CN113469396A - 一种电力***短期电力负荷的预测方法 - Google Patents
一种电力***短期电力负荷的预测方法 Download PDFInfo
- Publication number
- CN113469396A CN113469396A CN202010239446.5A CN202010239446A CN113469396A CN 113469396 A CN113469396 A CN 113469396A CN 202010239446 A CN202010239446 A CN 202010239446A CN 113469396 A CN113469396 A CN 113469396A
- Authority
- CN
- China
- Prior art keywords
- picture
- data
- local
- value
- power load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 2
- 230000001537 neural effect Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及电力技术领域,尤其是一种电力***短期电力负荷的预测方法;它包括将预测日之前三年内每日的电力负荷数据、天气数据、节假日数据作为训练数据;将天气数据、节假日数据制成图表,将对应的电力负荷数据作为输出数据进行图像识别方法的训练;采集预测日的天气数据、节假日数据;将步骤3得到的数据导入训练后的模型,产生对应电力负荷输出值;没有直接将各种数据作为预测方法的训练数据,不直接了解天气、节假日等因素对电力负荷的关系,而是通过近期历史上出现的类似情况下的电力负荷作为预测日电力负荷数值的预测,没有复杂的网络神经设计,不需要对历史数据进行过多的预处理和研判,减少了工作量,提高了预测精准度。
Description
技术领域
本发明涉及电力技术领域,尤其是一种电力***短期电力负荷的预测方法。
背景技术
电力负荷的短期预测是行业难题,现有技术通常采用神经网络进行预测。例如中国专利公开了一种超短期电力负荷预测方法,申请号201910673067.4,其中记载:首先,根据多维度的观测变量,随机生成足够数量的低维延迟变量组合;然后,通过神经网络预测算法将它们映射到特定未来时间点的负荷,根据这些映射得到多个网络,各个网络计算得出多个预测值;最后,通过聚合估计法计算得出最终预测值。本发明将随机分布式嵌入框架及BP神经网络相结合,利用高维变量间的相互作用创建分布信息,以替代由于训练数据较少而缺少的时间序列,有效降低了预测所需训练数据量,且显著提升了预测精度和增强了稳定性。
现有技术的缺点在于:电力负荷不是自然现象的简单预测,它与天气、节假日、经济环境等待都可能产生关联,简单的神经网络建模不足以精准预测实际电力负荷。
发明内容
针对现有技术的不足,本发明提供一种可精准预测实际电力负荷的方法。
本发明的技术方案为:
一种电力***短期电力负荷的预测方法,其特征在于:它包括以下步骤:
1)将预测日之前三年内每日的电力负荷数据、天气数据、节假日数据作为训练数据;
2)将天气数据、节假日数据制成图表,将对应的电力负荷数据作为输出数据进行图像识别方法的训练;
3)采集预测日的天气数据、节假日数据;
4)将步骤3得到的数据导入训练后的模型,产生对应电力负荷输出值。
其中天气数据包括气温、相对湿度、紫外线强度、降水量、风力、可视度、体感温度共计7个维度。
其中节假日数据包括旅游指数、消费价格指数、出境人数、入境人数、酒店预订率共计5个维度。
其中图表为将各维度数据按照最高值和最低值等分成100分后制成的12边形雷达图。
其中图像识别方法为:
获取第一图片的n个第一局部区域,所述n个第一局部区域为所述第一图片中具有仿射不变性质的区域;获取第二图片的m个第二局部区域,所述m个第二局部区域为所述第二图片中具有仿射不变性质的区域;获取所述n个第一局部区域分别对应的第一特征值和所述m个第二局部区域分别对应的第二特征值,所述第一特征值用于表示所述第一局部区域的特征信息,所述第二特征值用于表示所述第二局部区域的特征信息;根据所述n个第一特征值和所述m个第二特征值的比较结果,识别所述第一图片与所述第二图片是否相似;其中,所述n和所述m均为正整数。
所述获取第一图片的n个第一局部区域,包括:通过最稳定极值区域MSER算法在所述第一图片中检测w个第一候选区域,所述w为正整数;从所述w个第一候选区域中获取符合预设条件的n个第一局部区域;其中,所述预设条件包括所述第一局部区域的区域大小在第一预设阈值与第二预设阈值之间,所述第一预设阈值小于所述第二预设阈值。
所述获取第二图片的m个第二局部区域,包括:通过最稳定极值区域MSER算法在所述第二图片中检测x个第二候选区域,所述x为正整数;从所述x个第二候选区域中获取符合预设条件的m个第二局部区域;其中,所述预设条件包括所述第二局部区域的区域大小在第一预设阈值与第二预设阈值之间,所述第一预设阈值小于所述第二预设阈值。
所述根据所述n个第一特征值和所述m个第二特征值的比较结果,识别所述第一图片与所述第二图片是否相似,包括:对于每个所述第一局部区域的第一特征值,若存在与所述第一特征值匹配的第二特征值,则将所述第一特征值对应的第一局部区域确定为命中区域;根据在所述第一图片中确定出的至少k个所述命中区域,确定所述第一图片与所述第二图片的相似度,所述k为正整数;当所述相似度大于所述第三预设阈值时,识别所述第一图片与所述第二图片相似。
所述第一特征值为第一感知哈希值,且所述第二特征值为第二感知哈希值,所述对于每个所述第一局部区域的第一特征值,若存在与所述第一特征值匹配的第二特征值,则将所述第一特征值对应的第一局部区域确定为命中区域,包括:对于每个所述第一感知哈希值,分别计算所述第一感知哈希值与所述m个第二感知哈希值之间的汉明距离;若存在所述汉明距离小于第四预设阈值,则将所述第一感知哈希值对应的第一局部区域确定为所述命中区域。
所述根据在所述第一图片中确定出的至少k个所述命中区域,确定所述第一图片与所述第二图片的相似度,包括:根据至少k个所述命中区域在所述n个第一局部区域的个数占比,确定所述第一图片与所述第二图片的相似度。
本发明的有益效果为:本发明没有直接将各种数据作为预测方法的训练数据,我们并不直接了解天气、节假日等因素对电力负荷的关系,而是通过近期历史上出现的类似情况下的电力负荷作为预测日电力负荷数值的预测,没有复杂的网络神经设计,不需要对历史数据进行过多的预处理和研判,减少了工作量,提高了预测精准度。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
如图1所示,一种电力***短期电力负荷的预测方法,其特征在于:它包括以下步骤:
1)将预测日之前三年内每日的电力负荷数据、天气数据、节假日数据作为训练数据;
2)将天气数据、节假日数据制成图表,将对应的电力负荷数据作为输出数据进行图像识别方法的训练;
3)采集预测日的天气数据、节假日数据;
4)将步骤3得到的数据导入训练后的模型,产生对应电力负荷输出值。
其中天气数据包括气温、相对湿度、紫外线强度、降水量、风力、可视度、体感温度共计7个维度。
其中节假日数据包括旅游指数、消费价格指数、出境人数、入境人数、酒店预订率共计5个维度。
其中图表为将各维度数据按照最高值和最低值等分成100分后制成的12边形雷达图。
其中图像识别方法为:
获取第一图片的n个第一局部区域,所述n个第一局部区域为所述第一图片中具有仿射不变性质的区域;获取第二图片的m个第二局部区域,所述m个第二局部区域为所述第二图片中具有仿射不变性质的区域;获取所述n个第一局部区域分别对应的第一特征值和所述m个第二局部区域分别对应的第二特征值,所述第一特征值用于表示所述第一局部区域的特征信息,所述第二特征值用于表示所述第二局部区域的特征信息;根据所述n个第一特征值和所述m个第二特征值的比较结果,识别所述第一图片与所述第二图片是否相似;其中,所述n和所述m均为正整数。
所述获取第一图片的n个第一局部区域,包括:通过最稳定极值区域MSER算法在所述第一图片中检测w个第一候选区域,所述w为正整数;从所述w个第一候选区域中获取符合预设条件的n个第一局部区域;其中,所述预设条件包括所述第一局部区域的区域大小在第一预设阈值与第二预设阈值之间,所述第一预设阈值小于所述第二预设阈值。
所述获取第二图片的m个第二局部区域,包括:通过最稳定极值区域MSER算法在所述第二图片中检测x个第二候选区域,所述x为正整数;从所述x个第二候选区域中获取符合预设条件的m个第二局部区域;其中,所述预设条件包括所述第二局部区域的区域大小在第一预设阈值与第二预设阈值之间,所述第一预设阈值小于所述第二预设阈值。
所述根据所述n个第一特征值和所述m个第二特征值的比较结果,识别所述第一图片与所述第二图片是否相似,包括:对于每个所述第一局部区域的第一特征值,若存在与所述第一特征值匹配的第二特征值,则将所述第一特征值对应的第一局部区域确定为命中区域;根据在所述第一图片中确定出的至少k个所述命中区域,确定所述第一图片与所述第二图片的相似度,所述k为正整数;当所述相似度大于所述第三预设阈值时,识别所述第一图片与所述第二图片相似。
所述第一特征值为第一感知哈希值,且所述第二特征值为第二感知哈希值,所述对于每个所述第一局部区域的第一特征值,若存在与所述第一特征值匹配的第二特征值,则将所述第一特征值对应的第一局部区域确定为命中区域,包括:对于每个所述第一感知哈希值,分别计算所述第一感知哈希值与所述m个第二感知哈希值之间的汉明距离;若存在所述汉明距离小于第四预设阈值,则将所述第一感知哈希值对应的第一局部区域确定为所述命中区域。
所述根据在所述第一图片中确定出的至少k个所述命中区域,确定所述第一图片与所述第二图片的相似度,包括:根据至少k个所述命中区域在所述n个第一局部区域的个数占比,确定所述第一图片与所述第二图片的相似度。
天气数据可从各地区天气网获得,节假日数据可从各地区旅游部门以及海关获得,上表是将天气数据、节假日数据转换分数的模板。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例,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。
Claims (10)
1.一种电力***短期电力负荷的预测方法,其特征在于:它包括以下步骤:
1)将预测日之前三年内每日的电力负荷数据、天气数据、节假日数据作为训练数据;
2)将天气数据、节假日数据制成图表,将对应的电力负荷数据作为输出数据进行图像识别方法的训练;
3)采集预测日的天气数据、节假日数据;
4)将步骤3得到的数据导入训练后的模型,产生对应电力负荷输出值。
2.根据权利要求1所述的一种电力***短期电力负荷的预测方法,其特征在于:其中天气数据包括气温、相对湿度、紫外线强度、降水量、风力、可视度、体感温度共计7个维度。
3.根据权利要求2所述的一种电力***短期电力负荷的预测方法,其特征在于:其中节假日数据包括旅游指数、消费价格指数、出境人数、入境人数、酒店预订率共计5个维度。
4.根据权利要求3所述的一种电力***短期电力负荷的预测方法,其特征在于:其中图表为将各维度数据按照最高值和最低值等分成100分后制成的12边形雷达图。
5.根据权利要求4所述的一种电力***短期电力负荷的预测方法,其特征在于:其中图像识别方法为:
获取第一图片的n个第一局部区域,所述n个第一局部区域为所述第一图片中具有仿射不变性质的区域;获取第二图片的m个第二局部区域,所述m个第二局部区域为所述第二图片中具有仿射不变性质的区域;获取所述n个第一局部区域分别对应的第一特征值和所述m个第二局部区域分别对应的第二特征值,所述第一特征值用于表示所述第一局部区域的特征信息,所述第二特征值用于表示所述第二局部区域的特征信息;根据所述n个第一特征值和所述m个第二特征值的比较结果,识别所述第一图片与所述第二图片是否相似;其中,所述n和所述m均为正整数。
6.根据权利要求5所述的一种电力***短期电力负荷的预测方法,其特征在于:所述获取第一图片的n个第一局部区域,包括:通过最稳定极值区域MSER算法在所述第一图片中检测w个第一候选区域,所述w为正整数;从所述w个第一候选区域中获取符合预设条件的n个第一局部区域;其中,所述预设条件包括所述第一局部区域的区域大小在第一预设阈值与第二预设阈值之间,所述第一预设阈值小于所述第二预设阈值。
7.根据权利要求6所述的一种电力***短期电力负荷的预测方法,其特征在于:所述获取第二图片的m个第二局部区域,包括:通过最稳定极值区域MSER算法在所述第二图片中检测x个第二候选区域,所述x为正整数;从所述x个第二候选区域中获取符合预设条件的m个第二局部区域;其中,所述预设条件包括所述第二局部区域的区域大小在第一预设阈值与第二预设阈值之间,所述第一预设阈值小于所述第二预设阈值。
8.根据权利要求7所述的一种电力***短期电力负荷的预测方法,其特征在于:所述根据所述n个第一特征值和所述m个第二特征值的比较结果,识别所述第一图片与所述第二图片是否相似,包括:对于每个所述第一局部区域的第一特征值,若存在与所述第一特征值匹配的第二特征值,则将所述第一特征值对应的第一局部区域确定为命中区域;根据在所述第一图片中确定出的至少k个所述命中区域,确定所述第一图片与所述第二图片的相似度,所述k为正整数;当所述相似度大于所述第三预设阈值时,识别所述第一图片与所述第二图片相似。
9.根据权利要求8所述的一种电力***短期电力负荷的预测方法,其特征在于:所述第一特征值为第一感知哈希值,且所述第二特征值为第二感知哈希值,所述对于每个所述第一局部区域的第一特征值,若存在与所述第一特征值匹配的第二特征值,则将所述第一特征值对应的第一局部区域确定为命中区域,包括:对于每个所述第一感知哈希值,分别计算所述第一感知哈希值与所述m个第二感知哈希值之间的汉明距离;若存在所述汉明距离小于第四预设阈值,则将所述第一感知哈希值对应的第一局部区域确定为所述命中区域。
10.根据权利要求9所述的一种电力***短期电力负荷的预测方法,其特征在于:所述根据在所述第一图片中确定出的至少k个所述命中区域,确定所述第一图片与所述第二图片的相似度,包括:根据至少k个所述命中区域在所述n个第一局部区域的个数占比,确定所述第一图片与所述第二图片的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010239446.5A CN113469396A (zh) | 2020-03-30 | 2020-03-30 | 一种电力***短期电力负荷的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010239446.5A CN113469396A (zh) | 2020-03-30 | 2020-03-30 | 一种电力***短期电力负荷的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469396A true CN113469396A (zh) | 2021-10-01 |
Family
ID=77865276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010239446.5A Pending CN113469396A (zh) | 2020-03-30 | 2020-03-30 | 一种电力***短期电力负荷的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469396A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183753A (zh) * | 2015-07-14 | 2015-12-23 | 深圳库博能源科技有限公司 | 用电数据可视化方法、装置以及移动终端 |
CN105760963A (zh) * | 2016-03-14 | 2016-07-13 | 中国能源建设集团江苏省电力设计院有限公司 | 一种旅游区居民生活用电的预测方法 |
CN108320053A (zh) * | 2018-01-23 | 2018-07-24 | 国网冀北电力有限公司经济技术研究院 | 一种区域用电量预测方法、装置及*** |
CN109145926A (zh) * | 2017-06-13 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 相似图片识别方法及计算机设备 |
CN109741206A (zh) * | 2018-11-20 | 2019-05-10 | 成都城电电力工程设计有限公司 | 一种海量负荷数据的多时间尺度特征分析方法 |
CN110210672A (zh) * | 2019-06-04 | 2019-09-06 | 北京百度网讯科技有限公司 | 用电量预测的方法和装置、电子设备、计算机可读介质 |
CN110443425A (zh) * | 2019-08-09 | 2019-11-12 | 长江慧控科技(武汉)有限公司 | 基于Prophet的智能铁路车站电能能耗预测方法 |
CN110889019A (zh) * | 2019-11-04 | 2020-03-17 | 华北电力大学 | 一种电力负荷的图形化描述新方法 |
-
2020
- 2020-03-30 CN CN202010239446.5A patent/CN113469396A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183753A (zh) * | 2015-07-14 | 2015-12-23 | 深圳库博能源科技有限公司 | 用电数据可视化方法、装置以及移动终端 |
CN105760963A (zh) * | 2016-03-14 | 2016-07-13 | 中国能源建设集团江苏省电力设计院有限公司 | 一种旅游区居民生活用电的预测方法 |
CN109145926A (zh) * | 2017-06-13 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 相似图片识别方法及计算机设备 |
CN108320053A (zh) * | 2018-01-23 | 2018-07-24 | 国网冀北电力有限公司经济技术研究院 | 一种区域用电量预测方法、装置及*** |
CN109741206A (zh) * | 2018-11-20 | 2019-05-10 | 成都城电电力工程设计有限公司 | 一种海量负荷数据的多时间尺度特征分析方法 |
CN110210672A (zh) * | 2019-06-04 | 2019-09-06 | 北京百度网讯科技有限公司 | 用电量预测的方法和装置、电子设备、计算机可读介质 |
CN110443425A (zh) * | 2019-08-09 | 2019-11-12 | 长江慧控科技(武汉)有限公司 | 基于Prophet的智能铁路车站电能能耗预测方法 |
CN110889019A (zh) * | 2019-11-04 | 2020-03-17 | 华北电力大学 | 一种电力负荷的图形化描述新方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271895B (zh) | 基于多尺度特征学习和特征分割的行人重识别方法 | |
CN110543906B (zh) | 基于Mask R-CNN模型的肤质自动识别方法 | |
CN111814821B (zh) | 深度学习模型的建立方法、样本处理方法及装置 | |
CN110598698B (zh) | 基于自适应区域建议网络的自然场景文本检测方法和*** | |
CN114694038A (zh) | 基于深度学习的高分辨率遥感影像分类方法及*** | |
CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
CN110222772B (zh) | 一种基于块级别主动学习的医疗图像标注推荐方法 | |
CN114973136A (zh) | 一种极端条件下场景图像识别方法 | |
CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
CN117235608A (zh) | 风险检测方法、装置、电子设备及存储介质 | |
CN117202430A (zh) | 用于智慧灯杆的节能控制方法及*** | |
CN113469396A (zh) | 一种电力***短期电力负荷的预测方法 | |
CN115761268A (zh) | 一种基于局部纹理增强网络的杆塔关键部件缺陷识别方法 | |
Park | Multiple feature-based classifier and its application to image classification | |
CN115455934A (zh) | 一种企业多种经营范围识别方法与*** | |
CN109034453A (zh) | 一种基于多标记神经网络的短期电力负荷预测方法 | |
CN114973202A (zh) | 一种基于语义分割的交通场景障碍物检测方法 | |
CN114283409A (zh) | 一种端子排接线识别并结构化导出的方法 | |
CN112926670A (zh) | 一种基于迁移学习的垃圾分类***及方法 | |
CN112990210A (zh) | 一种基于二维空间注意力的车牌识别方法 | |
CN117114004B (zh) | 一种基于门控纠偏的少样本两阶段命名实体识别方法 | |
CN114882224B (zh) | 模型结构、模型训练方法、单体化方法、设备及介质 | |
Shuang et al. | Research on Meter Image Recognition Based on Improved LeNet-5 | |
CN113159112B (zh) | 一种古生物化石图像自动标注方法 |
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 |