CN110633386A - 一种基于遗传和声混合搜索的模型相似性计算方法 - Google Patents
一种基于遗传和声混合搜索的模型相似性计算方法 Download PDFInfo
- Publication number
- CN110633386A CN110633386A CN201910921892.1A CN201910921892A CN110633386A CN 110633386 A CN110633386 A CN 110633386A CN 201910921892 A CN201910921892 A CN 201910921892A CN 110633386 A CN110633386 A CN 110633386A
- Authority
- CN
- China
- Prior art keywords
- model
- similarity
- source
- target
- harmony
- 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
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Physiology (AREA)
- Computer Graphics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于遗传和声混合搜索的模型相似性计算方法。本发明利用边数差异来计算源模型面与目标模型面的形状相似度。利用面邻接关系来计算源模型面与目标模型面的结构相似度。以面的形状相似度和结构相似度为基础,构造源模型与目标模型的面相似性矩阵。利用遗传和声混合搜索算法找出最优面匹配对序列。通过累积源模型面与目标模型面之间的相似性,来度量两个模型之间的相似度。本发明能够更好地衡量两个三维CAD模型之间的差异。
Description
技术领域:
本发明涉及一种基于遗传和声混合搜索的模型相似性计算方法,该方法在三维CAD模型相似性计算领域中有着很好的应用。
背景技术:
最近10年间三维模型数量呈现出几何级的增长趋势。随着互联网的急速发展以及互联网在人们生活中的广泛普及,媒体之间的信息交流愈加方便、频繁。三维模型广泛应用于工作、生活。人们对三维模型进行分析、匹配与检索的需求越来越迫切了。因此,三维模型检索的研究现已变得非常重要。
在三维CAD模型检索方面,已经采用了很多算法,例如:应用贪心算法进行模型相似性计算。由于贪心算法是非智能算法,算法较为简便,所以利用贪心算法来计算模型相似性容易陷入局部最优。在三维模型相似性计算中,为了在尽可能大的邻域范围内寻找最优解,避免陷入局部最优,本发明提出了一种基于遗传和声混合搜索的模型相似性计算方法。
发明内容:
为了准确地度量三维模型之间的差异,本发明公开了一种基于遗传和声混合搜索的模型相似性计算方法。
为此,本发明提供了如下技术方案:
1.一种基于遗传和声混合搜索的模型相似性计算方法,其特征在于,该方法包括以下步骤:
步骤1:利用边数差异来计算源模型面与目标模型面的形状相似度。利用面邻接关系来计算源模型面与目标模型面的结构相似度。以面的形状相似度和结构相似度为基础,构造源模型与目标模型的面相似性矩阵。
步骤2:在源模型与目标模型的面相似性矩阵中,利用遗传和声混合搜索算法进行搜索,寻找最优面匹配对序列。
步骤3:以最优面匹配对序列为基础,通过累积源模型面与目标模型面之间的相似性,来计算源模型与目标模型之间的相似度。
2.根据权利要求1所述的一种基于遗传和声混合搜索的模型相似性计算方法,其特征在于,所述步骤1中,具体步骤为:
步骤1-1对源模型面与目标模型面分别进行编号。源模型A包括面f1,f2,...,fn,目标模型B包括面g1,g2,...,gm,假设m≤n。统计每个面所包含的边数。利用公式(1)来计算源模型面fi与目标模型面gj的形状相似度Ss(fi,gj):
其中,N(f)表示面f所包含的边数,max(x,y)表示x与y中的最大值。
步骤1-2利用面邻接关系来计算源模型面与目标模型面的结构相似度。在模型中,面fa与面fb之间的邻接关系计算过程如下:
其中,fa与fb表示同一个模型的两个不同面。
对源模型面fi、fs与目标模型面gj、gt而言,其邻接对应关系计算过程如下所示:
源模型面fi与目标模型面gj之间的结构相似度St(fi,gj)的计算过程如下所示:
步骤1-3以源模型面fi与目标模型面gj的形状相似度Ss(fi,gj)和结构相似度St(fi,gj)为基础,计算二者之间的相似性S(fi,gj),如下所示:
S(fi,gj)=Ss(fi,gj)*St(fi,gj) (5)
步骤1-4构造源模型与目标模型的面相似性矩阵。
3.根据权利要求1所述的一种基于遗传和声混合搜索的模型相似性计算方法,其特征在于,所述步骤2中,具体步骤为:
步骤2-1初始化遗传算法的交叉概率pc、变异概率pm以及最大迭代次数GNI,初始化和声记忆库大小HMS、和声记忆库微调概率HMCR、和声搜索算法的最大迭代次数NI、当前迭代次数t、微调概率PARmax、PARmin以及微调带宽BWmax、BWmin。
步骤2-2初始化和声记忆库。对源模型与目标模型的面匹配对序列进行编码,利用遗传算法进行选择、交叉和变异操作,经过多次迭代得到规模为num的新种群。从新种群中,选择最好的HMS个个体作为初始和声记忆库HM中的解向量。
步骤2-3优化和声记忆库HM。适应度函数f(x)的定义如公式(6)所示。以一定比例保留和声记忆库HM中的适应度好的解向量。对剩余的解向量进行换位处理,得到新的解向量,以增加种群的多样性,以便产生更优解。解向量换位处理的方法是:保留解向量中的较优片段,剩余片段作顺时针旋转、逆时针旋转和混合旋转。
源模型与目标模型的面匹配对序列为:(j(1),1),(j(2),2),…,(j(m),m)。其中,(j(i),i)表示目标模型面gi与源模型面fj(i)相对应。
步骤2-4产生新和声。在[0,1]之间产生一个随机数rand1,若rand1<HMCR,则从HM中随机选取一个和声变量,否则从解空间中随机选取一个和声变量,如公式(7)所示。
若所选取的和声变量是从和声库HM中选取的,则利用公式(8)对其进行微调,否则不作任何调整。
其中,rand1和rand2表示[0,1]上均匀分布的随机数。
微调概率与微调带宽的自适应调整过程如下:
步骤2-5更新和声记忆库HM。利用适应度函数f(x)判断产生的新解是否优于和声库HM中的最差解。若优于最差解,则用新解代替最差解。判断是否达到迭代次数NI,若没达到,则返回步骤2-4继续执行。
步骤2-6输出最优面匹配对序列。
4.根据权利要求1所述的一种基于遗传和声混合搜索的模型相似性计算方法,其特征在于,所述步骤3中,具体步骤为:
步骤3-1以最优面匹配对序列为基础,从源模型与目标模型的面相似性矩阵中提取所有面匹配对的相似性数值。
步骤3-2通过累积所提取的面匹配对的相似性数值,得到源模型A与目标模型B之间的相似性,如下所示:
有益效果:
1.本发明是一种基于遗传和声混合搜索的模型相似性计算方法。本发明结合遗传算法与和声算法来搜索源模型与目标模型之间的最优面匹配对序列。使遗传算法的全局寻优能力与和声搜索算法的邻域寻优能力得到充分地发挥,且该混合算法具有较高的鲁棒性。
2.本发明利用边数差异来计算源模型面与目标模型面的形状相似度。利用面邻接关系来计算源模型面与目标模型面的结构相似度。综合形状信息与结构信息来度量源模型面与目标模型面之间的差异。在很大程度上,能够反映出模型之间的相似程度,并且具有较高的可操作性。
3.本发明利用遗传算法产生初始和声记忆库。然后,使用解向量换位处理操作来优化和声库。有利于增加和声记忆库中解向量的多样性,以寻找最优解。
4.本发明使用的是改进的自适应全局最优和声搜索算法,该算法利用参数微调概率PAR和微调带宽BW进行自适应调整,以获得一组更好的和声。在搜索初期,保持较小的PAR和较大的BW,有利于在更大范围内找到较好的解向量;在搜索后期,保持较大的PAR,有利于将当前的和声信息传递给下一代,增强算法在当前和声周围的局部搜索能力;保持较小的BW,有利于扩大搜索区域和增加和声库的多样性,跳出局部最优。
附图说明:
图1为本发明所涉及的源模型A。
图2为本发明所涉及的目标模型B。
图3为本发明实施方式中的源模型与目标模型的面相似性矩阵计算流程图。
图4为本发明实施方式中的遗传和声混合搜索算法流程图。
图5为本发明实施方式中的基于遗传和声混合搜索的模型相似性计算流程图。
具体实施方式:
为了使本发明的实施例中的技术方案能够清楚和完整地描述,以下结合实施例中的附图1中的源模型A和附图2中的目标模型B,对本发明进行进一步的详细说明。
本发明实施例基于遗传和声混合搜索的模型相似性计算方法的流程图,如图5所示,包括以下步骤。
步骤1源模型A与目标模型B的面相似性矩阵的构造过程如图3所示:
步骤1-1对源模型面与目标模型面分别进行编号。源模型A包括面f1,f2,...,f7,目标模型B包括面g1,g2,...,g7。统计每个面所包含的边数。源模型面f1,f2,f3,f4,f5各包含4条边,源模型面f6,f7各包含5条边。目标模型面g1,g2,g3,g4,g5各包含4条边,目标模型面g6,g7各包含5条边。源模型面f1与目标模型面g1的形状相似度Ss(f1,g1)的计算过程如下所示:
其中,N(f)表示面f所包含的边数,max(x,y)表示x与y中的最大值。
步骤1-2利用面邻接关系来计算源模型面与目标模型面的结构相似度。在源模型A中,f1与f2邻接,故A(f1,f2)=1;f1与f3不邻接,故A(f1,f3)=0。
对源模型面fi,fs与目标模型面gj,gt而言,其邻接对应关系计算过程如下所示:
例如:源模型面f1,f2与目标模型面g1,g2的邻接对应关系A(f1,f2,g1,g2)=1。
源模型面f1与目标模型面g1之间的结构相似度St(f1,g1)的计算过程如下所示:
步骤1-3以源模型面f1与目标模型面g1的形状相似度Ss(f1,g1)和结构相似度St(f1,g1)为基础,计算二者之间的相似性S(f1,g1),如下所示:
S(f1,g1)=Ss(f1,g1)*St(f1,g1)=1*0.2939=0.2939
步骤1-4构造源模型A与目标模型B的面相似性矩阵S。
步骤2利用遗传和声混合搜索算法遍历源模型A与目标模型B的面相似性矩阵S,如图4所示。
步骤2-1初始化遗传算法的交叉概率pc=0.7、变异概率pm=0.05以及最大迭代次数GNI=200,初始化和声记忆库大小HMS=20、和声记忆库微调概率HMCR=0.98、和声搜索算法的最大迭代次数NI=200、当前迭代次数t=0、微调概率PARmax=0.9、PARmin=0.4以及微调带宽BWmax=1.0、BWmin=0.001。
步骤2-2初始化和声记忆库。对源模型与目标模型的面匹配对序列进行编码。利用遗传算法进行选择、交叉和变异操作,经过100次迭代得到规模为200的新种群。从新种群中,选择最好的HMS个个体作为初始和声记忆库HM中的解向量。
步骤2-3优化和声记忆库HM。以65%的比例保留和声记忆库HM中的适应度较好的解向量。对剩余35%的解向量进行换位处理操作,得到新的解向量,以增加种群的多样性,以便产生更优解。
对10%的剩余解向量,保留其中较优的片段,剩余片段按顺时针方向换位旋转一个单位,得到新的向量。例如:对解向量(1,4,3,2,5,6,7),保留原片段中的较优片段1,剩余片段进行顺时针换位旋转,得到新向量(1,7,4,3,2,5,6)。
对10%的剩余解向量,保留其中较优的片段,剩余片段按逆时针方向换位旋转一个单位,得到新的向量。例如:对解向量(1,3,4,2,6,7,5),保留原片段中的较优片段1,剩余片段进行逆时针换位旋转,得到新向量(1,4,2,6,7,5,3)。
对15%的剩余解向量,保留其中较优的片段,将剩余片段的一部分按顺时针方向换位旋转一个单位,将剩余片段的另一部分按逆时针方向换位旋转一个单位,到新的向量。例如:对解向量(1,5,4,2,3,6,7),保留原片段中的较优片段1,剩余片段前半部分5,4,2进行顺时针换位旋转,后半部分3,6,7进行逆时针换位旋转,得到新向量(1,2,5,4,6,7,3)。
初始和声记忆库HM及优化后的和声记忆库HM1如下所示:
步骤2-4产生新和声。在[0,1]之间产生一个随机数rand1,若rand1<HMCR,则从HM中随机选取一个和声变量,否则从解空间中随机选取一个和声变量,如下所示。
若所选取的和声变量是从和声库HM中选取的,则对其进行微调,如以下公式所示:
其中,rand1和rand2表示[0,1]上均匀分布的随机数。
否则不作任何调整。
微调概率与微调带宽的自适应调整过程如下:
步骤2-5更新和声记忆库HM。利用适应度函数f(x)判断产生的新解是否优于和声库HM中的最差解。若优于最差解,则用新解代替最差解。判断是否达到迭代次数NI,若没达到,则返回步骤2-4继续执行。
步骤2-6输出最优面匹配对序列((1,1),(4,2),(2,3),(3,4),(6,5),(5,6),(7,7))。
步骤3求源模型A与目标模型B的相似性SM(A,B)。
步骤3-1以最优面匹配对序列((1,1),(4,2),(2,3),(3,4),(6,5),(5,6),(7,7))为基础,从源模型与目标模型的面相似性矩阵中提取所有面匹配对的相似性数值。
步骤3-2通过累积所提取的面匹配对的相似性数值,得到源模型A与目标模型B之间的相似性SM(A,B)=0.2627。
本发明实施方式中的基于遗传和声混合搜索的模型相似性计算方法,结合遗传算法与和声算法能够从源模型与目标模型的面相似性矩阵中找出最优面匹配对序列,并计算二者之间的模型相似性。
以上所述是结合附图对本发明的实施例进行的详细介绍,本发明的具体实施方式只是用于帮助理解本发明的方法。对于本技术领域的普通技术人员,依据本发明的思想,在具体实施方式及应用范围内均可有所变更和修改,故本发明书不应理解为对本发明的限制。
Claims (4)
1.一种基于遗传和声混合搜索的模型相似性计算方法,其特征在于,该方法包括以下步骤:
步骤1:利用边数差异来计算源模型面与目标模型面的形状相似度。利用面邻接关系来计算源模型面与目标模型面的结构相似度。以面的形状相似度和结构相似度为基础,构造源模型与目标模型的面相似性矩阵。
步骤2:在源模型与目标模型的面相似性矩阵中,利用遗传和声混合搜索算法进行搜索,寻找最优面匹配对序列。
步骤3:以最优面匹配对序列为基础,通过累积源模型面与目标模型面之间的相似性,来计算源模型与目标模型之间的相似度。
2.根据权利要求1所述的一种基于遗传和声混合搜索的模型相似性计算方法,其特征在于,所述步骤1中,具体步骤为:
步骤1-1对源模型面与目标模型面分别进行编号。源模型A包括面f1,f2,...,fn,目标模型B包括面g1,g2,...,gm,假设m≤n。统计每个面所包含的边数。利用公式(1)来计算源模型面fi与目标模型面gj的形状相似度Ss(fi,gj):
其中,N(f)表示面f所包含的边数,max(x,y)表示x与y中的最大值。
步骤1-2利用面邻接关系来计算源模型面与目标模型面的结构相似度。在模型中,面fa与面fb之间的邻接关系计算过程如下:
其中,fa与fb表示同一个模型的两个不同面。
对源模型面fi、fs与目标模型面gj、gt而言,其邻接对应关系计算过程如下所示:
源模型面fi与目标模型面gj之间的结构相似度St(fi,gj)的计算过程如下所示:
步骤1-3以源模型面fi与目标模型面gj的形状相似度Ss(fi,gj)和结构相似度St(fi,gj)为基础,计算二者之间的相似性S(fi,gj),如下所示:
S(fi,gj)=Ss(fi,gj)*St(fi,gj) (5)
步骤1-4构造源模型与目标模型的面相似性矩阵。
3.根据权利要求1所述的一种基于遗传和声混合搜索的模型相似性计算方法,其特征在于,所述步骤2中,具体步骤为:
步骤2-1初始化遗传算法的交叉概率pc、变异概率pm以及最大迭代次数GNI,初始化和声记忆库大小HMS、和声记忆库微调概率HMCR、和声搜索算法的最大迭代次数NI、当前迭代次数t、微调概率PARmax、PARmin以及微调带宽BWmax、BWmin。
步骤2-2初始化和声记忆库。对源模型与目标模型的面匹配对序列进行编码,利用遗传算法进行选择、交叉和变异操作,经过多次迭代得到规模为num的新种群。从新种群中,选择最好的HMS个个体作为初始和声记忆库HM中的解向量。
步骤2-3优化和声记忆库HM。适应度函数f(x)的定义如公式(6)所示。以一定比例保留和声记忆库HM中的适应度好的解向量。对剩余的解向量进行换位处理,得到新的解向量,以增加种群的多样性,以便产生更优解。解向量换位处理的方法是:保留解向量中的较优片段,剩余片段作顺时针旋转、逆时针旋转和混合旋转。
源模型与目标模型的面匹配对序列为:(j(1),1),(j(2),2),…,(j(m),m)。其中,(j(i),i)表示目标模型面gi与源模型面fj(i)相对应。
步骤2-4产生新和声。在[0,1]之间产生一个随机数rand1,若rand1<HMCR,则从HM中随机选取一个和声变量,否则从解空间中随机选取一个和声变量,如公式(7)所示。
若所选取的和声变量是从和声库HM中选取的,则利用公式(8)对其进行微调,否则不作任何调整。
其中,rand1和rand2表示[0,1]上均匀分布的随机数。
微调概率与微调带宽的自适应调整过程如下:
步骤2-5更新和声记忆库HM。利用适应度函数f(x)判断产生的新解是否优于和声库HM中的最差解。若优于最差解,则用新解代替最差解。判断是否达到迭代次数NI,若没达到,则返回步骤2-4继续执行。
步骤2-6输出最优面匹配对序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910921892.1A CN110633386A (zh) | 2019-09-27 | 2019-09-27 | 一种基于遗传和声混合搜索的模型相似性计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910921892.1A CN110633386A (zh) | 2019-09-27 | 2019-09-27 | 一种基于遗传和声混合搜索的模型相似性计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110633386A true CN110633386A (zh) | 2019-12-31 |
Family
ID=68973240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910921892.1A Pending CN110633386A (zh) | 2019-09-27 | 2019-09-27 | 一种基于遗传和声混合搜索的模型相似性计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633386A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112272120A (zh) * | 2020-12-23 | 2021-01-26 | 江苏移动信息系统集成有限公司 | 一种虚拟网络映射算法的优化方法及装置 |
CN112447263A (zh) * | 2020-11-22 | 2021-03-05 | 西安邮电大学 | 多任务高阶snp上位检测方法、系统、存储介质、设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090052741A1 (en) * | 2007-08-24 | 2009-02-26 | Nikon Corporation | Subject tracking method, subject tracking device, and computer program product |
CN103955864A (zh) * | 2014-04-14 | 2014-07-30 | 武汉大学 | 基于改进和声搜索算法的电力系统多目标差异化规划方法 |
-
2019
- 2019-09-27 CN CN201910921892.1A patent/CN110633386A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090052741A1 (en) * | 2007-08-24 | 2009-02-26 | Nikon Corporation | Subject tracking method, subject tracking device, and computer program product |
CN103955864A (zh) * | 2014-04-14 | 2014-07-30 | 武汉大学 | 基于改进和声搜索算法的电力系统多目标差异化规划方法 |
Non-Patent Citations (2)
Title |
---|
张风荣: "多维函数优化中遗传和声算法的应用", 《科技通报》 * |
陈育南: "基于蝙蝠算法的三维CAD模型相似性计算", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112447263A (zh) * | 2020-11-22 | 2021-03-05 | 西安邮电大学 | 多任务高阶snp上位检测方法、系统、存储介质、设备 |
CN112447263B (zh) * | 2020-11-22 | 2023-12-26 | 西安邮电大学 | 多任务高阶snp上位检测方法、系统、存储介质、设备 |
CN112272120A (zh) * | 2020-12-23 | 2021-01-26 | 江苏移动信息系统集成有限公司 | 一种虚拟网络映射算法的优化方法及装置 |
CN112272120B (zh) * | 2020-12-23 | 2021-05-11 | 江苏移动信息系统集成有限公司 | 一种虚拟网络映射算法的优化方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fränti | Genetic algorithm with deterministic crossover for vector quantization | |
US11785216B2 (en) | Point cloud coding methods, encoder, and decoder | |
CN107798379B (zh) | 改进量子粒子群优化算法的方法及基于改进算法的应用 | |
CN107844632A (zh) | 基于和声搜索算法的稀布线阵栅瓣抑制方法 | |
CN110633386A (zh) | 一种基于遗传和声混合搜索的模型相似性计算方法 | |
CN107092812B (zh) | 一种在ppi网络中基于遗传算法识别关键蛋白质的方法 | |
Xu et al. | Gradient free minimax optimization: Variance reduction and faster convergence | |
CN114793484A (zh) | 点云编码方法、点云解码方法、装置及存储介质 | |
US20230101072A1 (en) | Nearest neighbour search method, encoder, decoder and storage medium | |
CN112272120B (zh) | 一种虚拟网络映射算法的优化方法、设备及存储介质 | |
JP2024123172A (ja) | 区分方法、エンコーダー、デコーダー、及びコンピュータ記憶媒体 | |
CN114186518A (zh) | 一种集成电路良率估算方法及存储器 | |
Choi et al. | Tetrahedral mesh generation based on advancing front technique and optimization scheme | |
CN108614889B (zh) | 基于混合高斯模型的移动对象连续k近邻查询方法及系统 | |
CN110648355A (zh) | 一种图像跟踪方法、系统及相关装置 | |
CN114241026A (zh) | 基于平坦度划分的点云精简算法和装置 | |
CN109150739B (zh) | 一种基于moea/d的多目标基站主动存储分配方法 | |
TWI854112B (zh) | 一種最近鄰搜索方法、編碼器、解碼器及儲存媒介 | |
Shi et al. | Handling multiobjectives with adaptive mutation based ε-dominance differential evolution | |
CN116679888B (zh) | 基于流形学习的电商数据优化存储方法 | |
JPH11213151A (ja) | パターン集合分類方法および装置とパターン集合分類プログラムを記録した記録媒体 | |
US20240232574A9 (en) | Method and apparatus for predicting recipe property reflecting similarity between chemical materials | |
JP2001024421A (ja) | アレーアンテナの素子間引き方法及びアレーアンテナの素子間引きプログラムを記録した記録媒体 | |
Ngom et al. | Evolutionary strategy for learning multiple-valued logic functions | |
Majdara et al. | Accelerated density-based clustering using Bayesian Sequential Partitioning |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191231 |