CN115905368A - 一种基于云数据的实验关联信息*** - Google Patents
一种基于云数据的实验关联信息*** Download PDFInfo
- Publication number
- CN115905368A CN115905368A CN202211669260.9A CN202211669260A CN115905368A CN 115905368 A CN115905368 A CN 115905368A CN 202211669260 A CN202211669260 A CN 202211669260A CN 115905368 A CN115905368 A CN 115905368A
- Authority
- CN
- China
- Prior art keywords
- experimental
- value
- experiment
- characteristic
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
首先通过对实验过程数据的获取,并分解一个实验项目中的若干分项,通过大数据为该实验项目的分析确定对应的数据模型,然后根据数据模型以及使用者的实验目的确定核心实验项,通过在实验过程中的相关性分析确定相关的可用的相关项,这样,实际不需要实验人员进行繁复的重复实验,也可以通过调取云端的共享数据达到对实验结论分析的目的,通过实验数据交互以及精准匹配解决了大量的实验工作重复浪费人力资源的问题,同时设置多步索引的方式以保证数据的可靠性和准确性,使***能够适应数据维度复杂、数据量大的实验场景。
Description
技术领域
本发明涉及实验数据技术领域,更具体地说,涉及一种基于云数据的实验关联信息***。
背景技术
随着大数据服务和云计算的普及,越来越多的数据可以通过云服务进行存储、分析、处理,而在数据服务有较大的技术空间的是化学实验领域,因其需要的数据量大,涉及的变量多,数据重复量大等原因,例如公开号CN113380335A的中国专利就公开了一种基于工业大数据的化工数据分析***,通过数据分析解决需要人力成本分析试验数据来提高成品纯度,通过对复杂的化合物数据进行量化,建立矩阵进行数据分析,以获得对实验数据的验证结果,而以上方案无法解决实验数据的交互,也就是独立的实验主体之间仍然需大量独立的实验结果才能提高分析结果,例如公开号CN111104680A的中国专利就公开了一种安全与智能化的实验数据管理***及方法,通过一键式的安装及数据上传功能,极大地减轻了科研人员的安装、上传的负担,通过数据资源中心子***对来自不同研究分中心的不同格式的化学、物理实验结果进行分类存储,拓宽了数据储存***的多元性,方便在未来的数据核查的过程中分门别类的可视化检阅,通过在网络、操作***和应用端均设置的安全控制子***,有效地保证实验数据的真实可靠性,但是对数据分析类型识别仍然存在不足,这样不同实验项目之间无法产生关联,会导致不同的用户端实验过程中需要达到分析效果的需要的数据较多,也无法第一时间发现用户自身实验过程中出现的问题,及时修正实验计划。
发明内容
有鉴于此,本发明目的是提供一种基于云数据的实验关联信息***。
为了解决上述技术问题,本发明的技术方案是:一种基于云数据的实验关联信息***,包括用户端以及关联服务平台,所述用户端配置有场景服务模块、项目服务模块,所述场景服务模块用于获取实验特征,所述项目服务模块用于根据用户的实验内容生成实验项目信息,所述实验项目信息由若干实验项组成;所述关联服务平台关联有模型索引数据库,所述模型索引数据库以实验项目信息为索引存储有若干实验数据模型,每一实验数据模型由若干历史实验信息组成且具有独立的基准匹配算法,所述历史实验信息包括若干数据项,所述数据项与实验项对应反应用户实验情况、所述关联服务平台还配置有项目服务策略,所述项目服务策略包括
S1、根据实验项目信息调取对应的从所述模型索引数据库中调取实验数据模型,并配置有筛选条件根据对应的实验数据模型确定作为核心项的实验项,根据核心项生成初始实验任务;
S2、将用户端执行对应的初始实验任务的实验特征从所述实验数据模型中筛选符合预设的第一匹配条件的历史实验信息;
S3、通过基准匹配算法计算每一数据项的基准可靠值,根据每一数据项的基准可靠值在数据项类型下的分布确定作为验证项的数据项,并根据验证项生成校验实验任务;
S4、根据用户端执行对应的校验实验任务生成的实验结果带入基准匹配算法获得实测可靠值,获得实测可靠值和基准可靠值的比对差值;若比对差值大于第一预设值,则根据该校验实验任务对应的实验特征修正基准匹配算法中的匹配参数;
S5、若所有校验实验任务的平均比对差值小于第二预设值,则进入步骤S6,所有校验实验任务的平均比对差值大于第二预设值,则重复步骤S3;
S6、根据每一实验项确定对应的基准可靠值最高的数据项作为相关项并输出至用户端。
进一步的,所述实验特征包括有实验环境特征以及实验过程特征,所述实验环境特征包括若干环境特征类,每一环境特征类反映实验场景中实际的环境情况,所述实验过程特征包括若干过程特征类,每一过程特征类反映实验场景中实验过程情况;
所述的关联服务平台配置有实验特征标准表,所述初始实验任务或校验实验任务生成时,根据实验特征表生成特征空值,根据特征空值从用户端关联的对应采集单元中修改特征空值,或在用户端提示用户填入特征空值。
进一步的,所述关联服务平台配置有特征分类策略,所述特征分类策略配置有特征类数据库,所述特征类数据库存储有若干特征类函数,每一特征类函数以特征类分布为索引,所述特征分类策略为每一历史实验信息匹配对应的特征范围,所述特征分类策略包括
A1、获取每一历史实验信息的特征类点值;
A2、根据特征类点值的分布从所述特征类数据库中确定对应的特征类函数;
A3、根据特征类函数计算特征类点值以确定该历史实验信息对应的特征类范围。
进一步的,所述步骤S2中还包括,根据实验特征中不同特征类落入的特征类范围获取对应的权重值,并计算该实验特征对应每一历史实验信息的权重值的加权值,加权值大于第一匹配阈值的历史实验信息视为满足第一匹配条件。
进一步的,所述基准匹配算法为E=F(X)+G(Y),其中E为基准可靠值,F(X)为静态可靠函数,G(Y)为动态可靠函数,有F(X)=β1f1(x1)+β2f2(x2)+β3x3,其中β1为第一静态权重值,β2为第二静态权重值,β3为第三静态权重值,f1(x1)为实验信息函数,反映该数据项对应的实验信息的可靠度,其中x1为实验信息特性值,f2(x2)为实验数据函数,反映该数据项对应的实验数据的可靠度,其中x2为实验数据特性值,x3为实验基准特性值;
有G(Y)=χ1g1(y1)+χ2g2(y2)+Kχngn(yn),其中χn为第n类实验特征对应的权重值,gn(yn)为第n类实验特征的动态可靠函数,yn第n类实验特征对应的理论结果和实际结果的差值。
进一步的,所述的实验信息特性值x1根据该历史实验信息对应的实验设备可靠值、实验真实性可靠值运算获得;
所述关联服务平台配置有设备验证数据库以及真实验证数据库,当历史实验信息被存储至模型索引数据库时,通过设备验证数据库获取该用户端对应的设备信息,并获取对应设备信息的实验设备可靠值,通过真实验证数据库获取对该历史实验信息的真实性进行验证以赋予对应的真实性可靠值;
所述的实验数据特性值x2根据该数据项对应的相关实验数、数据离散值运算获得;
计算并统计与该数据项实验结果相似偏差小于预设基准值的数据项为相关实验数,计算并统计该数据项实验结果与平均实验结果之间的偏离程度为数据离散值;
所述的实验基准特性值x3为用户根据历史实验信息对应的实验主体信息、实验规模信息预先标记于该历史实验信息。
进一步的,步骤S4中还包括配置修正函数计算修正值,有an=d(yb-ys)/ys,其中,an为修正值,d为比对差值,yb为第n类实验特征对应的实际特征值,ys为第n类实验特征对应的理论特征值;且满足χn=χn+an以及χ1+χ2+Kχn=1。
进一步的,所述的环境特征类包括温度特征类、湿度特征类、光照特征类、电流特征类;所述的操作特征类包括操作步骤类、反应时间类、实验设备类。
进一步的,所述步骤S3中还包括以一实验特征类型的数值以及基准可靠值为依据绘制所有数据项的散点图,并根据得到的散点图确定线性回归方程,确定距离线性回归方程最近的数据项为对应的验证项。
本发明技术效果主要体现在以下方面:首先通过对实验过程数据的获取,并分解一个实验项目中的若干分项,通过大数据为该实验项目的分析确定对应的数据模型,然后根据数据模型以及使用者的实验目的确定核心实验项,通过在实验过程中的相关性分析确定相关的可用的相关项,这样,实际不需要实验人员进行繁复的重复实验,也可以通过调取云端的共享数据达到对实验结论分析的目的,通过实验数据交互以及精准匹配解决了大量的实验工作重复浪费人力资源的问题,同时设置多步索引的方式以保证数据的可靠性和准确性,使***能够适应数据维度复杂、数据量大的实验场景。
附图说明
图1:本发明一种基于云数据的实验关联信息***拓扑原理图。
具体实施方式
以下结合附图,对本发明的具体实施方式作进一步详述,以使本发明技术方案更易于理解和掌握。
在开始介绍本发明之前,为了清楚理解本发明,需要对现况的实验分析的问题进行进一步阐述,目前的实验分析相对较为独立,而云服务也仅仅只是提供数据格式转换、量化、存储的功能、而数据分析的功能更多是针对内部数据,也就是更多是在数据运算上进行了优化,但是实际发现,一些基础的实验数据具有共享的价值以及可能性,例如一个实验项目,如果需要对各个变量都进行实验,那排列组合后的实验内容巨大,浪费的实验材料都不能计算,而如果不进行实验,则又缺乏数据支持,对推论分析会有影响,而本发明旨在实验关联数据的相互共享,使每个实验结果都有足够的数据支持。降低重复实验浪费的资源效率。所以提出了以下内容:
参照图1所示,一种基于云数据的实验关联信息***,包括用户端以及关联服务平台,首先用户端即目前智能实验室负责统计数据的终端,其可以直接关联实验设备、传感器从对应的设备上获取数据,也可以进行数据录入,由于智能实验终端已经在市场上有较多应用,再此就不做赘述,也就是对数据的处理、格式转换统一、数据量化等技术应当被理解为本发明的无需重复陈述的技术内容。而得到了这些数据后,通过关联服务平台对上述数据进行分析,以获得对应的相关数据。
首先需要解决的问题是,数据的多样性,以及数据索引的线索,因为如果仅仅以实验项目的主题内容为线索,那对应的数据量会较大,导致信息无法精准,存在较多的冗余信息,而如果将实验项完成后,再进行索引,那么可能会无法索引到需要的信息,因为实验项完成后的粒度较细,比对结果会导致偏差较大,首先所述用户端配置有场景服务模块、项目服务模块,所述场景服务模块用于获取实验特征,所述实验特征包括有实验环境特征以及实验过程特征,所述实验环境特征包括若干环境特征类,每一环境特征类反映实验场景中实际的环境情况,所述实验过程特征包括若干过程特征类,每一过程特征类反映实验场景中实验过程情况;
所述的关联服务平台配置有实验特征标准表,所述初始实验任务或校验实验任务生成时,根据实验特征表生成特征空值,根据特征空值从用户端关联的对应采集单元中修改特征空值,或在用户端提示用户填入特征空值。通过实验标准表作为媒介,就可以以实验项目内容为索引,而调取对应需要填写的实验特征标准表,而这个标准可以通过采集填入空值,也可以根据用户填写完成空值的填写,这样就使得实验特征数据是具有统一性的,所述项目服务模块用于根据用户的实验内容生成实验项目信息,所述实验项目信息由若干实验项组成;实验项目信息是根据用户需求进行生成的,具体是实验项目内容以及每一次的实验项,实验项就代表对应的每一次实验,本发明的目的也就是减少实际实验项的数量,以通过大数据识别相关项进行替代。
作为本发明的核心技术部分:
所述关联服务平台关联有模型索引数据库,所述模型索引数据库以实验项目信息为索引存储有若干实验数据模型,每一实验数据模型由若干历史实验信息组成且具有独立的基准匹配算法,所述历史实验信息包括若干数据项,历史实验信息是与实验项目信息相同,区别在于历史实验信息是过去发生并存储共享于云服务器,而依照时间维度、主体类型等关系关联不同的历史实验信息就可以得到对应的实验数据模型,而每个历史实验信息对应的基准匹配算法是相互独立的,其依据是实验时对应的主体、设备条件、环境变量都不相同,所以数据的集中度不同,收敛区间也不相同,所以配置不同的基准匹配算法中的不同的匹配权重,所述关联服务平台配置有特征分类策略,所述特征分类策略配置有特征类数据库,所述特征类数据库存储有若干特征类函数,每一特征类函数以特征类分布为索引,所述特征分类策略为每一历史实验信息匹配对应的特征范围,所述的环境特征类包括温度特征类、湿度特征类、光照特征类、电流特征类;所述的操作特征类包括操作步骤类、反应时间类、实验设备类。所述特征分类策略包括
A1、获取每一历史实验信息的特征类点值;例如实验温度是37.3度,那么这一类数据的点值就是37.3.
A2、根据特征类点值的分布从所述特征类数据库中确定对应的特征类函数;特征类函数反映的是对应的特征类对结果的敏感程度,而对应不同的实验项目的敏感程度不同,所以本发明预先构建一个关于特征类函数的数据库,由于实验人员实验时会考虑影响程度尽可能避免影响,所以分布点值就会趋近于对应的特征类函数,这样就可以确定不同的取值范围对结果影响程度的关系。
A3、根据特征类函数计算特征类点值以确定该历史实验信息对应的特征类范围。而由于获得若干点值,依据两个逻辑进行划分,一个是区间内点值数量、第二是所处的区间幅度对应的变化量,如果变化量比较大或者期内的点值较多,则说明需要更多的划分范围以保证敏感性判断的精度。所述数据项与实验项对应反应用户实验情况、所述关联服务平台还配置有项目服务策略,所述项目服务策略包括
S1、根据实验项目信息调取对应的从所述模型索引数据库中调取实验数据模型,并配置有筛选条件根据对应的实验数据模型确定作为核心项的实验项,根据核心项生成初始实验任务;第一步通过对实验项目信息,最主要的是实验的反应物的关键词,就可以索引到对应的实验数据模型。通过索引的方式,确定关联度最低的预设数量的实验项作为核心项,目的在于获取实验结果的特征以辅助分析,获得更加精确的相关项。
S2、将用户端执行对应的初始实验任务的实验特征从所述实验数据模型中筛选符合预设的第一匹配条件的历史实验信息;所述步骤S2中还包括,根据实验特征中不同特征类落入的特征类范围获取对应的权重值,并计算该实验特征对应每一历史实验信息的权重值的加权值,加权值大于第一匹配阈值的历史实验信息视为满足第一匹配条件。当实验特征落入不同的特征类对应的范围时,也就获得了对应的权重值,加权其所有的特征类就可以判断符合与该实验特征相关的历史实验信息,例如初始实验任务发现其实验温度为A湿度为B,实验操作设备精度为0.01,实验结果突变程度为67,而根据这些值对应落入的范围获得每个历史实验信息的权重值,需要说明的是,每个历史实验信息的范围是可能重合甚至可能相同的,因为其完全取决于当时所产生的数据变量,所以就可以对权重值进行加权,而权重值是不同的特征类函数具有不同的权重值,为提前预先设置,若权重值之和超过预设值,则就完成了匹配,这个历史实验信息与实际实验需求较为接近,此时就完成了初次筛选。
S3、通过基准匹配算法计算每一数据项的基准可靠值,根据每一数据项的基准可靠值在数据项类型下的分布确定作为验证项的数据项,并根据验证项生成校验实验任务;所述基准匹配算法为E=F(X)+G(Y),其中E为基准可靠值,F(X)为静态可靠函数,G(Y)为动态可靠函数,有F(X)=β1f1(x1)+β2f2(x2)+β3x3,其中β1为第一静态权重值,β2为第二静态权重值,β3为第三静态权重值,f1(x1)为实验信息函数,反映该数据项对应的实验信息的可靠度,其中x1为实验信息特性值,f2(x2)为实验数据函数,反映该数据项对应的实验数据的可靠度,其中x2为实验数据特性值,x3为实验基准特性值;
有G(Y)=χ1g1(y1)+χ2g2(y2)+Kχngn(yn),其中χn为第n类实验特征对应的权重值,gn(yn)为第n类实验特征的动态可靠函数,yn第n类实验特征对应的理论结果和实际结果的差值。所述的实验信息特性值x1根据该历史实验信息对应的实验设备可靠值、实验真实性可靠值运算获得;而后是通过基准匹配算法计算基准可靠值,可靠值反映这个数据的可靠情况,可靠情况氛围两位维度,静态的主要反映主体等不可变因素的可靠情况,动态主要反映实验过程中发生的一些变量的相似性对应的额可靠情况。
所述关联服务平台配置有设备验证数据库以及真实验证数据库,当历史实验信息被存储至模型索引数据库时,通过设备验证数据库获取该用户端对应的设备信息,并获取对应设备信息的实验设备可靠值,通过真实验证数据库获取对该历史实验信息的真实性进行验证以赋予对应的真实性可靠值;
所述的实验数据特性值x2根据该数据项对应的相关实验数、数据离散值运算获得;
计算并统计与该数据项实验结果相似偏差小于预设基准值的数据项为相关实验数,计算并统计该数据项实验结果与平均实验结果之间的偏离程度为数据离散值;
所述的实验基准特性值x3为用户根据历史实验信息对应的实验主体信息、实验规模信息预先标记于该历史实验信息。所述步骤S3中还包括以一实验特征类型的数值以及基准可靠值为依据绘制所有数据项的散点图,并根据得到的散点图确定线性回归方程,确定距离线性回归方程最近的数据项为对应的验证项。步骤S3包括三个逻辑,第一是计算基准可靠值,第二是确定分布情况,第三是生成校验任务,而分布情况的确定是通过散点图以及现行回归方程确定的,目的是选取具有特异性或者典型性的数据项作为验证项。
S4、根据用户端执行对应的校验实验任务生成的实验结果带入基准匹配算法获得实测可靠值,获得实测可靠值和基准可靠值的比对差值;若比对差值大于第一预设值,则根据该校验实验任务对应的实验特征修正基准匹配算法中的匹配参数;步骤S4中还包括配置修正函数计算修正值,有an=d(yb-ys)/ys,其中,an为修正值,d为比对差值,yb为第n类实验特征对应的实际特征值,ys为第n类实验特征对应的理论特征值;且满足χn=χn+an以及χ1+χ2+Kχn=1。而S4的目的是通过比对修正对应的基准匹配算法,使得对整体数据的分析中选取的权重变化,使本发明中相关的实验特征对应的权重增加,无关权重减少,这样使得这个信息组趋近于实际情况,有利于找到符合条件的相关项。
S5、若所有校验实验任务的平均比对差值小于第二预设值,则进入步骤S6,所有校验实验任务的平均比对差值大于第二预设值,则重复步骤S3;如果大于第二预设值则说明仍然存在较大偏差,平均比对差值为比对差值的平均值,所以因为基准匹配算法经过修正,重复进行S3后确定的验证项也不同,重新进行实验验证,这样可以在最大程度上保证准确性。
S6、根据每一实验项确定对应的基准可靠值最高的数据项作为相关项并输出至用户端。就可以通过获得的相关项代替实验项。
当然,以上只是本发明的典型实例,除此之外,本发明还可以有其它多种具体实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求保护的范围之内。
Claims (9)
1.一种基于云数据的实验关联信息***,其特征在于:包括用户端以及关联服务平台,所述用户端配置有场景服务模块、项目服务模块,所述场景服务模块用于获取实验特征,所述项目服务模块用于根据用户的实验内容生成实验项目信息,所述实验项目信息由若干实验项组成;所述关联服务平台关联有模型索引数据库,所述模型索引数据库以实验项目信息为索引存储有若干实验数据模型,每一实验数据模型由若干历史实验信息组成且具有独立的基准匹配算法,所述历史实验信息包括若干数据项,所述数据项与实验项对应反应用户实验情况、所述关联服务平台还配置有项目服务策略,所述项目服务策略包括
S1、根据实验项目信息调取对应的从所述模型索引数据库中调取实验数据模型,并配置有筛选条件根据对应的实验数据模型确定作为核心项的实验项,根据核心项生成初始实验任务;
S2、将用户端执行对应的初始实验任务的实验特征从所述实验数据模型中筛选符合预设的第一匹配条件的历史实验信息;
S3、通过基准匹配算法计算每一数据项的基准可靠值,根据每一数据项的基准可靠值在数据项类型下的分布确定作为验证项的数据项,并根据验证项生成校验实验任务;
S4、根据用户端执行对应的校验实验任务生成的实验结果带入基准匹配算法获得实测可靠值,获得实测可靠值和基准可靠值的比对差值;若比对差值大于第一预设值,则根据该校验实验任务对应的实验特征修正基准匹配算法中的匹配参数;
S5、若所有校验实验任务的平均比对差值小于第二预设值,则进入步骤S6,所有校验实验任务的平均比对差值大于第二预设值,则重复步骤S3;
S6、根据每一实验项确定对应的基准可靠值最高的数据项作为相关项并输出至用户端。
2.如权利要求1所述的一种基于云数据的实验关联信息***,其特征在于:所述实验特征包括有实验环境特征以及实验过程特征,所述实验环境特征包括若干环境特征类,每一环境特征类反映实验场景中实际的环境情况,所述实验过程特征包括若干过程特征类,每一过程特征类反映实验场景中实验过程情况;
所述的关联服务平台配置有实验特征标准表,所述初始实验任务或校验实验任务生成时,根据实验特征表生成特征空值,根据特征空值从用户端关联的对应采集单元中修改特征空值,或在用户端提示用户填入特征空值。
3.如权利要求1所述的一种基于云数据的实验关联信息***,其特征在于:所述关联服务平台配置有特征分类策略,所述特征分类策略配置有特征类数据库,所述特征类数据库存储有若干特征类函数,每一特征类函数以特征类分布为索引,所述特征分类策略为每一历史实验信息匹配对应的特征范围,所述特征分类策略包括
A1、获取每一历史实验信息的特征类点值;
A2、根据特征类点值的分布从所述特征类数据库中确定对应的特征类函数;
A3、根据特征类函数计算特征类点值以确定该历史实验信息对应的特征类范围。
4.如权利要求3所述的一种基于云数据的实验关联信息***,其特征在于:所述步骤S2中还包括,根据实验特征中不同特征类落入的特征类范围获取对应的权重值,并计算该实验特征对应每一历史实验信息的权重值的加权值,加权值大于第一匹配阈值的历史实验信息视为满足第一匹配条件。
5.如权利要求1所述的一种基于云数据的实验关联信息***,其特征在于:所述基准匹配算法为E=F(X)+G(Y),其中E为基准可靠值,F(X)为静态可靠函数,G(Y)为动态可靠函数,有F(X)=β1f1(x1)+β2f2(x2)+β3x3,其中β1为第一静态权重值,β2为第二静态权重值,β3为第三静态权重值,f1(x1)为实验信息函数,反映该数据项对应的实验信息的可靠度,其中x1为实验信息特性值,f2(x2)为实验数据函数,反映该数据项对应的实验数据的可靠度,其中x2为实验数据特性值,x3为实验基准特性值;
有G(Y)=χ1g1(y1)+χ2g2(y2)+Kχngn(yn),其中χn为第n类实验特征对应的权重值,gn(yn)为第n类实验特征的动态可靠函数,yn第n类实验特征对应的理论结果和实际结果的差值。
6.如权利要求5所述的一种基于云数据的实验关联信息***,其特征在于:所述的实验信息特性值x1根据该历史实验信息对应的实验设备可靠值、实验真实性可靠值运算获得;
所述关联服务平台配置有设备验证数据库以及真实验证数据库,当历史实验信息被存储至模型索引数据库时,通过设备验证数据库获取该用户端对应的设备信息,并获取对应设备信息的实验设备可靠值,通过真实验证数据库获取对该历史实验信息的真实性进行验证以赋予对应的真实性可靠值;
所述的实验数据特性值x2根据该数据项对应的相关实验数、数据离散值运算获得;
计算并统计与该数据项实验结果相似偏差小于预设基准值的数据项为相关实验数,计算并统计该数据项实验结果与平均实验结果之间的偏离程度为数据离散值;
所述的实验基准特性值x3为用户根据历史实验信息对应的实验主体信息、实验规模信息预先标记于该历史实验信息。
7.如权利要求5所述的一种基于云数据的实验关联信息***,其特征在于:步骤S4中还包括配置修正函数计算修正值,有an=d(yb-ys)/ys,其中,an为修正值,d为比对差值,yb为第n类实验特征对应的实际特征值,ys为第n类实验特征对应的理论特征值;且满足χn=χn+an以及χ1+χ2+Kχn=1。
8.如权利要求7所述的一种基于云数据的实验关联信息***,其特征在于:所述的环境特征类包括温度特征类、湿度特征类、光照特征类、电流特征类;所述的操作特征类包括操作步骤类、反应时间类、实验设备类。
9.如权利要求1所述的一种基于云数据的实验关联信息***,其特征在于:所述步骤S3中还包括以一实验特征类型的数值以及基准可靠值为依据绘制所有数据项的散点图,并根据得到的散点图确定线性回归方程,确定距离线性回归方程最近的数据项为对应的验证项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211669260.9A CN115905368A (zh) | 2022-12-24 | 2022-12-24 | 一种基于云数据的实验关联信息*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211669260.9A CN115905368A (zh) | 2022-12-24 | 2022-12-24 | 一种基于云数据的实验关联信息*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115905368A true CN115905368A (zh) | 2023-04-04 |
Family
ID=86474555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211669260.9A Pending CN115905368A (zh) | 2022-12-24 | 2022-12-24 | 一种基于云数据的实验关联信息*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905368A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056419A (zh) * | 2023-07-20 | 2023-11-14 | 安徽国科检测科技有限公司 | 一种基于局域网的实验室检测数据共享*** |
-
2022
- 2022-12-24 CN CN202211669260.9A patent/CN115905368A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056419A (zh) * | 2023-07-20 | 2023-11-14 | 安徽国科检测科技有限公司 | 一种基于局域网的实验室检测数据共享*** |
CN117056419B (zh) * | 2023-07-20 | 2024-03-15 | 安徽国科检测科技有限公司 | 一种基于局域网的实验室检测数据共享*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680147A (zh) | 一种数据处理方法、装置、设备以及可读存储介质 | |
CN115905368A (zh) | 一种基于云数据的实验关联信息*** | |
CN115185663B (zh) | 一种基于大数据的智慧化数据处理*** | |
CN114066073A (zh) | 电网负荷预测方法 | |
CN113255833A (zh) | 车辆定损方法、装置、设备及存储介质 | |
CN110011990A (zh) | 内网安全威胁智能分析方法 | |
CN111125186A (zh) | 一种基于调查问卷的数据处理方法及*** | |
CN110489142A (zh) | 设备软件升级的评估方法及装置、存储介质、终端 | |
CN116738354B (zh) | 一种电力物联网终端行为异常检测方法及*** | |
CN116738214B (zh) | 一种基于高阶张量的数据降维预处理方法 | |
CN113177644A (zh) | 一种基于词嵌入和深度时序模型的自动建模*** | |
CN117874511A (zh) | 深度学习模型训练方法、电池故障检测方法、装置及设备 | |
CN112487053A (zh) | 海量财务数据异常控制提取工作方法 | |
CN112052622A (zh) | 一种云平台下深度多视图语义文档表示的缺陷处置方法 | |
CN117056591A (zh) | 基于动态预测的电力缴费渠道智能推荐方法及*** | |
CN111158732A (zh) | 访问数据处理方法、装置、计算机设备及存储介质 | |
CN113722308B (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
CN116466237A (zh) | 一种锂电池的充电安全监测预警方法及*** | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN114399407A (zh) | 一种基于动静态选择集成的电力调度监控数据异常检测方法 | |
CN114358910A (zh) | 异常财务数据处理方法、装置、设备及存储介质 | |
CN113517998A (zh) | 预警配置数据的处理方法、装置、设备及存储介质 | |
CN111883240A (zh) | 一种用于医学检验的方法学评估*** | |
CN112434156A (zh) | 基于混合文本分类模型的电网作业告警方法及装置 | |
Lei et al. | Application of distributed machine learning model in fault diagnosis of air preheater |
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 |