CN111612300B - 一种基于深度混合云模型的场景异常感知指标计算方法及*** - Google Patents
一种基于深度混合云模型的场景异常感知指标计算方法及*** Download PDFInfo
- Publication number
- CN111612300B CN111612300B CN202010299034.0A CN202010299034A CN111612300B CN 111612300 B CN111612300 B CN 111612300B CN 202010299034 A CN202010299034 A CN 202010299034A CN 111612300 B CN111612300 B CN 111612300B
- Authority
- CN
- China
- Prior art keywords
- cloud model
- graph
- cloud
- index calculation
- perception
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000008447 perception Effects 0.000 title claims abstract description 32
- 238000004364 calculation method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001568 sexual effect Effects 0.000 claims 1
- 238000005266 casting Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及指标计算技术领域,具体地说,涉及一种基于深度混合云模型的场景异常感知指标计算方法及***。其方法包括如下步骤:使用graphembedding对网络资源节点进行图编码;使用基于深度学习的层次分析法建立云模型评价标尺;使用云标尺进行在线场景异常感知检测。该基于深度混合云模型的场景异常感知指标计算方法及***中,使用graph embedding对网络资源节点进行图编码表示,具有更广泛的适用范围和泛化能力,将编码化的节点资源构建整体云模型,并使用基于深度学习的层次分析法建立云模型评价标尺,进行场景异常感知检测,可在不同周期维度的数据下进行检测,将训练模型使用于在线检测,并能对大规模、动态变化的网络资源进行实时检测。
Description
技术领域
本发明涉及指标计算技术领域,具体地说,涉及一种基于深度混合云模型的场景异常感知指标计算方法及***。
背景技术
现有的检测***无法适应大规模、动态变化的网络资源,只能感知整体网络存在异常点,无法精确定位异常点位置。
发明内容
本发明的目的在于提供一种基于深度混合云模型的场景异常感知指标计算方法及***,以解决上述背景技术中提出的问题。
为实现上述技术问题的解决,本发明的目的之一在于,提供一种基于深度混合云模型的场景异常感知指标计算方法,其方法包括如下步骤:
S1、使用graphembedding对网络资源节点进行图编码;
S2、使用基于深度学习的层次分析法建立云模型评价标尺;
S3、使用云标尺进行在线场景异常感知检测。
作为优选,所述S1中,使用graphembedding对网络资源节点进行图编码的方法具体包括如下步骤:
S1.1、输入:Graph(图中的节点(node)表示网络资源,比如服务器等,每一个图中的节点(网络资源)包含各自的属性,比如存储量、占用率、带宽等;图中节点之间的边(edge)的权重能够体现出彼此网络资源的直接或间接依赖关系);
S1.2、输出:对于网络资源的基于GraphEmbedding的图编码表示;
S1.3、初始化:基于网络资源(node)的邻接矩阵,基于网络资源(node)属性的特征(feature)矩阵;
S1.4、迭代训练GraphEmbedding。
作为优选,所述S1.4中,迭代训练GraphEmbedding的方法具体包括如下步骤:
S1.4.1、对于网络资源(node)形成的图(Graph),首先进行对于Graph空间结构的分析,通过聚合函数(AggregateFunction)将任意一个节点(node)的低阶,高阶空间关系聚合起来形成对于节点(node)新的空间关系的表示;
S1.4.2、对于S1.4.1中所形成的聚合空间关系,将初始化阶段已知的对于节点(node)的特征关系进行聚合,通过IoT-GraphEmbedding算法,融合网络资源(node)的空间关系(spatialrelationship)和特征关系;
S1.4.3、通过多次训练,优化网络结构,形成最优的图编码表示。
作为优选,所述S2中,使用基于深度学习的层次分析法建立云模型评价标尺的方法具体包括如下步骤:
S2.1、将0.1-0.9标度分别对应9个云模型(Exi、Eni、Hei)(i=1、2、……、9),其中0.1、0.2、…、0.9分别对应于云模型的期望Ex1、Ex2、……、Ex9;
S2.2、设9个云模型的论域U为[0.1,0.9],各云模型的期望值为Ex1=0.1、Ex2=0.2、……、Ex9=0.9,根据黄金分割法得到各个云模型的熵和超熵,其中,各云模型的熵:En1=En3=En5=En7=En9=0.0707,En2=En4=En6=En8=0.0437;各云模型的超熵:He1=He3=He5=He7=He9=0.0118,He2=He4=He6=He8=0.0073.由此可以得到用云模型表示的标度(Exi、Eni、Hei)(i=1、2、……、9);
S2.3、构造判断矩阵,设在论域[Umin,Umax]中有m朵相邻的基云C1=(Ex1,En1,He1)、……、Cm=(Exm,Enm,Hem),集结m朵云可以得到定性概念的浮动云C=(Ex,En,He),其中数值指标计算公式为:
本发明的目的之二在于,提供一种基于深度混合云模型的场景异常感知指标计算***,包括:
图编码模块,用于使用graphembedding对网络资源节点进行图编码;
建立云模型模块,用于使用基于深度学习的层次分析法建立云模型评价标尺;
感知检测模块,用于使用云标尺进行在线场景异常感知检测。
本发明的目的之三在于,提供一种基于深度混合云模型的场景异常感知指标计算装置,包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行上述的计算机程序时实现如上述中任一所述的基于深度混合云模型的场景异常感知指标计算方法的步骤。
本发明的目的之四在于,一种计算机可读存储介质,所述存储介质中存储有至少一段程序,所述至少一段程序由上述的处理器执行以实现如上述中任一所述的基于深度混合云模型的场景异常感知指标计算方法的步骤。
与现有技术相比,本发明的有益效果:该基于深度混合云模型的场景异常感知指标计算方法及***中,使用graph embedding对网络资源节点进行图编码表示,与传统的数值指标的计算相比,能够将更多类型的网络资源节点纳入分析之中,比如服务器、数据库、进程、电表、带宽等,进行无差别分析,具有更广泛的适用范围和泛化能力,将编码化的节点资源构建整体云模型,并使用基于深度学习的层次分析法建立云模型评价标尺,进行场景异常感知检测,可在不同周期维度的数据下进行检测,与传统的定周期检测相比,能够满足更多的使用要求。将训练模型使用于在线检测,并能对大规模、动态变化的网络资源进行实时检测,满足大多数的实际生产环境。
附图说明
图1为本发明的整体方法流程图;
图2为本发明的使用graphembedding对网络资源节点进行图编码方法流程图;
图3为本发明的迭代训练GraphEmbedding方法流程图;
图4为本发明的使用基于深度学习的层次分析法建立云模型评价标尺方法流程图;
图5为本发明的基于深度混合云模型的场景异常感知指标计算***模块图;
图6为本发明的实施例所涉及的指标计算装置结构图。
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做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。
请参阅图1-图6所示,本发明提供一种技术方案:
本发明提供一种基于深度混合云模型的场景异常感知指标计算方法,其方法包括如下步骤:
S1、使用graphembedding对网络资源节点进行图编码;
S2、使用基于深度学习的层次分析法建立云模型评价标尺;
S3、使用云标尺进行在线场景异常感知检测。
本实施例中,S1中,使用graphembedding对网络资源节点进行图编码的方法具体包括如下步骤:
S1.1、输入:Graph(图中的节点(node)表示网络资源,比如服务器等,每一个图中的节点(网络资源)包含各自的属性,比如存储量、占用率、带宽等;图中节点之间的边(edge)的权重能够体现出彼此网络资源的直接或间接依赖关系);
S1.2、输出:对于网络资源的基于GraphEmbedding的图编码表示;
S1.3、初始化:基于网络资源(node)的邻接矩阵,基于网络资源(node)属性的特征(feature)矩阵;
S1.4、迭代训练GraphEmbedding。
进一步的,S1.4中,迭代训练GraphEmbedding的方法具体包括如下步骤:
S1.4.1、对于网络资源(node)形成的图(Graph),首先进行对于Graph空间结构的分析,通过聚合函数(AggregateFunction)将任意一个节点(node)的低阶,高阶空间关系聚合起来形成对于节点(node)新的空间关系的表示;
S1.4.2、对于S1.4.1中所形成的聚合空间关系,将初始化阶段已知的对于节点(node)的特征关系进行聚合,通过IoT-GraphEmbedding算法,融合网络资源(node)的空间关系(spatialrelationship)和特征关系;
S1.4.3、通过多次训练,优化网络结构,形成最优的图编码表示。
具体的,S2中,使用基于深度学习的层次分析法建立云模型评价标尺的方法具体包括如下步骤:
S2.1、将0.1-0.9标度分别对应9个云模型(Exi、Eni、Hei)(i=1、2、……、9),其中0.1、0.2、…、0.9分别对应于云模型的期望Ex1、Ex2、……、Ex9;
S2.2、设9个云模型的论域U为[0.1,0.9],各云模型的期望值为Ex1=0.1、Ex2=0.2、……、Ex9=0.9,根据黄金分割法得到各个云模型的熵和超熵,其中,各云模型的熵:En1=En3=En5=En7=En9=0.0707,En2=En4=En6=En8=0.0437;各云模型的超熵:He1=He3=He5=He7=He9=0.0118,He2=He4=He6=He8=0.0073,由此可以得到用云模型表示的标度(Exi、Eni、Hei)(i=1、2、……、9);
S2.3、构造判断矩阵,设在论域[Umin,Umax]中有m朵相邻的基云C1=(Ex1,En1,He1)、……、Cm=(Exm,Enm,Hem),集结m朵云可以得到定性概念的浮动云C=(Ex,En,He),其中数值指标计算公式为:
本发明的目的之二在于,提供一种基于深度混合云模型的场景异常感知指标计算***,包括:
图编码模块,用于使用graphembedding对网络资源节点进行图编码;
建立云模型模块,用于使用基于深度学习的层次分析法建立云模型评价标尺;
感知检测模块,用于使用云标尺进行在线场景异常感知检测。
需要说明的是,图编码模块、建立云模型模块、感知检测模块的功能具体参见各模块对应的方法部分的描述,这里就不再赘述。
参阅图6,示出了本发明实施例所涉及的提供一种基于深度混合云模型的场景异常感知指标计算装置结构示意图,该装置包括处理器101、存储器102和总线103。
处理器包101括一个或一个以上处理核心,处理器101通过总线103与处理器101相连,存储器102用于存储程序指令,处理器102执行存储器102中的程序指令时实现上述的基于深度混合云模型的场景异常感知指标计算方法。
可选的,存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随时存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
此外,本发明还提供一种计算机可读存储介质,存储介质中存储有至少一段程序,至少一段程序由上述的处理器执行以实现如上述中任一的基于深度混合云模型的场景异常感知指标计算方法的步骤。
可选的,本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面基于深度混合云模型的场景异常感知指标计算方法的步骤。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储与一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种基于深度混合云模型的场景异常感知指标计算方法,其方法包括如下步骤:
S1、使用graphembedding对网络资源节点进行图编码;
S2、使用基于深度学习的层次分析法建立云模型评价标尺;
S3、使用云标尺进行在线场景异常感知检测;
所述S1中,使用graphembedding对网络资源节点进行图编码的方法具体包括如下步骤:
S1.1、输入:Graph表示网络资源,每一个图中的节点包含各自的属性;
S1.2、输出:对于网络资源的基于GraphEmbedding的图编码表示;
S1.3、初始化:基于网络资源的邻接矩阵,基于网络资源属性的特征矩阵;
S1.4、迭代训练GraphEmbedding;
所述S1.4中,迭代训练GraphEmbedding的方法具体包括如下步骤:
S1.4.1、对于网络资源形成的图,首先进行对于Graph空间结构的分析,通过聚合函数将任意一个节的低阶,高阶空间关系聚合起来形成对于节点新的空间关系的表示;
S1.4.2、对于S1.4.1中所形成的聚合空间关系,将初始化阶段已知的对于节点的特征关系进行聚合,通过IoT-GraphEmbedding算法,融合网络资源的空间关系和特征关系;
S1.4.3、通过多次训练,优化网络结构,形成最优的图编码表示;
所述S2中,使用基于深度学习的层次分析法建立云模型评价标尺的方法具体包括如下步骤:
S2.1、将0.1-0.9标度分别对应9个云模型(Exi、Eni、Hei)(i=1、2、……、9),其中0.1、0.2、…、0.9分别对应于云模型的期望Ex1、Ex2、……、Ex9;
S2.2、设9个云模型的论域U为[0.1,0.9],各云模型的期望值为Ex1=0.1、Ex2=0.2、……、Ex9=0.9,根据黄金分割法得到各个云模型的熵和超熵,其中,各云模型的熵:En1=En3=En5=En7=En9=0.0707,En2=En4=En6=En8=0.0437;各云模型的超熵:He1=He3=He5=He7=He9=0.0118,He2=He4=He6=He8=0.0073;得到用云模型表示的标度(Exi、Eni、Hei)(i=1、2、……、9);
S2.3、构造判断矩阵,设在论域[Umin,Umax]中有m朵相邻的基云C1=(Ex1,En1,He1)、……、Cm=(Exm,Enm,Hem),集结m朵云可以得到定性概念的浮动云C=(Ex,En,He),其中数值指标计算公式为:
2.一种基于深度混合云模型的场景异常感知指标计算装置,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行上述的计算机程序时实现如权利要求1所述的基于深度混合云模型的场景异常感知指标计算方法的步骤。
3.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一段程序,所述至少一段程序由处理器执行以实现如权利要求1所述的基于深度混合云模型的场景异常感知指标计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010299034.0A CN111612300B (zh) | 2020-04-16 | 2020-04-16 | 一种基于深度混合云模型的场景异常感知指标计算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010299034.0A CN111612300B (zh) | 2020-04-16 | 2020-04-16 | 一种基于深度混合云模型的场景异常感知指标计算方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612300A CN111612300A (zh) | 2020-09-01 |
CN111612300B true CN111612300B (zh) | 2023-10-27 |
Family
ID=72201429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010299034.0A Active CN111612300B (zh) | 2020-04-16 | 2020-04-16 | 一种基于深度混合云模型的场景异常感知指标计算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612300B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667594A (zh) * | 2021-01-14 | 2021-04-16 | 北京智源人工智能研究院 | 一种基于混合云资源的异构计算平台及模型训练方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
CN106407493A (zh) * | 2016-03-15 | 2017-02-15 | 中南大学 | 一种基于多维高斯云模型的岩爆等级评价方法 |
CN106529785A (zh) * | 2016-10-26 | 2017-03-22 | 国网甘肃省电力公司信息通信公司 | 一种基于eva的数据价值评估模型的建模方法 |
WO2019060450A1 (en) * | 2017-09-19 | 2019-03-28 | The Broad Institute, Inc. | METHODS AND SYSTEMS FOR RECONSTRUCTION OF DEVELOPMENT LANDSCAPES BY OPTIMAL TRANSPORT ANALYSIS |
CN109558293A (zh) * | 2017-09-27 | 2019-04-02 | 松下电器(美国)知识产权公司 | 异常诊断方法以及异常诊断装置 |
CN109844749A (zh) * | 2018-08-29 | 2019-06-04 | 区链通网络有限公司 | 一种基于图算法的节点异常检测方法、装置及存储装置 |
-
2020
- 2020-04-16 CN CN202010299034.0A patent/CN111612300B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
CN106407493A (zh) * | 2016-03-15 | 2017-02-15 | 中南大学 | 一种基于多维高斯云模型的岩爆等级评价方法 |
CN106529785A (zh) * | 2016-10-26 | 2017-03-22 | 国网甘肃省电力公司信息通信公司 | 一种基于eva的数据价值评估模型的建模方法 |
WO2019060450A1 (en) * | 2017-09-19 | 2019-03-28 | The Broad Institute, Inc. | METHODS AND SYSTEMS FOR RECONSTRUCTION OF DEVELOPMENT LANDSCAPES BY OPTIMAL TRANSPORT ANALYSIS |
CN109558293A (zh) * | 2017-09-27 | 2019-04-02 | 松下电器(美国)知识产权公司 | 异常诊断方法以及异常诊断装置 |
CN109844749A (zh) * | 2018-08-29 | 2019-06-04 | 区链通网络有限公司 | 一种基于图算法的节点异常检测方法、装置及存储装置 |
WO2020042024A1 (zh) * | 2018-08-29 | 2020-03-05 | 区链通网络有限公司 | 一种基于图算法的节点异常检测方法、装置及存储装置 |
Non-Patent Citations (3)
Title |
---|
Scalable Virtual Resource Embedding in Clouds;Ghribi.C;《IEEE Xplore》;全文 * |
基于云计算的组合方法在电机故障诊断中的研究;夏雨婷;《中国优秀硕士学位论文全文数据库》(第2(2018)期);C042-70 * |
网络数据流异常检测研究;杨姣;《网络数据流异常检测研究》;第52卷(第1期);第129-133页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111612300A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038040B (zh) | 计算机集群性能指标检测方法、电子设备及存储介质 | |
Oshan et al. | A comparison of spatially varying regression coefficient estimates using geographically weighted and spatial‐filter‐based techniques | |
CN106533742B (zh) | 基于时间序列模式表征的加权有向复杂网络建网方法 | |
CN113792453A (zh) | 基于数字孪生的局部放电监测***、方法和装置 | |
US9613123B2 (en) | Data stream processing | |
CN111612300B (zh) | 一种基于深度混合云模型的场景异常感知指标计算方法及*** | |
Su et al. | Dam structural behavior identification and prediction by using variable dimension fractal model and iterated function system | |
CN112016839A (zh) | 一种基于qr-bc-elm的洪涝灾害预测预警方法 | |
CN115798654A (zh) | 一种模型材料处理方法、装置、设备及介质 | |
Christou | Central quantile subspace | |
CN111884207A (zh) | 基于电气距离的电网拓扑结构可视化方法、***及介质 | |
Zhang et al. | Binocular stereo matching algorithm based on MST cost aggregation. | |
CN108694472B (zh) | 预测误差极值分析方法、装置、计算机设备和存储介质 | |
CN114692529B (zh) | 一种cfd高维响应的不确定度量化方法、装置、计算机设备 | |
CN114170388B (zh) | 一种基于八叉树的局部异向性搜索椭球体动态建模方法 | |
CN114880890A (zh) | 一种远场边界条件多窗口处理方法、设备及介质 | |
CN111626472A (zh) | 一种基于深度混合云模型的场景趋势判断指标计算***及方法 | |
Nuyts | Inference about the Tail ofa Distribution: Improvementon the Hill Estimator | |
Kerkmann | Active Flux Methods for Conservation Laws on Complex Geometries | |
CN116701949B (zh) | 一种基于区域环境数据的空间点位监测模型的训练方法 | |
CN113806172B (zh) | 一种处理设备状态参数的方法、装置、电子设备及存储介质 | |
CN112560363B (zh) | 一种基于映射过程的cfd计算中的网格变形质量评价方法 | |
WO2024036763A1 (zh) | 立体模型处理方法、装置、设备及介质 | |
Wang et al. | A multi-scale representation method for map curves based on BLG tree structure | |
Li et al. | Non-parametric combination forecasting methods with application to GDP forecasting |
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 |