CN113792794A - 一种基于膜算法的特征选择方法 - Google Patents
一种基于膜算法的特征选择方法 Download PDFInfo
- Publication number
- CN113792794A CN113792794A CN202111082406.5A CN202111082406A CN113792794A CN 113792794 A CN113792794 A CN 113792794A CN 202111082406 A CN202111082406 A CN 202111082406A CN 113792794 A CN113792794 A CN 113792794A
- Authority
- CN
- China
- Prior art keywords
- membrane
- auxiliary
- population
- chromosome
- fitness value
- 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
- 239000012528 membrane Substances 0.000 title claims abstract description 152
- 238000010187 selection method Methods 0.000 title claims abstract description 12
- 238000012706 support-vector machine Methods 0.000 claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 17
- 241000402754 Erythranthe moschata Species 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 210000000349 chromosome Anatomy 0.000 claims description 80
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 10
- 210000004027 cell Anatomy 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000000605 extraction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000002390 cell membrane structure Anatomy 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及一种基于膜算法的特征选择方法,包括以下工作步骤:101获取数据集:从UCI数据库中获取musk数据集;102数据划分:对musk数据集进行归一化,随机将musk数据集划分为训练集和数据集;103确定膜结构:膜结构采用细胞型P系统结构;104建立支持向量机分类模型;105建立膜内种群进化规则:膜内的种群按照遗传算法进行更新;106建立膜间交流规则:根据膜的功能要求设计膜间交流规则;107输出特征子集。本发明用细胞型P系统作为膜算法的结构,使用遗传算法作为膜内种群的更新方法,使用支持向量机分类模型计算种群的适应度值,设定膜之间的交流规则后对数据集进行特征选择,具有速度快,准确率高,具有实际的应用价值。
Description
技术领域
本发明涉及数据挖掘领域,具体是一种基于膜算法的特征选择方法。
背景技术
近些年来,计算机和数据库技术的快速发展使得数据集的维度快速增长,随着高维度数据集在数据集中的应用增加,数据的维度灾难问题逐渐严重。例如在医学应用中,高维的数据集会是分类参数增加,从而降低分类的准确率。高维的数据集在进行计算时所需要的时间较长,在一些特殊的场合不能满足性能要求。对高维数据进行降维已经成为数据挖掘中重要的一个部分。
原始数据中存在大量不相关和冗余的特征,降维就是消除这些不重要特征的方法之一。降维方法可以大概分为特征选择和特征提取两大类。特征提取就是将原始特征空间映射到一个较小的特征空间。在特征提取技术中,通过组合原有的特征,得到数量少但包含较多或者全部信息的特征,所得到的特征不具有实际的物理意义。在特征选择中,通过消除没有或者极少含有预测信息的特征以及强相关的冗余特征后得到可用的特征子集。
膜算法是将膜计算和群优化算法进行交叉研究的一个方向,是将膜系统结构、进化规则和进化计算相融合的混合优化算法。特征子集的选择是一个NP问题,使用膜算法进行特征选择具有重要的研究价值。
发明内容
本发明的目的是提供一种基于膜算法的特征选择方法;该方法可以对数据集进行降维,有效解决特征子集的选择问题。
本发明实现发明目的采用如下技术方案:
一种基于膜算法的特征选择方法,包括以下工作步骤:
101获取数据集:从UCI数据库中获取musk数据集,musk数据集共有476个数据,每个数据具有168个特征,数据分为两个类别;
102数据划分:对musk数据集进行归一化,随机将musk数据集划分为训练集和数据集;
103确定膜结构:膜计算具有并行计算的能力,采用细胞型P系统的膜结构;
104建立支持向量机分类模型:在本发明中使用支持向量机分类模型计算种群的适应度值;
105建立膜内种群进化规则:在本发明中膜内的种群按照遗传算法进行更新;
106建立膜间交流规则:在本发明中根据膜之间的功能设计膜间的交流规则;
107输出特征子集。
作为优选,本发明提供的一种基于膜算法的特征选择方法,工作步骤103中所设计的细胞型P系统中的生物膜包括1个主膜和4个辅助膜,将染色体种群放入辅助膜2、辅助膜3和辅助膜4内,种群在膜内进行适应度值计算和更新,主膜5负责将辅助膜2、辅助膜3和辅助膜4传过来的最大适应度值进行大小排序后,选出最大的适应度值及其对应的种群同时传回辅助膜2、辅助膜3和辅助膜4中进行计算和更新,辅助膜1主要负责回收主膜5不要的适应度值和染色体种群。
作为优选,本发明提供的一种基于膜算法的特征选择方法,工作步骤104中建立支持向量机分类模型来计算染色体种群的适应度值,具体步骤如下:
401建立支持向量机模型:支持向量机模型中使用的核函数为高斯核函数,高斯核函数的参数为默认值,惩罚因子C设置为1;
402训练支持向量机模型:将训练集与其对应的标签传输给支持向量机模型,对模型进行训练;
403模型测试:使用训练好的支持向量机模型对测试集进行预测,得到预测标签;
404使用评价指标计算准确率:将预测的标签与测试集的真实标签进行对比计算,所得的准确率就是染色体种群的适应度值,准确率计算公式如下所示:
作为优选,本发明提供的一种基于膜算法的特征选择方法,工作步骤105中,在辅助膜2、辅助膜3和辅助膜4内的染色体种群同时根据遗传算法进行种群的更新和适应度值计算,以辅助膜2为例,染色体种群更新步骤如下:
501辅助膜2种群初始化:染色体种群的总数设置为20,染色体由0和1组成的二进制串表示,染色体的长度为168,等于数据特征的个数,“0”表示对应的特征没有被选中,“1”表示对应的特征被选中;
502计算种群适应度值:辅助膜2内有20个染色体,不同的染色体由不同的二进制串组成,根据二进制串中“1”的位置将数据集中被选中的特征提取出来得到20个特征子集,使用支持向量机分类模型计算出20个特征子集的适应度值,并对适应度值进行排序得到辅助膜2内的最大适应度值;
503使用轮盘赌选择染色体:根据特征子集的适应度值并使用轮盘赌算法从20个染色体中先选出10个染色体,然后再从20个染色体种群中随机选择10个染色体,将选出来的20个染色体作为新的染色体种群;
504交差:将503步骤生成的20个染色体按照单点交叉的方法进行交叉运算后得到新的染色体种群;
505变异:将504步骤生成的染色体种群按照0.05的概率进行染色体基本位变异运算,从而得到最终更新后的染色体种群。
作为优选,本发明提供的一种基于膜算法的特征选择方法,工作步骤106中,本发明需要比较适应度值,所以辅助膜1、辅助膜2、辅助膜3、辅助膜4和主膜5之间需要进行交流,辅助膜2、辅助膜3和辅助膜4将各自的最大适应度值最大适应度值对应的染色体和更新后的染色体种群传给主膜5,主膜5将各自最大适应度值进行从大到小排序后得到适应度值将最大适应度值和对应的染色体种群传输给辅助膜2、辅助膜3和辅助膜4,辅助膜1仅仅回收主膜5不要的染色体和适应度值具体的交流规则如下:
601:主膜5与辅助膜1的交流规则:
602:主膜5与辅助膜2的交流规则:
603:主膜5与辅助膜3的交流规则:
604:主膜5和辅助膜4的交流规则:
有益效果:
本发明与现有技术相比,其有益效果体现在:采用膜算法进行特征提取可以有效解决特征子集选取的NP问题,可以有效的提取特征子集,为降维提供一种新的方法。
附图说明
图1是本发明的结构框图;
图2是本发明细胞膜结构和交流规则示意图;
图3是本发明使用支持向量机计算种群适应度值的流程图;
图4是本发明的整体算法流程图。
具体实施方式
本发明提出一种基于膜算法的特征选择方法,首先,从UCI数据库中获取musk数据集,然后建立基于膜算法的特征选择模型,最后使用建立好的模型对数据集进行实验,根据实验结果验证所提出模型的性能。具体的过程如下图1所示:
101获取数据集:从UCI数据库中获取musk数据集,musk数据集共有476个数据,每个数据具有168个特征,数据分为两个类别。
102数据划分:对musk数据集进行归一化,随机将musk数据集划分为训练集和数据集,其中训练集为357个,测试集为119个。
103确定膜结构:如图2所示,采用细胞型P系统的膜结构。所设计的细胞型P系统中的生物膜包括1个主膜和4个辅助膜,将染色体种群放入辅助膜2、辅助膜3和辅助膜4内,种群在膜内进行适应度值计算和更新,主膜5负责将辅助膜2、辅助膜3和辅助膜4传过来的最优适应度值进行大小比较,再将最优适应度值及其对应的种群传回辅助膜2、辅助膜3和辅助膜4中进行计算和更新,辅助膜1主要负责回收主膜5不要的适应度值和染色体种群。
104建立支持向量机分类模型:在本发明中使用支持向量机分类模型计算辅助膜2、辅助膜3和辅助膜4内染色体种群的适应度值。建立的支持向量机模型如图3所示:
401建立支持向量机模型:支持向量机模型中使用的核函数为高斯核函数,高斯核函数的参数为默认值,惩罚因子C设置为1;
402训练支持向量机模型:将训练集357个数据与其对应的标签传输给支持向量机模型,对模型进行训练;
403模型测试:使用训练好的支持向量机模型对测试集进行预测,得到预测标签;
404使用评价指标计算准确率:将预测的标签与测试集的真实标签进行对比计算,所得的准确率就是染色体种群的适应度值,准确率计算公式如下所示:
105建立膜内种群进化规则:在本发明中使用遗传算法对辅助膜2、辅助膜3和辅助膜4内染色体种群进行更新。图4是本发明的整体算法流程图,辅助膜2、辅助膜3和辅助膜4的染色体种群的更新方式相同,以辅助膜2为例:
501辅助膜2种群初始化:染色体种群的总数设置为20,染色体由0和1组成的二进制串表示,染色体的长度为168,等于数据特征的个数,“0”表示对应的特征没有被选中,“1”表示对应的特征被选中;
502计算种群适应度值:辅助膜2内有20个染色体,不同的染色体由不同的二进制串组成,根据二进制串中“1”的位置将数据集中被选中的特征提取出来得到20个特征子集,使用支持向量机分类模型计算出20个特征子集的适应度值,并对适应度值进行排序得到辅助膜2内的最大适应度值
503使用轮盘赌选择染色体:根据特征子集的适应度值并使用轮盘赌算法从20个染色体中先选出10个染色体,然后再从20个染色体种群中随机选择10个染色体,将选出来的20个染色体作为新的染色体种群;
504交差:将503步骤生成的20个染色体按照单点交叉的方法进行交叉运算后得到新的染色体种群;
106建立膜间交流规则:如图4所示本发明需要在主膜5中将辅助膜2、辅助膜3和辅助膜4中各自的最大适应度值从大到小进行排序,排序后得到再找到最大适应度值所在辅助膜更新后的染色体种群并且将最大适应度值与设定的适应度值0.85进行比较,大于等于0.85时将最大适应度和最大适应度值对应的染色体种群作为模型的结果输出,小于0.85时将最大适应度和最大适应度值所在辅助膜更新后的染色体种群同时传给辅助膜2、辅助膜3和辅助膜4进行循环更新,直至达到适应度值的要求。具体的交流规则如图2所示:
602主膜5与辅助膜2的交流规则:首先辅助膜2将自己的最优适应度值最优适应度值所对应的染色体和膜内更新后的染色体种群传给主膜5,在主膜5种进行比较计算后,如果算法没结束就需要将最大适应度和最大适应度值所在辅助膜更新后的染色体种群同时传给辅助膜2。交流规则如下:
603主膜5与辅助膜3的交流规则:首先辅助膜3将自己的最优适应度值最优适应度值所对应的染色体和膜内更新后的染色体种群传给主膜5,在主膜5种进行比较计算后,如果算法没结束就需要将最大适应度和最大适应度值所在辅助膜更新后的染色体种群同时传给辅助膜3。交流规则如下:
604主膜5和辅助膜4的交流规则:首先辅助膜4将自己的最优适应度值最优适应度值所对应的染色体和膜内更新后的染色体种群传给主膜5,在主膜5种进行比较计算后,如果算法没结束就需要将最大适应度和最大适应度值所在辅助膜更新后的染色体种群同时传给辅助膜4。交流规则如下:
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于膜算法的特征选择方法,其特征在于:包括以下工作步骤:
101获取数据集:从UCI数据库中获取musk数据集,musk数据集共有476个数据,每个数据具有168个特征,数据分为两个类别;
102数据划分:对musk数据集进行归一化,随机将musk数据集划分为训练集和数据集;
103确定膜结构:膜计算具有并行计算的能力,采用细胞型P系统的膜结构;
104建立支持向量机分类模型:在本发明中使用支持向量机分类模型计算种群的适应度值;
105建立膜内种群进化规则:在本发明中膜内的种群按照遗传算法进行更新;
106建立膜间交流规则:在本发明中根据膜之间的功能设计膜间的交流规则;
107输出特征子集。
2.根据权利要求1所述的一种基于膜算法的特征选择方法,其特征在于:工作步骤103中所设计的细胞型P系统中的生物膜包括1个主膜和4个辅助膜,将染色体种群放入辅助膜2、辅助膜3和辅助膜4内,种群在膜内进行适应度值计算和更新,主膜5负责将辅助膜2、辅助膜3和辅助膜4传过来的最大适应度值进行大小排序后,选出最大的适应度值及其对应的种群同时传回辅助膜2、辅助膜3和辅助膜4中进行计算和更新,辅助膜1主要负责回收主膜5不要的适应度值和染色体种群。
4.根据权利要求1所述的一种基于膜算法的特征选择方法,其特征在于:工作步骤105中,在辅助膜2、辅助膜3和辅助膜4内的染色体种群同时根据遗传算法进行种群的更新和适应度值计算,以辅助膜2为例,染色体种群更新步骤如下:
501辅助膜2种群初始化:染色体种群的总数设置为20,染色体由0和1组成的二进制串表示,染色体的长度为168,等于数据特征的个数,“0”表示对应的特征没有被选中,“1”表示对应的特征被选中;
502计算种群适应度值:辅助膜2内有20个染色体,不同的染色体由不同的二进制串组成,根据二进制串中“1”的位置将数据集中被选中的特征提取出来得到20个特征子集,使用支持向量机分类模型计算出20个特征子集的适应度值,并对适应度值进行排序得到辅助膜2内的最大适应度值;
503使用轮盘赌选择染色体:根据特征子集的适应度值并使用轮盘赌算法从20个染色体中先选出10个染色体,然后再从20个染色体种群中随机选择10个染色体,将选出来的20个染色体作为新的染色体种群;
504交差:将503步骤生成的20个染色体按照单点交叉的方法进行交叉运算后得到新的染色体种群;
505变异:将504步骤生成的染色体种群按照0.05的概率进行染色体基本位变异运算,从而得到最终更新后的染色体种群。
5.根据权利要求1所述的一种基于膜算法的特征选择方法,其特征在于:工作步骤106中,本发明需要比较适应度值,所以辅助膜1、辅助膜2、辅助膜3、辅助膜4和主膜5之间需要进行交流,辅助膜2、辅助膜3和辅助膜4将各自的最大适应度值最大适应度值对应的染色体和更新后的染色体种群 传给主膜5,主膜5将各自最大适应度值进行从大到小排序后得到适应度值将最大适应度值和对应的染色体种群传输给辅助膜2、辅助膜3和辅助膜4,辅助膜1仅仅回收主膜5不要的染色体和适应度值具体的交流规则如下:
601主膜5与辅助膜1的交流规则:
602主膜5与辅助膜2的交流规则:
603主膜5与辅助膜3的交流规则:
604主膜5和辅助膜4的交流规则:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111082406.5A CN113792794B (zh) | 2021-09-15 | 2021-09-15 | 一种基于膜算法的特征选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111082406.5A CN113792794B (zh) | 2021-09-15 | 2021-09-15 | 一种基于膜算法的特征选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792794A true CN113792794A (zh) | 2021-12-14 |
CN113792794B CN113792794B (zh) | 2024-05-10 |
Family
ID=78878503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111082406.5A Active CN113792794B (zh) | 2021-09-15 | 2021-09-15 | 一种基于膜算法的特征选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792794B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351484A (zh) * | 2023-10-12 | 2024-01-05 | 深圳市前海高新国际医疗管理有限公司 | 基于ai的肿瘤干细胞特征提取及分类系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273562A (zh) * | 2020-01-15 | 2020-06-12 | 安徽理工大学 | 一种基于膜计算实现井下机器人路径优化方法 |
WO2021004923A1 (en) * | 2019-07-05 | 2021-01-14 | INSERM (Institut National de la Santé et de la Recherche Médicale) | Cell penetrating peptides for intracellular delivery of molecules |
-
2021
- 2021-09-15 CN CN202111082406.5A patent/CN113792794B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021004923A1 (en) * | 2019-07-05 | 2021-01-14 | INSERM (Institut National de la Santé et de la Recherche Médicale) | Cell penetrating peptides for intracellular delivery of molecules |
CN111273562A (zh) * | 2020-01-15 | 2020-06-12 | 安徽理工大学 | 一种基于膜计算实现井下机器人路径优化方法 |
Non-Patent Citations (4)
Title |
---|
CHEN, SCC等: "RNA editing-based classification of diffuse gliomas:predicting isocitrate dehydrogenase mutation and chromosome 1p/19p codeletion", 《BMC BIOINFORMATICS》, pages 1 - 11 * |
MUNIRA ALBALLA等: "Integrative approach for detecting membrane proteins", 《PROCEEDINGS FROM THE JOINT NETTAB/BBCC 2019 CONFERENCE》, pages 1 - 25 * |
孙远: "基于脚步信号的高精度采集技术辅助身份识别方法研究", 《中国博士学位论文全文数据库》, pages 138 - 17 * |
王丽敏;乔玲玲;魏霖静;: "结合遗传算法的优化卷积神经网络学习方法", 计算机工程与设计, no. 07, pages 263 - 268 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351484A (zh) * | 2023-10-12 | 2024-01-05 | 深圳市前海高新国际医疗管理有限公司 | 基于ai的肿瘤干细胞特征提取及分类系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113792794B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688502B (zh) | 一种基于深度哈希和量化的图像检索方法及存储介质 | |
CN113887643B (zh) | 一种基于伪标签自训练和源域再训练的新对话意图识别方法 | |
CN110941734B (zh) | 基于稀疏图结构的深度无监督图像检索方法 | |
CN108446689A (zh) | 一种人脸识别方法 | |
Wei et al. | Projected residual vector quantization for ANN search | |
CN101957859B (zh) | 基于集成支撑矢量机排序的信息检索方法 | |
CN112883722B (zh) | 一种基于云数据中心分布式文本摘要方法 | |
CN113792794A (zh) | 一种基于膜算法的特征选择方法 | |
Gong et al. | Hybrid feature selection method based on feature subset and factor analysis | |
CN114510871A (zh) | 基于思维进化和lstm的云服务器性能衰退预测方法 | |
CN112668633B (zh) | 一种基于细粒度领域自适应的图迁移学习方法 | |
CN114093419A (zh) | 一种基于多任务深度学习的rbp结合位点预测方法 | |
CN114168782B (zh) | 一种基于三元组网络的深度哈希图像检索方法 | |
CN111127184B (zh) | 一种分布式组合信用评估方法 | |
CN114880690A (zh) | 一种基于边缘计算的源数据时序精化方法 | |
CN112084764B (zh) | 数据检测方法、装置、存储介质及设备 | |
CN114090813A (zh) | 基于多通道特征融合的变分自编码器平衡哈希遥感图像检索方法 | |
CN113407700A (zh) | 一种数据查询方法、装置和设备 | |
CN112561599A (zh) | 一种融合域特征交互的基于注意力网络学习的点击率预测方法 | |
CN110796546A (zh) | 一种基于区块链的分布式聚类算法 | |
CN111125198A (zh) | 一种基于时间序列的计算机数据挖掘聚类方法 | |
CN117056459B (zh) | 一种向量召回方法和装置 | |
CN111160475B (zh) | 基于网格重拆分小波聚类的柔性负荷聚类方法和装置 | |
CN117891929B (zh) | 改进型深度学习算法的知识图谱智能问答信息识别方法 | |
CN116028500B (zh) | 一种基于高维数据的范围查询索引方法 |
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 |