CN102222233B - 一种基于磁场实现模拟场计算机数据分类方法 - Google Patents
一种基于磁场实现模拟场计算机数据分类方法 Download PDFInfo
- Publication number
- CN102222233B CN102222233B CN201110174421.2A CN201110174421A CN102222233B CN 102222233 B CN102222233 B CN 102222233B CN 201110174421 A CN201110174421 A CN 201110174421A CN 102222233 B CN102222233 B CN 102222233B
- Authority
- CN
- China
- Prior art keywords
- data
- input
- individual
- point
- magnetic field
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于磁场实现模拟场计算机的数据分类方法,在导磁介质薄膜上选取M1×M2个点垂直设置探针;从所设置的探针中选取k2个探针作为构建磁场输入点,选取k1个探针作为数据输入点,选取一个探针作为数据输出点;随机生成n2个用于构建磁场的k2维构建数据Oj[k2],j=1,2L Ln2,每个构建数据能够构建一个模拟场计算机;从Qi[k1]的每一类型数据中分别选取n1个数据作为输入数据;构建数据的每维值决定向构建磁场输入点输入电流的密度,输入数据中的每维值决定向数据输入点输入电流的密度,从数据输出点获取磁场强度值或磁感应强度值作为输出值;对构建数据进行验证,选取最优构建数据获取模拟场计算机实现数据分类。采用本发明对数据分类速度快且准确率高。
Description
技术领域
本发明涉及一种数据分类方法,特别涉及一种基于磁场实现模拟场计算机数据分类方法。
背景技术
模式识别是人类的一项基本智能,在日常生活中,人们经常用“模式识别”来代替人类部分脑力劳动。模式识别是指对表征事物或现象的各种形式的信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程。在模式识别的过程中通常要对大量的数据进行分类,数据分类的速度和准确性直接影响模式识别的效率和精确度。
目前,通常采用基于硅材料的微处理器为基础的数字计算机,对模式识别过程中获取的大量数据进行分类。但是,摩尔定律以及微电子技术理论上的光传输速度极限,量子力学的测不准原理和热力学第二定律等带来的瓶颈,使得数字计算机在进行数据分类的过程速度慢、效率低。同时数字计算机在面对模式识别中产生的二维以及二维以上的数据,其只能对数据的每一维进行串行处理,其分类效率低。
发明内容
本发明的目的是提出了一种基于磁场实现模拟场计算机的数据分类方法,该方法能够同时对多维数据中的各维进行并行处理,且采用基于磁场实现的模拟场计算机,非线性分类能力强,可以实现对复杂数据进行高速准确地分类。
本发明的目的主要通过下述技术方案实现的:
一种基于磁场实现模拟场计算机的数据分类方法,用于对模式识别过程中获取的Ψ个k1维数据Qi[k1]进行分类,其中,i=1,2……Ψ,且Qi[k1]中包含A种类型的数据;具体步骤为:
步骤一、在导磁介质薄膜上选取M1×M2个点垂直设置探针;从所设置的探针中选取k2个探针作为构建磁场输入点,选取k1个探针作为数据输入点,选取一个探针作为数据输出点;其中,构建磁场输入点、数据输入点以及数据输出点为互不相同的点;
步骤二、随机生成n2个用于构建磁场的k2维构建数据Oj[k2],j=1,2……n2,每个构建数据能够构建一个模拟场计算机;从Qi[k1]的每一类型数据中分别选取n1个数据作为输入数据;构建数据的每维值决定向构建磁场输入点输入电流的密度,输入数据中的每维值决定向数据输入点输入电流的密度,从数据输出点获取磁场强度值或磁感应强度值作为输出值;
步骤三、对构建数据进行验证,其具体验证过程为:针对每一构建数据,设定每一类型输入数据对应的输出范围;将根据各输入数据获取的电流输入到数据输入点上,从数据输出点上得到一组输出值;利用各组输出值和输出范围计算各构建数据对应的误差,根据所述误差选取最优构建数据建立模拟场计算机对Qi[k1]进行分类。
本发明所述验证的过程为:
步骤201、设定每一类型输入数据对应的输出范围;
步骤202、从Oj[k2]中选取一未遍历的构建数据作为电流的密度值选取k2个电流,并将所述k2个电流输入到k2个构建磁场输入点上,并将获取的构建数据标记为已遍历的构建数据;
步骤203、针对每一个输入数据,利用其作为电流的密度值获取k1个电流,并将所述k1个电流输入到k1个数据输入点上;
步骤204、判断利用本循环选取的构建数据建立的模拟场计算机,针对每一输入数据所对应的输出值和输出范围计算构建数据对应的误差,判断所述误差是否满足预设条件,若是,则将本循环中构建数据作为最优构建数据建立模拟场计算机对Qi[k1]进行分类,否则,返回步骤202。
本发明所述步骤二和步骤三的具体过程为:
步骤301、设置最大迭代次数为Maxiter,并设定A种类型数据中每一种类型所对应的输出范围,同时令迭代次数iter=0;
步骤302、利用粒子群算法随机生成n2个用于构建磁场的构建数据Oj[k2],j=1,2……n2,每个构建数据的维数为k2,n2个构建数据两两互不相同,且每个构建数据对应一个误差量Bj,令Bj=0;从Qi[k1]的每一类型数据中分别选取n1个数据作为输入数据;
步骤303、从n2个Oj[k2]中选取一未被遍历的k2维构建数据,记为Oη[k2],将Oη[k2]中k2维数据的各维值作为电流的密度值,将k2个电流分别输入到k2个构建磁场输入点上,此时将所述Oη[k2]标记为已经遍历的构建数据;
步骤304、从A×n1个输入数据中选取一未被遍历的k1维输入数据,记为Qμ[k1],将Qμ[k1]中k1维数据的各维值作为电流的密度值,将k1个电流分别输入到k1个数据输入点上,此时将所述Qμ[k1]标记为已经遍历的输入数据;同时存储数据输出点上获取磁场强度值或磁感应强度值作为输出值;
步骤305、判断上述A×n1个输入数据是否都为已经遍历的输入数据,若是,进入步骤306,否则,返回步骤304;
步骤306、判断上述n2个构建数据是否都为已经遍历的构建数据,若是,则进入步骤307,否则,返回步骤303;
步骤307、获取本次循环中n2个构建数据所对应的n2组输出值,其中每组有A×n1个输出值,以组为单位判断每一个输出值是否在其对应输入数据类型所确定的输出范围内,若是,则Bj不变,否则令Bj等于Bj加上差值Δ,其中所述差值Δ为:输出值所对应的输出范围中和输出值最接近的值与输出值之差的平方;
步骤308、选取误差量Bj中最小的一个,记为Bmin,并判断Bmin是否小于预设的ξ,若是则进入步骤310;否则,进入步骤309;
步骤309、判断迭代次数iter是否小于最大迭代次数Maxiter,如果是,令迭代次数iter加1,根据Bj利用粒子群算法对n2个构建数据Oj[k2]进行更新,进入步骤303,如果不是,则进入步骤310;
步骤310、将此时Bmin所对应的构建数据作为最优构建数据,利用最优构建数据作为电流的密度值选取k2个电流,将k2个电流输入到k2个构建磁场输入点上,依次将Qi[k1]从k1个数据输入点上输入,并根据输出值所处的范围对输入的数据进行分类。
有益效果
本发明基于磁场利用多组模式识别的数据对多个构建数据进行训练,获取一个最优构建数据,利用该最优构建数据实现的模拟场计算机可以准确地对数据进行分类。
其次,当处理多维数据时,通过选取模拟场计算机上数据输入点的个数,并在各点上输入各维数值所对应的电流,可实现对多维数据的各维进行同时处理。
再次,本发明基于磁场实现的模拟场计算机,数据输入点和数据输出点的非线性效果好,因此可以实现对较为复杂数据进行处理;同时形成磁场的速度快,采用本发明数据处理速度快。
附图说明
图1为本发明模拟场计算机的示意图。
图2为本发明磁场计算模型示意图。
图3为本发明一个实施例对构建数据进行验证的的流程图。
图4为本发明另二个实施例对数据进行分类方法的流程图。
具体实施方式
下面结合附图对本发明进行进一步详细说明。
本发明基于磁场实现模拟场计算机数据分类方法,用于对模式识别过程中荻取的Ψ个k1维数据Qi[k1]进行分类,其中,i=1,2……Ψ,且Qi[k1]中包含A种类型的数据。
步骤一、在导磁介质薄膜上选取M1×M2个点垂直设置探针;如图1所示,较佳地选取M1=M2,且每相邻两点之间的距离相等,M1×M2个点构成了一个矩形阵列。从所述设置的探针中选取k2个探针作为构建磁场输入点,选取k1个探针作为数据输入点,选取一个探针作为数据输出点;其中,构建磁场输入点、数据输入点以及数据输出点为互不相同的点。
由于探针设置在导磁介质薄膜上,因此当某一探针或某多个探针上有电流输入时,则在导磁介质薄膜上形成磁场,其它探针上具有磁场强度或磁感应强度的输出。
本发明选取k2个探针作为构建磁场输入点,当需要进行分类的数据是由多种类型的多维数据组成时,则k2选取较大,当需要进行分类的数据是一组较为简单的数据,即包含的数据类型和维数都较少时,则k2选取较小即可。例如本实施例中设k1等于4,A等于5,即模式识别过程中获得的数据为包括5种类型的4维数据,则将k2选为4。由于Qi[k1]为k1维数据,分别代表了事物的k1个特征,因此选取k1个探针作为数据输入点,分别将各维数据作为电流的密度值,从数据输入点上输入各电流的密度值所对应的电流。
例如,设本实施例中数据输出点上输出数据为磁场强度;当构建磁场输入点上的输入电流确定时,此时数据输入点上输入的电流会影响数据输出点上输出的磁场强度,使得数据输入点上输入的电流与数据输出点上输出的磁场强度之间存在一个非线性关系,进而可以根据数据输出点上的输出判断输入数据所对应的类型。
上述非线性关系的证明如下:
假设电流I是一根穿过导磁介质薄膜的无线长直导线,电流的方向为垂直于导磁介质薄膜向外(定义为正向)。如图2所示,图中的圆代表磁力线。取磁场强度的幅度H为输出量,方向是磁力线的切线方向,是输入点与输出点之间的距离。
如图2(b)所示,此时导磁介质薄膜上有两个电流输入,则输出点的磁场强度其中Hx=-H1sinα1-H2sinα2,Hy=H1cosα1+H2cosα2,H1为第一输入电流在输出点上产生的磁场强度,H2为第二输入电流在输出点上产生的磁场强度,α1是第一个电流输入点和输出点连线与x轴的夹角,α2是第二个电流输入点和输出点连线与x轴的夹角。
假设薄膜有m个电流输入点(正向;vi=0,负向vi=1),1个输出点,则输出点的磁场强度为:
其中,αi表示第i个电流输入点和输出点连线与x轴之间的夹角,αj表示第j个电流输入点和输出点连线与x轴之间的夹角;ρi表示第i个电流输入点与输出点之间的距离,ρj第j个电流输入点与输出点之间的距离。
由此可以看出,输出点的磁场强度和输入点的电流之间存在着非线性的关系。
步骤二、随机生成n2个用于构建磁场的k2维构建数据Oj[k2],j=1,2……n2,每个构建数据能够构建一个模拟场计算机;从Qi[k1]的每一类型数据中分别选取n1个数据作为输入数据;构建数据的元素值决定向构建磁场输入点输入电流的密度,输入数据中的元素值决定向数据输入点输入电流的密度,从数据输出点获取磁场强度值或磁感应强度值作为输出值。
步骤三、对构建数据进行验证,其具体验证过程为:针对每一构建数据,将各输入数据获取的电流输入到数据输入点上,从数据输出点上得到一组输出值;利用各组输出值和输出范围计算构建数据对应的误差,根据所述误差选取最优构建数据建立模拟场计算机,对Qi[k1]进行分类。
在一个实施例中,如图3所示,对构建数据进行验证的具体过程为:
步骤201、设定每一类型输入数据对应的输出范围;
步骤202、从Oj[k2]中选取一构建数据作为电流的密度值选取k2个电流,并将所述k2个电流输入到k2个构建磁场输入点上;
步骤203、针对每一个输入数据,利用其作为电流的密度值获取k1个电流,并将所述k1个电流输入到k1个数据输入点上;
步骤204、判断利用本循环选取的构建数据建立的模拟场计算机,针对每一输入数据所对应的输出值和输出范围计算构建数据对应的误差,判断所述误差是够满足预设条件,若是,则将本循环中构建数据作为最优构建数据建立模拟场计算机,对Qi[k1]进行分类,否则,返回步骤202。
在另一个实施例中,如图4所示,本发明可以采用如下方式建立对数据进行分类具体过程为:
步骤A1、在导磁介质薄膜上选取M1×M2个点垂直设置探针;从所设置的探针中选取k2个探针作为构建磁场输入点,选取k1个探针作为数据输入点,选取一个探针作为数据输出点;其中,构建磁场输入点、数据输入点以及数据输出点为互不相同的点。
步骤A2、设置最大迭代次数为Maxiter,并设定A种类型数据中每一种类型所对应的输出范围[fa,fa+1],其中,a=1,2…5。例如第一种数据类型对应的输出范围为[f1,f2],第二种数据类型对应的输出范围为[f2,f3],第三种类型数据类型对应的输出范围为[f3,f4]等,同时令迭代次数iter=0。
步骤A3、利用粒子群算法随机生成n2个用于构建磁场的构建数据,Oj[k2],j=1,2……n2,其中每个构建数据的维数为k2维,n2个构建数据两两互不相同,且每个构建数据对应一个误差量Bj,令Bj=0。
本步骤中所使用的粒子群算法为近来发展的一个较为成熟的技术,它是从随机解出发,通过迭代寻找最优解,本发明中优化变量对应着构建磁场的构建数据。粒子群算法粒子值更新公式:
v(t+1)=w*v(t)+c1*r1*(pb(t)-x(t))+c2*r2*(pg(t)-x(t))
x(t+1)=x(t)+v(t+1)
这里的t就是指迭代的次数。v是指粒子的速度,x是指粒子的位置。PSO算法参数选择
c1,c2是加速系数(或称学习因子),分别调节向全局最好粒子和个体最好粒子方向飞行的最大步长,若太小,则粒子可能远离目标区域,若太大则会导致突然向目标区域飞去,或飞过目标区。合适的c1,c2可以加快收敛且不易陷入局部最优。当c1≈c2时,粒子的工作效率最高,通常取c1=c2=2。
用惯性权重w来控制前面的速度对当前速度的影响,较大的w可以加强PSO的全局搜索能力,而较小的w能加强局部搜索能力。实际结果表明,w在[0.8,1.2]之间有更快的收敛速度。
迭代次数:为了得到一个好的解,所需要的迭代次数也依赖于具体问题。太少的迭代可能使得算法早熟,而太多的迭代次数会增加计算的负担。
种群大小:大数量的种群可以在每一次迭代中都能搜索空间中更大的区域,同时也将增大算法的计算量,以及降低并行随机搜索的性能。研究经验表明,10-30个粒子为最佳。但仍依赖于具体要解决的问题,在该问题的求解中,实验结果表明,取15个粒子效果最佳。
搜索空间(邻域大小):邻域越小,交流越少,收敛较慢,不过它的收敛更能可靠的找到最优解,同时不容易陷入局部极值。
步骤A4、利用未被遍历的构建数据Oη[k2]作为电流的密度值选取k2个电流,将所述k2个电流输入到k2个构建磁场输入点上,此时将Oη[k2]标记为已经遍历的构建数据,η∈{1,2……n2}。
由于无法确定每个构建磁场输入点上所需输入电流的大小,才能对输入数据进行准确的分类,因此利用粒子群算法随机生成的n2个构建数据,并对模式识别过程获取的Ψ个包含A种类型的k1维数据,针对每一类型分别选取n1个已知类型的数据,得到A×n1数据作为输入数据来对构建数据进行训练(学习),以便获得一个最优的构建数据,具体过程如下。
步骤A5、利用未被遍历的输入数据Qμ[k1]作为电流的密度值选取k1个电流,将所述k1个电流输入到k1个数据输入点上,此时将Qμ[k1]标记为已经遍历的输入数据,μ∈{1,2,3…A×n1};同时存储数据输出点上获取的输出值。
步骤A6、判断上述A×n1个输入数据是否都为已经遍历的输入数据,若是,说明针对于每一个输入数据都已经获得一个输出值,则进入步骤A7,否则,返回步骤A5。
步骤A7、判断上述n2个构建数据是否都为已经遍历的构建数据,若是,则进入步骤A8,否则返回步骤A4。
因为需要对n2个用于构建磁场的构建数据进行判断,以便选取最优构建数据,因此需要针对每一个构建数据,利用所选取的A×n1个输入数据进行训练。
步骤A8、获取本次循环中n2个构建数据所对应的n2组输出值,其中,每组有A×n1个输出值,以组为单位判断每一个输出值是否在其对应输入数据类型所确定的输出范围内,若是,则令Bj不变,否则令Bj等于Bj加上差值Δ,其中所述差值Δ为:输出值所对应的输出范围中与输出值最接近的值与输出值之差的平方。
下面列举一详细的例子进行说明
设模式识别过程中获得5种类型数据,每种输入数据对应的输出范围为,第一种输入数据的输出范围为[0,20],第二种输入数据的输出范围为[20,40],第三种输入数据的输出范围为[40,60],第四种输入数据的输出范围为[60,80],第五种输入数据的输出范围为[80,100]。针对每种类型数据选取20个作为输入数据,则总共包含100个输入数据,对上述100个输入数据所对应的输出值进行判断。若对于第一组构建数据,输入数据中的第一个为第一种类型时,其输出值为25.3则其不再[0,20]范围之内,于是令B1等于B1加上|25.3-20|,继续对输入数据中的第二个进行判断,依次类推。
步骤A9、选取步骤A8获得的误差量Bj中最小的一个,记为Bmin,并判断Bmin是否小于预设的ξ,若是则进入步骤A10;否则,进入步骤A11。
步骤A10、判断迭代次数iter是否小于最大迭代次数Maxiter,如果是,令迭代次数iter加1,根据Bj利用粒子群算法对n2个构建数据Oj[k2]进行更新,进入步骤A3,如果不是,则进入步骤A11。
其中,ξ为根据需要设定的阈值;因为当最小重叠量之和小于ξ后,则说明此时根据Bmin对应的构建数据所构建的磁场可以实现对输入数据较为准确的分类,否则进入步骤A3继续寻找最优的构建数据。本发明中所用的粒子群算法中的pg为本次循环相邻两个构建数据中较优的一个,即相邻两个构建数据中对应Bj较小的一个,pb为上次循环第j个构建数据与这次循环第j个构建数据中较优的一个,即两构建数据中对应Bj较小的一个。
步骤A11、将此时Bmin所对应的构建数据作为最优构建数据,利用最优构建数据作为电流的密度值选取k2个电流,将所述k2个电流输入到k2个构建磁场输入点上,依次将Qi[k1]从k1个数据输入点上输入,并根据输出值所处的范围对输入的数据进行分类。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于磁场实现模拟场计算机数据分类的方法,用于对模式识别过程中获取的Ψ个k1维数据Qi[k1]进行分类,其中,i=1,2……Ψ,且Qi[k1]中包含A种类型的数据;其特征在于,具体步骤为:
步骤一、在导磁介质薄膜上选取M1×M2个点垂直设置探针;从所设置的探针中选取k2个探针作为构建磁场输入点,选取k1个探针作为数据输入点,选取一个探针作为数据输出点;其中,构建磁场输入点、数据输入点以及数据输出点为互不相同的点;
步骤二、设置最大迭代次数为Maxiter,并设定A种类型数据中每一种类型所对应的输出范围,同时令迭代次数iter=0;
步骤三、利用粒子群算法随机生成n2个用于构建磁场的构建数据Oj[k2],j=1,2……n2,每个构建数据的维数为k2,n2个构建数据两两互不相同,且每个构建数据对应一个误差量Bj,令Bj=0;从Qi[k1]的每一类型数据中分别选取n1个数据作为输入数据;
步骤四、从n2个Oj[k2]中选取一未被遍历的k2维构建数据,记为Oη[k2],将Oη[k2]中k2维数据的各维值作为电流的密度值,将k2个电流分别输入到k2个构建磁场输入点上,此时将所述Oη[k2]标记为已经遍历的构建数据;
步骤五、从A×n1个输入数据中选取一未被遍历的k1维输入数据,记为Qμ[k1],将Qμ[k1]中k1维数据的各维值作为电流的密度值,将k1个电流分别输入到k1个数据输入点上,此时将所述Qμ[k1]标记为已经遍历的输入数据;同时存储数据输出点上获取的磁场强度值或磁感应强度值作为输出值;
步骤六、判断上述A×n1个输入数据是否都为已经遍历的输入数据,若是,进入步骤七,否则,返回步骤五;
步骤七、判断上述n2个构建数据是否都为已经遍历的构建数据,若是,则进入步骤八,否则,返回步骤四;
步骤八、获取本次循环中n2个构建数据所对应的n2组输出值,其中每组有A×n1个输出值,以组为单位判断每一个输出值是否在其对应输入数据类型所确定的输出范围内,若是,则Bj不变,否则令Bj等于Bj加上差值△,其中所述差值△为:输出值所对应的输出范围中和输出值最接近的值与输出值之差的平方;
步骤九、选取误差量Bj中最小的一个,记为Bmin,并判断Bmin是否小于预设的ξ,若是则进入步骤十一;否则,进入步骤十;
步骤十、判断迭代次数iter是否小于最大迭代次数Maxiter,如果是,令迭代次数iter加1,根据Bj利用粒子群算法对n2个构建数据Oj[k2]进行更新,进入步骤四,如果不是,则进入步骤十一;
步骤十一、将此时Bmin所对应的构建数据作为最优构建数据,利用最优构建数据作为电流的密度值选取k2个电流,将k2个电流输入到k2个构建磁场输入点上,依次将Qi[k1]从k1个数据输入点上输入,并根据输出值所处的范围对输入的数据进行分类。
2.根据权利要求1所述的数据分类的方法,其特征在于,所述M1=M2,且每相邻两点之间的距离相等,M1×M2个点构成了一个矩形阵列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110174421.2A CN102222233B (zh) | 2011-06-24 | 2011-06-24 | 一种基于磁场实现模拟场计算机数据分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110174421.2A CN102222233B (zh) | 2011-06-24 | 2011-06-24 | 一种基于磁场实现模拟场计算机数据分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102222233A CN102222233A (zh) | 2011-10-19 |
CN102222233B true CN102222233B (zh) | 2014-04-02 |
Family
ID=44778781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110174421.2A Expired - Fee Related CN102222233B (zh) | 2011-06-24 | 2011-06-24 | 一种基于磁场实现模拟场计算机数据分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102222233B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5796919A (en) * | 1996-10-07 | 1998-08-18 | Kubica; Eric Gregory | Method of constructing and designing fuzzy controllers |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8219506B2 (en) * | 2006-11-14 | 2012-07-10 | Indiana University Research And Technology Corp. | Method and apparatus for evolving overlays to operate an extended analog computer as a classifier or a controller |
-
2011
- 2011-06-24 CN CN201110174421.2A patent/CN102222233B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5796919A (en) * | 1996-10-07 | 1998-08-18 | Kubica; Eric Gregory | Method of constructing and designing fuzzy controllers |
Also Published As
Publication number | Publication date |
---|---|
CN102222233A (zh) | 2011-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103034766B (zh) | 一种确定层合板复合材料的铺层角方向与厚度的方法 | |
Yong | The research of imbalanced data set of sample sampling method based on K-means cluster and genetic algorithm | |
CN104008181B (zh) | 一种基于三维模型特征的电子零件相似数控工艺检索方法 | |
CN106503802A (zh) | 一种利用遗传算法优化bp神经网络***的方法 | |
CN108985521A (zh) | 光伏发电***的输出功率预测方法、装置、设备及介质 | |
CN113554467B (zh) | 一种基于协同进化的铁路三维线形智能设计方法 | |
CN112417573A (zh) | 基于ga-lssvm与nsga-ⅱ盾构下穿既有隧道施工多目标优化的方法 | |
Yang et al. | Markov chain-based approach of the driving cycle development for electric vehicle application | |
CN106708659A (zh) | 一种自适应最近邻缺失数据的填充方法 | |
CN110110434A (zh) | 一种概率潮流深度神经网络计算的初始化方法 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法 | |
Yue et al. | A multi‐grid method of high accuracy surface modeling and its validation | |
CN101930483A (zh) | 应用参数化设计模型化简数字地图居民地多边形的方法 | |
CN102890703A (zh) | 一种网络异质多维标度方法 | |
CN112199862B (zh) | 纳米粒子运移的预测方法、其影响因子分析方法及*** | |
Zhang et al. | Basic farmland zoning and protection under spatial constraints with a particle swarm optimisation multiobjective decision model: a case study of Yicheng, China | |
CN107067035B (zh) | 协同演化算法优化的支持向量机湿地遥感分类方法 | |
CN108320504A (zh) | 基于监测数据的动态od矩阵估计方法 | |
Wang et al. | Enhancing diversity by local subset selection in evolutionary multiobjective optimization | |
Wang et al. | Electricity load forecasting based on support vector machines and simulated annealing particle swarm optimization algorithm | |
Berneti | Design of fuzzy subtractive clustering model using particle swarm optimization for the permeability prediction of the reservoir | |
CN102222233B (zh) | 一种基于磁场实现模拟场计算机数据分类方法 | |
CN103605631A (zh) | 一种基于支持向量几何意义的增量学习方法 | |
CN104036024B (zh) | 一种基于GACUC和Delaunay三角网的空间聚类方法 | |
CN113722853B (zh) | 一种面向智能计算的群智能进化式工程设计约束优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140402 Termination date: 20210624 |
|
CF01 | Termination of patent right due to non-payment of annual fee |