CN117631629B - 基于仿真处理的激光控制*** - Google Patents
基于仿真处理的激光控制*** Download PDFInfo
- Publication number
- CN117631629B CN117631629B CN202311639590.8A CN202311639590A CN117631629B CN 117631629 B CN117631629 B CN 117631629B CN 202311639590 A CN202311639590 A CN 202311639590A CN 117631629 B CN117631629 B CN 117631629B
- Authority
- CN
- China
- Prior art keywords
- branch
- system based
- control system
- refers
- laser control
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims abstract description 10
- 239000013643 reference control Substances 0.000 claims abstract description 7
- 230000003287 optical effect Effects 0.000 claims description 31
- 239000000835 fiber Substances 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000005086 pumping Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Lasers (AREA)
Abstract
本申请涉及光学技术领域,特别是涉及一种基于仿真处理的激光控制***,当***中的计算机程序被处理器执行时,实现以下步骤:根据各支路的泵浦光强信息和目标电流,预测得到参考支路,再根据参考控制向量预测得到预测电流,通过迭代方式调整参考控制向量或者切换主支路,直至满足目标电流的误差区间,得到仿真结果以应用于激光***。将每条支路均作为备选的主支路,区别于现有技术固定主支路的方式,从而能够提供更加多样化的增益光输出,减少激光***以现有***为基础时的制造成本,同时在仿真环境下进行模拟选型,再对激光***进行部署,能够进一步减免***因调试带来的额外成本。
Description
技术领域
本发明涉及光学技术领域,特别是涉及一种基于仿真处理的激光控制***。
背景技术
为了保障材料的加工质量以及扩大材料的可加工范围,材料精密加工领域对光纤激光器的光信号功率具有较高要求。光纤激光器通常采用增益光纤对光信号进行增益放大,由于增益光纤的长度越长,可获得的功率增益就越大,因此,传统光纤激光器通常通过增大增益光纤的长度来提升光信号功率。
但是随着增益光纤长度的进一步增大,功率增益反而会下降,难以满足高光信号功率的需求,且不同材料对光信号功率的需求不同,固定长度的增益光纤难以满足针对不同材料的加工需求。
因此,如何更提高激光***输出光信号功率的丰富程度,以适应不同场景下的加工需求,成为亟待解决的问题。
发明内容
针对上述技术问题,本发明采用的技术方案为一种基于仿真处理的激光控制***,所述***包括:第一光源集合A={a1,a2,...,am,...,aM}、第二光源X、光耦合器集合B={b1,b2,...,bm,...,bM,bM+1},增益光纤集合C={c1,c2,...,cm,...,cM}、延迟器集合E={e1,e2,...,em,...,eM}、分束器F、光电探测器H、数据库、处理器和存储有计算机程序的存储器,其中,am是指第m个第一光源,bm是指第m个光耦合器,cm是指第m个增益光纤,em是指第m个延迟器,X、am、bm、cm、em和F形成第m条支路,,数据库中包括泵浦光强集合I={i1,i2,...,im,...,iM}、目标电流J、经训练的支路选择模型K和经训练的电流预测模型L,im是指第m个第一光源中信号光的光强,当计算机程序被处理器执行时,实现以下步骤:
S1,根据I和J,使用K对M条支路进行概率预测,得到预测概率向量N=[n1,n2,...,nm,...,nM],其中,nm是指第m条支路被选作主支路的预测概率。
S2,将N中M个预测概率按照从大至小的顺序排列,得到预测概率序列O。
S3,初始化选择标识Y=1。
S4,以O中第P位对应的支路作为参考支路Q。
S5,初始化参考控制向量R=r0,迭代次数T=1,其中,r0为预设的初始光耦合器控制向量。
S6,根据I、J、Q和R,使用L进行电流预测,得到预测电流S。
S7,若|S-J|<=mar1,以R作为目标控制向量P,其中,mar1是指预设的第一阈值。
S8,若|S-J|>mar1,根据|S-J|,对R进行调整,更新T=T+1。
S9,返回执行S6至S8步骤,直至得到P或者T=mar2,其中,mar2是指预设的第二阈值。
S10,若T=mar2,更新Y=Y+1。
S11,返回执行S4至S10步骤,直至得到P。
S12,根据P和Q,对B、E、F和H进行部署。
本发明与现有技术相比具有明显的有益效果,借由上述技术方案,本发明提供的基于仿真处理的激光控制***可达到相当的技术进步性及实用性,并具有产业上的广泛利用价值,其至少具有以下有益效果:根据I和J,使用K对M条支路进行概率预测,得到预测概率向量N=[n1,n2,...,nm,...,nM],将N中M个预测概率按照从大至小的顺序排列,得到预测概率序列O,初始化选择标识Y=1,以O中第P位对应的支路作为参考支路Q,初始化参考控制向量R=r0,迭代次数T=1,根据I、J、Q和R,使用L进行电流预测,得到预测电流S,若|S-J|<=mar1,以R作为目标控制向量P,若|S-J|>mar1,根据|S-J|,对R进行调整,更新T=T+1,返回执行S6至S8步骤,直至得到P或者T=mar2,若T=mar2,更新Y=Y+1,返回执行S4至S10步骤,直至得到P,根据P和Q对B、E、F和H进行部署。可知,将每条支路均作为备选的主支路,区别于现有技术固定主支路的方式,能够提供更加多样化的增益光输出,减少激光***以现有***为基础时的制造成本,同时在仿真环境下进行模拟选型,再对激光***进行部署,能够进一步减免***因调试带来的额外成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明实施例提供的基于仿真处理的激光控制***的计算机程序执行的流程图。
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,本领域技术人员在没有作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。
本实施例提供一种基于仿真处理的激光控制***,***包括:第一光源集合A={a1,a2,...,am,...,aM}、第二光源X、光耦合器集合B={b1,b2,...,bm,...,bM,bM+1},增益光纤集合C={c1,c2,...,cm,...,cM}、延迟器集合E={e1,e2,...,em,...,eM}、分束器F、光电探测器H、数据库、处理器和存储有计算机程序的存储器,其中,am是指第m个第一光源,bm是指第m个光耦合器,cm是指第m个增益光纤,em是指第m个延迟器,X、am、bm、cm、em和F形成第m条支路,,数据库中包括泵浦光强集合I={i1,i2,...,im,...,iM}、目标电流J、经训练的支路选择模型K和经训练的电流预测模型L,im是指第m个第一光源中信号光的光强,参见图一,是本发明实施例提供的基于仿真处理的激光控制***的计算机程序执行的流程图,当计算机程序被处理器执行时,实现以下步骤:
S1,根据I和J,使用K对M条支路进行概率预测,得到预测概率向量N=[n1,n2,...,nm,...,nM],其中,nm是指第m条支路被选作主支路的预测概率;
S2,将N中M个预测概率按照从大至小的顺序排列,得到预测概率序列O;
S3,初始化选择标识Y=1;
S4,以O中第P位对应的支路作为参考支路Q;
S5,初始化参考控制向量R=r0,迭代次数T=1,其中,r0为预设的初始光耦合器控制向量;
S6,根据I、J、Q和R,使用L进行电流预测,得到预测电流S;
S7,若|S-J|<=mar1,以R作为目标控制向量P,其中,mar1是指预设的第一阈值;
S8,若|S-J|>mar1,根据|S-J|,对R进行调整,更新T=T+1;
S9,返回执行S6至S8步骤,直至得到P或者T=mar2,其中,mar2是指预设的第二阈值;
S10,若T=mar2,更新Y=Y+1;
S11,返回执行S4至S10步骤,直至得到P;
S12,根据P和Q,对B、E、F和H进行部署。
其中,每条支路中,第一光源、光耦合器、增益光纤和延时器依序连接,具体地,在第m条支路中,X的输出端和am的输出端连接bm的输入端,bm的输出端连接cm的输入端,cm的输出端连接em的输入端,em的输出端连接F的第m个输入端。
其中,第一光源可以用于发射泵浦光,光耦合器的输入包括泵浦光、第一光源发射的信号光和分束器中输出的信号分光,增益光纤可以用于光信号的放大,通常情况下,增益光纤的长度与其对光信号功率的增益能力存在映射关系,需要说明的是,为了提高输出光信号功率的丰富程度,建议不同支路采用不同长度的增益光纤。
经训练的支路选择模型K可以采用历史场景中形成的第一训练集,第一训练集中包括若干个第一训练样本及其对应的第一标签,第一训练样本可以由历史场景下配置的M条支路分别对应的泵浦光强,其对应的第一标签可以是当前的主支路,也即K能够根据M条支路的泵浦光强信息,输出各个支路作为主支路的概率,由于训练集是基于历史场景获取的,因此K的输出能够尽可能贴合现有固定主支路的多支路激光***。
经训练的电流预测模型L可以采用仿真场景中形成的第二训练集,在仿真场景中,可以通过设置各支路的泵浦光强、主支路以及各光耦合器的运行情况作为第二训练样本,再进行仿真得到对应的输出电流作为对应的第二标签。
具体地,当|S-J|<=mar1,说明此时输出电流已经满足目标电流的误差区间,当|S-J|>mar1,说明此时输出电流无法满足目标电流的误差区间,此时调整R,也即调整各个支路的光耦合器运行情况,以使输出电流满足目标电流的误差区间,若多次调整后,仍然无法满足,也即T=mar2的条件,认为此时主支路选取错误,重新选择主支路,再重新调整各个支路的光耦合器运行情况,直至输出电流满足目标电流的误差区间。
在一具体实施方式中,r0包括M个零元素。
其中,零元素表示对应的支路光耦合器不闭合。
在一种实施方式中,实施者还可以将主支路对应的元素置1,以降低R调整的难度。
在一具体实施方式中,mar1=0.05*J。
其中,mar1可以根据实施者预设的误差接受范围确定,在本实施例中,误差接受程度为5%,实施者可以根据实际情况调整该误差接受程度,进而调整mar1。
在一具体实施方式中,S8具体包括以下步骤:
根据|S-J|,使用梯度下降法对R进行调整,更新T=T+1。
在本实施例中,梯度下降法用于确定R中需要调整的元素。
在一具体实施方式中,mar2=50。
其中,mar2设置为50,即表示若R调整50次仍无法满足目标电流的误差区间,则重新选择主支路,需要说明的是,实施者可以根据实际情况调整mar2。
在一具体实施方式中,将H部署于Q中增益光纤的输出位置。
其中,部署过程是指将仿真结果应用于真实场景下的激光***中,此时将H部署于Q中增益光纤的输出位置,以监测Q中增益光纤的输出电流。
在一具体实施方式中,R={u1,u2,...,um,...,uM},其中,um是指第m个光耦合器的控制状态,um∈{0,1}。
其中,R中元素可以取值为0或者1。
需要说明的是,为了更有效地应用上述梯度下降法,可以通过(-1)^v的形式表示0和1,此时v的调整步长为1,则可以通过固定步长调整的方式,实现0和1之间的切换。
在一具体实施方式中,S12中还包括以下步骤:
S121,当um=0时,控制bm不闭合;
S122,当um=1时,控制bm运行。
在一具体实施方式中,S12中还包括以下步骤:
S123,针对任一运行的光耦合器所在支路,通过预设的第一映射表确定在主支路为Q的条件下,该运行的光耦合器所在支路对应的调整幅度;
S124,根据该运行的光耦合器所在支路对应的调整幅度,对该运行的光耦合器所在支路中的延迟器进行调节。
其中,第一映射表可以包括各个支路作为主支路时,其他各个支路与主支路之间的调整幅度,该调整幅度可以根据其他各个支路与主支路之间增益光纤的长度关系确定。
调节延迟器的目的在于使得非主支路的光相位与主支路的光相位一致。
在一具体实施方式中,S12中还包括以下步骤:
S125,针对任一运行的光耦合器所在支路,通过预设的第二映射表确定在主支路为Q的条件下,该运行的光耦合器所在支路对应的分光比例;
S126,根据该运行的光耦合器所在支路对应的分光比例,对该运行的光耦合器所在支路接受F的分光量进行调节。
其中,第二映射表可以包括各个支路作为主支路时,其他各个支路与主支路之间的分光比例。
根据I和J,使用K对M条支路进行概率预测,得到预测概率向量N=[n1,n2,...,nm,...,nM],将N中M个预测概率按照从大至小的顺序排列,得到预测概率序列O,初始化选择标识P=1,以O中第P位对应的支路作为参考支路Q,初始化参考控制向量R=r0,迭代次数T=1,根据I、J、Q和R,使用L进行电流预测,得到预测电流S,若|S-J|<=mar1,以R作为目标控制向量P,若|S-J|>mar1,根据|S-J|,对R进行调整,更新T=T+1,返回执行S6至S8步骤,直至得到P或者T=mar2,若T=mar2,将P增加1,返回执行S4至S10步骤,直至得到P,根据P和Q对B、E、F和H进行部署。可知,将每条支路均作为备选的主支路,区别于现有技术固定主支路的方式,从而能够提供更加多样化的增益光输出,减少激光***以现有***为基础时的制造成本,同时在仿真环境下进行模拟选型,再对激光***进行部署,能够进一步减免***因调试带来的额外成本。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明开的范围由所附权利要求来限定。
Claims (10)
1.一种基于仿真处理的激光控制***,其特征在于,所述***包括:第一光源集合A={a1,a2,...,am,...,aM}、第二光源X、光耦合器集合B={b1,b2,...,bm,...,bM,bM+1},增益光纤集合C={c1,c2,...,cm,...,cM}、延迟器集合E={e1,e2,...,em,...,eM}、分束器F、光电探测器H、数据库、处理器和存储有计算机程序的存储器,其中,am是指第m个第一光源,bm是指第m个光耦合器,cm是指第m个增益光纤,em是指第m个延迟器,X、am、bm、cm、em和F形成第m条支路,所述数据库中包括泵浦光强集合I={i1,i2,...,im,...,iM}、目标电流J、经训练的支路选择模型K和经训练的电流预测模型L,im是指第m个第一光源中信号光的光强,当所述计算机程序被处理器执行时,实现以下步骤:
S1,根据I和J,使用K对M条支路进行概率预测,得到预测概率向量N=[n1,n2,...,nm,...,nM],其中,nm是指第m条支路被选作主支路的预测概率;
S2,将N中M个预测概率按照从大至小的顺序排列,得到预测概率序列O;
S3,初始化选择标识Y=1;
S4,以O中第P位对应的支路作为参考支路Q;
S5,初始化参考控制向量R=r0,迭代次数T=1,其中,r0为预设的初始光耦合器控制向量;
S6,根据I、J、Q和R,使用L进行电流预测,得到预测电流S;
S7,若|S-J|<=mar1,以R作为目标控制向量P,其中,mar1是指预设的第一阈值;
S8,若|S-J|>mar1,根据|S-J|,对R进行调整,更新T=T+1;
S9,返回执行S6至S8步骤,直至得到P或者T=mar2,其中,mar2是指预设的第二阈值;
S10,若T=mar2,更新Y=Y+1;
S11,返回执行S4至S10步骤,直至得到P;
S12,根据P和Q,对B、E、F和H进行部署。
2.根据权利要求1所述的基于仿真处理的激光控制***,其特征在于,r0包括M个零元素。
3.根据权利要求1所述的基于仿真处理的激光控制***,其特征在于,mar1=0.05*J。
4.根据权利要求1所述的基于仿真处理的激光控制***,其特征在于,S8具体包括以下步骤:
根据|S-J|,使用梯度下降法对R进行调整,更新T=T+1。
5.根据权利要求1所述的基于仿真处理的激光控制***,其特征在于,mar2=50。
6.根据权利要求1所述的基于仿真处理的激光控制***,其特征在于,将H部署于Q中增益光纤的输出位置。
7.根据权利要求1所述的基于仿真处理的激光控制***,其特征在于,R={u1,u2,...,um,...,uM},其中,um是指第m个光耦合器的控制状态,um∈{0,1}。
8.根据权利要求7所述的基于仿真处理的激光控制***,其特征在于,S12中还包括以下步骤:
S121,当um=0时,控制bm不闭合;
S122,当um=1时,控制bm运行。
9.根据权利要求8所述的基于仿真处理的激光控制***,其特征在于,S12中还包括以下步骤:
S123,针对任一运行的光耦合器所在支路,通过预设的第一映射表确定在主支路为Q的条件下,该运行的光耦合器所在支路对应的调整幅度;
S124,根据该运行的光耦合器所在支路对应的调整幅度,对该运行的光耦合器所在支路中的延迟器进行调节。
10.根据权利要求8所述的基于仿真处理的激光控制***,其特征在于,S12中还包括以下步骤:
S125,针对任一运行的光耦合器所在支路,通过预设的第二映射表确定在主支路为Q的条件下,该运行的光耦合器所在支路对应的分光比例;
S126,根据该运行的光耦合器所在支路对应的分光比例,对该运行的光耦合器所在支路接受F的分光量进行调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639590.8A CN117631629B (zh) | 2023-12-01 | 2023-12-01 | 基于仿真处理的激光控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639590.8A CN117631629B (zh) | 2023-12-01 | 2023-12-01 | 基于仿真处理的激光控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117631629A CN117631629A (zh) | 2024-03-01 |
CN117631629B true CN117631629B (zh) | 2024-06-07 |
Family
ID=90024965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311639590.8A Active CN117631629B (zh) | 2023-12-01 | 2023-12-01 | 基于仿真处理的激光控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117631629B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892640B (zh) * | 2024-03-15 | 2024-05-24 | 成都航空职业技术学院 | 一种激光器控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109787081A (zh) * | 2019-01-23 | 2019-05-21 | 广东朗研科技有限公司 | 中红外超短脉冲激光光源 |
CN110429462A (zh) * | 2019-07-01 | 2019-11-08 | 重庆文理学院 | 一种超短脉冲激光光源 |
CN117057235A (zh) * | 2023-08-14 | 2023-11-14 | 上海频准激光科技有限公司 | 基于激光器的光纤测温点部署*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7298014B2 (ja) * | 2020-03-26 | 2023-06-26 | 株式会社日立製作所 | 情報処理システムおよび情報処理方法 |
CN117057234B (zh) * | 2023-08-14 | 2024-03-22 | 上海频准激光科技有限公司 | 基于激光器的光纤测温点定位*** |
-
2023
- 2023-12-01 CN CN202311639590.8A patent/CN117631629B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109787081A (zh) * | 2019-01-23 | 2019-05-21 | 广东朗研科技有限公司 | 中红外超短脉冲激光光源 |
CN110429462A (zh) * | 2019-07-01 | 2019-11-08 | 重庆文理学院 | 一种超短脉冲激光光源 |
CN117057235A (zh) * | 2023-08-14 | 2023-11-14 | 上海频准激光科技有限公司 | 基于激光器的光纤测温点部署*** |
Non-Patent Citations (1)
Title |
---|
国外一种距离选通激光成像的仿真方法;赵巨波;;电光与控制;20161231(12);第55-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117631629A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117631629B (zh) | 基于仿真处理的激光控制*** | |
Xu et al. | A pruned rnnlm lattice-rescoring algorithm for automatic speech recognition | |
US10867595B2 (en) | Cold fusing sequence-to-sequence models with language models | |
KR101961421B1 (ko) | 소스 시스템들의 운영 데이터를 사용하여 초기에 트레이닝되는 제 1 재귀 신경망 모델 및 제 2 재귀 신경망 모델을 별도로 트레이닝함으로써 타겟 시스템을 제어하기 위한 방법, 제어기, 및 컴퓨터 프로그램 제품 | |
US11531573B2 (en) | Asynchronous C#-JS data binding bridge | |
CN111368545B (zh) | 一种基于多任务学习的命名实体识别方法和装置 | |
JPH0782544B2 (ja) | マルチテンプレートを用いるdpマツチング方法及び装置 | |
CN117420770B (zh) | 用于多路激光控制的数据仿真*** | |
US9235397B2 (en) | Method and apparatus for increasing task-execution speed | |
US6006181A (en) | Method and apparatus for continuous speech recognition using a layered, self-adjusting decoder network | |
KR20210154755A (ko) | 문자 오류 수정 방법, 장치, 전자 기기 및 기록 매체 | |
CN114822533B (zh) | 语音交互方法、模型训练方法、电子设备和存储介质 | |
US20200265830A1 (en) | Token-wise training for attention based end-to-end speech recognition | |
CN115775000A (zh) | 一种自动问答的实现方法和装置 | |
CN111507175A (zh) | 用于虚拟世界中学习的卷积神经网络的方法和装置 | |
CN108446110A (zh) | Lua脚本生成方法、装置、终端及计算机可读介质 | |
CN116167446B (zh) | 量子计算处理方法、装置及电子设备 | |
KR20240088942A (ko) | 빔 트레이닝 방법, 제1 노드, 제2 노드, 통신 시스템 및 매체 | |
CN116009884A (zh) | 面向边缘设备的神经网络弹性部署方法及装置 | |
JP2007212402A (ja) | 気象予測システム及び気象予測方法 | |
CN105117389A (zh) | 翻译方法和装置 | |
CN111539225B (zh) | 语义理解框架结构的搜索方法和装置 | |
US11687760B2 (en) | Virtual lighting assistant (VLA) agent in an adaptive lighting system | |
CN110705127B (zh) | 一种天气转换的预测方法、装置、设备和存储介质 | |
US20090112583A1 (en) | Language Processing System, Language Processing Method and Program |
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 |