CN103065047A - 基于恐怖组织背景知识子空间的恐怖行为预测方法 - Google Patents
基于恐怖组织背景知识子空间的恐怖行为预测方法 Download PDFInfo
- Publication number
- CN103065047A CN103065047A CN2012105757945A CN201210575794A CN103065047A CN 103065047 A CN103065047 A CN 103065047A CN 2012105757945 A CN2012105757945 A CN 2012105757945A CN 201210575794 A CN201210575794 A CN 201210575794A CN 103065047 A CN103065047 A CN 103065047A
- Authority
- CN
- China
- Prior art keywords
- background
- attribute
- data
- subspace
- behavior
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于恐怖组织背景知识子空间的恐怖行为预测方法,包括以下步骤:步骤1:背景数据的预处理,背景数据由背景知识和行为知识构成,标记为向量对(CS(g),AS(g)),其中CS(g)=(C1,C2,...,CM)表示背景数据中的背景属性,AS(g)=(A1,A2,...,AN)表示背景数据中涉及的行为属性,为了得到不同行为属性的背景知识子空间,对背景数据进行预处理,形成(CS(g),Ai)的N个数据子集;步骤2:对特定行为属性Ai对应的数据子集的数据记录,提取行为属性Ai的背景知识子空间;步骤3:利用条件概率理论和贝叶斯理论,在背景知识子空间中迭代计算预测结果。本发明的预测方法可避免预测过程中的波动性,同时提高预测算法的预测精度,避免背景数据的高维、小样本的特性对预测造成的影响。
Description
技术领域
本发明涉及计算机数据挖掘与应用领域,具体而言涉及一种基于恐怖组织的背景子空间预测恐怖行为的预测算法。
背景技术
2001年9月11日,美国纽约、华盛顿遭受恐怖分子袭击,造成3100多人死亡。此次事件被认为是自珍珠港事件后美国遭受到的最严重的恐怖袭击事件,标志着恐怖主义组织已经成为对国际安全造成重大影响的一支非国家力量。如何利用现有的信息预测将会发生的恐怖行为,成为一个重要的研究方向。
恐怖行为预测是预测知识挖掘的典型应用,它利用数据挖掘和机器学习的相关技术,对过去、现在恐怖组织策划实施的恐怖行为的情况进行科学的统计分析,然后预测其发展趋势。恐怖预测不是证实过去,也不是说明现实,而是从显性的恐怖组织与恐怖袭击事件的数据入手,寻找出某些隐性的有用信息。从恐怖袭击事件数据中可能隐藏的特征、行为或者其他的因素来提炼出相关的模式,以此来提供线索,预测恐怖主义组织的发展趋势。其目的在于为采取有效的预防措施提供决策支持。
早期对恐怖预测的研究主要是针对当局的统计数据对恐怖行为进行长期预测,但由于当时的数据信息只考虑到恐怖事件发生的时间、地点、袭击目标等因素,而没有考虑导致恐怖事件的社会学等深层次的因素,因此单纯的从数据驱动并不能有效对其进行预测。而且传统的分析方法过于依赖社会学专家的分析,对于大数据量而言不具备可操作性。
目前,对恐怖预测的研究开始以跨学科(计算机数据挖掘技术与社会学,犯罪学等)为基础,统计的信息更为详细,不仅包括传统恐怖活动发生的信息,而且还从经济矛盾、政治矛盾(如民族矛盾、宗教价值观差异以及种族政策的失误)、文化矛盾等方面搜集信息和数据挖掘,以便通过对这些数据的分析为当局提供更有效的预测分析。因此,通过分析恐怖组织的背景因素对其行为的影响成为研究的热点。
在根据背景因素对恐怖行为进行预测时,由于实际中,各种恐怖行为所依赖的背景知识是不同的,也即相同的背景知识对不同的恐怖行为而言, 其影响程度是不同的。因此将大量的背景数据中的行为属性看作一个整体,利用背景向量之间的相似度进行预测的方法过于复杂,数据处理量大,因此如何在预测过程中对行为向量中的各种恐怖行为进行单独处理,然后对各种恐怖行为的预测结果进行汇总,最后给出预测结果,是当前恐怖行为预测需要解决的一个重要问题。
发明内容
针对现有技术中的缺陷,本发明旨在提出一种基于恐怖组织背景知识子空间的恐怖行为预测方法,根据恐怖组织背景知识子空间进行合理计算和预测,可避免预测过程中的波动性,同时可提高预测算法的预测精度,避免背景数据的高维、小样本的特性对预测算法造成的影响。
本发明的上述目的通过独立权利要求的技术特征实现,从属权利要求以另选或有利的方式发展独立权利要求的技术特征。
为达成上述目的,本发明提出一种基于恐怖组织背景知识子空间的恐怖行为预测方法,包括以下步骤:
步骤1:背景数据的预处理
背景数据由背景属性和行为属性构成,标记为向量对(CS(g),AS(g)),其中CS(g)=(C 1 ,C 2 ,...,C M )表示背景数据中的背景属性,AS(g)= (A 1 ,A 2 ,...,A N )表示背景数据中涉及的行为属性,为了得到不同行为属性的背景知识子空间,对背景数据进行预处理,形成(CS(g),A i )的N个数据子集;
步骤2:提取特定行为属性的背景知识子空间
对于行为属性A i 的数据子集的原始数据记录:R i1 ,R i2 ,…,R im ,提取该行为属性A i 的背景知识子空间;
步骤3:利用条件概率理论和贝叶斯理论,在步骤(2)提取的背景知识子空间中进行迭代计算,得到所有行为属性A i 在N个数据子集下的发生概率,并取其中概率最大的作为预测结果。
依据本发明的一个实施例,在步骤2)中,提取行为属性A i 的背景知识子空间包括以下步骤:
对原始数据记录R ij 与R ik 之间的关系进行散化处理,散化为CS(g)中的背景属性C j 与行为属性A i 之间的关系,得到背景属性C j 与行为属性A i 之间的相似度p j ;;
根据散化处理得到的相似度p j 构造背景属性C j 与行为属性A i 之间的距离度d j ,距离度d j =1/p j ;
根据背景属性C j 与行为属性A i 之间的距离度d j 构造背景属性C j 与C k 之间的相似度a jk ,相似度函数为a jk =exp{[-(d j -d k ) 2 ]/2}。
根据相似度函数a jk 构造背景属性之间的亲和矩阵A;
求解亲和矩阵A得到亲和矩阵A的规范化拉普拉斯矩阵L;
对规范化拉普拉斯矩阵L进行特征值分解,然后利用谱分析原理根据特征值分解的相关信息对背景属性进行子图划分,从而把背景属性划分为两个子图;
提取与行为属性A i 之间关联度最大的子图中的背景属性作为提取的背景知识子空间;
重复上述步骤,以提取N个数据子集中对应的行为属性的背景知识子空间。
依据本发明的一个实施例,在步骤2)中,数据散化处理包括以下步骤:
对CS(g)中的每一背景属性C j 设置一个计数变量cc j ,初始值为0;
对数据子集进行扫描,对背景属性C j 的取值与数据子集对应的行为属性A i 的取值做比较;
若C j 与A i 同时发生或同时不发生,则计算变量cc j 作自增1运算,否则计算变量cc j 的值保持不变;
扫描N个数据子集结束后,利用相似度公式p j =cc j /m计算CS(g)中每一背景属性C j 与行为属性A i 之间的相似度,从而把原始数据R ij 与R ik 之间的关系,散化为CS(g)中的背景属性与行为A i 之间的关系。
由以上本发明的技术方案可知,本发明中背景子空间的提取是根据背景属性与行为属性之间的关联度构造背景属性之间 的关联度,进而构造背景属性之间的亲和矩阵,然后利用谱聚类的方法进行子空间提取,因此具有两个方面的有益效果:
(1)在预测算法方面
背景知识相似度在全局背景属性空间中预测恐怖行为时,背景知识数据的特性会导致预测精度下降。因此,本发明首先根据背景数据集的特性提取与恐怖行为关联度较大的背景属性作为背景子空间,然后在背景子空间中进行恐怖行为预测。这样,一方面可以起到降低数据维的效果,避免高维数据对距离函数的影响;另一方面提取子空间后可以增加数据的密度,提高预测精度与预测的可信度;最后,在背景子空间中利用迭代计算方法预测恐怖行为,避免丢失的背景属性对预测造成的波动性。
(2)在子空间提取方面
在一定时间内,背景属性数量保持不变,因此当有新的数据点增加时,亲和矩阵A的秩不会发生变化,进而其拉普拉斯矩阵L的秩也不会发生变化。此时,只需要遍历样本集计算属性节点之间的相似度,然后修改矩阵中对应的元素即可。因此,本发明的子空间提取部分的时间复杂度由原来O(N3)降为O(N)。在提取背景知识子空间的提取过程不但可尽可能地利用类标号信息,而且考虑到背景属性之间的局部相似性以及样本的分布情况,提高了背景子空间的提取效率。
附图说明
图1为本发明较优实施例的预测流程示意图。
图2为行为属性A i 原始数据记录之间的相关性图。
图3为根据数据散化处理将图2的原始数据记录之间的关系转化为背景属性与行为属性A i 之间的关联度图。
具体实施方式
为了更了解本发明的内容,特举具体实施例并配合所附图式说明如下。
如图1所示,根据本发明的较优实施例,基于恐怖组织背景知识子空间的恐怖行为预测方法包括三个基本步骤:背景数据的预处理;针对特定行为属性提取其背景知识子空间(以下简称背景子空间);迭代计算预测处理。
一、背景数据的预处理
背景数据由背景属性和行为属性构成,标记为向量对(CS(g),AS(g)),其中CS(g)=(C 1 , C 2 ,...,C M )表示背景数据中的背景属性,AS(g)= (A 1 ,A 2 ,...,A N )表示背景数据中涉及的行为属性,为了得到不同行为属性的背景知识子空间(以下简称背景子空间),对背景数据进行预处理,形成(CS(g),A i )的N个数据子集。
本实施例采用如下表1所示的数据子集,其中共设置了八个字段,分别标记为ID、C 1 、C 2 、C 3 、C 4 、C 5 、C 6 和BOMB。ID标记为记录在表中的编号。{C 1 、C 2 、C 3 、C 4 、C 5 、C 6 }= CS(g)表示背景属性,(A 1 ,A 2 ,...,A N )=AS(g)即表1中的BOMB表示行为属性。在构造表1的数据时,假定背景属性C 4 与C 6 与BOMB的联度较高,目的是利用表1 所示的背景属性来预测恐怖行为的发生与否。
二、针对特定行为属性,提取背景子空间
本实施例中,针对特定行为属性提取背景子空间,具体包括以下步骤:
步骤1:如图2所示的行为属性A i 对应的原始数据的相关性,其对应的数据子集的原始数据记录为:R i1 ,R i2, …,R im ,对上述表1中的数据进行散化处理,得到表1中背景属性C 1 、C 2 、C 3 、C 4 、C 5 、C 6 与行为属性A i 之间的关联度(相似度p j ),其关联度如下表2所示。
本实施例中,对数据散化处理的方法包括以下步骤:
1.1对于CS(g)而言,为其中的每一背景属性C j 设置一个计数变量cc j ,初始值为0;
1.2对数据子集进行一次扫描,对背景属性C j 的取值与数据子集对应的行为属性A i 的取值做比较;
1.3若C j 与A i 同时发生或同时不发生,则计算变量cc j 作自增1运算;否则计算变量cc j 的值保持不变;
1.4 扫描N个数据子集结束后,利用相似度p j =cc j /m计算CS(g)中每一背景属性C j 与行为属性A i 之间的相似度,从而把原始数据R ij 与R ik 之间的关系,散化为CS(g)中的背景属性C j 与行为属性A i 之间的关系,如图3所示。
步骤2:根据表2中数据散化处理的结果,构造背景属性C j 与行为属性A i 之间的距离度d j 。相似度p j 越大,则背景属性C j 与行为属性A i 之间的距离越近,根据这一原理可得出距离度函数d j =1/p j ,具体构造结果如下表3所示:
步骤3:根据表3的结果即背景属性与行为属性之间的距离度,利用相似度函数计算不同背景属性之间距离表。两个背景属性C j 与C k 之间的相似度越大,则距离越小。相同背景属性的相似度最大,其距离为0,即d j -d k =0。根据这一原理可得出不同背景属性之间的相似度函数a jk =exp{[-(d j -d k ) 2 ]/2},计算出不同背景属性之间距离表,具体结果如下表4所示:
步骤4:根据表4的不同背景属性之间的距离a jk 构造背景属性之间的亲和矩阵A,如下表5所示,相似度最高为1,并且距离值越大,相似度值越低。
步骤5:根据谱聚类的相关理论,求解亲和矩阵A得到亲和矩阵A对应的规范化拉普拉斯矩阵L,如下表6所示:
步骤6:对表6的背景属性之间的规范化拉普拉斯矩阵L进行谱分解,得到如表7所示的谱信息。
步骤7:根据表7的谱分解信息,利用谱分析进行背景子空间的提取处理。在步骤6对规范化拉普拉斯矩阵L进行特征值分解后,利用谱分析原理根据特征值分解的相关信息对背景属性进行子图划分,从而把背景属性划分为两个子图;再提取与行为属性A i 关联度(相似度)大的子图中的背景属性作为提取的背景子空间。
本实施例中,具体的背景子空间提取结果为第二小的特征值所对应的费德勒向量包含的信息,即提取第1、4、5、6个字段所对应的背景属性作为背景子空间,即提取的子空间为{ C 1 、C 4 、C 5 、C 6 }。
步骤8:重复上述步骤1-7,提取N个数据子集中对应的行为属性的背景子空间。
三、迭代计算预测处理
在提取N个数据子集中对应的行为属性的背景子空间后,利用条件概率理论和贝叶斯理论,在提取的背景子空间中迭代计算预测结果,得到所有行为属性A i 在N个数据子集下的发生概率,并选取其中概率最大的作为预测结果。
根据本实施例进行预测的统计结果以及与其它的传统算法的预测结果的对比如表8所示,本实施例中根据预测的统计结果可绘制接受者操作特征曲线(ROC, Receiver Operating Characteristic Curve),表8中Accuracy为精度,TP (true positive)为真正类率,Time为时间,AUC(Area Under Curve)值是指ROC曲线下方的面积,即ROC曲线的积分,AUC值的大小预示着预测结果的准确性。如图8所示的统计结果的最大值和平均值,采用本发明的预测算法较之传统的CONVEX(凸包算法)、NB(Naive Bayes,朴素贝叶斯算法)、SVM(支持向量机原理)等算法预测的结果在整体上更为准确,减少了预测过程中的波动。
综上所述,本发明的基于恐怖组织背景知识子空间的恐怖行为预测方法,利用恐怖组织背景知识子空间进行合理计算和预测,可避免预测过程中的波动性,可提高预测算法的预测精度,避免背景数据的高维、小样本的特性对预测算法造成的影响。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (3)
1.一种基于恐怖组织背景知识子空间的恐怖行为预测方法,其特征在于,包括以下步骤:
步骤1:背景数据的预处理
背景数据由背景属性和行为属性构成,标记为向量对(CS(g),AS(g)),其中CS(g)=(C1,C2,...,CM)表示背景数据中的背景属性,AS(g)= (A1,A2,...,AN)表示背景数据中涉及的行为属性,为了得到不同行为属性的背景知识子空间,对背景数据进行预处理,形成(CS(g),Ai)的N个数据子集;
步骤2:提取特定行为属性的背景知识子空间
对于行为属性Ai的数据子集的原始数据记录:Ri1,Ri2,…,Rim,提取该行为属性Ai的背景知识子空间;
步骤3:利用条件概率理论和贝叶斯理论,在步骤(2)提取的背景知识子空间中进行迭代计算,得到所有行为属性A i 在N个数据子集下的发生概率,并取其中概率最大的作为预测结果。
2.根据权利要求1所述的基于恐怖组织背景知识子空间的恐怖行为预测方法,其特征在于,在步骤2)中,提取行为属性Ai的背景知识子空间包括以下步骤:
对原始数据记录R ij 与R ik 之间的关系进行散化处理,散化为CS(g)中的背景属性C j 与行为属性A i 之间的关系,得到背景属性C j 与行为属性A i 之间的相似度p j ;;
根据散化处理得到的相似度p j 构造背景属性C j 与行为属性A i 之间的距离度d j ,距离度d j =1/p j ;
根据背景属性C j 与行为属性A i 之间的距离度d j 构造背景属性C j 与C k 之间的相似度a jk ,相似度函数为a jk =exp{[-(d j -d k ) 2 ]/2};
根据相似度函数a jk 构造背景属性之间的亲和矩阵A;
求解亲和矩阵A得到亲和矩阵A的规范化拉普拉斯矩阵L;
对规范化拉普拉斯矩阵L进行特征值分解,然后利用谱分析原理根据特征值分解的相关信息对背景属性进行子图划分,从而把背景属性划分为两个子图;
提取与行为属性A i 之间关联度最大的子图中的背景属性作为提取的背景知识子空间;
重复上述步骤,以提取N个数据子集中对应的行为属性的背景知识子空间。
3.根据权利要求2所述的基于恐怖组织背景知识子空间的恐怖行为预测方法,其特征在于,在步骤2)中,数据散化处理包括以下步骤:
对CS(g)中的每一背景属性C j 设置一个计数变量cc j ,初始值为0;
对数据子集进行扫描,对背景属性C j 的取值与数据子集对应的行为属性A i 的取值做比较;
若C j 与A i 同时发生或同时不发生,则计算变量cc j 作自增1运算,否则计算变量cc j 的值保持不变;
扫描N个数据子集结束后,利用相似度公式pj=cc j /m计算CS(g)中每一背景属性C j 与行为属性A i 之间的相似度,从而把原始数据R ij 与R ik 之间的关系,散化为CS(g)中的背景属性与行为A i 之间的关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105757945A CN103065047A (zh) | 2012-12-27 | 2012-12-27 | 基于恐怖组织背景知识子空间的恐怖行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105757945A CN103065047A (zh) | 2012-12-27 | 2012-12-27 | 基于恐怖组织背景知识子空间的恐怖行为预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103065047A true CN103065047A (zh) | 2013-04-24 |
Family
ID=48107675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012105757945A Pending CN103065047A (zh) | 2012-12-27 | 2012-12-27 | 基于恐怖组织背景知识子空间的恐怖行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103065047A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400143A (zh) * | 2013-07-12 | 2013-11-20 | 中国科学院自动化研究所 | 一种基于多视角的数据子空间聚类方法 |
CN104899430A (zh) * | 2015-05-14 | 2015-09-09 | 江苏大学 | 一种基于多源实例迁移学习的恐怖行为预测方法 |
CN106776884A (zh) * | 2016-11-30 | 2017-05-31 | 江苏大学 | 一种基于多标签组合多分类器的恐怖行为预测方法 |
CN106845723A (zh) * | 2017-02-06 | 2017-06-13 | 安徽新华博信息技术股份有限公司 | 一种刑事案件的发生的预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102075352A (zh) * | 2010-12-17 | 2011-05-25 | 北京邮电大学 | 一种网络用户行为预测的方法和装置 |
-
2012
- 2012-12-27 CN CN2012105757945A patent/CN103065047A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102075352A (zh) * | 2010-12-17 | 2011-05-25 | 北京邮电大学 | 一种网络用户行为预测的方法和装置 |
Non-Patent Citations (3)
Title |
---|
AN RONG XUE ET AL: "Terrorist Organization Behavior Prediction Algorithm Based on Context Subspace", 《ADVANCED DATA MINING AND APPLICATIONS》, 19 December 2011 (2011-12-19), pages 332 - 345 * |
李明等: "犯罪量动态优化组合预测方法", 《计算机工程》, vol. 37, no. 17, 30 September 2011 (2011-09-30) * |
王伟等: "改进的SVM解决背景知识数据中的类不平衡", 《计算机应用研究》, vol. 28, no. 8, 31 August 2011 (2011-08-31) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400143A (zh) * | 2013-07-12 | 2013-11-20 | 中国科学院自动化研究所 | 一种基于多视角的数据子空间聚类方法 |
CN103400143B (zh) * | 2013-07-12 | 2017-03-01 | 中国科学院自动化研究所 | 一种基于多视角的数据子空间聚类方法 |
CN104899430A (zh) * | 2015-05-14 | 2015-09-09 | 江苏大学 | 一种基于多源实例迁移学习的恐怖行为预测方法 |
CN106776884A (zh) * | 2016-11-30 | 2017-05-31 | 江苏大学 | 一种基于多标签组合多分类器的恐怖行为预测方法 |
CN106776884B (zh) * | 2016-11-30 | 2021-04-20 | 江苏大学 | 一种基于多标签组合多分类器的恐怖行为预测方法 |
CN106845723A (zh) * | 2017-02-06 | 2017-06-13 | 安徽新华博信息技术股份有限公司 | 一种刑事案件的发生的预测方法 |
CN106845723B (zh) * | 2017-02-06 | 2020-12-29 | 安徽新华博信息技术股份有限公司 | 一种刑事案件的发生的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | Multi-gcn: Graph convolutional networks for multi-view networks, with applications to global poverty | |
Yang et al. | Temporal dynamic appearance modeling for online multi-person tracking | |
Veganzones et al. | Hyperspectral image segmentation using a new spectral unmixing-based binary partition tree representation | |
Han et al. | Combining 3D‐CNN and Squeeze‐and‐Excitation Networks for Remote Sensing Sea Ice Image Classification | |
Yang et al. | Superpixel-based unsupervised band selection for classification of hyperspectral images | |
Wang et al. | A band selection method for airborne hyperspectral image based on chaotic binary coded gravitational search algorithm | |
Cui et al. | Locality preserving genetic algorithms for spatial-spectral hyperspectral image classification | |
Thorleuchter et al. | Semantic weak signal tracing | |
CN104239859B (zh) | 基于结构化因子分析的人脸识别方法 | |
Marinoni et al. | Unsupervised data driven feature extraction by means of mutual information maximization | |
Finke et al. | Boosting mono-jet searches with model-agnostic machine learning | |
Luo et al. | A new algorithm for bilinear spectral unmixing of hyperspectral images using particle swarm optimization | |
CN104899430A (zh) | 一种基于多源实例迁移学习的恐怖行为预测方法 | |
Win et al. | PCPD: A parallel crime pattern discovery system for large-scale spatiotemporal data based on fuzzy clustering | |
CN105809119A (zh) | 一种基于稀疏低秩结构多任务学习的行为识别方法 | |
CN103065047A (zh) | 基于恐怖组织背景知识子空间的恐怖行为预测方法 | |
Deng et al. | Citrus disease recognition based on weighted scalable vocabulary tree | |
Natarajan et al. | Cohesion and repulsion in Bayesian distance clustering | |
Chen et al. | A deep learning ensemble approach for predicting tropical cyclone rapid intensification | |
CN109582743A (zh) | 一种针对恐怖袭击事件的数据挖掘方法 | |
Wang et al. | Unrest news amount prediction with context-aware attention lstm | |
CN109376230B (zh) | 犯罪定罪预测方法、系统、存储介质及服务器 | |
Amici | Dealing with vagueness in complex forest landscapes: a soft classification approach through a niche-based distribution model | |
Hosen et al. | Significant of Gradient Boosting Algorithm in Data Management System | |
Jiang et al. | A massive multi-modal perception data classification method using deep learning based on internet of things |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130424 |