CN117973683A - 基于评估知识表征的装备体系效能评估方法和装置 - Google Patents
基于评估知识表征的装备体系效能评估方法和装置 Download PDFInfo
- Publication number
- CN117973683A CN117973683A CN202410122495.9A CN202410122495A CN117973683A CN 117973683 A CN117973683 A CN 117973683A CN 202410122495 A CN202410122495 A CN 202410122495A CN 117973683 A CN117973683 A CN 117973683A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- knowledge
- information
- evaluation knowledge
- module
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 553
- 238000012512 characterization method Methods 0.000 title claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000010276 construction Methods 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 106
- 230000004927 fusion Effects 0.000 claims description 49
- 238000001228 spectrum Methods 0.000 claims description 47
- 238000000605 extraction Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000011158 quantitative evaluation Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了基于评估知识表征的装备体系效能评估方法和装置，所述装置包括评估知识构建模块、评估知识管理模块和评估知识服务模块；所述评估知识构建模块，对评估知识信息进行表征，得到评估知识表征信息；所述评估知识管理模块，用于实现对所述评估知识的验证和存储处理；所述评估知识服务模块，用于实现对所述评估知识的检索和评估处理。本发明实现了统一表征评估场景构建知识、装备体系编配知识、装备体系运用知识、评估指标体系构建知识等装备体系效能评估知识，进而运用装备体系效能评估知识，对装备体系效能进行有效评估，有效支撑了装备体系论证、体系设计、体系运用、体系优化、体系编配等方面的分析决策。
Description
技术领域
本发明涉及装备体系效能评估技术领域，尤其涉及一种基于评估知识表征的装备体系效能评估方法和装置。
背景技术
目前，以大数据、机器学习、知识图谱、数字孪生等为代表的人工智能技术快速发展，应用场景越来越广泛，将人工智能技术与装备体系评估相结合必然是未来发展趋势。如何将上述技术应用到装备体系评估中，从大量的评估数据中抽取关键知识，有效整合分散的数据信息，以支撑评估人员的分析决策，实现装备体系评估的泛在评估和敏捷评估是当前装备体系效能评估领域需要实现的重要目标。要实现上述的目标，至少亟需解决以下的问题：
1.如何统一表征评估场景构建知识、装备体系编配知识、装备体系运用知识、评估指标体系构建知识等装备体系效能评估知识；
2.如何运用装备体系效能评估知识，对装备体系效能进行有效评估，以支撑装备体系论证、体系设计、体系运用、体系优化、体系编配等方面的分析决策。
发明内容
针对从大量的评估数据中抽取关键知识，有效整合分散的数据信息，以支撑评估人员的分析决策，实现装备体系评估的泛在评估和敏捷评估的问题，本发明公开了一种基于评估知识表征的装备体系效能评估方法和装置。
本发明实施例第一方面，公开了一种基于评估知识表征的装备体系效能评估装置，包括评估知识构建模块、评估知识管理模块和评估知识服务模块；
所述评估知识构建模块，与评估知识管理模块和评估知识服务模块相连接，用于采集得到评估知识信息，对评估知识信息进行表征，得到评估知识表征信息；所述评估知识信息，包括场景构建知识信息、装备体系编配知识信息、装备体系运用知识信息、评估指标体系构建知识信息；
所述评估知识管理模块，与评估知识服务模块连接，用于实现对所述评估知识的验证和存储处理；
所述评估知识服务模块，用于实现对所述评估知识的检索和评估处理。
所述评估知识构建模块，包括评估知识抽取子模块、评估知识融合子模块、评估知识更新子模块；
所述评估知识抽取子模块，采集得到评估知识信息，对所述评估知识信息进行实体抽取，得到评估知识的实体信息；对所述评估知识信息进行关系抽取，得到评估知识的关系信息；对所述评估知识信息进行属性抽取，得到评估知识的属性信息；利用评估知识的实体信息、关系信息和属性信息，对所述评估知识的表征，得到评估知识的表征结果；
所述评估知识融合子模块，对评估知识的表征结果进行对齐和消歧处理后，对所有评估知识的表征结果进行合并处理，得到评估知识信息集合，将所述评估知识信息集合发送给所述评估知识更新子模块、所述评估知识管理模块和评估知识服务模块；
所述评估知识更新子模块，利用所述评估知识抽取子模块获取的评估知识的表征结果，对所述评估知识信息集合进行更新。
所述评估知识管理模块，包括评估知识存储子模块和评估知识验证子模块；
所述评估知识存储子模块，对评估知识信息集合进行存储；
所述评估知识验证子模块，利用预设的检测规则，对评估知识进行错误检测，得到错误的评估知识，将所述错误的评估知识从所述评估知识信息集合中删除。
所述评估知识服务模块包括评估知识检索子模块、评估训练子模块、智能评估子模块；
所述评估知识检索子模块，接收得到用户的检索指令，从所述评估知识信息集合中检索得到所述检索指令对应的评估知识表征信息并显示；
所述智能评估子模块，包括评估网络和量化评估子模块，实现对装备体系效能进行定量评估，得到装备体系效能评估值；
所述评估网络，与所述量化评估子模块连接，用于对输入的评估知识表征信息进行处理，得到各类子评估指标；所述量化评估子模块，用于对所述各类子评估指标进行计算处理，得到装备体系效能评估值；
所述评估训练子模块，与所述智能评估子模块连接，用于利用所述评估知识信息集合中的评估知识表征信息，生成对应的标签信息；利用所有的评估知识表征信息和对应的标签信息，构建得到评估知识训练集合；利用所述评估知识训练集合，对所述智能评估子模块进行训练处理。
所述评估网络，包括特征编码单元、特征融合单元、预测单元和反馈单元；
所述特征编码单元，包括三个不同维度的特征提取层、一个注意力机制层、一个相关性提取单元和两个上采样单元；
所述特征编码单元，用于对所述评估知识表征信息进行特征编码，得到特征信息；所述特征编码单元的第一输出端，连接所述特征融合单元的第一输入端；所述特征编码单元的第二输出端，连接所述预测单元的输入端；
所述特征融合单元，用于对所述特征信息进行融合处理，得到融合特征；所述特征融合单元的第一输出端，连接所述预测单元的输入端；
所述预测单元，用于对所述融合特征和特征信息进行预测处理，得到各类子评估指标；所述预测单元的输出端，连接所述反馈单元的第一输入端；
所述反馈单元，用于对所述各类子评估指标和所述评估知识训练集合中的标签信息进行差异计算处理，得到差异信息；所述反馈单元的第一输出端，连接所述预测单元的输入端和所述特征融合单元的第二输入端。
所述评估训练子模块，利用所述评估知识训练集合，对所述智能评估子模块进行训练处理，包括：
初始化训练迭代次数值；
将所述评估知识训练集合中的评估知识表征信息中的实体信息，作为输入数据，输入所述评估网络；将所述评估知识训练集合中的评估知识表征信息中的属性信息中的各类子评估指标，作为标签信息；
利用所述评估网络，对所述输入数据进行处理，得到各类子评估指标；
对得到的所述各类子评估指标和标签信息进行差异计算处理，得到差异值；
判断所述差异值是否满足收敛条件，得到第一判断结果；
当所述第一判断结果为否时，判断所述训练迭代次数值是否等于训练次数阈值，得到第二判断结果；
当所述第二判断结果为否时，确定模型训练状态为不满足终止训练条件；
当所述第二判断结果为是时，确定所述模型训练状态为满足终止训练条件；
当所述第一判断结果为是时，确定所述模型训练状态为满足终止训练条件；
当所述模型训练状态为不满足终止训练条件时，利用参数更新模型对所述特征融合单元和预测单元进行参数更新，训练迭代次数值增加1，触发执行将所述评估知识训练集合中的评估知识表征信息中的实体信息，作为输入数据，输入所述评估网络；
当所述模型训练状态为满足终止训练条件时，完成对所述评估网络的训练处理过程，得到训练完毕的评估网络。
所述参数更新模型为：
θ←θ+v；
式中，x(i)为所述评估知识训练集合中的第i个评估知识表征信息的标签信息，为损失函数，v为参数更新值，θ为所述特征融合单元和预测单元的参数，η为初始参数学习率，α为动量角度参数，0≤α≤1，/>表示针对变量θ求偏导数，f(x(i)；θ)表示评估网络对所述第i个评估知识表征信息的实体信息的数据计算得到的子评估指标，f(·)为评估网络对应的计算函数；exp表示常数e的幂运算；η和α为预设值。
所述量化评估子模块，对所述各类子评估指标进行计算处理，得到装备体系效能评估值，包括：
利用不同时刻得到的各类子评估指标，构建得到评估指标矩阵；所述评估指标矩阵中的行向量，为同一类的子评估指标在不同时刻的计算值；
对所述评估指标矩阵中的每个行向量，分别进行时频变换处理，得到对应的谱序列；利用所有的谱序列，构建得到谱序列集合；所述谱序列集合，包括若干个谱序列；所述谱序列集合，其表达式为[E1,E2,…,EN]，其中，Ei表示第i个谱序列；
对所述谱序列集合进行特征融合处理，得到加权谱信号；
对所述加权谱信号进行逆时频变换处理，得到评估序列；
计算得到所述评估序列的均值，确定所述均值，为装备体系效能评估值。
本发明实施例第二方面，公开了基于评估知识表征的装备体系效能评估方法，利用所述基于评估知识表征的装备体系效能评估装置来实现，包括：
利用所述评估知识构建模块，实现对评估知识的表征和构建，得到评估知识表征信息，将所述评估知识表征信息，发送到所述评估知识管理模块；
利用所述评估知识管理模块，实现对所述评估知识的验证和存储处理，得到评估知识信息集合；
利用所述评估训练子模块，对所述评估知识信息集合进行评估处理，得到装备体系效能评估值。
所述利用所述评估训练子模块，对所述评估知识信息集合进行评估处理，得到装备体系效能评估值，包括：
利用所述评估训练子模块，基于所述评估知识信息集合中的评估知识表征信息，生成对应的标签信息；利用所有的评估知识表征信息和对应的标签信息，构建得到评估知识训练集合；利用所述评估知识训练集合，对所述智能评估子模块进行训练处理；
利用所述评估网络，用于对输入的评估知识表征信息进行处理，得到各类子评估指标；利用所述量化评估子模块，对所述各类子评估指标进行计算处理，得到装备体系效能评估值。
本发明的有益效果为：
本发明实现了统一表征评估场景构建知识、装备体系编配知识、装备体系运用知识、评估指标体系构建知识等装备体系效能评估知识，进而运用装备体系效能评估知识，对装备体系效能进行有效评估，有效支撑了装备体系论证、体系设计、体系运用、体系优化、体系编配等方面的分析决策。
附图说明
图1为本发明装置的组成图。
图2为本发明装置的评估网络的特征融合单元的组成示意图；
图3为本发明装置的评估网络的特征编码单元的组成示意图。
具体实施方式
为了更好的了解本发明内容，这里给出一个实施例。
图1为本发明装置的组成图；图2为本发明装置的评估网络的特征融合单元的组成示意图；图3为本发明装置的评估网络的特征编码单元的组成示意图。
本申请实施例第一方面，公开了一种基于评估知识表征的装备体系效能评估装置，包括评估知识构建模块、评估知识管理模块和评估知识服务模块；
所述评估知识构建模块，与评估知识管理模块和评估知识服务模块相连接，用于采集得到评估知识，对评估知识进行表征，得到评估知识表征信息，为装备体系智能评估提供所需的知识支撑；所述评估知识，包括场景构建知识、装备体系编配知识、装备体系运用知识、评估指标体系构建知识；
所述评估知识管理模块，与评估知识服务模块连接，用于实现对所述评估知识的验证和存储处理，保证评估知识的准确性，提高评估知识的使用效率。
所述评估知识服务模块，用于实现对所述评估知识的检索和评估处理，实现对装备体系效能/能力的泛在评估和敏捷评估，支持评估知识检索和评估知识推理，为评估分析人员提供辅助决策。
所述评估知识构建模块，包括评估知识抽取子模块、评估知识融合子模块、评估知识更新子模块；
所述评估知识抽取子模块，采集得到评估知识，对所述评估知识进行实体抽取，得到评估知识的实体信息；对所述评估知识进行关系抽取，得到评估知识的关系信息；对所述评估知识进行属性抽取，得到评估知识的属性信息；利用评估知识的实体信息、关系信息和属性信息，实现对所述评估知识的表征，得到评估知识的表征结果；
所述评估知识融合子模块，对评估知识的表征结果进行对齐和消歧处理后，对所有评估知识的表征结果进行合并处理，得到评估知识信息集合，将所述评估知识信息集合发送给所述评估知识更新子模块、所述评估知识管理模块和评估知识服务模块；
所述评估知识更新子模块，利用所述评估知识抽取子模块获取的评估知识的表征结果，对所述评估知识信息集合进行更新，实现利用新产生的评估知识对评估知识信息集合，进行周期性更新、主动更新等。
所述消歧处理，基于Python中的Expert.ai NL API库中的消歧函数来实现。
所述对齐处理，可采用seq2seq模型来实现，或采用NLP中的词向量对齐来实现。
所述评估知识管理模块，包括评估知识存储模块和评估知识验证模块；所述评估知识存储模块，是以鲁棒性、安全性等为目标，对评估知识信息集合进行存储；所述评估知识验证模块，利用预设的检测规则，对评估知识进行错误检测，得到错误的评估知识，将所述错误的评估知识从所述评估知识信息集合中删除，对新知识的质量评估，只有合格的评估知识才能加入到知识库中，确保知识库的质量；还包括，评估知识迁移模块，主要实现对相似评估知识的迁移学习，以提升评估决策能力、决策时间及精度。
所述预设的检测规则，包括评估知识的实体、关系和属性的对应关系范围，例如，第一实体对应着第一关系和第二关系，第一实体对应着第二属性和第三属性，当某个评估知识的表征信息的实体、关系和属性的对应关系，不在上述对应关系范围内时，确定所述评估知识的表征信息，为错误的评估知识。
所述评估知识服务包括评估知识检索子模块、评估训练子模块、智能评估子模块；所述评估知识检索子模块，接收得到用户的检索指令，从所述评估知识信息集合中检索得到所述检索指令对应的评估知识表征信息并显示；
所述智能评估子模块，包括评估网络和量化评估子模块，实现对装备体系效能进行定量评估，得到装备体系效能评估值，以支撑评估人员决策分析；所述评估网络，与所述量化评估子模块连接，用于对输入的评估知识表征信息进行处理，得到各类子评估指标；所述量化评估子模块，用于对所述各类子评估指标进行计算处理，得到装备体系效能评估值；
所述评估训练子模块，与所述智能评估子模块连接，用于利用所述评估知识信息集合中的评估知识表征信息，生成对应的标签信息；利用所有的评估知识表征信息和对应的标签信息，构建得到评估知识训练集合；利用所述评估知识训练集合，对所述智能评估子模块进行训练处理；
还包括评估知识问答模块，主要实现问题的准确表示；还包括评估知识衍生模块，主要完成评估知识的类别、关系等的预测，产生更多的隐含知识。
所述评估训练子模块，用于利用所述评估知识信息集合中的评估知识表征信息，生成对应的标签信息；利用所有的评估知识表征信息和对应的标签信息，构建得到评估知识训练集合，包括：
利用所述评估知识信息集合中的评估知识表征信息中的实体信息，作为评估网络的输入量，利用所述实体信息对应的属性信息中的子评估指标，作为标签信息；利用所述输入量和对应的标签信息，构建得到评估知识训练集合。
所述评估网络，包括特征编码单元、特征融合单元、预测单元和反馈单元；
所述特征编码单元，包括三个不同维度的特征提取层、一个注意力机制层、一个相关性提取单元和两个上采样单元；
所述特征编码单元，用于对所述评估知识表征信息进行特征编码，得到特征信息；所述特征编码单元的第一输出端，连接所述特征融合单元的第一输入端；所述特征编码单元的第二输出端，连接所述预测单元的输入端；
所述特征融合单元，用于对所述特征信息进行融合处理，得到融合特征；所述特征融合单元的第一输出端，连接所述预测单元的输入端；
所述预测单元，用于对所述融合特征和特征信息进行预测处理，得到各类子评估指标；所述预测单元的输出端，连接所述反馈单元的第一输入端；
所述反馈单元，用于对所述各类子评估指标和所述评估知识训练集合中的标签信息进行差异计算处理，得到差异信息；所述反馈单元的第一输出端，连接所述预测单元的输入端和所述特征融合单元的第二输入端。
所述评估网络，对输入的评估知识表征信息进行处理，得到各类子评估指标，包括：
利用所述三个不同维度的特征提取层，分别对所述评估知识表征信息进行卷积池化和编码处理，分别得到第一特征信息、第二特征信息和第三特征信息；
利用所述注意力机制层，对所述第一特征信息、第二特征信息和第三特征信息进行通道注意力提取，得到通道注意力特征；利用所述相关性提取单元，对所述通道注意力特征进行相关性提取，得到相关性特征信息；将所述相关性特征信息输出至预测单元；
所述通道注意力提取和相关性提取的计算表达式为：
其中，F表示特征信息集合，包括第一特征信息、第二特征信息和第三特征信息，MC()表示通道注意力提取函数，F′表示通道注意力特征，MS()表示空间注意力映射函数，F″表示相关性特征信息；
将上采样后的第一特征信息和上采样后的第二特征信息进行融合，得到第一融合特征信息；将上采样后的第二特征信息和上采样后的第三特征信息进行融合，得到第二融合特征信息；将所述第一特征信息、第二特征信息、第三特征信息、第一融合特征信息和第二融合特征信息，输入至特征融合单元；
利用所述特征融合单元，对所输入的特征信息进行融合处理，得到融合特征；
利用预测单元，对所述融合特征和相关性特征信息进行预测处理，得到各类子评估指标；
所述特征编码单元，包括第一特征提取层、第二特征提取层、第三特征提取层、注意力机制层、相关性提取单元、第一上采样单元和第二上采样单元；第一特征提取层、第二特征提取层、第三特征提取层的维度均不相同；所述三个不同维度的特征提取层、一个注意力机制层均和相关性提取单元相连接；所述第一特征提取层、第二特征提取层均与第一上采样单元相连接；所述第二特征提取层、第三特征提取层均与第二上采样单元相连接；所述相关性提取单元，与所述预测单元相连接；所述第一特征提取层、第二特征提取层、第三特征提取层、第一上采样单元和第二上采样单元，均与特征融合单元相连接。
所述特征编码单元的第一输出端，连接所述特征融合单元的第一输入端；所述相关性提取单元、第一上采样单元和第二上采样单元的输出端，与所述特征编码单元的第一输出端连接；所述相关性提取单元、第一上采样单元和第二上采样单元的输出端，与所述特征编码单元的第二输出端连接；
所述特征编码单元的第二输出端，连接所述预测单元的输入端；
所述特征融合单元的第一输出端，连接所述预测单元的输入端；
所述预测单元的第一输出端，连接所述反馈单元的第一输入端；
所述反馈单元的第一输出端，连接所述预测单元的输入端和所述特征融合单元的第二输入端。
所述预测单元，包括二维卷积模块、激活模块、残差模块；所述二维卷积模块、激活模块、残差模块依次连接；所述二维卷积模块的输入端，作为所述预测单元的输入端；所述残差模块的输出端，作为所述预测单元的输出端。
所述特征融合单元，由差分单元、跨尺度融合的注意力模块、第一卷积层、上采样层和第二卷积层构成，跨尺度融合的注意力模块的输出端与第一卷积层的输入端相连，上采样层的输出端和第二卷积层的输入端相连，第一卷积层的输出端，与差分单元的第一输入端相连接，第二卷积层的输出端，与差分单元的第二输入端相连接。图2为特征融合单元的组成示意图。
所述特征融合单元的第一输入端和第二输入端，与所述跨尺度融合的注意力模块和上采样层的输入端连接；所述特征融合单元的第一输出端，与所述差分单元的输出端连接。
所述评估训练子模块，利用所述评估知识训练集合，对所述智能评估子模块进行训练处理，包括：
初始化训练迭代次数值；
将所述评估知识训练集合中的评估知识表征信息中的实体信息，作为输入数据，输入所述评估网络；将所述评估知识训练集合中的评估知识表征信息中的属性信息中的各类子评估指标，作为标签信息；
利用所述评估网络，对所述输入数据进行处理，得到各类子评估指标；
对得到的所述各类子评估指标和标签信息进行差异计算处理，得到差异值；
判断所述差异值是否满足收敛条件，得到第一判断结果；
当所述第一判断结果为否时，判断所述训练迭代次数值是否等于训练次数阈值，得到第二判断结果；
当所述第二判断结果为否时，确定模型训练状态为不满足终止训练条件；
当所述第二判断结果为是时，确定所述模型训练状态为满足终止训练条件；
当所述第一判断结果为是时，确定所述模型训练状态为满足终止训练条件；
当所述模型训练状态为不满足终止训练条件时，利用参数更新模型对所述特征融合单元和预测单元进行参数更新，训练迭代次数值增加1，触发执行将所述评估知识训练集合中的评估知识表征信息中的实体信息，作为输入数据，输入所述评估网络；
当所述模型训练状态为满足终止训练条件时，完成对所述评估网络的训练处理过程，得到训练完毕的评估网络。
所述差异值满足收敛条件，是指所述差异值小于预设的收敛阈值；所述差异值不满足收敛条件，是指所述差异值不小于预设的收敛阈值。
所述参数更新模型为：
θ←θ+v；
式中，x(i)为所述评估知识训练集合中的第i个评估知识表征信息的标签信息，为损失函数，v为参数更新值，θ为所述特征融合单元和预测单元的参数，η为初始参数学习率，α为动量角度参数，0≤α≤1，/>表示针对变量θ求偏导数，f(x(i)；θ)表示评估网络对所述第i个评估知识表征信息的实体信息的数据计算得到的子评估指标，f(·)为评估网络对应的计算函数；exp表示常数e的幂运算；η和α为预设值。
所述量化评估子模块，对所述各类子评估指标进行计算处理，得到装备体系效能评估值，包括：
利用不同时刻得到的各类子评估指标，构建得到评估指标矩阵；所述评估指标矩阵中的行向量，为同一类的子评估指标在不同时刻的计算值，其均通过评估网络计算得到；所述不同时刻得到的各类子评估指标，为利用评估单元在不同时刻计算得到的各类子评估指标。
对所述评估指标矩阵中的每个行向量，分别进行时频变换处理，得到对应的谱序列；利用所有的谱序列，构建得到谱序列集合；所述谱序列集合，包括若干个谱序列；所述谱序列集合，其表达式为[E1,E2,…,EN]，其中，Ei表示第i个谱序列；
对所述谱序列集合进行特征融合处理，得到加权谱信号；
对所述加权谱信号进行逆时频变换处理，得到评估序列；
计算得到所述评估序列的均值，确定所述均值，为装备体系效能评估值。
所述对所述谱序列集合进行特征融合处理，得到加权谱信号，包括：
对所述谱序列集合中的谱序列进行相互计算，得到所述谱序列集合的互相关矩阵R；ri,j表示互相关矩阵R的第i行、第j的元素，ri,j的计算表达式为：
ri,j＝E(eiej)，
其中，E()表示求均值；
对每个谱序列，分别对其互相关值进行归一化计算，得到每个谱序列的归一化相关值序列；所述互相关值的归一化计算的表达式为：
其中，表示第i个谱序列的归一化相关值序列的第j个值；
对每个谱序列的归一化相关值序列进行对数求和处理，得到每个谱序列的不确定度值；
所述对数求和处理的计算表达式为：
其中，Hi为第i个谱序列的不确定度值；
对每个谱序列的不确定度值进行角度归一化处理，得到每个谱序列的特征值；
所述角度归一化处理的计算表达式为：
其中，为第i个谱序列的特征值；
利用谱序列的特征值，对所述谱序列集合中的谱序列进行加权求和，得到加权谱信号。
本发明实施例第二方面，公开了一种基于评估知识表征的装备体系效能评估方法，利用所述基于评估知识表征的装备体系效能评估装置来实现，包括：
利用所述评估知识构建模块，实现对评估知识的表征和构建，得到评估知识表征信息，将所述评估知识表征信息，发送到所述评估知识管理模块；
利用所述评估知识管理模块，实现对所述评估知识的验证和存储处理，得到评估知识信息集合；
利用所述评估训练子模块，对所述评估知识信息集合进行评估处理，得到装备体系效能评估值。
所述利用所述评估训练子模块，对所述评估知识信息集合进行评估处理，得到装备体系效能评估值，包括：
利用所述评估训练子模块，基于所述评估知识信息集合中的评估知识表征信息，生成对应的标签信息；利用所有的评估知识表征信息和对应的标签信息，构建得到评估知识训练集合；利用所述评估知识训练集合，对所述智能评估子模块进行训练处理；
利用所述评估网络，用于对输入的评估知识表征信息进行处理，得到各类子评估指标；利用所述量化评估子模块，对所述各类子评估指标进行计算处理，得到装备体系效能评估值。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.基于评估知识表征的装备体系效能评估装置，其特征在于，包括评估知识构建模块、评估知识管理模块和评估知识服务模块；
所述评估知识构建模块，与评估知识管理模块和评估知识服务模块相连接，用于采集得到评估知识信息，对评估知识信息进行表征，得到评估知识表征信息；所述评估知识信息，包括场景构建知识信息、装备体系编配知识信息、装备体系运用知识信息、评估指标体系构建知识信息；
所述评估知识管理模块，与评估知识服务模块连接，用于实现对所述评估知识的验证和存储处理；
所述评估知识服务模块，用于实现对所述评估知识的检索和评估处理。
2.如权利要求1所述的基于评估知识表征的装备体系效能评估装置，其特征在于，所述评估知识构建模块，包括评估知识抽取子模块、评估知识融合子模块、评估知识更新子模块；
所述评估知识抽取子模块，采集得到评估知识信息，对所述评估知识信息进行实体抽取，得到评估知识的实体信息；对所述评估知识信息进行关系抽取，得到评估知识的关系信息；对所述评估知识信息进行属性抽取，得到评估知识的属性信息；利用评估知识的实体信息、关系信息和属性信息，对所述评估知识的表征，得到评估知识的表征结果；
所述评估知识融合子模块，对评估知识的表征结果进行对齐和消歧处理后，对所有评估知识的表征结果进行合并处理，得到评估知识信息集合，将所述评估知识信息集合发送给所述评估知识更新子模块、所述评估知识管理模块和评估知识服务模块；
所述评估知识更新子模块，利用所述评估知识抽取子模块获取的评估知识的表征结果，对所述评估知识信息集合进行更新。
3.如权利要求1所述的基于评估知识表征的装备体系效能评估装置，其特征在于，所述评估知识管理模块，包括评估知识存储子模块和评估知识验证子模块；
所述评估知识存储子模块，对评估知识信息集合进行存储；
所述评估知识验证子模块，利用预设的检测规则，对评估知识进行错误检测，得到错误的评估知识，将所述错误的评估知识从所述评估知识信息集合中删除。
4.如权利要求1所述的基于评估知识表征的装备体系效能评估装置，其特征在于，所述评估知识服务模块包括评估知识检索子模块、评估训练子模块、智能评估子模块；
所述评估知识检索子模块，接收得到用户的检索指令，从所述评估知识信息集合中检索得到所述检索指令对应的评估知识表征信息并显示；
所述智能评估子模块，包括评估网络和量化评估子模块，实现对装备体系效能进行定量评估，得到装备体系效能评估值；
所述评估网络，与所述量化评估子模块连接，用于对输入的评估知识表征信息进行处理，得到各类子评估指标；所述量化评估子模块，用于对所述各类子评估指标进行计算处理，得到装备体系效能评估值；
所述评估训练子模块，与所述智能评估子模块连接，用于利用所述评估知识信息集合中的评估知识表征信息，生成对应的标签信息；利用所有的评估知识表征信息和对应的标签信息，构建得到评估知识训练集合；利用所述评估知识训练集合，对所述智能评估子模块进行训练处理。
5.如权利要求4所述的基于评估知识表征的装备体系效能评估装置，其特征在于，所述评估网络，包括特征编码单元、特征融合单元、预测单元和反馈单元；
所述特征编码单元，包括三个不同维度的特征提取层、一个注意力机制层、一个相关性提取单元和两个上采样单元；
所述特征编码单元，用于对所述评估知识表征信息进行特征编码，得到特征信息；所述特征编码单元的第一输出端，连接所述特征融合单元的第一输入端；所述特征编码单元的第二输出端，连接所述预测单元的输入端；
所述特征融合单元，用于对所述特征信息进行融合处理，得到融合特征；所述特征融合单元的第一输出端，连接所述预测单元的输入端；
所述预测单元，用于对所述融合特征和特征信息进行预测处理，得到各类子评估指标；所述预测单元的输出端，连接所述反馈单元的第一输入端；
所述反馈单元，用于对所述各类子评估指标和所述评估知识训练集合中的标签信息进行差异计算处理，得到差异信息；所述反馈单元的第一输出端，连接所述预测单元的输入端和所述特征融合单元的第二输入端。
6.如权利要求4所述的基于评估知识表征的装备体系效能评估装置，其特征在于，所述评估训练子模块，利用所述评估知识训练集合，对所述智能评估子模块进行训练处理，包括：
初始化训练迭代次数值；
将所述评估知识训练集合中的评估知识表征信息中的实体信息，作为输入数据，输入所述评估网络；将所述评估知识训练集合中的评估知识表征信息中的属性信息中的各类子评估指标，作为标签信息；
利用所述评估网络，对所述输入数据进行处理，得到各类子评估指标；
对得到的所述各类子评估指标和标签信息进行差异计算处理，得到差异值；
判断所述差异值是否满足收敛条件，得到第一判断结果；
当所述第一判断结果为否时，判断所述训练迭代次数值是否等于训练次数阈值，得到第二判断结果；
当所述第二判断结果为否时，确定模型训练状态为不满足终止训练条件；
当所述第二判断结果为是时，确定所述模型训练状态为满足终止训练条件；
当所述第一判断结果为是时，确定所述模型训练状态为满足终止训练条件；
当所述模型训练状态为不满足终止训练条件时，利用参数更新模型对所述特征融合单元和预测单元进行参数更新，训练迭代次数值增加1，触发执行将所述评估知识训练集合中的评估知识表征信息中的实体信息，作为输入数据，输入所述评估网络；
当所述模型训练状态为满足终止训练条件时，完成对所述评估网络的训练处理过程，得到训练完毕的评估网络。
7.如权利要求6所述的基于评估知识表征的装备体系效能评估装置，其特征在于，所述参数更新模型为：
θ←θ+v；
式中，x(i)为所述评估知识训练集合中的第i个评估知识表征信息的标签信息，为损失函数，v为参数更新值，θ为所述特征融合单元和预测单元的参数，η为初始参数学习率，α为动量角度参数，0≤α≤1，/>表示针对变量θ求偏导数，f(x(i)；θ)表示评估网络对所述第i个评估知识表征信息的实体信息的数据计算得到的子评估指标，f(·)为评估网络对应的计算函数；exp表示常数e的幂运算；η和α为预设值。
8.如权利要求4所述的基于评估知识表征的装备体系效能评估装置，其特征在于，所述量化评估子模块，对所述各类子评估指标进行计算处理，得到装备体系效能评估值，包括：
利用不同时刻得到的各类子评估指标，构建得到评估指标矩阵；所述评估指标矩阵中的行向量，为同一类的子评估指标在不同时刻的计算值；
对所述评估指标矩阵中的每个行向量，分别进行时频变换处理，得到对应的谱序列；利用所有的谱序列，构建得到谱序列集合；所述谱序列集合，包括若干个谱序列；所述谱序列集合，其表达式为[E1,E2,…,EN]，其中，Ei表示第i个谱序列；
对所述谱序列集合进行特征融合处理，得到加权谱信号；
对所述加权谱信号进行逆时频变换处理，得到评估序列；
计算得到所述评估序列的均值，确定所述均值，为装备体系效能评估值。
9.基于评估知识表征的装备体系效能评估方法，其特征在于，利用权利要求1至8中任一项所述基于评估知识表征的装备体系效能评估装置来实现，包括：
利用所述评估知识构建模块，实现对评估知识的表征和构建，得到评估知识表征信息，将所述评估知识表征信息，发送到所述评估知识管理模块；
利用所述评估知识管理模块，实现对所述评估知识的验证和存储处理，得到评估知识信息集合；
利用所述评估训练子模块，对所述评估知识信息集合进行评估处理，得到装备体系效能评估值。
10.如权利要求9所述的基于评估知识表征的装备体系效能评估方法，其特征在于，所述利用所述评估训练子模块，对所述评估知识信息集合进行评估处理，得到装备体系效能评估值，包括：
利用所述评估训练子模块，基于所述评估知识信息集合中的评估知识表征信息，生成对应的标签信息；利用所有的评估知识表征信息和对应的标签信息，构建得到评估知识训练集合；利用所述评估知识训练集合，对所述智能评估子模块进行训练处理；
利用所述评估网络，用于对输入的评估知识表征信息进行处理，得到各类子评估指标；利用所述量化评估子模块，对所述各类子评估指标进行计算处理，得到装备体系效能评估值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410122495.9A CN117973683B (zh) | 2024-01-29 | 2024-01-29 | 基于评估知识表征的装备体系效能评估装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410122495.9A CN117973683B (zh) | 2024-01-29 | 2024-01-29 | 基于评估知识表征的装备体系效能评估装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117973683A true CN117973683A (zh) | 2024-05-03 |
| CN117973683B CN117973683B (zh) | 2024-07-16 |
Family
ID=90860650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410122495.9A Active CN117973683B (zh) | 2024-01-29 | 2024-01-29 | 基于评估知识表征的装备体系效能评估装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117973683B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120214147A1 (en) * | 2011-02-16 | 2012-08-23 | Knowledge Factor, Inc. | System and Method for Adaptive Knowledge Assessment And Learning |
| US20180365590A1 (en) * | 2017-06-19 | 2018-12-20 | International Business Machines Corporation | Assessment result determination based on predictive analytics or machine learning |
| CN113627024A (zh) * | 2021-08-13 | 2021-11-09 | 中国人民解放军32021部队 | 基于知识库规则推理的装备效能评估方法及装置 |
| CN116187207A (zh) * | 2023-04-25 | 2023-05-30 | 中国兵器科学研究院 | 一种陆战装备体系仿真评估方法、装置以及存储介质 |
| CN116341657A (zh) * | 2023-02-23 | 2023-06-27 | 中国电子科技集团公司第二十八研究所 | 一种基于主动学习的知识抽取平台的构建方法 |
| CN117217602A (zh) * | 2023-09-21 | 2023-12-12 | 中国人民解放军国防科技大学 | 一种通用化及自动化的无人机任务效能评估指标构建方法 |
| WO2024000852A1 (zh) * | 2022-06-29 | 2024-01-04 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
-
2024
- 2024-01-29 CN CN202410122495.9A patent/CN117973683B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120214147A1 (en) * | 2011-02-16 | 2012-08-23 | Knowledge Factor, Inc. | System and Method for Adaptive Knowledge Assessment And Learning |
| US20180365590A1 (en) * | 2017-06-19 | 2018-12-20 | International Business Machines Corporation | Assessment result determination based on predictive analytics or machine learning |
| CN113627024A (zh) * | 2021-08-13 | 2021-11-09 | 中国人民解放军32021部队 | 基于知识库规则推理的装备效能评估方法及装置 |
| WO2024000852A1 (zh) * | 2022-06-29 | 2024-01-04 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN116341657A (zh) * | 2023-02-23 | 2023-06-27 | 中国电子科技集团公司第二十八研究所 | 一种基于主动学习的知识抽取平台的构建方法 |
| CN116187207A (zh) * | 2023-04-25 | 2023-05-30 | 中国兵器科学研究院 | 一种陆战装备体系仿真评估方法、装置以及存储介质 |
| CN117217602A (zh) * | 2023-09-21 | 2023-12-12 | 中国人民解放军国防科技大学 | 一种通用化及自动化的无人机任务效能评估指标构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 常会振，等: ""基于ADC模型优化的海上无人机作战效能评估"", 《兵器装备工程学报》, vol. 44, no. 9, 25 September 2023 (2023-09-25), pages 58 - 68 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117973683B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111783474B (zh) | 一种评论文本观点信息处理方法、装置及存储介质 | |
| CN114048331A (zh) | 一种基于改进型kgat模型的知识图谱推荐方法及系统 | |
| CN115116559B (zh) | 氨基酸中原子坐标的确定及训练方法、装置、设备和介质 | |
| Azzouz et al. | Steady state IBEA assisted by MLP neural networks for expensive multi-objective optimization problems | |
| CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
| CN113628059A (zh) | 一种基于多层图注意力网络的关联用户识别方法及装置 | |
| CN112988851B (zh) | 反事实预测模型数据处理方法、装置、设备及存储介质 | |
| CN110516950A (zh) | 一种面向实体解析任务的风险分析方法 | |
| CN112131261A (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
| CN111047406B (zh) | 一种电信套餐推荐方法、装置、存储介质和设备 | |
| CN115114128A (zh) | 一种卫星健康状态评估系统及评估方法 | |
| CN113591988A (zh) | 知识认知结构分析方法、系统、计算机设备、介质、终端 | |
| CN110738314B (zh) | 一种基于深度迁移网络的点击率预测方法及装置 | |
| CN111161238A (zh) | 图像质量评价方法及装置、电子设备、存储介质 | |
| CN113705159A (zh) | 商户名称的标注方法、装置、设备及存储介质 | |
| CN117973683B (zh) | 基于评估知识表征的装备体系效能评估装置 | |
| CN113392958B (zh) | 一种模糊神经网络fnn的参数优化及应用方法与系统 | |
| Sekiyama et al. | Automated proof synthesis for the minimal propositional logic with deep neural networks | |
| da Silva et al. | Prior specification via prior predictive matching: Poisson matrix factorization and beyond | |
| CN115545834A (zh) | 基于图神经网络与元数据的个性化服务推荐方法 | |
| CN111179070A (zh) | 一种基于lstm的借贷风险时效性预测系统及方法 | |
| Pedrycz et al. | Software quality measurement: concepts and fuzzy neural relational model | |
| CN117973684B (zh) | 装备体系效能的智能评估装置 | |
| CN113255891B (zh) | 对事件特征进行处理的方法、神经网络模型和装置 | |
| CN118114057B (zh) | 模型训练方法、径流预测方法、电子设备和存储介质 |
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 |