CN111553580A - 基于k均值和支持向量机的护林员巡护情况的综合分析方法 - Google Patents
基于k均值和支持向量机的护林员巡护情况的综合分析方法 Download PDFInfo
- Publication number
- CN111553580A CN111553580A CN202010323828.6A CN202010323828A CN111553580A CN 111553580 A CN111553580 A CN 111553580A CN 202010323828 A CN202010323828 A CN 202010323828A CN 111553580 A CN111553580 A CN 111553580A
- Authority
- CN
- China
- Prior art keywords
- forest
- evaluation
- patrol
- support vector
- vector machine
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开了一种基于K均值和支持向量机的护林员巡护情况的综合分析方法,包括:(1)采集护林员巡护情况数据并进行标准化处理,获得处理后的数据集;(2)对数据集进行K均值聚类,根据最优聚类簇数K划分评价等级,依据聚类结果和评价等级对护林员巡护情况数据进行等级评价,并将评价等级作为护林员巡护情况数据的数据标签,构建训练数据集;(3)利用训练数据集优化用于预测护林员巡护情况数据的评价等级的支持向量机的模型参数,获得最优支持向量机模型;(4)利用最优支持向量机模型预测获得待评价护林员巡护情况数据的评价等级结果。该综合分析方法获得的分析结果客观、准确,为护林员管理者提供有效决策依据。
Description
技术领域
本发明属于林业评价领域,具体涉及一种基于K均值(Kmeans)和支持向量机(SVM)的护林员巡护情况的综合分析方法。
背景技术
在农林业数字化、信息化高速发展的时代,基层护林员的评价分析方法却十分缺乏,而已有的评价体系不结合实际数据,评价不客观、不科学、不准确,进而护林员管理者无法根据正确数据规划公平的工资分配方案、制定合理的激励措施、做出正确的决策,最终导致护林员毫无工作激情、工作效果较差,难以达到巡查、护林的目标,使得森林管护工作丢失了一层重要屏障。
传统的人员绩效评价方法主要有360度多源反馈法、模糊层次分析法、平衡记分卡法等。文章Destephano C C,Crawford K A,Jashi M,et al.Providing 360-DegreeMultisource Feedback to Nurse Educators in the Country of Georgia:A FormativeEvaluation of Acceptability[J].The Journal of Continuing Education inNursing,2014,45(6):1-7.运用360度多源反馈法综合自我、视频、学习者、同伴和项目协调员五个来源的反馈对格鲁吉亚护士教育者教育效果进行评价,该方法需收集各来源的评价反馈并进行整合,费时费力,且每个来源的反馈存在一定的主观性。文章Chen J F,Hsieh HN,Do Q H.Evaluating teaching performance based on fuzzy AHP and comprehensiveevaluation approach[J].Applied Soft Computing Journal,2015,28(C):100-108.采用模糊层次分析法通过6个主要指标以及其下的14个子指标对员工绩效进行评价,该方法评价指标过多且模型与计算较复杂,且存在一定的主观性。
根据两种主要的人员绩效评价方法的特点可以发现较适合于事业单位、企业工厂等环境下的员工绩效评价,但并不适合护林员巡护评价。因为护林员的工作性质特殊,难以产生、收集多维评价指标;护林员文化水平有限,过多的指标、复杂的计算和模型难以令其理解和接受。
发明内容
本发明的目的是提供一种基于K均值和支持向量机的护林员巡护情况的综合分析方法。该综合分析方法获得的分析结果客观、准确,为护林员管理者提供有效决策依据,进而提高护林员的巡护效果。
为实现上述发明目的,本发明提供以下技术方案:
一种基于K均值和支持向量机的护林员巡护情况的综合分析方法,包括以下步骤:
(1)采集护林员巡护情况数据,对所述护林员巡护情况数据进行标准化处理,获得处理后的数据集;
(2)对所述数据集中的护林员巡护情况数据进行K均值聚类,根据最优聚类簇数K划分评价等级,依据聚类结果和评价等级对护林员巡护情况数据进行等级评价,并将该评价等级作为护林员巡护情况数据的数据标签,构建训练数据集;
(3)利用训练数据集优化用于预测护林员巡护情况数据的评价等级的支持向量机的模型参数,获得最优支持向量机模型;
(4)将待评价护林员巡护情况数据输入至最优支持向量机模型,经预测获得待评价护林员巡护情况数据的评价等级结果。
其中,所述护林员巡护情况数据包括护林员序号、里程数、考勤率、耗时数、上报事件数。其中上报事件数为上报火情、病虫害、砍伐等事件的总计。由于里程数和考勤率是最直接、最直观反应巡护情况的指标,所以作为主要评价指标,对应层级I的评价指标;耗时数和上报事件数作为细分评价指标,对应层级II的评价指标。
在一个实施方式中,选择里程数、考勤率作为层级I的等级评价数据,即以里程数、考勤率作为护林员巡护情况数据,采用上述步骤(1)~步骤(4)进行层级I的等级评价。
在另外一个实施方式中,选择耗时数和/或上报事件数作为层级II的等级评价数据,即针对层级I的某一评价等级对应的耗时数和/或上报事件数作为护林员巡护情况数据,采用上述步骤(1)~步骤(2)进行层级II的等级评价。
在另外一个实施方式中,在获得评价等级结果的基础上,以月份为单位,分析统计护林员巡护评价等级的分布以及变化情况。
在另外一个实施方式中,在获得评价等级结果的基础上,以护林员为单位,分析统计单个护林员每个月/年巡护评价等级的分布以及变化情况。
优选地,对所述护林员巡护情况数据进行零均值标准化处理,获得处理后的数据集。
优选地,在对护林员巡护情况数据进行K均值聚类时,采用聚类评价指标S_Dbw确定使S_Dbw值最小的聚类簇数K作为最优聚类簇数K。
优选地,在优化支持向量机的模型参数时,采用10折交叉验证法评估支持向量机并确定支持向量机的最优模型参数。
与现有技术相比,本发明具有的有益效果为:
本发明提供的基于K均值和支持向量机相结合的护林员巡护情况的综合分析方法。先使用Kmeans得到基准月护林员巡护情况的评价等级,再使用SVM得到其他月份护林员巡护情况评价等级,最后对得到的结果进行综合分析。该方法不仅可以通过Kmeans和SVM两种算法得到客观、准确、科学的护林员巡护情况评价等级,还可以在此基础之上直接分析整体或单个护林员的巡护情况,为护林员管理者提供决策支持,另外模型构造简单、效率高、自动化且伴随大量可视化结果,易于护林员理解与接受。以期最终可以提升护林员的积极性和工作质量,构建一层坚固的森林保护屏障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是于K均值和支持向量机相结合的护林员巡护情况的综合分析方法的流程图;
图2是评价等级划定法的步骤示意图;
图3a和图3b是评价等级划定法前后的2019年10月护林员巡护情况聚类结果;
图4是护林员巡护情况评价等级预测结果,其中,4a~4d分别为4个月份的护林员巡护情况评价等级预测结果;
图5是二次聚类划定细分评价等级的步骤示意图;
图6是以耗时数为特征对2019年10月护林员巡护情况数据的二次聚类结果,其中,6a为2019年10月护林员巡护情况数据的聚类结果(里程数-耗时数),6b为2019年10月一般评价等级护林员巡护数据二次聚类结果;
图7是2018年11月-2019年10月护林员总体巡护情况比较图,其中,7a~7e分别为差等级、较差等级、一般等级、较好等级以及好等级五个等级的2018年11月-2019年10月护林员总体巡护情况比较图;
图8是2018年1月-2019年10月a78号、a175、a227号、a346号护林员巡护情况评价等级。
具体实施方式
为使本发明的目的、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的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1为基于K均值和支持向量机的护林员巡护情况的综合分析方法的流程图,如图1所示,实施例提供的综合分析方法包括以下步骤:
S101,采集护林员巡护情况数据,对所述护林员巡护情况数据进行标准化处理,获得处理后的数据集。
本实施例选取中国东南部某县级市作为研究区,2018年1月至2019年10月间研究区内a1-a364号护林员每个月的巡护情况数据作为研究数据。并且选用2019年10月护林员巡护情况数据作为基准月数据(表1)并使用Kmeans进行评价等级划定,再使用SVM对其他月份的数据进行预测,即以2019年10月的评价等级结果为参照标准预测其他月份的结果,实现护林员每个月巡护情况的可比性。
巡护情况数据的属性包括:护林员序号、里程数、考勤率、耗时数、上报事件数,其中上报事件数为上报火情、病虫害、砍伐等事件的总计。由于里程数和考勤率是最直接、最直观反应巡护情况的指标,所以作为主要评价指标用于第一次Kmeans和SVM中,耗时数和上报事件数作为细分评价的指标。
表1 2019年10月a1-a364号护林员巡护情况数据
表1中,考勤率>100%代表护林员实际出勤次数超过应出勤次数。
由于采集数据的数量级和量纲均不一致,所以具有较大数量级的指标的作用会远大于较小数量级的指标,从而会影响到算法的效率和准确性。因此,在执行K均值聚类和支持向量机分类之前进行零均值标准化处理,标准化处理后的数据集记作T1。
S102,对所述数据集中的护林员巡护情况数据进行K均值聚类,根据最优聚类簇数K划分评价等级,依据聚类结果和评价等级对护林员巡护情况数据进行等级评价,并将该评价等级作为护林员巡护情况数据的数据标签,构建训练数据集。
由于护林员巡护情况数据集规模不大且簇近似为球状,故实施例选用Kmeans聚类算法,另外本实施例还选用Kmeans++法进行初始簇中心的选取,避免算法陷入局部最小值。首先,通过Kmeans对数据集T1中2019年10月的数据T1910进行簇的划分,当运行完Kmeans后,计算S_Dbw指标以确定使S_Dbw值最小的聚类簇数K。其次,通过评价等级划定法将聚类后混乱的标签进行重新排列和等级划定,并设为数据集T1910的标签,设置后的数据集T1910记作X,并作为SVM的训练集和测试集,最后对其他月份的数据进行预测。
不同于分类算法,由于数据集中未含有类的真实标签,故无法直接判断聚类算法结果的正确性。然而,可以通过簇内紧密度和簇间离散度来评价聚类的结果并确定最佳聚类簇数。因此,在对护林员巡护情况数据进行K均值聚类时,本实施例采用聚类评价指标S_Dbw确定使S_Dbw值最小的聚类簇数K作为最优聚类簇数K。在聚类算法完成后,划分的K个簇C-0,C-1,C-2,...,C-K的标签是随机无序的,需要对聚类结果进行可视化,并根据位置分布情况对标签进行重新排列,重新排列后的簇为C-0',C-1',C-2',...,C-K',最后将重新排列后的结果与评价等级相互对应,等级越小,评价越差,等级越大,评价越好,如图2所示。
根据实际情况以及现有的大多数评价方法中规定的评价等级,选择K=3,4,5分别对2019年10月研究区内护林员巡护情况数据进行Kmeans聚类。当K=5时Kmeans模型的S_Dbw值最低(表2),等于0.39,所以选择K=5作为聚类簇数,并设定五大评价等级:好、较好、一般、较差、差。
表2不同聚类簇数下Kmeans模型的S_Dbw值
当K=5时护林员巡护情况的划分和决策边界都比较清晰,聚类结果良好。在未采用评价等级划定之前的聚类结果是乱序的,如图3a所示,如0类(五角星)对应的是一般等级,而4类(六边形)对应的是较好等级,并无一一对应关系,不利于理解。如图3b所示,采用评价等级划定之后的评价等级是随着类别的数值增大而变高,其中0类(五角星)对应的是差等级,其里程数基本分布于100km以内,考勤率基本分布于0.6以下;1类(三角形)对应的是较差等级,其里程数基本分布于50-220km之间,考勤率基本分布于0.6-0.9之间;2类(×形)对应的是一般等级,其里程数分布范围与较差等级相似,于50-220km之间,但是其考勤率则分布于0.9-1.8之间,然而考勤率超过1.25的护林员占极少数;3类(Y形)对应的是较好等级,其里程数基本分布于220-420km之间,考勤率基本分布于0.9-1.25之间;4类(六边形)对应的是好等级,其里程数分布于420km以上,考勤率基本分布于0.9-1.5之间。概括可知,里程数和考勤率低的护林员所对应的评价等级低,里程数和考勤率高的护林员所对应的评价等级高,与实际相符。总结可得,通过Kmeans和评价等级划定法可以方便、高效的得到客观、科学、准确的护林员巡护情况等级。
S103,利用训练数据集优化用于预测护林员巡护情况数据的评价等级的支持向量机的模型参数,获得最优支持向量机模型。
由于SVM属于二分类算法,而本实施例需要实现评价等级的多分类,所以采用一对一法实现多分类的目的。本实施例选择10折交叉验证法评价分类模型,使用无重复抽样技术将训练数据集分成训练与测试部分,模型最终准确率为10次迭代后模型的准确率的平均值,该验证方法保证模型的可靠性和稳定性。
将评价等级划定后的训练集和测试集输入到SVM模型中,采用10折交叉验证评估模型并确定模型的最优参数。由10折交叉验证的结果(表3)可知,模型的效果良好,除第1、2、8次,其余迭代的准确率均达1,平均准确率高达0.99。
表3 10折交叉验证各次迭代准确率
S104,将待评价护林员巡护情况数据输入至最优支持向量机模型,经预测获得待评价护林员巡护情况数据的评价等级结果。
模型优化后对2018年1月-2019年9月的护林员巡护情况评价等级进行预测,各月份的预测结果良好。随机以其中四个月的预测结果为例,如图4所示,可以发现图4a-4d左下角对应的是低里程和低考勤率,均为差等级,右上角对应的是高里程和高考勤率,均为好等级,较差、一般、较好三个等级则分布在中间位置,各月份的护林员评价等级分布情况与2019年10月的相似,故各等级分布有规律、边界较清晰且预测结果准确。
某些地区需要更加精细且需考虑次要指标影响的评价等级,故提出细分评价。细分评价是在确定第一次评价等级的基础上,选择耗时数或上报事件数为次要指标对某一等级的巡护情况数据进行二次聚类,再用评价等级划定法得到更加精细且指标间有权重的等级划分,如图5所示,即里程数和考勤率的权重大于耗时数和上报事件数。
以2019年10月护林员巡护情况数据的聚类结果为例,如图6a所示,可以发现2类一般等级(×形)的护林员人数最多且在耗时数方向上的跨度较大,故在确定第一次评价等级的基础上以耗时数为特征进行二次聚类,结果如图6b所示,以耗时数50h为界将该类细分为两类。
在以上护林员巡护情况的分析方法基础上,还可以进行月度分析和护林员个人分析。
月度分析是对每个月不同评价等级的护林员人数进行统计分析,从整体上观测每个月护林员巡护评价等级的分布以及变化情况。对2018年11月-2019年10月的护林员整体巡护情况评价等级进行统计。可以发现观测时间段内好等级所占比例低于10%(图7e),人数最少;差等级所占人数略高于好等级所占人数(图7a),约占20%;其余三个等级的人数占比大且相互之间差距较小(图7b-7d),约共占70%。结合各等级护林员分布情况,可知观测时间段内护林员总体巡护情况偏差。另外2018年11月较差等级的护林员只有24人,之后的五个月却均在80人左右,而2019年5月却减少到36人,接着再次增加直到2019年10月降至46人(图7b);相反,2018年11月、2019年5月、2019年10月的一般等级的护林员人数是多于其他月份的(图7c),可以得出2018年11月、2019年5月、2019年10月的护林员巡护情况浮动较大,整体巡护情况优于其他月份。综上所述,该分析方法实现了月与月之间的对比,并得出护林员整体巡护情况无较大的浮动。
护林员个人分析是对常驻护林员每个月的巡护评价等级进行统计分析,观测单个护林员每个月巡护评价等级的分布以及变化情况。
筛选出2018年1月-2019年10月期间均有巡护记录的57名护林员的巡护情况数据,提取被观测护林员每个月巡护情况评价等级的变动数据(后一个月评价等级减前一个月评价等级),共计1197个,其中评价等级无变动的占811次,评价等级提高的占196次,评价等级降低的占190次。由于篇幅原因,随机展示其中四位护林员在观测期内的巡护情况评价等级(图8),可以清晰的观测单个护林员评价等级的分布和浮动情况以及规律。结合上述规律可知,绝大部分护林员在观测期内的巡护等级是呈稳定或是上下略微浮动的状态,且保持在较差等级到较好等级之间,巡护情况并无提升。
上述方法将无监督学习与监督学习算法有效的结合,实现月与月之间的可比性,并通过S_Dbw指标、K折交叉验证以及结果可视化保证算法效率、泛化能力和准确性。不仅可以得出单个护林员每个月客观、准确的巡护情况等级,还可以在此基础上分别对护林员整体或者个体巡护情况进行有针对性的分析,得到各类数据图表,辅助护林员管理者进行精准决策,从而达到提升护林员巡护效果的目的,特别适用于护林员的巡护情况评价。
此外,上述方法从真实数据出发,消除主观因素,使得护林员获得科学、公平的评价,护林员管理者获得有效、明确的决策依据,进而提高护林员工作成效,使其能更好的管护森林。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于K均值和支持向量机的护林员巡护情况的综合分析方法,其特征在于,包括以下步骤:
(1)采集护林员巡护情况数据,对所述护林员巡护情况数据进行标准化处理,获得处理后的数据集;
(2)对所述数据集中的护林员巡护情况数据进行K均值聚类,根据最优聚类簇数K划分评价等级,依据聚类结果和评价等级对护林员巡护情况数据进行等级评价,并将该评价等级作为护林员巡护情况数据的数据标签,构建训练数据集;
(3)利用训练数据集优化用于预测护林员巡护情况数据的评价等级的支持向量机的模型参数,获得最优支持向量机模型;
(4)将待评价护林员巡护情况数据输入至最优支持向量机模型,经预测获得待评价护林员巡护情况数据的评价等级结果。
2.如权利要求1所述的基于K均值和支持向量机的护林员巡护情况的综合分析方法,其特征在于,所述护林员巡护情况数据包括护林员序号、里程数、考勤率、耗时数、上报事件数。
3.如权利要求2所述的基于K均值和支持向量机的护林员巡护情况的综合分析方法,其特征在于,选择里程数、考勤率作为层级I的等级评价数据,即以里程数、考勤率作为护林员巡护情况数据,采用权利要求1所述的步骤(1)~步骤(4)进行层级I的等级评价。
4.如权利要求3所述的基于K均值和支持向量机的护林员巡护情况的综合分析方法,其特征在于,选择耗时数和/或上报事件数作为层级II的等级评价数据,即针对层级I的某一评价等级对应的耗时数和/或上报事件数作为护林员巡护情况数据,采用权利要求1所述的步骤(1)~步骤(2)进行层级II的等级评价。
5.如权利要求1~4任一项所述的基于K均值和支持向量机的护林员巡护情况的综合分析方法,其特征在于,对所述护林员巡护情况数据进行零均值标准化处理,获得处理后的数据集。
6.如权利要求1~4任一项所述的基于K均值和支持向量机的护林员巡护情况的综合分析方法,其特征在于,在对护林员巡护情况数据进行K均值聚类时,采用聚类评价指标S_Dbw确定使S_Dbw值最小的聚类簇数K作为最优聚类簇数K。
7.如权利要求1~4任一项所述的基于K均值和支持向量机的护林员巡护情况的综合分析方法,其特征在于,在优化支持向量机的模型参数时,采用10折交叉验证法评估支持向量机并确定支持向量机的最优模型参数。
8.如权利要求1~4任一项所述的基于K均值和支持向量机的护林员巡护情况的综合分析方法,其特征在于,在获得评价等级结果的基础上,以月份为单位,分析统计护林员巡护评价等级的分布以及变化情况。
9.如权利要求1~4任一项所述的基于K均值和支持向量机的护林员巡护情况的综合分析方法,其特征在于,在获得评价等级结果的基础上,以护林员为单位,分析统计单个护林员每个月/年巡护评价等级的分布以及变化情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323828.6A CN111553580A (zh) | 2020-04-22 | 2020-04-22 | 基于k均值和支持向量机的护林员巡护情况的综合分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323828.6A CN111553580A (zh) | 2020-04-22 | 2020-04-22 | 基于k均值和支持向量机的护林员巡护情况的综合分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111553580A true CN111553580A (zh) | 2020-08-18 |
Family
ID=72005907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010323828.6A Pending CN111553580A (zh) | 2020-04-22 | 2020-04-22 | 基于k均值和支持向量机的护林员巡护情况的综合分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553580A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156979A (zh) * | 2021-05-27 | 2021-07-23 | 浙江农林大学 | 基于改进的maddpg算法的护林员巡护路径规划方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095884A (zh) * | 2015-08-31 | 2015-11-25 | 桂林电子科技大学 | 一种基于随机森林支持向量机的行人识别系统及处理方法 |
CN106709662A (zh) * | 2016-12-30 | 2017-05-24 | 山东鲁能软件技术有限公司 | 一种电力设备运行工况划分方法 |
CN110210695A (zh) * | 2019-04-16 | 2019-09-06 | 中国电子科技集团公司第十五研究所 | 一种基于支持向量机的塔台管制模拟训练评估方法 |
-
2020
- 2020-04-22 CN CN202010323828.6A patent/CN111553580A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095884A (zh) * | 2015-08-31 | 2015-11-25 | 桂林电子科技大学 | 一种基于随机森林支持向量机的行人识别系统及处理方法 |
CN106709662A (zh) * | 2016-12-30 | 2017-05-24 | 山东鲁能软件技术有限公司 | 一种电力设备运行工况划分方法 |
CN110210695A (zh) * | 2019-04-16 | 2019-09-06 | 中国电子科技集团公司第十五研究所 | 一种基于支持向量机的塔台管制模拟训练评估方法 |
Non-Patent Citations (3)
Title |
---|
何春江: "基于支持向量机的多式联运发展水平评价研究" * |
周苏 等: "基于K均值和支持向量机的燃料电池 在线自适应故障诊断" * |
郭彦楠: "基于数据处理的电力系统故障诊断与预测" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156979A (zh) * | 2021-05-27 | 2021-07-23 | 浙江农林大学 | 基于改进的maddpg算法的护林员巡护路径规划方法和装置 |
CN113156979B (zh) * | 2021-05-27 | 2022-09-06 | 浙江农林大学 | 基于改进的maddpg算法的护林员巡护路径规划方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Batty et al. | Scaling and allometry in the building geometries of Greater London | |
CN108564286A (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
CN113642849B (zh) | 考虑空间分布特征的地质灾害危险性综合评价方法及装置 | |
CN111241085B (zh) | 一种基于气象数据的自然分区可视化方法 | |
CN106910017A (zh) | 一种基于用户行为数据挖掘的电能体验分析方法和系统 | |
CN109360018A (zh) | 一种基于人工神经网络的模糊宗地地价评估方法 | |
Alam et al. | A Probit Estimation of Urban Bases of Environmental Awareness: Evidence from Sylhet City, Bangladesh | |
CN111553580A (zh) | 基于k均值和支持向量机的护林员巡护情况的综合分析方法 | |
Sharma et al. | Forecasting and prediction of air pollutants concentrates using machine learning techniques: the case of India | |
CN115689290B (zh) | 房地产市场地块开发空置监测预警分析方法 | |
Hwang et al. | Using fuzzy clustering methods for delineating urban housing submarkets | |
CN115796585A (zh) | 一种企业经营风险评估方法及系统 | |
CN113934904A (zh) | 一种基于rfm模型的卷烟零售客户价值评价方法 | |
Newell et al. | Explaining continuity in New Zealand's local labour market areas 1991 to 2001 | |
Esogbue et al. | A FUZZY SETS MODEL FOR MEASURING THE EFFECTIVENESS OF PUBLIC PARTICIPATION IN WATER RESOURCES PLANNING 1 | |
Malano et al. | Ranking and classification of irrigation system performance using fuzzy set theory: case studies in Australia and China | |
CN112488236A (zh) | 一种集成的无监督学生行为聚类方法 | |
CN113205274A (zh) | 一种施工质量定量化排名方法 | |
Longo et al. | Environmental, economic and socio-institutional context of the sustainability index: Evidence from Italy | |
Munandar et al. | Data Mining for Development Inequality. | |
Gaitan et al. | Opportunities for multivariate analysis of open spatial datasets to characterize urban flooding risks | |
De Luca | Models for predicting school district fiscal stress: one size does not fit all | |
CN116468290B (zh) | 一种利用计算机实施的土地流转热度系统及其构建方法 | |
Wardi | Analysis of the Effect of Capital Expenditure and Labor on Economic Growth in the Pohuwato District | |
JP2004070433A (ja) | 人事評価システム、人事評価方法、人事評価プログラムおよびそのプログラムを記録した記録媒体 |
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 |