KR20190014628A - Bigdata based temperature management assessment method and system - Google Patents
Bigdata based temperature management assessment method and system Download PDFInfo
- Publication number
- KR20190014628A KR20190014628A KR1020170098316A KR20170098316A KR20190014628A KR 20190014628 A KR20190014628 A KR 20190014628A KR 1020170098316 A KR1020170098316 A KR 1020170098316A KR 20170098316 A KR20170098316 A KR 20170098316A KR 20190014628 A KR20190014628 A KR 20190014628A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- missing
- temperature measurement
- neural network
- estimating
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
Abstract
Description
본 발명은 온도 관리 시스템에 관한 것으로서, 보다 구체적으로는 빅데이터에 기반한 온도 관리 추정 방법 및 시스템에 관한 것이다. The present invention relates to a temperature management system, and more particularly, to a method and system for temperature management estimation based on Big Data.
최근까지 온도 관리는 센서로부터 송신되어 오는 온도 계측값을 실시간으로 모니터링해주는 방식을 이용하고 있다. 그러나 많은 경우 하드웨어의 문제나 통신 상의 문제로 온도의 계측값을 수신하지 못하여 데이터 미싱(missing) 상태에 놓이는 경우가 있다.Until recently, temperature management uses a method of monitoring temperature measurement values transmitted from a sensor in real time. However, in many cases, the measurement value of the temperature can not be received due to a hardware problem or a communication problem, so that the data may be placed in a missing state.
따라서 상술한 바와 같이 하드웨어의 문제나 통신 상의 문제로 온도의 계측값을 실시간 수신하지 못하는 경우에 발생하는 미싱 데이터를 보정하는 기술을 개발함으로써, 데이터 미싱 상태의 온도 모니터링 네트워크에서도 끊김없이 온도 관리를 수행할 수 있는 방법 및 시스템이 요구된다.Therefore, as described above, by developing a technique for correcting missing data that occurs when a measurement value of temperature can not be received in real time due to a hardware problem or a communication problem, temperature management is seamlessly performed in a temperature monitoring network in a data- A method and system that can do this is required.
본 발명은 하드웨어의 문제나 통신 상의 문제로 온도의 계측값을 수신하지 못하여 데이터 미싱 상태에 놓이는 경우에 발생하는 해석 불가능한 상태를 제거하여 모든 시간 구간에서의 온도를 모니터링 할 수 있도록 해주는 방법 및 시스템을 제공하기 위한 것이다.The present invention relates to a method and system for monitoring temperature in all time intervals by removing an uninterpretable state that occurs when a measured value of temperature is not received due to a hardware problem or a communication problem and is placed in a data missing state .
본 발명의 일 측면에 따르면, 원격의 온도 센서로부터 송신되는 온도 계측 데이터를 수신하는 데이터 수신부; 상기 수신된 온도 계측 데이터를 저장하고, 상기 온도 관리 추정을 위한 신경망(neural network) 알고리즘을 저장하는 메모리; 상기 수신되는 온도 계측 데이터를 실시간으로 모니터링하고, 시계열적 온도 계측 데이터에 일부 누락이 발생하는 경우, 상기 일부 누락 구간에 따른 미싱 데이터(missing data)를 상기 저장된 신경망 알고리즘을 이용하여 추정하는 데이터 추정부; 및 상기 데이터 추정부에 의해 추정된 미싱 데이터를 보정하여 끊김없는(seamless) 온도 계측 시계열 데이터를 생성하는 보정 데이터 생성부를 포함하는 온도 관리 추정 시스템이 제공된다.According to an aspect of the present invention, there is provided an apparatus for measuring temperature, comprising: a data receiving unit for receiving temperature measurement data transmitted from a remote temperature sensor; A memory for storing the received temperature measurement data and storing a neural network algorithm for the temperature management estimation; And a data estimating unit that monitors the received temperature measurement data in real time and estimates missing data according to the partial missing interval using the stored neural network algorithm when a partial omission occurs in the time- ; And a correction data generation unit for correcting the missing data estimated by the data estimation unit to generate seamless temperature measurement time series data.
일 실시예에서, 상기 데이터 추정부는, 상기 미싱 데이터 추정을 위해, 발생된 누락 구간의 시작점 이전의 일정 구간의 실계측 데이터, 상기 누락 구간의 시작점 이전의 실계측 데이터의 순환적 형태, 동일 시점의 과거 실계측 데이터 중 적어도 하나를 상기 신경망 알고리즘의 입력값으로서 활용할 수 있다.In one embodiment, the data estimating unit may calculate, for the missing data estimation, actual measurement data of a predetermined section before a start point of the generated missing section, recursive form of real measured data before a start point of the missing section, At least one of past actual measurement data may be utilized as an input value of the neural network algorithm.
일 실시예에서, 상기 데이터 추정부는, 다층 신경망 알고리즘을 이용하여 히든 레이어(hidden layer)의 미싱 데이터를 추정할 수 있다.In one embodiment, the data estimator may estimate missing data of a hidden layer using a multi-layer neural network algorithm.
본 발명의 다른 측면에 따르면, 온도 관리 추정 방법으로서, 수신된 온도 계측 데이터를 저장하고, 상기 온도 관리 추정을 위한 신경망(neural network) 알고리즘을 미리 저장하는 단계; 원격의 온도 센서로부터 송신되는 온도 계측 데이터를 수신하는 단계; 상기 수신되는 온도 계측 데이터를 실시간으로 모니터링하고, 시계열적 온도 계측 데이터에 일부 누락이 발생하는 경우, 상기 일부 누락 구간에 따른 미싱 데이터(missing data)를 상기 저장된 신경망 알고리즘을 이용하여 추정하는 단계; 및 상기 추정된 미싱 데이터를 보정하여 끊김없는(seamless) 온도 계측 시계열 데이터를 생성하는 단계를 포함하는 온도 관리 추정 방법이 제공된다.According to another aspect of the present invention, there is provided a method of estimating temperature management, comprising: storing received temperature measurement data and pre-storing a neural network algorithm for the temperature management estimation; Receiving temperature measurement data transmitted from a remote temperature sensor; Monitoring the received temperature measurement data in real time, and estimating missing data according to the missing interval by using the stored neural network algorithm when a partial omission occurs in the time-series temperature measurement data; And correcting the estimated missing data to generate seamless temperature measurement time series data.
일 실시예에서, 상기 미싱 데이터를 추정하는 단계는,In one embodiment, estimating the missing data comprises:
상기 미싱 데이터 추정을 위해, 발생된 누락 구간의 시작점 이전의 일정 구간의 실계측 데이터, 상기 누락 구간의 시작점 이전의 실계측 데이터의 순환적 형태, 동일 시점의 과거 실계측 데이터 중 적어도 하나를 상기 신경망 알고리즘의 입력값으로서 활용할 수 있다.Wherein the at least one of the actual measured data of a predetermined section before the start point of the generated missing section, the recursive form of the actual measured data before the start point of the missing section, and the past actual measured data at the same point, It can be utilized as an input value of an algorithm.
일 실시예에서, 상기 미싱 데이터를 추정하는 단계는, 다층 신경망 알고리즘을 이용하여 히든 레이어(hidden layer)의 미싱 데이터를 추정할 수 있다.In one embodiment, estimating the missing data may estimate missing data of a hidden layer using a multi-layer neural network algorithm.
본 발명의 실시예예 따른 온도 관리 추정 방법 및 시스템에 의하면, 하드웨어의 문제나 통신 상의 문제로 온도의 계측값을 수신하지 못하여 데이터 미싱 상태에 놓이는 경우에 발생하는 해석 불가능한 상태를 제거할 수 있으며, 모든 시간 구간에서의 온도를 모니터링 할 수 있도록 해줌으로써 온도 관리의 품질을 획기적으로 증가시킬 수 있는 효과가 있다.According to the temperature management estimation method and system according to the embodiment of the present invention, it is possible to eliminate an uninterpretable state that occurs when a temperature measurement value is not received due to a hardware problem or a communication problem and is placed in a data missing state, It is possible to dramatically increase the quality of the temperature management by monitoring the temperature in the time interval.
도 1은 본 발명의 실시예에 따른 빅데이터에 기반한 온도 관리 추정 장치에 관한 블록도.
도 2는 본 발명의 실시예예 따른 빅데이터에 기반한 온도 관리 추정 방법에 관한 개략적인 흐름도.
도 3은 미싱 데이터의 예시 및 보정된 센서 데이터의 예시.
도 4는 다층 신경망 알고리즘에 의한 센서 데이터의 표현 예시.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a block diagram of an apparatus for estimating temperature management based on Big Data according to an embodiment of the present invention. FIG.
2 is a schematic flow diagram of a method for estimating temperature management based on Big Data according to an embodiment of the present invention.
3 shows an example of missing data and an example of corrected sensor data.
4 is an illustration of the representation of sensor data by a multi-layer neural network algorithm;
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.BRIEF DESCRIPTION OF THE DRAWINGS The present invention is capable of various modifications and various embodiments, and specific embodiments are illustrated in the drawings and described in detail in the detailed description. It is to be understood, however, that the invention is not to be limited to the specific embodiments, but includes all modifications, equivalents, and alternatives falling within the spirit and scope of the invention.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, the present invention will be described in detail with reference to the accompanying drawings. In addition, numerals (e.g., first, second, etc.) used in the description of the present invention are merely an identifier for distinguishing one component from another.
또한, 명세서 전체에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.Also, throughout the specification, when an element is referred to as being "connected" or "connected" with another element, the element may be directly connected or directly connected to the other element, It should be understood that, unless an opposite description is present, it may be connected or connected via another element in the middle.
또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하나 이상의 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 조합으로 구현될 수 있음을 의미한다.Also, throughout the specification, when an element is referred to as "including" an element, it is understood that the element may include other elements as well, without departing from the other elements unless specifically stated otherwise. Also, the terms "a "," module ", and the like in the description mean a unit for processing at least one function or operation, which means that it can be implemented by one or more hardware or software or a combination of hardware and software .
도 1은 본 발명의 실시예에 따른 빅데이터에 기반한 온도 관리 추정 장치에 관한 블록도이고, 도 2는 본 발명의 실시예예 따른 빅데이터에 기반한 온도 관리 추정 방법에 관한 개략적인 흐름도이다. 또한 도 3은 미싱 데이터의 예시 및 보정된 센서 데이터의 예시이고, 도 4는 다층 신경망 알고리즘에 의한 센서 데이터의 표현 예시이다. 이하, 도 1 및 도 2를 중심으로 도 3 및 도 4를 함께 참조하여 본 발명의 실시예를 상세히 설명한다.FIG. 1 is a block diagram of a big data-based temperature management estimating apparatus according to an embodiment of the present invention, and FIG. 2 is a schematic flowchart of a big data-based temperature management estimating method according to an embodiment of the present invention. 3 is an example of the missing data and the corrected sensor data, and Fig. 4 is an example of the representation of the sensor data by the multi-layer neural network algorithm. Hereinafter, an embodiment of the present invention will be described in detail with reference to FIGS. 3 and 4 together with FIGS. 1 and 2. FIG.
최근까지 온도관리는 센서로부터 송신되어 오는 온도 계측값을 실시간으로 모니터링해주는 것이다. 그런데 많은 경우 하드웨어의 문제나 통신상의 문제로 온도의 계측값을 수신하지 못하여 데이터 미싱 상태에 놓이는 경우가 있다. 이에 본 발명에서는 빅데이터를 활용하여 신경망의 예측 능력을 기반으로 미싱 데이터를 보정하는 기술을 개발하여 데이터 미싱 상태의 온도 모니터링 네트워크에서도 끊김없이 온도관리를 수행할수 있는 기술이다.Until recently, temperature management is monitoring the temperature measurement value transmitted from the sensor in real time. However, in many cases, the measurement value of the temperature can not be received due to a hardware problem or a communication problem. Accordingly, in the present invention, technology for correcting the missing data based on the prediction ability of the neural network using the big data is developed, and the temperature management can be seamlessly performed in the temperature monitoring network of the data missing state.
이를 위해, 본 발명의 실시예에 따른 온도 관리 추정 시스템(100)은, 원격의 온도 센서로부터 송신되는 온도 계측 데이터를 수신하는 데이터 수신부(110)[도 2의 S210 참조]; 상기 수신된 온도 계측 데이터를 저장하고, 상기 온도 관리 추정을 위한 신경망(neural network) 알고리즘을 저장하는 메모리(130); 상기 수신되는 온도 계측 데이터를 실시간으로 모니터링하고, 시계열적 온도 계측 데이터에 일부 누락이 발생하는 경우, 상기 일부 누락 구간에 따른 미싱 데이터(missing data)를 상기 저장된 신경망 알고리즘을 이용하여 추정하는 데이터 추정부(120)[도 2의 S220 및 S230 참조]; 및 상기 데이터 추정부에 의해 추정된 미싱 데이터를 보정하여 끊김없는(seamless) 온도 계측 시계열 데이터를 생성하는 보정 데이터 생성부(140)[도 2의 S240 참조]를 포함할 수 있다.To this end, the temperature
이때, 데이터 추정부(120)는, 상기 미싱 데이터 추정을 위해, 발생된 누락 구간의 시작점 이전의 일정 구간의 실계측 데이터, 상기 누락 구간의 시작점 이전의 실계측 데이터의 순환적 형태, 동일 시점의 과거 실계측 데이터 중 적어도 하나를 상기 신경망 알고리즘의 입력값으로서 활용할 수 있다. 또한 여기서, 데이터 추정부(120)는, 다층 신경망 알고리즘을 이용하여 히든 레이어(hidden layer)의 미싱 데이터를 추정할 수 있다.In this case, the
상술한 본 발명에 의하면, 하드웨어의 문제나 통신상의 문제로 온도의 계측값을 수신하지 못하여 데이터 미싱 상태에 놓이는 경우에 해석 불가능한 상태를 제거하여 모든 시간 구간에서의 온도를 모니터링 할 수 있도록 해줌으로써 온도관리의 품질을 획기적으로 증가시킬 수 있을 것으로 기대된다.According to the present invention, when a temperature measurement value is not received due to a hardware problem or a communication problem, it is possible to monitor the temperature in all the time intervals by removing an uninterpretable state in a data missing state, It is expected that the quality of management will be dramatically increased.
상술한 본 발명에 따른 빅데이터에 기반한 온도 관리 추정 방법은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다. The above-described Big Data-based temperature management estimation method according to the present invention can be implemented as a computer-readable code on a computer-readable recording medium. The computer-readable recording medium includes all kinds of recording media storing data that can be decoded by a computer system. For example, it may be a ROM (Read Only Memory), a RAM (Random Access Memory), a magnetic tape, a magnetic disk, a flash memory, an optical data storage device, or the like. In addition, the computer-readable recording medium may be distributed and executed in a computer system connected to a computer network, and may be stored and executed as a code readable in a distributed manner.
이상에서는 본 발명의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 쉽게 이해할 수 있을 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it will be understood by those of ordinary skill in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the following claims And changes may be made without departing from the spirit and scope of the invention.
Claims (6)
원격의 온도 센서로부터 송신되는 온도 계측 데이터를 수신하는 데이터 수신부;
상기 수신된 온도 계측 데이터를 저장하고, 상기 온도 관리 추정을 위한 신경망(neural network) 알고리즘을 저장하는 메모리;
상기 수신되는 온도 계측 데이터를 실시간으로 모니터링하고, 시계열적 온도 계측 데이터에 일부 누락이 발생하는 경우, 상기 일부 누락 구간에 따른 미싱 데이터(missing data)를 상기 저장된 신경망 알고리즘을 이용하여 추정하는 데이터 추정부; 및
상기 데이터 추정부에 의해 추정된 미싱 데이터를 보정하여 끊김없는(seamless) 온도 계측 시계열 데이터를 생성하는 보정 데이터 생성부
를 포함하는 온도 관리 추정 시스템.
1. A temperature management estimation system,
A data receiving unit for receiving temperature measurement data transmitted from a remote temperature sensor;
A memory for storing the received temperature measurement data and storing a neural network algorithm for the temperature management estimation;
And a data estimating unit that monitors the received temperature measurement data in real time and estimates missing data according to the partial missing interval using the stored neural network algorithm when a partial omission occurs in the time- ; And
A correction data generation unit for generating seamless temperature measurement time series data by correcting the missing data estimated by the data estimation unit,
And a temperature management system.
상기 데이터 추정부는, 상기 미싱 데이터 추정을 위해, 발생된 누락 구간의 시작점 이전의 일정 구간의 실계측 데이터, 상기 누락 구간의 시작점 이전의 실계측 데이터의 순환적 형태, 동일 시점의 과거 실계측 데이터 중 적어도 하나를 상기 신경망 알고리즘의 입력값으로서 활용하는 것을 특징으로 하는, 온도 관리 추정 시스템.
The method according to claim 1,
Wherein the data estimating unit estimates the missing data based on actual measurement data of a predetermined section before the start point of the generated missing section, recursive form of the actual measured data before the start point of the missing section, Wherein at least one of the at least two neural network algorithms is utilized as an input value of the neural network algorithm.
상기 데이터 추정부는, 다층 신경망 알고리즘을 이용하여 히든 레이어(hidden layer)의 미싱 데이터를 추정하는 것을 특징으로 하는, 온도 관리 추정 시스템.
3. The method of claim 2,
Wherein the data estimator estimates missing data of a hidden layer using a multi-layer neural network algorithm.
수신된 온도 계측 데이터를 저장하고, 상기 온도 관리 추정을 위한 신경망(neural network) 알고리즘을 미리 저장하는 단계;
원격의 온도 센서로부터 송신되는 온도 계측 데이터를 수신하는 단계;
상기 수신되는 온도 계측 데이터를 실시간으로 모니터링하고, 시계열적 온도 계측 데이터에 일부 누락이 발생하는 경우, 상기 일부 누락 구간에 따른 미싱 데이터(missing data)를 상기 저장된 신경망 알고리즘을 이용하여 추정하는 단계; 및
상기 추정된 미싱 데이터를 보정하여 끊김없는(seamless) 온도 계측 시계열 데이터를 생성하는 단계
를 포함하는 온도 관리 추정 방법.
As a temperature management estimation method,
Storing the received temperature measurement data and pre-storing a neural network algorithm for the temperature management estimation;
Receiving temperature measurement data transmitted from a remote temperature sensor;
Monitoring the received temperature measurement data in real time, and estimating missing data according to the missing interval by using the stored neural network algorithm when a partial omission occurs in the time-series temperature measurement data; And
A step of generating seamless temperature measurement time series data by correcting the estimated missing data
/ RTI >
상기 미싱 데이터를 추정하는 단계는,
상기 미싱 데이터 추정을 위해, 발생된 누락 구간의 시작점 이전의 일정 구간의 실계측 데이터, 상기 누락 구간의 시작점 이전의 실계측 데이터의 순환적 형태, 동일 시점의 과거 실계측 데이터 중 적어도 하나를 상기 신경망 알고리즘의 입력값으로서 활용하는 것을 특징으로 하는, 온도 관리 추정 방법.
5. The method of claim 4,
Wherein the step of estimating the missing data comprises:
Wherein the at least one of the actual measured data of a predetermined section before the start point of the generated missing section, the recursive form of the actual measured data before the start point of the missing section, and the past actual measured data at the same point, As an input value of the algorithm.
상기 미싱 데이터를 추정하는 단계는,
다층 신경망 알고리즘을 이용하여 히든 레이어(hidden layer)의 미싱 데이터를 추정하는 것을 특징으로 하는, 온도 관리 추정 방법.6. The method of claim 5,
Wherein the step of estimating the missing data comprises:
And estimating missing data of a hidden layer using a multilayer neural network algorithm.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170098316A KR20190014628A (en) | 2017-08-03 | 2017-08-03 | Bigdata based temperature management assessment method and system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170098316A KR20190014628A (en) | 2017-08-03 | 2017-08-03 | Bigdata based temperature management assessment method and system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190014628A true KR20190014628A (en) | 2019-02-13 |
Family
ID=65366373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170098316A KR20190014628A (en) | 2017-08-03 | 2017-08-03 | Bigdata based temperature management assessment method and system |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20190014628A (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110069032A (en) * | 2019-04-19 | 2019-07-30 | 淮阴工学院 | A kind of eggplant greenhouse intelligent checking system based on wavelet neural network |
| CN110597329A (en) * | 2019-09-26 | 2019-12-20 | 安徽艾可信网络科技有限公司 | Big data-based environment monitoring system for tea substitute beverage processing workshop |
| WO2020223164A1 (en) * | 2019-04-29 | 2020-11-05 | Saudi Arabian Oil Company | Online system identification for data reliability enhancement |
| KR20210085688A (en) * | 2019-12-31 | 2021-07-08 | (주) 아인스에스엔씨 | Restoration and display device for temporary non-reception data using ghost model |
-
2017
- 2017-08-03 KR KR1020170098316A patent/KR20190014628A/en unknown
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110069032A (en) * | 2019-04-19 | 2019-07-30 | 淮阴工学院 | A kind of eggplant greenhouse intelligent checking system based on wavelet neural network |
| CN110069032B (en) * | 2019-04-19 | 2021-04-23 | 淮阴工学院 | Eggplant greenhouse environment intelligent detection system based on wavelet neural network |
| WO2020223164A1 (en) * | 2019-04-29 | 2020-11-05 | Saudi Arabian Oil Company | Online system identification for data reliability enhancement |
| US11294340B2 (en) | 2019-04-29 | 2022-04-05 | Saudi Arabian Oil Company | Online system identification for data reliability enhancement |
| CN110597329A (en) * | 2019-09-26 | 2019-12-20 | 安徽艾可信网络科技有限公司 | Big data-based environment monitoring system for tea substitute beverage processing workshop |
| KR20210085688A (en) * | 2019-12-31 | 2021-07-08 | (주) 아인스에스엔씨 | Restoration and display device for temporary non-reception data using ghost model |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20190014628A (en) | Bigdata based temperature management assessment method and system | |
| CN107644194B (en) | System and method for providing monitoring data | |
| CN110475124B (en) | Video jamming detection method and device | |
| US20170277232A1 (en) | Information processing apparatus, method for detecting air intake fault, and storage medium | |
| US20150207877A1 (en) | Time synchronization client, a system and a non-transitory computer readable medium | |
| JP7391601B2 (en) | Information processing device, information processing system, learning model generation method, abnormality prediction method, and program | |
| CN108462871A (en) | The abnormal cause estimating system of visual sensor | |
| US20150046757A1 (en) | Performance Metrics of a Computer System | |
| JP2019521532A5 (en) | ||
| US11489746B2 (en) | Detection device, detection method, and detection program | |
| US10003508B1 (en) | Event-based system, method, and computer program for intervening in a network service | |
| US10452865B2 (en) | Method and systems using privacy-preserving analytics for aggregate data | |
| US8607133B2 (en) | Data processing device and method for checking parameter values of the data processing device | |
| US10819896B1 (en) | Computer readable recording medium can perform image sensing system control method and image sensing system | |
| US20120127303A1 (en) | Detecting System Component Failures In A Computing System | |
| JPWO2019172086A1 (en) | Optical module life prediction method and life prediction apparatus | |
| CN112346552B (en) | Power supply monitoring method, device, computer equipment and storage medium | |
| JP2018105857A (en) | System and method for detecting vibrations of machine using low frames per second (fps) camera | |
| US11362919B2 (en) | Method and device for monitoring data related to broadcasting and/or streaming | |
| KR101994287B1 (en) | Apparatus and method for backup image | |
| CN112863096A (en) | Monitoring method and device | |
| KR102319386B1 (en) | Apparatus and method of calculating failure intensity | |
| CN106028028A (en) | Detection method and device for high-bandwidth digital content protection (HDCP) function and apparatus for detecting HDCP function | |
| EP3937035A1 (en) | Method and apparatus for preventing forgery of data, method and apparatus for detecting forgery of data | |
| US9471810B2 (en) | Method and system for determining hidden states of a machine using privacy-preserving distributed data analytics and a semi-trusted server and a third-party |