CN113763564A - 一种基于梯度模糊集距离测度的网格化生成方法及装置 - Google Patents
一种基于梯度模糊集距离测度的网格化生成方法及装置 Download PDFInfo
- Publication number
- CN113763564A CN113763564A CN202111052363.6A CN202111052363A CN113763564A CN 113763564 A CN113763564 A CN 113763564A CN 202111052363 A CN202111052363 A CN 202111052363A CN 113763564 A CN113763564 A CN 113763564A
- Authority
- CN
- China
- Prior art keywords
- feature
- characteristic
- fuzzy
- distance
- gradient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000691 measurement method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 11
- 238000005259 measurement Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于梯度模糊集距离测度的网格化生成方法及装置,方法包括:获取目标区域的所有特征及其特征数据;对所有所述特征数据进行梯度模糊化处理,得到对应的模糊特征数据;所述模糊特征数据包括:将所述模糊特征数据输入预先构建的特征权重模型中,得到所述特征数据对应的特征权重;基于所述特征数据,通过梯度模糊距离测度方法,依次计算所述特征间的特征距离;基于所述特征权重和所有所述特征距离,生成目标网格化信息。解决现有的网格化生成方法存在的由于工作量大且步骤复杂,生成的过程容易出现主观性强以及效率低的问题。
Description
技术领域
本发明涉及网格化生成技术技域,尤其涉及一种基于梯度模糊集距离测度的网格化生成方法及装置。
背景技术
网格(Grid)的定义是将某个区域按照一定的规则,分成若干个网格状的单元,便于对该区域进行更加精细化的管理。网格化生成可以理解为把一个复杂的区域根据需求分解成若干个元网格并根据需求将这些元网格连接。这些简便的元网格之间彼此有序紧密相连,组成结构合理的网格。
目前网格化生成大多是由工作人员从自身工作积累的经验和对业务熟练程度出发,以手工的方式在相关平面地图上使用机械化的工作方式对网格进行粗略性绘制。这种生成方法由于工作量大且步骤复杂,生成的过程容易出现主观性强以及效率低的问题。
发明内容
本发明提供了一种基于梯度模糊集距离测度的网格化生成方法及装置,用于解决现有的网格化生成方法存在的由于工作量大且步骤复杂,生成的过程容易出现主观性强以及效率低的问题。
第一方面,本发明实施例提供的一种基于梯度模糊集距离测度的网格化生成方法,包括:
获取目标区域的所有特征及其特征数据;
对所有所述特征数据进行梯度模糊化处理,得到对应的模糊特征数据;
将所述模糊特征数据输入预先构建的特征权重模型中,得到所述特征数据对应的特征权重;
基于所述特征数据,通过梯度模糊距离测度方法,依次计算所述特征间的特征距离;
基于所述特征权重和所有所述特征距离,生成目标网格化信息。
可选地,将所述模糊特征数据输入预先构建的特征权重模型中,得到所述特征数据对应的特征权重之后,还包括:
基于所述特征权重的数值关系,从所述特征对应的特征点中确定特征中心点;
所述基于所述特征数据,通过梯度模糊距离测度方法,依次计算所述特征间的特征距离的步骤,具体为:
通过所述梯度模糊距离测度方法,依次计算所述特征点与所述特征中心点的距离,得到所述特征距离。
可选地,基于所述特征权重和所有所述特征距离,生成目标网格化信息,包括:
按照所述特征权重的大小关系,将除所述特征中心点外的特征点环绕所述特征中心点排序;
根据所述特征距离,调整对应特征点与所述特征中心点的距离,并依次连接除所述特征中心点外的特征,得到所述目标网格化信息。
可选地,所述特征权重模型具体为:
其中,MJ为特征权重模型,m为非目标区域的特征总数量,n为目标区域的特征总数量,i为第i个特征,且i≤m,j为第j个特征,且j≤n,wj为特征权重,且wj∈[0,1], 为rij与之间距离的平方值,rij为第i个特征与第j个特征之间的模糊化距离测度,且rij∈(0,1),为函数计算得出的值,式中lj为计算中区域内所包含特征的数量。
第二方面,本发明实施例提供的一种基于梯度模糊集距离测度的网格化生成装置,包括:
获取模块,用于获取目标区域的所有特征及其特征数据;
模糊化处理模块,用于对所有所述特征数据进行梯度模糊化处理,得到对应的模糊特征数据;
输入模块,用于将所述模糊特征数据输入预先构建的特征权重模型中,得到所述特征数据对应的特征权重;
特征距离计算模块,用于基于所述特征数据,通过梯度模糊距离测度方法,依次计算所述特征间的特征距离;
目标网格化信息生成模块,用于基于所述特征权重和所有所述特征距离,生成目标网格化信息。
可选地,还包括:
特征中心点特点模块,用于基于所述特征权重的数值关系,从所述特征对应的特征点中确定特征中心点;
所述特征距离计算模块,具体用于通过所述梯度模糊距离测度方法,依次计算所述特征点与所述特征中心点的距离,得到所述特征距离。
可选地,所述目标网格化信息生成模块包括:
特征排布子模块,用于按照所述特征权重的大小关系,将除所述特征中心点外的特征点环绕所述特征中心点排序;
调整子模块,用于根据所述特征距离,调整对应特征点与所述特征中心点的距离,并依次连接除所述特征中心点外的特征,得到所述目标网格化信息。
可选地,所述特征权重模型具体为:
其中,MJ为特征权重模型,m为非目标区域的特征总数量,n为目标区域的特征总数量,i为第i个特征,且i≤m,j为第j个特征,且j≤n,wj为特征权重,且wj∈[0,1], 为rij与之间距离的平方值,rij为第i个特征与第j个特征之间的模糊化距离测度,且rij∈(0,1),为函数计算得出的值,式中lj为计算中区域内所包含特征的数量。
第三方面,本发明提供了一种电子设备,所述电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,本发明提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过获取目标区域的所有特征及其特征数据;对所有所述特征数据进行梯度模糊化处理,得到对应的模糊特征数据;所述模糊特征数据包括:将所述模糊特征数据输入预先构建的特征权重模型中,得到所述特征数据对应的特征权重;基于所述特征数据,通过梯度模糊距离测度方法,依次计算所述特征间的特征距离;基于所述特征权重和所有所述特征距离,生成目标网格化信息。解决现有的网格化生成方法存在的由于工作量大且步骤复杂,生成的过程容易出现主观性强以及效率低的问题。
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作简单地介绍,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性的前提下,还可以根据这些附图获得其它的附图;
图1为本发明的一种基于梯度模糊集距离测度的网格化生成方法实施例的步骤流程图;
图2为本发明的目标网格化信息生成示意图;
图3为本发明的一种基于梯度模糊集距离测度的网格化生成装置实施例的结构框图。
具体实施方式
本发明实施例提供了一种基于梯度模糊集距离测度的网格化生成方法及装置,用于解决现有的网格化生成方法存在的由于工作量大且步骤复杂,生成的过程容易出现主观性强以及效率低的问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
目前网格化生成大多是由工作人员从自身工作积累的经验和对业务熟练程度出发,以手工的方式在相关平面地图上使用机械化的工作方式对网格进行粗略性绘制,由于绘制过程可能出现的失误,以及不同的工作人员在看待问题角度或处理问题的方式存在差异,因此即使在对同一区域的网格进行绘制,其整体布局差异也会较大,即生成网格信息的过程容易出现主观性强以及效率低的问题,若后期需要对该网格进行修改或更新时,十分繁琐。
为解决上述问题,本发明实施例提供了一种基于梯度模糊集距离测度的网格化生成方法,请参阅图1,如图1为本发明的一种基于梯度模糊集距离测度的网格化生成方法实施例的步骤流程图,包括:
S1,获取目标区域的所有特征及其特征数据;
需要说明的是,网格(Grid)的定义是将某个区域按照一定的规则,分成若干个网格状的单元,便于对该区域进行更加精细化的管理。
网格化的生成方法是基于区域所有特征数据之间的距离关系确定的,不同特征之间的距离是网格化生成的基础。因此需要获取相关区域范围内的特征数据,以生成网格之间空间关系的确定,便于管理和控制。在以后的网格化管理中,需要重新进行网格化生成(添加或删除区域的特征),操作起来也非常方便,大大减小了对工作人员经验的依赖程度。
此外,网格化生成可以理解成为把一个复杂的区域根据需求分解成若干个元网格并根据需求将这些元网格连接。这些简便的元网格之间彼此有序紧密相连,组成结构合理的网格。
S2,对所有所述特征数据进行梯度模糊化处理,得到对应的模糊特征数据;
在本发明实施例中,对所有特征数据进行梯度模糊化处理,即对目标区域中的特征(人、地、物和组织机构等)等进行等效模糊化处理,从而将目标区域中的特征视为空间内的一个点,如特征以Di=(xi,yi...zi)的形式表示。当目标区域内的特征被梯度模糊处理后,只要不同特征之间的距离确定,目标网格化信息的大小和形状也就基本确定。通过对距离测度环境中的特征进行模糊化处理,大大降低了网格生成过中的复杂程度,减少了生成网格的工作量。
S3,将所述模糊特征数据输入预先构建的特征权重模型中,得到所述特征数据对应的特征权重;所述特征权重模型具体为:
其中,MJ为特征权重模型,m为非目标区域的特征总数量,n为目标区域的特征总数量,i为第i个特征,且i≤m,j为第j个特征,且j≤n,wj为特征权重,且wj∈[0,1], 为rij与之间距离的平方值,rij为第
J(w,λ),其中λ为实数,而J(w,λ)为:
对J(w,λ)求偏导,得到:
进而得到:
将wj代入J(w,λ)的偏导函数中,得到:
再将λ的代数式代入J(w,λ)的偏导函数中,得到wj的代数式:
从而,通过wj的代数式即可确定权重模型中所有特征数据对应的特征权重。
在一个可选实施例中,将所述模糊特征数据输入预先构建的特征权重模型中,得到所述特征数据对应的特征权重之后,还包括:
基于所述特征权重的数值关系,从所述特征对应的特征点中确定特征中心点。
在本发明实施例中,选取特征权重数值最大的特征对应的特征点作为特征中心点。
S4,基于所述特征数据,通过梯度模糊距离测度方法,依次计算所述特征间的特征距离;
在一个可选实施例中,所述基于所述特征数据,通过梯度模糊距离测度方法,依次计算所述特征间的特征距离的步骤,具体为:
通过所述梯度模糊距离测度方法,依次计算所述特征点与所述特征中心点的距离,得到所述特征距离。
梯度模糊化距离测度方法可以以一种量化的方式表示工作人员对客观事物的不确定性认识,还可以描述评价意见的重要性差异,因而具有重要的理论价值和广泛的用处。具体地,梯度模糊集距离测度可以用来计算n维空间中两点之间的真实距离,或者向量该点到原点的(自然长度)距离。在二维和三维空间中的点均可以用梯度模糊集距离测度的计算方法来进行计算。
在本发明实施例中,通过梯度模糊化距离测度方法,对经过特征权要计算之后,特征间的数据关系进行挖掘,并对特征间的距离进行计算。
假如二维空间中两个点D1=(x1,y1)和D2=(x2,y2),两者之间的距离计算公式为:
假如三维空间中的两个点D1=(x1,y1,z1)和D2=(x2,y2,z2),两者之间的距离计算公式为:
对于四维空间、五维空间……n维空间中两点之间的距离计算同理。
需要说明的是,D1和D2满足梯度模糊集距离测度下三个公理性条件:
(1)非负性:d(D1,D2)≥0;
(2)交换性:d(D1,D2)=d(D2,D1);
S5,基于所述特征权重和所有所述特征距离,生成目标网格化信息。
在一个可选实施例中,基于所述特征权重和所有所述特征距离,生成目标网格化信息,包括:
按照所述特征权重的大小关系,将除所述特征中心点外的特征点环绕所述特征中心点排序;
根据所述特征距离,调整对应特征点与所述特征中心点的距离,并依次连接除所述特征中心点外的特征,得到所述目标网格化信息。
在本发明实施例中,通过梯度模糊话处理和梯度模糊距离测度计算后,按照特征权重的大小关系排布特征中心点,然后根据特征中心点与其他特征间的特征距离,然后依次连接各特征,生成如图2所示目标网格化信息生成示意图。按照权重大小对特征的顺序进行排序,在解决网格化生成时可避免区域特征被多次绘制的问题同时还可以防止网格生成过程中区域特征被遗漏缺失的问题。
在本发明实施例中,通过获取目标区域的所有特征及其特征数据;对所有所述特征数据进行梯度模糊化处理,得到对应的模糊特征数据;所述模糊特征数据包括:将所述模糊特征数据输入预先构建的特征权重模型中,得到所述特征数据对应的特征权重;基于所述特征数据,通过梯度模糊距离测度方法,依次计算所述特征间的特征距离;基于所述特征权重和所有所述特征距离,生成目标网格化信息。解决现有的网格化生成方法存在的由于工作量大且步骤复杂,生成的过程容易出现主观性强以及效率低的问题。
请参阅图3,示出了为本发明的一种基于梯度模糊集距离测度的网格化生成装置实施例的结构框图,所述装置包括:
获取模块401,用于获取目标区域的所有特征及其特征数据;
模糊化处理模块402,用于对所有所述特征数据进行梯度模糊化处理,得到对应的模糊特征数据;
输入模块403,用于将所述模糊特征数据输入预先构建的特征权重模型中,得到所述特征数据对应的特征权重;
特征距离计算模块404,用于基于所述特征数据,通过梯度模糊距离测度方法,依次计算所述特征间的特征距离;
目标网格化信息生成模块405,用于基于所述特征权重和所有所述特征距离,生成目标网格化信息。
在一个可选实施例中,还包括:
特征中心点特点模块,用于基于所述特征权重的数值关系,从所述特征对应的特征点中确定特征中心点;
所述特征距离计算模块404,具体用于通过所述梯度模糊距离测度方法,依次计算所述特征点与所述特征中心点的距离,得到所述特征距离。
在一个可选实施例中,所述目标网格化信息生成模块405包括:
特征排布子模块,用于按照所述特征权重的大小关系,将除所述特征中心点外的特征点环绕所述特征中心点均匀排布;
调整子模块,用于根据所述特征距离,调整对应特征点与所述特征中心点的距离,并依次连接除所述特征中心点外的特征,得到所述目标网格化信息。
在一个可选实施例中,所述特征权重模型具体为:
其中,MJ为特征权重模型,m为非目标区域的特征总数量,n为目标区域的特征总数量,i为第i个特征,且i≤m,j为第j个特征,且j≤n,wj为特征权重,且wj∈[0,1], 为rij与之间距离的平方值,rij为第i个特征与第j个特征之间的模糊化距离测度,且rij∈(0,1),为函数计算得出的值,式中lj为计算中区域内所包含特征的数量。
本发明实施例还提供了一种电子设备,包括存储器及处理器,所述存储器中储存有分析机程序,所述分析机程序被所述处理器执行时,使得所述处理器执行如上述任一实施例所述的基于梯度模糊集距离测度的网格化生成方法的步骤。
本发明实施例还提供了一种分析机可读存储介质,其上存储有分析机程序,所述分析机程序被所述处理器执行时实现如上述任一实施例所述的基于梯度模糊集距离测度的网格化生成的控制方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,本发明所揭露的方法、装置、电子设备及存储介质,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个分析机可读取可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该分析机软件产品存储在一个可读存储介质中,包括若干指令用以使得一台分析机设备(可以是个人分析机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于梯度模糊集距离测度的网格化生成方法,其特征在于,包括:
获取目标区域的所有特征及其特征数据;
对所有所述特征数据进行梯度模糊化处理,得到对应的模糊特征数据;
将所述模糊特征数据输入预先构建的特征权重模型中,得到所述特征数据对应的特征权重;
基于所述特征数据,通过梯度模糊距离测度方法,依次计算所述特征间的特征距离;
基于所述特征权重和所有所述特征距离,生成目标网格化信息。
2.根据权利要求1所述的基于梯度模糊集距离测度的网格化生成方法,其特征在于,将所述模糊特征数据输入预先构建的特征权重模型中,得到所述特征数据对应的特征权重之后,还包括:
基于所述特征权重的数值关系,从所述特征对应的特征点中确定特征中心点;
所述基于所述特征数据,通过梯度模糊距离测度方法,依次计算所述特征间的特征距离的步骤,具体为:
通过所述梯度模糊距离测度方法,依次计算所述特征点与所述特征中心点的距离,得到所述特征距离。
3.根据权利要求2所述的基于梯度模糊集距离测度的网格化生成方法,其特征在于,基于所述特征权重和所有所述特征距离,生成目标网格化信息,包括:
按照所述特征权重的大小关系,将除所述特征中心点外的特征点环绕所述特征中心点排序;
根据所述特征距离,调整对应特征点与所述特征中心点的距离,并依次连接除所述特征中心点外的特征,得到所述目标网格化信息。
5.一种基于梯度模糊集距离测度的网格化生成装置,其特征在于,包括:
获取模块,用于获取目标区域的所有特征及其特征数据;
模糊化处理模块,用于对所有所述特征数据进行梯度模糊化处理,得到对应的模糊特征数据;
输入模块,用于将所述模糊特征数据输入预先构建的特征权重模型中,得到所述特征数据对应的特征权重;
特征距离计算模块,用于基于所述特征数据,通过梯度模糊距离测度方法,依次计算所述特征间的特征距离;
目标网格化信息生成模块,用于基于所述特征权重和所有所述特征距离,生成目标网格化信息。
6.根据权利要求5所述的基于梯度模糊集距离测度的网格化生成装置,其特征在于,还包括:
特征中心点特点模块,用于基于所述特征权重的数值关系,从所述特征对应的特征点中确定特征中心点;
所述特征距离计算模块,具体用于通过所述梯度模糊距离测度方法,依次计算所述特征点与所述特征中心点的距离,得到所述特征距离。
7.根据权利要求6所述的基于梯度模糊集距离测度的网格化生成装置,其特征在于,所述目标网格化信息生成模块包括:
特征排布子模块,用于按照所述特征权重的大小关系,将除所述特征中心点外的特征点环绕所述特征中心点排序;
调整子模块,用于根据所述特征距离,调整对应特征点与所述特征中心点的距离,并依次连接除所述特征中心点外的特征,得到所述目标网格化信息。
9.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有分析机可读取指令,当所述分析机可读取指令由所述处理器执行时,运行如权利要求1-4任一项所述的方法。
10.一种存储介质,其上存储有分析机程序,其特征在于,所述分析机程序被处理器执行时运行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111052363.6A CN113763564A (zh) | 2021-09-08 | 2021-09-08 | 一种基于梯度模糊集距离测度的网格化生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111052363.6A CN113763564A (zh) | 2021-09-08 | 2021-09-08 | 一种基于梯度模糊集距离测度的网格化生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113763564A true CN113763564A (zh) | 2021-12-07 |
Family
ID=78794004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111052363.6A Pending CN113763564A (zh) | 2021-09-08 | 2021-09-08 | 一种基于梯度模糊集距离测度的网格化生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763564A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808384A (zh) * | 2017-11-21 | 2018-03-16 | 江南大学 | 基于网格化局部分水岭的模糊聚类方法 |
CN109508868A (zh) * | 2018-10-22 | 2019-03-22 | 南京航空航天大学 | 高效智能空中交通区域划分系统 |
CN109508867A (zh) * | 2018-10-22 | 2019-03-22 | 南京航空航天大学 | 基于模糊c均值聚类的空中交通区域划分方法 |
CN110322694A (zh) * | 2019-07-16 | 2019-10-11 | 青岛海信网络科技股份有限公司 | 一种城市交通控制片区划分的方法及装置 |
KR102213817B1 (ko) * | 2019-10-16 | 2021-02-09 | 주식회사 포스웨이브 | 인메모리 기반의 분산 처리 시스템에서의 공간 분할 시스템 및 그 방법 |
CN112434957A (zh) * | 2020-11-27 | 2021-03-02 | 广东电网有限责任公司肇庆供电局 | 一种基于元胞自动机的配网线路巡检区域网格划分方法 |
-
2021
- 2021-09-08 CN CN202111052363.6A patent/CN113763564A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808384A (zh) * | 2017-11-21 | 2018-03-16 | 江南大学 | 基于网格化局部分水岭的模糊聚类方法 |
CN109508868A (zh) * | 2018-10-22 | 2019-03-22 | 南京航空航天大学 | 高效智能空中交通区域划分系统 |
CN109508867A (zh) * | 2018-10-22 | 2019-03-22 | 南京航空航天大学 | 基于模糊c均值聚类的空中交通区域划分方法 |
CN110322694A (zh) * | 2019-07-16 | 2019-10-11 | 青岛海信网络科技股份有限公司 | 一种城市交通控制片区划分的方法及装置 |
KR102213817B1 (ko) * | 2019-10-16 | 2021-02-09 | 주식회사 포스웨이브 | 인메모리 기반의 분산 처리 시스템에서의 공간 분할 시스템 및 그 방법 |
CN112434957A (zh) * | 2020-11-27 | 2021-03-02 | 广东电网有限责任公司肇庆供电局 | 一种基于元胞自动机的配网线路巡检区域网格划分方法 |
Non-Patent Citations (2)
Title |
---|
刘彦斌等: "基于划分的聚类在交通规划小区中的应用", 《物流科技》, no. 8, 10 August 2017 (2017-08-10), pages 72 - 77 * |
肖微炜等: "基于模糊聚类的生态功能区若干指标定量划分的研究", 《四川环境》, no. 3, 26 June 2008 (2008-06-26), pages 57 - 60 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McKenzie et al. | Distributions of cherries for two models of trees | |
Garcke et al. | Data mining with sparse grids | |
US6260036B1 (en) | Scalable parallel algorithm for self-organizing maps with applications to sparse data mining problems | |
Umargono et al. | K-Means clustering optimization using the elbow method and early centroid determination based-on mean and median | |
CN107729519B (zh) | 基于多源多维数据的评估方法及装置、终端 | |
CN109118013A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
CN109767308A (zh) | 金融欺诈检测中时间与成本特征选择方法、设备、介质 | |
CN110163042A (zh) | 图像识别方法及装置 | |
US20240119649A1 (en) | Systems and Methods for 3D Data Visualization and Network Extraction | |
CN112131731A (zh) | 一种基于空间特征向量滤波的城市生长元胞模拟方法 | |
CN106600578A (zh) | 基于遥感影像的特征函数空间滤值回归模型并行化方法 | |
Bayram et al. | A simulation based multi-attribute group decision making technique with decision constraints | |
Abbasian-Naghneh et al. | The effect of JCPOA on the network behavior analysis of tehran stock exchange indexes | |
Villoria et al. | Gaussian quadratures vs. Monte Carlo experiments for systematic sensitivity analysis of computable general equilibrium model results | |
Soltani et al. | Ranking decision making units based on the multi-directional efficiency measure | |
CN113763564A (zh) | 一种基于梯度模糊集距离测度的网格化生成方法及装置 | |
Machado et al. | Ranking the scientific output of researchers in fractional calculus | |
JP4350062B2 (ja) | 非正規分布に従う乱数発生方法及びそのパラメータの推定方法 | |
CN115936841A (zh) | 一种构建信贷风险评估模型的方法及装置 | |
CN113705957A (zh) | 一种用户集群基线负荷估计方法、装置和终端设备 | |
JP2003108753A (ja) | 金融機関のリスク管理システム及びそれを用いた処理方法 | |
US3628904A (en) | Computer programming | |
Song | An efficient radial basis function generated finite difference meshfree scheme to price multi-dimensional PDEs in financial options | |
CN112396430A (zh) | 用于企业评价的处理方法及系统 | |
Mirbolouki et al. | Multiplier Models in Stochastic DEA |
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 |