“因果关系分析”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果1142240个，建议您升级VIP下载更多相关专利

[发明专利]一种因果关系问题的分析系统和分析方法-CN201810819285.X有效
发明人：撖腾 -专利权人：玖富金科控股集团有限责任公司
申请日： 2018-07-24 - 公布日： 2020-12-22 - 主分类号： G06F16/36 文献下载
摘要：本发明公开了一种因果关系问题的分析系统、分析方法、计算机可读存储介质和计算机设备，所述分析系统包括数据库、输入单元、数据处理器、存储单元和绘图单元，其中：数据库包括多个具有逻辑关系的表单，每个表单包括表单名称、逻辑级别和多个因果关系数据，所述多个因果关系数据包括自变量和因变量，因变量由对应的自变量和计算公式计算得到；通过输入单元和数据处理器输入并计算出所有表单的因果关系数据，存储单元将各表单存储在数据库中，绘图单元根据各表单之间的逻辑关系绘制因果关系图表。本发明提供的分析系统和分析方法能够将因果关系问题分解为多个因果关系数据，分级梳理并以图表形式显示以便于人们对因果关系问题进行分析。
一种因果关系问题分析系统方法

[发明专利]一种基于动量动力学模型的行人间因果关系识别方法-CN201610973556.8有效
发明人：张旭光;吴格非 -专利权人：燕山大学
申请日： 2016-11-07 - 公布日： 2019-10-11 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于动量动力学模型的因果关系识别方法，依据因果概念，构建动量动力模型，提出基于动量动力模型的因果关系判别方法计算因果值，根据因果值范围识别出视频行人间三种因果关系，克服了其他因果关系模型不能定量分析目标间因果关系的缺陷，实现了智能监控对行人间因果关系的准确识别。
一种基于动量动力学模型行人因果关系识别方法

[发明专利]一种面向多元时间序列的因果关系可视分析方法-CN202310221341.0在审
发明人：秦红星;郑江溢 -专利权人：重庆邮电大学
申请日： 2023-03-09 - 公布日： 2023-06-13 - 主分类号： G06F16/904 文献下载
摘要：本发明涉及一种面向多元时间序列的因果关系可视分析方法，属于可视化技术领域，包括以下步骤：S1：获取多元时间序列数据集，分别从空间和时间的角度对时间序列进行预处理；S2：应用格兰杰因果关系检验对划分好的多元时间序列进行因果关系测试，使用防抖策略获取稳定的因果关系；S3：设计动态因果图可视化，使分析人员能够沿着时间探索和解释多元时间序列的动态因果关系；S4：考虑因果关系的多个维度，设计定制的因果验证和比较可视化来揭示可疑的因果关系
一种面向多元时间序列因果关系可视分析方法

[发明专利]分析装置、分析方法以及分析程序-CN202080004448.4在审
发明人：服部玲子;太田雄也 -专利权人：欧姆龙株式会社
申请日： 2020-02-18 - 公布日： 2021-03-23 - 主分类号： G05B19/418 文献下载
摘要：本发明的一方面的分析装置获取与构成生产线的多个机构的状态相关的多件测量数据以及前提信息，在由前提信息所给出的限制条件下，统计性地分析多件测量数据，由此来确定多个机构间的因果关系，输出表示所确定的因果关系的因果关系信息，受理对由所输出的因果关系信息所表示的因果关系的修正，修正前提信息，以给出与经修正的因果关系相适合的限制条件，并保存经修正的前提信息。
分析装置方法以及程序

[发明专利]工序分析装置、工序分析方法、以及工序分析程序-CN202180071334.6在审
发明人：服部玲子;太田雄也;柴垣早映子;峯本俊文 -专利权人：欧姆龙株式会社
申请日： 2021-09-14 - 公布日： 2023-07-18 - 主分类号： G06N7/01 文献下载
摘要：本发明的工序分析装置包括：正常数据获取部，获取与构成制造线的多个机构的正常时的状态相关的多件第一状态数据；异常数据获取部，获取与所述多个机构的异常发生时的状态相关的多件第二状态数据；正常时分析部，分析所获取的所述多件第一状态数据，由此确定所述多个机构间的连接状态作为第一连接状态；异常时分析部，分析所获取的所述多件第二状态数据，由此确定所述多个机构间的连接状态作为第二连接状态；正常时关系确定部，基于所述第一连接状态，确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为正常时因果关系；异常时关系确定部，基于所述第二连接状态，确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为异常时因果关系；及特别因果关系确定部，将所述正常时因果关系与所述异常时因果关系加以比较，确定与异常的发生相关联的多个所述机构间的因果关系作为特别因果关系
工序分析装置方法以及程序

[发明专利]数据处理方法、设备及存储介质-CN202310315396.8在审
发明人：许力 -专利权人：北京火山引擎科技有限公司
申请日： 2023-03-28 - 公布日： 2023-09-29 - 主分类号： G06F18/2321 文献下载
摘要：本公开实施例提供一种数据处理方法、设备及存储介质，通过获取待分析因果关系的多个指标的时序数据；根据多个指标的时序数据的概率分布对多个指标进行聚类；基于聚类结果分析各指标间因果连接关系和连接指向构建因果关系网络结构；根据多个指标的时序数据，获取因果关系网络结构中各指标节点的条件概率表；根据因果关系网络结构以及各指标节点的条件概率表，获取贝叶斯信念网络结构，以表示各指标之间的因果关系。本实施例中可对多指标的高维时序数据进行因果关系发现，扩展了因果关系发现的适用场景，并且降低了计算成本，提高因果关系发现效率，为决策或故障根源问题定位提供辅助信息支持。
数据处理方法设备存储介质

[发明专利]故障分析方法、装置、设备、存储介质和程序产品-CN202110522995.8在审
发明人：陈斌;陈功;韩见伟 -专利权人：华为技术有限公司
申请日： 2021-05-13 - 公布日： 2022-11-15 - 主分类号： H04L41/0631 文献下载
摘要：本公开的实施例提供了故障分析方法、设备、装置、存储介质和程序产品，涉及网络通信领域，更具体地涉及网卡设备的故障分析。例如，本公开提供了一种故障分析方法。该方法可以包括获取网卡设备的待分析数据。此外，该方法还可以包括对待分析数据进行判定，如果确定待分析数据满足故障判定条件，则确定因果关系信息中的与故障判定条件相对应的叶子节点。因果关系信息用于分析网卡设备的故障，并且因果关系信息中的每个因果关系节点指示网卡设备的一个故障。之后，该方法还可以包括确定因果关系信息中的、叶子节点的关联节点，叶子节点和关联节点均是因果关系信息中的因果关系节点。此外，该方法还可以包括至少基于关联节点指示的故障，确定针对网卡设备的故障分析结果。通过该方案，能够自动检测和分析网卡设备的故障，从而解决了人工运维的诸多问题。
故障分析方法装置设备存储介质程序产品

[发明专利]一种航空安全事故因果关系抽取方法-CN201910058098.9有效
发明人：王红;祝寒;林海舟;白云清;郭静;李浩飞 -专利权人：中国民航大学
申请日： 2019-01-22 - 公布日： 2022-12-27 - 主分类号： G06N5/02 文献下载
摘要：一种航空安全事故因果关系抽取方法。其包括文本数据预处理；显式因果关系抽取；隐式因果关系抽取；因果关系链的生成。本发明效果：将模式匹配方法应用于航空安全事故显式因果关系的抽取，基于自注意力机制的双向LSTM方法(self‑Att_BiLstm+PI)应用于隐式因果关系抽取，在有效实现单一航空安全事故因果关系对的识别与抽取的基础上，给出了单一事故因果关系链，为航空安全事故的情景重现和全面分析提供了良好的数据与方法支持。
一种航空安全事故因果关系抽取方法

[发明专利]一种因果关系分析方法、装置及电子设备-CN202210861409.7在审
发明人：蔡灿宏 -专利权人：天翼云科技有限公司
申请日： 2022-07-20 - 公布日： 2022-11-01 - 主分类号： G06F16/2458 文献下载
摘要：本申请公开了一种因果关系分析方法、装置及电子设备，主要涉及数据挖局技术领域。其中，因果关系分析方法包括：在目标数据集中获取各个前因变量，以及各个前因变量对应的第一结果；计算各个前因变量分别对应的必要值；根据各个必要值，对第一结果中目标结果对应的各个第一前因变量组进行简化，得到各个第二前因变量组；将各个第二前因变量组，作为目标数据集对应的因果关系分析结果。通过上述方法，在无需枚举所有的因果关系组合形式的情况下，根据前因变量对生成结果的必要性，确定目标结果对应的前因变量组，进而提高因果关系分析效率。此外，通过对目标结果对应的变量组进行简化，还可以实现对因果关系分析结果的简化。
一种因果关系分析方法装置电子设备

[发明专利]一种分析电气系统故障影响因素间因果关系的方法-CN201611003456.9在审
发明人：崔铁军;李莎莎;韩光 -专利权人：辽宁工程技术大学
申请日： 2016-11-15 - 公布日： 2017-05-31 - 主分类号： G06F19/00 文献下载
摘要：本发明公开了一种分析电气系统故障影响因素间因果关系的方法，其特征在于，为了分析实际电气系统故障数据与影响因素之间的因果关系，提出一种因素间因果概念的提取方法；针对电气系统故障数据分析，将影响元件故障的使用时间和使用温度作为影响因素；将元件故障概率作为目标因素；通过故障数据背景关系分析和基本概念半格分析得出影响因素和目标因素之间的因果概念；结果中包括了三种基本概念不可再分的基本概念、中间基本概念、不包含故障概率相的概念；前者属于真概念，可用于电气系统故障因果关系分析；后两者不能用于实例因果关系分析，只可作为根据影响因素对故障进行分类的方法；可用于电气系统故障分析过程中的因素间因果关系的分析。
一种分析电气系统故障影响因素因果关系方法

[发明专利]一种因果关系分析模型构建及因果关系分析方法-CN202111608440.1在审
发明人：蔡灿宏 -专利权人：天翼云科技有限公司
申请日： 2021-12-24 - 公布日： 2022-05-10 - 主分类号： G06F16/901 文献下载
摘要：本发明公开了一种因果关系分析模型构建及因果关系分析方法，获取网络图谱中的每一个目标节点以及与所述目标节点相连接的关联节点；对每一个所述目标节点对应的关联节点的类型进行划分得到所述目标节点对应的多个前因条件节点，在布尔代数算法的三层模型中输入计算得到的前因节点对所述目标节点的信息增益以及前因条件节点的中心度进行训练得到满足条件的因果关系分析模型，然后利用该因果关系分析模型进行因果关系分析，在保留布尔代数算法的高效率性的同时提高了模型分析的准确性
一种因果关系分析模型构建方法

[发明专利]多元时间序列数据异常检测方法、装置、设备及存储介质-CN202310392748.X有效
发明人：吴颖楠;王磊;肖雁飞;李娜;张孝枫;王媛 -专利权人：平安科技（深圳）有限公司
申请日： 2023-04-13 - 公布日： 2023-06-27 - 主分类号： G06F11/30 文献下载
摘要：本申请涉及数据分析技术领域，利用深度学习算法实现数据异常检测，具体公开了一种多元时间序列数据异常检测方法、装置、设备及存储介质。方法包括：获取至少一个时刻的运维数据，运维数据包含至少一个变量；基于异常检测模型，确定变量间的因果关系，获得至少一个独立性变量以及至少一个因果关系组；所述异常检测模型对因果关系组中的目标变量序列和独立变量序列分别进行异常检测该方法根据变量间的因果关系，将运维数据的变量分为因果关系组以及独立性变量，在数据异常检测中结合了变量间的因果关系，将无因果关系的变量单独分析，在因果关系组中只需对一个变量进行异常检测，减少了工作量，提高了异常检测的效率
多元时间序列数据异常检测方法装置设备存储介质

[发明专利]一种基于BERT语义增强的因果关系抽取方法-CN202210184092.8在审
发明人：朱广丽;孙争艳;魏苏波;张顺香;许鑫;吴厚月 -专利权人：安徽理工大学
申请日： 2022-02-23 - 公布日： 2022-05-27 - 主分类号： G06F40/30 文献下载
摘要：本发明公开了一种基于BERT语义增强的因果关系抽取方法。所述因果关系抽取方法包括：因果关系候选词库、BERT预训练、因果关系抽取。该方法是一种快速提取文本中存在的因果关系的信息抽取技术，核心任务是在LeakGAN对抗神经网络模型的架构下建立基本模型和增强模型进行对抗学习获得高区分度的特征，分析评论文本中存在的因果关系，实现语义增强下的深层次抽取该方法基于对抗神经网络的对抗性学习更有区分度的特征，提高因果关系抽取的准确度，可应用于事件预测、问答系统以及情景生成等方面。
一种基于 bert 语义增强因果关系抽取方法

[发明专利]故障相关数据的处理方法、装置、计算机设备及存储介质-CN202310670713.8在审
发明人：敖笑;程俊;孟涛;吴晓华 -专利权人：电子科技大学;广东美的暖通设备有限公司
申请日： 2023-06-06 - 公布日： 2023-09-15 - 主分类号： G06F16/28 文献下载
摘要：首先，获取第一实体和第二实体之间的故障因果关系，通过获取到的第一实体与第二实体之间故障因果关系以便更好地理解和分析故障发生的原因和过程，然后，将第一实体和第二实体对应的第一融合特征数据以及故障因果关系的因果关系表示数据进行特征融合，得到第二融合特征数据；最后，基于第二融合特征数据对故障因果关系进行评估，得到用于描述第一实体与第二实体之间存在故障因果关系的可能性的评估数据。通过评估数据描述第一实体和第二实体之间存在故障因果关系的可能性，以确定该故障因果关系是否可以视为第一实体和第二实体之间真实的故障原因。
故障相关数据处理方法装置计算机设备存储介质

[发明专利]一种基于高维点过程的金融时间序列的因果关系学习方法-CN202010409718.1在审
发明人：陆培丽 -专利权人：上海明寰科技有限公司
申请日： 2020-05-15 - 公布日： 2020-08-28 - 主分类号： G06F16/2458 文献下载
摘要：本发明公开了金融数据分析领域的一种基于高维点过程的金融时间序列的因果关系学习方法，包括以下步骤：步骤1：事件序列提取，将金融时间序列数据事件化，使得时间序列可以用点过程模型进行建模与分析；步骤2：事件序列建模，对多维Hawkes过程进行修正，并使用该过程对步骤1中抽取得到的金融事件序列进行建模，估计转化矩阵；步骤3：参数估计，使用正则化的极大似然估计和EM算法估计模型参数；步骤4：因果关系网络构建，利用步骤3中得到的转化矩阵构建因果关系网络，提取多种金融数据间的因果关系。本发明能够有效地发掘金融数据中的因果关系，并能够更好地满足金融时间序列的因果关系学习的需求，能够有效地替代传统的因果关系学习方法。
一种基于高维点过程金融时间序列因果关系学习方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条