CN110309332A - 一种融合工程语义的cad模型局部结构检索方法 - Google Patents
一种融合工程语义的cad模型局部结构检索方法 Download PDFInfo
- Publication number
- CN110309332A CN110309332A CN201810195670.1A CN201810195670A CN110309332A CN 110309332 A CN110309332 A CN 110309332A CN 201810195670 A CN201810195670 A CN 201810195670A CN 110309332 A CN110309332 A CN 110309332A
- Authority
- CN
- China
- Prior art keywords
- cad model
- model
- engineering
- semantics
- retrieval method
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数字化设计与制造领域,特别是一种融合工程语义的CAD模型局部结构检索方法,该方法以工程特征作为工程语义信息的基础载体,对模型库中的CAD模型进行结构化表征,并用特征属性邻接图来表示;利用局部特征与模型库中的CAD模型的特征属性邻接图之间的顶点和边的映射关系构建关联图,通过遗传算法寻找关联图的最大团,并返回包含局部特征的CAD模型;构建融合工程特征的相似性评价模型,根据该模型计算局部结构检索结果相似度,并按相似度大小输出相应的CAD模型,降低了求解问题的时间复杂度,使用较为灵活,受到的初始条件约束较少,解决了现有子图同构算法求解时的时间复杂度较高的问题。
Description
技术领域
本发明涉及数字化设计与制造领域,特别是一种融合工程语义的CAD模型局部结构检索方法。
背景技术
随着经济社会的不断发展和工业化水平的不断提高,计算机辅助设计技术在工业界得到了广泛的应用。日益增多的三维CAD模型为产品设计带来了大量的可重用资源,且设计资源的重用在产品的创新设计中正变得越来越重要。据统计,在产品设计过程中,约80%是完全重用过去的部件设计或对已有设计部件的微小修改,而只有约20%是完全新的设计。正是由于工程领域对设计资源重用的迫切需求,基于三维CAD模型检索的设计重用技术近年来成为研究热点之一。
三维CAD模型检索的研究起源于通用领域,而后扩展到一些专业领域如CAD、分子生物学和地理信息等。目前国内外专门针对三维CAD模型检索的研究尚处于起步阶段,现有算法大多都只是直接将通用领域的检索算法应用到三维CAD模型的检索上,且通常只考虑三维CAD模型的整体检索,忽略了产品数字化设计中的局部结构检索需求。事实上,在产品设计过程中,大量的设计重用是在更细观的特征级和局部结构级。即在更多情况下,能够被重用的仅仅是模型间足够相似的一些局部区域,而这些局部区域可以源于不同的三维CAD模型。因此,如何从海量产品模型中快速、有效地查找适合设计重用的局部结构已成为产品开发各环节的一个迫切需求。
近年来,三维CAD模型检索技术研究正在向融合语义的方向发展,以更高的支持面向领域的重用,其基本思想是不仅考虑检索对象几何形状的相似性,还要考虑应用领域语义上的相似性。有研究表明,以设计特征作为设计语义信息的基础载体,对三维CAD模型进行结构化表征,并用特征属性邻接图来表示;然后设计能够捕捉不同层次信息的特征描述子,构建融合语义的特征相似性评价模型;最后,采用子图同构算法计算查询局部结构于模型库中零件的特征属性邻接图的特征匹配对,以此计算相匹配局部结构的相似度;能够较好地实现融合语义的三维CAD模型局部结构检索,可以有效地支持面向农机设计领域的三维CAD模型设计信息的重用。上述子图同构算法的时间复杂度主要集中在“大图”中寻找“子图”,而子图同构问题是NP完全问题,现有求解算法的时间复杂度一般比较高。因此,现在更多的研究均倾向采用高效率的启发式算法,这些方法可以在多项式时间内寻求最优解。
发明内容
本发明的目的是提供一种融合工程语义的CAD模型局部结构检索方法,用以解决现有技术运用子图同构算法检索时的时间复杂度较高的问题。
为实现上述目的,本发明提供一种融合工程语义的CAD模型局部结构检索方法,包括以下步骤:
1)根据图和规则结合的特征识别模型库中CAD模型包含的工程特征,并提取与所述工程特征关联的工程语义信息,得到所述CAD模型的特征属性邻接图;
2)根据局部结构与所述CAD模型的特征属性邻接图之间的顶点和边的映射关系构建关联图;
3)根据遗传算法求解所述关联图的最大团,并返回对应所述最大团的CAD模型;
4)根据融合工程特征的相似度评价模型计算返回模型的相似度值,并输出与所述局部结构相似的CAD模型。
有益效果是,通过局部特征与CAD模型的特征属性邻接图之间的顶点和边的映射关系构建关联图,根据遗传算法计算关联图的最大团并返回相应的CAD模型,并根据相似度评价模型计算得到返回模型的相似度值,局部结构检索结果总体效果好,算法运行效率高,便于设计人员进行CAD模型的设计重用工作,可以较好的实现机械装备三维CAD模型多粒度、精细化、智能化设计重用需求,从而进一步实现相关模型及其设计资源的有效重用。该遗传算法描述问题简单、使用灵活,受到初始条件约束少,同传统搜索策略相比引入了随机性因素使其更加适合解决此类问题。
作为本发明提供的一种融合工程语义的CAD模型局部结构检索方法的改进,所述工程特征包括几何点、几何边和几何面。
作为本发明提供的一种融合工程语义的CAD模型局部结构检索方法的进一步改进,所述工程语义信息包括材料、尺寸、公差和表面粗糙度。
作为本发明提供的一种融合工程语义的CAD模型局部结构检索方法的再一步改进,所述遗传算法包括以下步骤:
(1)根据所述关联图中顶点的序号对所述遗传算法中的染色体进行实数编码,以所述关联图的关联图矩阵为输入;
(2)从第一设定个数的顶点中随机选取第二设定个数的节点构成个体,选取一定数量的个体构成初始种群,并根据目标函数计算初始种群中各个体的适应值,根据适应值函数计算适应性分数值,并根据轮盘选择方法从初始个体中选取两个亲代个体;
(3)根据设定交叉率和设定变异率对所述两个亲代个体序号进行判定、检测,并计算所述两个亲代个体适应值并进行存储,循环直至满足设定迭代次数或者得到满足设定适应值的个体,得到所述关联图矩阵的极大团即为所述关联图的最大团。
作为本发明提供的一种融合工程语义的CAD模型局部结构检索方法的再进一步改进,所述目标函数为Fit(S)=1/(k*(k-1)-Mij+1)。
作为本发明提供的一种融合工程语义的CAD模型局部结构检索方法的还进一步改进,步骤4)中所述相似度评价模型为根据特征属性邻接图、工程特征类型、材料、公差/表面粗糙度、几何尺度和几何形状信息构建。
附图说明
图1是一种融合工程语义的CAD模型局部结构检索方法的技术路线图;
图2是一种产品的三维CAD模型;
图3是该产品的三维CAD模型的特征属性邻接图;
图4是该产品的三维CAD模型的特征描述子信息;
图5是一种融合工程语义的CAD模型局部结构检索方法的实验结果;
图6是一种融合工程语义的CAD模型局部结构检索方法中遗传算法与其他算法的性能比较结果;
图7是一种融合工程语义的CAD模型局部结构检索方法的局部结构检索结果的查全查准率曲线;
图8是一种融合工程语义的CAD模型局部结构检索方法的局部结构检索运行时间。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
本发明首先以工程特征作为工程语义信息的基础载体,对三维CAD模型进行结构化表征,并用特征属性邻接图来表示;然后设计能够捕捉不同层次信息的特征描述子,构建融合语义的特征相似性评价模型;最后采用遗传算法计算查询局部结构与模型库中零件的特征属性邻接图的特征匹配对,以此计算相匹配局部结构的相似度。本发明能够较好地实现融合语义的三维CAD模型局部结构检索,可以有效地支持面向农机设计领域的三维CAD模型设计信息的重用。
本发明提供一种融合工程语义的CAD模型局部结构检索方法,如图1所示,包括以下步骤:
S1:利用基于图和规则相结合的特征识别算法对CAD模型包含的特征进行自动识别。
基于图和规则相结合的特征识别算法对模型库中CAD模型包含的工程特征进行自动识别,其中对于三维CAD模型中少量难以自动识别的特征,则利用人机交互来实现。本发明考虑的工程特征主要是设计领域常见的凸台类(Boss)、型腔类(Pocket)、台阶类(Step)、孔类(Hole)和槽类特征(Slot),以及由这些基本特征组合、或按一定规律排布而成的复合特征。
S2:利用CAD系统的API函数对三维CAD模型进行解析,提取与几何点、边、面关联的工程语义信息,并根据工程特征组成的几何要素集,将与工程特征关联的材料、尺寸、公差、表面粗糙度等信息映射到对应的工程特征上,完成特征内关联工程语义信息的提取,从而实现将三维CAD模型表示为具有工程语义信息的工程特征集合,并用特征属性邻接图来表示和描述。
实现将三维CAD模型表示为具有工程语义信息的工程特征集合,其中,在利用CAD系统的API函数对三维CAD模型进行解析中,各主流CAD系统都提供了在三维CAD模型上直接标注材料、尺寸、公差、表面粗糙度等工程语义信息。如图2、图3所示,给出了某产品三维CAD模型及其对应的特征属性邻接图,该模型由5个设计特征组成。
S3:利用局部结构和三维CAD模型特征属性邻接图之间顶点和边的映射关系建立关联图及其关联图矩阵,采用遗传算法寻找关联图的最大团。
基于遗传算法解决局部结构与三维CAD模型特征属性邻接图之间关联图的最大团问题。其中,遗传算法中染色体的编码方式是实数编码,即根据关联图中顶点的序号编码,意义明确且不需要进行解码;以能够检索CAD模型中局部结构的关联图的矩阵G作为输入(矩阵大小为n);以挖掘出的子结构矩阵即关联图矩阵中的极大团S为输出(矩阵大小为k,即染色体长度);交叉率设定为0.1,变异率设定为0.9,初定迭代次数是1000代;目标函数为Fit(S)=1/(k*(k-1)-Mij+1)以计算子图的适应值f,函数中的Mij为求解某最大团中元素不为0个数之和,当寻找到目标最大团时,函数适应值是1,最后加1操作是为防止分母为0。具体步骤如下:
S301、从n个顶点中随机选取k个节点,构成个体,利用该方式选取一定数量个体构成初始种群,并计算初始种群中每一个个体的适应值。
S302、根据适应值函数计算适应性分数值,依据轮盘选择方法从初始个体中选取两亲代个体。
S303、依照一定的概率进行交叉和变异操作,对新生成的个体序号进行判定、检测,防止生成相同序号。
S304、计算新生成的个体适应值并进行存储,达到初代规模后完成一代。
S305、循环执行S302,直到达到规定的迭代次数或者找到满足适应值的个体后,退出循环。
S4:基于分析工程特征语义信息模型相似性比较中用到的属性信息,设计包含不同层次信息的特征描述子,并对特征描述子的各组成要素进行量化,然后将多种属性融合构建工程特征的相似性评价模型。
如图4所示,为图3中的产品CAD模型的特征描述子信息;该特征描述子被定义为一个6维向量,包括从高层次的工程语义信息到低层次的几何信息;高层的工程语义信息包括工程特征类型、材料、公差/表面粗糙度和特征邻接关系,低层几何信息包几何尺度和几何形状信息。公差/表面粗糙度为公差或表面粗糙度的关系,表达的意思是可采用公差,或者采用表面粗糙度构成高层工程语义信息。
S5:基于融合工程特征语义信息的相似性评价模型,计算局部结构检索结果相似度。
融合工程特征的相似性评价模型由工程特征与工程语义信息构成。其中,工程特征是工程语义信息的基础载体,工程语义分为特征间关联与特征内关联两种模式。特征间关联工程语义主要用来描述工程特征间的邻接关系,包括父子、兄弟、对称阵列、工程基准等,特征内关联工程语义主要包括工程特征类型、材料、公差/表面粗糙度、几何尺度和几何形状信息。
当局部结构的一个成功匹配被找到后,基于匹配顶点对的属性来计算局部结构的相似度。对于任意一个匹配顶点(vi,M(vi)),对其特征相似度计算公式为
式中ωi—顶点vi的权重,δ(vi,M(vi))—匹配顶点对的特征相似度。两个局部结构的相似度定义为所有匹配顶点对特征相似度的加权和,匹配顶点对权重ωi采用启发式规则设定。根据融合工程语义的CAD模型局部结构检索方法需求特点,在特征属性邻接图中,顶点权重由对δ的计算结果决定,取vi及M(vi)各自特征描述子的向量距离,δ越大,则顶点权重越大。顶点vi及其对应顶点M(vi)都来自两个局部结构属性邻接图的映射匹配矩阵M。
如图5所示,为从上述产品CAD模型中选取深色标记的局部结构对其进行挖掘,并在模型库中得到的返回模型。可以发现,本发明提供的方法可以将带有该局部结构的模型从模型库中全部检索出来,去掉了一些基本相同的模型,选取了10个具有代表性的模型进行了显示。从返回模型中可以看出,局部结构往往隐藏在外形各不相同的三维CAD模型中,而本发明提供的方法可以有效地将隐含局部结构的CAD模型推送给设计人员,以供设计人员参考。
如图6所示,本发明提供的方法基于遗传算法,该算法与蚁群算法和神经网络算法在模型库中,以叉型结构为测试对象的局部结构挖掘能力比较,去掉无关模型后,将返回模型按相似度大小进行排序。从挖掘结果分析,相对于蚁群算法,遗传算法以极大团作为输出结果,而这种“模糊模式”的挖掘特性可以返回多层次相似度的模型,并且由于遗传算法保证最大公共子图是连通的,局部结构的挖掘结果更符合人的相似性感知;相对于神经网络算法,本发明提供的方法返回模型数量多,并且具有较高的复杂度,便于设计人员进行深度挖掘。
如图7所示,给出了局部结构检索结果的查全查准率图,从图7中可以看出,当查全率小于0.7时,平均查全查准率曲线接近于1.0这条水平线,这意味着随着检索到的相关局部结构数量的增加,局部结构检索的精度能够维持在一个较高的水准;此外,当查全率为1时,查准率达到了0.82,理想检索结果的曲线应该是一条查准率恒等于1.0的平行直线;显然,位置靠上的曲线具有较高精度,代表着较好的检索结果。因此,本发明提供的方法的局部结构检索性能较好。
如图8所示,为了充分验证本发明提供的方法的局部结构检索性能,给出了2个查询局部结构在不同数量的测试模型库下的检索运行时间,该测试是在配有Intel Pentium4CPU 3.06GHz和4GB内存的PC机上面运行的。实验中通过随机抽取的方式构建8组测试模型库,每组模型库中模型的数量分别为50,100,…,400。为了保证统计时间的可靠性,对于每一个查询局部结构与每一个测试模型库,先后运行100次并将100次检索时间的平均值作为该查询局部结构在该模型库下的检索时间。检索运行时间与测试模型库中相关局部结构的数量基本呈线性关系。这主要由于大部分非相关零件模型在映射匹配矩阵初始化阶段就被排除在外,只有保留下来的极少量零件模型才会进行后续的特征精细化比较。并且在所有的查询局部结构中,局部结构所包含的特征的数量越多所需的查询时间也越多。当测试模型库包含有400个模型时,查询叉形局部结构的运行时间最长,为10.615s。对于多数CAD模型其构成特征的数量是有限的,因此,本发明算法运行效率较高且是可行的。
以上给出了本发明涉及的具体实施方式,但本发明不局限于所描述的实施方式。在本发明给出的思路下,采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改,并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同,这样形成的技术方案是对上述实施例进行微调形成的,这种技术方案仍落入本发明的保护范围内。
Claims (6)
1.一种融合工程语义的CAD模型局部结构检索方法,其特征在于,包括以下步骤:
1)根据图和规则结合的特征识别模型库中CAD模型包含的工程特征,并提取与所述工程特征关联的工程语义信息,得到所述CAD模型的特征属性邻接图;
2)根据局部结构与所述CAD模型的特征属性邻接图之间的顶点和边的映射关系构建关联图;
3)根据遗传算法求解所述关联图的最大团,并返回对应所述最大团的CAD模型;
4)根据融合工程特征的相似度评价模型计算返回模型的相似度值,并输出与所述局部结构相似的CAD模型。
2.根据权利要求1所述的融合工程语义的CAD模型局部结构检索方法,其特征在于,所述工程特征包括几何点、几何边和几何面。
3.根据权利要求2所述的融合工程语义的CAD模型局部结构检索方法,其特征在于,所述工程语义信息包括工程特征类型、材料、公差/表面粗糙度和特征邻接关系。
4.根据权利要求1、2或3所述的融合工程语义的CAD模型局部结构检索方法,其特征在于,所述遗传算法包括以下步骤:
(1)根据所述关联图中顶点的序号对所述遗传算法中的染色体进行实数编码,以所述关联图的关联图矩阵为输入;
(2)从第一设定个数的顶点中随机选取第二设定个数的节点构成个体,选取一定数量的个体构成初始种群,并根据目标函数计算初始种群中各个体的适应值,根据适应值函数计算适应性分数值,并根据轮盘选择方法从初始个体中选取两个亲代个体;
(3)根据设定交叉率和设定变异率对所述两个亲代个体序号进行判定、检测,并计算所述两个亲代个体适应值并进行存储,循环直至满足设定迭代次数或者得到满足设定适应值的个体,得到所述关联图矩阵的极大团即为所述关联图的最大团。
5.根据权利要求4所述的融合工程语义的CAD模型局部结构检索方法,其特征在于,所述目标函数为Fit(S)=1/(k*(k-1)-Mij+1)。
6.根据权利要求5所述的融合工程语义的CAD模型局部结构检索方法,其特征在于,步骤4)中所述相似度评价模型为根据特征属性邻接图、工程特征类型、材料、公差/表面粗糙度、几何尺度和几何形状信息构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810195670.1A CN110309332A (zh) | 2018-03-09 | 2018-03-09 | 一种融合工程语义的cad模型局部结构检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810195670.1A CN110309332A (zh) | 2018-03-09 | 2018-03-09 | 一种融合工程语义的cad模型局部结构检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309332A true CN110309332A (zh) | 2019-10-08 |
Family
ID=68073824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810195670.1A Pending CN110309332A (zh) | 2018-03-09 | 2018-03-09 | 一种融合工程语义的cad模型局部结构检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309332A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368453A (zh) * | 2020-03-17 | 2020-07-03 | 创新奇智(合肥)科技有限公司 | 一种基于深度强化学习的面料裁剪优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004068300A2 (en) * | 2003-01-25 | 2004-08-12 | Purdue Research Foundation | Methods, systems, and data structures for performing searches on three dimensional objects |
CN106528770A (zh) * | 2016-11-07 | 2017-03-22 | 大连工业大学 | 基于设计意图的cad语义模型检索方法 |
CN106951460A (zh) * | 2017-02-24 | 2017-07-14 | 北京宇航系统工程研究所 | 一种基于图匹配的mbd模型检索方法 |
-
2018
- 2018-03-09 CN CN201810195670.1A patent/CN110309332A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004068300A2 (en) * | 2003-01-25 | 2004-08-12 | Purdue Research Foundation | Methods, systems, and data structures for performing searches on three dimensional objects |
CN106528770A (zh) * | 2016-11-07 | 2017-03-22 | 大连工业大学 | 基于设计意图的cad语义模型检索方法 |
CN106951460A (zh) * | 2017-02-24 | 2017-07-14 | 北京宇航系统工程研究所 | 一种基于图匹配的mbd模型检索方法 |
Non-Patent Citations (4)
Title |
---|
张亚雷: "《三维模型整体与局部相似性评价方法研究》", 《中国优秀硕士学位论文全文数据库 》 * |
张开兴等: "面向设计重用的三维CAD模型局部结构检索方法", 《农业机械学报》 * |
李亮等: "基于遗传算法的三维CAD模型多特征融合和检索", 《制造业自动化》 * |
黄瑞等: "融合制造语义的三维CAD模型检索方法", 《计算机集成制造系统》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368453A (zh) * | 2020-03-17 | 2020-07-03 | 创新奇智(合肥)科技有限公司 | 一种基于深度强化学习的面料裁剪优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A data mining approach for spatial modeling in small area load forecast | |
Xiong et al. | 3-D scene analysis via sequenced predictions over points and regions | |
CN103778227A (zh) | 从检索图像中筛选有用图像的方法 | |
CN101196905A (zh) | 一种智能图形检索方法 | |
CN104679818A (zh) | 一种视频关键帧提取方法及系统 | |
CN108153867A (zh) | 基于时间规律性的用户轨迹预测方法和装置 | |
Kumar et al. | A benchmark to select data mining based classification algorithms for business intelligence and decision support systems | |
CN112132014B (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
CN107291895B (zh) | 一种快速的层次化文档查询方法 | |
CN111695042A (zh) | 基于深度游走和集成学习的用户行为预测方法及系统 | |
CN105389505A (zh) | 基于栈式稀疏自编码器的托攻击检测方法 | |
CN105825430A (zh) | 一种基于异构社会网络的检测方法 | |
Zhao et al. | Path $ k\hbox {NN} $ Query Processing in Mobile Systems | |
CN109961129A (zh) | 一种基于改进粒子群的海上静止目标搜寻方案生成方法 | |
Bakirli et al. | DTreeSim: A new approach to compute decision tree similarity using re-mining | |
CN103093247A (zh) | 一种植物图片的自动分类方法 | |
CN109919227A (zh) | 一种面向混合属性数据集的密度峰值聚类方法 | |
CN110309332A (zh) | 一种融合工程语义的cad模型局部结构检索方法 | |
Nguyen et al. | A method for efficient clustering of spatial data in network space | |
Dahal | Effect of different distance measures in result of cluster analysis | |
Mathai et al. | An efficient approach for item set mining using both utility and frequency based methods | |
CN103336781A (zh) | 一种医学图像聚类方法 | |
Lin | Efficient motion search in large motion capture databases | |
JP2009116404A (ja) | 合金設計支援システム、合金設計支援用プログラム、および合金設計支援方法 | |
Bitsakidis et al. | Hybrid Cellular Ants for Clustering Problems. |
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 |