CN106599931B - 一种基于随机森林的破碎山脊线关联方法 - Google Patents
一种基于随机森林的破碎山脊线关联方法 Download PDFInfo
- Publication number
- CN106599931B CN106599931B CN201611203616.4A CN201611203616A CN106599931B CN 106599931 B CN106599931 B CN 106599931B CN 201611203616 A CN201611203616 A CN 201611203616A CN 106599931 B CN106599931 B CN 106599931B
- Authority
- CN
- China
- Prior art keywords
- ridge line
- model
- data
- attribute
- line
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于随机森林的破碎山脊线关联方法,包括:(1)针对山脊线数据,通过构建山脊线邻接关系模型计算各山脊线的属性数据;(2)采用步骤(1)计算模型训练区山脊线数据的属性数据,并基于随机森林方法,构建山脊线能否关联的分类模型;(3)采用步骤(1)计算工作区山脊线数据的属性数据,并基于步骤(2)构建的分类模型,进行破碎山脊线的关联处理。本发明可有效用于解决传统基于DEM提取的山脊线中出现的山脊线破碎问题。
Description
技术领域
本发明涉及地理信息技术应用领域,具体涉及一种基于随机森林进行破碎山脊线自动关联的方法。
背景技术
传统的基于DEM提取山脊线的研究中主要以山脊线的物理特性为依据,采用基于地形表面流水分析的方法,通过模拟和分析地形表面流水的运动状况得到分水线(山脊线)(参见《提取山脊线和山谷线的一种新方法》,黄培之,武汉大学学报:信息科学版,2001年,26(3))。然而,由于流水模拟的方法在地形破碎的地区噪音非常大,难免会遗漏部分地形特征点,导致局部地形特征线在连接时较为困难,进而提取的山脊线比较破碎并产生较多毛刺(参见《利用等高线数据提取山脊(谷)线算法研究》,靳海亮,康建荣,高井祥,武汉大学学报:信息科学版,2005年,30(9))。
针对传统的基于DEM提取的山脊线中出现的毛刺和山脊线破碎问题,南京师范大学姚蒙蒙提出一种基于关联规则的破碎山脊线自动关联方法(姚蒙蒙.一种破碎山脊线的自动关联方法.中国专利,CN106023161A.2016-10-12),有效实现了山脊线的自动关联。然而,该方法仅通过少量、显示表达的关联规则进行知识表达和推理,相关处理效果并不够理想。考虑到随机森林模型强大的知识表达能力及近年来的不断完善和成熟应用,本专利拟利用随机森林模型,探讨实现一种进行破碎山脊线自动关联的方法。
发明内容
发明目的:本发明针对现有技术存在的问题,提供一种基于随机森林进行破碎山脊线自动关联的方法。
技术方案:本发明所述的基于随机森林的破碎山脊线关联方法包括:
(1)针对山脊线数据,通过构建山脊线邻接关系模型计算各山脊线的属性数据;
(2)采用步骤(1)计算模型训练区山脊线数据的属性数据,并基于随机森林方法,构建山脊线要否关联的分类模型;
(3)采用步骤(1)计算工作区山脊线数据的属性数据,并基于步骤(2)构建的分类模型,进行破碎山脊线的关联处理。
其中,步骤(1)具体包括:
(1-1)将山脊线数据存入L1={li1|i1=1,2,...,nl1},li1为山脊线,nl1为山脊线的条数,并剔除L1中非线状的山脊线,以及对存在公共点的两山脊线进行去毛刺处理,处理后的数据存入L2={li2|i2=1,2,...,nl2},li2为剔除后剩余的山脊线,nl2为剔除后剩余的山脊线条数;
(1-2)采用(姚蒙蒙.一种破碎山脊线的自动关联方法.中国专利,CN106023161A.2016-10-12)中的方法对L2进行剖分处理和模型生成,得到L2的邻接关系模型G=(V,E)和边集合E={ei3|i3=1,2,...,W1},ei3表示边,W1表示边的个数;
(1-3)根据邻接关系模型G和边集合E,计算出边集合E中每一边的属性信息Ri3={S,I,D},i3=1,2,…,W1,并将边的属性信息Ri3输出到属性数据Rt中;其中,S={LeftStrike,RightStrike,RelativeStrike},S表示该边所对应的邻接山脊线对的相对走向关系属性,LeftStrike、RightStrike、RelativeStrike分别表示左侧走向、右侧走向、相关走向;I={RelativeLeftTrend,RelativeRightTrend,RelativeTrend},I表示邻接山脊线对的趋势关系属性,RelativeLeftTrend、RelativeRightTrend、RelativeTrend分别表示左相关趋势、右相关趋势、相关趋势;D={LeftInterpect,RightInterpect,RelativeTrend,ShortestDistance},D表示邻接山脊线对的距离关系属性,LeftInterpect、RightInterpect、RelativeTrend、ShortestDistance分别表示左截距、右截距、相关截距、最短距离。
其中,步骤(2)具体包括:
(2-1)采用步骤(1)计算得到模型训练区山脊线数据的属性数据Rt;
(2-2)从计算的属性数据Rt中抽取训练集Rt1和测试集Rt2:从Rt中,以无放回方式随机抽取3/4样本作为训练集Rt1,另外1/4样本作为测试集Rt2,得到:Rt1={ri4cj|i4=1,2,...,p,j=1,2,...,10},Rt2={ri4cj|i4=1,2,...,q,j=1,2,...,10},其中,ri4为行号,cj为列号,p和q分别为记录条数;
(2-3)判别山脊线能否关联:对Rt1、Rt2中的每一记录分别增加属性yi4,j,并对每条记录的山脊线能否关联进行判别,若能关联,则对应的属性yi4,j=1;反之,则yi4,j=0;具体判别方式采用人工判别;
(2-4)自变量的标准化处理:对Rt1、Rt2中每个自变量列,以下面公式标准化处理;
式中,Xmax、Xmin分别为自变量列中的最大值和最小值,Xnorm表示自变量列X经标准化处理后的值;
(2-5)基于因变量的分类:将Rt1、Rt2中因变量yi4,j取值为1的记录记入能关联类can中,其余记录记入不能关联类cannot中;
(2-6)基于Rt1的cannot和can类,运用随机森林分类方法,确定模型中决策树每次分支时所选择的变量个数mtry和最佳决策树数量值tree,其中,mtry≤10;
(2-7)应用bootstrap算法有放回地从Rt1中随机抽取tree个自助样本集,并生成tree棵决策树,确定最优随机森林分类模型为:{h(Rt1,Θk),k=1,2,...,tree};其中,Θk表示第k棵决策树,h()表示决策树集,自助样本生成决策树的方法为:从自助样本的全部10个自变量中等概率随机抽取一包括mtry个自变量的自变量子集,再从该子集中选择一个最优自变量来分裂节点,从而生成决策树;
(2-8)计算模型准确度:将Rt2作为测试集,采用步骤(2-6)和(2-7)同样对Rt2进行分类,并根据分类结果与Rt2数据的实际类别计算分类模型{h(Rt1,Θk),k=1,2,...,tree}的分类准确度pe,若模型准确度pe小于阈值,则通过调整试验区或重新选取mtry、tree重复以上步骤来获取新的模型;反之,表示模型可以使用。
其中,步骤(3)具体包括:
(3-1)采用步骤(1)计算得到工作区山脊线数据的属性数据Rw;
(3-2)采用步骤(2-7)对属性数据Rw进行分类得到分类结果集,并将结果集中类别被判定为can类的边存入边集合E',得到边集合E'={e′1,e'2,...,e'W2},W2为边集合E'内的边的个数;
(3-3)基于边集合E'={e′1,e'2,...,e'W2},将每一条边所对应节点代表的山脊线进行合并处理;
(3-4)存贮山脊线关联后的数据,即完成破碎山脊线的关联处理。
另外,基于山脊线邻接关系图,生成属性数据时,属性数量可根据模型需要进行适当增减。此外,为提高处理质量,可利用多个训练区的相关数据,对分类模型进行进一步的适用性验证和调整(参见Classifying Very High-Dimensional Data with RandomForests Built from Small Subspaces,Baoxun Xu,Joshua Zhexue Huang,etc.International Journal of Data Warehousing and Mining,8(2),44-63,April-June 2012)。
有益效果:本发明与现有技术相比,其显著优点是:本发明提出了一种基于随机森林模型判别破碎山脊线能否关联的方法。通过构建山脊线邻接关系图和计算山脊线属性数据、基于随机森林的分类模型确定以及基于模型分类结果进行相应山脊线关联处理等环节,以有效合并山脊线自动化提取工作中存在的大量破碎山脊线。是实现破碎山脊线自动关联的一种新方法。
附图说明
图1本发明的处理流程示意图;
图2模型训练区域破碎山脊线的示意图;
图3标准化处理后的Rt1的示意图;
图4标准化处理后的Rt2的示意图;
图5确定mtry的代码的示意图;
图6确定tree的代码的示意图;
图7模型误差与决策树数量关系图;
图8实验区山脊线的示意图;
图9关联后实验区山脊线的示意图。
具体实施方式
本发明的方法是适用于破碎山脊线的自动化关联处理,现结合附图,来给出判别模型的构建过程和模型内容及模型在自动提取山脊线中的应用。具体流程图如图1所示。
用于构建本模型的训练区域位于江西北部,东经115°57'-116°11',北纬29°33'-29°35'。训练数据为基于地形表面流水分析原理,借助ArcGIS软件,提取得到训练区域的山脊线矢量数据。在将模型应用到山脊线自动关联处理实验中所用的实验数据为同样方法提取得到的紫金山山脊线矢量数据。在构建模型过程中所使用的R软件的版本号为3.3.1。
需要说明的是,步骤(二)和步骤(三)都是在环节(一)的基础上进行的,通过环节(一)对山脊线数据的处理得到山脊线属性数据集,具体的过程不再详细叙述。
具体实施过程如下:
(二)判别模型的构建
步骤21:利用环节(一),对模型训练区山脊线数据进行处理,训练区山脊线图层数据如图2所示,得到的模型训练属性数据集Rt包含240条记录。
步骤22:训练集Rt1和测试集Rt2的抽取。从Rt中,抽取得到的训练集Rt1={ri4cj|i4=1,2,...,180,j=1,2,...,10},测试集Rt2={ri4cj|i4=1,2,...,60,j=1,2,...,10}。其中,Rt1有180条记录,Rt2有60条记录。
步骤23:山脊线能否关联的人为判别。在Rt1、Rt2中增加属性列yi4,j,对每条记录的山脊线能否关联,进行人工判别,得到的判别结果为:Rt1中有102条山脊线可以关联,Rt2中有28条山脊线可以关联;若能关联,则对应的属性yi4,j=1;反之,则yi4,j=0。
步骤24:自变量的标准化处理。对Rt1、Rt2中每个自变量列做标准化处理,其结果分别如图3和图4所示。
步骤25:基于因变量的分类。将Rt1、Rt2中因变量yi4,j的取值为1的记录记入can类,其余记录记入cannot类(can类为能关联类,cannot类为不能关联类),分类是在R软件中进行的。
步骤26:基于Rt1can类和cannot类,运用随机森林分类方法,确定模型中决策树每次分支时所选择的变量个数值mtry和最佳决策树数量值tree。借助于R软件进行两参数因子的确定:
1)mtry的确定。在R中编写如图5所示的代码,运行后得到的rate向量(rate向量记录的是当mtry取不同值时随机森林模型的平均误差,数值越大代表模型误差越大)值依次为:0.09327760,0.08846355,0.07814287,0.07047437,0.06759483,0.07644106,0.07339142,0.07536906,0.09248911,0.09477095。向量rate中的最小值min=0.06759483,min在向量rate中所对应的位置为5,因此,决策树每次分支时所选择的变量个数值mtry=5。
2)tree的确定。在1)的基础上,在R中编写如图6所示的代码,运行得到如图7所示的模型误差与决策树数量关系图,分析图像,可知当决策树数量在460时误差趋于稳定,因此tree=460为模型最优决策树数量值。
步骤27:确定最优随机森林分类模型为:
{h(Rt1,Θk),k=1,2,...,460}
式中,Rt1表示训练集;{Θk,k=1,2,...,460}是应用bootstrap算法有放回地从Rt1中随机抽取的460个自助样本集生成的460棵决策树集;
自助样本生成决策树的方法为:从自助样本的全部10个自变量中等概率随机抽取一包括mtry个自变量的自变量子集,再从该子集中选择一个最优自变量来分裂节点,从而生成决策树。
步骤28:计算模型准确度。以Rt2作为测试集,在软件R中,利用软件R提供的函数来计算模型预测准确度,计算得到:pe=0.883333。由此可见,模型准确度pe大于阈值(阈值为0.8),因此,模型可用。
(三)破碎山脊线的关联处理
步骤31:利用环节(一),对紫金山区域山脊线数据进行处理,数据如图8所示,得到属性数据集Rw,Rw共240条记录。
步骤32:根据式3对Rw进行分类得到分类结果集,将结果集中类别被判定为can类的边存入边集合E',得到边集合E'={e′1,e'2,...,e'432}。
步骤33:基于边集合E'={e′1,e'2,...,e'432},将每一条边所对应节点代表的山脊线进行合并处理。
步骤34:存贮山脊线关联后的数据,即完成破碎山脊线的关联处理。本实例中,关联处理后的山脊线如图9所示。
本实施例中,原始数据中山脊线共647条,关联后山脊线共371条。由图8、9可知,关联效果较好;并且,训练区与工作区为不同的地理区域,说明本方法具有较好的适用性。此外,本方法可迭代使用,以达到更好的合并效果。
Claims (3)
1.一种基于随机森林的破碎山脊线关联方法,其特征在于该方法包括:
(1)针对山脊线数据,通过构建山脊线邻接关系模型计算各山脊线的属性数据;
(2)采用步骤(1)计算模型训练区山脊线数据的属性数据,并基于随机森林方法,构建山脊线要否关联的分类模型;
(3)采用步骤(1)计算工作区山脊线数据的属性数据,并基于步骤(2)构建的分类模型,进行破碎山脊线的关联处理;
其中,步骤(2)具体包括:
(2-1)采用步骤(1)计算得到模型训练区山脊线数据的属性数据Rt;
(2-2)从计算的属性数据Rt中抽取训练集Rt1和测试集Rt2:从Rt中,以无放回方式随机抽取3/4样本作为训练集Rt1,另外1/4样本作为测试集Rt2,得到:Rt1={ri4cj|i4=1,2,...,p,j=1,2,...,10},Rt2={ri4cj|i4=1,2,...,q,j=1,2,...,10},其中,ri4为行号,cj为列号,p和q分别为记录条数;
(2-3)判别山脊线能否关联:对Rt1、Rt2中的每一记录分别增加属性yi4,j,并对每条记录的山脊线能否关联进行判别,若能关联,则对应的属性yi4,j=1;反之,则yi4,j=0;
(2-4)自变量的标准化处理:对Rt1、Rt2中每个自变量列,以下面公式标准化处理;
式中,Xmax、Xmin分别为自变量列中的最大值和最小值,Xnorm表示自变量列X经标准化处理后的值;
(2-5)基于因变量的分类:将Rt1、Rt2中因变量yi4,j取值为1的记录记入能关联类can中,其余记录记入不能关联类cannot中;
(2-6)基于Rt1的cannot和can类,运用随机森林分类方法,确定模型中决策树每次分支时所选择的变量个数mtry和最佳决策树数量值tree,其中,mtry≤10;
(2-7)应用bootstrap算法有放回地从Rt1中随机抽取tree个自助样本集,并生成tree棵决策树,确定最优随机森林分类模型为:{h(Rt1,Θk),k=1,2,...,tree};其中,Θk表示第k棵决策树,h()表示决策树集,自助样本生成决策树的方法为:从自助样本的全部10个自变量中等概率随机抽取一包括mtry个自变量的自变量子集,再从该子集中选择一个最优自变量来分裂节点,从而生成决策树;
(2-8)计算模型准确度:将Rt2作为测试集,采用步骤(2-6)和(2-7)同样对Rt2进行分类,并根据分类结果与Rt2数据的实际类别计算分类模型{h(Rt1,Θk),k=1,2,...,tree}的分类准确度pe,若模型准确度pe小于阈值,则通过调整试验区或重新选取mtry、tree重复以上步骤来获取新的模型;反之,表示模型可以使用。
2.根据权利要求1所述的基于随机森林的破碎山脊线关联方法,其特征在于:步骤(1)具体包括:
(1-1)将山脊线数据存入L1={li1|i1=1,2,...,nl1},li1为山脊线,nl1为山脊线的条数,并剔除L1中非线状的山脊线,以及对存在公共点的两山脊线进行去毛刺处理,处理后的数据存入L2={li2|i2=1,2,...,nl2},li2为剔除后剩余的山脊线,nl2为剔除后剩余的山脊线条数;
(1-2)对L2进行剖分处理和模型生成,得到L2的邻接关系模型G=(V,E)和边集合E={ei3|i3=1,2,...,W1},ei3表示边,W1表示边的个数;
(1-3)根据邻接关系模型G和边集合E,计算出边集合E中每一边的属性信息Ri3={S,I,D},i3=1,2,…,W1,并将边的属性信息Ri3输出到属性数据Rt中;其中,S={LeftStrike,RightStrike,RelativeStrike},S表示该边所对应的邻接山脊线对的相对走向关系属性,LeftStrike、RightStrike、RelativeStrike分别表示左侧走向、右侧走向、相关走向;I={RelativeLeftTrend,RelativeRightTrend,RelativeTrend},I表示邻接山脊线对的趋势关系属性,RelativeLeftTrend、RelativeRightTrend、RelativeTrend分别表示左相关趋势、右相关趋势、相关趋势;D={LeftInterpect,RightInterpect,RelativeTrend,ShortestDistance},D表示邻接山脊线对的距离关系属性,LeftInterpect、RightInterpect、RelativeTrend、ShortestDistance分别表示左截距、右截距、相关截距、最短距离。
3.根据权利要求1所述的基于随机森林的破碎山脊线关联方法,其特征在于:步骤(3)具体包括:
(3-1)采用步骤(1)计算得到工作区山脊线数据的属性数据Rw;
(3-2)采用步骤(2-7)对属性数据Rw进行分类得到分类结果集,并将结果集中类别被判定为can类的边存入边集合E',得到边集合E'={e1',e'2,...,e'W2},W2为边集合E'内的边的个数;
(3-3)基于边集合E'={e1',e'2,...,e'W2},将每一条边所对应节点代表的山脊线进行合并处理;
(3-4)存贮山脊线关联后的数据,即完成破碎山脊线的关联处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611203616.4A CN106599931B (zh) | 2016-12-23 | 2016-12-23 | 一种基于随机森林的破碎山脊线关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611203616.4A CN106599931B (zh) | 2016-12-23 | 2016-12-23 | 一种基于随机森林的破碎山脊线关联方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106599931A CN106599931A (zh) | 2017-04-26 |
CN106599931B true CN106599931B (zh) | 2019-07-02 |
Family
ID=58600902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611203616.4A Active CN106599931B (zh) | 2016-12-23 | 2016-12-23 | 一种基于随机森林的破碎山脊线关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599931B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169398A (zh) * | 2022-01-28 | 2022-03-11 | 国网天津市电力公司 | 基于随机森林算法的光伏直流电弧故障识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006091909A (ja) * | 2005-10-25 | 2006-04-06 | Geographical Survey Inst Ministry Of Land Infrastructure & Transport | 地形データ処理プログラム |
CN102141998A (zh) * | 2010-02-03 | 2011-08-03 | 中国科学院自动化研究所 | 网页视觉复杂度的自动评价方法 |
CN102567702A (zh) * | 2010-12-08 | 2012-07-11 | 中国科学院地理科学与资源研究所 | 一种基于嫦娥dem数据的自动识别山谷和山脊线的方法 |
CN103177258A (zh) * | 2013-03-29 | 2013-06-26 | 河南理工大学 | 一种根据矢量等高线数据自动提取地性线的方法 |
CN106023161A (zh) * | 2016-05-12 | 2016-10-12 | 南京师范大学 | 一种破碎山脊线的自动关联方法 |
-
2016
- 2016-12-23 CN CN201611203616.4A patent/CN106599931B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006091909A (ja) * | 2005-10-25 | 2006-04-06 | Geographical Survey Inst Ministry Of Land Infrastructure & Transport | 地形データ処理プログラム |
CN102141998A (zh) * | 2010-02-03 | 2011-08-03 | 中国科学院自动化研究所 | 网页视觉复杂度的自动评价方法 |
CN102567702A (zh) * | 2010-12-08 | 2012-07-11 | 中国科学院地理科学与资源研究所 | 一种基于嫦娥dem数据的自动识别山谷和山脊线的方法 |
CN103177258A (zh) * | 2013-03-29 | 2013-06-26 | 河南理工大学 | 一种根据矢量等高线数据自动提取地性线的方法 |
CN106023161A (zh) * | 2016-05-12 | 2016-10-12 | 南京师范大学 | 一种破碎山脊线的自动关联方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106599931A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
CN110413707A (zh) | 互联网中欺诈团伙关系的挖掘与排查方法及其系统 | |
CN104318109B (zh) | 基于支持向量机的页岩气储层识别方法 | |
CN110163110A (zh) | 一种基于迁移学习和深度特征融合的行人重识别方法 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN108427965A (zh) | 一种基于路网聚类的热点区域挖掘方法 | |
CN110346831B (zh) | 一种基于随机森林算法的智能化地震流体识别方法 | |
CN109670528A (zh) | 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法 | |
CN107330734B (zh) | 基于Co-location模式和本体的商业地址选择方法 | |
CN106650763A (zh) | 一种电力缴费渠道分析的指标选择、权值优化与渠道规划的计算方法 | |
CN107368918A (zh) | 数据处理方法和装置 | |
CN105160317A (zh) | 一种基于区域分块行人性别识别方法 | |
CN104331716A (zh) | 面向大规模训练数据的svm主动学习分类算法 | |
CN103886030B (zh) | 基于代价敏感决策树的信息物理融合系统数据分类方法 | |
CN109284760A (zh) | 一种基于深度卷积神经网络的家具检测方法及装置 | |
CN110245693B (zh) | 结合混合随机森林的关键信息基础设施资产识别方法 | |
CN108509939A (zh) | 一种基于深度学习的鸟类识别方法 | |
CN102184423A (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
Zou et al. | A novel network security algorithm based on improved support vector machine from smart city perspective | |
CN110377605A (zh) | 一种结构化数据的敏感属性识别与分类分级方法 | |
CN106600046A (zh) | 基于多分类器融合的土地闲置预测方法及装置 | |
CN106127161A (zh) | 基于级联多层检测器的快速目标检测方法 | |
CN104850868A (zh) | 一种基于k-means和神经网络聚类的客户细分方法 | |
CN106935038A (zh) | 一种停车检测系统及检测方法 | |
CN106599931B (zh) | 一种基于随机森林的破碎山脊线关联方法 |
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 |