CN111145304A - 一种数据处理方法、装置、智能终端及存储介质 - Google Patents
一种数据处理方法、装置、智能终端及存储介质 Download PDFInfo
- Publication number
- CN111145304A CN111145304A CN201911381068.8A CN201911381068A CN111145304A CN 111145304 A CN111145304 A CN 111145304A CN 201911381068 A CN201911381068 A CN 201911381068A CN 111145304 A CN111145304 A CN 111145304A
- Authority
- CN
- China
- Prior art keywords
- subspaces
- target
- input data
- sample points
- data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 34
- 238000005457 optimization Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 238000013459 approach Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000009776 industrial production Methods 0.000 abstract description 14
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000010248 power generation Methods 0.000 description 10
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 239000000446 fuel Substances 0.000 description 6
- 239000002283 diesel fuel Substances 0.000 description 5
- 239000002918 waste heat Substances 0.000 description 5
- 239000002551 biofuel Substances 0.000 description 4
- 239000003245 coal Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000001143 conditioned effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002737 fuel gas Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种数据处理方法、装置、智能终端及存储介质,其中方法包括:获取多组样本数据,所述样本数据中包括多类输入数据;将所述多组样本数据带入所述自变量多维空间,在所述自变量多维空间中生成多个样本点;将预设的自变量多维空间划分为多个子空间,得到若干个含有样本点的子空间作为目标子空间;计算多个目标子空间中所述样本点对应的每类输入数据的输出估计值,并根据多个目标子空间中每类输入数据分别对应的输出估计值,拟合出每类输入数据对应的输出曲线。通过本发明实施例可以实现在多输入和单输出的场景下,对单一类型的输入进行分析,有助于对工业生产进行综合分析,提高生产效能。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据处理方法、装置、智能终端及存储介质。
背景技术
在工业生产中,在进行工业生产中,经常需要采集机器的各种输入输出数据,并拟合出能效曲线来了解机器的工作情况。
现有的单输入和单输出的数据拟合已经非常成熟,它主要包含了多项式拟合、岭回归、Logistic回归、鲁棒回归(如RANSAC回归方法)和神经网络等等。Hugh A.Chipma等人在其2016年的文章《High-dimensional nonparametric monotone function estimationusing BART》中改进了BART(Bayesian Additive Regression Trees)技术实现了对多维单调函数的拟合,该方法被称为mBART(即单调BART)。BART的本质就是用叠加树的思想来逼近函数,其中树指的是单调树。单调的限制条件最终转化为凸优化问题的限制条件,我们通过求解此类凸优化问题得到多维单调函数的拟合。
而对于多输入和单输出的高维输入输出关系,经典的理论如基于基函数的函数逼近或者分割局部函数逼近都不能解决函数在各维度上单调的问题。例如多动力发电的场景下,燃气、柴油、生物材料都可作为发电的能源输入,输出则只有电力这一个输出,那么对于这种多输入单输出的场景,基于现有的函数分割方法并不能得到关于单一动力与电力输出之间的函数关系,导致在工业生产过程中,面对多输入单输出的场景,并不能对每种类型的输入进行单一分析,以提高生产的效率。
发明内容
本发明实施例提供了一种数据处理方法、装置、智能终端及存储介质,可以实现在多输入和单输出的场景下,对单一类型的输入进行分析,有助于对工业生产进行综合分析,提高生产效能。
一方面,本发明实施例提供了一种数据处理方法,所述方法包括:获取多组样本数据,所述样本数据中包括多类输入数据;将所述多组样本数据带入所述自变量多维空间,在所述自变量多维空间中生成多个样本点;将预设的自变量多维空间划分为多个子空间,得到若干个含有样本点的子空间作为目标子空间;计算多个目标子空间中所述样本点对应的每类输入数据的输出估计值,并根据多个目标子空间中每类输入数据分别对应的输出估计值,拟合出每类输入数据对应的输出曲线。
在一个实施例中,所述计算多个目标子空间中所述样本点对应的每类输入数据的输出估计值,具体包括:确定多个目标子空间中样本点分别对应的参考值;所述参考值为所述目标子空间中的所述样本点对应的每类输入数据的输出估计值之和;将所述多个目标子空间中的样本点对应的总输出数据,以及所述多个目标子空间分别对应的参考值带入预设的优化模型进行计算,得到多个目标子空间中所述样本点对应的每类输入数据的输出估计值。
在一个实施例中,所述将所述多个目标子空间中的样本点对应的总输出数据,以及所述多个目标子空间分别对应的参考值带入预设的优化模型进行计算,得到多个目标子空间中所述样本点对应的每类输入数据的输出估计值,具体包括:对所述多个目标子空间中每一样本点对应的总输出数据与每一样本点对应参考值的差值的平方和进行求和,得到优化模型;在所述优化模型趋近于零时,通过优化求解器求解得到多个目标子空间中所述样本点对应的每类输入数据的输出估计值;其中,所述多个样本点对应的每类输入数据的输出估计值是单调递增的,以保证求解得到的每类输入数据对应的输出估计值唯一。
在一个实施例中,所述获取多组样本数据,具体包括:获取多组初始样本数据;对所述多组初始样本数据进行筛选,使所述初始样本数据中每类输入数据对应的输出函数具有初始值,得到多组样本数据。
在一个实施例中,所述将预设的自变量多维空间划分为多个子空间,得到若干个含有样本点的子空间作为目标子空间,具体包括:将所述将预设的自变量多维空间划分为多个子空间,并得到若干个含有样本点的子空间,剔除所述自变量多维空间中不含有所述样本点的子空间,得到若干个含有样本点的子空间作为目标子空间,其中,所述多个目标子空间中,输入数据最小值对应的目标子空间,以及输入数据最大值对应的目标子空间是可达到的。
另一方面,本申请还提供了一种数据处理装置,所述装置包括:获取模块,用于获取多组样本数据,所述样本数据中包括多类输入数据;处理模块,用于将所述多组样本数据带入所述自变量多维空间,在所述自变量多维空间中生成多个样本点;将预设的自变量多维空间划分为多个子空间,得到若干个含有样本点的子空间作为目标子空间;计算模块,用于计算多个目标子空间中所述样本点对应的每类输入数据的输出估计值,并根据每类输入数据分别对应的输出估计值,拟合出每类输入数据对应的输出曲线
在一个实施例中,在所述计算多个目标子空间中所述样本点对应的每类输入数据的输出估计值方面,所述计算模块,具体用于确定多个目标子空间中样本点分别对应的参考值;所述参考值为所述目标子空间中的所述样本点对应的每类输入数据的输出估计值之和;将所述多个目标子空间中的样本点对应的总输出数据,以及所述多个目标子空间分别对应的参考值带入预设的优化模型进行计算,得到多个目标子空间中所述样本点对应的每类输入数据的输出估计值。
在一个实施例中,所述将所述多个目标子空间中的样本点对应的总输出数据,以及所述多个目标子空间分别对应的参考值带入预设的优化模型进行计算,得到多个目标子空间中所述样本点对应的每类输入数据的输出估计值方面,所述计算模块,具体用于对所述多个目标子空间中每一样本点对应的总输出数据与每一样本点对应参考值的差值的平方和进行求和,得到优化模型;在所述优化模型趋近于零时,通过优化求解器求解得到多个目标子空间中所述样本点对应的每类输入数据的输出估计值;其中,所述多个样本点对应的每类输入数据的输出估计值是单调递增的,以保证求解得到的每类输入数据对应的输出估计值唯一。
在一个实施例中,在所述获取多组样本数据方面,所述获取模块具体用于获取多组初始样本数据;对所述多组初始样本数据进行筛选,使所述初始样本数据中每类输入数据对应的输出函数具有初始值,得到多组样本数据。
在一个实施例中,所述将预设的自变量多维空间划分为多个子空间,得到若干个含有样本点的子空间作为目标子空间,具体包括:将所述将预设的自变量多维空间划分为多个子空间,并得到若干个含有样本点的子空间,剔除所述自变量多维空间中不含有所述样本点的子空间,得到若干个含有样本点的子空间作为目标子空间,其中,所述多个目标子空间中,输入数据最小值对应的目标子空间,以及输入数据最大值对应的目标子空间是可达到的。
再一方面,本发明实施例提供了一种智能终端,包括:处理器和存储器,所述存储器存储有可执行程序代码,所述处理器用于调用所述可执行程序代码,执行上述方法。
相应地,本发明实施例还提供了一种存储介质,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述方法。
本发明实施例通过获取多组样本数据,所述样本数据中包括多类输入数据以及所述多类输入数据对应的总输出数据;将预设的自变量多维空间划分为多个子空间,并将所述多组样本数据带入所述自变量多维空间,得到多个样本点,剔除所述自变量多维空间中不含有样本点的子空间,得到若干个含有样本点的子空间作为目标子空间;计算每个目标子空间中每类输入数据分别对应的输出估计值,并根据每类输入数据分别对应的输出估计值,拟合出每类输入数据对应的输出曲线,从而可以实现在多输入和单输出的场景下,对单一类型的输入进行分析,有助于对工业生产进行综合分析,提高生产效能。
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是本发明实施例提供的一种数据处理方法的流程示意图;
图2是本发明实施例提供的二维输入的空间分割示意图;
图3是本发明实施例提供的一种数据处理方法的流程示意图;
图4是本发明实施例提供的两输入单输出的数据分布的示意图;
图5是本发明实施例提供的余热与蒸汽量之间的数据分布的示意图;
图6是本发明实施例提供的补燃气量与蒸汽量之间的数据分布的示意图;
图7是本发明实施例提供的一种数据处理装置的结构示意图;
图8是本发明实施例提供的一种智能终端的结构示意图。
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。
为了使本技术领域的人员更好地理解本发明方案,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地描述,显然,所描述的实施例是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明说明书、权利要求书和附图中出现的术语“第一”、“第二”和“第三”等是用于区别不同的对象,而并非用于描述特定的顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,图1为本发明实施例提供的一种数据处理方法的流程示意图。本发明实施例中所描述的方法包括:
S101获取多组样本数据,所述样本数据中包括多类输入数据以及所述多类输入数据对应的总输出数据;
具体的,在工业生产的场景下,经常会出现多种输入而只有单个输出的场景,例如在多动力发电时,作为发电的燃料输入包括煤炭、天然气、生物燃料、柴油等等,而输出数据却只有电量。在工业生产中,将产生许多样本数据,例如以二维输入为例,可得到多组样本数据其中xi、yj为第i个输入数据,f(xi,yj)为第j个输出数据。
S102将所述多组样本数据带入所述自变量多维空间,在所述自变量多维空间中生成多个样本点;将预设的自变量多维空间划分为多个子空间,并剔除所述自变量多维空间中不含有所述样本点的子空间,得到若干个含有样本点的子空间作为目标子空间;
具体的,本实施例中的自变量多为空间的维度与输入类别的个数相关,每类输入对应一个维度,例如两类输入数据和一类输出数据即可对应自变量三维空间,三类输入数据和一类输出数据即可对应自变量四维空间。
以两输入单输出场景为例,两类输入数据和一类输出数据即可构成自变量三维空间,将步骤S101中获取到的多组样本数据在所述自变量三维空间中进行标记,得到多个样本点,将这些样本点投影到两类输入数据构成的平面上,即可得到如图2所示投影图。其中X、Y两个维度分别表示两类输入。
在所述自变量三维空间中,可标记出输入最小值点(xmin,ymin,f(xmin,ymin))以及输入最大值点(xmax,ymax,f(xmax,ymax)),在所述自变量三维空间中,以所述最小值点(xmin,ymin,f(xmin,ymin))和所述输入最大值点(xmax,ymax,f(xmax,ymax))为对角线,分割出一个范围空间,并将所述范围空间划分为多个子空间。
在划分出的多个子空间中,有的子空间中不存在样本点,则这些不存在样本点的子空间则为无效子空间,可将这些无效子空间剔除。得到若干个含有样本点的子空间作为目标子空间。
将所述三维空间中数据以及空间在二维输入平面进行投影,得到如图2所示的投影图,标记出输入最小值(xmin,ymin)以及输入最大值(xmax,ymax),虚线框对应所述范围空间在二维输入平面的投影。
S103计算多个目标子空间中所述样本点对应的每类输入数据的输出估计值,并根据多个目标子空间中每类输入数据分别对应的输出估计值,拟合出每类输入数据对应的输出曲线。
具体的,将多个目标子空间分别进行标号k=1,2,3......n,对于每个目标子空间,将落在这一目标子空间的点集记为A(k)。若是目标子空间足够小,而样本点足够多,那么就能够找到一个常数Ck来近似逼近这区间内的所有点的值。在本实施例两输入单输出的场景下,则需要找出第一类输入数据对应的输出估计值ak和第二类输入数据对应的输出估计值bk使得ak+bk=Ck,其中ak=f1(xi)且bk=f2(yi),其中,f1(xi)为第一类输入的输出函数,f2(yi)为第二类输入的输出函数。因此,计算每个目标子空间中每类输入数据分别对应的输出估计值ak、bk,即可根据每类输入数据分别对应的输出估计值,得到每类输入数据对应的输出曲线。
请参阅图3,图3为本发明实施例提供的一种数据处理方法的流程示意图。本发明实施例中所描述的方法包括:
S201获取多组样本数据,所述样本数据中包括多类输入数据以及所述多类输入数据对应的总输出数据;
具体的,在工业生产的场景下,经常会出现多种输入而只有单个输出的场景,例如在多动力发电时,作为发电的燃料输入包括煤炭、天然气、生物燃料、柴油等等,而输出数据却只有电量。在工业生产中,即可产生许多样本数据例如以二维输入为例,可得到多组样本数据其中xi、yi为第i个输入数据,f(xi,yi)为第i个输出数据。
S202将所述多组样本数据带入所述自变量多维空间,在所述自变量多维空间中生成多个样本点;将预设的自变量多维空间划分为多个子空间,并剔除所述自变量多维空间中不含有所述样本点的子空间,得到若干个含有样本点的子空间作为目标子空间;
具体的,本实施例中的自变量多为空间的维度与输入类别的个数相关,每类输入对应一个维度,例如两类输入数据即可对应自变量二维空间,三类输入数据即可对应自变量三维空间。
以两输入单输出场景为例,两类输入数据和一类输出数据即可构成自变量三维空间,将获取到的多组样本数据在所述自变量三维空间中进行标记,得到多个样本点,将这些样本点投影到两类输入数据构成的平面上,即可得到如图2所示投影图。其中X、Y两个维度分别表示两类输入。
在所述自变量三维空间中,可标记出输入最小值点(xmin,ymin,f(xmin,ymin))以及输入最大值点(xmax,ymax,f(xmax,ymax)),在所述自变量三维空间中,以所述最小值点(xmin,ymin,f(xmin,ymin))和所述输入最大值点(xmax,ymax,f(xmax,ymax))为对角线,分割出一个范围空间,并将所述范围空间划分为多个子空间。
在划分出的多个子空间中,有的子空间中不存在样本点,则这些不存在样本点的子空间则为无效子空间,可将这些无效子空间剔除。得到若干个含有样本点的子空间作为目标子空间。
S203确定多个目标子空间中样本点分别对应的参考值;所述参考值为所述目标子空间中的所述样本点对应的每类输入数据的输出估计值之和;
具体的,将得到的多个目标子空间分别进行标号k=1,2,3......n,对于每个目标子空间,将落在这一目标子空间的点集记为Ak。对于每个目标子空间,若是目标子空间足够小,而样本点足够多,那么就能够找到一个参考值Ck来近似逼近这区间内的所有点的值。在本实施例两输入单输出的场景下,则需要找出第一类输入数据对应的输出估计值ak和第二类输入数据对应的输出估计值bk使得ak+bk=Ck,其中ak=f1(xi)且bk=f2(yj),其中,f1(xi)为第一类输入的输出函数,f2(yi)为第二类输入的输出函数。
S204将所述多个目标子空间中的样本点对应的总输出数据,以及所述多个目标子空间分别对应的参考值带入预设的优化模型进行计算,得到多个目标子空间中所述样本点对应的每类输入数据的输出估计值。
具体的,步骤S204包括:对所述多个目标子空间中每一样本点对应的总输出数据与每一样本点对应参考值的差值的平方和进行求和,得到优化模型;在所述优化模型趋近于零时,通过优化求解器求解得到多个目标子空间中所述样本点对应的每类输入数据的输出估计值;其中,所述多个样本点对应的每类输入数据的输出估计值是单调递增的,以保证求解得到的每类输入数据对应的输出估计值唯一。
本实施例中,优化模型包括其中,所述多组样本数据中的每一类输入数据对应输出函数的输出估计值ak、bk是单调递增的,即ak+1≥ak,k=1,2,3......n,bk+1≥bk,k=1,2,3......n。
然后,我们通过Cplex API求解这一优化模型,就得到所有的ak、bk,而其中ak、bk分别是对函数f1(xi)和f2(yj)的输出估计值,因此,可以非常近似地将ak作为第一类输入数据在第k个目标子空间的输出数据,将bk作为第二类输入数据在第k个目标子空间的输出数据,以此来得到两类输入数据分别在坐标轴上对应的曲线。
在步骤S202中,所述将预设的自变量多维空间划分为多个子空间,得到若干个含有样本点的子空间作为目标子空间,具体包括:将所述将预设的自变量多维空间划分为多个子空间,并得到若干个含有样本点的子空间,剔除所述自变量多维空间中不含有所述样本点的子空间,得到若干个含有样本点的子空间作为目标子空间,其中,所述多个目标子空间中,输入数据最小值对应的目标子空间,以及输入数据最大值对应的目标子空间是可达到的。也就是说,对上述的目标子空间中,输入数据最小值对应的目标子空间,以及输入数据最大值对应的目标子空间是可达到的。即输入最小值点(xmin,ymin,f(xmin,ymin))对应的目标子空间以及输入最大值点(xmax,ymax,f(xmax,ymax))对应的目标子空间必须是可以达到的。以保证上述对优化模型进行计算得出的解唯一。在步骤S201获取多组样本数据时,具体包括:获取多组初始样本数据;对所述多组初始样本数据进行筛选,使所述初始样本数据中每类输入数据对应的输出函数具有初始值,得到多组样本数据,以保证上述对优化模型进行计算得出的解唯一。否则如果存在一对函数(f1(x),f2(y))是原问题的解,那么(f1(x)-ε,f2(y)+ε)(ε趋近于0)也就原问题的解而造成解不唯一。
本实施例以余热燃气蒸汽锅炉为例进行分析,锅炉的输入有余热、补燃气量,输出为蒸汽量。如图4所示,随机获取了多组样本数据,并在在Z=f(X,Y)的自定义三维空间中进行标记,在XY平面的浅色阴影部分为获取到的多子样本数据在XY平面的投影。以此对应图2中所示的两类输入数据。通过本实施例中所描述的上述方式,将自变量三维空间划分出的多个子空间中,有的子空间中不存在样本点,则这些不存在样本点的子空间则为无效子空间,可将这些无效子空间剔除,得到若干个含有样本点的子空间作为目标子空间。
然后将多个目标子空间分别进行标号k=1,2,3......n,对于每个目标子空间,将落在这一目标子空间的点集记为A(k)。在本实施例两输入单输出的场景下,则需要找出第一类输入数据对应的输出估计值ak和第二类输入数据对应的输出估计值bk使得ak+bk=Ck,其中ak=f1(xi)且bk=f2(yj),f1(xi)为第一类输入对应的输出函数,f2(yj)为第二类输入对应的输出函数。
那么,要求解每一类输入对应的输入解,就变为找出所有的ak和bk使得下面的优化模型的值最小。由于每类输入对应的输出函数具有单调性,因而这个优化问题是带有限制条件的。单调性的限制条件为:ak+1≥ak,k=1,2,3......n bk+1≥bk,k=1,2,3......n。最后,通过Cplex API求解这类问题,就得到所有的ak、bk,而其中ak、bk分别是对函数f1(xi)和f2(yj)的估值,
S205根据每类输入数据分别对应的输出估计值,得到每类输入数据对应的输出曲线。
本实施例中,可以将第一类输入数据对应的输出估计值来近似作为该目标子空间中第一类输入数据对应的输入数据,将第二类数据对应的输出估计值来近似作为该目标子空间中第二类输入数据对应的输入数据。在自变量三维空间中,有多个目标子空间,每个子空间都可以通过上述方式计算出第一类输入数据对应的输出估计值以及第二类数据对应的输出估计值,因此每个目标子空间都可计算出计算出第一类输入数据对应的输出估计值以及第二类数据对应的输出估计值。将第一类输入数据在每个目标子空间的输出估计值进行连线,即可得出对应的第一类输入手输出曲线;将第二类输入数据在每个目标子空间的输出估计值进行连线,即可得出对应的第二类输入手输出曲线。通过上述方法,即可从原有的二维输入单维输入的的样本空间中可分割出每一类型的输入与输出之间的关系图。
如图4、图5、图6所示,图5即是从图4中分割出的余热与蒸汽量的关系,图6即是从图4中分割出的补燃气量与蒸汽量的关系。
同理,在多维输入单输出的场景下,也可通过上述描述的方法进行计算,从多维输入单输出的空间中,分割出每一维度输入与输出的输出曲线关系。
如图7所示,图7为本发明实施例提供的一种数据处理装置的结构示意图。本发明实施例中所描述的装置包括:
获取模块601,用于获取多组样本数据,所述样本数据中包括多类输入数据以及所述多类输入数据对应的总输出数据;
处理模块602,用于将所述多组样本数据带入所述自变量多维空间,在所述自变量多维空间中生成多个样本点;将预设的自变量多维空间划分为多个子空间,并剔除所述自变量多维空间中不含有所述样本点的子空间,得到若干个含有样本点的子空间作为目标子空间;
计算模块603,用于计算多个目标子空间中所述样本点对应的每类输入数据的输出估计值,并根据每类输入数据分别对应的输出估计值,拟合出每类输入数据对应的输出曲线。
具体的,在工业生产的场景下,经常会出现多种输入而只有单个输出的场景,例如在多动力发电时,作为发电的燃料输入包括煤炭、天然气、生物燃料、柴油等等,而输出数据却只有电量。在工业生产中,将产生许多样本数据例如以二维输入为例,可得到多组样本数据其中xi、yi为第i个输入数据,f(xi,yi)为第i个输出数据。
具体的,本实施例中的自变量多为空间的维度与输入类别的个数相关,每类输入对应一个维度,例如两类输入数据和一类输出数据即可对应自变量三维空间,三类输入数据和一类输出数据即可对应自变量四维空间。
以两输入单输出场景为例,两类输入数据和一类输出数据即可构成自变量三维空间,将步骤S101中获取到的多组样本数据在所述自变量三维空间中进行标记,得到多个样本点,将这些样本点投影到两类输入数据构成的平面上,即可得到如图2所示投影图。其中X、Y两个维度分别表示两类输入。
在所述自变量三维空间中,可标记出输入最小值点(xmin,ymin,f(xmin,ymin))以及输入最大值点(xmax,ymax,f(xmax,ymax)),在所述自变量三维空间中,以所述最小值点(xmin,ymin,f(xmin,ymin))和所述输入最大值点(xmax,ymax,f(xmax,ymax))为对角线,分割出一个范围空间,并将所述范围空间划分为多个子空间。
在划分出的多个子空间中,有的子空间中不存在样本点,则这些不存在样本点的子空间则为无效子空间,可将这些无效子空间剔除,得到若干个含有样本点的子空间作为目标子空间。
将所述三维空间中数据以及空间在二维输入平面进行投影,得到如图2所示的投影图,标记出输入最小值(xmin,ymin)以及输入最大值(xmax,ymax),虚线框对应所述范围空间在二维输入平面的投影。
将多个目标子空间分别进行标号k=1,2,3......n,对于每个目标子空间,将落在这一目标子空间的点集记为A(k)。若是目标子空间足够小,而样本点足够多,那么就能够找到一个常数Ck来近似逼近这区间内的所有点的值。在本实施例两输入单输出的场景下,则需要找出第一类输入数据对应的输出估计值ak和第二类输入数据对应的输出估计值bk使得ak+bk=Ck,其中ak=f1(xi)且bk=f2(yi),其中,f1(xi)为第一类输入的输出函数,f2(yi)为第二类输入的输出函数。因此,计算每个目标子空间中每类输入数据分别对应的输出估计值ak、bk,即可根据每类输入数据分别对应的输出估计值,得到每类输入数据对应的输出曲线。
本发明还提供了一种数据处理装置的实施例,如图7所示,本发明实施例中所描述的装置包括:
获取模块601,用于获取多组样本数据,所述样本数据中包括多类输入数据以及所述多类输入数据对应的总输出数据。
处理模块602,用于将所述将预设的自变量多维空间划分为多个子空间,并得到若干个含有样本点的子空间,剔除所述自变量多维空间中不含有所述样本点的子空间,得到若干个含有样本点的子空间作为目标子空间,其中,所述多个目标子空间中,输入数据最小值对应的目标子空间,以及输入数据最大值对应的目标子空间是可达到的。
计算模块603,具体用于确定多个目标子空间中样本点分别对应的参考值;所述参考值为所述目标子空间中的所述样本点对应的每类输入数据的输出估计值之和;将所述多个目标子空间中的样本点对应的总输出数据,以及所述多个目标子空间分别对应的参考值带入预设的优化模型进行计算,得到多个目标子空间中所述样本点对应的每类输入数据的输出估计值。
具体的,在工业生产的场景下,经常会出现多种输入而只有单个输出的场景,例如在多动力发电时,作为发电的燃料输入包括煤炭、天然气、生物燃料、柴油等等,而输出数据却只有电量。在工业生产中,将产生许多样本数据例如以二维输入为例,可得到多组样本数据其中xi、yi为第i个输入数据,f(xi,yi)为第i个输出数据。
以两输入单输出场景为例,两类输入数据和一类输出数据即可构成自变量三维空间,将获取到的多组样本数据在所述自变量三维空间中进行标记,得到多个样本点,将这些样本点投影到两类输入数据构成的平面上,即可得到如图2所示投影图。其中X、Y两个维度分别表示两类输入。
在所述自变量三维空间中,可标记出输入最小值点(xmin,ymin,f(xmin,ymin))以及输入最大值点(xmax,ymax,f(xmax,ymax)),在所述自变量三维空间中,以所述最小值点(xmin,ymin,f(xmin,ymin))和所述输入最大值点(xmax,ymax,f(xmax,ymax))为对角线,分割出一个范围空间,并将所述范围空间划分为多个子空间。
在划分出的多个子空间中,有的子空间中不存在样本点,则这些不存在样本点的子空间则为无效子空间,可将这些无效子空间剔除。得到若干个含有样本点的子空间作为目标子空间。
将得到的多个目标子空间分别进行标号k=1,2,3......n,对于每个目标子空间,将落在这一目标子空间的点集记为A(k)。对于每个目标子空间,若是目标子空间足够小,而样本点足够多,那么就能够找到一个参考值Ck来近似逼近这区间内的所有点的值。在本实施例两输入单输出的场景下,则需要找出第一类输入数据对应的输出估计值ak和第二类输入数据对应的输出估计值bk使得ak+bk=Ck,其中ak=f1(xi)且bk=f2(yj),其中,f1(xi)为第一类输入的输出函数,f2(yi)为第二类输入的输出函数。
本实施例中,优化模型包括其中,所述多组样本数据中的每一类输入数据对应输出函数的输出估计值ak、bk是单调递增的,即ak+1≥ak,k=1,2,3......n,bk+1≥bk,k=1,2,3......n。
然后,我们通过Cplex API求解这一优化模型,就得到所有的ak、bk,而其中ak、bk分别是对函数f1(xi)和f2(yj)的输出估计值,因此,可以非常近似地将ak作为第一类输入数据在第k个目标子空间的输出数据,将bk作为第二类输入数据在第k个目标子空间的输出数据,以此来得到两类输入数据分别在坐标轴上对应的曲线。
在对上述的目标子空间中,输入数据最小值对应的目标子空间,以及输入数据最大值对应的目标子空间是可达到的。即输入最小值点(xmin,ymin,f(xmin,ymin))对应的目标子空间以及输入最大值点(xmax,ymax,f(xmax,ymax))对应的目标子空间必须是可以达到的。每类输入数据对应的输出函数是单调的且具有初始值,以保证上述对优化模型进行计算得出的解唯一。否则如果存在一对函数(f1(x),f2(y))是原问题的解,那么(f1(x)-ε,f2(y)+ε)(ε趋近于0)也就原问题的解而造成解不唯一。我们可以证明,如果步骤3,4成立,那么原问题的解必然唯一。
本实施例以余热燃气蒸汽锅炉为例进行分析,锅炉的输入有余热、补燃气量,输出为蒸汽量。如图4所示,随机获取了多组样本数据,并在在Z=f(X,Y)的自定义三维空间中进行标记,在XY平面的浅色阴影部分为获取到的多子样本数据在XY平面的投影。以此对应图2中所示的两类输入数据。通过本实施例中所描述的上述方式,将自变量三维空间划分出的多个子空间中,有的子空间中不存在样本点,则这些不存在样本点的子空间则为无效子空间,可将这些无效子空间剔除,得到若干个含有样本点的子空间作为目标子空间。
然后将多个目标子空间分别进行标号k=1,2,3......n,对于每个目标子空间,将落在这一目标子空间的点集记为A(k)。在本实施例两输入单输出的场景下,则需要找出第一类输入数据对应的输出估计值ak和第二类输入数据对应的输出估计值bk使得ak+bk=Ck,其中ak=f1(xi)且bk=f2(yj),f1(xi)为第一类输入对应的输出函数,f2(yj)为第二类输入对应的输出函数。
那么,要求解每一类输入对应的输入解,就变为找出所有的ak和bk使得下面的优化模型的值最小。由于每类输入对应的输出函数具有单调性,因而这个优化问题是带有限制条件的。单调性的限制条件为:ak+1≥ak,k=1,2,3......n bk+1≥bk,k=1,2,3......n。最后,通过Cplex API求解这类问题,就得到所有的ak、bk,而其中ak、bk分别是对函数f1(xi)和f2(yj)的估值,
S205根据每类输入数据分别对应的输出估计值,得到每类输入数据对应的输出曲线。
本实施例中,可以将第一类输入数据对应的输出估计值来近似作为该目标子空间中第一类输入数据对应的输入数据,将第二类数据对应的输出估计值来近似作为该目标子空间中第二类输入数据对应的输入数据。在自变量三维空间中,有多个目标子空间,每个子空间都可以通过上述方式计算出第一类输入数据对应的输出估计值以及第二类数据对应的输出估计值,因此每个目标子空间都可计算出计算出第一类输入数据对应的输出估计值以及第二类数据对应的输出估计值。将第一类输入数据在每个目标子空间的输出估计值进行连线,即可得出对应的第一类输入手输出曲线;将第二类输入数据在每个目标子空间的输出估计值进行连线,即可得出对应的第二类输入手输出曲线。通过上述方法,即可从原有的二维输入单维输入的的样本空间中可分割出每一类型的输入与输出之间的关系图。
如图4、图5、图6所示,图5即是从图4中分割出的余热与蒸汽量的关系,图6即是从图4中分割出的补燃气量与蒸汽量的关系。
同理,在多维输入单输出的场景下,也可通过上述描述的方法进行计算,从多维输入单输出的空间中,分割出每一维度输入与输出的输出曲线关系。请参阅图8,图8为本发明实施例提供的一种智能终端的结构示意图。本发明实施例中所描述的智能终端包括:处理器701、用户接口702、通信接口703及存储器704。其中,处理器701、用户接口702、通信接口703及存储器704可通过总线或其他方式连接,本发明实施例以通过总线连接为例。
其中,处理器701(或称CPU(Central Processing Unit,中央处理器))是终端的计算核心以及控制核心,其可以解析终端内的各类指令以及处理终端的各类数据,例如:CPU可以用于解析用户向终端所发送的开关机指令,并控制终端进行开关机操作;再如:CPU可以在终端内部结构之间传输各类交互数据,等等。用户接口702是实现用户与终端进行交互和信息交换的媒介,其具体体现可以包括用于输出的显示屏(Display)以及用于输入的键盘(Keyboard)等等,需要说明的是,此处的键盘既可以为实体键盘,也可以为触屏虚拟键盘,还可以为实体与触屏虚拟相结合的键盘。通信接口703可选的可以包括标准的有线接口、无线接口(如Wi-Fi、移动通信接口等),受处理器701的控制用于收发数据。存储器704(Memory)是终端中的记忆设备,用于存放程序和数据。可以理解的是,此处的存储器704既可以包括终端的内置存储器,当然也可以包括终端所支持的扩展存储器。存储器704提供存储空间,该存储空间存储了终端的操作***,可包括但不限于:Android***、iOS***、Windows Phone***等等,本发明对此并不作限定。
具体实现中,本发明实施例中所描述的处理器701、用户接口702、通信接口703及存储器704可执行本发明实施例提供的一种数据处理方法中所描述的智能终端的实现方式,也可执行本发明实施例提供的一种数据处理装置中所描述的实现方式,在此不再赘述。
本发明实施例还提供了一种存储介质,存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如本发明实施例所述的一种数据处理方法。
本发明实施例还提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如本发明实施例所述的一种数据处理方法。
需要说明的是,对于前述的各个方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某一些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所揭露的仅为本发明部分实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种数据处理方法,其特征在于,所述方法包括:
获取多组样本数据,所述样本数据中包括多类输入数据;
将所述多组样本数据带入所述自变量多维空间,在所述自变量多维空间中生成多个样本点;
将预设的自变量多维空间划分为多个子空间,得到若干个含有样本点的子空间作为目标子空间;
计算多个目标子空间中所述样本点对应的每类输入数据的输出估计值,并根据多个目标子空间中每类输入数据分别对应的输出估计值,拟合出每类输入数据对应的输出曲线。
2.根据权利要求1所述的方法,其特征在于,所述计算多个目标子空间中所述样本点对应的每类输入数据的输出估计值,具体包括:
确定多个目标子空间中样本点分别对应的参考值;所述参考值为所述目标子空间中的所述样本点对应的每类输入数据的输出估计值之和;
将所述多个目标子空间中的样本点对应的总输出数据,以及所述多个目标子空间分别对应的参考值带入预设的优化模型进行计算,得到多个目标子空间中所述样本点对应的每类输入数据的输出估计值。
3.根据权利要求2所述的数据处理方法,其特征在于,将所述多个目标子空间中的样本点对应的总输出数据,以及所述多个目标子空间分别对应的参考值带入预设的优化模型进行计算,得到多个目标子空间中所述样本点对应的每类输入数据的输出估计值,具体包括:
对所述多个目标子空间中每一样本点对应的总输出数据与每一样本点对应参考值的差值的平方和进行求和,得到优化模型;在所述优化模型趋近于零时,通过优化求解器求解得到多个目标子空间中所述样本点对应的每类输入数据的输出估计值;其中,所述多个样本点对应的每类输入数据的输出估计值是单调递增的,以保证求解得到的每类输入数据对应的输出估计值唯一。
4.根据权利要求1所述的数据处理方法,其特征在于,所述获取多组样本数据,具体包括:
获取多组初始样本数据;
对所述多组初始样本数据进行筛选,使所述初始样本数据中每类输入数据对应的输出函数具有初始值,得到多组样本数据。
5.根据权利要求1-4中任一项所述的数据处理方法,其特征在于,所述将预设的自变量多维空间划分为多个子空间,得到若干个含有样本点的子空间作为目标子空间,具体包括:
将所述将预设的自变量多维空间划分为多个子空间,并得到若干个含有样本点的子空间,剔除所述自变量多维空间中不含有所述样本点的子空间,得到若干个含有样本点的子空间作为目标子空间,其中,所述多个目标子空间中,输入数据最小值对应的目标子空间,以及输入数据最大值对应的目标子空间是可达到的。
6.一种数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取多组样本数据,所述样本数据中包括多类输入数据;
处理模块,用于将所述多组样本数据带入所述自变量多维空间,在所述自变量多维空间中生成多个样本点;将预设的自变量多维空间划分为多个子空间,得到若干个含有样本点的子空间作为目标子空间;
计算模块,用于计算多个目标子空间中所述样本点对应的每类输入数据的输出估计值,并根据每类输入数据分别对应的输出估计值,拟合出每类输入数据对应的输出曲线。
7.根据权利要求6所述的装置,其特征在于,在所述计算多个目标子空间中所述样本点对应的每类输入数据的输出估计值方面,所述计算模块,具体用于确定多个目标子空间中样本点分别对应的参考值;所述参考值为所述目标子空间中的所述样本点对应的每类输入数据的输出估计值之和;将所述多个目标子空间中的样本点对应的总输出数据,以及所述多个目标子空间分别对应的参考值带入预设的优化模型进行计算,得到多个目标子空间中所述样本点对应的每类输入数据的输出估计值。
8.根据权利要求6或7所述的装置,其特征在于,在所述将预设的自变量多维空间划分为多个子空间,得到若干个含有样本点的子空间作为目标子空间方面,所述处理模块,具体用于将所述将预设的自变量多维空间划分为多个子空间,并得到若干个含有样本点的子空间,剔除所述自变量多维空间中不含有所述样本点的子空间,得到若干个含有样本点的子空间作为目标子空间,其中,所述多个目标子空间中,输入数据最小值对应的目标子空间,以及输入数据最大值对应的目标子空间是可达到的。
9.一种智能终端,其特征在于,包括:处理器和存储器,所述存储器存储有可执行程序代码,所述处理器用于调用所述可执行程序代码,执行如权利要求1至5中任一项所述的数据处理方法。
10.一种存储介质,其特征在于,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如权利要求1至5中任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381068.8A CN111145304B (zh) | 2019-12-27 | 2019-12-27 | 一种数据处理方法、装置、智能终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381068.8A CN111145304B (zh) | 2019-12-27 | 2019-12-27 | 一种数据处理方法、装置、智能终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111145304A true CN111145304A (zh) | 2020-05-12 |
CN111145304B CN111145304B (zh) | 2023-10-10 |
Family
ID=70521204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911381068.8A Active CN111145304B (zh) | 2019-12-27 | 2019-12-27 | 一种数据处理方法、装置、智能终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145304B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2843469A1 (fr) * | 2002-08-07 | 2004-02-13 | Holding Bev Sa | Procede de fonctionnement et unite fonctionnelle multiclasse pour calcul et traitement d'histogramme, application a la perception active |
CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** |
CN107665244A (zh) * | 2017-09-12 | 2018-02-06 | 中国农业大学 | 一种获取粮食产量与化肥使用量之间关系的方法及装置 |
US20180232464A1 (en) * | 2017-02-15 | 2018-08-16 | Mastery Transcript Consortium | Automatic transformation of a multitude of disparate types of input data into a holistic, self-contained, reference database format that can be rendered at varying levels of granularity |
CN110020022A (zh) * | 2019-01-03 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备及可读存储介质 |
CN110147441A (zh) * | 2019-04-03 | 2019-08-20 | 平安科技(深圳)有限公司 | 数据的整合显示方法、装置、终端设备及介质 |
-
2019
- 2019-12-27 CN CN201911381068.8A patent/CN111145304B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2843469A1 (fr) * | 2002-08-07 | 2004-02-13 | Holding Bev Sa | Procede de fonctionnement et unite fonctionnelle multiclasse pour calcul et traitement d'histogramme, application a la perception active |
CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** |
US20180232464A1 (en) * | 2017-02-15 | 2018-08-16 | Mastery Transcript Consortium | Automatic transformation of a multitude of disparate types of input data into a holistic, self-contained, reference database format that can be rendered at varying levels of granularity |
CN107665244A (zh) * | 2017-09-12 | 2018-02-06 | 中国农业大学 | 一种获取粮食产量与化肥使用量之间关系的方法及装置 |
CN110020022A (zh) * | 2019-01-03 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备及可读存储介质 |
CN110147441A (zh) * | 2019-04-03 | 2019-08-20 | 平安科技(深圳)有限公司 | 数据的整合显示方法、装置、终端设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111145304B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | A competitive memetic algorithm for multi-objective distributed permutation flow shop scheduling problem | |
US10963292B2 (en) | Techniques to manage virtual classes for statistical tests | |
CN112199855B (zh) | 热工水力仿真软件动态生成方法、装置、设备及介质 | |
CN106067028A (zh) | 基于gpu的自动化机器学习的建模方法 | |
CN102521218B (zh) | 文件合成方法及装置 | |
CN110807002A (zh) | 一种基于工作流的报表生成方法、***及设备和存储介质 | |
CN110795162B (zh) | 生成容器镜像文件的方法和装置 | |
CN117454495A (zh) | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 | |
CN114091688B (zh) | 一种计算资源获取方法、装置、电子设备和存储介质 | |
US20230342626A1 (en) | Model processing method and related apparatus | |
CN110009100B (zh) | 自定义算子的计算方法及相关产品 | |
CN111145304A (zh) | 一种数据处理方法、装置、智能终端及存储介质 | |
Topa et al. | On the optimal demand-side management in microgrids through polygonal composition | |
CN116561338A (zh) | 工业知识图谱生成方法、装置、设备及存储介质 | |
CN115587480A (zh) | 数字化仿真方法以及数字化仿真装置 | |
CN114862098A (zh) | 资源分配方法以及装置 | |
CN107831672A (zh) | 智慧能源***可视化优化设计运行一体化装置及方法 | |
CN111062159B (zh) | 一种无人机虚拟试验方法 | |
CN113886647A (zh) | 数据字典的创建方法、终端设备及介质 | |
Chen et al. | Minimum break relay dependency set approach for coordination of directional relays in multi‐loop networks | |
CN105354298A (zh) | 基于Hadoop的大规模社交网络分析方法及其分析平台 | |
Lee et al. | Local H∞ control and invariant set analysis for continuous-time TS fuzzy systems with magnitude-and energy-bounded disturbances | |
EP4242837A1 (en) | Data processing apparatus and method | |
Castier et al. | Fitting equation of state parameters in parallel computers | |
CN111208980B (zh) | 一种数据分析处理方法和*** |
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 |