CN111831693A - 一种基于数值型关联分析的光学遥感载荷指标获取方法 - Google Patents
一种基于数值型关联分析的光学遥感载荷指标获取方法 Download PDFInfo
- Publication number
- CN111831693A CN111831693A CN202010505977.4A CN202010505977A CN111831693A CN 111831693 A CN111831693 A CN 111831693A CN 202010505977 A CN202010505977 A CN 202010505977A CN 111831693 A CN111831693 A CN 111831693A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- numerical
- sensing load
- index
- technical
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000003287 optical effect Effects 0.000 title claims abstract description 32
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000005065 mining Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012098 association analyses Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于数值型关联分析的光学遥感载荷指标获取方法,步骤包括:步骤1,基于遥感载荷应用方向与技术指标,构建遥感载荷事务数据库;步骤2,对遥感载荷事务数据库进行数值型关联分析,挖掘遥感载荷应用方向与技术指标关联规则,提取强关联规则;步骤3,选取由应用方向到技术指标的规则,依据输入的应用方向信息,结合强关联规则,将强关联规则对应的至少0.5置信度的技术指标作为推荐结果,进而获取面向遥感应用的光学遥感载荷指标。本发明在挖掘应用方向与技术指标强关联规则时,通过数值型支持度与置信度计算,充分利用技术指标数值自身信息,能够避免传统算法数据分层的信息损耗,提高获取指标的准确性。
Description
技术领域
本发明属于空间光学技术与数据挖掘领域,特别涉及一种基于数值型关联分析的光学遥感载荷指标获取方法。
背景技术
传统关联分析算法仅对布尔型数据处理较为成熟,不能处理数值型数据。对数值型数据目前通常使用各种人工或自动的分层算法,将其映射为布尔型数据,再使用传统算法计算。但是将数值型数据分层映射的方法,被分为同一层的不同数值型数据会损失数据本身蕴含的信息,降低关联分析的准确性。
几十年来,光学遥感技术不断快速发展,积累了丰富的遥感载荷技术指标与应用方向数据。对技术指标与应用数据开展关联分析数据挖掘,可以探索遥感载荷技术指标与应用方向的内在联系。但是光学遥感载荷对应的技术指标显然属于数值型数据,传统关联分析方法并不适用。
发明内容
本发明解决的技术问题是:为克服现有技术的不足,提出一种基于数值型关联分析的光学遥感载荷指标获取方法,克服现有布尔型数据关联分析方法的缺点,改进Apriori算法,实现直接利用遥感载荷技术指标数据本身的数值计算关联规则,建立应用方向到技术指标的强关联规则,将强关联规则对应的技术指标作为推荐结果,进而获取面向遥感应用的技术指标。
本发明解决技术的方案是:
一种基于数值型关联分析的光学遥感载荷指标获取方法,该方法的步骤包括:
步骤1,基于遥感载荷应用方向与技术指标,构建遥感载荷事务数据库;
步骤2,对遥感载荷事务数据库进行数值型关联分析,改进Apriori算法,挖掘遥感载荷应用方向与技术指标关联规则,提取强关联规则;
步骤3,选取由应用方向到技术指标的规则,依据输入的应用方向信息,结合强关联规则,将强关联规则对应的至少0.5置信度的技术指标作为推荐结果,进而获取面向遥感应用的光学遥感载荷指标。
进一步的,步骤1中,遥感载荷事务数据库中的技术指标涵盖的类型与最终获得推荐的技术指标类型一致,技术指标类数据作为数值型数据保持其原有具体数值,不向布尔型数据转化。
进一步的,技术指标包括地面分辨率、光谱分辨率、辐射分辨率、时间分辨率中至少一种数值型数据,应用方向包括陆地、大气及海洋三方面。
进一步的,步骤1中,以一种遥感载荷对应的技术指标或应用方向数据构成数据库中的一条事务tk(k=1,2...N),其中包含的项目为Abj(bj=1,2,...,M),各个遥感载荷对应的所有条事务构成遥感载荷事务数据库D。
进一步的,遥感载荷事务数据库D中某条事务tk(k=1,2...N)的某技术指标缺失,则记录该技术指标对应数据为空,如其应用方向对应多组数据,则将其并列记录为多个项目。
进一步的,步骤2中,提取强关联规则的方法为:
步骤2.1:数据规范化;
步骤2.2:遍历数据库,计算J阶项目数值支持度,J≥1,得到J阶候选项目集;
步骤2.3:裁剪小于最小支持度的J阶候选项目集,得到J阶频繁项目集;
步骤2.4:当J阶频繁项目集不为空时,循环步骤2.2、2.3,否则,使用数值型置信度对所得的各阶频繁集进行裁剪,裁剪小于最小置信度的项目,得到变换域关联规则;
步骤2.5:规则复原,按照步骤2.1规定的变换方法,将规则中的项目,按照不同属性,将其具体数值从0-1的值域再分别反变换回原有值域,得到强关联规则结果。
进一步的,步骤2.2中,当J=1时,进行一阶候选集探测,遍历数据库中规范化后的数据,计算项目支持度,其计算方法如下:
进一步的,步骤2.2中,当J>1时,遍历J-1阶频繁集,计算多阶支持度,方法如下:
1≤b1<b2<...<bj≤M
其中,为事务ti中项目与tk中相应项目的相似度度量,为J阶项目的数值型支持度;为事务ti中第bj项技术指标对应的参数数值,为事务tk(k=1,2...N)中第bj项技术指标对应的参数数值,代表两个事务的具体数值差距的绝对值,M为事物ti中技术指标项目的数量,bj为1到M中的一个随机数;为对相似度进行变换函数。
进一步的,进行J阶频繁集筛选,人工指定最小支持度阈值,并按照各自支持度排序,裁剪小于最小支持度阈值的J阶项目,得到J阶频繁集。
其中,SupportA为项目A对应的数值型支持度,Support(A∪B)为项目A,B同时发生的数值型支持度。
本发明与现有技术相比的有益效果是:
(1)本发明采用基于数值型关联分析的光学遥感载荷指标获取方法,在挖掘应用方向与技术指标强关联规则时,通过数值型支持度与置信度计算,充分利用技术指标数值自身信息,能够避免传统算法数据分层的信息损耗,提高关联分析成果,即获取指标的准确性;
(2)本发明所采用的基于数值型关联分析的光学遥感载荷指标获取方法,在其数值型支持度、置信度计算时,所有数据均可参与计算,其中差异大的数据贡献小,差异小的数据贡献大,能够给出与真实支持度、置信度更加近似的成果;
(3)本发明所采用的基于数值型关联分析的光学遥感载荷指标获取方法,在其数值型支持度、置信度计算时,可以兼容布尔型数据,能够支持数值型数据与布尔型数据的混合数据库数据挖掘;
(4)本发明不涉及光学计算,仅涉及光学遥感载荷事务数据库中技术指标与应用方向中强关联规则挖掘,针对不同应用方向,能够获取事务数据库中包含的任意技术指标推荐成果;
(5)本发明所述的基于数值型关联分析的光学遥感载荷指标获取方法具有自动、量化、面向应用的特点,可以在光学遥感载荷历史数据开展数值型关联分析的基础上,针对具体遥感应用方向,自动化的获取高置信的推荐设计指标,实现面向遥感应用的光学遥感载荷的自动化辅助设计。
附图说明
图1是本发明提取强关联规则的方法流程图;
图2是本发明方法流程图。
具体实施方式
下面结合实施例对本发明作进一步阐述。
一种基于数值型关联分析的光学遥感载荷指标获取方法,如图2所示,步骤1:遥感载荷事务数据库构建
步骤1.1,遥感载荷事务数据库数据定义,遥感载荷事务数据库数据包含遥感载荷应用方向与技术指标两类,其中技术指标类数据涵盖的指标类型与最终获得推荐的指标类型一致,它们作为数值型数据保持其原有具体数值,不向布尔型数据转化。
实施例中技术指标包括地面分辨率、光谱分辨率、辐射分辨率、时间分辨率等数值型数据与应用方向,其中应用方向涵盖陆地、大气、海洋三方面的细分应用。
步骤1.2,遥感载荷事务数据库形式定义,以一种遥感载荷对应的技术指标与应用方向数据构成数据库中的一条事务tk(k=1,2...N),一种技术指标或应用方向为事务tk(k=1,2...N)中的一个项目Abj(bj=1,2,...,M),各个遥感载荷对应的所有条事务构成遥感载荷事务数据库D。
事务数据库中某条事务tk(k=1,2...N)的某技术指标数据缺失,则记录该技术指标对应数据为空,如某应用方向对应多组数据,则将其并列记录为多个项目。
步骤2:基于数值型关联分析的遥感载荷应用方向与技术指标关联规则挖掘,改进Apriori算法,得到强关联规则,步骤如附图1所示。
步骤2.1,数据规范化,将不同值域、量纲的数值型技术指标数据,按照其最小值与最大值,采用min-max规范化方法,线性转换至0-1的值域范围。
步骤2.2,一阶候选集探测,遍历数据库中规范化后的数据,计算项目支持度;首先计算一阶项目的支持度;
传统支持度为事务x在事务数据库中出现的次数δx与事务数据库总事务数量N的比值:
然而,对于数值型数据,同一属性同一数值恰好重复出现的概率很低,采用上述支持度计算,则所有项目的支持度均很低,难以找出真正有价值的频繁项,反而易被噪声影响(如某属性对应项目数值接近数字出现频次较高,但不重复;另一数值附近数值项目极少出现,但有少量重复现象,则后种支持度反而较大),而常用的通过人工设定或聚类方法将数值投影至少量几个布尔型,则消减了数值自身所蕴含的信息量。
提出数值型支持度计算方法如下:
其中Ai为事务ti中技术指标A对应的参数数值,Ak为事务tk(k=1,2...N)中技术指标A对应的参数数值。Ai-Ak代表两个事务的具体数值差距,经过绝对值求解并与1做差后,得到保证为正数的相似度度量这个参数描述两个项目相似程度或者差异的大小,为0则差异最大,为1则差异最小。
经函数f变换后在所有事物中求和,再除以总的事务数N,得到1阶项目Ai对应的最终的数值型支持度。
公式中f应根据数据的分布情况设定,当数据分布较为均匀时,f(x)设定为线性函数:
f(x)=x
如需要当前属性差异较小的数据能够对支持度的增长发挥较大的作用,而差异较大的数据快速下降趋近于0,则使用指数函数。
f(x)=aebx
上式中自变量x示两组数据间差异的大小,为0则差异最大,为1则差异最小。a,b两组参数的设定,应保证经过指数函数变换后,差异最小(x=1)时f(x)=1;差异最大(x=0)时,f(x)应趋近于0,具体取值应参考事务数据库本身的大小,使得单项支持度被累加后,仍不超过0.1。实施例中包含1000条事务,则f(x=0)取值应小于0.0001。
步骤2.3,一阶频繁集筛选,人工指定最小支持度阈值,并将项目按照各自支持度排序,裁剪小于最小支持度阈值的一阶项集,得到一阶频繁集,其中最小支持度阈值应根据实施例中数据本身依据需求设置。
步骤2.4,J阶候选集探测,当J>1时,遍历J-1阶频繁集,计算多阶支持度,方法如下:
1≤b1<b2<...<bj≤M
其中,为事务ti中项目与tk中相应项目的相似度度量,为J阶项目的数值型支持度;为事务ti中第bj项技术指标对应的参数数值,为事务tk(k=1,2...N)中第bj项技术指标对应的参数数值,代表两个事务的具体数值差距的绝对值,M为事物ti中技术指标项目的数量,bj为1到M中的一个随机数;为对相似度进行变换函数。
步骤2.5,J阶频繁集筛选,按照候选集支持度排序,人工指定最小支持度阈值,裁剪小于最小支持度阈值的J阶项集,得到J阶频繁集。其中最小支持度阈值应根据实施例中数据本身依据需求设置。
步骤2.6,当J阶频繁集不为空时,循环步骤2.4,2.5;否则,使用数值型置信度算子对所得的各阶频繁集进行裁剪,仅保留置信度大于最小置信度的项目集,作为数据库变换域的关联规则。数值型置信度计算方法如下:
其中,SupportA为项目A对应的数值型支持度,Support(A∪B)为项目A,B同时发生的数值型支持度,如该项目为1阶,则其计算方法同步骤2.2,否则,计算方法同步骤2.4。
最小置信度根据数据分布与应用需求设置,实施例中设置为0.7,即挖掘到的规则70%可信。
步骤2.7,规则复原,按照步骤2.1规定的变换方法,将规则中的项目,按照不同属性,将其具体数值从0-1的值域再分别反变换回原有值域,得到关联规则结果。
步骤3:光学遥感载荷指标推荐
步骤3.1,关联规则选取,在得到的所有强关联规则中,选取由应用方向到技术指标的规则,剔除其它规则。
步骤3.2,指标分析与推荐,根据步骤3.1选取的规则,依据输入的应用方向信息,给出置信度较高的技术指标项目作为设计推荐,此处最小置信度阈值应根据需求设置,实施例中与步骤2.6保持一致。
如规则应用方向B到某指标A或指标集Abj(bj=1,2,...,M)(其中M为关联分析得到的指标集维度)规则具有较高的置信度C,符合算法要求。则意味着面向应用方向B的遥感载荷,在C概率下,应具备Abj(bj=1,2,...,M)指标集。譬如内陆水监测应用到光谱分辨率<10nm的置信度为100%,则意味着设计内陆水检测应用遥感载荷时,有100%的概率应将其光谱分辨率细化至10nm以内。
本发明采用基于数值型关联分析的光学遥感载荷指标获取方法,在挖掘应用方向与技术指标强关联规则时,通过数值型支持度与置信度计算,充分利用技术指标数值自身信息,能够避免传统算法数据分层的信息损耗,提高关联分析成果,即获取指标的准确性。
本发明虽然已较佳实例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不拓扑本发明的精神和范围内,都可以领上述揭示的方法和技术对本发明技术方案作出可能的变动和修改。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例作的任何简单修改等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (10)
1.一种基于数值型关联分析的光学遥感载荷指标获取方法,其特征在于,该方法的步骤包括:
步骤1,基于遥感载荷应用方向与技术指标,构建遥感载荷事务数据库;
步骤2,对遥感载荷事务数据库进行数值型关联分析,改进Apriori算法,挖掘遥感载荷应用方向与技术指标间的关联规则,提取强关联规则;
步骤3,选取由应用方向到技术指标的规则,依据输入的应用方向信息,结合强关联规则,将强关联规则对应的至少0.5置信度的技术指标作为推荐结果,进而获取面向遥感应用的光学遥感载荷指标。
2.根据权利要求1所述的一种基于数值型关联分析的光学遥感载荷指标获取方法,其特征在于:步骤1中,遥感载荷事务数据库中的技术指标涵盖的类型与最终获得推荐的技术指标类型一致,技术指标类数据作为数值型数据保持其原有具体数值,不向布尔型数据转化。
3.根据权利要求2所述的一种基于数值型关联分析的光学遥感载荷指标获取方法,其特征在于:技术指标包括地面分辨率、光谱分辨率、辐射分辨率、时间分辨率中至少一种数值型数据,应用方向包括陆地、大气及海洋三方面。
4.根据权利要求1所述的一种基于数值型关联分析的光学遥感载荷指标获取方法,其特征在于:步骤1中,以一种遥感载荷对应的技术指标或应用方向数据构成数据库中的一条事务tk(k=1,2...N),其中包含的项目为Abj(bj=1,2,...,M),各个遥感载荷对应的所有事务构成遥感载荷事务数据库D。
5.根据权利要求4所述的一种基于数值型关联分析的光学遥感载荷指标获取方法,其特征在于:遥感载荷事务数据库D中某条事务tk(k=1,2...N)的某技术指标缺失,则记录该技术指标对应数据为空,如其应用方向对应多组数据,则将其并列记录为多个项目。
6.根据权利要求1所述的一种基于数值型关联分析的光学遥感载荷指标获取方法,其特征在于:步骤2中,提取强关联规则的方法为:
步骤2.1:数据规范化;
步骤2.2:遍历数据库,计算J阶项目数值型支持度,J≥1,得到J阶候选项目集;
步骤2.3:裁剪小于最小支持度的J阶候选项目集,得到J阶频繁项目集;
步骤2.4:当J阶频繁项目集不为空时,循环步骤2.2、2.3,否则,使用数值型置信度对所得的各阶频繁集进行裁剪,裁剪小于最小置信度的项目,得到变换域的关联规则结果;
步骤2.5:规则复原,按照步骤2.1规定的变换方法,将规则中的项目,按照不同属性,将其具体数值从0-1的值域再分别反变换回原有值域,得到强关联规则结果。
9.根据权利要求7或8所述的一种基于数值型关联分析的光学遥感载荷指标获取方法,其特征在于:进行J阶频繁集筛选,人工指定最小支持度阈值,并按照各自支持度排序,裁剪小于最小支持度阈值的J阶项目,得到J阶频繁集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505977.4A CN111831693B (zh) | 2020-06-05 | 2020-06-05 | 一种基于数值型关联分析的光学遥感载荷指标获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505977.4A CN111831693B (zh) | 2020-06-05 | 2020-06-05 | 一种基于数值型关联分析的光学遥感载荷指标获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111831693A true CN111831693A (zh) | 2020-10-27 |
CN111831693B CN111831693B (zh) | 2024-02-09 |
Family
ID=72899269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010505977.4A Active CN111831693B (zh) | 2020-06-05 | 2020-06-05 | 一种基于数值型关联分析的光学遥感载荷指标获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111831693B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836793A (zh) * | 2021-09-03 | 2021-12-24 | 成都众享天地网络科技有限公司 | 一种基于关联准则的电磁环境态势感知预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004192140A (ja) * | 2002-12-09 | 2004-07-08 | Sony Corp | データ通信システム、データ送信装置、データ受信装置、および方法、並びにコンピュータ・プログラム |
US20060142893A1 (en) * | 2004-12-28 | 2006-06-29 | Fanuc Ltd | Tool damage/abnormality detecting device |
CN103776532A (zh) * | 2014-01-14 | 2014-05-07 | 北京空间机电研究所 | 一种基于遥感应用的高光谱成像仪指标优化方法 |
CN106126577A (zh) * | 2016-06-17 | 2016-11-16 | 北京理工大学 | 一种基于数据源划分矩阵的加权关联规则挖掘方法 |
CN108334548A (zh) * | 2017-12-26 | 2018-07-27 | 爱品克科技(武汉)股份有限公司 | 一种基于关联规则的数据挖掘技术 |
CN110968618A (zh) * | 2019-11-07 | 2020-04-07 | 华中科技大学 | 一种挖掘焊接参数量化关联规则的方法及应用 |
CN111222199A (zh) * | 2019-11-13 | 2020-06-02 | 中国汽车工程研究院股份有限公司 | 用户与试验场关联时关键指标选择与等效计算方法 |
-
2020
- 2020-06-05 CN CN202010505977.4A patent/CN111831693B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004192140A (ja) * | 2002-12-09 | 2004-07-08 | Sony Corp | データ通信システム、データ送信装置、データ受信装置、および方法、並びにコンピュータ・プログラム |
US20060142893A1 (en) * | 2004-12-28 | 2006-06-29 | Fanuc Ltd | Tool damage/abnormality detecting device |
CN103776532A (zh) * | 2014-01-14 | 2014-05-07 | 北京空间机电研究所 | 一种基于遥感应用的高光谱成像仪指标优化方法 |
CN106126577A (zh) * | 2016-06-17 | 2016-11-16 | 北京理工大学 | 一种基于数据源划分矩阵的加权关联规则挖掘方法 |
CN108334548A (zh) * | 2017-12-26 | 2018-07-27 | 爱品克科技(武汉)股份有限公司 | 一种基于关联规则的数据挖掘技术 |
CN110968618A (zh) * | 2019-11-07 | 2020-04-07 | 华中科技大学 | 一种挖掘焊接参数量化关联规则的方法及应用 |
CN111222199A (zh) * | 2019-11-13 | 2020-06-02 | 中国汽车工程研究院股份有限公司 | 用户与试验场关联时关键指标选择与等效计算方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836793A (zh) * | 2021-09-03 | 2021-12-24 | 成都众享天地网络科技有限公司 | 一种基于关联准则的电磁环境态势感知预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111831693B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992447B (zh) | 一种应用于河流水位预测数据的特征选择分解方法 | |
CN105989597B (zh) | 基于像素选择过程的高光谱图像异常目标检测方法 | |
CN113670186A (zh) | 联合变分模态分解和排列熵的gnss变形监测去噪方法 | |
CN111914903A (zh) | 一种基于外分布样本检测的广义零样本目标分类方法、装置及相关设备 | |
CN112508963B (zh) | 一种基于模糊c均值聚类的sar图像分割方法 | |
CN111860359B (zh) | 一种基于改进随机森林算法的点云分类方法 | |
CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
CN106056577B (zh) | 基于mds-srm混合级联的sar图像变化检测方法 | |
CN105574265B (zh) | 面向模型检索的装配体模型定量描述方法 | |
CN117725448A (zh) | 气象导航信号特征的聚类分析方法 | |
CN117078077A (zh) | 一种高速公路路域的生态脆弱性评价方法 | |
CN109800815B (zh) | 基于随机森林模型的训练方法、小麦识别方法和训练*** | |
CN111831693A (zh) | 一种基于数值型关联分析的光学遥感载荷指标获取方法 | |
Meng et al. | A gear fault diagnosis method based on improved accommodative random weighting algorithm and BB-1D-TP | |
Zeybek | Inlier point preservation in outlier points removed from the ALS point cloud | |
CN117705059A (zh) | 一种自然资源遥感测绘影像定位方法及*** | |
CN116611552B (zh) | 一种基于目标监测数据的船舶交通流量预测方法及*** | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
Rabcan et al. | Classification by fuzzy decision trees inducted based on Cumulative Mutual Information | |
Chen et al. | Ship target detection algorithm based on decision-level fusion of visible and SAR images | |
CN113361407B (zh) | 基于PCANet的空谱特征联合高光谱海冰图像分类方法 | |
Sun et al. | Improved k-means clustering based on Efros distance for longitudinal data | |
CN114492540A (zh) | 目标检测模型的训练方法、装置、计算机设备及存储介质 | |
Sheng et al. | Fuzzy preprocessing and clustering analysis method of underwater multiple targets in forward looking sonar image for AUV tracking | |
Kaur et al. | Improving the color image segmentation using fuzzy-C-means |
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 | ||
GR01 | Patent grant |