CN112699911A - 一种基于克隆选择算法的智能营销模型库方法 - Google Patents
一种基于克隆选择算法的智能营销模型库方法 Download PDFInfo
- Publication number
- CN112699911A CN112699911A CN202010493640.6A CN202010493640A CN112699911A CN 112699911 A CN112699911 A CN 112699911A CN 202010493640 A CN202010493640 A CN 202010493640A CN 112699911 A CN112699911 A CN 112699911A
- Authority
- CN
- China
- Prior art keywords
- antibody
- model
- models
- affinity
- consumption
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于克隆选择算法的智能营销模型库方法,该方法包括以下步骤:1)采集会员消费数据建立数据集,对数据集进行标记;2)生成基模型BaseModel;3)基模型BaseModel之间随机组合,产生模型Models;4)模型Models与抗原结合成为抗体群M,选择亲和度最大的前N个抗体作为抗体群Ab;5)对抗体群Ab进行克隆,得到克隆后的规模为Nc的抗体群Ab`;6)对克隆后的抗体群Ab`中的抗体按照突变概率P进行突变操作,然后进行克隆删除操作;7)合并抗体群Ab和Ab`,获得新的抗体群Abs;8)判断是否满足终止条件;9)使用抗体群Abs中亲和度最高的抗体的模型对测试集进行分类目标检测。本发明方法能解决现有模型难以不断适应营销目标改变的问题。
Description
技术领域
本发明涉及智能营销技术,尤其涉及一种基于克隆选择算法的智能营销模型库方法。
背景技术
智能营销的核心是根据会员用户的各种特征,实现精准营销。在智能营销中存在了大量的二分类问题,包括如何识别对某类商品感兴趣的会员和不感兴趣的会员,如何找到对某种优惠活动感兴趣的会员,如何发现某些会员可能成为不活跃会员等。
针对这一问题,现有的方法主要是根据会员历史消费数据,运用决策树、支持向量机、随机森林、深度学习、逻辑回归等算法在不同的数据集上进行训练,由于数据和问题的多样性,这就导致不同的数据特征、不同的问题需要采用不同的算法才能达到最好的效果,目前,这一过程大多采用逐个尝试的方法做试验,即:根据历史数据划分为训练集和测试集,然后逐个尝试不同的算法,找到最适应当前数据特征的算法;在此基础上,可能还需要尝试不同算法的组合,有可能不同算法的组合的结果可能产生更好的效果。这一过程往往依赖于人工,需要耗费大量的时间。
针对这一问题,在抽取会员特征的基础上,本文提出了一种精准营销模型库的方法,模型库涵盖了决策树、支持向量机、随机森林、深度学习、逻辑回归等二分类算法,运用克隆选择算法对模型组合进行演化,根据实验得到的准确率、召回率、F1值等参数,选择效果好的模型及其组合,淘汰效果差的模型,提升智能营销中的算法效率。
Bumet于1959年提出克隆选择学说,认为免疫细胞是随机形成的多样性的细胞克隆,每一克隆的细胞表达同一特异性的受体。当受抗原刺激时,细胞表面特异受体被识别并结合抗原,导致细胞进行克隆扩增,产生大量后代细胞,合成大量相同特异性抗体。克隆选择与达尔文提出的自然选择过程类似,克隆竞争结合病原体,亲和力最高的抗体是最适应的,因此复制最多。与达尔文自然选择理论不同的是克隆选择应用于免疫系统内的细胞群体。识别抗原的细胞克隆存活下来并成长,不能识别抗原的细胞克隆发生死亡并被其它克隆取代,这就是克隆选择。免疫系统在成长的克隆中也是自适应的,也呈现出一种变异机制,即体细胞高频变异。该机制确保能改进抗体与抗原的结合力,致使具有极高亲和力的匹配产生。克隆选择理论的主要特征是新细胞是父代(克隆)的拷贝,它受制于体细胞高频变异的成熟机制,对能导致自身免疫疾病的细胞禁止克隆,增殖和分化成熟细胞与抗原的联系。
克隆选择在个体内操作,进化的趋势倾向于识别一般抗原的方向。有许多证据表明这样的倾向性确实存在。亲和力变异是达尔文变异和选择进化论思想的过程,变异由体细胞高频变异实现,选择则通过对病原体抗原决定基的竞争来实现。
克隆选择算法是人工免疫系统中的一个重要的分类算法,该方法的机制是模仿生物机体内对于抗体细胞进行好坏的识别,再按照好坏的程度进行克隆、变异和压缩选择的过程。该算法是通过对现阶段优秀的抗体集进行突变操作,再压缩新产生的抗体集来保持抗体集的大小不变。克隆选择算法实质上是通过抗体的一代代优化最后获得问题的最优解。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种基于克隆选择算法的智能营销模型库方法。
本发明解决其技术问题所采用的技术方案是:一种基于克隆选择算法的智能营销模型库方法,包括以下步骤:
1)采集会员消费数据建立数据集,对数据集进行标记,将标记后的数据集划分为测试集和训练集;
会员消费数据特征包括:会员等级标识、1年消费金额、1年消费次数、1年消费客单价、半年消费金额、半年消费次数、半年消费客单价、毛利率、性别、年龄、消费地域、消费时间、消费商品、消费支付方式、消费门店;
对数据集进行标记根据分类目标需求标记;
2)从训练集中抽取一部分数据作为抗原,剩下的数据对算法集中的算法进行训练,生成基模型BaseModel;
所述算法集为多种分类算法封装的算法集;
所述基模型为单一算法训练生成的识别器,包括决策树、支持向量机、随机森林、深度学习、逻辑回归;
3)基模型BaseModel之间随机组合,产生模型Models;所述模型为若干基模型组成的集成识别器,即抗体,包括各基模型及各基模型在模型中的数量权重;模型组合主要是每个模型识别器的数量,例如:共产生了10个识别器,3个决策树识别器、7个随机森林识别器。
模型:
Model={(BaseModel1,weight1),…,(BaseModeln,weightn)}.
模型表示若干基模型组成的集成识别器,weighti表示第i个基模型在模型中的权重;
4)模型Models与抗原结合成为抗体群M,计算抗体群M中抗体与抗原的亲和度,选择亲和度最大的前N个抗体作为抗体群Ab;
5)对抗体群Ab进行克隆,得到克隆后的规模为Nc的抗体群Ab`;
6)对克隆后的抗体群Ab`中的抗体按照突变概率P进行突变操作,然后进行克隆删除操作;
7)合并克隆前后抗体群Ab和Ab`,选取亲和度最高且互不相同的N个抗体作为新的抗体群Abs;
8)判断是否满足终止条件,不满足则转至步骤5)继续执行,满足则结束计算;
所述终止条件为:迭代次数达到设定次数,或者准确率收敛且达到预先设定的值;
9)使用抗体群Abs中亲和度最高的抗体的模型对测试集进行分类目标检测;
使用测试集计算抗体群Abs中亲和度最高的抗体的模型的准确率、召回率与F1值,并采用该模型进行识别。
按上述方案,所述步骤1)中对数据集进行标记根据分类目标需求标记;具体如下:
如果分类目标为寻找愿意参与优惠活动的会员,根据商品做优惠活动的历史记录,对已经参与优惠活动的会员标记为1,对没有参与优惠活动的会员标记为0,构建正负样本库;
如果分类目标为寻找愿意续费的会员,根据续费历史记录,把续费的会员标记为1,没有续费的标记为0,构建正负样本库。
按上述方案,所述步骤3)中基模型BaseModel之间随机组合,产生模型Models的过程如下:基模型之间的交叉组合形成模型,即确定模型中基模型总数量的上限,然后以小于等于上限值的随机数组合进行基模型个数的设置,然后组合形成模型。
按上述方案,所述步骤4)中抗体与抗原的亲和度采用下式计算:
其中,T表示抗原中被抗体x正确识别的数量;F表示抗原中被抗体x识别错误的数量;
然后,将抗体群Ab中的抗体按照亲和度由大至小按降序排列,得到:
Ab={Ab1,Ab2,...,AbN}且fit(Abi)>fit(Abi+1),i=1,2,...,N-1
其中,fit(*)为亲和度函数,fit(Abi)为第i个抗体对抗原的亲和度。
按上述方案,所述步骤5)中对抗体群Ab进行克隆,采用的克隆规模函数如下:
其中,Nc为克隆后的抗体群规模,β为克隆系数,用来控制克隆的规模,round为取整函数,i为序号,N为抗体群Ab中抗体的数量,第i个抗体将会克隆出round(βN/i)个相同的抗体,也就是说亲和度越高的抗体,克隆的规模也就越大,使高亲和度抗体中的优秀基模型得以更好的保存和发展。
按上述方案,所述步骤6)中突变操作为抗体模型按照突变概率P随机选取抗体模型的m个基模型,并由随机生成的n个基模型来取代,形成新的抗体模型,其中,Np≥m≥1,m≥n≥1。
按上述方案,所述步骤6)中克隆删除操作为计算经过突变之后的抗体的亲和度,若突变之后的抗体的亲和力低于突变前的父代抗体的亲和度,则删除该抗体,用其父代抗体来代替。
按上述方案,所述突变概率P取值为0.6,克隆系数β取值为2。
本发明产生的有益效果是:
1.本发明在克隆选择算法的基础上,通过建立模型库获得最优模型,从而解决现有模型难以不断适应营销目标改变的问题。
2.本发明生成的模型通过分类器的竞争和变异优选得到,其准确率优于通过试验组合获得的分类器。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,一种基于克隆选择算法的智能营销模型库方法,包括以下步骤:
1)采集会员消费数据建立数据集,对数据集进行标记,将标记后的数据集划分为测试集和训练集;
会员消费数据特征包括:会员等级标识、1年消费金额、1年消费次数、1年消费客单价、半年消费金额、半年消费次数、半年消费客单价、毛利率、性别、年龄、消费地域、消费时间、消费商品、消费支付方式、消费门店;
对数据集进行标记根据分类目标需求标记;
例如:如果分类目标为寻找愿意参与优惠活动的会员,根据商品做优惠活动的历史记录,对已经参与优惠活动的会员标记为1,对没有参与优惠活动的会员标记为0,构建正负样本库;
如果分类目标为寻找愿意续费的会员,根据续费历史记录,把续费的会员标记为1,没有续费的标记为0,构建正负样本库。
2)从训练集中抽取一部分数据作为抗原,剩下的数据对算法集中的算法进行训练,生成基模型BaseModel;
所述算法集为多种分类算法封装的算法集;
所述基模型为单一算法训练生成的识别器,包括决策树、支持向量机、随机森林、深度学习、逻辑回归;
3)基模型BaseModel之间随机组合,产生模型Models;所述模型为若干基模型组成的集成识别器,即抗体,包括各基模型及各基模型在模型中的数量权重;
模型:
Model={(BaseModel1,weight1),…,(BaseModeln,weightn)}.
模型表示若干基模型组成的集成识别器,weighti表示第i个基模型在模型中的权重;
基模型BaseModel之间随机组合,产生模型Models的过程如下:基模型之间的交叉组合形成模型,即确定模型中基模型总数量的上限,然后以小于等于上限值的随机数组合进行基模型个数的设置,然后组合形成模型。
例如,上限值为15,算法集中封装了决策树识别和随机森林识别器,随机数组合为(3,7),则产生了10个识别器,3个决策树识别器、7个随机森林识别器。
4)模型Models与抗原结合成为抗体群M,计算抗体群M中抗体与抗原的亲和度,选择亲和度最大的前N个抗体作为抗体群Ab;
所述步骤4)中抗体与抗原的亲和度采用下式计算:
其中,T表示抗原中被抗体x正确识别的数量;F表示抗原中被抗体x识别错误的数量;
然后,将抗体群Ab中的抗体按照亲和度由大至小按降序排列,得到:
Ab={Ab1,Ab2,...,AbN}且fit(Abi)>fit(Abi+1),i=1,2,...,N-1
其中,fit(*)为亲和度函数,fit(Abi)为第i个抗体对抗原的亲和度。
5)对抗体群Ab进行克隆,得到克隆后的规模为Nc的抗体群Ab`;
对抗体群Ab进行克隆,采用的克隆规模函数如下:
其中,Nc为克隆后的抗体群规模,β为克隆系数,用来控制克隆的规模,round为取整函数,i为序号,N为抗体群Ab中抗体的数量,第i个抗体将会克隆出round(βN/i)个相同的抗体,也就是说亲和度越高的抗体,克隆的规模也就越大,使高亲和度抗体中的优秀基模型得以更好的保存和发展。克隆系数β取值为2。克隆系数β取值一般根据需要克隆的规模确定,初始值为2,如果需要快速增加克隆,可以调整为3等,β是一个正整数值,建议取值范围为[2,10]。
6)对克隆后的抗体群Ab`中的抗体按照突变概率P进行突变操作,然后进行克隆删除操作;突变概率P取值为0.6;
所述步骤6)中突变操作为抗体模型按照突变概率P随机选取抗体模型的m个基模型,并由随机生成的n个基模型来取代,形成新的抗体模型,其中,Np≥m≥1,m≥n≥1;
所述步骤6)中克隆删除操作为计算经过突变之后的抗体的亲和度,若突变之后的抗体的亲和度低于突变前的父代抗体的亲和度,则删除该抗体,用其父代抗体来代替。
7)合并抗体群Ab和Ab`,选取亲和度最高且互不相同的N个抗体作为新的抗体群Abs;
8)判断是否满足终止条件,不满足则转至步骤5)继续执行,满足则结束计算;
所述终止条件为:迭代次数达到设定次数,或者准确率收敛且达到预先设定的值;
9)使用抗体群Abs中亲和度最高的抗体的模型对测试集进行分类目标检测;
使用测试集计算抗体群Abs中亲和度最高的k个抗体的模型的准确率、召回率与F1值,根据准确率、召回率与F1值评价模型的好坏,将最好的模型保留下来,非最优的模型淘汰掉。并采用该模型进行识别。
为了进一步提高最终模型的效果,可多次进行本方案。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种基于克隆选择算法的智能营销模型库方法,其特征在于,包括以下步骤:
1)采集会员消费数据建立数据集,对数据集进行标记,将标记后的数据集划分为测试集和训练集;
会员消费数据特征包括:会员等级标识、1年消费金额、1年消费次数、1年消费客单价、半年消费金额、半年消费次数、半年消费客单价、毛利率、性别、年龄、消费地域、消费时间、消费商品、消费支付方式、消费门店;
对数据集进行标记根据分类目标需求标记;
2)从训练集中抽取一部分数据作为抗原,剩下的数据对算法集中的算法进行训练,生成基模型BaseModel;
所述算法集为多种分类算法封装的算法集;
所述基模型为单一算法训练生成的识别器,包括决策树、支持向量机、随机森林、深度学习、逻辑回归;
3)基模型BaseModel之间随机组合,产生模型Models;所述模型为若干基模型组成的集成识别器,即抗体,包括各基模型及各基模型在模型中的数量权重;
模型表示如下:
Models={(BaseModel1,weight1),…,(BaseModeln,weightn)}
模型表示为若干基模型组成的集成识别器,weighti表示第i个基模型BaseModeli在模型中的权重;
4)模型Models与抗原结合成为抗体群M,计算抗体群M中抗体与抗原的亲和度,选择亲和度最大的前N个抗体作为抗体群Ab;
5)对抗体群Ab进行克隆,得到克隆后的规模为Nc的抗体群Ab`;
6)对克隆后的抗体群Ab`中的抗体按照突变概率P进行突变操作,然后进行克隆删除操作;
7)合并抗体群Ab和Ab`,选取亲和度最高且互不相同的N个抗体作为新的抗体群Abs;
8)判断是否满足终止条件,不满足则转至步骤5)继续执行,满足则结束计算;
所述终止条件为:迭代次数达到设定次数,或者准确率收敛且达到预先设定的值;
9)使用抗体群Abs中亲和度最高的抗体的模型对测试集进行分类目标检测;
使用测试集计算抗体群Abs中亲和度最高的抗体的模型的准确率、召回率与F1值,并采用该模型进行识别。
2.根据权利要求1所述的基于克隆选择算法的智能营销模型库方法,其特征在于,所述步骤1)中对数据集进行标记根据分类目标需求标记;具体如下:
如果分类目标为寻找愿意参与优惠活动的会员,根据商品做优惠活动的历史记录,对已经参与优惠活动的会员标记为1,对没有参与优惠活动的会员标记为0,构建正负样本库;
如果分类目标为寻找愿意续费的会员,根据续费历史记录,把续费的会员标记为1,没有续费的标记为0,构建正负样本库。
3.根据权利要求1所述的基于克隆选择算法的智能营销模型库方法,其特征在于,所述步骤3)中基模型BaseModel之间随机组合,产生模型Models的过程如下:基模型之间的交叉组合形成模型,即确定模型中基模型总数量的上限,然后以小于等于上限值的随机数组合进行基模型个数的设置,然后组合形成模型。
6.根据权利要求1所述的基于克隆选择算法的智能营销模型库方法,其特征在于,所述步骤6)中突变操作为抗体模型按照突变概率P随机选取抗体模型的m个基模型,并由随机生成的n个基模型来取代,形成新的抗体模型,其中,Np≥m≥1,m≥n≥1。
7.根据权利要求1所述的基于克隆选择算法的智能营销模型库方法,其特征在于,所述步骤6)中克隆删除操作为计算经过突变之后的抗体的亲和度,若突变之后的抗体的亲和度低于突变前的父代抗体的亲和度,则删除该抗体,用其父代抗体来代替。
8.根据权利要求1所述的基于克隆选择算法的智能营销模型库方法,其特征在于,所述突变概率P取值为0.6,克隆系数β取值为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493640.6A CN112699911B (zh) | 2020-06-03 | 2020-06-03 | 一种基于克隆选择算法的智能营销模型库方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493640.6A CN112699911B (zh) | 2020-06-03 | 2020-06-03 | 一种基于克隆选择算法的智能营销模型库方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112699911A true CN112699911A (zh) | 2021-04-23 |
CN112699911B CN112699911B (zh) | 2022-04-29 |
Family
ID=75505523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010493640.6A Active CN112699911B (zh) | 2020-06-03 | 2020-06-03 | 一种基于克隆选择算法的智能营销模型库方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699911B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1873658A (zh) * | 2006-06-29 | 2006-12-06 | 武汉大学 | 一种遥感影像的人工免疫特征选择方法 |
CN101968853A (zh) * | 2010-10-15 | 2011-02-09 | 吉林大学 | 基于改进的免疫算法优化支持向量机参数的表情识别方法 |
CN102142091A (zh) * | 2011-03-30 | 2011-08-03 | 东华大学 | 一种核集成优化分类方法 |
CN103745090A (zh) * | 2013-12-23 | 2014-04-23 | 柳州职业技术学院 | Dna序列分类中基于免疫多克隆优化的rbf网络建模方法 |
CN104615679A (zh) * | 2015-01-21 | 2015-05-13 | 华侨大学 | 一种基于人工免疫网络的多智能体数据挖掘方法 |
US20150278904A1 (en) * | 2004-07-14 | 2015-10-01 | Life Technologies Corporation | Collections of Matched Biological Reagents and Methods for Identifying Matched Reagents |
CN107038143A (zh) * | 2017-04-30 | 2017-08-11 | 南京理工大学 | 基于改进的多层人工免疫网络模型的皮带秤故障诊断方法 |
US20170270606A1 (en) * | 2016-03-16 | 2017-09-21 | Fiduciary Investment Solutions, Inc. | System and Method for Selecting Portfolio Managers and Products |
US20180219896A1 (en) * | 2017-02-01 | 2018-08-02 | Splunk Inc. | Computer-implemented system and method for creating an environment for detecting malicious content |
-
2020
- 2020-06-03 CN CN202010493640.6A patent/CN112699911B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150278904A1 (en) * | 2004-07-14 | 2015-10-01 | Life Technologies Corporation | Collections of Matched Biological Reagents and Methods for Identifying Matched Reagents |
CN1873658A (zh) * | 2006-06-29 | 2006-12-06 | 武汉大学 | 一种遥感影像的人工免疫特征选择方法 |
CN101968853A (zh) * | 2010-10-15 | 2011-02-09 | 吉林大学 | 基于改进的免疫算法优化支持向量机参数的表情识别方法 |
CN102142091A (zh) * | 2011-03-30 | 2011-08-03 | 东华大学 | 一种核集成优化分类方法 |
CN103745090A (zh) * | 2013-12-23 | 2014-04-23 | 柳州职业技术学院 | Dna序列分类中基于免疫多克隆优化的rbf网络建模方法 |
CN104615679A (zh) * | 2015-01-21 | 2015-05-13 | 华侨大学 | 一种基于人工免疫网络的多智能体数据挖掘方法 |
US20170270606A1 (en) * | 2016-03-16 | 2017-09-21 | Fiduciary Investment Solutions, Inc. | System and Method for Selecting Portfolio Managers and Products |
US20180219896A1 (en) * | 2017-02-01 | 2018-08-02 | Splunk Inc. | Computer-implemented system and method for creating an environment for detecting malicious content |
CN107038143A (zh) * | 2017-04-30 | 2017-08-11 | 南京理工大学 | 基于改进的多层人工免疫网络模型的皮带秤故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
YULING TIAN 等: "A deep adaptive learning method for rolling bearing fault diagnosis using immunity", 《 TSINGHUA SCIENCE AND TECHNOLOGY》 * |
于宗艳: "基于人工免疫算法的故障诊断问题研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
刘赛 等: "人工免疫中克隆选择算法的改进", 《中南民族大学学报(自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112699911B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271374B (zh) | 一种基于机器学习的数据库健康度打分方法和打分系统 | |
CN108898479B (zh) | 信用评价模型的构建方法及装置 | |
CN106971240A (zh) | 一种变量选择与高斯过程回归的短期负荷预测方法 | |
CN111967971B (zh) | 银行客户数据处理方法及装置 | |
CN111208796B (zh) | 一种基于聚类小生境遗传算法的车间生产作业排程方法 | |
CN109858714B (zh) | 基于改进神经网络的烟丝质检指标预测方法、装置及系统 | |
CN108446214B (zh) | 基于dbn的测试用例进化生成方法 | |
CN108985617B (zh) | 一种基于智能制造的产品生产流程调度方法及系统 | |
CN108921604A (zh) | 一种基于代价敏感分类器集成的广告点击率预测方法 | |
CN112001526A (zh) | 一种基于优化小生境遗传算法的资源调度优化方法 | |
CN115471133A (zh) | 一种基于订单管理和滚动优化排产的车间综合调度系统 | |
CN109214503A (zh) | 基于kpca-la-rbm的输变电工程造价预测方法 | |
CN107220708A (zh) | 用于睡眠脑电分期特征选择的自适应模拟退火遗传算法 | |
CN111292124A (zh) | 一种基于优化组合神经网络的需水预测方法 | |
CN116450904A (zh) | 一种基于数据分析的烘干设备参数推荐方法及系统 | |
CN115018357A (zh) | 一种面向生产绩效提升的农户画像构建方法及系统 | |
CN112699911B (zh) | 一种基于克隆选择算法的智能营销模型库方法 | |
CN112749211B (zh) | 一种基于电力大数据的茶叶产量预测新方法 | |
CN109978023A (zh) | 面向高维大数据分析的特征选择方法及计算机存储介质 | |
CN109919374A (zh) | 基于apso-bp神经网络的股票价格预测方法 | |
CN104572900B (zh) | 一种作物育种评价的性状特征选择方法 | |
CN107967321A (zh) | 一种基于层级式支持向量机的作物育种评价方法 | |
CN111984842A (zh) | 银行客户数据处理方法及装置 | |
CN117216375A (zh) | 一种信息推荐的训练方法、系统及存储介质和服务器 | |
CN109492746A (zh) | 基于ga-pso杂交算法的深度信念网络参数优化方法 |
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 |