CN114219302A - 面向飞行技能全生命周期的飞行员作风胜任力画像方法 - Google Patents

面向飞行技能全生命周期的飞行员作风胜任力画像方法 Download PDF

Info

Publication number
CN114219302A
CN114219302A CN202111542404.XA CN202111542404A CN114219302A CN 114219302 A CN114219302 A CN 114219302A CN 202111542404 A CN202111542404 A CN 202111542404A CN 114219302 A CN114219302 A CN 114219302A
Authority
CN
China
Prior art keywords
pilot
wind
competence
evaluation
index
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
Application number
CN202111542404.XA
Other languages
English (en)
Other versions
CN114219302B (zh
Inventor
陈农田
宁威峰
满永政
李俊辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Civil Aviation Flight University of China
Original Assignee
Civil Aviation Flight University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Civil Aviation Flight University of China filed Critical Civil Aviation Flight University of China
Priority to CN202111542404.XA priority Critical patent/CN114219302B/zh
Publication of CN114219302A publication Critical patent/CN114219302A/zh
Application granted granted Critical
Publication of CN114219302B publication Critical patent/CN114219302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06Q10/06398—Performance of employee with respect to a job function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了面向飞行技能全生命周期的飞行员作风胜任力画像方法，涉及飞行员作风胜任力评估领域，S1，获取航空管理数据总集，从航空管理数据总集中提取备选飞行员数据集，并依次对备选飞行员数据集进行数据清洗、标准化处理，得到飞行员作风样本集；S2，输入飞行员作风样本集，并建立飞行员作风评估模型，通过飞行员作风评估模型对飞行员作风样本集进行胜任力评估，得到飞行员多元作风胜任力评估指数；S3，通过可视化单元汇总飞行员多元作风胜任力评估指数，并判断飞行员多元作风胜任力评估指数是否达到标准值，若否，则返回步骤S1，重新获取备选飞行员数据集；若是，则完成飞行员作风胜任力的评估。

Description

面向飞行技能全生命周期的飞行员作风胜任力画像方法
技术领域
本发明涉及飞行员作风胜任力评估领域，具体是面向飞行技能全生命周期的飞行员作风胜任力画像方法。
背景技术
“作”，有从事、表现之意；“风”则指态度、举止等。作风，即人在思想、工作和生活等方面表现出来的态度或行为。飞行作风就是飞行员在学习、工作和生活中体现出来的一贯态度或者行为特点，是贯穿整个飞行过程的风格，也是飞行员综合能力的重要组成部分。安全是民航运行和发展的基本前提，飞行员是保证飞行安全最重要和最终的环节。近年来，通过大数据分析发现，在不安全事件的人为原因中，飞行员的飞行作风不严谨占主要部分。而这主要表现为飞行员遵章守纪的能力不足，非故意性违章和无后果违章占了飞行员违章的绝大部分。因此，本发明提出了面向飞行技能全生命周期的飞行员作风胜任力画像方法，用以解决现实生活中需要人工对飞行员全生命周期(飞行员全生命周期包括从飞行学员-副驾驶-机长-机长教员的全过程)的作风胜任力进行评估的问题。
发明内容
鉴于上述技术缺点，本发明提供了面向飞行技能全生命周期的飞行员作风胜任力画像方法。
为解决背景技术所提出的问题，本发明的技术方案如下：
面向飞行技能全生命周期的飞行员作风胜任力画像方法，包括如下步骤：
S1，获取航空管理数据总集，从航空管理数据总集中提取备选飞行员数据集，并依次对备选飞行员数据集进行数据清洗、标准化处理，得到飞行员作风样本集，进入步骤S2；
S2，输入飞行员作风样本集，并建立飞行员作风评估模型，通过飞行员作风评估模型对飞行员作风样本集进行胜任力评估，得到飞行员多元作风胜任力评估指数，进入步骤S3；
S3，通过可视化单元汇总飞行员多元作风胜任力评估指数，并判断飞行员多元作风胜任力评估指数是否达到标准值，若否，则返回步骤S1，重新获取备选飞行员数据集；若是，则完成飞行员作风胜任力的评估。
作为优选的，所述步骤S1，其具体过程如下：
S21，整合航空管理数据总集，并通过关键词属性模块对航空管理数据总集进行匹配，其中，关键词属性具体为指定飞行员名称或编号；
S22，提取航空管理数据总集中含有关键词属性的数据，并进行排序；
S23，设定初始窗口，并通过SNM算法对提取的数据进行筛选，并删除重复数据，得到备选飞行员数据集。
作为优选的，步骤S23中所述的SNM算法，其数学表达式如下：
Figure BDA0003408590860000021
其中，M1为窗口最大值，M2为窗口最小值，E为当前窗口中的相似记录数目，Ni为窗口移动速度，M0为2E，Mi为窗口初始长度，Mj为最终长度。
作为优选的，步骤S2中所述的飞行员作风评估模型，其建立过程如下：
S41，对航空管理数据总集进行筛选，获取历史飞行员作风样本集，并将历史飞行员作风样本集划分为训练集与测试集；
S42，建立飞行员作风评估模型，将训练集输入至飞行员作风评估模型，得到飞行员作风胜任力初步评估指数；
S43，计算飞行员作风胜任力初步评估指数相对于测试集的损失函数，并根据损失函数迭代更新飞行员作风评估模型的参数，完成飞行员作风评估模型的训练。
作为优选的，步骤S43中所述的损失函数具体采用均方误差函数，其数学表达式如下：
Figure BDA0003408590860000022
其中，yx为测试集中的飞行员作风胜任力的评估真实值，y′x为经飞行员作风评估模型评估后的飞行员作风胜任力的评估估计值，X为测试样本总数。
作为优选的，步骤S43中飞行员作风评估模型，可选用贝叶斯算法对飞行员作风评估模型的可信度进行概率评估，其数学表达式如下：
Figure BDA0003408590860000023
其中，π为参数的概率分布，π(θ)为先验概率，π(θ丨u)为后验概率，f(u丨θ)为样本分布。
作为优选的，所述飞行员多元作风胜任力评估指数包括地面准备阶段评估指数、地面活动阶段评估指数、进近阶段评估指数、巡航阶段评估指数、区调阶段评估指数以及降落阶段评估指数。
本发明的有益效果是：本发明提出了面向飞行技能全生命周期的飞行员作风胜任力画像方法，不仅解决需要人工对飞行员作风胜任力进行评估的问题，省时省力，而且通过贝叶斯算法对飞行员作风评估模型的可信度进行概率评估，也保证了飞行员作风评估模型的准确度。
附图说明
图1为本发明提供的：流程示意图。
具体实施方式
下面结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。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。
如图1所示，面向飞行技能全生命周期的飞行员作风胜任力画像方法，其中，飞行员的全生命周期包括从飞行学员-副驾驶-机长-机长教员的全过程，具体包括如下步骤：
S1，获取航空管理数据总集，从航空管理数据总集中提取备选飞行员数据集，并依次对备选飞行员数据集进行数据清洗、标准化处理，得到飞行员作风样本集，进入步骤S2；
S2，输入飞行员作风样本集，并建立飞行员作风评估模型，通过飞行员作风评估模型对飞行员作风样本集进行胜任力评估，得到飞行员多元作风胜任力评估指数，进入步骤S3；
S3，通过可视化单元汇总飞行员多元作风胜任力评估指数，并判断飞行员多元作风胜任力评估指数是否达到标准值，若否，则返回步骤S1，重新获取备选飞行员数据集；若是，则完成飞行员作风胜任力的评估。
作为优选的，所述步骤S1，其具体过程如下：
S21，整合航空管理数据总集，并通过关键词属性模块对航空管理数据总集进行匹配，其中，关键词属性具体为指定飞行员名称或编号；
S22，提取航空管理数据总集中含有关键词属性的数据，并进行排序；
S23，设定初始窗口，并通过SNM算法对提取的数据进行筛选，并删除重复数据，得到备选飞行员数据集。
作为优选的，步骤S23中所述的SNM算法，其数学表达式如下：
Figure BDA0003408590860000031
其中，M1为窗口最大值，M2为窗口最小值，E为当前窗口中的相似记录数目，Ni为窗口移动速度，M0为2E，Mi为窗口初始长度，Mj为最终长度。
就例如：若A的属性m11，m12，…，m1k为类型属性，m21，m22，…，m2n为数值属性，同理，B的属性n11，n12，…，n1k为类型属性，n21，n22，…，n2n为数值属性，如果A与B满足以下条件，就将A与B看作重复记录:
Figure BDA0003408590860000041
当，满足条件，则称A与B两条记录存在相似重复性需要删除其中一个。类型属性指属性只区别类型，其数值无意义。数值属性指数值具有实际意义的属性。
作为优选的，步骤S2中所述的飞行员作风评估模型，其建立过程如下：
S41，对航空管理数据总集进行筛选，获取历史飞行员作风样本集，并将历史飞行员作风样本集划分为训练集与测试集；
S42，建立飞行员作风评估模型，将训练集输入至飞行员作风评估模型，得到飞行员作风胜任力初步评估指数；
S43，计算飞行员作风胜任力初步评估指数相对于测试集的损失函数，并根据损失函数迭代更新飞行员作风评估模型的参数，完成飞行员作风评估模型的训练。
作为优选的，步骤S43中所述的损失函数具体采用均方误差函数，其数学表达式如下：
Figure BDA0003408590860000042
其中，yx为测试集中的飞行员作风胜任力的评估真实值，y′x为经飞行员作风评估模型评估后的飞行员作风胜任力的评估估计值，X为测试样本总数。
作为优选的，步骤S43中飞行员作风评估模型，可选用贝叶斯算法对飞行员作风评估模型的可信度进行概率评估，其数学表达式如下：
Figure BDA0003408590860000043
其中，π为参数的概率分布，π(θ)为先验概率，π(θ丨u)为后验概率，f(u丨θ)为样本分布。
作为优选的，所述飞行员多元作风胜任力评估指数包括地面准备阶段评估指数、地面活动阶段评估指数、进近阶段评估指数、巡航阶段评估指数、区调阶段评估指数以及降落阶段评估指数。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.面向飞行技能全生命周期的飞行员作风胜任力画像方法，其特征在于，包括如下步骤：
S1，获取航空管理数据总集，从航空管理数据总集中提取备选飞行员数据集，并依次对备选飞行员数据集进行数据清洗、标准化处理，得到飞行员作风样本集，进入步骤S2；
S2，输入飞行员作风样本集，并建立飞行员作风评估模型，通过飞行员作风评估模型对飞行员作风样本集进行胜任力评估，得到飞行员多元作风胜任力评估指数，进入步骤S3；
S3，通过可视化单元汇总飞行员多元作风胜任力评估指数，并判断飞行员多元作风胜任力评估指数是否达到标准值，若否，则返回步骤S1，重新获取备选飞行员数据集；若是，则完成飞行员作风胜任力的评估。
2.根据权利要求1所述的面向飞行技能全生命周期的飞行员作风胜任力画像方法，其特征在于，所述步骤S1，其具体过程如下：
S21，整合航空管理数据总集，并通过关键词属性模块对航空管理数据总集进行匹配，其中，关键词属性具体为指定飞行员名称或编号；
S22，提取航空管理数据总集中含有关键词属性的数据，并进行排序；
S23，设定初始窗口，并通过SNM算法对提取的数据进行筛选，并删除重复数据，得到备选飞行员数据集。
3.根据权利要求2所述的面向飞行技能全生命周期的飞行员作风胜任力画像方法，其特征在于，步骤S23中所述的SNM算法，其数学表达式如下：
Figure FDA0003408590850000011
其中，M1为窗口最大值，M2为窗口最小值，E为当前窗口中的相似记录数目，Ni为窗口移动速度，M0为2E，Mi为窗口初始长度，Mj为最终长度。
4.根据权利要求1所述的面向飞行技能全生命周期的飞行员作风胜任力画像方法，其特征在于，步骤S2中所述的飞行员作风评估模型，其建立过程如下：
S41，对航空管理数据总集进行筛选，获取历史飞行员作风样本集，并将历史飞行员作风样本集划分为训练集与测试集；
S42，建立飞行员作风评估模型，将训练集输入至飞行员作风评估模型，得到飞行员作风胜任力初步评估指数；
S43，计算飞行员作风胜任力初步评估指数相对于测试集的损失函数，并根据损失函数迭代更新飞行员作风评估模型的参数，完成飞行员作风评估模型的训练。
5.根据权利要求4所述的面向飞行技能全生命周期的飞行员作风胜任力画像方法，其特征在于，步骤S43中所述的损失函数具体采用均方误差函数，其数学表达式如下：
Figure FDA0003408590850000021
其中，yx为测试集中的飞行员作风胜任力的评估真实值，y′x为经飞行员作风评估模型评估后的飞行员作风胜任力的评估估计值，X为测试样本总数。
6.根据权利要求4所述的面向飞行技能全生命周期的飞行员作风胜任力画像方法，其特征在于，步骤S43中飞行员作风评估模型，可选用贝叶斯算法对飞行员作风评估模型的可信度进行概率评估，其数学表达式如下：
Figure FDA0003408590850000022
其中，π为参数的概率分布，π(θ)为先验概率，π(θ丨u)为后验概率，f(u丨θ)为样本分布。
7.根据权利要求1-6任意一项所述的面向飞行技能全生命周期的飞行员作风胜任力画像方法，其特征在于，所述飞行员多元作风胜任力评估指数包括地面准备阶段评估指数、地面活动阶段评估指数、进近阶段评估指数、巡航阶段评估指数、区调阶段评估指数以及降落阶段评估指数。
CN202111542404.XA 2021-12-13 2021-12-13 面向飞行技能全生命周期的飞行员作风胜任力画像方法 Active CN114219302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111542404.XA CN114219302B (zh) 2021-12-13 2021-12-13 面向飞行技能全生命周期的飞行员作风胜任力画像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111542404.XA CN114219302B (zh) 2021-12-13 2021-12-13 面向飞行技能全生命周期的飞行员作风胜任力画像方法

Publications (2)

Publication Number Publication Date
CN114219302A true CN114219302A (zh) 2022-03-22
CN114219302B CN114219302B (zh) 2023-04-07

Family

ID=80702834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111542404.XA Active CN114219302B (zh) 2021-12-13 2021-12-13 面向飞行技能全生命周期的飞行员作风胜任力画像方法

Country Status (1)

Country Link
CN (1) CN114219302B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117972317A (zh) * 2024-03-29 2024-05-03 中国民用航空飞行学院 一种面向飞行员胜任能力的韧性画像方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB673508A (en) * 1949-06-03 1952-06-04 Lorenzo Dacco Improved process for the moulding of articles from thermoplastic material, and articles produced thereby
CN111553411A (zh) * 2020-04-27 2020-08-18 中国民航大学 一种基于多维量化数据的飞行员风险画像方法
CN113298431A (zh) * 2021-06-21 2021-08-24 北京航空航天大学 基于航空qar大数据的飞行员胜任能力画像方法及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB673508A (en) * 1949-06-03 1952-06-04 Lorenzo Dacco Improved process for the moulding of articles from thermoplastic material, and articles produced thereby
CN111553411A (zh) * 2020-04-27 2020-08-18 中国民航大学 一种基于多维量化数据的飞行员风险画像方法
CN113298431A (zh) * 2021-06-21 2021-08-24 北京航空航天大学 基于航空qar大数据的飞行员胜任能力画像方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NONGTIAN CHEN: "Research on Aviation Unsafe Information Text Analysis Based on Improved CNN-BiGRU-att Model" *
王越等: "飞行学员飞行品质评价模型的建立" *
陈农田等: "基于深度学习的飞行员驾驶异常行为监测方法" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117972317A (zh) * 2024-03-29 2024-05-03 中国民用航空飞行学院 一种面向飞行员胜任能力的韧性画像方法

Also Published As

Publication number Publication date
CN114219302B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN102662930B (zh) 一种语料标注方法及装置
CN109766583A (zh) 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
CN108805337B (zh) 航空运行控制风险管控方法及***
CN103198230B (zh) 人-机界面检测方法及***
CN107891994B (zh) 一种全智能飞行器飞行试验误差分析***
CN110533007A (zh) 一种桥梁车载应变影响线特征智能识别与提取方法
CN113344425B (zh) 一种基于qar数据的飞行品质监控方法及***
WO2017071369A1 (zh) 一种预测用户离网的方法和设备
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及***
CN114219302B (zh) 面向飞行技能全生命周期的飞行员作风胜任力画像方法
CN112989563A (zh) 一种大坝安全监测数据分析方法
CN111045902A (zh) 服务器的压力测试方法及装置
CN115453064B (zh) 一种细颗粒物空气污染成因分析方法及***
CN109117957A (zh) 一种基于民航维修质量评估和异构集成学习的敏感性分析方法
CN109740890A (zh) 一种质量影响因素相关性分析方法
CN112800540B (zh) 一种基于高斯过程回归的航空发动机载荷谱任务段建模方法
CN113793047A (zh) 一种飞行员合作交流能力测评方法和装置
CN113361780A (zh) 一种基于行为数据的众包测试人员的评价方法
CN116523244A (zh) 一种基于外包资源的测试人力风险预警方法
WO2023200597A8 (en) Automated positive train control event data extraction and analysis engine for performing root cause analysis of unstructured data
Wheadon Classification accuracy and consistency under item response theory models using the package classify
CN113377962B (zh) 一种基于图像识别和自然语言处理的智能过程模拟方法
CN115564276A (zh) 项目统计储备管理***、方法及存储介质
CN113515560A (zh) 车辆故障的分析方法、装置、电子设备及存储介质
CN110111810B (zh) 基于卷积神经网络的语音人格预测方法

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
GR01 Patent grant
GR01 Patent grant