CN112465145A - 一种基于逻辑推理与模糊综合的无人集群智能定性评价方法 - Google Patents
一种基于逻辑推理与模糊综合的无人集群智能定性评价方法 Download PDFInfo
- Publication number
- CN112465145A CN112465145A CN202011390873.XA CN202011390873A CN112465145A CN 112465145 A CN112465145 A CN 112465145A CN 202011390873 A CN202011390873 A CN 202011390873A CN 112465145 A CN112465145 A CN 112465145A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- evaluation
- intelligent
- level
- group
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 87
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 25
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 25
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000006116 polymerization reaction Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000012827 research and development Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,所述方法包括以下步骤:步骤1:对逻辑推理层进行形式化描述;步骤2:构建群体智能评价指标体系;步骤3:建立基于模糊理论的模糊评估模型,进行模糊综合评价。本发明为各种无人机群体智能系统提供了统一的评价方法,便于群体智能系统之间的横向比较;无人机系统通用化的群体智能评价方法,具有良好的可区分性、可计算性和通用性,可以避免无人机系统群体智能描述上的模糊性,有效增强无人机群体智能系统研发的针对性和有效性。
Description
技术领域
本发明无人集群技术领域,涉及一种基于逻辑推理与模糊综合的无人集群智能定性评价方法。
背景技术
群体智能是一种在自然界生物群体所表现出的智能现象启发下提出的人工智能实现模式,是众多行为相对简单的个体相互作用过程中涌现产生整体智能的行为。近年来,群体智能理论在无人机目标搜索领域得到广泛应用,随着无人机群体智能系统智能水平的不断提升,群体智能的评价成为亟需解决的问题。目前对无人机群体智能系统的评价主要是对系统中群体智能算法的评价。
上述评价方法主要有以下缺点:针对不同的场景及不同的无人系统需要不同的评价指标体系,没有统一的评价方法;对群体智能系统仅对算法进行评价过于单一,考虑因素较少,无法体现无人机群体智能系统的群体智能水平;对无人机群体智能系统的评价是对无人机群体智能系统现有技术特点的总结,不能对无人机群体智能系统发展起到引领指导的作用。
随着无人机技术的不断发展,目标搜索场景复杂多变,对无人机群体智能系统的要求越来越高,对群体智能算法的评价不能充分体现系统的群体智能水平。
发明内容
针对以上缺陷,本发明提供一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,本发明从任务、条件、过程、结果四个维度对无人机群体智能系统进行评价,最后通过逻辑推理综合评价得到无人机群体智能系统群体智能等级,在定量基础上进行定性评价,方法实现具有针对性,有效性,能够有效增强无人集群系统研发。
本发明的技术方案为:一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,所述方法包括以下步骤:
步骤1:对逻辑推理层进行形式化描述;
步骤2:构建群体智能评价指标体系;
步骤3:建立基于模糊理论的模糊评估模型,进行模糊综合评价。
进一步地,一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,所述步骤1中无人机群体智能系统评价模型可以描述为:M(T,C,P,R);
其中T为任务维度,C为条件维度,P为过程维度,R为结果维度;群体智能等级为L,具体的形式化描述如下:L=f(Lt,Lc,Lp,Lr);其中:L表示群体智能性等级描述;f为群体智能性等级的推理规则,可以由用户自定义;Lt为任务维度的智能性等级,Lc为条件维度的智能性等级,Lp为过程维度的智能性等级,Lr为结果维度的智能性等级;其均由一级指标通过模糊综合评价法计算得到。
进一步地,一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,所述步骤2中群体智能评价指标体系构建方法具体包括:确定评估指标、建立层次结构模型;构造模糊判断矩阵;整合模糊数;确定初始权重;去模糊化,得到最终权重。
进一步地,一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,根据评估指标体系,分别确定目标层、准则层;所述目标层设置为任务、条件、过程、结果四个维度,将所述四个维度的下一层指标分别设置为其准则层。
进一步地,一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,所述任务的准则层划分一级指标为多样性和耦合性;将条件的准则层划分下一级指标为复杂度、就绪度和成熟度;将过程的准则层划分一级指标为完备性、适应性和增长性;将结果的准则层划分一级指标为有效性和聚合度;然后获取到一级指标智能性等级之后采用模糊综合评价法得到相对应四个维度的智能性等级。
进一步地,一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,所述步骤2中下层的四个维度采用层次分析法确定各指标权重,按照层次结构模型构造判断矩阵,三角模糊数表示为M(l,m,u)。
进一步地,一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,所述步骤3中建立模糊理论的模糊评估模型具体包括以下步骤:确定评估集和评估指标集;构建单因素模糊评估矩阵R,然后进行模糊综合评价。
进一步地,一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,所述评价集根据目标层所述四个维度分别进行划分;所述评估指标集划分为5个等级。
进一步地,一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,根据各权重指标和对应的评估矩阵,进行一级模糊综合评估;用一级模糊评估结果对评估集中因素赋予相应分值,计算最终得分并按照最大隶属度原则评估无人机系统群体智能性等级。
本发明的有益效果为:本发明提出了一种无人机系统群体智能评价方法,为各种无人机群体智能系统提供了统一的评价方法,便于群体智能系统之间的横向比较;无人机系统通用化的群体智能评价方法,具有良好的可区分性、可计算性和通用性,可以避免无人机系统群体智能描述上的模糊性,有效增强无人机群体智能系统研发的针对性和有效性。
附图说明
图1为一种基于逻辑推理与模糊综合的无人集群智能定性评价方法评价模型评价流程图;
图2为一种基于逻辑推理与模糊综合的无人集群智能定性评价方法评价模型。
具体实施方式
下面结合附图来进一步描述本发明的技术方案:
一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,所述方法包括以下步骤:步骤1:对逻辑推理层进行形式化描述;步骤2:构建群体智能评价指标体系;步骤3:建立基于模糊理论的模糊评估模型,进行模糊综合评价。具体的如图1所示。
1.逻辑推理层形式化描述
无人机群体智能系统评价模型可以描述为:M(T,C,P,R);其中T为任务维度,C为条件维度,P为过程维度,R为结果维度。群体智能等级可以为L,具体的形式化描述如下:
L=f(Lt,Lc,Lp,Lr)
(1)L表示群体智能性等级描述,L∈{WSI,LSI,HSI,SSI}。其中WSI为群体弱智能,LSI为群体低智能,HIS为群体高智能,SSI为群体超智能;其智能性等级依次递增。
(2)f为群体智能性等级的推理规则,可以由用户自定义。
(3)Lt为任务维度的智能性等级,Lc为条件维度的智能性等级,Lp为过程维度的智能性等级,Lr为结果维度的智能性等级;其均由一级指标通过模糊综合评价法计算得到。
2.构建群体智能评价指标体系
下层的四个维度采用层次分析法确定各指标权重,按照层次结构模型构造判断矩阵,三角模糊数表示为M(l,m,u),语言变量重要性如表1所示:
表1语言变量值的模糊数
具体步骤如下:
(1)确定评估指标、建立层次结构模型
根据上文所述的评估指标体系,分别确定目标层、准则层等具体内容。本发明将目标层分别设置为任务、条件、过程、结果等,将四个维度的下一层指标分别设置为其准则层。
(2)构造模糊判断矩阵
对于三角模糊数M1=(l1,m1,u1,)和M2=(l2,m2,u2,)有如下运算:
M1+M2=(l1+l2,m1+m2,u1+u2)
M1×M2=(l1×l2,m1×m2,u1×u2)
M1÷M2=(l1÷u2,m1÷m2,u1÷l2)
决策者对每一对因素之间的重要性进行两两比较,若问题包含元素为n个,则每一组对应每一层次的成对比较需要进行n(n-1)/2个判断,进而构造一个模糊判断矩阵A。
(3)整合模糊数
每位决策者获得模糊比较矩阵,k指第k位决策者,L为决策者的个数。根据下式:
得到决策者群体对指标的模糊判断矩阵B。
根据下式
得到各变量的初始权重。
(5)去模糊化,得到最终权重
对于三角模糊数M1=(l1,m1,u1,)和M2=(l2,m2,u2,),M1≥M2定义为:
定义二:
V(M≥M1,M2,...,Mk)=minV(M≥Mi),i=1,2,...,k
根据模糊数的比较原则如上式,计算可得各层指标的权重;将上述权重值按下式标准化得到最终权重。
将(a,b,c,d)标准化即指将其化为:
3.基于模糊理论的模糊评估模型的建立
(1)确定评估集和评估指标集
本发明中我们设置评估指标集为
R1={R21,R22}={聚合度,有效性}P1={P21,P22}
={增长性,适应性}
C1={C21}={复杂度}T1={T21}={多样性}
式中:以结果为目标层的评价集划分如下:
R21={R31,R32}={点聚合,速度聚合}
R21={P33,P34}={系统损耗,系统效率}
R33={R41,R42}=(系统完整度,路径总长度}
R34={P43,P44}={搜索时间,任务完成度}
以过程为目标层的评价集划分如下:
P21={P31}={P41,P42}={行为学习,认知学习}
P22={P32,P33}={通信适应性,任务重规划}
P32={P43,P44}={稳定性,实时性}
P33={P45}={路径重规划}
以条件为目标层的评价集划分如下:
C1={C21}={C31,C32}={未知环境,已知环境}
C32={C41,C42}={禁飞区分布,禁飞区密度}
以任务为目标层的评价集划分如下:
T1={T21}={T31,T32}={目标状态,数量特征}
T31={T41,T42,T43}={动态,混合态,静态}
T32={T44,T45,T46}={多目标,双目标,单目标}
评论集划分为5个等级如下所示:
V={V1,V2,V3,V4,V5}
={很好,较好,一般,较差,很差}
={95,75,60,45,25}
(2)构建单因素模糊评估矩阵R
基于上述评估分数,对评估指标集U中的因素进行评估,构造单因素模糊评估矩阵Ri:
式中,rij表示单因素Uij被评为Vij的隶属度,i=1,2,...,n,j=1,2,...,m。
(3)模糊综合评价
1)根据各权重指标ωi和对应的评估矩阵Ri,依据公式
进行一级模糊综合评估。
2)利用一级模糊评估结果R=(B1,B2,...,Bn,),根据公式
B=WT·R
3)对评估集V中因素赋予相应分值,根据公式
S=B·V
计算最终得分并按照最大隶属度原则评估无人机系统群体智能性等级。
本发明上层采用一阶谓词进行形式化描述,也可采用其他形式化方法进行描述;下层采用了模糊层次分析法确定各级评价指标权重。本发明采用三角模糊函数构造判断矩阵,也可采用别的方法比如比例尺标度法构造判断矩阵。
Claims (9)
1.一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,其特征在于:所述方法包括以下步骤:
步骤1:对逻辑推理层进行形式化描述;
步骤2:构建群体智能评价指标体系;
步骤3:建立基于模糊理论的模糊评估模型,进行模糊综合评价。
2.根据权利要求1所述的一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,其特征在于:所述步骤1中无人机群体智能系统评价模型可以描述为:M(T,C,P,R);
其中T为任务维度,C为条件维度,P为过程维度,R为结果维度;群体智能等级为L,具体的形式化描述如下:L=f(Lt,Lc,Lp,Lr);
其中:L表示群体智能性等级描述;f为群体智能性等级的推理规则,可以由用户自定义;Lt为任务维度的智能性等级,Lc为条件维度的智能性等级,Lp为过程维度的智能性等级,Lr为结果维度的智能性等级;其均由一级指标通过模糊综合评价法计算得到。
3.根据权利要求1所述的一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,其特征在于:所述步骤2中群体智能评价指标体系构建方法具体包括:确定评估指标、建立层次结构模型;构造模糊判断矩阵;整合模糊数;确定初始权重;去模糊化,得到最终权重。
4.根据权利要求3所述的一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,其特征在于:根据评估指标体系,分别确定目标层、准则层;所述目标层设置为任务、条件、过程、结果四个维度,将所述四个维度的下一层指标分别设置为其准则层。
5.根据权利要求4所述的一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,其特征在于:所述任务的准则层划分一级指标为多样性和耦合性;将条件的准则层划分下一级指标为复杂度、就绪度和成熟度;将过程的准则层划分一级指标为完备性、适应性和增长性;将结果的准则层划分一级指标为有效性和聚合度;然后获取到一级指标智能性等级之后采用模糊综合评价法得到相对应四个维度的智能性等级。
6.根据权利要求3所述的一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,其特征在于:所述步骤2中下层的四个维度采用层次分析法确定各指标权重,按照层次结构模型构造判断矩阵,三角模糊数表示为M(l,m,u)。
7.根据权利要求1所述的一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,其特征在于:所述步骤3中建立模糊理论的模糊评估模型具体包括以下步骤:确定评估集和评估指标集;构建单因素模糊评估矩阵R,然后进行模糊综合评价。
8.根据权利要求7所述的一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,其特征在于:所述评价集根据目标层所述四个维度分别进行划分;所述评估指标集划分为5个等级。
9.根据权利要求7所述的一种基于逻辑推理与模糊综合的无人集群智能定性评价方法,其特征在于:根据各权重指标和对应的评估矩阵,进行一级模糊综合评估;用一级模糊评估结果对评估集中因素赋予相应分值,计算最终得分并按照最大隶属度原则评估无人机系统群体智能性等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011390873.XA CN112465145B (zh) | 2020-12-02 | 2020-12-02 | 一种基于逻辑推理与模糊综合的无人集群智能定性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011390873.XA CN112465145B (zh) | 2020-12-02 | 2020-12-02 | 一种基于逻辑推理与模糊综合的无人集群智能定性评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465145A true CN112465145A (zh) | 2021-03-09 |
CN112465145B CN112465145B (zh) | 2024-04-05 |
Family
ID=74805263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011390873.XA Active CN112465145B (zh) | 2020-12-02 | 2020-12-02 | 一种基于逻辑推理与模糊综合的无人集群智能定性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465145B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592869A (zh) * | 2024-01-18 | 2024-02-23 | 之江实验室 | 一种智能计算系统的智能化水平评估方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016180127A1 (zh) * | 2015-09-16 | 2016-11-17 | 中兴通讯股份有限公司 | 一种网络性能的评估方法及系统 |
CN107527131A (zh) * | 2017-07-03 | 2017-12-29 | 中国农业大学 | 一种集群电机系统能耗水平评价方法及装置 |
CN108629511A (zh) * | 2018-05-04 | 2018-10-09 | 上海微小卫星工程中心 | 一种基于多因素模糊理论推理及层级分析法的卫星综合效能评估方法 |
CN110059932A (zh) * | 2019-03-25 | 2019-07-26 | 南京邮电大学 | 基于svm的对地攻击型无人机作战效能评估方法 |
CN110222406A (zh) * | 2019-05-30 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种基于任务阶段复杂性的无人机自主能力评估方法 |
KR20200056573A (ko) * | 2018-11-15 | 2020-05-25 | 동명대학교산학협력단 | 드론 조종 시험 평가 시스템 |
CN111680875A (zh) * | 2020-05-06 | 2020-09-18 | 北京航空航天大学 | 基于概率基线模型的无人机状态风险模糊综合评价方法 |
-
2020
- 2020-12-02 CN CN202011390873.XA patent/CN112465145B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016180127A1 (zh) * | 2015-09-16 | 2016-11-17 | 中兴通讯股份有限公司 | 一种网络性能的评估方法及系统 |
CN107527131A (zh) * | 2017-07-03 | 2017-12-29 | 中国农业大学 | 一种集群电机系统能耗水平评价方法及装置 |
CN108629511A (zh) * | 2018-05-04 | 2018-10-09 | 上海微小卫星工程中心 | 一种基于多因素模糊理论推理及层级分析法的卫星综合效能评估方法 |
KR20200056573A (ko) * | 2018-11-15 | 2020-05-25 | 동명대학교산학협력단 | 드론 조종 시험 평가 시스템 |
CN110059932A (zh) * | 2019-03-25 | 2019-07-26 | 南京邮电大学 | 基于svm的对地攻击型无人机作战效能评估方法 |
CN110222406A (zh) * | 2019-05-30 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种基于任务阶段复杂性的无人机自主能力评估方法 |
CN111680875A (zh) * | 2020-05-06 | 2020-09-18 | 北京航空航天大学 | 基于概率基线模型的无人机状态风险模糊综合评价方法 |
Non-Patent Citations (2)
Title |
---|
LIN ZHANG等: "A Situation Assessment Method with an Improved Fuzzy Deep Neural Network for Multiple UAVs", INFORMATION * |
虞业泺;郑倩云;杨善强;常枭;方小梅;: "基于多因素模糊推理的卫星综合效能评估", 计算机测量与控制, no. 09 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592869A (zh) * | 2024-01-18 | 2024-02-23 | 之江实验室 | 一种智能计算系统的智能化水平评估方法及装置 |
CN117592869B (zh) * | 2024-01-18 | 2024-04-19 | 之江实验室 | 一种智能计算系统的智能化水平评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112465145B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | Induction of fuzzy rules and membership functions from training examples | |
Yuan et al. | A genetic algorithm for generating fuzzy classification rules | |
CN1043543C (zh) | 推断装置 | |
US8392352B2 (en) | Creation of neuro-fuzzy expert system from online analytical processing (OLAP) tools | |
CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
CN110750655B (zh) | 一种智能ietm故障维修辅助系统的知识库优化方法 | |
CN108961468B (zh) | 一种基于集成学习的船舶动力系统故障诊断方法 | |
CN106127229A (zh) | 一种基于时间序列类别的计算机数据分类方法 | |
CN107871183A (zh) | 基于不确定性云理论的多年冻土区公路病害预测方法 | |
Wang et al. | Design of the Sports Training Decision Support System Based on the Improved Association Rule, the Apriori Algorithm. | |
CN113239211A (zh) | 一种基于课程学习的强化学习知识图谱推理方法 | |
CN105930531A (zh) | 一种基于混合模型的农业领域本体知识云维度优选方法 | |
CN112465145A (zh) | 一种基于逻辑推理与模糊综合的无人集群智能定性评价方法 | |
Sari et al. | Optimization of weight backpropagation with particle swarm optimization for student dropout prediction | |
Smits et al. | Vocabulary elicitation for informative descriptions of classes | |
López-Herrera et al. | Applying multi-objective evolutionary algorithms to the automatic learning of extended Boolean queries in fuzzy ordinal linguistic information retrieval systems | |
Östermark | A hybrid genetic fuzzy neural network algorithm designed for classification problems involving several groups | |
Vashishtha et al. | Revisiting interestingness measures for knowledge discovery in databases | |
CN114091961A (zh) | 一种基于半监督svm的电力企业供应商评价方法 | |
Petersohn | Assessment of clusteranalysis and self-organizing maps | |
Tu et al. | A Feature Incremental Learning Method Based on Evidential Reasoning Rule | |
Sosnowski | Compound objects comparators in application to similarity detection and object recognition | |
Rahman et al. | An unsupervised neural network approach to predictive data mining | |
Liu et al. | An expert weighting method based on affinity propagation clustering algorithm | |
Qu et al. | Research on the relationship between undergraduate learning and employment |
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 |