CN109934597A - 外置税控盘附加装置 - Google Patents
外置税控盘附加装置 Download PDFInfo
- Publication number
- CN109934597A CN109934597A CN201910134237.1A CN201910134237A CN109934597A CN 109934597 A CN109934597 A CN 109934597A CN 201910134237 A CN201910134237 A CN 201910134237A CN 109934597 A CN109934597 A CN 109934597A
- Authority
- CN
- China
- Prior art keywords
- invoice
- data
- attachment device
- positioning
- neural network
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种外置税控盘附加装置,所述附加装置通过可插拔的连接方式与PC主机相连接,所述PC主机还与税控盘相连接,所述附加装置包括:定位模块,用于获取开票时的开具地理位置信息;标记信息模块,用于根据***的开具时间和所述开具地理位置信息生成标记信息;二维码生成模块,用于根据所述标记信息生成标记二维码,并将所述标记二维码通过所述PC主机发送至所述税控盘以生成具有所述标记二维码的***图像。
Description
技术领域
本发明涉及税控技术领域,具体而言,涉及一种外置税控盘附加装置。
背景技术
“代开***,***保真,请君保留,以备急用”。这是一些招揽代开***业务名片上的广告语,不管是走在街头,还是在手机短信里,不少人可能都被这样的垃圾广告骚扰过。
目前通过开具没有真实发生业务的真***来达到偷税漏税的目的的行为依然非常猖獗,如何进行有效打击目前还没有较好的办法。
发明内容
本发明提供一种外置税控盘附加装置,用以克服现有技术中存在的至少一个问题。
为达到上述目的,本发明提供了一种外置税控盘附加装置,所述附加装置通过可插拔的连接方式与PC主机相连接,所述PC主机还与税控盘相连接,所述附加装置包括:
定位模块,用于获取开票时的开具地理位置信息;
标记信息模块,用于根据***的开具时间和所述开具地理位置信息生成标记信息;
二维码生成模块,用于根据所述标记信息生成标记二维码,并将所述标记二维码通过所述PC主机发送至所述税控盘以生成具有所述标记二维码的***图像。
可选的,所述定位模块包括以下至少一种位置传感器:
WiFi、蓝牙、RFID、北斗卫星、GPS、移动通信基站定位以及AGPS。
可选的,所述定位模块通过以下方式获取所述开具地理位置信息:
获取多个相互独立的定位信息源的定位数据;
基于所获取的多组定位数据,利用预先设置的定位优化神经网络模型计算定位信息的最佳取值;
其中,所述定位优化神经网络模型通过以下方式构建:
建立训练样本集,所述训练样本集包括多组训练数据,每组训练数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的真实位置数据;
设置神经网络模型的模型参数,所述模型参数包括归一化参数、激活函数、代价函数和隐藏层的层数;
基于所述训练样本集对神经网络模型进行训练,得到定位优化神经网络模型。
可选的,所述激活函数为
其中,x隐藏层或输出层中每个节点的输入值,f(x)为该节点的输出值,α为经验值,0<α≤1。
可选的,所述标记信息还包括***特征信息,所述附加装置还包括***特征提取模块,所述***特征提取模块通过以下方式获取所述***特征信息:
根据预先获取的***关键信息得到***预览图像;
基于U-net网络采用卷积和池化对所述***预览图像进行下采样,得到所述***预览图像的下采样特征;
基于U-net网络采用反卷积对所述***预览图像进行上采样,得到所述***预览图像的上采样特征;
将所述上采样特征和所述下采样特征通过叠加的方式进行组合,得到多个特征信息;
对所述多个特征信息通过卷积的方式进行压缩,得到T维特征信息,其中T为正整数。
可选的,在训练得到所述定位优化神经网络模型之后还包括:
构建测试数据集,所述测试数据集包括多组测试数据,每组所述测试数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的真实位置数据;
根据所述定位优化神经网络模型计算得到每组测试数据对应定位优化数据;
根据每组测试数据对应的定位优化数据和真实位置数据计算对应的误差;
基于多组测试数据对应的误差得到平均误差。
本发明实施例通过在开具***时,获取开具***时的开具时间和开具地理位置信息,将开具时间和开具地理位置信息以二维码的形式打印在***上;税务在对***进行核对时可以通过扫描二维码快速获取***的开具时间和开具地理位置信息,由于违法出售***的行为往往存在开票时间密集的特点,可以快速发现短时间内开具大量咨询、劳务等常见违规***类型的***的窝点,并进行实地核查;此外,违规开票窝点还存在一间办公点内利用多个公司的名义进行开票的特点,也可以根据同一时间段内同一办公地点开具多个公司出具的***,从而可以快速锁定违法***窝点,对违法开具***的行为进行有效打击。
本发明的创新点包括:
1、在开具***时,获取开具***时的开具时间和开具地理位置信息,将开具时间和开具地理位置信息以二维码的形式打印在***上;税务在对***进行核对时可以通过扫描二维码快速获取***的开具时间和开具地理位置信息,由于违法出售***的行为往往存在开票时间密集的特点,可以快速发现短时间内开具大量咨询、劳务等常见违规***类型的***的窝点,并进行实地核查;此外,违规开票窝点还存在一间办公点内利用多个公司的名义进行开票的特点,也可以根据同一时间段内同一办公地点开具多个公司出具的***,从而可以快速锁定违法***窝点,对违法开具***的行为进行有效打击,这是本发明的创新点之一。
2、本发明提出了一种基于深度神经网络的定位优化方法,通过改进深度神经网络的激活函数,实现了对GPS、北斗、无线局域网和蓝牙设备等获取的定位信息的优化,提高了室内外定位精度;同时通过将来自不同信息源的定位数据进行维度分离,降低了数据的维度,提高了运算效率,从而实现了在通用设备上的高效运行,这是本发明的创新点之一。
3、本发明在开具***时,还可以根据***关键信息生成***预览图像,并提取***预览图像的特征信息,将该特征信息组为标记信息的一部分以二维码的形式打印在***上,从而在税务部门核对时,可以根据开具***时的***特征信息和报销时的***特征信息进行核对,判断是否有涂改等信息,保证了***的真实性,可有效打击***造假现象,这是本发明的创新点之一。
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的附图。
图1为本发明一个实施例的外置税控盘附加装置模块图;
图2示出了根据本说明书一个实施例的定位优化神经网络模型结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一个实施例的外置税控盘附加装置模块图;如图1所示,所述附加装置10通过可插拔的连接方式与PC主机20相连接,所述PC主机20还与税控盘30相连接,所述附加装置10包括:
定位模块110,用于获取开票时的开具地理位置信息;
标记信息模块120,用于根据***的开具时间和所述开具地理位置信息生成标记信息;
二维码生成模块130,用于根据所述标记信息生成标记二维码,并将所述标记二维码通过所述PC主机发送至所述税控盘以生成具有所述标记二维码的***图像。所述税控盘将所述***图像并发送至打印装置进行打印,以得到具有通过扫描所述标记二维码得到开具时间和开具地理位置信息的***。
本实施例通过在开具***时,获取开具***时的开具时间和开具地理位置信息,将开具时间和开具地理位置信息以二维码的形式打印在***上;税务在对***进行核对时可以通过扫描二维码快速获取***的开具时间和开具地理位置信息,由于违法出售***的行为往往存在开票时间密集的特点,可以快速发现短时间内开具大量咨询、劳务等常见违规***类型的***的窝点,并进行实地核查;此外,违规开票窝点还存在一间办公点内利用多个公司的名义进行开票的特点,也可以根据同一时间段内同一办公地点开具多个公司出具的***,从而可以快速锁定违法***窝点,对违法开具***的行为进行有效打击。
本发明实施例中在***中加入开具地理位置信息,其作用与现有技术中常规的设置地位位置信息的作用并不相同:
1、现有技术中可能存在开票机设置有GPS模块,但现有技术中并没有将GPS信息打印到票据上,只是将开票机的位置信息上传服务器,并没有想到在开具***时有效利用地理位置信息;而本发明实施例通过在***上打印具有开具地理位置信息的二维码,提高了***验证的便捷性,从而利用该技术验证便捷的特点在税务监管中对违规开票行为进行有效打击,适应了税务部门打击违规开票的目的和需求。
2、现有技术中可能存在出租车打印***带位置信息的方案,但出租车的这种方式时出租车这个应用场景所必须的,其目的是要计算路费,这种需求很容易想到,但现有技术中并不存在在***上打印开具地理位置信息这一技术手段,并且现有的公司***开具通常是通过税控盘插在PC主机上来实现,与出租车这中***打印方式也不相同。
一种实现方式中,所述定位模块包括以下至少一种位置传感器:
WiFi、蓝牙、RFID、北斗卫星、GPS、移动通信基站定位以及AGPS。
上述定位信息源又可以分为室内定位信息源和室外定位信息源。在确定信息源时可以根据室外定位信息源的信号强弱(可以通过设置阈值来选择)自动选择采用的信息源,当室外定位信号较弱或消失时,切换到使用室内定位信息源。
室外定位信息源包括:1)全球定位***GPS,2)北斗卫星导航***,3)移动通信基站等;室内定位信息源包括:1)无线局域网,2)蓝牙,3)射频识别RFID等。
本发明实施例将室外定位信息源与室内定位信息源分别处理,根据需求选取特定的优化类型,可以降低输入数据的维度,提高优化效率。
一种实现方式中,所述定位模块通过以下方式获取所述开具地理位置信息:
获取多个相互独立的定位信息源的定位数据;
基于所获取的多组定位数据,利用预先设置的定位优化神经网络模型计算定位信息的最佳取值;
其中,所述定位优化神经网络模型通过以下方式构建:
建立训练样本集,所述训练样本集包括多组训练数据,每组训练数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的真实位置数据;
设置神经网络模型的模型参数,所述模型参数包括归一化参数、激活函数、代价函数和隐藏层的层数;
基于所述训练样本集对神经网络模型进行训练,得到定位优化神经网络模型。
一种实现方式中,所述激活函数为
其中,x隐藏层或输出层中每个节点的输入值,f(x)为该节点的输出值,α为经验值,0<α≤1。
一种实现方式中,所述标记信息还包括***特征信息,所述税控盘还包括***特征提取模块,所述***特征提取模块通过以下方式获取所述***特征信息:
根据预先获取的***关键信息得到***预览图像;
基于U-net网络采用卷积和池化对所述***预览图像进行下采样,得到所述***预览图像的下采样特征;
基于U-net网络采用反卷积对所述***预览图像进行上采样,得到所述***预览图像的上采样特征;
将所述上采样特征和所述下采样特征通过叠加的方式进行组合,得到多个特征信息;
对所述多个特征信息通过卷积的方式进行压缩,得到T维特征信息,其中T为正整数。
一种实现方式中,在训练得到所述定位优化神经网络模型之后还包括:
构建测试数据集,所述测试数据集包括多组测试数据,每组所述测试数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的真实位置数据;
根据所述定位优化神经网络模型计算得到每组测试数据对应定位优化数据;
根据每组测试数据对应的定位优化数据和真实位置数据计算对应的误差;
基于多组测试数据对应的误差得到平均误差。
以下为本发明一个实施例的定位优化神经网络模型的实现过程:
对某个待定位目标给定一类定位信息源(室外定位信息源或室内定位信息源),设该目标的真实坐标为x,该类定位信息源包含N组(N≥2)相互独立的定位坐标数据[x1,x2,…,xN]。此处N为一个常数,由实际采用的定位传感器类别数决定。
建立一个神经网络模型,如图2所示,该神经网络由输入层(1个)、隐藏层(H个,H≥1)和输出层(1个)组成。上述神经网络模型的每一层均有若干节点(节点数>0),隐藏层节点与其上层或下层节点是全连接的,即任意一个第k层节点i都与第k-1层的任意一个节点j存在一个连接,设其权重为对于该神经网络,其输入为归一化(normalization)的传感器定位信息源[x1,x2,…,xN],输出为目标的真实坐标x。该神经网络的训练过程包括:
1、设置神经网络参数,包括归一化参数、激活函数、代价函数、隐藏层数等;
2、准备训练数据,即传感器定位信息源[x1,x2,…,xN]和与其对应的目标的真实坐标x;
3、归一化输入数据[x1,x2,…,xN];
4、执行训练,获得神经网络权重配置。
该神经网络的测试过程如下:
5、准备测试数据,即传感器定位信息源[x1,x2,…,xN];
6、归一化输入数据[x1,x2,…,xN];
7、获取步骤4中获得的神经网络配置,并输入归一化的测试数据;
8、获得神经网络模型的输出结果,并进行反归一化。
在经典深度神经网络学习应用中,隐藏层和输出层节点的输入和输出之间具有函数关系,这个函数称为激活函数。衡量神经网络模型预测值与真实值之间差异的函数称为代价函数。在经典深度神经网络配置中,通常将激活函数选取为线性整流函数(RectifiedLinear Unit,ReLU),代价函数选取均方误差。其中,线性整流函数定义为:
f(x)=max(0,x)
上式中的x是神经网络中的每个节点的输入值,节点根据激活函数求取x的函数值,并将输出值传递给下一层。在本发明中,x取值为归一化的传感器定位信息源[x1,x2,…,xN]。
均方误差定义为:
其中表示真值θ的估计值,E表示数学期望。
本发明根据定位信号的特点与办公设备的具体特性重新设计了深度神经网络。为了提高计算精度,改进ReLU方法导致的误差位移问题,重新设计激活函数如下:
上式中参数α可根据经验取值为(0,1]。
通过改进激活函数,可以在几乎不影响运算效率的前提下有效提高训练精度。改进后的神经网络可以在常用芯片设备上快速运行,具有低功耗、高效率的特点。
本发明提出了一种深度神经网络(DNN)学习的定位优化方法,通过改进深度神经网络的激活函数,实现了对GPS、北斗、无线局域网和蓝牙设备等获取的定位信息的优化,提高了室内外定位精度;通过将来自不同信息源的定位数据进行维度分离,降低了神经网络训练数据的维度,提高了运算效率,从而实现了在通用设备上的高效运行。
上述方法的优化效果如表1(假设不使用优化的定位误差期望值为1):
表1
一种实现方式中,所述标记信息包括***特征信息,所述***特征信息通过以下方式获取:
根据预先获取的***关键信息得到***预览图像;
基于U-net网络采用卷积和池化对所述***预览图像进行下采样,得到所述***预览图像的下采样特征;
基于U-net网络采用反卷积对所述***预览图像进行上采样,得到所述***预览图像的上采样特征;
将所述上采样特征和所述下采样特征通过叠加的方式进行组合,得到多个特征信息;
对所述多个特征信息通过卷积的方式进行压缩,得到T维特征信息,其中T为正整数。
本发明实施例通过在开具***时,获取开具***时的开具时间和开具地理位置信息,将开具时间和开具地理位置信息以二维码的形式打印在***上;税务在对***进行核对时可以通过扫描二维码快速获取***的开具时间和开具地理位置信息,由于违法出售***的行为往往存在开票时间密集的特点,可以快速发现短时间内开具大量咨询、劳务等常见违规***类型的***的窝点,并进行实地核查;此外,违规开票窝点还存在一间办公点内利用多个公司的名义进行开票的特点,也可以根据同一时间段内同一办公地点开具多个公司出具的***,从而可以快速锁定违法***窝点,对违法开具***的行为进行有效打击。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (6)
1.一种外置税控盘附加装置,其特征在于,所述附加装置通过可插拔的连接方式与PC主机相连接,所述PC主机还与税控盘相连接,所述附加装置包括:
定位模块,用于获取开票时的开具地理位置信息;
标记信息模块,用于根据***的开具时间和所述开具地理位置信息生成标记信息;
二维码生成模块,用于根据所述标记信息生成标记二维码,并将所述标记二维码通过所述PC主机发送至所述税控盘以生成具有所述标记二维码的***图像。
2.根据权利要求1所述的附加装置,其特征在于,所述定位模块包括以下至少一种位置传感器:
WiFi、蓝牙、RFID、北斗卫星、GPS、移动通信基站定位以及AGPS。
3.根据权利要求2所述的附加装置,其特征在于,所述定位模块通过以下方式获取所述开具地理位置信息:
获取多个相互独立的定位信息源的定位数据;
基于所获取的多组定位数据,利用预先设置的定位优化神经网络模型计算定位信息的最佳取值;
其中,所述定位优化神经网络模型通过以下方式构建:
建立训练样本集,所述训练样本集包括多组训练数据,每组训练数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的真实位置数据;
设置神经网络模型的模型参数,所述模型参数包括归一化参数、激活函数、代价函数和隐藏层的层数;
基于所述训练样本集对神经网络模型进行训练,得到定位优化神经网络模型。
4.根据权利要求1所述的附加装置,其特征在于,所述激活函数为
其中,x隐藏层或输出层中每个节点的输入值,f(x)为该节点的输出值,α为经验值,0<α≤1。
5.根据权利要求1所述的附加装置,其特征在于,所述标记信息还包括***特征信息,所述附加装置还包括***特征提取模块,所述***特征提取模块通过以下方式获取所述***特征信息:
根据预先获取的***关键信息得到***预览图像;
基于U-net网络采用卷积和池化对所述***预览图像进行下采样,得到所述***预览图像的下采样特征;
基于U-net网络采用反卷积对所述***预览图像进行上采样,得到所述***预览图像的上采样特征;
将所述上采样特征和所述下采样特征通过叠加的方式进行组合,得到多个特征信息;
对所述多个特征信息通过卷积的方式进行压缩,得到T维特征信息,其中T为正整数。
6.根据权利要求3所述的附加装置,其特征在于,在训练得到所述定位优化神经网络模型之后还包括:
构建测试数据集,所述测试数据集包括多组测试数据,每组所述测试数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的真实位置数据;
根据所述定位优化神经网络模型计算得到每组测试数据对应定位优化数据;
根据每组测试数据对应的定位优化数据和真实位置数据计算对应的误差;
基于多组测试数据对应的误差得到平均误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910134237.1A CN109934597A (zh) | 2019-02-22 | 2019-02-22 | 外置税控盘附加装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910134237.1A CN109934597A (zh) | 2019-02-22 | 2019-02-22 | 外置税控盘附加装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109934597A true CN109934597A (zh) | 2019-06-25 |
Family
ID=66985827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910134237.1A Pending CN109934597A (zh) | 2019-02-22 | 2019-02-22 | 外置税控盘附加装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934597A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945353A (zh) * | 2012-10-23 | 2013-02-27 | 官明智 | 一种防止文件内容/***被伪造篡改的方法 |
CN104834839A (zh) * | 2014-02-11 | 2015-08-12 | 阿里巴巴集团控股有限公司 | 一种条码生成方法、基于条码的鉴权方法及相关终端 |
CN106912105A (zh) * | 2017-03-08 | 2017-06-30 | 哈尔滨理工大学 | 基于pso_bp神经网络的三维定位方法 |
CN107037399A (zh) * | 2017-05-10 | 2017-08-11 | 重庆大学 | 一种基于深度学习的Wi‑Fi室内定位方法 |
CN206470209U (zh) * | 2017-02-27 | 2017-09-05 | 中国人民公安大学 | 一种文物认证*** |
CN107705472A (zh) * | 2017-10-23 | 2018-02-16 | 百望金赋科技有限公司 | 一种用于开票的时空定位模块、云端开票***及方法 |
-
2019
- 2019-02-22 CN CN201910134237.1A patent/CN109934597A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945353A (zh) * | 2012-10-23 | 2013-02-27 | 官明智 | 一种防止文件内容/***被伪造篡改的方法 |
CN104834839A (zh) * | 2014-02-11 | 2015-08-12 | 阿里巴巴集团控股有限公司 | 一种条码生成方法、基于条码的鉴权方法及相关终端 |
CN206470209U (zh) * | 2017-02-27 | 2017-09-05 | 中国人民公安大学 | 一种文物认证*** |
CN106912105A (zh) * | 2017-03-08 | 2017-06-30 | 哈尔滨理工大学 | 基于pso_bp神经网络的三维定位方法 |
CN107037399A (zh) * | 2017-05-10 | 2017-08-11 | 重庆大学 | 一种基于深度学习的Wi‑Fi室内定位方法 |
CN107705472A (zh) * | 2017-10-23 | 2018-02-16 | 百望金赋科技有限公司 | 一种用于开票的时空定位模块、云端开票***及方法 |
Non-Patent Citations (1)
Title |
---|
张平: "《图解深度学习与神经网络》", 31 October 2018 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Biagioni et al. | Easytracker: automatic transit tracking, mapping, and arrival time prediction using smartphones | |
CN109636557A (zh) | 一种基于票据识别的智能分类记账方法及设备 | |
JP5191021B1 (ja) | 課税標準額検証装置、課税標準額検証用プログラム及び課税標準額検証システム | |
CN101183495A (zh) | 基于图形化的雷达数据分析方法 | |
CN108280572A (zh) | 车辆能源补充的调度方法、***及计算机可读存储介质 | |
CN103314395A (zh) | 运用动态数据创建和链接三维空间物体并在地理信息***技术领域可视化上述三维空间物体 | |
CN108255947A (zh) | 刻画人员运动轨迹的方法、装置、移动终端和存储介质 | |
CN104821955B (zh) | 数字化抄表***及抄表方法 | |
CN110399781A (zh) | 智能化道路信息分析*** | |
JP2004145874A (ja) | 固定資産画地計測・計算・情報管理システム | |
CN107146058A (zh) | 基于二维码和智能移动终端的资产盘点***和方法 | |
Turner | Route Selection | |
CN109887202A (zh) | 内置增强模块的税控盘 | |
CN109857351A (zh) | 可追溯***的打印方法 | |
CN109389786A (zh) | 一种***打印方法及装置 | |
CN107392828A (zh) | 基于gis的道路事案自动化处置***及流程 | |
CN109934597A (zh) | 外置税控盘附加装置 | |
CN104572954B (zh) | 一种利用邮件投递验证地图兴趣点信息的***和方法 | |
JP6780888B1 (ja) | 経費検査装置、経費検査方法、およびプログラム | |
CN109993877A (zh) | 基于位置信息的防伪***识别方法 | |
Young et al. | Defining probability-based rail station catchments for demand modelling | |
JP7193189B1 (ja) | 評価単位確定装置及び相続税財産評価システム | |
JP2018142362A (ja) | 課税標準額算出装置、課税標準額算出方法及び課税標準額算出用プログラム | |
CN108874993A (zh) | 一种城市规划在地图中的显示方法及装置 | |
CN108513028A (zh) | 信息显示***及第一电子装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |
|
RJ01 | Rejection of invention patent application after publication |