CN112330361A - 面向线上购物用户消费习惯的智能大数据分析设计方法 - Google Patents
面向线上购物用户消费习惯的智能大数据分析设计方法 Download PDFInfo
- Publication number
- CN112330361A CN112330361A CN202011217643.3A CN202011217643A CN112330361A CN 112330361 A CN112330361 A CN 112330361A CN 202011217643 A CN202011217643 A CN 202011217643A CN 112330361 A CN112330361 A CN 112330361A
- Authority
- CN
- China
- Prior art keywords
- microcolumn
- input
- microcolumns
- htm
- pool
- 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 24
- 238000007405 data analysis Methods 0.000 title claims abstract description 11
- 238000013461 design Methods 0.000 title claims abstract description 8
- 210000000225 synapse Anatomy 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000006835 compression Effects 0.000 claims abstract description 19
- 238000007906 compression Methods 0.000 claims abstract description 19
- 230000004913 activation Effects 0.000 claims description 23
- 230000003213 activating effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001423 neocortical effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的一种面向线上购物用户消费习惯的智能大数据分析设计方法,包括依次连接的用户数据采集模块、压缩编码模块、空间池模块和时间池模块。对HTM空间池的结构进行了重构,在每个微柱中增加所匹配的输入信息,计算微柱的承载度,作为考核微柱在HTM空间池中利用程度的度量,为选择的微柱能够稀疏分布空间池提供支撑;利用HTM中微柱与输入的重叠值对微柱进行分级,再结合微柱的承载度等信息挑选微柱,增强HTM空间池中选择微柱的均匀性,提高空间池微柱的利用率;设计基于压缩编码的突触调整规则,在学习新输入时,保护HTM微柱中已有的有效关联信息,从而在保证HTM良好动态适应能力的同时,减少HTM空间池的抖动,提高HTM训练的效率,增强空间池的稳定性。
Description
技术领域
本发明涉及人工智能深度学习技术领域,尤其是一种面向线上购物用户消费习惯的智能大数据分析设计方法。
背景技术
商家和用户双向信息交流是直复营销理论中一个重要的理论观点,互联网技术恰能为网络销售中的消费者和企业构建了无障碍的沟通渠道,这使得网络营销的参与者中,消费者可以通过互联网与企业达成最基本的交易,企业也可以通过网络收集消费者信息和问题反馈,并依此及时调整营销策略,提高销售率。而且网络销售信息可以通过数字化存储和分析,增加企业的决策依据。
近年来,深度学习算法在图像处理、语音处理、自然语言处理等多个领域得到广泛的应用并产生巨大的影响,这在很大程度上归功于各种新型神经网络模型以及高效的模型训练方法。随着生物神经科学的进步,越来越多的新型神经网络正在被研究。HTM(Hierarchical Temporal Memory)是一种模仿人脑中处理高级认知功能的新皮质部分运作原理的新型人工神经网络,其将接受到的各种模式与记忆中的模式进行匹配,并对下一刻将会接收到的信息作出预测与反应,如此循环往复,从而体现时效性(Temporal)。
HTM以输入的稀疏分布表示为基础进行工作,空间池训练算法(spatial poollearning algorithm,SPL)利用赫比规则建立输入编码与微柱突触之间的连接,通过输入编码的有效位激活空间池中的微柱集,实现用空间池微柱的稀疏分布表征来表达输入。在该过程中,希望空间池能够像大脑皮层一样维持一定的灵活性:1、尽可能让空间池的所有微柱都参与输入的表达,2、表达输入的微柱具有一定的稀疏度并散列在空间池中,3、避免微柱与输入产生过多无效的突触连接,4、避免微柱被少量活跃突触激活,5、空间池具有一定的自适应性,应对微柱或输入的损坏。为此空间池训练算法引入了激励规则和抑制规则,设置微柱激活阈值以及维持庞大的突触池,通过多次训练,空间池便可动态调整到所希望的目标,但是维持庞大的突触池会降低空间池训练算法训练效率,激励规则和抑制规则会导致训练结果的不稳定。为了提高HTM对线上购物用户消费习惯的学习能力,有必要设计新型的空间池池算法,降低HTM空间池训练算法的时间开销,提高空间池训练结果的稳定性。
发明内容
本发明要解决的技术问题是:为了解决上述背景技术中存在的问题,提供一种改进的面向线上购物用户消费习惯的智能大数据分析设计方法,以解决现有HTM空间池训练效率低和空间池训练结果稳定性差的问题。
本发明解决其技术问题所采用的技术方案是:一种面向线上购物用户消费习惯的智能大数据分析设计方法,包括依次连接的用户数据采集模块、压缩编码模块、空间池模块和时间池模块,所述用户消费数据采集模块构建输入序列,所述压缩编码模块对输入的序列进行压缩,所述空间池模块包括依次连接微柱激活子模块和微柱突触调整子模块,所述微柱激活子模块用于激活空间池的微柱集,获取输入的稀疏分布表征,所述微柱突触调整子模块用于对微柱上的突触进行调整,构建输入与激活微柱集的映射关系,所述时间池模块用于构建对历史用户消费数据分析,具体过程包括以下步骤:
步骤1,采集某个较长时间段内,线上线上用户消费数据信息,与当时的时间信息一起构建历史线上线上用户消费数据集,使其包含消费物品和时间则两方面的特性,构成具有时序特性的线上线上用户消费数据流;
步骤2,针对线上购物用户消费习惯分析应用,将具有时序特性的线上用户消费数据流作为HTM分析模型的输入,并根据输入编码中1分量的位置对编码进行压缩,得到输入序列的压缩编码;
步骤3,利用微柱与压缩编码的重叠值oi计算微柱的自荐状态,将自荐状态和微柱的承载度信息共同作为微柱的激活依据,构建微柱激活规则,在空间池中形成输入的稀疏分布表征;
步骤4,针对被输入所激活的微柱集,通过基于压缩编码的微柱突触调整规则调整激活微柱中的近端突触,构建输入压缩编码与激活微柱集的映射关系;
步骤5,将被激活的微柱集送入时间池进行训练,构建输入之间的时序关系,并在HTM中形成记忆,完成对历史用户消费数据分析,输出在某种条件下对用户消费物品的预测和推荐。
本发明的有益效果是:
1、本发明对HTM空间池的结构进行了重构,在每个微柱中增加所匹配的输入信息,计算微柱的承载度,作为考核微柱在HTM空间池中利用程度的度量,为选择的微柱能够稀疏分布空间池提供支撑;
2、本发明与现有空间池算法主要使用重叠值挑选微柱不同,利用HTM中微柱与输入的重叠值对微柱进行分级,再结合微柱的承载度等信息挑选微柱,增强HTM空间池中选择微柱的均匀性,提高空间池微柱的利用率;
3、本发明与现有空间池算法使用赫比规则调整输入与微柱之间的链接不同,设计基于压缩编码的突触调整规则,在学习新输入时,保护HTM微柱中已有的有效关联信息,从而在保证HTM良好动态适应能力的同时,减少HTM空间池的抖动,提高HTM训练的效率,增强空间池的稳定性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的系统结构图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1所示,一种面向线上购物用户消费习惯的智能大数据分析功能设计方法,包括依次连接的用户数据采集模块、压缩编码模块、空间池模块和时间池模块,用户消费数据采集模块构建输入序列,压缩编码模块对输入的序列进行压缩,空间池模块包括依次连接微柱激活子模块和微柱突触调整子模块,微柱激活子模块用于激活空间池的微柱集,获取输入的稀疏分布表征,微柱突触调整子模块用于对微柱上的突触进行调整,构建输入与激活微柱集的映射关系,时间池模块用于构建对历史用户消费数据分析,具体过程包括以下步骤:
步骤1:采集某个较长时间段内,线上线上用户消费数据信息,与当时的时间信息一起构建历史线上线上用户消费数据集,使其包含消费物品和时间则两方面的特性,构成具有时序特性的线上线上用户消费数据流。
步骤2:计算输入序列对应的编码,构建输入序列的分布特征表示;并根据输入编码中1分量的位置对编码进行压缩,得到输入序列的压缩编码,过程可表示为:
s(i)=(w-k)×i+i
encoder(i)={s(i),s(i)+1,s(i)+2,……s(i)+w}
其中,s(i)表达输入编码中为1分量的起始位置,w代表编码中为1分量的个数,k代表相邻标量编码中1分量的重叠数量,i为标量,encoder(i)为标量i的压缩编码。
最后将序列的压缩编码输入微柱激活子模块中。
步骤3:在微柱激活子模块中,利用微柱与所输入的压缩编码的重叠值计算微柱的自荐状态,将自荐状态和微柱的承载度信息共同作为激活微柱的依据,构建微柱的激活规则,具体地过程为:
步骤3.1:计算微柱与压缩编码的重叠值oi,表示为:
oi=|Wactive_i∩encoder(CurrentInput)|
其中,active_i表示当前输入通过算法挑选出的活跃微柱的编号,Wactive_i表示该微柱所拥有的连通突触集合,encoder(CurrentInput)对应输入编码为1分量的位置序号的集合;CurrentInput是当前输入的内容。
步骤3.2:依据微柱与压缩编码的重叠值,计算微柱的自荐状态state(i),表示为:
othreshold代表可以激活微柱的最小重叠阈值,state(i)表达第i个微柱在当前输入的训练环境下所具备的自荐状态,取值可以为same、similar和distinct三种情况。
步骤3.3:依据微柱自荐状态和微柱的承载度构建微柱的激活规则,挑选微柱进行激活,构造输入的稀疏分布表征;微柱的激活规则可表示为:
步骤3.3.1:在每个微柱中增加所匹配的输入信息,计算微柱的承载度,作为考核微柱在HTM空间池中利用程度的度量,为选择的微柱能够稀疏分布空间池提供支撑。针对自荐状态为same的一类微柱,挑选包含当前输入值的微柱进行激活并统计微柱个数记为n1,若n1大于等于a_n,则返回这个激活的微柱集作为输入的表达。否则,在剩余的微柱中随机挑选承载度最低的n2个微柱进行激活,n2取满足约束n1+n2≤o_n的最大值。然后更新这n2个微柱的承载度信息,即在微柱上保存当前输入的内容,并将微柱参与输入的个数增加1。
步骤3.3.2:若在自荐状态为same类的微柱中,激活的微柱数量少于o_n,则在自荐状态为similar的微柱中随机挑选承载度最低的n3个微柱进行激活,n3取满足约束n1+n2+n3≤o_n的最大值。同时更新这n3个微柱的承载度信息,即在微柱上保存当前输入的内容,并将微柱参与输入的个数增加1,这些微柱的近端突触也要根据当前输入的编码进行调整。
步骤3.3.3:在自荐状态为distinct的一类微柱中,随机挑选承载度最低的a_n-n1-n2-n3个微柱进行激活。同时更新这些微柱的承载度信息,即在微柱上保存当前输入的内容,并将微柱参与输入的个数增加1,这些微柱的近端突触也要根据当前输入的编码进行更新。
其中,a_n表示空间池用多少个微柱来表达输入,o_n表述两个相邻输入的微柱集最多重叠多少个微柱。
步骤4:针对被输入所激活的微柱集,根据基于压缩编码的突触调整规则调整激活微柱中的近端突触,构建输入压缩编码与激活微柱集的映射关系,方法可表示为:
Wactive_i=Wactive_i∪encoder(CurrentInput)
其中,active_i表示当前输入通过算法挑选出的活跃微柱的编号,Wactive_i表示该微柱所拥有的连通突触集合,encoder(CurrentInput)对应输入编码中1分量的位置序号的集合;CurrentInput是当前输入的内容。
步骤5:将被激活的微柱集送入时间池进行训练,构建输入之间的时序关系,并在HTM中形成记忆,完成对历史用户消费数据分析,输出在某种条件下对用户消费物品的预测和推荐。
为了更清楚的解释本发明的技术方案,在本实施例中,假设空间池设定用7个微柱形成输入的稀疏分布表征,相邻输入的编码可重叠5个1分量,相邻输入对应的微柱稀疏分布表征可重叠3个微柱,并假设当前输入50进入空间池的训练过程:
首先通压缩编码过程,形成输入50的编码为{101,102,103,104,105,106,107}。
通过X的压缩编码与所有微柱的重叠值,计算每一个微柱的自荐状态:same、similar、distinct,通过微柱自荐状态,可以将空间池中的微柱分为三个级别的集合Usame、Usimilar和Udistimct,分别表示微柱参与的输入与当前输入极其相似甚至相同、微柱参与的输入与当前输入只是相似、微柱参与的输入与当前输入不相同。在Usame中,如果参与的内容包含当前输入50的微柱个数是7个,则激活这些微柱作为50的稀疏分布表征;如果,参与的内容包含当前输入50的微柱个数是0个且|Usame|>0,则在Usame中最多随机选择3个承载度最少的微柱进行激活。如果|Usimiliar|>0且在上一次激活的微柱个数少于3个,则在Usimilar随机选择承载度最少的微柱激活,但要保证此时总体激活的微柱个数不超过3个。然后在Udistinct中随机选择4个承载度最少的微柱进行激活,此时,完成了输入50的训练过程,用激活微柱形成了输入50的稀疏分布表征。
更新这些激活微柱的承载度信息,在每个激活的微柱中增加输入50的信息,并将激活微柱的参与个数增加1.
调整这些激活微柱的突触,将50的编码信息加载到激活微柱的突触上。
至此,我们完成了对于输入50的空间池训练过程。
本发明对HTM空间池的结构进行了重构,在每个微柱中增加所匹配的输入信息,计算微柱的承载度,作为考核微柱在HTM空间池中利用程度的度量,为选择的微柱能够稀疏分布空间池提供支撑;本发明与现有空间池算法主要使用重叠值挑选微柱不同,利用HTM中微柱与输入的重叠值对微柱进行分级,再结合微柱的承载度等信息挑选微柱,增强HTM空间池中选择微柱的均匀性,提高空间池微柱的利用率;本发明与现有空间池算法使用赫比规则调整输入与微柱之间的链接不同,设计基于压缩编码的突触调整规则,在学习新输入时,保护HTM微柱中已有的有效关联信息,从而在保证HTM良好动态适应能力的同时,减少HTM空间池的抖动,提高HTM训练的效率,增强空间池的稳定性。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (1)
1.一种面向线上购物用户消费习惯的智能大数据分析设计方法,包括依次连接的用户数据采集模块、压缩编码模块、空间池模块和时间池模块,其特征是:所述用户消费数据采集模块构建输入序列,所述压缩编码模块对输入的序列进行压缩,所述空间池模块包括依次连接微柱激活子模块和微柱突触调整子模块,所述微柱激活子模块用于激活空间池的微柱集,获取输入的稀疏分布表征,所述微柱突触调整子模块用于对微柱上的突触进行调整,构建输入与激活微柱集的映射关系,所述时间池模块用于构建对历史用户消费数据分析,具体过程包括以下步骤:
步骤1,采集某个较长时间段内,线上线上用户消费数据信息,与当时的时间信息一起构建历史线上线上用户消费数据集,使其包含消费物品和时间则两方面的特性,构成具有时序特性的线上线上用户消费数据流;
步骤2,针对线上购物用户消费习惯分析应用,将具有时序特性的线上用户消费数据流作为HTM分析模型的输入,并根据输入编码中1分量的位置对编码进行压缩,得到输入序列的压缩编码;
步骤3,利用微柱与压缩编码的重叠值oi计算微柱的自荐状态,将自荐状态和微柱的承载度信息共同作为微柱的激活依据,构建微柱激活规则,在空间池中形成输入的稀疏分布表征;
步骤4,针对被输入所激活的微柱集,通过基于压缩编码的微柱突触调整规则调整激活微柱中的近端突触,构建输入压缩编码与激活微柱集的映射关系;
步骤5,将被激活的微柱集送入时间池进行训练,构建输入之间的时序关系,并在HTM中形成记忆,完成对历史用户消费数据分析,输出在某种条件下对用户消费物品的预测和推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011217643.3A CN112330361B (zh) | 2020-11-04 | 面向线上购物用户消费习惯的智能大数据分析设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011217643.3A CN112330361B (zh) | 2020-11-04 | 面向线上购物用户消费习惯的智能大数据分析设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330361A true CN112330361A (zh) | 2021-02-05 |
CN112330361B CN112330361B (zh) | 2024-06-07 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387030A (zh) * | 2022-01-13 | 2022-04-22 | 瑞祥全球购超市有限公司 | 一种面向网络购物平台的在线用户量的智能分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130124440A1 (en) * | 2011-07-15 | 2013-05-16 | Genetic Finance (Barbados) Limited | Data mining technique with maintenance of fitness history |
CN111279367A (zh) * | 2017-08-24 | 2020-06-12 | 国际商业机器公司 | 神经网络中突触活性的自调节阈值 |
CN111344721A (zh) * | 2017-11-13 | 2020-06-26 | 国际商业机器公司 | 使用认知计算的异常检测 |
CN111401547A (zh) * | 2020-02-25 | 2020-07-10 | 江苏大学 | 一种面向乘客流分析的基于循环学习单元的htm设计方法 |
CN111612125A (zh) * | 2020-04-13 | 2020-09-01 | 江苏大学 | 一种面向在线学习的新型htm时间池方法及其系统 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130124440A1 (en) * | 2011-07-15 | 2013-05-16 | Genetic Finance (Barbados) Limited | Data mining technique with maintenance of fitness history |
CN111279367A (zh) * | 2017-08-24 | 2020-06-12 | 国际商业机器公司 | 神经网络中突触活性的自调节阈值 |
CN111344721A (zh) * | 2017-11-13 | 2020-06-26 | 国际商业机器公司 | 使用认知计算的异常检测 |
CN111401547A (zh) * | 2020-02-25 | 2020-07-10 | 江苏大学 | 一种面向乘客流分析的基于循环学习单元的htm设计方法 |
CN111612125A (zh) * | 2020-04-13 | 2020-09-01 | 江苏大学 | 一种面向在线学习的新型htm时间池方法及其系统 |
Non-Patent Citations (4)
Title |
---|
W. ZHUO, Z. CAO, Y. QIN, Z. YU AND Y. XIAO: ""Image classification using HTM cortical learning algorithms"", PROCEEDINGS OF THE 21ST INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR2012) * |
徐波;刘成林;曾毅;: "类脑智能研究现状与发展思考", 中国科学院院刊, no. 07 * |
杨珂珂;贾渊;沈川;: "结合曲率滤波的HTM算法去除遥感影像云雾", 中国图象图形学报, no. 04 * |
王宇鹏, 朱诗兵, 李长青: "基于改进HTM模型的时间序列异常检测", 计算机应用与软件, vol. 37, no. 08 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387030A (zh) * | 2022-01-13 | 2022-04-22 | 瑞祥全球购超市有限公司 | 一种面向网络购物平台的在线用户量的智能分析方法 |
CN114387030B (zh) * | 2022-01-13 | 2024-03-15 | 瑞祥全球购超市有限公司 | 一种面向网络购物平台的在线用户量的智能分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zitzler et al. | An evolutionary algorithm for multiobjective optimization: The strength pareto approach | |
Hong et al. | Evolution of appropriate crossover and mutation operators in a genetic process | |
Pujol et al. | Evolving the topology and the weights of neural networks using a dual representation | |
Neyshabouri et al. | Asymptotically optimal contextual bandit algorithm using hierarchical structures | |
Yang et al. | A hybrid approach based on stochastic competitive Hopfield neural network and efficient genetic algorithm for frequency assignment problem | |
Sasaki et al. | Fuzzy multiple objective optimal system design by hybrid genetic algorithm | |
Wu et al. | A functional neural fuzzy network for classification applications | |
CN112200314B (zh) | 一种基于微柱自荐的htm空间池快速训练方法及系统 | |
Liang et al. | Decentralized computation offloading and resource allocation in mec by deep reinforcement learning | |
Liu et al. | Evolving neural networks for Hang Seng stock index forecast | |
Shukla et al. | An efficient offloading technique using DQN for MEC-IoT Networks | |
Templier et al. | A geometric encoding for neural network evolution | |
CN114116995A (zh) | 基于增强图神经网络的会话推荐方法、系统及介质 | |
CN112330361A (zh) | 面向线上购物用户消费习惯的智能大数据分析设计方法 | |
Adamuthe et al. | Solving single and multi-objective 01 knapsack problem using harmony search algorithm | |
CN114387028B (zh) | 一种面向网络购物平台的商品需求量的智能分析方法 | |
CN112330361B (zh) | 面向线上购物用户消费习惯的智能大数据分析设计方法 | |
Roy et al. | Neural networks at the edge | |
Jian et al. | Cloud based hybrid evolution algorithm for NP-complete pattern in nurse scheduling problem | |
Chang et al. | Lightweight CNN frameworks and their optimization using evolutionary algorithms | |
Petrovan et al. | A Comparative Study between Haploid Genetic Algorithms and Diploid Genetic Algorithms | |
CN109347913B (zh) | 一种基于智能遗传算法的web服务协同调度方法及系统 | |
Dreżewski et al. | Multi-objective optimization technique based on co-evolutionary interactions in multi-agent system | |
Jiang | Neumann-Morgenstern stable set of a finite static strategy game | |
Kishor et al. | Interactive fuzzy multiobjective reliability optimization using NSGA-II |
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 |