信息关联向量以及定位特性的订单关键词向量。
可以理解的是，基于S21和S22，能够通过级联式的特征挖掘处理得到完整、准确的订单需求描述向量、项目信息关联向量和订单关键词向量。
在另一些可能的实施例中，上述滑动平均操作包括专家知识扩展操作和专家知识精简操作。进一步地，家知识扩展操作可以理解为特征上采用，而专家知识精简操作可以理解为特征下采样，基于此，S21所描述的对所述智能化生产文本日志进行不少于一阶滑动平均操作，得到所述智能化生产文本日志的订单需求描述向量的步骤，可以包括S211-S213所描述的技术方案。
S211、对所述智能化生产文本日志进行不少于一阶专家知识精简操作，得到不少于一阶专家知识精简操作后的第一智能化生产知识关系网。
例如，在进行至少一级的下采样之后，可以得到第一智能化生产知识关系网（可以理解为智能化生成文本日志的特征向量的关系网或者关系链，也可以理解为特征图）。
S212、结合所述不少于一阶专家知识精简操作后的第一智能化生产知识关系网，得到不少于一阶专家知识扩展操作后的第二智能化生产知识关系网。
例如，在完成不少于一阶专家知识精简操作的基础上进行不少于一阶专家知识扩展操作，能够保障第二智能化生产知识关系网的特征识别度，并且可以提高信噪比。
S213、结合所述不少于一阶专家知识精简操作后的第一智能化生产知识关系网和所述不少于一阶专家知识扩展操作后的第二智能化生产知识关系网，得到所述智能化生产文本日志的订单需求描述向量。
在本发明实施例中，通过不同尺度的智能化生产知识关系网，能够完整准确确定出订单需求描述向量。
对于一些可独立实施的设计思路而言，每一阶所述专家知识精简操作后生成一个第一智能化生产知识关系网，每一阶所述专家知识扩展操作后生成一个第二智能化生产知识关系网。基于此，S212所描述的结合所述不少于一阶专家知识精简操作后的第一智能化生产知识关系网，得到不少于一阶专家知识扩展操作后的第二智能化生产知识关系网，可以包括S2121和S2122所描述的技术方案。
S2121、对于所述不少于一阶专家知识扩展操作中的第一阶专家知识扩展操作，将所述不少于一阶专家知识精简操作中最后一阶专家知识精简操作后的第一智能化生产知识关系网，作为所述第一阶专家知识扩展操作的原料信息；得到所述第一阶专家知识扩展操作后生成的第二智能化生产知识关系网。
S2122、对于所述不少于一阶专家知识扩展操作中的第X阶专家知识扩展操作，将所述第X阶专家知识扩展操作的前一阶专家知识扩展操作后生成的第二智能化生产知识关系网以及配对于所述第X阶专家知识扩展操作后生成的第二智能化生产知识关系网的第一智能化生产知识关系网，作为所述第X阶专家知识扩展操作的原料信息；得到所述第X阶专家知识扩展操作生成的第二智能化生产知识关系网，其中，X为大于1的正整数。
应用于S2121和S2122，能够基于级联的专家知识精简操作以及专家知识扩展操作获得完整、准确的第二智能化生产知识关系网。
在上述内容的基础上，在一些示例性实施例中，S2122所描述的将所述第X阶专家知识扩展操作的前一阶专家知识扩展操作后生成的第二智能化生产知识关系网以及配对于所述第X阶专家知识扩展操作后生成的第二智能化生产知识关系网的第一智能化生产知识关系网，作为所述第X阶专家知识扩展操作的原料信息，可以包括如下内容：将所述第X阶专家知识扩展操作的前一阶专家知识扩展操作后生成的第二智能化生产知识关系网，与配对于所述第X阶专家知识扩展操作后生成的第二智能化生产知识关系网的第一智能化生产知识关系网进行知识拼接，得到所述第X阶专家知识扩展操作的原料信息。
在本发明实施例中，知识拼接可以理解为特征融合，如此设计，能够确保第X阶专家知识扩展操作的原料信息的丰富程度和完整度，提高知识挖掘分析的精度和可信度。
在一些可能的实施例中，S22所描述的对所述智能化生产文本日志的订单需求描述向量进行特征提炼操作，得到选定生产订单项目对应的项目信息关联向量和订单关键词向量，可以包括S221-S223所描述的技术方案。
S221、对所述智能化生产文本日志的订单需求描述向量进行特征提炼操作，得到向量提炼信息。
S222、通过第一局部模型层对所述向量提炼信息进行滑动平均操作，得到选定生产订单项目对应的项目信息关联向量。
S223、通过第二局部模型层对所述向量提炼信息进行滑动平均操作，得到选定生产订单项目对应的订单关键词向量。
在上述示例性的技术方案中，第一局部模型层与第二局部模型层的注意力维度值存在差异，如此设计，通过实现注意力维度值的差异化处理，能够实现项目信息关联向量以及订单关键词向量的特征细粒度的灵活调整和选择，从而确保项目信息关联向量和订单关键词向量的区分度和准确性。
在一些可独立的实施中，S3所描述的所述结合所述项目信息关联向量和所述订单关键词向量，从所述订单需求描述向量中挖掘所述选定生产订单项目对应的订单细节知识，可以包括S31和S32所描述的技术方案。
S31、依据所述项目信息关联向量和所述订单关键词向量，确定与所述选定生产订单项目在所述智能化生产文本日志中的窗口化文本内容集存在对应条件的知识内容集。
S32、在所述订单需求描述向量的知识内容集挖掘所述选定生产订单项目对应的订单细节知识。
其中，对应条件可以理解为映射关系，而知识内容集可以理解为特征向量集或者知识区域集。这样，通过映射关系进行知识内容集的定位，然后在所述订单需求描述向量的知识内容集中进行针对性的细节分析和挖掘，能够高效、准确地获得订单细节知识。
在一些示例下，所述选定生产订单项目对应的订单关键词向量包括至少所述选定生产订单项目对应的第一订单关键词向量和第二订单关键词向量；所述选定生产订单项目对应的项目信息关联向量包括：所述选定生产订单项目在第一订单关键词向量对应的第一生产订单要素和第二生产订单要素，以及所述选定生产订单项目在第二订单关键词向量对应的第一生产订单要素和第二生产订单要素。
在上述内容的基础上，该方法还可以包括如下S41-S43所描述的技术方案。
S41、结合所述第一订单关键词向量对应的第一生产订单要素和第二生产订单要素以及所述第二订单关键词向量对应的第一生产订单要素和第二生产订单要素，确定所述选定生产订单项目在所述智能化生产文本日志中的订单捕捉窗口。
S42、确定随机两个存在交叉的订单捕捉窗口之间的窗口面积运算结果。
例如，存在交叉的订单捕捉窗口可以是在智能化生产文本日志对应的输出窗口中存在重合的订单捕捉窗口。此外，窗口面积运算结果可以是存在交叉的订单捕捉窗口的重叠面积与存在交叉的订单捕捉窗口全覆盖面积之间的比值。
S43、在所述窗口面积运算结果大于设定判定值的基础上，将所述随机两个交叉的订单捕捉窗口整理为一个订单捕捉窗口。
应用于S41-S43，能够实现订单捕捉窗口的整理，从而提高后续订单分类处理的精度和可信度。
在另一些可能的实施例中，S3所描述的结合所述订单细节知识确定所述选定生产订单项目的多元回归分析标签，可以包括S3a和S3b所描述的技术方案。
S3a、对所述订单细节知识进行不少于一阶滑动平均操作，得到所述选定生产订单项目对应于各个设定多元回归分析标签的可能性。
S3b、依据所述选定生产订单项目对应于各个设定多元回归分析标签的可能性，从所述设定多元回归分析标签中确定所述选定生产订单项目的多元回归分析标签。
在本发明实施例中，设定多元回归分析标签可以理解为预设类别，对所述订单细节知识进行不少于一阶滑动平均操作可以基于多分类算法实现，这样可以得到选定生产订单项目对应于各个设定多元回归分析标签的概率，然后基于选定生产订单项目对应于各个设定多元回归分析标签的可能性中的最大值确定选定生产订单项目的多元回归分析标签。
除此之外，在一些可独立实施的设计思路下，结合所述订单细节知识确定所述选定生产订单项目的多元回归分析标签之后，该方法还可以包括如下内容：在所述选定生产订单项目的多元回归分析标签为APP软件类别的基础上，从所述智能化生产文本日志中提取所述选定生产订单项目的目标项目文本信息；基于所述目标项目文本信息确定APP软件更新策略；利用所述APP软件更新策略调整所述选定生产订单项目的生产控制变量。如此，能够实现对目标项目文本信息的用户偏好和反馈分析，从而针对性地定制APP软件更新策略，以灵活、合理地实现生产控制变量的调整，提高软件产品生产的快速更新换代。
除此之外，在一些可独立实施的设计思路下，基于所述目标项目文本信息确定APP软件更新策略，可以包括如下内容：对提取的目标项目文本信息进行反馈字段提取，得到所述目标项目文本信息对应的第一APP开发功能反馈字段集；根据所述第一APP开发功能反馈字段集进行衍生分析，得到衍生分析的第二APP开发功能反馈字段集；对所述第二APP开发功能反馈字段集进行更新策略匹配，得到所述第二APP开发功能反馈字段集对应的APP软件更新策略。如此，能够基于反馈字段进行衍生预测，从而顺理成章地进行更新策略匹配，这样可以快速且准确地确定出APP软件更新策略。
除此之外，在一些可独立实施的设计思路下，所述对提取的目标项目文本信息进行反馈字段提取，得到所述目标项目文本信息对应的第一APP开发功能反馈字段集，包括：对提取的目标项目文本信息进行自然语言处理，得到所述目标项目文本信息对应的第一情绪词向量集；对所述第一情绪词向量集进行特征映射，得到所述目标项目文本信息对应的第一APP开发功能反馈字段集。
除此之外，在一些可独立实施的设计思路下，所述对所述第二APP开发功能反馈字段集进行更新策略匹配，得到所述第二APP开发功能反馈字段集对应的APP软件更新策略，包括：对所述第二APP开发功能反馈字段集进行更新策略匹配，得到所述第二APP开发功能反馈字段集对应的第二情绪词向量集；对所述第二情绪词向量集进行特征翻译，得到所述第二APP开发功能反馈字段集对应的APP软件更新策略。
基于上述相同或相似的发明构思，请结合参阅图2，还提供了一种应用于智能化生产的信息分析方法的应用环境30的架构示意图，包括互相之间通信的信息分析系统10和智能化工厂服务器20，信息分析系统10和智能化工厂服务器20在运行时实现或者部分实现上述方法实施例所描述的技术方案。
进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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、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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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 (10)
1.一种应用于智能化生产的信息分析方法，其特征在于，应用于信息分析系统，所述方法包括：
采集待进行分析的智能化生产文本日志；将所述智能化生产文本日志加载到生产订单分析模型，依据所述智能化生产文本日志的订单需求描述向量，确定选定生产订单项目对应的项目信息关联向量和订单关键词向量；其中，所述项目信息关联向量是通过所述生产订单分析模型的第一局部模型层所得的，所述订单关键词向量是通过所述生产订单分析模型的第二局部模型层所得的，所述项目信息关联向量涵盖所述选定生产订单项目在所述订单关键词向量对应的第一生产订单要素和第二生产订单要素；
结合所述项目信息关联向量和所述订单关键词向量，确定所述选定生产订单项目在所述智能化生产文本日志中的订单捕捉窗口；结合所述订单捕捉窗口，从所述订单需求描述向量中挖掘所述选定生产订单项目对应的订单细节知识；结合所述订单细节知识确定所述选定生产订单项目的多元回归分析标签。
2.根据权利要求1所述的方法，其特征在于，所述依据所述智能化生产文本日志的订单需求描述向量，确定选定生产订单项目对应的项目信息关联向量和订单关键词向量，包括：
对所述智能化生产文本日志进行不少于一阶滑动平均操作，得到所述智能化生产文本日志的订单需求描述向量；
对所述智能化生产文本日志的订单需求描述向量进行特征提炼操作，得到选定生产订单项目对应的项目信息关联向量和订单关键词向量。
3.根据权利要求2所述的方法，其特征在于，所述滑动平均操作包括专家知识扩展操作和专家知识精简操作；所述对所述智能化生产文本日志进行不少于一阶滑动平均操作，得到所述智能化生产文本日志的订单需求描述向量，包括：
对所述智能化生产文本日志进行不少于一阶专家知识精简操作，得到不少于一阶专家知识精简操作后的第一智能化生产知识关系网；
结合所述不少于一阶专家知识精简操作后的第一智能化生产知识关系网，得到不少于一阶专家知识扩展操作后的第二智能化生产知识关系网；
结合所述不少于一阶专家知识精简操作后的第一智能化生产知识关系网和所述不少于一阶专家知识扩展操作后的第二智能化生产知识关系网，得到所述智能化生产文本日志的订单需求描述向量。
4.根据权利要求3所述的方法，其特征在于，每一阶所述专家知识精简操作后生成一个第一智能化生产知识关系网，每一阶所述专家知识扩展操作后生成一个第二智能化生产知识关系网；
所述结合所述不少于一阶专家知识精简操作后的第一智能化生产知识关系网，得到不少于一阶专家知识扩展操作后的第二智能化生产知识关系网，包括：
对于所述不少于一阶专家知识扩展操作中的第一阶专家知识扩展操作，将所述不少于一阶专家知识精简操作中最后一阶专家知识精简操作后的第一智能化生产知识关系网，作为所述第一阶专家知识扩展操作的原料信息；得到所述第一阶专家知识扩展操作后生成的第二智能化生产知识关系网；
对于所述不少于一阶专家知识扩展操作中的第X阶专家知识扩展操作，将所述第X阶专家知识扩展操作的前一阶专家知识扩展操作后生成的第二智能化生产知识关系网以及配对于所述第X阶专家知识扩展操作后生成的第二智能化生产知识关系网的第一智能化生产知识关系网，作为所述第X阶专家知识扩展操作的原料信息；得到所述第X阶专家知识扩展操作生成的第二智能化生产知识关系网，其中，X为大于1的正整数。
5.根据权利要求4所述的方法，其特征在于，所述将所述第X阶专家知识扩展操作的前一阶专家知识扩展操作后生成的第二智能化生产知识关系网以及配对于所述第X阶专家知识扩展操作后生成的第二智能化生产知识关系网的第一智能化生产知识关系网，作为所述第X阶专家知识扩展操作的原料信息，包括：
将所述第X阶专家知识扩展操作的前一阶专家知识扩展操作后生成的第二智能化生产知识关系网，与配对于所述第X阶专家知识扩展操作后生成的第二智能化生产知识关系网的第一智能化生产知识关系网进行知识拼接，得到所述第X阶专家知识扩展操作的原料信息。
6.根据权利要求2所述的方法，其特征在于，所述对所述智能化生产文本日志的订单需求描述向量进行特征提炼操作，得到选定生产订单项目对应的项目信息关联向量和订单关键词向量，包括：
对所述智能化生产文本日志的订单需求描述向量进行特征提炼操作，得到向量提炼信息；
通过第一局部模型层对所述向量提炼信息进行滑动平均操作，得到选定生产订单项目对应的项目信息关联向量；
通过第二局部模型层对所述向量提炼信息进行滑动平均操作，得到选定生产订单项目对应的订单关键词向量；其中，第一局部模型层与第二局部模型层的注意力维度值存在差异。
7.根据权利要求6所述的方法，其特征在于，所述结合所述项目信息关联向量和所述订单关键词向量，从所述订单需求描述向量中挖掘所述选定生产订单项目对应的订单细节知识，包括：依据所述项目信息关联向量和所述订单关键词向量，确定与所述选定生产订单项目在所述智能化生产文本日志中的窗口化文本内容集存在对应条件的知识内容集；在所述订单需求描述向量的知识内容集挖掘所述选定生产订单项目对应的订单细节知识；
其中，所述选定生产订单项目对应的订单关键词向量包括至少所述选定生产订单项目对应的第一订单关键词向量和第二订单关键词向量；所述选定生产订单项目对应的项目信息关联向量包括：所述选定生产订单项目在第一订单关键词向量对应的第一生产订单要素和第二生产订单要素，以及所述选定生产订单项目在第二订单关键词向量对应的第一生产订单要素和第二生产订单要素；
其中，所述方法还包括：结合所述第一订单关键词向量对应的第一生产订单要素和第二生产订单要素以及所述第二订单关键词向量对应的第一生产订单要素和第二生产订单要素，确定所述选定生产订单项目在所述智能化生产文本日志中的订单捕捉窗口；确定随机两个存在交叉的订单捕捉窗口之间的窗口面积运算结果；在所述窗口面积运算结果大于设定判定值的基础上，将所述随机两个交叉的订单捕捉窗口整理为一个订单捕捉窗口。
8.根据权利要求1所述的方法，其特征在于，所述结合所述订单细节知识确定所述选定生产订单项目的多元回归分析标签，包括：
对所述订单细节知识进行不少于一阶滑动平均操作，得到所述选定生产订单项目对应于各个设定多元回归分析标签的可能性；
依据所述选定生产订单项目对应于各个设定多元回归分析标签的可能性，从所述设定多元回归分析标签中确定所述选定生产订单项目的多元回归分析标签。
9.一种信息分析系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311445848.0A CN117421705B (zh) | 2023-11-02 | 2023-11-02 | 应用于智能化生产的信息分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311445848.0A CN117421705B (zh) | 2023-11-02 | 2023-11-02 | 应用于智能化生产的信息分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117421705A true CN117421705A (zh) | 2024-01-19 |
| CN117421705B CN117421705B (zh) | 2024-06-14 |
Family
ID=89529947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311445848.0A Active CN117421705B (zh) | 2023-11-02 | 2023-11-02 | 应用于智能化生产的信息分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117421705B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110020906A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 订单信息的检测方法和装置 |
| CN113485263A (zh) * | 2021-06-30 | 2021-10-08 | 科尔比乐(广州)智能装备有限公司 | Mes智能制造生产执行系统 |
| CN113592240A (zh) * | 2021-07-02 | 2021-11-02 | 中国人民解放军国防科技大学 | 一种mto企业订单处理方法及系统 |
| WO2022142593A1 (zh) * | 2020-12-28 | 2022-07-07 | 深圳壹账通智能科技有限公司 | 文本分类方法、装置、电子设备及可读存储介质 |
| CN115203498A (zh) * | 2022-06-30 | 2022-10-18 | 寇占香 | 应用专家系统的数据信息推送分析方法及系统 |
| CN115271407A (zh) * | 2022-07-21 | 2022-11-01 | 哈尔滨市先传科技有限公司 | 基于人工智能的工业互联网数据处理方法及系统 |
| CN115687659A (zh) * | 2022-12-08 | 2023-02-03 | 王馨月 | 基于人工智能的erp信息发布方法及ai系统 |
| CN115760216A (zh) * | 2022-12-06 | 2023-03-07 | 菏泽文雅信息科技有限公司 | 基于人工智能的订单数据分析方法及系统 |
| WO2023060795A1 (zh) * | 2021-10-12 | 2023-04-20 | 平安科技（深圳）有限公司 | 关键词自动提取方法、装置、设备及存储介质 |
| CN116151193A (zh) * | 2023-04-13 | 2023-05-23 | 济南风驰科技有限公司 | 基于大数据和数字化工厂的数据管理方法及系统 |
| CN116500981A (zh) * | 2023-03-30 | 2023-07-28 | 江苏智云天工科技有限公司 | 基于工业互联网的智慧工厂生产系统和方法 |
| CN116776859A (zh) * | 2023-06-28 | 2023-09-19 | 江苏麦维智能科技有限公司 | 基于智慧工厂的订单文本分析方法及系统 |
-
2023
- 2023-11-02 CN CN202311445848.0A patent/CN117421705B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110020906A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 订单信息的检测方法和装置 |
| WO2022142593A1 (zh) * | 2020-12-28 | 2022-07-07 | 深圳壹账通智能科技有限公司 | 文本分类方法、装置、电子设备及可读存储介质 |
| CN113485263A (zh) * | 2021-06-30 | 2021-10-08 | 科尔比乐(广州)智能装备有限公司 | Mes智能制造生产执行系统 |
| CN113592240A (zh) * | 2021-07-02 | 2021-11-02 | 中国人民解放军国防科技大学 | 一种mto企业订单处理方法及系统 |
| WO2023060795A1 (zh) * | 2021-10-12 | 2023-04-20 | 平安科技（深圳）有限公司 | 关键词自动提取方法、装置、设备及存储介质 |
| CN115203498A (zh) * | 2022-06-30 | 2022-10-18 | 寇占香 | 应用专家系统的数据信息推送分析方法及系统 |
| CN115271407A (zh) * | 2022-07-21 | 2022-11-01 | 哈尔滨市先传科技有限公司 | 基于人工智能的工业互联网数据处理方法及系统 |
| CN115760216A (zh) * | 2022-12-06 | 2023-03-07 | 菏泽文雅信息科技有限公司 | 基于人工智能的订单数据分析方法及系统 |
| CN115687659A (zh) * | 2022-12-08 | 2023-02-03 | 王馨月 | 基于人工智能的erp信息发布方法及ai系统 |
| CN116500981A (zh) * | 2023-03-30 | 2023-07-28 | 江苏智云天工科技有限公司 | 基于工业互联网的智慧工厂生产系统和方法 |
| CN116151193A (zh) * | 2023-04-13 | 2023-05-23 | 济南风驰科技有限公司 | 基于大数据和数字化工厂的数据管理方法及系统 |
| CN116776859A (zh) * | 2023-06-28 | 2023-09-19 | 江苏麦维智能科技有限公司 | 基于智慧工厂的订单文本分析方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| JINYANG LIU: "Logzip: Extracting Hidden Structures via Iterative Clustering for Log Compression", ARXIV, 23 September 2019 (2019-09-23) * |
| 姚承昊;杜晶;肖俊超;: "软件外包项目工作日志质量评估方法", 计算机系统应用, no. 10, 15 October 2015 (2015-10-15) * |
| 陈嘉颖;于炯;杨兴耀;: "一种融合语义分析特征提取的推荐算法", 计算机研究与发展, no. 03, 15 March 2020 (2020-03-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117421705B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11205271B2 (en) | Method and device for semantic segmentation of image | |
| CN111062495B (zh) | 机器学习方法及相关装置 | |
| US11861728B2 (en) | Technology for building and managing data models | |
| CN110782123B (zh) | 决策方案的匹配方法、装置、计算机设备及存储介质 | |
| US10740216B1 (en) | Automatic bug classification using machine learning | |
| CN114816497B (zh) | 基于bert预训练模型的链接生成方法 | |
| CN111538766B (zh) | 一种文本分类方法、装置、处理设备和票据分类系统 | |
| US20090210362A1 (en) | Object detector trained using a working set of training data | |
| CN112036249B (zh) | 端对端行人检测及属性识别的方法、系统、介质及终端 | |
| CN112085541A (zh) | 基于浏览消费时序数据的用户需求分析方法及装置 | |
| CN105446705A (zh) | 用于确定配置文件的特性的方法和装置 | |
| EP3997530B1 (en) | Automation engineering learning framework for cognitive engineering | |
| CN111767216B (zh) | 一种可缓解类重叠问题的跨版本深度缺陷预测方法 | |
| CN113792742A (zh) | 遥感图像的语义分割方法和语义分割模型的训练方法 | |
| Nabijonovich et al. | RECOGNIZING OBJECTS IN IMAGES USING ARTIFICIAL INTELLIGENCE AND PYTHON | |
| CN117421705B (zh) | 应用于智能化生产的信息分析方法及系统 | |
| CN117876383A (zh) | 一种基于yolov5l的公路表面条状裂缝检测方法 | |
| CN111931852B (zh) | 目标物的定价方法及装置 | |
| CN117573519A (zh) | 重复代码检测方法、装置、终端设备及存储介质 | |
| US20210398025A1 (en) | Content Classification Method | |
| CN117056592A (zh) | 基于医疗大数据的个性化诊疗推荐系统及方法 | |
| CN114936327B (zh) | 元素识别模型的获取方法、装置、计算机设备和存储介质 | |
| CN114494441B (zh) | 基于深度学习的葡萄及其采摘点同步识别定位方法、装置 | |
| CN114118411A (zh) | 图像识别网络的训练方法、图像识别方法及装置 | |
| CN111626373A (zh) | 多尺度加宽残差网络、小目标识别检测网络及其优化方法 |
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 |