CN117808024B - 基于自适应调控的读写器设备管理方法及系统 - Google Patents
基于自适应调控的读写器设备管理方法及系统 Download PDFInfo
- Publication number
- CN117808024B CN117808024B CN202410226762.7A CN202410226762A CN117808024B CN 117808024 B CN117808024 B CN 117808024B CN 202410226762 A CN202410226762 A CN 202410226762A CN 117808024 B CN117808024 B CN 117808024B
- Authority
- CN
- China
- Prior art keywords
- communication quality
- read
- write equipment
- quality evaluation
- evaluation membership
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 310
- 238000013441 quality evaluation Methods 0.000 claims abstract description 182
- 230000002068 genetic effect Effects 0.000 claims abstract description 53
- 238000000691 measurement method Methods 0.000 claims abstract description 41
- 230000007704 transition Effects 0.000 claims description 50
- 238000009928 pasteurization Methods 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 description 16
- 230000015556 catabolic process Effects 0.000 description 8
- 238000006731 degradation reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于自适应调控的读写器设备管理方法及系统，属于读写设备管理技术领域，通过巴氏距离度量法以及遗传算法对类簇中的数据进行处理，获取读写设备的通信质量评价隶属度，根据读写设备的通信质量评价隶属度构建通信质量状态预测模型，并通过通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度，基于当前时间戳的读写设备的通信质量评价隶属度识别出异常工作的读写设备，通过对异常工作的读写设备进行功率调控。本发明通过融合巴氏距离度量法以及通信质量状态预测模型来提高对读写器设备的实时通信质量隶属度的预测精度，从而能够更加精准地根据实际的通信质量情况来优化读写器的运行功率，提高读写器的通信质量。
Description
技术领域
本发明涉及读写器设备管理技术领域，尤其涉及一种基于自适应调控的读写器设备管理方法及系统。
背景技术
随着无线通信技术的迅猛发展，射频识别（RFID）技术在物联网和智能物流等领域得到了广泛应用。RFID技术可以实现对物体的无线自动识别和数据传输，提高了物流管理的效率和准确性。读写器（也称为RFID阅读器或RFID标签读取器）是RFID系统中的重要组成部分，负责读取和写入RFID标签上的数据。然而，读写器容易受到一定的通信干扰，如其他读写器的通信干扰、环境中的通信干扰等，若不及时调控读写器的运行功率，就会影响读写器的正常通信质量，进而影响RFID系统的正常运行，现有技术中不仅对于异常工作的读写器识别精度低下，不利于对于读写器的精准控制。
发明内容
本发明克服了现有技术的不足，提供了一种基于自适应调控的读写器设备管理方法及系统。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种基于自适应调控的读写器设备管理方法，包括以下步骤：
获取当前区域中读写设备的运行特征数据信息，并通过对当前区域中读写设备的运行特征数据信息进行模糊评价，获取若干个类簇；
引入巴氏距离度量法以及遗传算法，并通过巴氏距离度量法以及遗传算法对类簇中的数据进行处理，获取读写设备的通信质量评价隶属度；
根据读写设备的通信质量评价隶属度构建通信质量状态预测模型，并通过通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度；
基于当前时间戳的读写设备的通信质量评价隶属度识别出异常工作的读写设备，通过对异常工作的读写设备进行功率调控。
进一步的，在本方法中，通过对当前区域中读写设备的运行特征数据信息进行模糊评价，获取若干个类簇，具体包括：
导入k-means模糊聚类算法，初始化聚类中心的个数，根据当前区域中读写设备的运行特征数据信息构建样本数据，并计算每一样本数据到各个聚类中心的欧式距离值；
获取每一样本数据到各个聚类中心的欧式距离值，并对欧式距离值进行排序，获取欧式距离排序结果，从欧式距离排序结果中获取最小的欧式距离值；
将最小的欧式距离值作为当前样本数据的类簇，并将每一样本数据分类到对应的类簇中，当所有的样本数据均分类完成之后，输出若干类簇。
进一步的，在本方法中，引入巴氏距离度量法以及遗传算法，并通过巴氏距离度量法以及遗传算法对类簇中的数据进行处理，获取读写设备的通信质量评价隶属度，具体包括：
引入巴氏距离度量法以及遗传算法，并通过巴氏距离度量法计算每个类簇中的样本数据之间的巴氏系数，基于巴氏系数计算出每个类簇中的样本数据之间的巴氏距离值；
预设巴氏距离阈值，并判断类簇中是否存在至少一组巴氏距离值大于巴氏距离阈值的样本数据，当类簇中存在至少一组巴氏距离值大于巴氏距离阈值的样本数据时，根据遗传算法设置遗传代数；
重新调整聚类中心的个数，根据遗传代数对聚类中心的个数进行遗传迭代，直至当类簇中不存在任何一组巴氏距离值大于巴氏距离阈值的样本数据时，输出新的聚类中心的个数；
根据新的聚类中心的个数对样本数据进行重新分类，获取新的类簇，并根据新的类簇获取读写设备的通信质量评价隶属度，并将读写设备的通信质量评价隶属度输出。
进一步的，在本方法中，根据读写设备的通信质量评价隶属度构建通信质量状态预测模型，具体包括：
构建时间戳，并获取每个时间戳中读写设备的通信质量评价隶属度，根据每个时间戳中读写设备的通信质量评价隶属度构建通信质量评价隶属度矩阵；
融合马尔科夫链，并根据马尔科夫链计算通信质量评价隶属度矩阵中每一通信质量评价隶属度转移到下一等级通信质量评价隶属度的转移概率值；
根据转移概率值构建隶属度转移概率矩阵，并基于卷积神经网络构建通信质量状态预测模型，并将隶属度转移概率矩阵输入到通信质量状态预测模型中进行编码学习；
预设模型参数阈值范围，当通信质量状态预测模型的模型参数在模型参数阈值范围之内时，保存通信质量状态预测模型的模型参数，并将通信质量状态预测模型输出。
进一步的，在本方法中，通过通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度，具体包括：
获取当前时间戳的读写设备的通信质量评价隶属度，通过通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值；
预设转移概率阈值，并判断当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值是否大于转移概率阈值；
若大于，则将当前时间戳的读写设备的通信质量评价隶属度的下一等级的通信质量评价隶属度作为当前时间戳的读写设备的通信质量评价隶属度；
若当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值不大于转移概率阈值，则将当前时间戳的读写设备的通信质量评价隶属度输出。
进一步的，在本方法中，基于当前时间戳的读写设备的通信质量评价隶属度识别出异常工作的读写设备，具体包括：
预设通信质量评价隶属度评价指标，并判断当前时间戳的读写设备的通信质量评价隶属度是否大于通信质量评价隶属度评价指标；
当当前时间戳的读写设备的通信质量评价隶属度大于通信质量评价隶属度评价指标时，则将对应的读写设备作为异常工作的读写设备；
当当前时间戳的读写设备的通信质量评价隶属度不大于通信质量评价隶属度评价指标时，则将对应的读写设备作为正常工作的读写设备。
进一步的，在本方法中，通过对异常工作的读写设备进行功率调控，具体包括：
获取异常工作的读写设备的实时运行特征数据信息，并根据异常工作的读写设备的实时运行特征数据信息获取读写设备的运行功率信息、读写设备的信噪比、信道容量数据；
根据读写设备的运行功率信息、读写设备的信噪比、信道容量数据计算出读写设备的信道增益，并根据读写设备的信道增益获取当前读写设备的通信干扰特征数据信息；
通过大数据获取各通信干扰特征数据信息之下读写设备的最优运行功率信息，并根据各通信干扰特征数据信息之下读写设备的最优运行功率信息构建知识图谱，将通信干扰特征数据信息输入到知识图谱中进行数据匹配；
获取当前读写设备的通信干扰特征数据信息之下读写设备的最优运行功率信息，并根据当前读写设备的通信干扰特征数据信息之下读写设备的最优运行功率信息对异常工作的读写设备进行功率调控。
本发明第二方面提供了一种基于自适应调控的读写器设备管理系统，包括存储器以及处理器，存储器中包括基于自适应调控的读写器设备管理方法程序，基于自适应调控的读写器设备管理方法程序被处理器执行时，实现如下步骤：
获取当前区域中读写设备的运行特征数据信息，并通过对当前区域中读写设备的运行特征数据信息进行模糊评价，获取若干个类簇；
引入巴氏距离度量法以及遗传算法，并通过巴氏距离度量法以及遗传算法对类簇中的数据进行处理，获取读写设备的通信质量评价隶属度；
根据读写设备的通信质量评价隶属度构建通信质量状态预测模型，并通过通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度；
基于当前时间戳的读写设备的通信质量评价隶属度识别出异常工作的读写设备，通过对异常工作的读写设备进行功率调控。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括基于自适应调控的读写器设备管理方法程序，基于自适应调控的读写器设备管理方法程序被处理器执行时，实现任一项的基于自适应调控的读写器设备管理方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过获取当前区域中读写设备的运行特征数据信息，并通过对当前区域中读写设备的运行特征数据信息进行模糊评价，获取若干个类簇，进而引入巴氏距离度量法以及遗传算法，并通过巴氏距离度量法以及遗传算法对类簇中的数据进行处理，获取读写设备的通信质量评价隶属度，从而根据读写设备的通信质量评价隶属度构建通信质量状态预测模型，并通过通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度，最后基于当前时间戳的读写设备的通信质量评价隶属度识别出异常工作的读写设备，通过对异常工作的读写设备进行功率调控。本发明通过融合巴氏距离度量法以及通信质量状态预测模型来提高对读写器设备的实时通信质量隶属度的预测精度，从而能够更加精准地根据实际的通信质量情况来优化读写器的运行功率，提高读写器的通信质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1示出了基于自适应调控的读写器设备管理方法的整体方法流程图；
图2示出了基于自适应调控的读写器设备管理方法的第一方法流程图；
图3示出了基于自适应调控的读写器设备管理方法的第二方法流程图；
图4示出了基于自适应调控的读写器设备管理系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所述，本发明第一方面提供了一种基于自适应调控的读写器设备管理方法，包括以下步骤：
S102:获取当前区域中读写设备的运行特征数据信息，并通过对当前区域中读写设备的运行特征数据信息进行模糊评价，获取若干个类簇；
S104:引入巴氏距离度量法以及遗传算法，并通过巴氏距离度量法以及遗传算法对类簇中的数据进行处理，获取读写设备的通信质量评价隶属度；
S106:根据读写设备的通信质量评价隶属度构建通信质量状态预测模型，并通过通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度；
S108:基于当前时间戳的读写设备的通信质量评价隶属度识别出异常工作的读写设备，通过对异常工作的读写设备进行功率调控。
需要说明的是，本发明通过融合巴氏距离度量法以及通信质量状态预测模型来提高对读写器设备的实时通信质量隶属度的预测精度，从而能够更加精准地根据实际的通信质量情况来优化读写器的运行功率，提高读写器的通信质量。
需要说明的是，在通过对当前区域中读写设备的运行特征数据信息进行模糊评价，获取若干个类簇的步骤中，具体包括：
导入k-means模糊聚类算法，初始化聚类中心的个数，根据当前区域中读写设备的运行特征数据信息构建样本数据，并计算每一样本数据到各个聚类中心的欧式距离值；
获取每一样本数据到各个聚类中心的欧式距离值，并对欧式距离值进行排序，获取欧式距离排序结果，从欧式距离排序结果中获取最小的欧式距离值；
将最小的欧式距离值作为当前样本数据的类簇，并将每一样本数据分类到对应的类簇中，当所有的样本数据均分类完成之后，输出若干类簇。
需要说明的是，通过融入k-means模糊聚类算法能够对批量的读写设备的运行特征数据信息进行聚类分析，从而将相近的数据分类到相应的类簇，其中，读写设备的运行特征数据信息包括读写设备的运行功率信息、读写设备的信噪比、信道容量数据、信道增益等数据。
如图2所示，进一步的，在本方法中，引入巴氏距离度量法以及遗传算法，并通过巴氏距离度量法以及遗传算法对类簇中的数据进行处理，获取读写设备的通信质量评价隶属度，具体包括：
S202:引入巴氏距离度量法以及遗传算法，并通过巴氏距离度量法计算每个类簇中的样本数据之间的巴氏系数，基于巴氏系数计算出每个类簇中的样本数据之间的巴氏距离值；
S204:预设巴氏距离阈值，并判断类簇中是否存在至少一组巴氏距离值大于巴氏距离阈值的样本数据，当类簇中存在至少一组巴氏距离值大于巴氏距离阈值的样本数据时，根据遗传算法设置遗传代数；
S206:重新调整聚类中心的个数，根据遗传代数对聚类中心的个数进行遗传迭代，直至当类簇中不存在任何一组巴氏距离值大于巴氏距离阈值的样本数据时，输出新的聚类中心的个数；
S208:根据新的聚类中心的个数对样本数据进行重新分类，获取新的类簇，并根据新的类簇获取读写设备的通信质量评价隶属度，并将读写设备的通信质量评价隶属度输出。
需要说明的是，由于k-means模糊聚类算法在聚类中心不合理选择时容易出现局部最优解的现象，就会导致部分类簇中存在不相近的数据，通过融合巴氏距离度量法以及遗传算法能够对聚类中心进行优化，使得每个类簇中的数据为相近的数据，从而提高数据分类的精度，进而提高对异常工作的读写设备的识别精度。其中，通信质量评价隶属度包括超高通信质量、高通信质量、中高通信质量、中通信质量、低通信质量等，按照类簇中心的个数进行设定。
如图3所示，进一步的，在本方法中，根据读写设备的通信质量评价隶属度构建通信质量状态预测模型，具体包括：
S302:构建时间戳，并获取每个时间戳中读写设备的通信质量评价隶属度，根据每个时间戳中读写设备的通信质量评价隶属度构建通信质量评价隶属度矩阵；
S304:融合马尔科夫链，并根据马尔科夫链计算通信质量评价隶属度矩阵中每一通信质量评价隶属度转移到下一等级通信质量评价隶属度的转移概率值；
S306:根据转移概率值构建隶属度转移概率矩阵，并基于卷积神经网络构建通信质量状态预测模型，并将隶属度转移概率矩阵输入到通信质量状态预测模型中进行编码学习；
S308:预设模型参数阈值范围，当通信质量状态预测模型的模型参数在模型参数阈值范围之内时，保存通信质量状态预测模型的模型参数，并将通信质量状态预测模型输出。
需要说明的是，在实际的情况中，在多个时间戳中通信质量评价隶属度可能会发生转移，如从高通信质量转换为中通信质量，从而低通信质量转移为超高通信质量等，通过融合马尔科夫链以及卷积神经网络能够提高对读写设备的通信质量评价隶属度的预测精度，从而提高对异常工作的读写设备的识别精度。
需要说明的是，进一步的，在本方法中，通过通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度，具体包括：
获取当前时间戳的读写设备的通信质量评价隶属度，通过通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值；
预设转移概率阈值，并判断当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值是否大于转移概率阈值；
若大于，则将当前时间戳的读写设备的通信质量评价隶属度的下一等级的通信质量评价隶属度作为当前时间戳的读写设备的通信质量评价隶属度；
若当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值不大于转移概率阈值，则将当前时间戳的读写设备的通信质量评价隶属度输出。
需要说明的是，通过本方法能够提高对读写设备的通信质量评价隶属度的预测精度，从而提高对异常工作的读写设备的识别精度。
需要说明的是，进一步的，在本方法中，基于当前时间戳的读写设备的通信质量评价隶属度识别出异常工作的读写设备，具体包括：
预设通信质量评价隶属度评价指标，并判断当前时间戳的读写设备的通信质量评价隶属度是否大于通信质量评价隶属度评价指标；
当当前时间戳的读写设备的通信质量评价隶属度大于通信质量评价隶属度评价指标时，则将对应的读写设备作为异常工作的读写设备；
当当前时间戳的读写设备的通信质量评价隶属度不大于通信质量评价隶属度评价指标时，则将对应的读写设备作为正常工作的读写设备。
需要说明的是，进一步的，在本方法中，通过对异常工作的读写设备进行功率调控，具体包括：
获取异常工作的读写设备的实时运行特征数据信息，并根据异常工作的读写设备的实时运行特征数据信息获取读写设备的运行功率信息、读写设备的信噪比、信道容量数据；
根据读写设备的运行功率信息、读写设备的信噪比、信道容量数据计算出读写设备的信道增益，并根据读写设备的信道增益获取当前读写设备的通信干扰特征数据信息；
通过大数据获取各通信干扰特征数据信息之下读写设备的最优运行功率信息，并根据各通信干扰特征数据信息之下读写设备的最优运行功率信息构建知识图谱，将通信干扰特征数据信息输入到知识图谱中进行数据匹配；
获取当前读写设备的通信干扰特征数据信息之下读写设备的最优运行功率信息，并根据当前读写设备的通信干扰特征数据信息之下读写设备的最优运行功率信息对异常工作的读写设备进行功率调控。
需要说明的是，通过本方法能够更加精准地根据实际的通信质量情况来优化读写器的运行功率，提高读写器的通信质量。
需要说明的是，本方法还可以包括以下步骤：
获取读写器的历史通信质量隶属度退化特征数据信息，并根据所述读写器的历史通信质量隶属度退化特征数据信息构建通信质量隶属度退化特征矩阵；
基于深度神经网络构建通信质量隶属度退化特征预测模型，并将所述通信质量隶属度退化特征矩阵输入到所述通信质量隶属度退化特征预测模型中进行编码学习，获取训练完成的通信质量隶属度退化特征预测模型；
获取预设时间之内的读写器在正常工作时的通信质量隶属度特征数据信息，并将所述预设时间之内的读写器在正常工作时的通信质量隶属度特征数据信息输入到所述通信质量隶属度退化特征预测模型中进行预测；
通过预测，获取在当前时间戳的读写器在正常工作时的通信质量隶属度，并根据所述在当前时间戳的读写器在正常工作时的通信质量隶属度对当前读写器进行工作任务分配，同时对当前时间戳的读写器的通信质量隶属度进行更新。
需要说明的是，由于读写器设备在使用一定的时间之后，通讯设备就会发生一定的通信性能退化，通过本方法能够对当前时间戳的读写器的通信质量隶属度进行更新，从而提高对读写器设备的通信质量隶属度的预测精度。
其中，根据所述在当前时间戳的读写器在正常工作时的通信质量隶属度对当前读写器进行工作任务分配，具体包括：
获取当前信息传输需求信息，并根据所述在当前时间戳的读写器在正常工作时的通信质量隶属度获取最大的信息传输速率信息，并判断所述当前信息传输需求信息是否大于当前读写器的最大的信息传输速率信息；
当所述当前信息传输需求信息大于所述当前读写器的最大的信息传输速率信息时，则将当前读写器作为异常工作的读写器；
当读写器为异常工作的读写器时，分配所述当前信息传输需求信息不大于所述当前读写器的最大的信息传输速率信息的读写器设备进行信息传输；
当所述当前信息传输需求信息不大于所述当前读写器的最大的信息传输速率信息时，则将对应的读写器设备作为正常工作的读写器，并通过当前读写器进行持续传输信息。
需要说明的是，当前信息传输需求信息包括信息传输的大小、文件类型等数据，通过本方法能够进一步优化读写器在信息传输时的合理性。
如图4所示，本发明第二方面提供了一种基于自适应调控的读写器设备管理系统4，包括存储器41以及处理器42，存储器41中包括基于自适应调控的读写器设备管理方法程序，基于自适应调控的读写器设备管理方法程序被处理器42执行时，实现如下步骤：
获取当前区域中读写设备的运行特征数据信息，并通过对当前区域中读写设备的运行特征数据信息进行模糊评价，获取若干个类簇；
引入巴氏距离度量法以及遗传算法，并通过巴氏距离度量法以及遗传算法对类簇中的数据进行处理，获取读写设备的通信质量评价隶属度；
根据读写设备的通信质量评价隶属度构建通信质量状态预测模型，并通过通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度；
基于当前时间戳的读写设备的通信质量评价隶属度识别出异常工作的读写设备，通过对异常工作的读写设备进行功率调控。
进一步的，在本系统中，通过对当前区域中读写设备的运行特征数据信息进行模糊评价，获取若干个类簇，具体包括：
导入k-means模糊聚类算法，初始化聚类中心的个数，根据当前区域中读写设备的运行特征数据信息构建样本数据，并计算每一样本数据到各个聚类中心的欧式距离值；
获取每一样本数据到各个聚类中心的欧式距离值，并对欧式距离值进行排序，获取欧式距离排序结果，从欧式距离排序结果中获取最小的欧式距离值；
将最小的欧式距离值作为当前样本数据的类簇，并将每一样本数据分类到对应的类簇中，当所有的样本数据均分类完成之后，输出若干类簇。
进一步的，在本系统中，引入巴氏距离度量法以及遗传算法，并通过巴氏距离度量法以及遗传算法对类簇中的数据进行处理，获取读写设备的通信质量评价隶属度，具体包括：
引入巴氏距离度量法以及遗传算法，并通过巴氏距离度量法计算每个类簇中的样本数据之间的巴氏系数，基于巴氏系数计算出每个类簇中的样本数据之间的巴氏距离值；
预设巴氏距离阈值，并判断类簇中是否存在至少一组巴氏距离值大于巴氏距离阈值的样本数据，当类簇中存在至少一组巴氏距离值大于巴氏距离阈值的样本数据时，根据遗传算法设置遗传代数；
重新调整聚类中心的个数，根据遗传代数对聚类中心的个数进行遗传迭代，直至当类簇中不存在任何一组巴氏距离值大于巴氏距离阈值的样本数据时，输出新的聚类中心的个数；
根据新的聚类中心的个数对样本数据进行重新分类，获取新的类簇，并根据新的类簇获取读写设备的通信质量评价隶属度，并将读写设备的通信质量评价隶属度输出。
进一步的，在本系统中，根据读写设备的通信质量评价隶属度构建通信质量状态预测模型，具体包括：
构建时间戳，并获取每个时间戳中读写设备的通信质量评价隶属度，根据每个时间戳中读写设备的通信质量评价隶属度构建通信质量评价隶属度矩阵；
融合马尔科夫链，并根据马尔科夫链计算通信质量评价隶属度矩阵中每一通信质量评价隶属度转移到下一等级通信质量评价隶属度的转移概率值；
根据转移概率值构建隶属度转移概率矩阵，并基于卷积神经网络构建通信质量状态预测模型，并将隶属度转移概率矩阵输入到通信质量状态预测模型中进行编码学习；
预设模型参数阈值范围，当通信质量状态预测模型的模型参数在模型参数阈值范围之内时，保存通信质量状态预测模型的模型参数，并将通信质量状态预测模型输出。
进一步的，在本系统中，通过通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度，具体包括：
获取当前时间戳的读写设备的通信质量评价隶属度，通过通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值；
预设转移概率阈值，并判断当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值是否大于转移概率阈值；
若大于，则将当前时间戳的读写设备的通信质量评价隶属度的下一等级的通信质量评价隶属度作为当前时间戳的读写设备的通信质量评价隶属度；
若当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值不大于转移概率阈值，则将当前时间戳的读写设备的通信质量评价隶属度输出。
进一步的，在本系统中，基于当前时间戳的读写设备的通信质量评价隶属度识别出异常工作的读写设备，具体包括：
预设通信质量评价隶属度评价指标，并判断当前时间戳的读写设备的通信质量评价隶属度是否大于通信质量评价隶属度评价指标；
当当前时间戳的读写设备的通信质量评价隶属度大于通信质量评价隶属度评价指标时，则将对应的读写设备作为异常工作的读写设备；
当当前时间戳的读写设备的通信质量评价隶属度不大于通信质量评价隶属度评价指标时，则将对应的读写设备作为正常工作的读写设备。
进一步的，在本系统中，通过对异常工作的读写设备进行功率调控，具体包括：
获取异常工作的读写设备的实时运行特征数据信息，并根据异常工作的读写设备的实时运行特征数据信息获取读写设备的运行功率信息、读写设备的信噪比、信道容量数据；
根据读写设备的运行功率信息、读写设备的信噪比、信道容量数据计算出读写设备的信道增益，并根据读写设备的信道增益获取当前读写设备的通信干扰特征数据信息；
通过大数据获取各通信干扰特征数据信息之下读写设备的最优运行功率信息，并根据各通信干扰特征数据信息之下读写设备的最优运行功率信息构建知识图谱，将通信干扰特征数据信息输入到知识图谱中进行数据匹配；
获取当前读写设备的通信干扰特征数据信息之下读写设备的最优运行功率信息，并根据当前读写设备的通信干扰特征数据信息之下读写设备的最优运行功率信息对异常工作的读写设备进行功率调控。
本发明第二方面提供了一种基于自适应调控的读写器设备管理系统，包括存储器以及处理器，存储器中包括基于自适应调控的读写器设备管理方法程序，基于自适应调控的读写器设备管理方法程序被处理器执行时，实现如下步骤：
获取当前区域中读写设备的运行特征数据信息，并通过对当前区域中读写设备的运行特征数据信息进行模糊评价，获取若干个类簇；
引入巴氏距离度量法以及遗传算法，并通过巴氏距离度量法以及遗传算法对类簇中的数据进行处理，获取读写设备的通信质量评价隶属度；
根据读写设备的通信质量评价隶属度构建通信质量状态预测模型，并通过通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度；
基于当前时间戳的读写设备的通信质量评价隶属度识别出异常工作的读写设备，通过对异常工作的读写设备进行功率调控。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括基于自适应调控的读写器设备管理方法程序，基于自适应调控的读写器设备管理方法程序被处理器执行时，实现任一项的基于自适应调控的读写器设备管理方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。
或者，本发明上述集成的单元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，也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，本发明实施例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方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，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 (6)
1.基于自适应调控的读写器设备管理方法，其特征在于，包括以下步骤：
获取当前区域中读写设备的运行特征数据信息，并通过对所述当前区域中读写设备的运行特征数据信息进行模糊评价，获取若干个类簇；
引入巴氏距离度量法以及遗传算法，并通过所述巴氏距离度量法以及遗传算法对所述类簇中的数据进行处理，获取读写设备的通信质量评价隶属度；
根据所述读写设备的通信质量评价隶属度构建通信质量状态预测模型，并通过所述通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度；
基于所述当前时间戳的读写设备的通信质量评价隶属度识别出异常工作的读写设备，通过对所述异常工作的读写设备进行功率调控；
引入巴氏距离度量法以及遗传算法，并通过所述巴氏距离度量法以及遗传算法对所述类簇中的数据进行处理，获取读写设备的通信质量评价隶属度，具体包括：
引入巴氏距离度量法以及遗传算法，并通过所述巴氏距离度量法计算每个类簇中的样本数据之间的巴氏系数，基于所述巴氏系数计算出每个类簇中的样本数据之间的巴氏距离值；
预设巴氏距离阈值，并判断类簇中是否存在至少一组所述巴氏距离值大于所述巴氏距离阈值的样本数据，当类簇中存在至少一组所述巴氏距离值大于所述巴氏距离阈值的样本数据时，根据所述遗传算法设置遗传代数；
重新调整聚类中心的个数，根据所述遗传代数对所述聚类中心的个数进行遗传迭代，直至当类簇中不存在任何一组所述巴氏距离值大于所述巴氏距离阈值的样本数据时，输出新的聚类中心的个数；
根据所述新的聚类中心的个数对样本数据进行重新分类，获取新的类簇，并根据所述新的类簇获取读写设备的通信质量评价隶属度，并将读写设备的通信质量评价隶属度输出；
根据所述读写设备的通信质量评价隶属度构建通信质量状态预测模型，具体包括：
构建时间戳，并获取每个时间戳中读写设备的通信质量评价隶属度，根据所述每个时间戳中读写设备的通信质量评价隶属度构建通信质量评价隶属度矩阵；
融合马尔科夫链，并根据所述马尔科夫链计算通信质量评价隶属度矩阵中每一通信质量评价隶属度转移到下一等级通信质量评价隶属度的转移概率值；
根据所述转移概率值构建隶属度转移概率矩阵，并基于卷积神经网络构建通信质量状态预测模型，并将所述隶属度转移概率矩阵输入到所述通信质量状态预测模型中进行编码学习；
预设模型参数阈值范围，当所述通信质量状态预测模型的模型参数在所述模型参数阈值范围之内时，保存所述通信质量状态预测模型的模型参数，并将所述通信质量状态预测模型输出；
通过所述通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度，具体包括：
获取当前时间戳的读写设备的通信质量评价隶属度，通过所述通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值；
预设转移概率阈值，并判断所述当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值是否大于所述转移概率阈值；
若大于，则将当前时间戳的读写设备的通信质量评价隶属度的下一等级的通信质量评价隶属度作为当前时间戳的读写设备的通信质量评价隶属度；
若所述当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值不大于所述转移概率阈值，则将当前时间戳的读写设备的通信质量评价隶属度输出。
2.根据权利要求1所述的基于自适应调控的读写器设备管理方法，其特征在于，通过对所述当前区域中读写设备的运行特征数据信息进行模糊评价，获取若干个类簇，具体包括：
导入k-means模糊聚类算法，初始化聚类中心的个数，根据所述当前区域中读写设备的运行特征数据信息构建样本数据，并计算每一样本数据到各个聚类中心的欧式距离值；
获取每一样本数据到各个聚类中心的欧式距离值，并对所述欧式距离值进行排序，获取欧式距离排序结果，从所述欧式距离排序结果中获取最小的欧式距离值；
将所述最小的欧式距离值作为当前样本数据的类簇，并将每一样本数据分类到对应的类簇中，当所有的样本数据均分类完成之后，输出若干类簇。
3.根据权利要求1所述的基于自适应调控的读写器设备管理方法，其特征在于，基于所述当前时间戳的读写设备的通信质量评价隶属度识别出异常工作的读写设备，具体包括：
预设通信质量评价隶属度评价指标，并判断所述当前时间戳的读写设备的通信质量评价隶属度是否大于所述通信质量评价隶属度评价指标；
当所述当前时间戳的读写设备的通信质量评价隶属度大于所述通信质量评价隶属度评价指标时，则将对应的读写设备作为异常工作的读写设备；
当所述当前时间戳的读写设备的通信质量评价隶属度不大于所述通信质量评价隶属度评价指标时，则将对应的读写设备作为正常工作的读写设备。
4.根据权利要求1所述的基于自适应调控的读写器设备管理方法，其特征在于，通过对所述异常工作的读写设备进行功率调控，具体包括：
获取异常工作的读写设备的实时运行特征数据信息，并根据所述异常工作的读写设备的实时运行特征数据信息获取读写设备的运行功率信息、读写设备的信噪比、信道容量数据；
根据所述读写设备的运行功率信息、读写设备的信噪比、信道容量数据计算出读写设备的信道增益，并根据所述读写设备的信道增益获取当前读写设备的通信干扰特征数据信息；
通过大数据获取各通信干扰特征数据信息之下读写设备的最优运行功率信息，并根据所述各通信干扰特征数据信息之下读写设备的最优运行功率信息构建知识图谱，将所述通信干扰特征数据信息输入到所述知识图谱中进行数据匹配；
获取当前读写设备的通信干扰特征数据信息之下读写设备的最优运行功率信息，并根据所述当前读写设备的通信干扰特征数据信息之下读写设备的最优运行功率信息对所述异常工作的读写设备进行功率调控。
5.基于自适应调控的读写器设备管理系统，其特征在于，包括存储器以及处理器，所述存储器中包括基于自适应调控的读写器设备管理方法程序，所述基于自适应调控的读写器设备管理方法程序被所述处理器执行时，实现如下步骤：
获取当前区域中读写设备的运行特征数据信息，并通过对所述当前区域中读写设备的运行特征数据信息进行模糊评价，获取若干个类簇；
引入巴氏距离度量法以及遗传算法，并通过所述巴氏距离度量法以及遗传算法对所述类簇中的数据进行处理，获取读写设备的通信质量评价隶属度；
根据所述读写设备的通信质量评价隶属度构建通信质量状态预测模型，并通过所述通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度；
基于所述当前时间戳的读写设备的通信质量评价隶属度识别出异常工作的读写设备，通过对所述异常工作的读写设备进行功率调控；
引入巴氏距离度量法以及遗传算法，并通过所述巴氏距离度量法以及遗传算法对所述类簇中的数据进行处理，获取读写设备的通信质量评价隶属度，具体包括：
引入巴氏距离度量法以及遗传算法，并通过所述巴氏距离度量法计算每个类簇中的样本数据之间的巴氏系数，基于所述巴氏系数计算出每个类簇中的样本数据之间的巴氏距离值；
预设巴氏距离阈值，并判断类簇中是否存在至少一组所述巴氏距离值大于所述巴氏距离阈值的样本数据，当类簇中存在至少一组所述巴氏距离值大于所述巴氏距离阈值的样本数据时，根据所述遗传算法设置遗传代数；
重新调整聚类中心的个数，根据所述遗传代数对所述聚类中心的个数进行遗传迭代，直至当类簇中不存在任何一组所述巴氏距离值大于所述巴氏距离阈值的样本数据时，输出新的聚类中心的个数；
根据所述新的聚类中心的个数对样本数据进行重新分类，获取新的类簇，并根据所述新的类簇获取读写设备的通信质量评价隶属度，并将读写设备的通信质量评价隶属度输出；
根据所述读写设备的通信质量评价隶属度构建通信质量状态预测模型，具体包括：
构建时间戳，并获取每个时间戳中读写设备的通信质量评价隶属度，根据所述每个时间戳中读写设备的通信质量评价隶属度构建通信质量评价隶属度矩阵；
融合马尔科夫链，并根据所述马尔科夫链计算通信质量评价隶属度矩阵中每一通信质量评价隶属度转移到下一等级通信质量评价隶属度的转移概率值；
根据所述转移概率值构建隶属度转移概率矩阵，并基于卷积神经网络构建通信质量状态预测模型，并将所述隶属度转移概率矩阵输入到所述通信质量状态预测模型中进行编码学习；
预设模型参数阈值范围，当所述通信质量状态预测模型的模型参数在所述模型参数阈值范围之内时，保存所述通信质量状态预测模型的模型参数，并将所述通信质量状态预测模型输出；
通过所述通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度，具体包括：
获取当前时间戳的读写设备的通信质量评价隶属度，通过所述通信质量状态预测模型预测当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值；
预设转移概率阈值，并判断所述当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值是否大于所述转移概率阈值；
若大于，则将当前时间戳的读写设备的通信质量评价隶属度的下一等级的通信质量评价隶属度作为当前时间戳的读写设备的通信质量评价隶属度；
若所述当前时间戳的读写设备的通信质量评价隶属度转移到下一等级的通信质量评价隶属度的转移概率值不大于所述转移概率阈值，则将当前时间戳的读写设备的通信质量评价隶属度输出。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于自适应调控的读写器设备管理方法程序，所述基于自适应调控的读写器设备管理方法程序被处理器执行时，实现如权利要求1-4任一项所述的基于自适应调控的读写器设备管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410226762.7A CN117808024B (zh) | 2024-02-29 | 2024-02-29 | 基于自适应调控的读写器设备管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410226762.7A CN117808024B (zh) | 2024-02-29 | 2024-02-29 | 基于自适应调控的读写器设备管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117808024A CN117808024A (zh) | 2024-04-02 |
| CN117808024B true CN117808024B (zh) | 2024-05-07 |
Family
ID=90422023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410226762.7A Active CN117808024B (zh) | 2024-02-29 | 2024-02-29 | 基于自适应调控的读写器设备管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117808024B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118338483B (zh) * | 2024-06-12 | 2024-10-18 | 深圳市旭日伟光科技有限公司 | 一种磁悬浮led灯的智能控制方法、系统及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776183A (zh) * | 2023-08-18 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地识别与评价方法及系统 |
| CN117056591A (zh) * | 2023-07-24 | 2023-11-14 | 深圳义云科技有限公司 | 基于动态预测的电力缴费渠道智能推荐方法及系统 |
| CN117371207A (zh) * | 2023-10-11 | 2024-01-09 | 国网宁夏电力有限公司 | 一种特高压换流阀状态评价方法、介质及系统 |
| CN117371875A (zh) * | 2023-12-07 | 2024-01-09 | 深圳市好兄弟电子有限公司 | 基于数据分析的音箱生产质量评价方法及系统 |
| CN117574321A (zh) * | 2024-01-16 | 2024-02-20 | 中国电建集团西北勘测设计研究院有限公司 | 基于海量监测巡检信息融合模型的大坝安全评估方法 |
-
2024
- 2024-02-29 CN CN202410226762.7A patent/CN117808024B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117056591A (zh) * | 2023-07-24 | 2023-11-14 | 深圳义云科技有限公司 | 基于动态预测的电力缴费渠道智能推荐方法及系统 |
| CN116776183A (zh) * | 2023-08-18 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地识别与评价方法及系统 |
| CN117371207A (zh) * | 2023-10-11 | 2024-01-09 | 国网宁夏电力有限公司 | 一种特高压换流阀状态评价方法、介质及系统 |
| CN117371875A (zh) * | 2023-12-07 | 2024-01-09 | 深圳市好兄弟电子有限公司 | 基于数据分析的音箱生产质量评价方法及系统 |
| CN117574321A (zh) * | 2024-01-16 | 2024-02-20 | 中国电建集团西北勘测设计研究院有限公司 | 基于海量监测巡检信息融合模型的大坝安全评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117808024A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117808024B (zh) | 基于自适应调控的读写器设备管理方法及系统 | |
| EP4024261A1 (en) | Model training method, apparatus, and system | |
| CN108711107A (zh) | 智能融资服务推荐方法及其系统 | |
| CN114511112B (zh) | 一种基于物联网的智慧运维方法、系统和可读存储介质 | |
| CN115860645B (zh) | 一种基于大数据的物流仓储管理方法及系统 | |
| CN116362607B (zh) | 一种物资储备效能评估方法及装置 | |
| CN111813618A (zh) | 数据异常检测方法、装置、设备及存储介质 | |
| CN116187718A (zh) | 基于计算机视觉的智慧货物识别分拣方法及系统 | |
| CN117993887A (zh) | 一种基于最优化控制的智能决策方法、系统和介质 | |
| CN117764562B (zh) | 基于物联网的门禁设备智能管理方法及系统 | |
| CN117807406B (zh) | 支付平台的企业账户管理方法、系统、设备及存储介质 | |
| CN117094535A (zh) | 基于人工智能的能源补给管理方法及系统 | |
| CN117095247A (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
| CN115982646B (zh) | 一种基于云平台的多源测试数据的管理方法及系统 | |
| CN115856694B (zh) | 电池寿命预测方法、装置、计算机设备和存储介质 | |
| CN115221135B (zh) | 一种工业互联网数据的共享方法及系统 | |
| CN116432835A (zh) | 客户流失预警归因方法、装置、计算机设备及存储介质 | |
| CN118396002B (zh) | 一种读写器设备的控制方法、系统及存储介质 | |
| CN113850483A (zh) | 一种企业信用风险评级系统 | |
| CN118134358B (zh) | 一种智慧物流配送数据管理平台 | |
| CN113591994B (zh) | 一种基于自动标注的终端行为预测方法 | |
| CN117311644A (zh) | 一种智慧物流数据的存储管控方法及系统 | |
| CN117522196A (zh) | 数据处理方法及装置、存储介质及电子装置 | |
| CN116596012A (zh) | 一种基于rfid的商品信息传输方法及系统 | |
| CN117952588A (zh) | 基于rfid的无人值守系统运维方法、系统及存储介质 |
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 |