传感器网络环境下的数据增强方法和系统

1.本发明涉及数据处理技术领域，具体涉及一种传感器网络环境下的数据增强方法和系统。


背景技术：

2.近年来，随着传感器基础设施的广泛部署，其形成的传感器网络可以收集海量的数据，已成为智能城市、智能驾驶、智能产业、智能电网等众多智能应用重要数据来源。在一些领域中，需要对传感器数据进行处理，例如：在电网领域中，需要利用各种传感器的数据，例如变压器中的气体含量传感器，压力传感器、温度传感器等，通过对这些传感器数据进行相关处理，从而保证电力设备的安全和高效运行。
3.然而，一些传感器受到诸多自然或人为因素干扰，如自然灾害、断电、传感器故障、数据传输故障、设备故障、网络攻击等，导致收集的数据在意外的情况下出现缺失，因此，解决传感器网络数据缺失问题具有重要意义。
4.现有技术中，一般通过构建生成对抗网络进行数据补全。但是，现有技术采用原始生成对抗网络度量方式设计损失函数，这就导致了在训练过程中易出现梯度消失和模型崩溃问题，进而导致补全后的数据，精度十分低下，准确性较差。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了一种传感器网络环境下的数据增强方法和系统，解决了现有技术补全数据时，准确性较差的技术问题。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：
9.本发明解决其技术问题所提供的一种传感器网络环境下的数据增强方法，所述数据增强方法由计算机执行，包括以下步骤：
10.构建初始生成对抗网络，并获取传感器样本数据；
11.基于所述传感器样本数据获取缺失样本数据；
12.以所述缺失样本数据为输入，以所述传感器样本数据为期望输出，基于预设的损失函数对所述初始生成对抗网络进行训练，得到传感器生成对抗网络；
13.基于所述传感器生成对抗网络对待处理的传感器数据进行插补。
14.优选的，所述基于所述传感器样本数据获取缺失样本数据，包括：
15.获取缺失率；
16.基于所述缺失率，生成与所述传感器样本数据相同大小的矩阵掩码；
17.将所述矩阵掩码与所述传感器样本数据进行叠加，得到缺失样本数据，并生成和所述缺失样本数据一样大小的随机向量。
18.优选的，所述初始生成对抗网络包括按序相连的编码器、生成器和鉴别器；
19.所述损失函数包括：
20.l
e,g
＝αle+lg21.其中，
22.l
e,g
为编码器和生成器联合的第一总损失函数；
23.le为编码器的总损失函数，lg为生成器的总损失函数，α为编码器的权重参数；
24.x
gen
＝g(e(z,x
rem
,m))
25.le＝||x
gen
⊙
m-x
rem
⊙
m||226.x
imp
＝x
rem
⊙
m+x
gen
⊙
(1-m)
[0027][0028]
其中，
[0029]
z表示随机向量，m表示矩阵掩码；x
gen
表示生成器生成的生成数据；x
rem
表示缺失样本数据中的剩余数据，x
imp
表示插补数据；
[0030]
e[*]表示分布函数的期望值，||x
gen
⊙
m-x
rem
⊙
m||2表示生成数据与剩余数据的重建损失，pz(z)表示z的分布，d(x
imp
)表示插补数据为真的概率值；
[0031][0032]
其中，ld表示鉴别器的第二总损失函数；
[0033]
p(x
rem
)表示剩余数据的分布，p(x
com
)表示传感器样本数据的分布；表示p(x
rem
)与p(x
com
)直线之间均匀抽样的分布，d(x
com
)表示传感器样本数据为真的概率值；表示对鉴别器的梯度惩罚值，λ表示梯度惩罚参数。
[0034]
优选的，所述基于所述损失函数对所述初始生成对抗网络进行训练，包括：
[0035]
初始化所述初始生成对抗网络的权重参数；
[0036]
将所述缺失样本数据、所述矩阵掩码和所述随机向量输入到所述初始生成对抗网络中，得到插补数据；
[0037]
根据所述插补数据和所述损失函数对所述初始生成对抗网络进行训练。
[0038]
优选的，所述根据所述插补数据和所述损失函数对所述初始生成对抗网络进行训练，包括：
[0039]
将所述插补数据和所述传感器样本数据输入到鉴别器中，基于所述第二总损失函数进行反向传播；
[0040]
基于所述第一总损失函数进行反向传播；
[0041]
迭代训练，直至所述第一总损失函数和所述第二总损失函数收敛，得到传感器生成对抗网络。
[0042]
优选的，所述将所述缺失样本数据、所述矩阵掩码和所述随机向量输入到所述初始生成对抗网络中，包括：
[0043]
将所述缺失样本数据分为训练缺失样本数据和测试缺失样本数据；
[0044]
将所述训练缺失样本数据、所述矩阵掩码和所述随机向量输入到所述初始生成对抗网络中，得到插补数据；
[0045]
所述根据所述插补数据和所述损失函数对所述初始生成对抗网络进行训练，包
括：
[0046]
每迭代训练所述初始生成对抗网络一次后，基于所述测试缺失样本数据对训练后的初始生成对抗网络进行测试。
[0047]
本发明解决其技术问题所提供的一种传感器网络环境下的数据增强系统，包括：
[0048]
准备模块，被配置为构建初始生成对抗网络，并获取传感器样本数据；
[0049]
缺失样本模块，被配置为基于所述传感器样本数据获取缺失样本数据；
[0050]
训练模块，被配置为以所述缺失样本数据为输入，以所述传感器样本数据为期望输出，基于预设的损失函数对所述初始生成对抗网络进行训练，得到传感器生成对抗网络；
[0051]
插补模块，被配置为基于所述传感器生成对抗网络对待处理的传感器数据进行插补。
[0052]
优选的，所述基于所述传感器样本数据获取缺失样本数据，包括：
[0053]
获取缺失率；
[0054]
基于所述缺失率，生成与所述传感器样本数据相同大小的矩阵掩码；
[0055]
将所述矩阵掩码与所述传感器样本数据进行叠加，得到缺失样本数据，并生成和所述缺失样本数据一样大小的随机向量。
[0056]
本发明解决其技术问题所提供的一种计算机可读存储介质，其存储用于基于信息增强的多轮对话生成的计算机程序，其中，所述计算机程序使得计算机执行如上述的传感器网络环境下的数据增强方法。
[0057]
本发明解决其技术问题所提供的一种电子设备，包括：
[0058]
一个或多个处理器；
[0059]
存储器；以及
[0060]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述的传感器网络环境下的数据增强方法。
[0061]
(三)有益效果
[0062]
本发明提供了一种传感器网络环境下的数据增强方法和系统。与现有技术相比，具备以下有益效果：
[0063]
本发明通过构建初始生成对抗网络，并获取传感器样本数据；基于传感器样本数据获取缺失样本数据；以缺失样本数据为输入，以传感器样本数据为期望输出，基于预设的损失函数对初始生成对抗网络进行训练，得到传感器生成对抗网络；基于传感器生成对抗网络对待处理的传感器数据进行插补。通过预先构建出特定的损失函数，避免了原始生成对抗网络度量方式，使用该损失函数训练过程中模型易于收敛，最终使得插补效果大大提升，使得最终生成的传感器生成对抗网络更加准确。
附图说明
[0064]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。
[0065]
图1为本发明实施例所提供的传感器网络环境下的数据增强方法的场景示意图。
具体实施方式
[0066]
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域普通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。
[0067]
本技术实施例通过提供一种传感器网络环境下的数据增强方法和系统，解决了现有技术补全数据时，准确性较差问题，实现了准确获取补全后的数据。
[0068]
本技术实施例中的技术方案为解决上述技术问题，总体思路如下：
[0069]
本发明实施例通过构建初始生成对抗网络，并获取传感器样本数据；基于传感器样本数据获取缺失样本数据；以缺失样本数据为输入，以传感器样本数据为期望输出，基于预设的损失函数对初始生成对抗网络进行训练，得到传感器生成对抗网络；基于传感器生成对抗网络对待处理的传感器数据进行插补。通过预先构建出特定的损失函数，避免了原始生成对抗网络度量方式，使用该损失函数训练过程中模型易于收敛，最终使得插补效果大大提升，使得最终生成的传感器生成对抗网络更加准确。
[0070]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0071]
本发明实施例提供了一种传感器网络环境下的数据增强方法，该方法由计算机执行，图1为本发明实施例所提供的传感器网络环境下的数据增强方法的场景示意图。该方法包括以下步骤：
[0072]
s1、构建初始生成对抗网络，并获取传感器样本数据；
[0073]
s2、基于所述传感器样本数据获取缺失样本数据；
[0074]
s3、以所述缺失样本数据为输入，以所述传感器样本数据为期望输出，基于预设的损失函数对所述初始生成对抗网络进行训练，得到传感器生成对抗网络；
[0075]
s4、基于所述传感器生成对抗网络对待处理的传感器数据进行插补。
[0076]
本发明实施例通过预先构建出特定的损失函数，避免了原始生成对抗网络度量方式，使用该损失函数训练过程中模型易于收敛，最终使得插补效果大大提升，使得最终生成的传感器生成对抗网络更加准确。
[0077]
下面对各步骤进行具体分析。
[0078]
在步骤s1中，构建初始生成对抗网络，并获取传感器样本数据。
[0079]
具体的，可以先生成初始生成对抗网络。考虑到是对传感器数据进行插补补全处理，因此可以先构建一个传感器领域对应的初始生成对抗网络，也可以直接选取一个现有的生成对抗网络作为初始生成对抗网络。后续可以对初始生成对抗网络进行训练处理，以得到精准的生成对抗网络。
[0080]
本技术实施例中构建了一种特殊的初始生成对抗网络，初始生成对抗网络包括按序相连的辅助编码器、生成器和鉴别器。其中，编码器：可以找到缺失数据找对所传入到生成器的对应的最佳随机噪声。生成器：通过编码器传入的最佳随机噪声，用于对缺失数据进行插补生成缺失数据对应的完整数据模拟值。鉴别器：用于鉴别生成器生成的完整对应的
完整数据模拟值和真实的完整数据值。
[0081]
为了生成准确性较高的生成对抗网络，本技术实施例可以获取各种传感器的真实完整数据，例如变压器中的气体含量传感器，压力传感器、温度传感器等。通过这些真实存在的完整的传感器数据作为比照，以便得到最为精准的生成对抗网络。这些真实完整的传感器数据即作为传感器样本数据。
[0082]
在步骤s2中，基于所述传感器样本数据获取缺失样本数据。
[0083]
具体的，由于最终需要的生成对抗网络是要对传感器的一些缺失数据进行插补补全处理，因此还需要一些缺失样本数据，和上述真实完整的传感器样本数据作为对照，从而训练出准确的生成对抗网络。
[0084]
本技术实施例中根据传感器样本数据获取缺失样本数据，从而保证传感器样本数据和缺失样本数据是相对应的关系。
[0085]
需要说明的是，和传感器样本数据相比，缺失样本数据即是某些位置的数据出现缺失情况的传感器样本数据。传感器样本数据x
com
和缺失数据x
inc
的示例分别如下所示：
[0086][0087][0088]
可以看出，传感器样本数据和缺失样本数据是大小完全相同的两种数据，只是缺失样本数据中某些位置的数据出现了缺失情况。因此，缺失样本数据中可以包含两种情况，缺失位置和剩余数据。其中，缺失位置即为nan的情况，剩余数据则为具有真实数据的内容。
[0089]
剩余数据x
rem
的示例如下所示：
[0090][0091]
因此，可以根据传感器样本数据直接获取缺失样本数据，通过令不同位置的数据出现缺失情况，可以得到不同的缺失样本数据。
[0092]
具体的，可以预先设定缺失率，即传感器样本数据中缺失位置占总位置的比例。通过设定不同的缺失率，可以体现出不同的数据缺失情况。
[0093]
基于所述缺失率，可以生成与所述传感器样本数据相同大小的矩阵掩码。
[0094]
矩阵掩码m的示例分别如下所示：
[0095][0096]
其中，矩阵掩码为大小和传感器样本数据相同的矩阵，掩码中1代表数据未缺失，0代表数据缺失。
[0097]
根据缺失率，可以确定出0的数量。通过在不同的位置设置0，得到不同的矩阵掩码，可以得到不同的缺失样本数据。
[0124]
x
imp
＝x
rem
⊙
m+x
gen
⊙
(1-m)
[0125][0126]
其中，
[0127]
z表示随机向量，m表示矩阵掩码；x
gen
表示生成器生成的生成数据；x
rem
表示缺失样本数据中的剩余数据，x
imp
表示插补数据；
[0128]
e[*]表示分布函数的期望值，||x
gen
⊙
m-x
rem
⊙
m||2表示生成数据与剩余数据的重建损失，pz(z)表示z的分布，d(x
imp
)表示插补数据为真的概率值。
[0129]
s3033：迭代训练，直至所述第一总损失函数和所述第二总损失函数收敛，得到传感器生成对抗网络。
[0130]
具体的，通过不断输入待缺失样本数据和传感器样本数据，交替训练部分带有辅助编码生成对抗网络中的编码器、生成器和鉴别器网络，并利用adam优化算法对网络内的参数进行训练和更新，利用余弦退火方式来进行学习率衰减策略，当损失函数趋于稳定后，得到生成对抗网络最优的网络参数。
[0131]
在进行了数据插补训练后，可以得到最终生成的传感器生成对抗网络。
[0132]
在一些实施例中，在对初始生成对抗网络进行训练的同时，还可以对训练结果进行测试，以提高训练的准确性。
[0133]
具体的，在得到缺失样本数据后，可以将所述缺失样本数据分为训练缺失样本数据和测试缺失样本数据。
[0134]
可以利用训练缺失样本数据对初始生成对抗网络进行训练。例如，将所述训练缺失样本数据、所述矩阵掩码和所述随机向量输入到所述初始生成对抗网络中，得到插补数据。进一步根据插补数据和训练缺失样本数据迭代更新损失函数，直至收敛。
[0135]
同时，在训练过程中，每迭代训练所述初始生成对抗网络一次后，可以基于所述测试缺失样本数据对训练后的初始生成对抗网络进行测试，从而检测每一轮训练后的初始生成对抗网络是否可以作为最终的网络。
[0136]
在步骤s4中，基于所述传感器生成对抗网络对待处理的传感器数据进行插补。
[0137]
通过传感器生成对抗网络可以对需要补全的传感器数据进行插补处理，得到准确的完整数据。
[0138]
本发明实施例还提供了一种传感器网络环境下的数据增强系统，上述系统包括：
[0139]
准备模块，被配置为构建初始生成对抗网络，并获取传感器样本数据；
[0140]
缺失样本模块，被配置为基于所述传感器样本数据获取缺失样本数据；
[0141]
训练模块，被配置为以所述缺失样本数据为输入，以所述传感器样本数据为期望输出，基于预设的损失函数对所述初始生成对抗网络进行训练，得到传感器生成对抗网络；
[0142]
插补模块，被配置为基于所述传感器生成对抗网络对待处理的传感器数据进行插补。
[0143]
可理解的是，本发明实施例提供的上述数据增强系统与上述数据增强方法相对应，其有关内容的解释、举例、有益效果等部分可以参考空地协同下的传感器网络环境下的数据增强方法中的相应内容，此处不再赘述。
[0144]
本发明实施例还提供了一种计算机可读存储介质，该介质上存储有至少一条指
令，至少所述一条指令由处理器加载并执行以实现如上述的传感器网络环境下的数据增强方法。
[0145]
本发明实施例还提供了一种电子设备，电子设备包括：
[0146]
一个或多个处理器；
[0147]
存储器；以及
[0148]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述的传感器网络环境下的数据增强方法。
[0149]
综上所述，与现有技术相比，具备以下有益效果：
[0150]
本发明实施例通过构建初始生成对抗网络，并获取传感器样本数据；基于传感器样本数据获取缺失样本数据；以缺失样本数据为输入，以传感器样本数据为期望输出，基于预设的损失函数对初始生成对抗网络进行训练，得到传感器生成对抗网络；基于传感器生成对抗网络对待处理的传感器数据进行插补。通过预先构建出特定的损失函数，避免了原始生成对抗网络度量方式，使用该损失函数训练过程中模型易于收敛，最终使得插补效果大大提升，使得最终生成的传感器生成对抗网络更加准确。
[0151]
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0152]
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0153]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种传感器网络环境下的数据增强方法，所述数据增强方法由计算机执行，其特征在于，包括以下步骤：构建初始生成对抗网络，并获取传感器样本数据；基于所述传感器样本数据获取缺失样本数据；以所述缺失样本数据为输入，以所述传感器样本数据为期望输出，基于预设的损失函数对所述初始生成对抗网络进行训练，得到传感器生成对抗网络；基于所述传感器生成对抗网络对待处理的传感器数据进行插补。2.根据权利要求1所述的数据增强方法，其特征在于，所述基于所述传感器样本数据获取缺失样本数据，包括：获取缺失率；基于所述缺失率，生成与所述传感器样本数据相同大小的矩阵掩码；将所述矩阵掩码与所述传感器样本数据进行叠加，得到缺失样本数据，并生成和所述缺失样本数据一样大小的随机向量。3.根据权利要求2所述的数据增强方法，其特征在于，所述初始生成对抗网络包括按序相连的编码器、生成器和鉴别器；所述损失函数包括：l
e,g
＝αl
e
+l
g
其中，l
e,g
为编码器和生成器联合的第一总损失函数；l
e
为编码器的总损失函数，l
g
为生成器的总损失函数，α为编码器的权重参数；x
gen
＝g(e(z,x
rem
,m))l
e
＝||x
gen
⊙
m-x
rem
⊙
m||2x
imp
＝x
rem
⊙
m+x
gen
⊙
(1-m)其中，z表示随机向量，m表示矩阵掩码；x
gen
表示生成器生成的生成数据；x
rem
表示缺失样本数据中的剩余数据，x
imp
表示插补数据；e[*]表示分布函数的期望值，||x
gen
⊙
m-x
rem
⊙
m||2表示生成数据与剩余数据的重建损失，p
z
(z)表示z的分布，d(x
imp
)表示插补数据为真的概率值；其中，l
d
表示鉴别器的第二总损失函数；p(x
rem
)表示剩余数据的分布，p(x
com
)表示传感器样本数据的分布；表示p(x
rem
)与p(x
com
)直线之间均匀抽样的分布，d(x
com
)表示传感器样本数据为真的概率值；表示对鉴别器的梯度惩罚值，λ表示梯度惩罚参数。4.根据权利要求3所述的数据增强方法，其特征在于，所述基于所述损失函数对所述初始生成对抗网络进行训练，包括：初始化所述初始生成对抗网络的权重参数；
将所述缺失样本数据、所述矩阵掩码和所述随机向量输入到所述初始生成对抗网络中，得到插补数据；根据所述插补数据和所述损失函数对所述初始生成对抗网络进行训练。5.根据权利要求4所述的数据增强方法，其特征在于，所述根据所述插补数据和所述损失函数对所述初始生成对抗网络进行训练，包括：将所述插补数据和所述传感器样本数据输入到鉴别器中，基于所述第二总损失函数进行反向传播；基于所述第一总损失函数进行反向传播；迭代训练，直至所述第一总损失函数和所述第二总损失函数收敛，得到传感器生成对抗网络。6.根据权利要求4所述的数据增强方法，其特征在于，所述将所述缺失样本数据、所述矩阵掩码和所述随机向量输入到所述初始生成对抗网络中，包括：将所述缺失样本数据分为训练缺失样本数据和测试缺失样本数据；将所述训练缺失样本数据、所述矩阵掩码和所述随机向量输入到所述初始生成对抗网络中，得到插补数据；所述根据所述插补数据和所述损失函数对所述初始生成对抗网络进行训练，包括：每迭代训练所述初始生成对抗网络一次后，基于所述测试缺失样本数据对训练后的初始生成对抗网络进行测试。7.一种传感器网络环境下的数据增强系统，其特征在于，所述系统包括：准备模块，被配置为构建初始生成对抗网络，并获取传感器样本数据；缺失样本模块，被配置为基于所述传感器样本数据获取缺失样本数据；训练模块，被配置为以所述缺失样本数据为输入，以所述传感器样本数据为期望输出，基于预设的损失函数对所述初始生成对抗网络进行训练，得到传感器生成对抗网络；插补模块，被配置为基于所述传感器生成对抗网络对待处理的传感器数据进行插补。8.根据权利要求7所述的数据增强系统，其特征在于，所述基于所述传感器样本数据获取缺失样本数据，包括：获取缺失率；基于所述缺失率，生成与所述传感器样本数据相同大小的矩阵掩码；将所述矩阵掩码与所述传感器样本数据进行叠加，得到缺失样本数据，并生成和所述缺失样本数据一样大小的随机向量。9.一种计算机可读存储介质，其特征在于，其存储用于基于信息增强的多轮对话生成的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～6任一项所述的传感器网络环境下的数据增强方法。10.一种电子设备，其特征在于，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～6任一项所述的传感器网络环境下的数据增强方法。

技术总结
本发明提供一种传感器网络环境下的数据增强方法和系统。通过构建初始生成对抗网络，并获取传感器样本数据；基于传感器样本数据获取缺失样本数据；以缺失样本数据为输入，以传感器样本数据为期望输出，基于预设的损失函数对初始生成对抗网络进行训练，得到传感器生成对抗网络；基于传感器生成对抗网络对待处理的传感器数据进行插补。通过预先构建出特定的损失函数，避免了原始生成对抗网络度量方式，使用该损失函数训练过程中模型易于收敛，最终使得插补效果大大提升，使得最终生成的传感器生成对抗网络更加准确。成对抗网络更加准确。成对抗网络更加准确。


技术研发人员：台建玮 吕欠伟 罗贺 王国强 胡笑旋 马华伟 靳鹏 夏维 唐奕城
受保护的技术使用者：合肥工业大学
技术研发日：2022.05.11
技术公布日：2022/11/1