CN111405605A - 一种基于自组织映射的无线网络中断检测方法 - Google Patents
一种基于自组织映射的无线网络中断检测方法 Download PDFInfo
- Publication number
- CN111405605A CN111405605A CN202010212659.9A CN202010212659A CN111405605A CN 111405605 A CN111405605 A CN 111405605A CN 202010212659 A CN202010212659 A CN 202010212659A CN 111405605 A CN111405605 A CN 111405605A
- Authority
- CN
- China
- Prior art keywords
- cluster
- wireless network
- som
- new
- ini
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于自组织映射的无线网络中断检测方法,所述方法首先通过采集网络关键性指标KPI构建数据集S,然后通过通过自组织映射对数据集S进行聚类,包括对SOM竞争层中每一个神经元的权重初始化并更新权重,选择SOM竞争层中最佳匹配单元以及遍历数据集S以获得经SOM聚类后得到的簇划分Cini;接着基于K‑S检验合并簇划分Cini中相似的数据簇,将簇划分Cini更新为簇划分集合Cnew;最后根据所获得的簇划分集合Cnew,判断无线网络中是否发生中断。本发明所述的方法能够从无线网络所实时产生的大量未被标注的数据中准确地完成中断检测。
Description
技术领域
本发明属于无线网络技术,具体涉及一种基于自组织映射的无线网络中断检测方法。
背景技术
在无线网络通信技术中,中断检测作为无线网络的关键技术之一,对于降低无线网络的运维成本、提升网络管理效率具有重要意义。无线网络中实时产生的大量数据反映了无线网络运行的真实情况,是中断检测的可靠保证。但是,这些数据难以被标注,可获得的信息有限,致使现有的方法检测效果不佳。因此,如何从无线网络所实时产生的大量未被标注的数据中准确地检测出中断,成为亟待解决的关键问题。
K-Means、凝聚聚类等现有的方法需要给出聚类的簇数,这在无线网络中难以事先确定。自组织映射模拟了人类大脑中神经细胞的竞争性行为,通过神经元的相互竞争捕获数据的内在规律,能够从大量未被标注的数据中自主地提取有价值的信息,不需要事先给定聚类的簇数即可完成聚类,是切实可行的解决方法。
发明内容
发明目的:为了解决上述问题,实现从无线网络所实时产生的大量未被标注的数据中准确地完成中断检测,本发明提供一种基于自组织映射的无线网络中断检测方法。
为实现上述目的,本发明所提供的技术方案如下。
一种基于自组织映射的无线网络中断检测方法包括如下步骤:
(1)采集网络关键性能指标KPI,包括考信号接收功率、无线网络中时间T内用户上报的KPI信息,并将关键性能指标KPI保存为数据集S;
(2)通过自组织映射对数据集S进行聚类,包括对SOM竞争层中每一个神经元的权重初始化并更新权重,选择SOM竞争层中最佳匹配单元以及遍历数据集S以获得经SOM聚类后得到的簇划分Cini;
(3)基于K-S检验合并簇划分Cini中相似的数据簇,将簇划分Cini更新为簇划分集合Cnew;
(4)根据步骤(3)所获得的簇划分集合Cnew,判断无线网络中是否发生中断。
进一步的,步骤(1)具体如下:
(11)获取无线网络中时间T内用户上报的KPI信息,其中所述的时间T由运营商根据用户数量和网络运行情况自行确定,随后转入步骤(12);
(12)将KPI信息保存为数据集S={x1,x2,...,xi,...,xq}的形式;其中q为数据集S中元素的个数,数据集S中第i(i=1,2,...,q)个元素xi中,xi∈Rn,表示某时刻某用户上报的n维KPI信息。Rn为n维向量空间;xi=(KPI1,KPI2,...,KPIk,...,KPIn),表示xi的具体表达形式;其中KPIk表示需要搜集的第k类KPI信息;获得数据集S后,进行步骤(2)。
进一步的,步骤(2)利用自组织映射(Self-Organizing Map,SOM)对数据集S中的样本进行聚类,具体如下:
(21)随机初始化SOM竞争层中每一个神经元的权重mj(j=1,2,....,N),mj∈Rn;其中,N为SOM竞争层中神经元的个数,由运营商自行确定;初始化完成后,令迭代次数t=1,转入流程(22);
(22)对于数据集S中的每一条KPI信息xi,依据式(2-1)选出SOM竞争层中的最佳匹配单元(BMU),记为c;
(23)对于SOM竞争层中的每一个神经元j,依据式(2-2)更新其权重mj;
mj(t+1)=mj(t)+α(t)·hc(j,t)·[xi-mj(t)] (2-2)
其中,
式(2-2)-式(2-5)中,mj(t)表示第t次迭代后SOM竞争层中第j个神经元的权重;α(t)表示SOM的学习率函数,|S|表示数据集S中元素的个数。hc(j,t)表示最佳匹配单元c的邻域函数,σ(t)为hc(j,t)在第t次迭代中能取得的最大值,rc和rj分别表示BMU和SOM竞争层中第j个神经元的坐标,其具体取值由运营商自行确定;SOM竞争层中所有神经元的权重mj更新完毕后,令t=t+1,转入流程(4);
(25)对于S中的每一条KPI信息xi,依据式(2-6)确定其归属的簇编号λ;
将xi并入集合Cλ中,即Cλ=Cλ∪{xi}。转入流程(6);
(26)不断重复步骤(25),直至遍历完S中的元素为止。将经SOM聚类后得到的簇划分记为Cini={C1,C2,...,CM},其中M为集合Cini中元素的个数,表示数据集S中的样本经SOM聚类后得到的簇数。获得簇划分Cini后,进行步骤(3)。
进一步的,步骤(3)利用K-S检验合并簇划分Cini中相似的数据簇,具体如下:
(31)在簇划分Cini中,任意选择两个簇Ci和Cj,其构成簇配对(Ci,Cj);对于簇配对(Ci,Cj),设Ci和Cj中的样本在维度v(v=1,2,...,n)上构成的序列分别为和根据式(3-1)计算和的K-S统计量dv;其表达式如下:
依据式(3-2),定义簇Ci和Cj的K-S统计量Di,j:
Di,j=min{d1,d2,...,dv,...,dn} (3-2)
式(3-2)中,运算min表示求最小值;获得Di,j后,转入步骤(32);
(32)不断重复流程(1),直至遍历完Cini中的所有簇配对为止(不考虑簇配对(Ci,Cj)中Ci和Cj的顺序);转入步骤(3);
(33)依据式(3-3),计算簇划分Cini中任意两簇K-S统计量的最小值,记为Ds,t;
判断Ds,t和阈值τ(此值由运营商根据网络的实际情况自行确定)的大小关系,若Ds,t<τ,则合并簇Cs和Ct,将簇划分更新为Cnew={C1,C2,...,CM-1},返回步骤(31);若Ds,t≥τ,该步骤终止,将最终得到的簇划分记为Cnew={C1,C2,...,CL}(L≤M),其中L为集合Cnew中元素的个数,表示最终得到的簇数。获得Cnew后,进行步骤(4)。
进一步的,步骤(4)根据步骤(3)所获得的簇划分Cnew,判断无线网络中是否发生中断。具体如下:
(41)将集合Cnew中元素的个数记为|Cnew|。若|Cnew|=1,则判断此时无线网络中没有发生中断,返回步骤(1)。若|Cnew|≥2,则判断此时无线网络中发生了中断,转入步骤(42);
(42)根据式(4-1)确定簇划分Cnew={C1,C2,...,CL}中所含样本最少的簇的编号p,则包含无线网络中断信息的“问题簇”为Cp。
式(4-1)中,|Ci|表示集合Ci中元素的个数。
有益效果:与现有技术相比,本发明所述的基于自组织映射的无线网络中断检测方法显著的效果在于本发明所述方法不需要被标注的样本即可检测中断,节省了标注数据集的人力成本;其次,本发明中涉及的K-Means、凝聚聚类等与现有的方法相比,本发明对其应用不需要事先给定需聚类的簇数,非常适合用于处理无线网络所产生的大量未被标注的数据,且聚类性能显著改善。
附图说明
图1是本发明所述方法中自组织映射结构示意图;
图2是经本发明所述方法聚类后,RSRP的概率密度函数f(x);
图3是经本发明所述方法聚类后SINR的概率密度函数f(x)。
具体实施方式
为了详细的说明本发明所公开的技术方案,下面结合具体实施例做进一步的阐述。
本发明所提供的是一种基于自组织映射的无线网络中断检测方法,以搜集两类KPI信息:参考信号接收功率(Reference Signal Received Power,RSRP),信干噪比(Signal to Interference plus Noise Ratio,SINR)为例进行说明,即xi=(RSRP,SINR)。
以下给出该方法的一种实施例,其步骤均在用于监测网络运行的监控中心中完成。
第一步:搜集网络KPI。本步骤包括如下流程:
(11)从需要进行中断检测的无线网络中获取0.1s内用户上报的RSRP和SINR,转入流程(12);
(12)将KPI信息保存为数据集S={x1,x2,...,xi,...,xq}的形式。其中q为S中元素的个数。S中第i(i=1,2,...,q)个元素xi中,xi=(RSRP,SINR)。获得S后,进行第二步。
第二步:利用SOM对数据集S中的样本进行聚类,如图2所示的是自组织映射结构示意图。本步骤包括如下过程:
(21)给定16个神经元,其坐标如矩阵A中的各元素所示。随机初始化神经元的权重mj(j=1,2,....,16),mj∈R2。各神经元权重的初始化完成后,令迭代次数t=1,转入步骤(22);
(22)S中的每一条KPI信息xi,依据式(2-1)选出SOM竞争层中的最佳匹配单元,记为c。获得最佳匹配单元c后,转入步骤(23);
(23)对于SOM竞争层中的每一个神经元j,依据式(2-2)更新其权重mj。SOM竞争层中所有神经元的权重mj更新完毕后,令t=t+1,转入步骤(24);
(25)对于S中的每一条KPI信息xi,依据式(2-6)确定其归属的簇编号λ。将xi并入集合Cλ中,即Cλ=Cλ∪{xi}。转入步骤(26);
(26)不断重复步骤(25),直至遍历完S中的元素为止。将经SOM聚类后得到的簇划分记为Cini={C1,C2,...,CM},其中M为集合Cini中元素的个数,表示S中的样本经SOM聚类后得到的簇数。获得簇划分Cini后,进行第三步。
第三步:利用K-S检验合并簇划分Cini中相似的数据簇。本步骤包括如下流程:
(31)在簇划分Cini中,任意选择两个簇Ci和Cj,其构成簇配对(Ci,Cj)。对于簇配对(Ci,Cj),设Ci和Cj中的样本在维度v(v=1,2)上构成的序列分别为和根据式(3-1)计算和的K-S统计量dv。再依据式(3-2),计算簇Ci和Cj的K-S统计量Di,j。求得Di,j后,转入流程(32);
(32)不断重复流程(31),直至遍历完Cini中的所有簇配对为止(不考虑簇配对(Ci,Cj)中Ci和Cj的顺序)。转入流程(33);
(33)依据式(3-3),计算簇划分Cini中任意两簇K-S统计量的最小值,记为Ds,t。判断Ds,t和阈值0.82之间的大小关系,若Ds,t<0.82,则合并簇Cs和Ct,将簇划分更新为Cnew={C1,C2,...,CM-1},返回步骤(1)。若Ds,t≥0.82,则本步骤终止,将最终得到的簇划分记为Cnew={C1,C2,...,CL}(L≤M),其中L为集合Cnew中元素的个数,表示最终得到的簇数。获得Cnew后,进行第四步。
第四步:根据最终获得的簇划分Cnew,判断无线网络中是否发生中断。本步骤包括如下流程:
(41)将集合Cnew中元素的个数记为|Cnew|。若|Cnew|=1,则判断此时无线网络中没有发生中断,返回第一步。若|Cnew|≥2,则判断此时无线网络中发生了中断,转入步骤(42);
(42)根据式(4-1)确定簇划分Cnew={C1,C2,...,CL}中所含样本最少的簇的编号p,则包含无线网络中断信息的“问题簇”为Cp。
图2和图3分别展示了经本发明聚类后,RSRP和SINR的概率密度函数f(x)。可以看出,在“问题簇”中,用户的RSRP与SINR均远低于“正常簇”,说明无线网络中断导致用户所接收到的信号强度大幅下降,相关用户已不能正常通信。并且,两张图中概率密度函数曲线的主峰均相距较远,表明本发明很好地从无线网络所产生的大量未被标注的数据中分离出了“问题簇”。
Claims (5)
1.一种基于自组织映射的无线网络中断检测方法,其特征在于:包括如下步骤:
(1)采集无线网络中关键性能指标KPI,包括考信号接收功率、无线网络中时间T内用户上报的KPI信息,并将关键性能指标KPI保存为数据集S;
(2)通过自组织映射对数据集S进行聚类,包括对SOM竞争层中每一个神经元的权重初始化并更新权重,选择SOM竞争层中最佳匹配单元以及遍历数据集S以获得经SOM聚类后得到的簇划分Cini;
(3)基于K-S检验合并簇划分Cini中相似的数据簇,将簇划分Cini更新为簇划分集合Cnew;
(4)根据步骤(3)所获得的簇划分集合Cnew,判断无线网络中是否发生中断。
2.根据权利要求1所述的基于自组织映射的无线网络中断检测方法,其特征在于:步骤(1)具体流程如下:
(11)获取无线网络中时间T内用户上报的KPI信息;
(12)将KPI信息表示为数据集S={x1,x2,...,xi,...,xq}的形式;其中q为数据集S中元素的个数,数据集S中第i个元素xi中,xi∈Rn,表示某时刻某用户上报的n维KPI信息,Rn为n维向量空间;
xi=(KPI1,KPI2,...,KPIk,...,KPIn),其中KPIk表示需要搜集的第k类KPI信息,获得数据集S后。
3.根据权利要求1所述的基于自组织映射的无线网络中断检测方法,其特征在于:步骤(2)具体如下:
(21)随机初始化SOM竞争层中每一个神经元的权重mj(j=1,2,....,N),mj∈Rn;其中,N为SOM竞争层中神经元的个数,由运营商确定;初始化完成后,令迭代次数t=1后执行步骤(22);
(22)对于S中的每一条KPI信息xi,选择SOM竞争层中的最佳匹配单元,记为c;计算公式如下:
(23)对于SOM竞争层中的每一个神经元j,更新其权重mj,计算公式如下:
mj(t+1)=mj(t)+α(t)·hc(j,t)·[xi-mj(t)]
其中,
式中,mj(t)表示第t次迭代后SOM竞争层中第j个神经元的权重;α(t)表示SOM的学习率函数,|S|表示数据集S中元素的个数;hc(j,t)表示最佳匹配单元c的邻域函数,σ(t)为hc(j,t)在第t次迭代中能取得的最大值,rc和rj分别表示BMU和SOM竞争层中第j个神经元的坐标,其具体取值由运营商自行确定;SOM竞争层中所有神经元的权重mj更新完毕后,令t=t+1后转入步骤(24);
(25)对于S中的每一条KPI信息xi,确定其归属的簇编号λ,计算表达式如下:
将xi并入集合Cλ中,Cλ=Cλ∪{xi};
(26)不断重复步骤(25),直至遍历完S中的元素为止;将经SOM聚类后得到的簇划分记为Cini={C1,C2,...,CM},其中M为集合Cini中元素的个数,表示S中的样本经SOM聚类后得到的簇数,并获得簇划分Cini。
4.根据权利要求1所述的基于自组织映射的无线网络中断检测方法,其特征在于:步骤(3)具体流程如下:
(31)在簇划分Cini中,任意选择两个簇Ci和Cj,其构成簇配对(Ci,Cj);对于簇配对(Ci,Cj),设Ci和Cj中的样本在维度v(v=1,2,...,n)上构成的序列分别为和根据式(3-1)计算和的K-S统计量dv,表达形式如下:
包括定义簇Ci和Cj的K-S统计量Di,j:
Di,j=min{d1,d2,...,dv,...,dn}
上式中,运算min表示求最小值,获得Di,j;
(32)不断重复流程(31),直至遍历完Cini中的所有簇配对为止;
(33)计算簇划分Cini中任意两簇K-S统计量的最小值,记为Ds,t,表达式如下:
判断Ds,t和阈值τ的大小关系,若Ds,t<τ,则合并簇Cs和Ct,将簇划分更新为Cnew={C1,C2,...,CM-1};
若Ds,t≥τ,则终止步骤(33),将最终得到的簇划分记为Cnew={C1,C2,...,CL}(L≤M),其中L为集合Cnew中元素的个数,表示最终得到的簇数,并获得Cnew。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212659.9A CN111405605B (zh) | 2020-03-24 | 2020-03-24 | 一种基于自组织映射的无线网络中断检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212659.9A CN111405605B (zh) | 2020-03-24 | 2020-03-24 | 一种基于自组织映射的无线网络中断检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111405605A true CN111405605A (zh) | 2020-07-10 |
CN111405605B CN111405605B (zh) | 2023-03-24 |
Family
ID=71431156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010212659.9A Active CN111405605B (zh) | 2020-03-24 | 2020-03-24 | 一种基于自组织映射的无线网络中断检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111405605B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111935761A (zh) * | 2020-07-15 | 2020-11-13 | 山东建筑大学 | 一种移动通信网的质差根因自动定位方法及系统 |
CN114615685A (zh) * | 2022-03-07 | 2022-06-10 | 东南大学 | 基于生成对抗网络上采样的无线网络中断检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488662A (zh) * | 2013-04-01 | 2014-01-01 | 哈尔滨工业大学深圳研究生院 | 基于图形处理单元的自组织映射神经网络聚类方法及系统 |
CN105873105A (zh) * | 2016-04-22 | 2016-08-17 | 中国科学技术大学 | 一种基于网络体验质量的移动通信网异常检测和定位方法 |
CN107609709A (zh) * | 2017-09-26 | 2018-01-19 | 上海爱优威软件开发有限公司 | 基于场景分类的路径规划方法及系统 |
CN110062410A (zh) * | 2019-03-28 | 2019-07-26 | 东南大学 | 一种基于自适应谐振理论的小区中断检测定位方法 |
-
2020
- 2020-03-24 CN CN202010212659.9A patent/CN111405605B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488662A (zh) * | 2013-04-01 | 2014-01-01 | 哈尔滨工业大学深圳研究生院 | 基于图形处理单元的自组织映射神经网络聚类方法及系统 |
CN105873105A (zh) * | 2016-04-22 | 2016-08-17 | 中国科学技术大学 | 一种基于网络体验质量的移动通信网异常检测和定位方法 |
CN107609709A (zh) * | 2017-09-26 | 2018-01-19 | 上海爱优威软件开发有限公司 | 基于场景分类的路径规划方法及系统 |
CN110062410A (zh) * | 2019-03-28 | 2019-07-26 | 东南大学 | 一种基于自适应谐振理论的小区中断检测定位方法 |
Non-Patent Citations (1)
Title |
---|
张钊等: "一种基于SOM和PAM的聚类算法", 《计算机应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111935761A (zh) * | 2020-07-15 | 2020-11-13 | 山东建筑大学 | 一种移动通信网的质差根因自动定位方法及系统 |
CN111935761B (zh) * | 2020-07-15 | 2024-04-09 | 山东建筑大学 | 一种移动通信网的质差根因自动定位方法及系统 |
CN114615685A (zh) * | 2022-03-07 | 2022-06-10 | 东南大学 | 基于生成对抗网络上采样的无线网络中断检测方法 |
CN114615685B (zh) * | 2022-03-07 | 2024-02-02 | 东南大学 | 基于生成对抗网络上采样的无线网络中断检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111405605B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105163326B (zh) | 一种基于无线网络话务特征的小区聚类方法和系统 | |
CN101516099B (zh) | 一种传感器网络异常检测方法 | |
CN103888541B (zh) | 一种融合拓扑势和谱聚类的社区发现方法及系统 | |
CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN105260738A (zh) | 基于主动学习的高分辨率遥感影像变化检测方法及系统 | |
CN111405605B (zh) | 一种基于自组织映射的无线网络中断检测方法 | |
CN108289285B (zh) | 一种海洋无线传感器网络丢失数据恢复与重构方法 | |
CN108650649B (zh) | 适用于无线传感器网络的异常数据检测方法 | |
CN113422695B (zh) | 一种提高物联网拓扑结构鲁棒性能的优化方法 | |
CN110062410B (zh) | 一种基于自适应谐振理论的小区中断检测定位方法 | |
Feng et al. | A link quality prediction method for wireless sensor networks based on XGBoost | |
CN115622902B (zh) | 基于网络结构和节点价值的电信网节点重要度计算方法 | |
CN109726749A (zh) | 一种基于多属性决策的最优聚类算法选择方法和装置 | |
CN112801411B (zh) | 一种基于生成对抗网络的网络流量预测方法 | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
CN112633314A (zh) | 一种基于多层采样的主动学习溯源攻击方法 | |
CN114265913A (zh) | 工业物联网边缘设备上基于联邦学习的空时预测算法 | |
CN113365323A (zh) | 一种用于无线传感网络中的低能耗多径传输方法 | |
CN117156442A (zh) | 基于5g网络的云数据安全保护方法及系统 | |
CN113660687B (zh) | 网络差小区处理方法、装置、设备及存储介质 | |
Wang et al. | Extracting cell patterns from high-dimensional radio network performance datasets using self-organizing maps and K-means clustering | |
CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
Wang et al. | Rule induction of breast cancer medical diagnose based on combination of rough sets, artificial neutral network and genetic algorithm | |
CN114343665B (zh) | 一种基于图卷积空时特征融合选择的心律失常识别方法 | |
CN109616153A (zh) | 一种采用改进的hits算法识别关键蛋白质的方法 |
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 |