CN108052755B - 基于完全随机森林的矢量空间计算强度预测方法及系统 - Google Patents
基于完全随机森林的矢量空间计算强度预测方法及系统 Download PDFInfo
- Publication number
- CN108052755B CN108052755B CN201711387102.3A CN201711387102A CN108052755B CN 108052755 B CN108052755 B CN 108052755B CN 201711387102 A CN201711387102 A CN 201711387102A CN 108052755 B CN108052755 B CN 108052755B
- Authority
- CN
- China
- Prior art keywords
- sample
- vector space
- prediction
- regression tree
- calculates
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于完全随机森林的矢量空间计算强度预测方法及系统,通过输入与矢量空间计算强度相关的所有特征,训练多棵完全回归决策树,实现对特征复杂多样的矢量空间计算域的计算强度建模,并对完全随机森林的预测结果进行优化,剔除与预测结果偏差较大的预测值,提高完全随机森林的预测精度,有利于在并行计算环境中,对矢量空间计算强度进行精准的预测。本发明在随机森林的训练过程中,每棵回归决策树的训练样本是从原始样本中随机选择的,且选择的特征包括原始样本的全部特征,该模型能够应对重要特征少、冗余特征多的矢量空间计算强度的预测,本发明可以为并行计算资源均衡调度与分配提供依据,提高并行计算效率。
Description
技术领域
本发明涉及高性能地理空间计算技术,尤其是一种基于完全随机森林的矢量空间计算强度预测方法及系统。
背景技术
矢量空间计算强度的建模和预测是高性能空间计算中的需要解决的关键问题之一,在并行计算环境中,可根据矢量数据空间计算强度的大小,对并行计算资源进行均衡的调度,有利于获得更高的加速比。但现有的矢量空间计算强度预测模型主要以线性函数模型为主,考虑了部分矢量空间计算强度特征,但未考虑其它矢量空间计算强度特征的影响,且无法处理不同特征之间的交互影响。更重要的是,即便是使用优秀的随机森林建模方法,也无法适应重要特征少、冗余特征多的矢量空间计算强度的精准预测,使得目前难以实现矢量空间计算强度的精准度量。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种基于完全随机森林的矢量空间计算强度预测方法及系统,使用完全随机森林来解决特征多且杂的矢量空间计算强度的精准预测,并且对预测结果进行了优化,提高了预测精度。
根据本发明的其中一方面,本发明为解决其技术问题,提供了一种基于完全随机森林的矢量空间计算强度预测方法,包括以下步骤:
S1、获取矢量空间计算强度原始样本,每个矢量空间计算强度样本中均包括以下13个类型的数值:矢量图层包含的要素个数、要素几何类型、数据库类型、图层空间范围宽度、图层空间范围高度、空间计算域内要素个数、空间计算域内顶点数、窗口像素宽度、窗口像素高度、窗口地理宽度、窗口地理高度、容差半径、计算时间;使用二维数组RawSamples[i][j]存储矢量空间计算强度原始样本集,RawSamples[i][j]表示第i个样本第j个属性值;
S2、使用整型随机数生成器,生成N个大于等于0且小于N的整型数值,使用生成的N个整型数值,将其分别作为数组索引从原始样本集的各个样本中选取N个样本作为新的样本,将其存储到二维数组TreeSamples[i][j]中;其中,N为原始样本集中样本数量;
S3、采用回归决策树训练方法,利用步骤S2中得到的二维数组TreeSamples[i][j]进行训练,建立回归决策树;
S4、循环执行S2至S3,直到获得TN棵回归决策树,TN棵回归决策树构成了完全随机森林FRF;其中TN为完全随机森林中回归决策树的数量;
S5、获取待预测的矢量空间计算强度样本,每个待预测的矢量空间计算强度样本包含以下12个类型的数值:矢量图层包含的要素个数、要素几何类型、数据库类型、图层空间范围宽度,图层空间范围高度、空间计算域内要素个数、空间计算域内顶点数、窗口像素宽度,窗口像素高度、窗口地理宽度、窗口地理高度、容差半径;使用一维数组NewSample存储待预测样本,NewSample[i]表示待预测样本的第i个属性值,将待预测的矢量空间计算强度样本输入到FRF中,调用FRF中的TN棵回归决策树的预测方法对待预测样本的计算时间进行预测,获得TN个预测结果,计算TN个预测结果的平均值AVG;
S6、分别计算TN棵回归决策树的预测结果与AVG之间的差值的绝对值,判断该差值的绝对值是否大于AVG*R,其中R是预先设定的百分比,如果回归决策树的预测结果大于AVG*R,则将其剔除,反之保留;
S7、计算S6中保留下来的回归决策树的预测结果的平均值FINALAVG,将平均值FINALAVG作为最终的计算强度预测结果。
根据本发明的另一方面,本发明为解决其技术问题,本发明还提供了一种基于完全随机森林的矢量空间计算强度预测系统,包括以下模块:
原始样本处理模块,用于获取矢量空间计算强度原始样本,每个矢量空间计算强度样本中均包括以下13个类型的数值:矢量图层包含的要素个数、要素几何类型、数据库类型、图层空间范围宽度、图层空间范围高度、空间计算域内要素个数、空间计算域内顶点数、窗口像素宽度、窗口像素高度、窗口地理宽度、窗口地理高度、容差半径、计算时间;使用二维数组RawSamples[i][j]存储矢量空间计算强度原始样本集,RawSamples[i][j]表示第i个样本第j个属性值;
整型数值生成模块,用于使用整型随机数生成器,生成N个大于等于0且小于N的整型数值,使用生成的N个整型数值,将其分别作为数组索引从原始样本集的各个样本中选取N个样本作为新的样本,将其存储到二维数组TreeSamples[i][j]中;其中,N为原始样本集中样本数量;
决策树建立模块,用于采用回归决策树训练方法,利用整型数值生成模块中得到的二维数组TreeSamples[i][j]进行训练,建立回归决策树;
循环执行处理模块,用于循环调用整型数值生成模块与决策树建立模块,直到获得TN棵回归决策树,TN棵回归决策树构成了完全随机森林FRF;其中TN为完全随机森林中回归决策树的数量;
预测样本处理模块,用于获取待预测的矢量空间计算强度样本,每个待预测的矢量空间计算强度样本包含以下12个类型的数值:矢量图层包含的要素个数、要素几何类型、数据库类型、图层空间范围宽度,图层空间范围高度、空间计算域内要素个数、空间计算域内顶点数、窗口像素宽度,窗口像素高度、窗口地理宽度、窗口地理高度、容差半径;使用一维数组NewSample存储待预测样本,NewSample[i]表示待预测样本的第i个属性值,将待预测的矢量空间计算强度样本输入到FRF中,调用FRF中的TN棵回归决策树的预测方法对待预测样本的计算时间进行预测,获得TN个预测结果,计算TN个预测结果的平均值AVG;
预测结果处理模块,用于分别计算TN棵回归决策树的预测结果与AVG之间的差值的绝对值,判断该差值的绝对值是否大于AVG*R,其中R是预先设定的百分比,如果回归决策树的预测结果大于AVG*R,则将其剔除,反之保留;
最终结果获取模块,用于计算预测结果处理模块中保留下来的回归决策树的预测结果的平均值FINALAVG,将平均值FINALAVG作为最终的计算强度预测结果。
实施本发明的基于完全随机森林的矢量空间计算强度预测方法及系统,具有以下有益效果:通过输入与矢量空间计算强度相关的所有特征,训练多棵完全回归决策树,实现对特征复杂多样的矢量空间计算域的计算强度建模,并对完全随机森林的预测结果进行优化,剔除与预测结果偏差较大的预测值,提高完全随机森林的预测精度,有利于在并行计算环境中,对矢量空间计算强度进行精准的预测,为并行计算资源的分配和调度提供依据。本发明最明显的不同在于在随机森林的训练过程中,每棵回归决策树的训练样本是从原始样本中随机选择的,且选择的特征包括原始样本的全部特征,该模型能够应对重要特征少、冗余特征多的矢量空间计算强度的预测,本发明可以为并行计算资源均衡调度与分配提供依据,提高并行计算效率。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明的矢量空间计算强度预测方法一优选实施例的流程图;
图2是本发明的矢量空间计算强度预测系统一优选实施例的原理框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
如图1所示,图1是本发明提供的基于完全随机森林的矢量空间计算强度预测方法的流程图,方法包括以下步骤:
步骤1)获取矢量空间计算强度原始样本集,每个矢量空间计算强度样本包括13个个类型的数值,依次分别是矢量图层包含的要素个数,要素几何类型,数据库类型,图层空间范围宽度,图层空间范围高度,空间计算域内要素个数,空间计算域内顶点数,窗口像素宽度,窗口像素高度,窗口地理宽度,窗口地理高度,容差半径,计算时间。使用二维数组RawSamples[i][j]存储矢量空间计算强度原始样本集,RawSamples[i]代表第i个样本,RawSamples[i][j]表示第i个样本第j个属性值。
步骤2)使用整型随机数生成器,生成N个大于等于0且小于N的整型数值,使用生成的N个整型数值,将其作为数组索引从原始样本集的各个样本中获得N个样本新的样本作为新的样本,将其存储到二维数组TreeSamples[i][j]中。其中,N为原始样本集中样本数量。
例如:假设整型随机数生成器第一次生成一个随机数为2,则将RawSamples[2]存储到TreeSamples[0]中,即TreeSamples[0]=RawSamples[2]。
步骤3)采用回归决策树训练方法,利用步骤S2中得到的二维数组TreeSamples[i][j]进行训练,建立回归决策树。
步骤4)循环执行步骤2)至步骤3),直到获得TN棵回归决策树,TN棵回归决策树构成了完全随机森林FRF(Fully Random Forest)。其中TN为完全随机森林中回归决策树的数量。
步骤5)获取待预测的矢量空间计算强度样本集,每个待预测的矢量空间计算强度样本包含12个类型的数值,依次分别是矢量图层包含的要素个数,要素几何类型,数据库类型,图层空间范围宽度,图层空间范围高度,空间计算域内要素个数,空间计算域内顶点数,窗口像素宽度,窗口像素高度,窗口地理宽度,窗口地理高度,容差半径。使用一维数组NewSample存储待预测样本,NewSample[i]表示待预测样本的第i个属性值。将待预测的矢量空间计算强度样本输入到FRF中,分别调用FRF中的TN棵回归决策树的预测方法对待预测样本的计算时间进行预测,获得TN个预测结果,计算TN个预测结果的平均值AVG。
步骤6)分别计算TN棵回归决策树的预测结果与AVG之间的差值的绝对值,判断其是否大于AVG*R,其中R是预先设定的百分比,且大于0小于1。如果回归决策树的预测结果大于AVG*R,则将其剔除,反之保留。
R的取值建议设为0.05,在实施过程中,可以根据预测结果的精度对其进行调整。
步骤7)计算步骤6)中保留下来的回归决策树的预测结果的平均值FINALAVG,将其作为最终的计算强度预测结果。
本发明最明显的不同在于在随机森林的训练过程中,每棵回归决策树的训练样本是从原始样本中随机选择的,且选择的特征包括原始样本的全部特征,训练好的多棵回归决策树构成了完全随机森林,该模型能够应对重要特征少、冗余特征多的矢量空间计算强度的预测,采用本发明提供的矢量空间计算强度度量方法,可以为并行计算环境中的计算资源均衡调度与分配提供依据,提高并行计算效率,计算资源的利用率。
参考图2,本实施例的基于完全随机森林的矢量空间计算强度预测系统,包括原始样本集处理模块21、整型数值生成模块22、决策树建立模块23、循环执行处理模块24、预测样本集处理模块25、预测结果处理模块26、最终结果获取模块27,各模块依次连接,且各模块的功能参考上述,这里不再赘述。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (2)
1.一种基于完全随机森林的矢量空间计算强度预测方法,其特征在于,包括以下步骤:
S1、获取矢量空间计算强度原始样本集,每个矢量空间计算强度样本中均包括以下13个类型的数值:矢量图层包含的要素个数、要素几何类型、数据库类型、图层空间范围宽度、图层空间范围高度、空间计算域内要素个数、空间计算域内顶点数、窗口像素宽度、窗口像素高度、窗口地理宽度、窗口地理高度、容差半径、计算时间;使用二维数组RawSamples[i][j]存储矢量空间计算强度原始样本集,RawSamples[i][j]表示第i个样本第j个属性值;
S2、使用整型随机数生成器,生成N个大于等于0且小于N的整型数值,使用生成的N个整型数值,将其分别作为数组索引从原始样本集的各个样本中选取N个样本作为新的样本,将其存储到二维数组TreeSamples[i][j]中;其中,N为原始样本集中样本数量;
S3、采用回归决策树训练方法,利用步骤S2中得到的二维数组TreeSamples[i][j]进行训练,建立回归决策树;
S4、循环执行S2至S3,直到获得TN棵回归决策树,TN棵回归决策树构成了完全随机森林FRF;其中TN为完全随机森林中回归决策树的数量;
S5、获取待预测的矢量空间计算强度样本集,每个待预测的矢量空间计算强度样本包含以下12个类型的数值:矢量图层包含的要素个数、要素几何类型、数据库类型、图层空间范围宽度,图层空间范围高度、空间计算域内要素个数、空间计算域内顶点数、窗口像素宽度,窗口像素高度、窗口地理宽度、窗口地理高度、容差半径;使用一维数组NewSample存储待预测样本,NewSample[i]表示待预测样本的第i个属性值,将待预测的矢量空间计算强度样本输入到FRF中,调用FRF中的TN棵回归决策树的预测方法对待预测样本的计算时间进行预测,获得TN个预测结果,计算TN个预测结果的平均值AVG;
S6、分别计算TN棵回归决策树的预测结果与AVG之间的差值的绝对值,判断该差值的绝对值是否大于AVG*R,其中R是预先设定的百分比,如果回归决策树的预测结果与AVG之间的差值的绝对值大于AVG*R,则将其剔除,反之保留;
S7、计算S6中保留下来的回归决策树的预测结果的平均值FINALAVG,将平均值FINALAVG作为最终的计算强度预测结果。
2.一种基于完全随机森林的矢量空间计算强度预测系统,其特征在于,包括以下模块:
原始样本集处理模块,用于获取矢量空间计算强度原始样本集,每个矢量空间计算强度样本中均包括以下13个类型的数值:矢量图层包含的要素个数、要素几何类型、数据库类型、图层空间范围宽度、图层空间范围高度、空间计算域内要素个数、空间计算域内顶点数、窗口像素宽度、窗口像素高度、窗口地理宽度、窗口地理高度、容差半径、计算时间;使用二维数组RawSamples[i][j]存储矢量空间计算强度原始样本集,RawSamples[i][j]表示第i个样本第j个属性值;
整型数值生成模块,用于使用整型随机数生成器,生成N个大于等于0且小于N的整型数值,使用生成的N个整型数值,将其分别作为数组索引从原始样本集中获得N个样本作为新的样本,将其存储到二维数组TreeSamples[i][j]中;其中,N为原始样本集中样本数量;
决策树建立模块,用于采用回归决策树训练方法,利用整型数值生成模块中得到的二维数组TreeSamples[i][j]进行训练,建立回归决策树;
循环执行处理模块,用于循环调用整型数值生成模块与决策树建立模块,直到获得TN棵回归决策树,TN棵回归决策树构成了完全随机森林FRF;其中TN为完全随机森林中回归决策树的数量;
预测样本集处理模块,用于获取待预测的矢量空间计算强度样本集,每个待预测的矢量空间计算强度样本包含以下12个类型的数值:矢量图层包含的要素个数、要素几何类型、数据库类型、图层空间范围宽度,图层空间范围高度、空间计算域内要素个数、空间计算域内顶点数、窗口像素宽度,窗口像素高度、窗口地理宽度、窗口地理高度、容差半径;使用一维数组NewSample存储待预测样本,NewSample[i]表示待预测样本的第i个属性值,将待预测的矢量空间计算强度样本输入到FRF中,调用FRF中的TN棵回归决策树的预测方法对待预测样本的计算时间进行预测,获得TN个预测结果,计算TN个预测结果的平均值AVG;
预测结果处理模块,用于分别计算TN棵回归决策树的预测结果与AVG之间的差值的绝对值,判断该差值的绝对值是否大于AVG*R,其中R是预先设定的百分比,如果回归决策树的预测结果与AVG之间的差值的绝对值大于AVG*R,则将其剔除,反之保留;
最终结果获取模块,用于计算预测结果处理模块中保留下来的回归决策树的预测结果的平均值FINALAVG,将平均值FINALAVG作为最终的计算强度预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711387102.3A CN108052755B (zh) | 2017-12-20 | 2017-12-20 | 基于完全随机森林的矢量空间计算强度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711387102.3A CN108052755B (zh) | 2017-12-20 | 2017-12-20 | 基于完全随机森林的矢量空间计算强度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108052755A CN108052755A (zh) | 2018-05-18 |
CN108052755B true CN108052755B (zh) | 2019-09-17 |
Family
ID=62130464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711387102.3A Expired - Fee Related CN108052755B (zh) | 2017-12-20 | 2017-12-20 | 基于完全随机森林的矢量空间计算强度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108052755B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984269B (zh) * | 2018-07-16 | 2022-06-07 | 中山大学 | 基于随机回归森林模型的容器资源供给方法及系统 |
CN111382756B (zh) * | 2018-12-28 | 2023-06-02 | 台湾中国医药大学附设医院 | 影像电脑辅助直肠癌治疗反应预测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN105138819A (zh) * | 2015-07-24 | 2015-12-09 | 中国地质大学(武汉) | 空间计算域计算强度表面生成方法 |
WO2017025589A1 (de) * | 2015-08-13 | 2017-02-16 | Cladiac Gmbh | Verfahren und testsystem zum nachweis und/oder quantifizieren einer ziel-nukleinsäure in einer probe |
CN106897109A (zh) * | 2017-02-13 | 2017-06-27 | 云南大学 | 基于随机森林回归的虚拟机性能预测方法 |
CN106951325A (zh) * | 2017-03-10 | 2017-07-14 | 中国地质大学(武汉) | 空间计算域计算强度立方体构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150167085A1 (en) * | 2013-09-09 | 2015-06-18 | Daniel R. Salomon | Methods and Systems for Analysis of Organ Transplantation |
-
2017
- 2017-12-20 CN CN201711387102.3A patent/CN108052755B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN105138819A (zh) * | 2015-07-24 | 2015-12-09 | 中国地质大学(武汉) | 空间计算域计算强度表面生成方法 |
WO2017025589A1 (de) * | 2015-08-13 | 2017-02-16 | Cladiac Gmbh | Verfahren und testsystem zum nachweis und/oder quantifizieren einer ziel-nukleinsäure in einer probe |
CN106897109A (zh) * | 2017-02-13 | 2017-06-27 | 云南大学 | 基于随机森林回归的虚拟机性能预测方法 |
CN106951325A (zh) * | 2017-03-10 | 2017-07-14 | 中国地质大学(武汉) | 空间计算域计算强度立方体构建方法 |
Non-Patent Citations (2)
Title |
---|
《Comparison of random forest, support vector machine and back propagation neural network for electronic tongue data classification: Application to the recognition of orange beverage and Chinese vinegar》;Liu M,et al;《Sensors and Actuators B:Chemical》;20131231;第970-980页 |
《集群开发环境下大规模矢量数据负载均衡算法》;郭明强 等;《武汉大学学报(信息科学版)》;20130930;第38卷(第9期);第1131-1134页 |
Also Published As
Publication number | Publication date |
---|---|
CN108052755A (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112115198B (zh) | 一种城市遥感智能服务平台 | |
CN104850836B (zh) | 基于深度卷积神经网络的害虫图像自动识别方法 | |
Salcedo-Sanz et al. | A hybrid Hopfield network-genetic algorithm approach for the terminal assignment problem | |
CN103353923B (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
CN107423462B (zh) | 工件考虑三维粗糙表面形貌的疲劳寿命预测方法及系统 | |
CN106193734B (zh) | 一种立体车库调度控制装置 | |
CN106570597A (zh) | 一种sdn架构下基于深度学习的内容流行度预测方法 | |
CN106708989A (zh) | 基于空间时序数据流应用的Skyline查询方法 | |
CN108052755B (zh) | 基于完全随机森林的矢量空间计算强度预测方法及系统 | |
CN105930900B (zh) | 一种混合风力发电的预测方法及系统 | |
CN106777093A (zh) | 基于空间时序数据流应用的Skyline查询系统 | |
CN109241846A (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
Wang et al. | SSIEA: a hybrid evolutionary algorithm for supporting conceptual architectural design | |
CN109409441A (zh) | 基于改进随机森林的近岸水体叶绿素a浓度遥感反演方法 | |
CN106875060A (zh) | 一种基于全局自动优化算法的洪水实时校正方法 | |
CN109992848A (zh) | 一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法 | |
CN112053005B (zh) | 一种主客观降水预报的机器学习融合方法 | |
CN110458351A (zh) | 基于人流量的区域管理方法、装置、设备及可读存储介质 | |
CN107452059B (zh) | 一种三维插值建模方法、设备及其存储设备 | |
CN103020433A (zh) | 一种电力设备状态的评价模型引擎 | |
CN109067581A (zh) | 基于层次分析法的计算网络选择方法及平台 | |
CN109063930A (zh) | 一种基于聚类分析的动态风电场总功率预测方法 | |
Ma et al. | Spatial Poisson models for examining the influence of climate and land cover pattern on bird species richness | |
CN110019625B (zh) | 文本标准地址空间化方法和装置、计算机可读存储介质 | |
CN106202522B (zh) | 一种流场积分曲线的复用方法及系统 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200731 Address after: 430074 Wuhan Road, Hongshan, Shandong Province, Lu Lu Road, No. 388, No. Patentee after: Wuhan in the big asset management Co.,Ltd. Address before: 430074 Wuhan Road, Hongshan, Shandong Province, Lu Lu Road, No. 388, No. Patentee before: CHINA University OF GEOSCIENCES (WUHAN CITY) |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190917 Termination date: 20201220 |
|
CF01 | Termination of patent right due to non-payment of annual fee |