CN111144424A - 一种基于聚类算法的人员特征检分析方法 - Google Patents

一种基于聚类算法的人员特征检分析方法 Download PDF

Info

Publication number
CN111144424A
CN111144424A CN201911373186.4A CN201911373186A CN111144424A CN 111144424 A CN111144424 A CN 111144424A CN 201911373186 A CN201911373186 A CN 201911373186A CN 111144424 A CN111144424 A CN 111144424A
Authority
CN
China
Prior art keywords
personnel
information
clustering
feature
value
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
Application number
CN201911373186.4A
Other languages
English (en)
Inventor
王秀英
程涛
李英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinaccs Information Industry Co ltd
Original Assignee
Chinaccs Information Industry Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chinaccs Information Industry Co ltd filed Critical Chinaccs Information Industry Co ltd
Priority to CN201911373186.4A priority Critical patent/CN111144424A/zh
Publication of CN111144424A publication Critical patent/CN111144424A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于聚类算法的人员特征检分析方法，涉及人脸识别技术领域，技术方案为，对人员的静态信息和动态信息进行采集；通过采集的信息，对人员的特征信息进行提取；将获得特征信息进行向量化；根据特征向量，通过聚类引擎对人员的特征向量进行聚类。本发明的有益效果是：本方法基于Hadoop+Hbase+Spark的基础架构，具备分布式计算能力，除了对用户静态特征进行分析外，更能够对海量的用户动态特征进行分析，之后进行聚类的效果更好。在进行聚类模型训练的时候需要人工干预，但是训练好的模型是不需要再进行人工干预的，运营成本更低。

Description

一种基于聚类算法的人员特征检分析方法
技术领域
本发明涉及人脸识别技术领域，特别涉及一种基于聚类算法的人员特征检分析方法。
背景技术
在公安应用场景中，对于人员的异常检测是一个通用性的问题。目前主要采用如下几种方式来实现：
第一、规则引擎：通过将公安长期的治安的经验，转换为规则，在使用规则引擎或者定制的算法来实现此类规则以实现对于异常人员的检测。如长期频繁出入酒店的人员可能有吸毒的嫌疑，当发现有此类人员的数据的时候，相关的系统会提示异常人员出现。此类方式存在如下问题：
(1)规则的制定，特别是边界值的设定是人为定义，每个人的定义不同，对结果产生的影响较大。
(2)规则往往关注的是人员的某几个有限的特征，对于一些隐含的特征并不能有效的设定。如频繁输入酒店的人员，在早上和下午、周末和工作日的行为对于异常的产生的权重不同，这种在规则中设定难于实现。
(3)规则维度在不同的地域存在较大的差异，导致此类系统的地域适应性较差，如在浙江的系统在山西需要进行响应的修改。
第二、特征分析：通过人员的静态特征信息分析，将静态特征分析的结果通过特定的算法进行计算，获取人员的异常指数。此类方法存在的问题是：
(1)只分析人员静态数据，如出生地、是否涉案、是否与异常人员有来往等特征，对于人员的动态变化信息无法掌握，相对结果也不够精确。
(2)此种方式一般采用监督学习策略，需要一定的人工训练样本。
发明内容
传统的公安领域的人员分类方法需要人工设置规则、无法处理海量数据、地域适应性差的问题。本方法的目的是在处理海量人员数据的同时，采用无监督的聚类机器学习算法实现人员的分类问题。从而摒弃对于人员规则的依赖，同时提高准确性，并增加系统的地域适应性。因此，本发明提供一种基于聚类算法的人员特征检分析方法。
其技术方案为，S1、对人员的静态信息和动态信息进行采集，采集的信息以结构化信息的形式储存；
S2、通过S1采集的信息，对人员的特征信息进行提取，包括分别对人员的静态特征信息和动态特征信息进行提取；
S3、将S2获得的静态特征信息和动态特征信息进行向量化；
S4、根据S3获取的特征向量，通过聚类引擎对人员的特征向量进行聚类；
S5、将S4得到的结果存储到结果库中，在结果库中存储的是聚类后集群特征信息和人员的对应关系；
S6、在对人员进行检测时，使用人员的ID在S5的到的结果库中查询人员所在集群信息，集群信息即代表了人员的特征信息。
优选为，所述S3中，将S2获得的静态特征信息和动态特征信息进行向量化，具体包括：
常量编码：常量就是不变量，在上例中为“出生地”“常驻地”“年龄”“性别”。对固定的特征信息设定编码规则，对应到数字区间上，如男＝1，女＝0。北京＝1，上海＝2等；
离散量编码：对离散型的特征信息，根据其变动规律定义区间，然后对区间编码，将特征信息对应到区间编码上；类似年龄这种离散的数字，可以采用原值作为特征值的方式，但是这样容易降低人员相似度，故在实地使用中，可以将年龄段按照5年为一个区间，然后对区间编码。如31-35岁的年龄都是6,36-40编码为7。
连续量编码：对于连续值，与离散量类似，采用定义去见和数字采样的方式进行特征编码；如时间段特征，按照每3小时进行一次采样，可以将一天24小时划分为8bite二进制表示。
频度编码：以上三种特征均针对一个人员，或者一条数据；为了更加详细的对人员的特征进行刻画，针对动态特征，采用纵向的跨记录的分析方法分析特征出现的频度；如某人去某酒店的频度，某人上午去某酒店的频度等等。
生成特征向量：通过以上四种编码形式计算到人员的多种特征，将得到的特征拼接形成人员的特征向量；
由于在人员聚类的时候，可能倾向性不同，需要使用的特征不同，所以在生成人员特征向量的时候不止一个，需要针对不同的要求，生成不同的特征向量。
优选为，所述S4中，根据S3获取的特征向量，通过聚类引擎对人员的特征向量进行聚类；
S401、特征选择：经过特征引擎提取特征后，人员的特征形成特征库，由于每个人员有多个特征向量，在进行聚类之前需要选择合适的特征；特征选择的原则是，不同种类的特征不可以进行聚类，否则结果会难于收敛或者不够准确；
S402、K值计算：采用K-Means聚类算法，借助人工或者通过计算的方式获取到K值，K值的准确性直接影响到最终聚类的效果；
S403、聚类计算：得到K值后，基于Spark实现Kmeans算法，并输入计算好的K值和特征向量，得到的结果存储到结果库中；
S404、调优：在聚类计算的时候，如果聚类效果不好的时候，需要进行调整K值和修改特征的编码算法，重复步骤S402和S403。
优选为，所述S402中，一般K值的选取采用人工+计算的方式。首先人工预估K值，然后通过Elbow算法来进行验证；Elbow算法计算不同的K值的时候的损失函数的值，当损失函数变化率发生变化较大的时候，则说明该K值为合适的K值。
优选为，所述S403聚类计算中的K-Means聚类算法包括：
S4031、对原始数据进行特征化，特征化的过程采用基于Spark的分布式计算方法进行；特征化后产生数据向量，
Figure BDA0002340234510000031
S4032、给定初始数据集
Figure BDA0002340234510000032
K-Means把数据分成K个簇，每个簇代表不同的类别；
S4033、从训练集
Figure BDA0002340234510000033
中随机选取K个质心，分别为
Figure BDA0002340234510000034
并初始化簇
Figure BDA0002340234510000035
S4034、计算xi到质心向量的距离μj的距离dij,选择dij时最小时Cm为xi的类别，更新Cm＝Cm∪xi；
Figure BDA0002340234510000036
S4035、重新计算Cj的质心；
Figure BDA0002340234510000037
S4036、重复如上S4033、S4034过程直到K个质心向量不在发生变化，或者达到迭代次数。
本发明实施例提供的技术方案带来的有益效果是：本方法基于Hadoop+Hbase+Spark的基础架构，具备分布式计算能力，除了对用户静态特征进行分析外，更能够对海量的用户动态特征进行分析，之后进行聚类的效果更好。在进行聚类模型训练的时候需要人工干预，但是训练好的模型是不需要再进行人工干预的，运营成本更低。
附图说明
图1为本发明实施例的整体构架示意图。
图2为本发明实施例的逻辑框图。
图3为本发明实施例的特征提取流程图。
图4为本发明实施例的聚类流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，在不冲突的情况下，本发明创造中的实施例及实施例中的特征可以相互组合。
实施例1
参见图1至图4，本发明提供一种基于聚类算法的人员特征检分析方法，
S1、对人员的静态信息和动态信息进行采集，采集的信息以结构化信息的形式储存；
人员的结构化特征信息如下所示：
Figure BDA0002340234510000041
Figure BDA0002340234510000051
S2、通过S1采集的信息，对人员的特征信息进行提取，包括分别对人员的静态特征信息和动态特征信息进行提取；
S3、将S2获得的静态特征信息和动态特征信息进行向量化；
S4、根据S3获取的特征向量，通过聚类引擎对人员的特征向量进行聚类；具体为，
S401、特征选择：经过特征引擎提取特征后，人员的特征形成特征库，由于每个人员有多个特征向量，在进行聚类之前需要选择合适的特征；特征选择的原则是，不同种类的特征不可以进行聚类，否则结果会难于收敛或者不够准确；
S402、K值计算：采用K-Means聚类算法，借助人工或者通过计算的方式获取到K值，K值的准确性直接影响到最终聚类的效果；
首先人工预估K值，然后通过Elbow算法来进行验证；Elbow算法计算不同的K值的时候的损失函数的值，当损失函数变化率发生变化较大的时候，则说明该K值为合适的K值。
S403、聚类计算：得到K值后，基于Spark实现Kmeans算法，并输入计算好的K值和特征向量，得到的结果存储到结果库中；
S404、调优：在聚类计算的时候，如果聚类效果不好的时候，需要进行调整K值和修改特征的编码算法，重复步骤S402和S403。
S5、将S4得到的结果存储到结果库中，在结果库中存储的是聚类后集群特征信息和人员的对应关系；
S6、在对人员进行检测时，使用人员的ID在S5的到的结果库中查询人员所在集群信息，集群信息即代表了人员的特征信息。
优选为，所述S3中，将S2获得的静态特征信息和动态特征信息进行向量化，具体包括：
常量编码：常量就是不变量，在上例中为“出生地”“常驻地”“年龄”“性别”。对固定的特征信息设定编码规则，对应到数字区间上，如男＝1，女＝0。北京＝1，上海＝2等；
离散量编码：对离散型的特征信息，根据其变动规律定义区间，然后对区间编码，将特征信息对应到区间编码上；类似年龄这种离散的数字，可以采用原值作为特征值的方式，但是这样容易降低人员相似度，故在实地使用中，可以将年龄段按照5年为一个区间，然后对区间编码。如31-35岁的年龄都是6,36-40编码为7。
连续量编码：对于连续值，与离散量类似，采用定义去见和数字采样的方式进行特征编码；如上表中的时间段特征，按照每3小时进行一次采样，可以将一天24小时划分为8bite二进制表示。
频度编码：以上三种特征均针对一个人员，或者一条数据；为了更加详细的对人员的特征进行刻画，针对动态特征，采用纵向的跨记录的分析方法分析特征出现的频度；如某人去某酒店的频度，某人上午去某酒店的频度等等。
生成特征向量：通过以上四种编码形式计算到人员的多种特征，将得到的特征拼接形成人员的特征向量，如下表特征向量是分析人员酒店行为的特征向量；
Figure BDA0002340234510000061
由于在人员聚类的时候，可能倾向性不同，需要使用的特征不同，所以在生成人员特征向量的时候不止一个，需要针对不同的要求，生成不同的特征向量。
所述S403聚类计算中的K-Means聚类算法包括：
S4031、对原始数据进行特征化，特征化的过程采用基于Spark的分布式计算方法进行；特征化后产生数据向量，
Figure BDA0002340234510000062
S4032、给定初始数据集
Figure BDA0002340234510000063
K-Means把数据分成K个簇，每个簇代表不同的类别；
S4033、从训练集
Figure BDA0002340234510000064
中随机选取K个质心，分别为
Figure BDA0002340234510000065
并初始化簇
Figure BDA0002340234510000066
S4034、计算xi到质心向量的距离μj的距离dij,选择dij时最小时Cm为xi的类别，更新Cm＝Cm∪xi；
Figure BDA0002340234510000071
S4035、重新计算Cj的质心；
Figure BDA0002340234510000072
S4036、重复如上S4033、S4034过程直到K个质心向量不在发生变化，或者达到迭代次数。
本方法基于Hadoop+Spark+Hbase架构，从架构上满足对海量数据的分析能力。故可以对人员的动态数据进行分析，从而能够更加精确的表达人员的实时特征。同时结合无监督学习的聚类算法，实现针对海量特征数据的聚类操作。
此种方法的优势如下：
(1)能够对人员的历史行为数据建模，对人员数据进行特征化，提取频率、频率、时段等行为特征，并将这些特征存储到Hbase中。
(2)对人员的静态数据进行建模，实现对人员的静态画像，主要包含的静态特征有：年龄段、性别、涉案次数、涉案类型。这些特征均需要通过“静态特征提取算法”进行提取。
(3)通过人员的静态与动态特征，通过无监督的聚类算法进行人员聚类，不需要人工训练样本。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于聚类算法的人员特征检分析方法，其特征在于，
S1、对人员的静态信息和动态信息进行采集，采集的信息以结构化信息的形式储存；
S2、通过S1采集的信息，对人员的特征信息进行提取，包括分别对人员的静态特征信息和动态特征信息进行提取；
S3、将S2获得的静态特征信息和动态特征信息进行向量化；
S4、根据S3获取的特征向量，通过聚类引擎对人员的特征向量进行聚类；
S5、将S4得到的结果存储到结果库中，在结果库中存储的是聚类后集群特征信息和人员的对应关系；
S6、在对人员进行检测时，使用人员的ID在S5的到的结果库中查询人员所在集群信息，集群信息即代表了人员的特征信息。
2.根据权利要求1所述的基于聚类算法的人员特征检分析方法，其特征在于，所述S3中，将S2获得的静态特征信息和动态特征信息进行向量化，具体包括：
常量编码：对固定的特征信息设定编码规则，对应到数字区间上；
离散量编码：对离散型的特征信息，根据其变动规律定义区间，然后对区间编码，将特征信息对应到区间编码上；
连续量编码：对于连续值，与离散量类似，采用定义去见和数字采样的方式进行特征编码；
频度编码：以上三种特征均针对一条数据；针对动态特征，采用纵向的跨记录的分析方法分析特征出现的频度；
生成特征向量：通过以上四种编码形式计算到人员的多种特征，将得到的特征拼接形成人员的特征向量。
3.根据权利要求2所述的基于聚类算法的人员特征检分析方法，其特征在于，所述S4中，根据S3获取的特征向量，通过聚类引擎对人员的特征向量进行聚类；
S401、特征选择：经过提取特征后，人员的特征形成特征库，由于每个人员有多个特征向量，在进行聚类之前需要选择合适的特征；特征选择的原则是，不同种类的特征不可以进行聚类，否则结果会难于收敛或者不够准确；
S402、K值计算：采用K-Means聚类算法，借助人工或者通过计算的方式获取到K值；
S403、聚类计算：得到K值后，基于Spark实现Kmeans算法，并输入计算好的K值和特征向量，得到的结果存储到结果库中；
S404、调优：在聚类计算的时候，如果聚类效果不好的时候，需要进行调整K值和修改特征的编码算法，重复步骤S402和S403。
4.根据权利要求3所述的基于聚类算法的人员特征检分析方法，其特征在于，所述S402中，首先人工预估K值，然后通过Elbow算法来进行验证；Elbow算法计算不同的K值的时候的损失函数的值，当损失函数变化率发生变化较大的时候，则说明该K值为合适的K值。
5.根据权利要求3所述的基于聚类算法的人员特征检分析方法，其特征在于，所述S403聚类计算中的K-Means聚类算法包括：
S4031、对原始数据进行特征化，特征化的过程采用基于Spark的分布式计算方法进行；特征化后产生数据向量，
Figure FDA0002340234500000021
S4032、给定初始数据集
Figure FDA0002340234500000022
K-Means把数据分成K个簇，每个簇代表不同的类别；
S4033、从训练集
Figure FDA0002340234500000023
中随机选取K个质心，分别为
Figure FDA0002340234500000024
并初始化簇
Figure FDA0002340234500000025
S4034、计算xi到质心向量的距离μj的距离dij,选择dij时最小时Cm为xi的类别，更新Cm＝Cm∪xi；
Figure FDA0002340234500000026
S4035、重新计算Cj的质心；
Figure FDA0002340234500000027
S4036、重复如上S4033、S4034过程直到K个质心向量不在发生变化，或者达到迭代次数。
CN201911373186.4A 2019-12-27 2019-12-27 一种基于聚类算法的人员特征检分析方法 Pending CN111144424A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911373186.4A CN111144424A (zh) 2019-12-27 2019-12-27 一种基于聚类算法的人员特征检分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911373186.4A CN111144424A (zh) 2019-12-27 2019-12-27 一种基于聚类算法的人员特征检分析方法

Publications (1)

Publication Number Publication Date
CN111144424A true CN111144424A (zh) 2020-05-12

Family

ID=70521094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911373186.4A Pending CN111144424A (zh) 2019-12-27 2019-12-27 一种基于聚类算法的人员特征检分析方法

Country Status (1)

Country Link
CN (1) CN111144424A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738304A (zh) * 2020-05-28 2020-10-02 思派健康产业投资有限公司 一种高维特征空间中基于聚类算法的就诊人群分组方法
CN114139063A (zh) * 2022-01-30 2022-03-04 北京淇瑀信息科技有限公司 基于嵌入向量的用户标签提取方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528850A (zh) * 2016-11-28 2017-03-22 中通服公众信息产业股份有限公司 基于机器学习聚类算法的门禁数据异常检测方法
US20190205939A1 (en) * 2017-12-31 2019-07-04 OneMarket Network LLC Using Machine Learned Visitor Intent Propensity to Greet and Guide a Visitor at a Physical Venue
CN110458190A (zh) * 2019-07-04 2019-11-15 平安科技（深圳）有限公司 人群特征分类方法、装置、计算机设备和可读存储介质
CN110493176A (zh) * 2019-07-02 2019-11-22 北京科东电力控制系统有限责任公司 一种基于非监督机器学习的用户可疑行为分析方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528850A (zh) * 2016-11-28 2017-03-22 中通服公众信息产业股份有限公司 基于机器学习聚类算法的门禁数据异常检测方法
US20190205939A1 (en) * 2017-12-31 2019-07-04 OneMarket Network LLC Using Machine Learned Visitor Intent Propensity to Greet and Guide a Visitor at a Physical Venue
CN110493176A (zh) * 2019-07-02 2019-11-22 北京科东电力控制系统有限责任公司 一种基于非监督机器学习的用户可疑行为分析方法及系统
CN110458190A (zh) * 2019-07-04 2019-11-15 平安科技（深圳）有限公司 人群特征分类方法、装置、计算机设备和可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
安立华主编: "《数据库与数据挖掘》", 31 July 2019 *
朱艺青: "用户发帖行为、用户类型与兴趣群组之间的关系研究", 《情报探索》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738304A (zh) * 2020-05-28 2020-10-02 思派健康产业投资有限公司 一种高维特征空间中基于聚类算法的就诊人群分组方法
CN114139063A (zh) * 2022-01-30 2022-03-04 北京淇瑀信息科技有限公司 基于嵌入向量的用户标签提取方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN110610168B (zh) 一种基于注意力机制的脑电情绪识别方法
CN110674604B (zh) 基于多维时序帧卷积lstm的变压器dga数据预测方法
Schiratti et al. A Bayesian mixed-effects model to learn trajectories of changes from repeated manifold-valued observations
WO2016101628A1 (zh) 一种数据建模中的数据处理方法及装置
CN105426929B (zh) 对象形状对准装置、对象处理装置及其方法
CN106649658B (zh) 针对用户角色无差异对待和数据稀疏的推荐系统及方法
CN107301328B (zh) 基于数据流聚类的癌症亚型精准发现与演化分析方法
CN108804577B (zh) 一种资讯标签兴趣度的预估方法
CN108734216A (zh) 基于负荷曲线形态的电力用户分类方法、装置及存储介质
CN107832467A (zh) 一种基于改进的Single‑pass聚类算法的微博话题检测方法
CN111144424A (zh) 一种基于聚类算法的人员特征检分析方法
CN112311488A (zh) 基于小波分解的频谱感知方法
CN111898637B (zh) 一种基于ReliefF-DDC特征选择算法
CN109034238A (zh) 一种基于信息熵的聚类划分方法
Nasraoui et al. Robust clustering for tracking noisy evolving data streams
CN114626886A (zh) 一种调查问卷数据分析方法及系统
CN108268877A (zh) 一种识别目标终端的方法和装置
CN111488903A (zh) 基于特征权重的决策树特征选择方法
CN111027771A (zh) 景区客流量预估方法、系统、装置及可存储介质
CN117216375A (zh) 一种信息推荐的训练方法、系统及存储介质和服务器
Majidpour Time series prediction for electric vehicle charging load and solar power generation in the context of smart grid
CN110263069B (zh) 新能源使用行为的时序特征隐含因素抽取和刻画方法及系统
CN112738724A (zh) 一种区域目标人群的精准识别方法、装置、设备和介质
Wu et al. Research on top-k association rules mining algorithm based on clustering
CN104778479A (zh) 一种基于稀疏编码提取子的图像分类方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200512

RJ01 Rejection of invention patent application after publication