CN114925833A - 一种基于能力数据底图的目标状态规律知识挖掘方法 - Google Patents
一种基于能力数据底图的目标状态规律知识挖掘方法 Download PDFInfo
- Publication number
- CN114925833A CN114925833A CN202210416929.7A CN202210416929A CN114925833A CN 114925833 A CN114925833 A CN 114925833A CN 202210416929 A CN202210416929 A CN 202210416929A CN 114925833 A CN114925833 A CN 114925833A
- Authority
- CN
- China
- Prior art keywords
- target
- knowledge
- motion state
- data
- state
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明提供了一种一种基于能力数据底图的目标状态规律知识挖掘方法,包括步骤:目标运动状态分析模型训练集构建;目标知识存储;目标运动状态分类模型构建;目标运动状态识别;目标状态规律知识获取;目标状态规律知识展现。本发明以海量历史态势数据为依据,训练分类模型,能够提高历史数据的利用率,同时以历史数据为依托,提高分析结果可信度。结合当前数据底图,增加区域环境等要素信息,生成目标知识图谱,分析区域环境和目标运动状态的关联关系,实现扩充目标状态规律和典型行为模式知识的目的,为区域情况分析提供支撑。
Description
技术领域
本发明涉及数据挖掘领域,具体涉及一种基于能力数据底图的目标状态规律知识挖掘方法。
背景技术
基于环境数据(主要由地形、气象、水文等自然环境信息;人口、民族、交通、建筑物、生产、社会、领导人等社会环境信息,以及信息系统、网络、电磁等状况的基础信息数据组成),将环境数据作为底图背景进行显示,叠加气象、水文等和相关的环境信息,生成能力数据地图,为目标识别构建环境信息。
采用基于信息熵的决策分类算法对积累的多源目标数据集进行分类挖掘,构建目标决策树,得出目标规律预测分析模型。采用C4.5算法构造决策树来发现目标数据中蕴涵的目标状态分类规则,利用目标素材训练集生成测试函数,根据不同取值建立树的分支,在每个分支子集中,重复建立下层节点和分支,生成一棵决策树,对决策树进行剪枝处理,将决策树转化为规则,然后根据复杂目标集进行聚类或分类,发现目标状态规律或典型模式,如在不同环境、不同事件任务平台航行速度等。
针对海量的目标数据,依据历史积累的目标的运动状态知识,要建立目标运动状态分析模型,对目标运动状态进行对照分类。同时结合数据底图中区域环境、目标活动时间、目标活动地点、目标活动任务类型等数据生成的知识图谱,分析得到目标在不同运动状态下执行任务类型等隐含信息,进而分析出目标状态规律和典型行为模式。若当前分析结果不能和已有的底图知识进行匹配,那么当前目标的运动状态的相关要素信息将作为新的知识补充到已有知识库中。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的技术方案。因此,本发明的一个方面,提供了一种基于能力数据底图的目标状态规律知识挖掘方法,该方法具体包括步骤:
步骤1、目标运动状态分析模型训练集构建,针对历史目标态势数据进行归纳整理,获取目标运动状态知识,依据知识建立目标运动状态标签体系,将历史态势数据进行打标签操作,构建目标运动状态分类数据训练集;
步骤2、目标知识存储,当前数据底图上显示的区域环境、目标名称、活动时间、活动地区、运动状态、任务类型均可抽象为知识图谱中的实体,将当前数据底图中的要素信息关联生成知识图谱,以知识图谱方式将目标知识进行存储,所述区域环境包括气象、水文;
步骤3、目标运动状态分类模型构建,依据C4.5决策树模型构建分类器,输入历史目标运动状态数据进行模型训练,得到符合当前环场景的目标运动状态分类模型;
步骤4、目标运动状态识别,获取当前目标态势数据,输入到步骤3获取的所述目标运动状态分类模型中,得到当前目标的运动状态;
步骤5、目标状态规律知识获取,调用步骤2中的所述知识图谱,将步骤4中得到的所述目标运动状态、所述目标名称与历史知识进行比对,得到当前目标在不同区域环境下的活动类型,若没有在知识库中找到匹配知识,那么将目标的分析结果结合当前数据底图上的要素信息进行关联,形成新知识补充到当前知识库中;
步骤6、目标状态规律知识展现,利用可视化展现方式展现知识概念以及不同知识概念之间的关联关系。
进一步,所述步骤1具体为已知目标运动状态,将目标历史态势数据增加运动状态标签。
进一步,所述步骤2具体为将数据底图上显示的实体信息“时间-地点-气象信息-目标-运动状态”进行关联,形成态势知识,将区域情况知识进行存储。。
进一步,其中,所述步骤3具体为假设S是训练样本集,为训练样本集S构建决策树时,选取Gain-Ratio(x)取值最大的一个属性来作分裂节点,依照这个标准可以把S分成n个子集,如果第i个子集Si内包含的元组类别一致的话,那么这个节点就作为决策树的叶子结点,停止分裂,对于那些不满足以上条件的Si,使用上述训练样本集S构建决策树的方法依次递归的生成树,直到所有子集所包含的元组均属同一个类别为止。
进一步,所述步骤4具体为读取当前目标态势数据,输入C4.5决策树分类模型中,结果显示将目标分类到某一目标运动类别中,此时得到目标运动状态结果。
进一步,所述步骤5具体为将步骤4得到的目标运动状态和目标名称进行关联,按照步骤2构建的态势目标知识库,通过图谱路径分析得到目标关于“时间-地点-气象信息-目标-运动状态-任务类型”的状态规律,若当前分析结果没有在已有知识库中匹配到关联知识,那么依据当前底图上的数据进行信息关联,将关联结果作为新知识存储到知识库中。
进一步,所述步骤6具体为利用开源的可视化工具软件D3实现目标知识概念以及概念之间关联关系的图谱可视化展现。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
本发明以海量历史态势数据为依据,训练分类模型,能够提高历史数据的利用率,同时以历史数据为依托,提高分析结果可信度。结合当前数据底图,增加区域环境等要素信息,生成目标知识图谱,分析区域环境和目标运动状态的关联关系,实现扩充目标状态规律和典型行为模式知识的目的,为区域情况分析提供支撑。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述技术方案和其目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了一种基于能力数据底图的目标状态规律知识挖掘方法流程图;
图2示出了C4.5决策树分类模型构建流程。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的目的是针对海量的目标态势数据,为了分析得到区域环境、目标活动时间、目标活动地点、目标运动状态、目标活动任务类型间的隐含关系,补充目标状态规律和典型行为模式知识,而提出的一种基于能力数据底图的目标状态规律知识挖掘方法,该方法具体包括如下步骤:
1)目标运动状态分析模型训练集构建:针对历史目标态势数据进行归纳整理,获取目标运动状态知识,依据知识建立目标运动状态标签体系,将历史态势数据进行打标签操作,构建目标运动状态分类数据训练集;
具体步骤为:已知目标运动状态,将目标历史态势数据增加运动状态标签。如“目标名称:飞机A,运动状态:一万米下沉盘旋”、“目标名称:飞机B,运动状态:‘8’字型”等。
2)(战场)目标知识存储:当前数据底图上显示的区域环境(如气象、水文等)、目标名称、活动时间、活动地区、运动状态等均可抽象为知识图谱中的实体,将当前数据底图中的要素信息关联生成知识图谱,以知识图谱方式将知识进行存储;
具体步骤为:将数据底图上显示的实体信息“时间-地点-气象信息-目标-运动状态”进行关联,形成态势知识,将区域情况知识进行存储。区域知识形成的关联信息例子为:“20200715–南海-晴–飞机A-一万米下沉盘旋”、“20200715–东海-晴–飞机B-‘8’字型”等。
3)目标运动状态分类模型构建:依据C4.5决策树模型构建分类器,输入历史目标运动状态数据进行模型训练,得到符合当前环场景的目标运动状态分类模型;
具体步骤为:假设S是训练样本集,为训练样本集S构建决策树时,选取Gain-Ratio(x)取值最大的一个属性来作分裂节点,依照这个标准可以把S分成n个子集。如果第i个子集Si内包含的元组类别一致的话,那么这个节点就作为决策树的叶子结点,停止分裂。对于那些不满足以上条件的Si,使用上述方法依次递归的生成树,直到所有子集所包含的元组均属同一个类别为止。基于原理如下:
定义一类别信息熵:设训练集S有s个样本,将训练集分成m个类,第i类的实例个数为si,si/s即为概率pi,Info(S)为类别信息熵,基于信息熵计算的计算公式为:
定义二条件信息熵:若选择属性A划分训练集S,训练样本集S被划分成k个子集{S1,S2,…SK},设属性A有k个不同的取值{a1,a2,…ak},则定义Sj中属于第i类的训练实例个数为sij,InfoA(S)为属性A的条件信息熵,由A划分成子集的信息熵由公式如下:
定义三:划分属性A的信息增益计算公式为:
Gain(A,S)=Info(S)-InfoA(S)
定义四分裂信息熵:设属性A具有k个不同的值,可以用属性A将样本集S划分为k个子集。其中Sj包含S中这样一些样本:它们在属性A上具有值aj。假如以属性A的值为基准,对样本进行分割,Info(A)就是属性A的分裂信息熵,如下式:
定义五:划分属性A的信息增益率的计算公式为:
C4.5决策树分类模型算法过程描述如下,构建流程如图2所示:
输入:训练样本集S,条件属性集合attribute_list,决策属性d
输出:C4.5决策树模型
(1)以训练样本集合S作为根节点N建树;
(2)如果训练样本集S中的所有样本属于同一类别,记N为叶节点并标记为类别C,否则转入步骤(3);
(3)如果attribute_list为空,记N为S中含样本数量最多的类C,否则转入步骤(4);
(4)计算attribute_list集合里每一个条件属性的信息增益率,选择出最大的信息增益率作为当前节点的分割属性,标记节点N为A;
(5)根据分割属性的值确定训练样本子集,并建立相应的分枝;
(6)对划分出的训练样本子集重复步骤(2)-(5),生成新的决策分枝,直到没有可以划分的子节点。
4)目标运动状态识别:获取当前目标态势数据,输入步骤3)获取的目标运动状态分类模型中,得到当前目标的运动状态;
具体步骤为:读取当前目标态势数据,输入C4.5决策树分类模型中,结果显示将目标分类到某一目标运动类别中,此时得到目标运动状态结果。
5)目标状态规律知识获取:调用步骤2)中的知识图谱,将步骤4)中得到的目标运动状态、目标名称与历史知识进行比对,得到当前目标在不同区域环境下的活动类型。若没有在知识库中找到匹配知识,那么将目标的分析结果结合当前数据底图上的要素信息进行关联,形成新知识补充到当前知识库中。
具体步骤为:将步骤4)得到的目标运动状态和目标名称进行关联,按照步骤2)构建的态势目标知识库,通过图谱路径分析得到目标关于“时间-地点-气象信息-目标-运动状态-任务类型”的状态规律。若当前分析结果没有在已有知识库中匹配到关联知识,那么依据当前底图上的数据进行信息关联,将关联结果作为新知识存储到知识库中。
6)目标状态规律知识展现:利用可视化展现方式展现知识概念以及不同知识概念之间的关联关系。
具体步骤为:利用开源的可视化工具软件D3实现目标知识概念以及概念之间关联关系的图谱可视化展现。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。
Claims (7)
1.一种基于能力数据底图的目标状态规律知识挖掘方法,其特征在于,该方法具体包括步骤:
步骤1、目标运动状态分析模型训练集构建,针对历史目标态势数据进行归纳整理,获取目标运动状态知识,依据知识建立目标运动状态标签体系,将历史态势数据进行打标签操作,构建目标运动状态分类数据训练集;
步骤2、目标知识存储,当前数据底图上显示的区域环境、目标名称、活动时间、活动地区、运动状态、任务类型均可抽象为知识图谱中的实体,将当前数据底图中的要素信息关联生成知识图谱,以知识图谱方式将目标知识进行存储,所述区域环境包括气象、水文;
步骤3、目标运动状态分类模型构建,依据C4.5决策树模型构建分类器,输入历史目标运动状态数据进行模型训练,得到符合当前环场景的目标运动状态分类模型;
步骤4、目标运动状态识别,获取当前目标态势数据,输入到步骤3获取的所述目标运动状态分类模型中,得到当前目标的运动状态;
步骤5、目标状态规律知识获取,调用步骤2中的所述知识图谱,将步骤4中得到的所述目标运动状态、所述目标名称与历史知识进行比对,得到当前目标在不同区域环境下的活动类型,若没有在知识库中找到匹配知识,那么将目标的分析结果结合当前数据底图上的要素信息进行关联,形成新知识补充到当前知识库中;
步骤6、目标状态规律知识展现,利用可视化展现方式展现知识概念以及不同知识概念之间的关联关系。
2.根据权利要求1所述的基于能力数据底图的目标状态规律知识挖掘方法,其特征在于,其中,所述步骤1具体为已知目标运动状态,将目标历史态势数据增加运动状态标签。
3.根据权利要求1所述的基于能力数据底图的目标状态规律知识挖掘方法,其特征在于,其中,所述步骤2具体为将数据底图上显示的实体信息“时间-地点-气象信息-目标-运动状态”进行关联,形成态势知识,将区域情况知识进行存储。
4.根据权利要求1所述的基于能力数据底图的目标状态规律知识挖掘方法,其特征在于,其中,所述步骤3具体为假设S是训练样本集,为训练样本集S构建决策树时,选取Gain-Ratio(x)取值最大的一个属性来作分裂节点,依照这个标准可以把S分成n个子集,如果第i个子集Si内包含的元组类别一致的话,那么这个节点就作为决策树的叶子结点,停止分裂,对于那些不满足以上条件的Si,使用上述训练样本集S构建决策树的方法依次递归的生成树,直到所有子集所包含的元组均属同一个类别为止。
5.根据权利要求1所述的基于能力数据底图的目标状态规律知识挖掘方法,其特征在于,所述步骤4具体为读取当前目标态势数据,输入C4.5决策树分类模型中,结果显示将目标分类到某一目标运动类别中,此时得到目标运动状态结果。
6.根据权利要求1所述的基于能力数据底图的目标状态规律知识挖掘方法,其特征在于,所述步骤5具体为将步骤4得到的目标运动状态和目标名称进行关联,按照步骤2构建的态势目标知识库,通过图谱路径分析得到目标关于“时间-地点-气象信息-目标-运动状态-任务类型”的状态规律,若当前分析结果没有在已有知识库中匹配到关联知识,那么依据当前底图上的数据进行信息关联,将关联结果作为新知识存储到知识库中。
7.根据权利要求1所述的基于能力数据底图的目标状态规律知识挖掘方法,其特征在于,所述步骤6具体为利用开源的可视化工具软件D3实现目标知识概念以及概念之间关联关系的图谱可视化展现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210416929.7A CN114925833B (zh) | 2022-04-20 | 2022-04-20 | 一种基于能力数据底图的目标状态规律知识挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210416929.7A CN114925833B (zh) | 2022-04-20 | 2022-04-20 | 一种基于能力数据底图的目标状态规律知识挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114925833A true CN114925833A (zh) | 2022-08-19 |
CN114925833B CN114925833B (zh) | 2023-07-21 |
Family
ID=82806638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210416929.7A Active CN114925833B (zh) | 2022-04-20 | 2022-04-20 | 一种基于能力数据底图的目标状态规律知识挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925833B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040078378A1 (en) * | 2002-07-10 | 2004-04-22 | Jerzy Bala | Knowledge inferencing and data visualization method and system |
JP2005078240A (ja) * | 2003-08-29 | 2005-03-24 | Mamoru Tanaka | データマイニングによる知識抽出法 |
WO2018014610A1 (zh) * | 2016-07-20 | 2018-01-25 | 武汉斗鱼网络科技有限公司 | 基于c4.5决策树算法的特定用户挖掘系统及其方法 |
CN107679110A (zh) * | 2017-09-15 | 2018-02-09 | 广州唯品会研究院有限公司 | 结合文本分类与图片属性提取完善知识图谱的方法及装置 |
WO2018072563A1 (zh) * | 2016-10-18 | 2018-04-26 | 中兴通讯股份有限公司 | 一种知识图谱构建方法、装置及系统 |
US20190213488A1 (en) * | 2016-09-02 | 2019-07-11 | Hithink Financial Services Inc. | Systems and methods for semantic analysis based on knowledge graph |
CN111159249A (zh) * | 2019-12-13 | 2020-05-15 | 深圳市唯特视科技有限公司 | 基于知识图谱的目标识别方法、装置、系统、存储介质 |
CN111199243A (zh) * | 2019-12-19 | 2020-05-26 | 中国人民解放军战略支援部队信息工程大学 | 一种基于改进决策树的空中目标识别方法及系统 |
CN112035636A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 医疗问诊系统的问答管理方法、装置、设备及存储介质 |
WO2021073259A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于知识驱动和数据驱动的分群方法及相关设备 |
CN112948595A (zh) * | 2021-03-30 | 2021-06-11 | 中国科学院自动化研究所 | 城市群运行状态知识图谱构建方法、系统及设备 |
CN113157800A (zh) * | 2021-03-31 | 2021-07-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 实时发现空中动态目标识别方法 |
WO2021184630A1 (zh) * | 2020-03-19 | 2021-09-23 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱定位排污对象的方法及相关设备 |
-
2022
- 2022-04-20 CN CN202210416929.7A patent/CN114925833B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040078378A1 (en) * | 2002-07-10 | 2004-04-22 | Jerzy Bala | Knowledge inferencing and data visualization method and system |
JP2005078240A (ja) * | 2003-08-29 | 2005-03-24 | Mamoru Tanaka | データマイニングによる知識抽出法 |
WO2018014610A1 (zh) * | 2016-07-20 | 2018-01-25 | 武汉斗鱼网络科技有限公司 | 基于c4.5决策树算法的特定用户挖掘系统及其方法 |
US20190213488A1 (en) * | 2016-09-02 | 2019-07-11 | Hithink Financial Services Inc. | Systems and methods for semantic analysis based on knowledge graph |
WO2018072563A1 (zh) * | 2016-10-18 | 2018-04-26 | 中兴通讯股份有限公司 | 一种知识图谱构建方法、装置及系统 |
CN107679110A (zh) * | 2017-09-15 | 2018-02-09 | 广州唯品会研究院有限公司 | 结合文本分类与图片属性提取完善知识图谱的方法及装置 |
WO2021073259A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于知识驱动和数据驱动的分群方法及相关设备 |
CN111159249A (zh) * | 2019-12-13 | 2020-05-15 | 深圳市唯特视科技有限公司 | 基于知识图谱的目标识别方法、装置、系统、存储介质 |
CN111199243A (zh) * | 2019-12-19 | 2020-05-26 | 中国人民解放军战略支援部队信息工程大学 | 一种基于改进决策树的空中目标识别方法及系统 |
WO2021184630A1 (zh) * | 2020-03-19 | 2021-09-23 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱定位排污对象的方法及相关设备 |
CN112035636A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 医疗问诊系统的问答管理方法、装置、设备及存储介质 |
CN112948595A (zh) * | 2021-03-30 | 2021-06-11 | 中国科学院自动化研究所 | 城市群运行状态知识图谱构建方法、系统及设备 |
CN113157800A (zh) * | 2021-03-31 | 2021-07-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 实时发现空中动态目标识别方法 |
Non-Patent Citations (4)
Title |
---|
俞鸿波: "基于关联性的目标动向热点分析", 《电讯技术》 * |
梅发国;戴大伟;张冀;: "基于知识图谱的战场目标关系融合技术", 指挥信息系统与技术 * |
蔡丽艳: "《数据挖掘算法及其应用研究》", 28 February 2013, 成都:电子科技大学出版社 * |
颜博;张佳骥;张鹏;: "海空活动目标数据的时序及关联规律挖掘", 无线电工程 * |
Also Published As
Publication number | Publication date |
---|---|
CN114925833B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Murugan Bhagavathi et al. | Retracted: Weather forecasting and prediction using hybrid C5. 0 machine learning algorithm | |
CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
US20210027040A1 (en) | System for simplified generation of systems for broad area geospatial object detection | |
CN110519128B (zh) | 一种基于随机森林的操作系统识别方法 | |
US9292599B2 (en) | Decision-tree based quantitative and qualitative record classification | |
CN109241227B (zh) | 基于stacking集成学习算法的时空数据预测建模方法 | |
Mashat et al. | A decision tree classification model for university admission system | |
Yang et al. | Feature selection in conditional random fields for map matching of GPS trajectories | |
Rodrigues et al. | Estimating disaggregated employment size from points-of-interest and census data: From mining the web to model implementation and visualization | |
CN113821702A (zh) | 一种城市多维空间多元异构信息数据处理方法 | |
CN109145175B (zh) | 基于stacking集成学习算法的时空数据预测方法 | |
CN114003672A (zh) | 一种道路动态事件的处理方法、装置、设备和介质 | |
CN106611191A (zh) | 基于不确定连续属性的决策树分类器构建方法 | |
CN114925833A (zh) | 一种基于能力数据底图的目标状态规律知识挖掘方法 | |
Massoni et al. | Career-path analysis using optimal matching and self-organizing maps | |
CN116561327A (zh) | 基于聚类算法的政务数据管理方法 | |
CN114492569B (zh) | 一种基于宽度学习系统的台风路径分类方法 | |
CN111427977A (zh) | 电子眼数据的处理方法及装置 | |
US10311084B2 (en) | Method and system for constructing a classifier | |
Gurung et al. | Learning random forest from histogram data using split specific axis rotation | |
CN114611399A (zh) | 一种基于NGBoost算法的PM2.5浓度长时间序列预测方法 | |
Prasad et al. | A novel decision tree approach for the prediction of precipitation using entropy in sliq | |
Yang et al. | A data-driven method for flight time estimation based on air traffic pattern identification and prediction | |
JP2017091083A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Shaji et al. | Weather Prediction Using Machine Learning Algorithms |
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 |