CN111539476A - 基于朴素贝叶斯的信息源定位的观测点部署方法 - Google Patents
基于朴素贝叶斯的信息源定位的观测点部署方法 Download PDFInfo
- Publication number
- CN111539476A CN111539476A CN202010335043.0A CN202010335043A CN111539476A CN 111539476 A CN111539476 A CN 111539476A CN 202010335043 A CN202010335043 A CN 202010335043A CN 111539476 A CN111539476 A CN 111539476A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- node
- observation point
- formula
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 9
- 238000009792 diffusion process Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000006066 Comins reaction Methods 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Neurology (AREA)
- Probability & Statistics with Applications (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
准确定位个人信息传播扩散源点,对于保障个人信息安全具有重要的现实意义。当前比较流行的方法是通过部署一定量的观测点,并且通过观测点收集数据传播信息来对数据扩散源点进行定位。本发明针对观测点部署问题,发现观测点部署位置选择与数据传播延迟有重要的关联性,提出一种基于朴素贝叶斯模型的优化部署策略,最后通过模型网络和实际网络实验对比,验证本文提出的观测点部署策略能够显著提高信息源定位准确率,对于个人信息传播的安全控制具有重要意义。
Description
技术领域
本发明涉及社交网络中信息源定位技术领域,尤其是涉及基于朴素贝叶斯的信息源定位的观测点部署方法。
背景技术
当前,信息源的定位算法有多种研究成果,综合来看,可以分为两大类:最大似然法(Maximum Likelihood)和基于中心性度量(Centrality Measure)的方法。其中最大似然法最典型的应用是Shah D等人开展的研究,他们提出基于最大似然估计来计算信息源,较好的解决了网络中谣言传播源头的查找问题,但该方法的时间复杂度较高,不是最优的解决方案。中心性度量算法通过计算网络节点的中心性指标(如度、介数、聚类系数、H指数等等),来发现数据传播的信息源,这些研究中,Comin等人通过SIR模型首先计算感染节点的易接入性,然后对比那些易接入性较大的节点来判断数据源头。由于该方法稳定性不佳,经常出现明显失误,不适合社交网络中信息源查找应用。Seo E,MohapatraP等人通过在社交网络中人为注入监控节点的方法,利用有向图理论和监控节点收集的数据来识别数据源头,实验表明,如果监控节点足够多,就能够获得较高的信息源定位成功率,但该方法注入监控节点会导致网络性能降低,增加网络拥塞风险,也不是一种最优的方式。
近些年学者提出另一种依靠在网络中部署少量观测点收集传播信息,然后进行统计计算推断传播源点的方法。该方法可以用于大规模的社交网络,对个人大数据传播溯源具有重要的研究价值。其主要原理是在网络中部署少量观测点,然后基于这些观测点收集到的局部传播信息(比如传播延迟)和网络拓扑信息,计算各观测点到达时间的理论延迟,通过最大似然估计计算找到信息源点。
因此,观测点的部署对于信息源定位具有重要意义,当前这方面的研究相对较少,比较主流的方式是优先选择在传播中具有重要地位的节点(比如高连接度、高介数、高紧密度等)为观测点。Pinto等人首先研究了度中心优先和随机选取两种部署策略并给出实验结果。Brockman等人最先提出结合病毒传播过程形成的均匀波传播模式,提出概率距离替代物理距离,计算每个可能扩散源点与其他全部节点的概率距离,然后通过该概率距离寻找实际传播源头,该方式不仅在病毒传播有用,在数据传播也具有一定的参考价值。NewmanMEJ等人利用紧密中心度算法验证了中心节点与网络中其他节点的距离反比值越到,与其他节点距离越近,以便通过节点传播速度来确定信息源。Freeman LC等人在选择观测节点时,如果该节点在单位时间内通过的数据次数越多,该该节点的信息量越大,被选为观测点的概率越高。Zhang YB等人通过Pinto得出的定位方法,提出了基于r覆盖率的观测点部署策略,这些研究结果为本发明的研究提供了重要参考。
本发明针对观测点部署问题,发现观测点部署位置选择与数据传播延迟有重要的关联性,提出一种基于朴素贝叶斯模型的观测点部署策略,然后通过模型网络和实际网络实验对比,验证本发明提出的观测点部署策略能够显著提高信息源定位准确率,对于个人信息传播的安全控制具有重要意义。
发明内容
本发明旨在提出一种基于朴素贝叶斯的信息源定位的观测点部署方法。
本发明解决其技术难题所采用的技术方案如下:
1)数据识别计算模型
建立贝叶斯卷积神经网络五层结构,其中一、二、三层为卷积取样层,四、五层为识别取样层,对传播数据进行识别和计算,其中每层之间的神经元与相邻的所有神经元相连接,同一层内部的神经元不连接;
首先确定数据识别模型的权重βj和输入的数据样本值{rn,dn,θi},其中rn表示节点传输有效距离,dn表示节点收到数据的时刻,θi表示上游节点信息,即该节点所收到数据的来源,并将偏置初始化;
第一层为数据采集层,对传播数据类型进行采样和划分,分别为候选源点数据组、观测点数据组和普通节点数据组,进行随机采样,设定通道数为N,采样点为T,并对每一层获得的数据进行卷积计算;
如果第二层卷积计算得到的输出特征值大于T,将输出特征值作为输入特征值继续进行第二层的计算,直到输出特征值小于或等于T时,执行第三层卷积计算,确定数据输出特征,将频繁出现的传播数据信息进行整合,用公式(3)计算频繁项集,其中为第三层卷积核,为第三层偏置,f是由公式(2)定义的sigmoid激活函数;
第四层神经元通过连接权值连接第三层所有神经元,是第三层神经元的输出,b4(j)为第四层偏置,f是由公式(2)定义的sigmoid激活函数,根据公式(4)计算并输出该层特征量;同时第四层取得第三层计算出来的频繁项集,在此层进行传播数据信息聚类;
为了计算神经元内部的特殊项集概率,加入贝叶斯算法元素,在第四层中利用贝叶斯卷积神经网络解决深度卷积神经网络预处理能力不佳的问题,根据公式(5)计算出节点的特殊特征的概率;
第五层所有神经元通过连接全值w5(i)连接第四层神经元,b5(j)为第五层偏置,根据公式(6)计算各观测点接收到信息的实际传播延迟和理论传播延迟之间的权限关联度;
2)观测点位置部署方法
a.首先明确待定位信息源的网络的拓扑结构,包括节点、边的数目和位置,并确定需要从总共M个节点中选取的观测点数目K;
b.网络中开始传播数据后,采集并记录下网络中的每个节点传输信息的有效距离、收到数据的时刻以及传输数据给这个节点的上游节点,作为数据识别计算模型的样本,输入到数据识别计算模型中进行计算;
c.在数据识别计算模型中,从第四层由公式(5)计算得出每个节点的特殊特征的概率,再根据公式(7)的朴素贝叶斯公式计算每个节点被选为观测点的后验概率,其中p(m)为采集到的每个节点的输入样本在所有样本中所占比值,即节点被选为观测点的先验概率,p(yi|m)为节点m的第i个特殊特征的概率,n为特殊特征数目,p(y)为特殊特征的总概率;由于p(m|y)的计算中分母均相同,所以只需计算分子的值用于比较大小即可;
d.由数据识别计算模型的第五层公式(6)得到各观测点接收到信息的实际传播延迟和理论传播延迟之间的权限关联度;
e.每个节点都通过计算得到了权限关联度的值和被选为观测点的后验概率分子值,从中选择K个这两个值都较大的节点作为观测点,即完成了该网络中观测点的部署。
附图说明
图1无标度网络节点分布示意
图2基于朴素贝叶斯的观测点部署策略的节点数与定位准确率关系
图3无标度模型中各观测点部署策略与定位准确率关系
图4随机模型中各观测点部署策略与定位准确率关系
图5UCIonline网络中各观测点部署策略的定位准确率对比
图6Political-blogs网络中各观测点部署策略的定位准确率对比
图7基于朴素贝叶斯的观测点部署与中心性度量算法对比
具体实施方式
下面结合实例对本发明作进一步的说明:
1)实验环境和数据描述
本发明通过模型网络和实际网络分别进行实验。其中模型网络采用随机模型(Erdos-Renyi Netwok,ER),和无标度模型(Scale-free Netwok,SF),实际网络采用Political-blogs和UCIonline,表1给出了各模型相关参数,其中V表示网络节点数,E表示网络边数,R表示网络直径,即网络中所有可以到达的点之间路径的最小值。图1根据SF无标度网络建立(其他3个网络拓扑图省略),节点的分布与连接情况如图所示,其中a图为200个节点,b图为400个节点,c图为800个节点,模型范围为1000*1000。
表1各模型参数
2)信息源定位的方法
在获取到观测点之后,将被选择为观测点的K个节点记为假设总结点为N,设定可能的信息源点为候选源点,假设各候选源点发表信息,各观测点采集到信息传播的实际时间然后计算出观测点收到信息的理论传播时间,对比实际传播时间和理论传播时间,找到最可能的候选原点即是实际信息源。然而信息传播的初始时间没法准确获取,所以计算各观测点接收到信息的理论传播时间比较困难,因此,只有通过对比各观测点接收到信息的时间延迟与理论时间延迟来找到最符合的候选源点。
用S表示候选源点集合并假设观测点不会是实际信息源,那么其余节点均有可能是实际信息扩散源点,则有
当信息传播到某一时刻t,设当前有Ka个观测点处于知情状态,即当前时刻已经接收到信息,用表示知情观测点首次收到信息的实际时间集合,用表示知情观测点的实际传播延迟向量,其中,di表示观测点oi+1与观测点o1首次收到信息的实际时间差,o1为第1个收到信息的观测点,则有:
[d]k=tk+1-t1 (9)
由中心极限定理可得,网络中边的传播延迟di满足d~N(μ,σ2)。用(u,v)表示u到v之间的最短路径,|p(u,v)|表示这条最短路径的长度,假设某一候选源点si∈S为实际信息源,则各知情观测点首次收到消息的理论时间为
3)网络点数与定位准确率的关系验证
为了验证基于朴素贝叶斯模型定位算法与网络节点数目的关系,本发明分别对随机网络模型和无标度网络模型在不同节点分布情况下进行模拟实验。随机独立选取100次信息源点进行信息传播,然后通过贝叶斯模型找到观测点再进行信息源点定位,得到该组观测点的定位准确率。图2为实验结果,其中(a)图选择的网络为表1中的随机网络模型中的前三个和第五个网络,无标度网络模型中的前三个和第五个网络;(b)图选择的网络为表1中随机网络模型的前四个网络和无标度网络模型中的前四个网络。从图中可以看出,网络节点数越多,基于朴素贝叶斯的观测点部署策略,能够越能提高信息源命中率。
4)基于朴素贝叶斯算法的观测点部署策略与定位准确率的关系验证
为了验证本发明提出的基于朴素贝叶斯模型定位算法的准确率,分别以高介数优先(High-Betweenness)、高度数优先(High-Degree)、r覆盖率优先(High-r)、随机选取(Random)和朴素贝叶斯模型优先(High-NB)这五种观测点部署策略进行信息源定位准确率对比实验。为了模拟实践应用过程中的数据传播情况,在每次实验中,随机选择一个节点为数据源点,即网络中除开被选为观测点外的节点都有可能被选为信息源,在分别完成100次独立实验后,得到对应的定位准确率平均值,其中随机网络模型和无标度网络模型都选择节点连接度高的实验数据,实验结果如图3和图4,朴素贝叶斯算法模型能够显著提高信息源定位准确率。
5)基于朴素贝叶斯算法的观测点部署策略在实际网络中的应用验证
为了验证朴素贝叶斯模型算法的观测点部署策略在实际网络中的应用效果,本文分别采用上述五种部署方式在实际网络中进行验证,同时,当网络观测点比例超过25%以后,五种部署策略均可达到覆盖网络中的所有节点,因此在本实验中,我们采取观测点部署比例为5%~25%进行实验,其结果如图5和图6,从图中我们可以看出,基于朴素贝叶斯的部署策略定位准确率高于其他四种策略。
6)基于朴素贝叶斯算法的观测点部署策略与中心性度量算法对比
本发明提出的朴素贝叶斯观测点部署算法是基于监控点注入算法,因此有必要与该算法进行对比,以便测试算法的优越性,图7为实验结果。a图表示在观测点不同的Uclonline网络中,基于朴素贝叶斯算法的观测点部署和基于注入监控节点的中心性度量算法的定位成功率对比,其中监控点注入数目根据观测点比例同步增加。从图中可以看出,随着观测点(监控点)的增加,两种算法的成功率都在上升,但本发明提出的部署策略明显优于该算法。同时,b图显示的是两种算法带来的网络传输延迟对比,本发明提出的算法在不增加节点的情况下,数据传播延迟比较小,符合算法特点,然而由于注入节点的增加,中心性度量算法显著提高了数据传输延迟,综合来看,基于朴素贝叶斯的观测点部署策略算法具有绝对优势。
Claims (1)
1.一种基于朴素贝叶斯的信息源定位的观测点部署方法,其特征在于该方法的技术步骤如下:
1)数据识别计算模型
建立贝叶斯卷积神经网络五层结构,其中一、二、三层为卷积取样层,四、五层为识别取样层,对传播数据进行识别和计算,其中每层之间的神经元与相邻的所有神经元相连接,同一层内部的神经元不连接;
首先确定数据识别模型的权重βj和输入的数据样本值{rn,dn,θi},其中rn表示节点传输有效距离,dn表示节点收到数据的时刻,θi表示上游节点信息,即该节点所收到数据的来源,并将偏置初始化;
第一层为数据采集层,对传播数据类型进行采样和划分,分别为候选源点数据组、观测点数据组和普通节点数据组,进行随机采样,设定通道数为N,采样点为T,并对每一层获得的数据进行卷积计算;
如果第二层卷积计算得到的输出特征值大于T,将输出特征值作为输入特征值继续进行第二层的计算,直到输出特征值小于或等于T时,执行第三层卷积计算,确定数据输出特征,将频繁出现的传播数据信息进行整合,用公式(3)计算频繁项集,其中为第三层卷积核,为第三层偏置,f是由公式(2)定义的sigmoid激活函数;
第四层神经元通过连接权值连接第三层所有神经元,是第三层神经元的输出,b4(j)为第四层偏置,f是由公式(2)定义的sigmoid激活函数,根据公式(4)计算并输出该层特征量;同时第四层取得第三层计算出来的频繁项集,在此层进行传播数据信息聚类;
为了计算神经元内部的特殊项集概率,加入贝叶斯算法元素,在第四层中利用贝叶斯卷积神经网络解决深度卷积神经网络预处理能力不佳的问题,根据公式(5)计算出节点的特殊特征的概率;
第五层所有神经元通过连接全值w5(i)连接第四层神经元,b5(j)为第五层偏置,根据公式(6)计算各观测点接收到信息的实际传播延迟和理论传播延迟之间的权限关联度;
2)观测点位置部署方法
a.首先明确待定位信息源的网络的拓扑结构,包括节点、边的数目和位置,并确定需要从总共M个节点中选取的观测点数目K;
b.网络中开始传播数据后,采集并记录下网络中的每个节点传输信息的有效距离、收到数据的时刻以及传输数据给这个节点的上游节点,作为数据识别计算模型的样本,输入到数据识别计算模型中进行计算;
c.在数据识别计算模型中,从第四层由公式(5)计算得出每个节点的特殊特征的概率,再根据公式(7)的朴素贝叶斯公式计算每个节点被选为观测点的后验概率,其中p(m)为采集到的每个节点的输入样本在所有样本中所占比值,即节点被选为观测点的先验概率,p(yi|m)为节点m的第i个特殊特征的概率,n为特殊特征数目,p(y)为特殊特征的总概率;由于p(m|y)的计算中分母均相同,所以只需计算分子的值用于比较大小即可;
d.由数据识别计算模型的第五层公式(6)得到各观测点接收到信息的实际传播延迟和理论传播延迟之间的权限关联度;
e.每个节点都通过计算得到了权限关联度的值和被选为观测点的后验概率分子值,从中选择K个这两个值都较大的节点作为观测点,即完成了该网络中观测点的部署。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010335043.0A CN111539476B (zh) | 2020-04-24 | 2020-04-24 | 基于朴素贝叶斯的个人信息传播扩散源定位的观测点部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010335043.0A CN111539476B (zh) | 2020-04-24 | 2020-04-24 | 基于朴素贝叶斯的个人信息传播扩散源定位的观测点部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539476A true CN111539476A (zh) | 2020-08-14 |
CN111539476B CN111539476B (zh) | 2022-04-15 |
Family
ID=71978886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010335043.0A Expired - Fee Related CN111539476B (zh) | 2020-04-24 | 2020-04-24 | 基于朴素贝叶斯的个人信息传播扩散源定位的观测点部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539476B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553541A (zh) * | 2021-06-04 | 2021-10-26 | 扬州大学 | 一种独立级联模型下基于独立路径分析的源定位方法 |
CN116150662A (zh) * | 2023-04-23 | 2023-05-23 | 青岛华芯晶电科技有限公司 | 一种磷化铟晶片的辅助检测装置的数据识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170039477A1 (en) * | 2015-08-07 | 2017-02-09 | C. Thomas Savell | Probabilistic inferences network utilizing second order uncertainty |
CN106789333A (zh) * | 2017-01-16 | 2017-05-31 | 东北大学 | 一种基于时间分层的复杂网络传播源点定位方法 |
CN107423707A (zh) * | 2017-07-25 | 2017-12-01 | 深圳帕罗人工智能科技有限公司 | 一种基于复杂环境下的人脸情绪识别方法 |
CN110113765A (zh) * | 2019-05-07 | 2019-08-09 | 四川大学 | 一种基于元胞自动机模型的信息源定位算法 |
-
2020
- 2020-04-24 CN CN202010335043.0A patent/CN111539476B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170039477A1 (en) * | 2015-08-07 | 2017-02-09 | C. Thomas Savell | Probabilistic inferences network utilizing second order uncertainty |
CN106789333A (zh) * | 2017-01-16 | 2017-05-31 | 东北大学 | 一种基于时间分层的复杂网络传播源点定位方法 |
CN107423707A (zh) * | 2017-07-25 | 2017-12-01 | 深圳帕罗人工智能科技有限公司 | 一种基于复杂环境下的人脸情绪识别方法 |
CN110113765A (zh) * | 2019-05-07 | 2019-08-09 | 四川大学 | 一种基于元胞自动机模型的信息源定位算法 |
Non-Patent Citations (3)
Title |
---|
JIA XIE .ETC: ""Enabling Efficient Stroke Prediction by Exploring Sleep Related Features"", 《2018 IEEE SMARTWORLD, UBIQUITOUS INTELLIGENCE & COMPUTING, ADVANCED & TRUSTED COMPUTING, SCALABLE COMPUTING & COMMUNICATIONS, CLOUD & BIG DATA COMPUTING, INTERNET OF PEOPLE AND SMART CITY INNOVATIONS》 * |
ZHIWEN YU .ETC: ""Identifying On-Site Users for Social Events: Mobility, Content, and Social Relationship"", 《IEEE TRANSACTIONS ON MOBILE COMPUTING》 * |
赵光华 等: ""基于朴素贝叶斯分类的居民出行起讫点识别方法"", 《计算机应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553541A (zh) * | 2021-06-04 | 2021-10-26 | 扬州大学 | 一种独立级联模型下基于独立路径分析的源定位方法 |
CN113553541B (zh) * | 2021-06-04 | 2023-10-13 | 扬州大学 | 一种独立级联模型下基于独立路径分析的源定位方法 |
CN116150662A (zh) * | 2023-04-23 | 2023-05-23 | 青岛华芯晶电科技有限公司 | 一种磷化铟晶片的辅助检测装置的数据识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111539476B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN108399748B (zh) | 一种基于随机森林与聚类算法的道路旅行时间预测方法 | |
CN108777873A (zh) | 基于加权混合孤立森林的无线传感网络异常数据检测方法 | |
CN111539476B (zh) | 基于朴素贝叶斯的个人信息传播扩散源定位的观测点部署方法 | |
CN113032238B (zh) | 基于应用知识图谱的实时根因分析方法 | |
CN106162869B (zh) | 移动自组织网络中高效协作定位方法 | |
CN110232434A (zh) | 一种基于属性图优化的神经网络架构评估方法 | |
CN111310833B (zh) | 一种基于贝叶斯神经网络的出行方式识别方法 | |
CN113422695B (zh) | 一种提高物联网拓扑结构鲁棒性能的优化方法 | |
Ueno et al. | Computerized adaptive testing based on decision tree | |
CN113537788B (zh) | 一种基于病毒传播理论的城市交通拥堵识别方法 | |
CN108491931A (zh) | 一种基于机器学习提高无损检测精度的方法 | |
CN114036610A (zh) | 一种基于数据增强的侵彻深度预测方法 | |
CN109539884A (zh) | 一种基于ga的矢量脱靶量参数估计方法 | |
CN109921938A (zh) | 一种云计算环境下故障检测方法 | |
CN116595445A (zh) | 基于随机森林特征优选和改进支持向量机的变压器故障诊断方法 | |
CN102819611B (zh) | 一种复杂网络局部社区挖掘方法 | |
CN104199884A (zh) | 一种基于r覆盖率优先的社交网络观察点选取方法 | |
Cong et al. | Minimizing efforts in reconciling participatory sensing data | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
Hou et al. | Fast online map matching for recovering travelling routes from low-sampling GPS data | |
CN116437290A (zh) | 一种基于csi指纹定位的模型融合方法 | |
CN112597699B (zh) | 一种融入客观赋权法的社交网络谣言源识别方法 | |
CN111711530A (zh) | 基于社区拓扑结构信息的链接预测算法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220415 |