CN112365117A - 一种基于优化支持向量机的路面结构性能计算方法 - Google Patents
一种基于优化支持向量机的路面结构性能计算方法 Download PDFInfo
- Publication number
- CN112365117A CN112365117A CN202010913456.2A CN202010913456A CN112365117A CN 112365117 A CN112365117 A CN 112365117A CN 202010913456 A CN202010913456 A CN 202010913456A CN 112365117 A CN112365117 A CN 112365117A
- Authority
- CN
- China
- Prior art keywords
- particle
- optimal
- value
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 31
- 238000004364 calculation method Methods 0.000 title claims abstract description 20
- 239000002245 particle Substances 0.000 claims abstract description 126
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 239000008187 granular material Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于优化支持向量机的路面结构性能计算方法,利用动态微粒寻优算法优化支持向量机模型参数,其方法包括,首先在模型待寻优参数空间初始化一群微粒,每一个微粒代表参数优化问题的一个潜在最优解,以位置和速度列表对每一个微粒进行表征,然后利用支持向量机对路面结构性能进行计算,以pbest表征某个微粒在动态运动过程中的历史最优位置,以gbest表征所有微粒的历史最优位置,更新微粒个体的位置和速度,根据更新的微粒位置参数返回计算每个微粒的适应度值,然后转入依据适应度值的变化更新微粒个体自身运动最优值和全局运动最优值以及适应度值,最后进行迭代寻优。能够更好地评估路面的整体性能。
Description
技术领域
本发明属于机器学习和道路交通交叉技术领域,涉及参数优化算法和 支持向量机的方法,特别是一种基于优化支持向量机的路面结构性能计算 方法。
背景技术
路面状况的性能评估是路面管理系统(PMSs)的重要组成部分,有效 的路面性能评估技术对道路的管理和养护具有重要的实际意义。就目前而 言,一方面,路面性能的评价方法主要集中在地表损坏和粗糙度评价,其 往往只考虑道路表面损坏程度和粗糙度评估,而忽略了路面结构性能对路 面整体性能的影响,但随着路面使用寿命、交通负荷和环境因素的影响, 路表下层结构的损坏会致使道路发生永久性破坏,由于路面结构状况与路表面的损坏之间无显著关系,因此基于路表面病害的路面性能评价不能反 映路面整体状况。另一方面,虽然机器学习技术已经在工程中得到了广泛 优化和应用,然而自动化的路面状况评估系统仍然使用传统的统计方法, 这些方法效率较低且不够智能化。最后,就支持向量机模型而言,惩罚参 数和核函数参数是影响模型性能的两个重要因素,因此在实际工程应用中 应仔细选择和优化这两个参数。传统的网格搜索方式(Grid Search)虽然 可以获得可接受的模型参数,但是其需要花费大量的时间,尤其是在面对 大规模数据集时,显得异常低效。因此,研究高效的优化算法对模型参数 进行优化在道路交通领域具有显著的工程意义。
发明内容
针对现有技术中模型参数优化困难、耗时以及预测性能不够显优的技 术问题,本发明的目的在于,提供一种基于优化支持向量机的路面结构性 能计算方法。
为了实现上述任务,本发明采用如下的技术解决方案:
一种基于优化支持向量机的路面结构性能计算方法,其特征在于,该 方法利用动态微粒寻优算法优化支持向量机模型参数,具体按如下步骤进 行:
步骤一,在模型待寻优参数空间初始化一群微粒,每一个微粒代表参 数优化问题的一个潜在最优解,以位置和速度列表对每一个微粒进行表征, 每个微粒在D维空间的位置坐标为:
xi=(xi1,xi2,...,xiD) (1)
微粒i的速度定义为每次迭代中微粒移动的距离,用vi表示:
vi=(vi1,vi2,...,viD) (2)
利用支持向量机对路面结构性能进行计算时,惩罚参数c和核函数参 数g优化的范围为:2-10<c,g<210,由于需要优化两个参数,因此D=2, 每个微粒的位置初始化为二维向量,范围设置在2-10<xi1,xi2<210,速度 初始化为0到1之间的随机数,即:0<vi1,vi2<1;微粒个数N初始化为 100;
步骤二,微粒适应度值计算
对于每个微粒而言,其位置坐标即为支持向量机模型在路面结构性能 计算时的惩罚参数和核函数参数输入;选择支持向量机模型3折交叉验证 的准确度函数均值作为适应度函数,适应度函数表达式如下式(3)所示:
其中,gt表示路面结构数据在某次交叉验证时验证集的样本数,cv表示 进行交叉验证过程,correctlyclassified表示正确分类的样本数;
步骤三,微粒个体自身运动最优值和全局运动最优值以及适应度值初 始化,以pbest表征某个微粒在动态运动过程中的历史最优位置,以gbest表 征所有微粒的历史最优位置,也即gbest是pbest的最优值;
根据步骤一初始化的微粒位置,即c和g的初始参数组合,在步骤二 过程中计算每个微粒的初始化适应度值列表 [fitness1,fitness2,...,fitness100],根据当前微粒群最优适应度函数值输出 相应的位置参数,即为初始化的全局最优值gbest,记为[gbest1,gbest2], 同时每个微粒的初始位置(xi1,xi2)即为初始化的个体自身运动最优值pbest;
步骤四,更新微粒个体的位置和速度
速度更新公式如下式(4)所示:
式中,vi(t+1)表示下一时刻微粒的速度,k表示收敛因子,为加 速常数,为当前微粒的历史最优位置记录,其与当前微粒的位置xit之 差用于改变当前微粒向自身历史最优位置运动的增量分量,此增量还需进 行一定程度的随机化,用r1进行随机操作,同理,为整个微粒群的历 史最优位置记录,其与当前微粒的位置xit之差用于改变当前微粒向群体最 优位置运动的增量分量,用r2进行随机操作;且k与有如下关系:
微粒位置更新公式如下式(6)所示:
xi(t+1)=xi(t)+vi(t+1) (6)
式中,xi(t+1)表示下一时刻微粒的位置,xi(t)为微粒的当前位置, vi(t+1)表示下一时刻微粒的速度;
步骤五,根据更新的微粒位置参数返回步骤二计算每个微粒的适应度 值,然后转入步骤三依据适应度值的变化更新微粒个体自身运动最优值和 全局运动最优值以及适应度值;
步骤六,迭代寻优:
在给定的终止迭代条件,即600次迭代下,通过不断对微粒位置和速 度的更新,以适应度值的大小为依据,输出群体中适应度值最优的微粒所 对应的位置参数(xi1,xi2),即为最优的模型参数。
本发明的基于优化支持向量机的路面结构性能计算方法,带来的技术 效果是:
1、考虑到目前路面性能评价指标,仅仅只是对路表面损坏的现象进行 分析,导致路面管理系统(PMS)的性能较差,而选择基于路面模量数据的 路面结构性能的计算手段,能够更好地评估路面的整体性能。
2、采用先进的机器学习技术支持向量机作为建模基础,在支持向量机 多分类模型的基础上,利用动态微粒寻优算法对模型参数进行了优化选择, 显著提升了模型的性能,在路面结构性能计算中也呈现出优异的结果。同 时,无论是相较于传统的机器学习技术还是参数调优手段,本发明采用模 型参数优化算法,在路面结构性能计算中都展现出最佳的效果。
3、为后续将路面结构计算和评估部分整合到整个路面性能评估系统中, 以实现路面状况评估的全面性,提供了可靠的数据支撑和科学依据。
附图说明
图1是利用轻型落锤式弯沉仪(LWD)收集的部分路段测试点的基层回 弹模量值数据分布图;
图2是采用动态微粒寻优算法对支持向量机模型进行参数优化的流程 图;
图3是不同迭代次数下利用动态微粒寻优算法优化模型的性能曲线图;
其中,(a)图是100次迭代下的适应度值变化,(b)图是100次迭代下 的分类准确度(96.2419%),(c)图是200次迭代下的适应度值变化,(d) 图是100次迭代下的分类准确度(97.2182%),(e)图是300次迭代下的适 应度值变化,(f)图是300次迭代下的分类准确度(96.9172%),(g)图是 400次迭代下的适应度值变化,(h)图是400次迭代下的分类准确度(95.3146%),(i)图是500次迭代下的适应度值变化,(j)图是500次迭 代下的分类准确度(94.1401%),(k)图是600次迭代下的适应度值变化,(l) 图是600次迭代下的分类准确度(94.0182%)。
图4展示了不同机器学习方法对路面结构性能计算结果的ROC曲线图。
下面结合附图和具体实施方式对本发明进行详细说明。
具体实施方式
参见图1,图1给出了利用轻型落锤式弯沉仪(LWD)收集的部分测试 路段基层回弹模量值数据,数据分布从几十mPa到一千多mPa不等,主要 集中在200-400mPa之间。
如图2所示,本实施例给出一种基于优化支持向量机的路面结构性能 计算方法,该方法利用动态微粒寻优算法来优化支持向量机模型参数,其 实现过程按下列步骤进行:
步骤1,在模型待寻优参数空间初始化一群微粒,每一个微粒代表参数 优化问题的一个潜在最优解。以位置和速度列表对每一个微粒进行表征, 每个微粒在D维空间的位置坐标为:
xi=(xi1,xi2,...,xiD) (1)
微粒i的速度定义为每次迭代中微粒移动的距离,用vi表示:
vi=(vi1,vi2,...,viD) (2)
利用支持向量机对路面结构性能进行计算的时候,惩罚参数c和核函 数参数g优化的范围为:2-10<c,g<210,由于需要优化两个参数,因此 D=2,每个微粒的位置初始化为二维向量,范围设置在2-10<xi1,xi2<210, 速度初始化为0到1之间的随机数,即:0<vi1,vi2<1。微粒个数N初始 化为100。
步骤2,微粒适应度值计算。适应度函数是为了评估微粒的优劣,也即 参数的好坏。对于每个微粒而言,其位置坐标即为支持向量机模型在路面 结构性能计算时的两个参数(惩罚参数和核函数参数)输入。
在本实施例中,选择支持向量机模型3折交叉验证的准确度函数均值 作为适应度函数,适应度函数表达式见式(3)所示:
其中,gt表示路面结构数据在某次交叉验证时验证集的样本数,cv表示 进行交叉验证过程。correctlyclassified表示正确分类的样本数。
步骤3,微粒个体自身运动最优值和全局运动最优值以及适应度值初始 化。以pbest表征某个微粒在动态运动过程中的历史最优位置,以gbest表征 所有微粒的历史最优位置,也即gbest是pbest的最优值。根据步骤1初始化 的微粒位置,也即c和g的初始参数组合,在步骤2过程中计算每个微粒 的初始化适应度值列表[fitness1,fitness2,...,fitness100],根据当前微粒群 最优适应度函数值输出相应的位置参数,即为初始化的全局最优值gbest, 记为[gbest1,gbest2],同时每个微粒的初始位置(xi1,xi2)即为初始化的个体 自身运动最优值pbest。
步骤4,更新微粒个体的位置和速度:
速度更新公式如式(4)所示:
式中,vi(t+1)表示下一时刻微粒的速度,k表示收敛因子,为加 速常数,为当前微粒的历史最优位置记录,其与当前微粒的位置xit之 差用于改变当前微粒向自身历史最优位置运动的增量分量,此增量还需进 行一定程度的随机化,用r1进行随机操作,同理,为整个微粒群的历 史最优位置记录,其与当前微粒的位置xit之差用于改变当前微粒向群体最 优位置运动的增量分量,用r2进行随机操作。且k与有如下关系:
微粒位置更新公式如下:
xi(t+1)=xi(t)+vi(t+1) (6)
式中,xi(t+1)表示下一时刻微粒的位置,xi(t)为微粒的当前位置, vi(t+1)表示下一时刻微粒的速度。
步骤5,根据更新的微粒位置参数返回步骤2计算每个微粒的适应度值, 然后转入步骤4依据适应度值的变化更新微粒个体自身运动最优值和全局 运动最优值以及适应度值。
步骤6,迭代寻优:
在给定的终止迭代条件(600次迭代)下,通过不断对微粒位置和速度 的更新,以适应度值的大小为依据,输出群体中适应度值最优的微粒所对 应的位置参数(xi1,xi2),即为最优的模型参数。在本实施例中,优化得到的 参数为c=64,g=128,并且在路面结构性能计算过程中,用时仅为48秒, 精度高达97.2182%。
图3是不同迭代次数下利用动态微粒寻优算法优化支持向量机模型的 性能曲线图。可以看出,利用动态微粒寻优算法优化的支持向量机模型在 200次迭代训练时获得了路面结构性能计算的最佳性能,精度为97.2182%。
为了进一步验证本实施例所提出的寻优算法的优化性能,将机器学习 技术有效地引入路面结构性能评估计算中,完善了路面性能评估的整体性 和完备性。
表1给出了几种不同机器学习方法性能比较,展现了优化后模型性能 与传统方法在精确度,召回率,准确度和F1_scores的对比。
表1:不同机器学习方法性能比较
从表1中可以看出,动态微粒寻优算法具有最佳的表现性能,其次是 采用遗传算法优化、网格搜索优化。
图4是不同机器学习方法对路面结构性能计算结果的ROC曲线图。可以 看出,图4的结果与表1的结果是一致的。
总之,网格搜索寻优、遗传算法寻优和动态微粒寻优算法优化的支持 向量机模型,比K均值聚类算法,Boosting算法和决策树寻优算法表现的 性能更好。同时,动态微粒寻优算法优化的支持向量机模型在所有的这些 方法中具有最佳性能。
Claims (1)
1.一种基于优化支持向量机的路面结构性能计算方法,其特征在于,该方法利用动态微粒寻优算法优化支持向量机模型参数,具体按如下步骤进行:
步骤一,在模型待寻优参数空间初始化一群微粒,每一个微粒代表参数优化问题的一个潜在最优解,以位置和速度列表对每一个微粒进行表征,每个微粒在D维空间的位置坐标为:
xi=(xi1,xi2,...,xiD) (1)
微粒i的速度定义为每次迭代中微粒移动的距离,用vi表示:
vi=(vi1,vi2,...,viD) (2)
利用支持向量机对路面结构性能进行计算时,惩罚参数c和核函数参数g优化的范围为:2-10<c,g<210,由于需要优化两个参数,因此D=2,每个微粒的位置初始化为二维向量,范围设置在2-10<xi1,xi2<210,速度初始化为0到1之间的随机数,即:0<vi1,vi2<1;微粒个数N初始化为100;
步骤二,微粒适应度值计算
对于每个微粒而言,其位置坐标即为支持向量机模型在路面结构性能计算时的惩罚参数和核函数参数输入;选择支持向量机模型3折交叉验证的准确度函数均值作为适应度函数,适应度函数表达式如下式(3)所示:
其中,gt表示路面结构数据在某次交叉验证时验证集的样本数,cv表示进行交叉验证过程,correctlyclassified表示正确分类的样本数;
步骤三,微粒个体自身运动最优值和全局运动最优值以及适应度值初始化,以pbest表征某个微粒在动态运动过程中的历史最优位置,以gbest表征所有微粒的历史最优位置,也即gbest是pbest的最优值;
根据步骤一初始化的微粒位置,即c和g的初始参数组合,在步骤二过程中计算每个微粒的初始化适应度值列表[fitness1,fitness2,...,fitness100],根据当前微粒群最优适应度函数值输出相应的位置参数,即为初始化的全局最优值gbest,记为[gbest1,gbest2],同时每个微粒的初始位置(xi1,xi2)即为初始化的个体自身运动最优值pbest;
步骤四,更新微粒个体的位置和速度
速度更新公式如下式(4)所示:
式中,vi(t+1)表示下一时刻微粒的速度,k表示收敛因子,为加速常数,为当前微粒的历史最优位置记录,其与当前微粒的位置xit之差用于改变当前微粒向自身历史最优位置运动的增量分量,此增量还需进行一定程度的随机化,用r1进行随机操作,同理,为整个微粒群的历史最优位置记录,其与当前微粒的位置xit之差用于改变当前微粒向群体最优位置运动的增量分量,用r2进行随机操作;且k与有如下关系:
微粒位置更新公式如下式(6)所示:
xi(t+1)=xi(t)+vi(t+1) (6)
式中,xi(t+1)表示下一时刻微粒的位置,xi(t)为微粒的当前位置,vi(t+1)表示下一时刻微粒的速度;
步骤五,根据更新的微粒位置参数返回步骤二计算每个微粒的适应度值,然后转入步骤三依据适应度值的变化更新微粒个体自身运动最优值和全局运动最优值以及适应度值;
步骤六,迭代寻优:在给定的终止迭代条件,即600次迭代下,通过不断对微粒位置和速度的更新,以适应度值的大小为依据,输出群体中适应度值最优的微粒所对应的位置参数(xi1,xi2),即为最优的模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010913456.2A CN112365117A (zh) | 2020-09-03 | 2020-09-03 | 一种基于优化支持向量机的路面结构性能计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010913456.2A CN112365117A (zh) | 2020-09-03 | 2020-09-03 | 一种基于优化支持向量机的路面结构性能计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365117A true CN112365117A (zh) | 2021-02-12 |
Family
ID=74516480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010913456.2A Pending CN112365117A (zh) | 2020-09-03 | 2020-09-03 | 一种基于优化支持向量机的路面结构性能计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365117A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682682A (zh) * | 2016-10-20 | 2017-05-17 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108664562A (zh) * | 2018-04-10 | 2018-10-16 | 华东师范大学 | 粒子群优化的文本特征选择方法 |
CN109050535A (zh) * | 2018-07-25 | 2018-12-21 | 北京理工大学 | 一种基于车辆姿态的快速地形工况辨识方法 |
-
2020
- 2020-09-03 CN CN202010913456.2A patent/CN112365117A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682682A (zh) * | 2016-10-20 | 2017-05-17 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108664562A (zh) * | 2018-04-10 | 2018-10-16 | 华东师范大学 | 粒子群优化的文本特征选择方法 |
CN109050535A (zh) * | 2018-07-25 | 2018-12-21 | 北京理工大学 | 一种基于车辆姿态的快速地形工况辨识方法 |
Non-Patent Citations (1)
Title |
---|
李云峰: "混合粒子群算法优化支持向量机电路故障诊断", 中国优秀硕士学位论文全文数据库 (信息科技辑), no. 01, pages 140 - 251 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363344B (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
CN106485353B (zh) | 空气污染物浓度预报方法及系统 | |
CN102999756B (zh) | 基于gpu实现pso-svm对道路标志的识别方法 | |
CN110766222B (zh) | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 | |
CN109544914B (zh) | 一种基于历史gps轨迹的共享单车逆行行为识别方法 | |
CN109635914B (zh) | 基于混合智能遗传粒子群的优化极限学习机轨迹预测方法 | |
CN109033170A (zh) | 停车场的数据修补方法、装置、设备及存储介质 | |
CN114036135A (zh) | 利用不完全信息估计城市移动源污染排放方法及系统 | |
Xi et al. | A hybrid algorithm of traffic accident data mining on cause analysis | |
CN105096345A (zh) | 一种基于动态测量矩阵的目标跟踪方法及系统 | |
CN110570042B (zh) | 一种短期电动汽车充电负荷预测方法及系统 | |
CN116628903A (zh) | 一种城市风场环境监测传感器最优布置方法 | |
CN112365117A (zh) | 一种基于优化支持向量机的路面结构性能计算方法 | |
CN112884222B (zh) | 一种面向时间段的lstm交通流密度预测方法 | |
CN107315903B (zh) | 一种智能的电场分析系统 | |
CN117649552A (zh) | 一种基于对比学习和主动学习的图像增量学习方法 | |
CN104899440A (zh) | 一种基于万有引力搜索算法的漏磁缺陷重构方法 | |
CN111985782A (zh) | 基于环境感知的自动驾驶有轨电车运行风险评估方法 | |
CN115879367A (zh) | 一种工业园区内二氧化碳排放源位置和强度的反演方法 | |
Wang et al. | A Second-Order HMM Trajectory Prediction Method based on the Spark Platform. | |
CN115130343A (zh) | 一种基于ga深度优化机器学习的管道缺陷类型识别方法 | |
CN110427655B (zh) | 一种滑坡敏感状态的提取方法 | |
CN111079973A (zh) | 一种基于改进粒子群优化svm的空气质量预测算法 | |
Wang et al. | Research on fast and parallel clustering method for trajectory data | |
Zheng et al. | A Knowledge-Based Multi-Scale Adaptive Classification Approach for Mobile Laser Scanning Point Clouds in Urban Scenes |
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 |