CN115238800B - 一种基于ocsvm的矢量面状要素匹配方法 - Google Patents
一种基于ocsvm的矢量面状要素匹配方法 Download PDFInfo
- Publication number
- CN115238800B CN115238800B CN202210893181.XA CN202210893181A CN115238800B CN 115238800 B CN115238800 B CN 115238800B CN 202210893181 A CN202210893181 A CN 202210893181A CN 115238800 B CN115238800 B CN 115238800B
- Authority
- CN
- China
- Prior art keywords
- matching
- face
- face element
- similarity
- element candidate
- 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.)
- Active
Links
- 239000013598 vector Substances 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- DOIRQSBPFJWKBE-UHFFFAOYSA-N dibutyl phthalate Chemical compound CCCCOC(=O)C1=CC=CC=C1C(=O)OCCCC DOIRQSBPFJWKBE-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 101150011264 setB gene Proteins 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于OCSVM的矢量面状要素匹配方法,包括以下步骤:对两组待匹配的面要素集合进行缓冲区分析和相交分析,得到若干面要素候选匹配对,并计算面要素候选匹配对的相似性指标;从面要素候选匹配对中随机选取部分面要素候选匹配对,并通过目视解译选取其中具有匹配关系的面要素候选匹配对,生成用于识别匹配关系的训练样本集;利用OCSVM分类器学习训练样本集的相似性特征,得到匹配关系的识别模型;利用识别模型识别全部面要素候选匹配对中具有匹配关系的面要素。该矢量面状要素匹配方法能够在少量面要素1:1匹配样本条件下,学习多元面状要素匹配特征,较好地识别同名面状要素匹配关系,可为数字化地质资料质量检查、入库修正等提供技术支撑。
Description
技术领域
本发明涉及矢量数据匹配技术领域,尤其涉及一种基于OCSVM的矢量面状要素匹配方法。
背景技术
地质资料是探索地球的认识积累和客观记载,其数字化成果可以大大提高地质资料服务效率,为地质灾害应急响应、矿山资源开发利用、水资源调查监测等工作提供基础支撑。矢量面状要素是数字化地质资料的主要表现形式之一,如地层岩性、承灾体、人类工程活动等均需通过面状要素表达地质信息分布的空间位置与范围。但由于数据采集时间、获取手段、处理方法、主题内容等差异,不同源数据集常面临数据冗余与信息冲突的问题。面状要素匹配可建立多源数据间同名实体的联系,是数字化地质资料整合与更新的关键技术。
面状要素匹配研究经三十年发展,已从早期利用单一面积重叠度指标发展到多特征组合度量的方式,如利用傅里叶系数构造形状描述特征向量,利用Voronoi图、Delaunay三角网等进行面要素上下文相似性度量。尽管多特征组合可以提高匹配效果,但依赖权重系数法的特征组合方式对系数设置较为敏感,不能产生稳定的匹配结果。面状要素匹配可视为一种有监督的匹配模式分类。有学者利用人工神经网、决策树、支持向量机等数据驱动的机器学习算法,学习数据匹配特征,验证了其在面状要素匹配中自动调节各因素权重的优势,较权重系数法准确性高且更稳定。
采用机器学习方法的面状要素匹配仍面临着样本选择问题。目前应用于面状要素匹配模式识别的机器学习方法主要为二分或多分类模型,需要采集能够代表各类匹配模式典型特征的样本。但面状要素匹配情况复杂,选取包含全部不匹配特征的样本是十分困难的,不完整的训练集可能导致不准确的匹配模式识别结果。
发明内容
本发明的目的在于针对已有的技术现状,提供一种基于OCSVM的矢量面状要素匹配方法。
为达到上述目的,本发明采用如下技术方案:
一种基于OCSVM的矢量面状要素匹配方法,包括以下步骤:
S1、对两组待匹配的面要素集合进行缓冲区分析和相交分析,得到若干面要素候选匹配对,并计算面要素候选匹配对的相似性指标,未建立匹配对的面要素识别为无匹配关系;
其中,1∶1的面要素候选匹配对记为1∶1待匹配集合,1∶N的面要素候选匹配对记为1∶N待匹配集合,M∶N的面要素候选匹配对记为M∶N待匹配集合;
S2、从面要素候选匹配对中随机选取部分面要素候选匹配对,并通过目视解译选取其中具有匹配关系的面要素候选匹配对,生成用于识别匹配关系的训练样本集;
S3、利用OCSVM分类器学习训练样本集的相似性特征,得到匹配关系的识别模型;
S4、利用识别模型识别全部面要素候选匹配对中具有匹配关系的面要素;
S41、1∶1待匹配集合中,未建立匹配关系的面要素均识别为无匹配关系;
S42、1∶N待匹配集合中,经过步骤S4识别后,若建立匹配关系,则余下未建立匹配关系的面要素识别为无匹配关系;若未建立匹配关系,则将集合中的面要素进行合并,形成由N1个面要素组成的新面要素,N≥N1≥2,对应形成若干1∶1的新面要素候选匹配对,并计算新面要素候选匹配对的相似性指标,重复步骤S4、S41;
S43、M∶N待匹配集合中,经过步骤S4识别后,若建立匹配关系后,M=0或N=0或M和N同时为1,则余下未建立匹配关系的面要素均识别为无匹配关系;若建立匹配关系后,M≥1,N≥1,且M和N不同时为1,则将集合中未建立匹配关系的面要素进行合并,形成由M2个要素组成的新面要素和N2个要素组成的新面要素,M≥M2≥1,N≥N2≥1,且M2和N2不同时为1,对应形成若干组1∶1的新面要素候选匹配对,并计算新面要素候选匹配对的相似性指标,重复步骤S4、S41。
进一步的,所述面要素候选匹配对的相似性指标包括位置相似度、面积相似度、方向相似度、形状相似度、面积重叠度、上下文相似度。
进一步的,所述位置相似度的计算方式如下:
其中,ai,bj为面要素候选匹配对,i∈[1,m],j∈[1,n],(x1,y1)和(x2,y2)分别为面要素候选匹配对ai,bj的中心点,U为面要素候选匹配对任意边界点间距离的最大值。
进一步的,所述面积相似度的计算方式如下:
其中,ai,bj为面要素候选匹配对,i∈[1,m],j∈[1,n],Area(·)为面积计算函数。
进一步的,所述方向相似度计算方式如下:
其中,ai,bj为面要素候选匹配对,i∈[1,m],j∈[1,n],θ(·)为面要素最小外接矩形长边方向。
进一步的,所述形状相似度计算方式如下:
其中,ai,bj为面要素候选匹配对,i∈[1,m],j∈[1,n],length(·)是面要素外接矩形长度,width(∶)是面要素外接矩形宽度。
进一步的,所述面积重叠度计算方式如下:
其中,ai,bj为面要素候选匹配对,i∈[1,m],j∈[1,n],Area(·)为面积计算函数。
进一步的,所述上下文相似度计算方式如下:
其中,
ai,bj为面要素候选匹配对,ah,bk为区域内已知匹配对,i、h∈[1,m],j、k∈[1,n],d(ai,ah)与d(bj,bk)为面要素几何中心距离,为面要素ai和ah的矢量质心连线与x正轴夹角,为面要素bj和bk的质心连线与x正轴夹角。本发明的有益效果为:
将矢量面状要素匹配问题转化为匹配模式识别问题,利用聚焦于单类别特征学习的OCSVM模型,识别矢量面要素1∶1、1∶0、1∶N和M∶N的匹配关系。该模型能够利用机器学习数据驱动优势,在无负样本条件下仅使用1∶1匹配样本,自动学习矢量面要素相似特征,调节各相似性指标权重,达到匹配关系识别效果。
附图说明
图1为本发明矢量面状要素匹配方法的流程图;
图2为本发明不同匹配关系的示意图;
图3为部分实验数据偏差示意图;
图4为部分实验数据匹配结果示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
请参阅图1所示,一种基于OCSVM(One Class SVM,一类分类模型)的矢量面状要素匹配方法,包括以下步骤:
S1、在统一数学基础后,对两组待匹配的面要素集合SetA和SetB进行缓冲区分析,得到面要素缓冲区集合BufA与BufB,再通过相交分析工具对BufA与BufB进行相交计算,两集合中相交元素所对应的两面要素则为面要素候选匹配对。
通过上述空间分析得到若干面要素候选匹配对,并计算面要素候选匹配对的相似性指标。
其中,1∶1的面要素候选匹配对记为1∶1待匹配集合,1∶N的面要素候选匹配对记为1∶N待匹配集合,M∶N的面要素候选匹配对记为M∶N待匹配集合。例如,面要素集合{a1,a2,...,am}∈SetA与{b1,b2,...,bn}∈SetB中分别有m与n个面要素,1∶1面要素候选匹配对可以记为(a1|b1),1∶N的面要素候选匹配对可以记为(a2|b2,b4),M∶N的面要素候选匹配对可以记为(a3,a4|b3,b5,b6)。
经过步骤S1后,未建立匹配对的面要素识别为无匹配关系,即未建立匹配对的面要素识别为具有1∶0匹配关系。
为减少匹配关系遗漏,可将缓冲距离设置为集合SetA与SetB最大系统偏差的两倍,以保留更多面要素候选匹配对。
面要素候选匹配对的相似性指标包括位置相似度、面积相似度、方向相似度、形状相似度、面积重叠度、上下文相似度。
位置相似度的计算方式如下:
其中,ai,bj为面要素候选匹配对,i∈[1,m],j∈[1,n],(x1,y1)和(x2,y2)分别为面要素候选匹配对ai,bj的中心点,U为面要素候选匹配对任意边界点间距离的最大值。
面积相似度的计算方式如下:
其中,ai,bj为面要素候选匹配对,i∈[1,m],j∈[1,n],Area(·)为面积计算函数。
方向相似度计算方式如下:
其中,ai,bj为面要素候选匹配对,i∈[1,m],j∈[1,n],θ(·)为面要素最小外接矩形长边方向。
形状相似度计算方式如下:
其中,ai,bj为面要素候选匹配对,i∈[1,m],j∈[1,n],length(·)是面要素外接矩形长度,width(·)是面要素外接矩形宽度。
面积重叠度计算方式如下:
其中,ai,bj为面要素候选匹配对,i∈[1,m],j∈[1,n],Area(·)为面积计算函数。
上下文相似度计算方式如下:
其中,
ai,bj为面要素候选匹配对,ah,bk为区域内已知匹配对,i、h∈[1,m],j、k∈[1,n],d(ai,ah)与d(bj,bk)为面要素几何中心距离,为面要素ai和ah的矢量质心连线与x正轴夹角,为面要素bj和bk的质心连线与x正轴夹角。
S2、从面要素候选匹配对中随机选取部分面要素候选匹配对,并通过目视解译选取其中具有匹配关系的面要素候选匹配对,生成用于识别匹配关系的训练样本集。
随机选取可保证样本均匀分布在数据空间中。作为其中一种优选的实施方式,为保证命中足够的训练样本,随机选取数量可设置为总数据量的50%。
S3、利用OCSVM分类器学习训练样本集的相似性特征,得到匹配关系的识别模型。作为其中一种优选的实施方式,为获得最优参数,利用25%的训练数据进行参数寻优,设置自由参数v={0.01,0.02,...,0.5},γ={2-4,2-3,...,210},训练每组自由参数组合,记录精度最高的自由参数组合,以此设置分类器参数v与γ。
S4、利用识别模型识别全部面要素候选匹配对中具有匹配关系的面要素;
S41、1∶1待匹配集合中,未建立匹配关系的面要素均识别为无匹配关系,即未建立匹配对的面要素识别为具有1∶0匹配关系。
S42、1∶N待匹配集合中,经过步骤S4识别后,若建立匹配关系,则余下未建立匹配关系的面要素识别为无匹配关系,即未建立匹配对的面要素识别为具有1∶0匹配关系;若未建立匹配关系,则将集合中的面要素进行合并,形成由N1个面要素组成的新面要素,N≥N1≥2,对应形成若干1∶1的新面要素候选匹配对,并计算新面要素候选匹配对的相似性指标,重复步骤S4、S41。
具体的,在步骤S42中重复步骤S4、S41时,利用识别模型识别全部新面要素候选匹配对中具有匹配关系的面要素,未建立匹配关系的面要素均识别为无匹配关系,即未建立匹配对的面要素识别为具有1∶0匹配关系,建立匹配关系的面要素均识别为具有匹配关系,即建立匹配对的面要素识别为具有1∶N匹配关系。
S43、M∶N待匹配集合中,经过步骤S4识别后,若建立匹配关系后,M=0或N=0或M和N同时为1,则余下未建立匹配关系的面要素均识别为无匹配关系;若建立匹配关系后,M≥1,N≥1,且M和N不同时为1,则将集合中未建立匹配关系的面要素进行合并,形成由M2个要素组成的新面要素和N2个要素组成的新面要素,M≥M2≥1,N≥N2≥1,且M2和N2不同时为1,对应形成若干组1∶1的新面要素候选匹配对,并计算新面要素候选匹配对的相似性指标,重复步骤S4、S41。
具体的,在步骤S43中重复步骤S4、S41时,利用识别模型识别全部新面要素候选匹配对中具有匹配关系的面要素,未建立匹配关系的面要素均识别为无匹配关系,即未建立匹配对的面要素识别为具有1∶0匹配关系,建立匹配关系的面要素均识别为具有匹配关系,即建立匹配对的面要素识别为具有1∶N匹配关系或M∶N匹配关系。
上述步骤S42、步骤S43是将1∶N的面要素候选匹配对和M∶N的的面要素候选匹配对转换为1∶1的的面要素候选匹配对进行识别。例如图2中,面要素a1与其候选匹配b1、b2均未能建立匹配关系,则合并候选匹配要素b1与b2,重新计算位置相似度、面积相似度、方向相似度、形状相似度、面积重叠度和上下文相似度指标,然后识别合并后面状要素与a1的匹配关系。若匹配,则a1与b1、b2具有1∶N匹配关系。
需要说明的是,步骤S42、步骤S43中,建立匹配关系后的面要素候选匹配对默认从待匹配集合中移除。
具体的,以某一地区为试验区,选取比例尺1∶1000下两种不同来源的矢量居民地面状数据(分别包含6522和8385个面状要素),数据偏差如图3所示。采用上述方法进行矢量面状要素匹配,并与传统的加权平均、SVM分类方法进行匹配效果比较。
实验结果精度对比如表1所示,部分匹配结果如图4所示。精度评价通过与人工匹配结果比对,计算匹配的准确率P、召回率R和F值,计算公式如下:
其中,TP为正确匹配数,FP为错误匹配数,FN为漏匹配数。
方法 | 准确率P | 召回率R | F值 |
本发明 | 0.97 | 0.91 | 0.92 |
SVM | 0.96 | 0.84 | 0.90 |
加权平均 | 0.85 | 0.88 | 0.87 |
表1:匹配结果精度对比
综上,该矢量面状要素匹配方法能够在少量面要素1∶1匹配样本条件下,学习多元面状要素匹配特征,较好地识别同名面状要素匹配关系,可为数字化地质资料质量检查、入库修正等提供技术支撑。
当然,以上仅为本发明较佳实施方式,并非以此限定本发明的使用范围,故,凡是在本发明原理上做等效改变均应包含在本发明的保护范围内。
Claims (8)
1.一种基于OCSVM的矢量面状要素匹配方法,其特征在于:包括以下步骤:
S1、对两组待匹配的面要素集合进行缓冲区分析和相交分析,得到若干面要素候选匹配对,并计算面要素候选匹配对的相似性指标,未建立匹配对的面要素识别为无匹配关系;
其中,1:1的面要素候选匹配对记为1:1待匹配集合,1:N的面要素候选匹配对记为1:N待匹配集合,M:N的面要素候选匹配对记为M:N待匹配集合;
S2、从面要素候选匹配对中随机选取部分面要素候选匹配对,并通过目视解译选取其中具有匹配关系的面要素候选匹配对,生成用于识别匹配关系的训练样本集;
S3、利用OCSVM分类器学习训练样本集的相似性特征,得到匹配关系的识别模型;
S4、利用识别模型识别全部面要素候选匹配对中具有匹配关系的面要素;
S41、1:1待匹配集合中,未建立匹配关系的面要素均识别为无匹配关系;
S42、1:N待匹配集合中,经过步骤S4识别后,若建立匹配关系,则余下未建立匹配关系的面要素识别为无匹配关系;若未建立匹配关系,则将集合中的面要素进行合并,形成由N1个面要素组成的新面要素,N≥N1≥2,对应形成若干1:1的新面要素候选匹配对,并计算新面要素候选匹配对的相似性指标,重复步骤S4、S41;
S43、M:N待匹配集合中,经过步骤S4识别后,若建立匹配关系后,M=0或N=0或M和N同时为1,则余下未建立匹配关系的面要素均识别为无匹配关系;若建立匹配关系后,M≥1,N≥1,且M和N不同时为1,则将集合中未建立匹配关系的面要素进行合并,形成由M2个要素组成的新面要素和N2个要素组成的新面要素,M≥M2≥1,N≥N2≥1,且M2和N2不同时为1,对应形成若干组1:1的新面要素候选匹配对,并计算新面要素候选匹配对的相似性指标,重复步骤S4、S41。
2.根据权利要求1所述的一种基于OCSVM的矢量面状要素匹配方法,其特征在于:所述面要素候选匹配对的相似性指标包括位置相似度、面积相似度、方向相似度、形状相似度、面积重叠度、上下文相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893181.XA CN115238800B (zh) | 2022-07-27 | 2022-07-27 | 一种基于ocsvm的矢量面状要素匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893181.XA CN115238800B (zh) | 2022-07-27 | 2022-07-27 | 一种基于ocsvm的矢量面状要素匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115238800A CN115238800A (zh) | 2022-10-25 |
CN115238800B true CN115238800B (zh) | 2023-04-28 |
Family
ID=83677468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210893181.XA Active CN115238800B (zh) | 2022-07-27 | 2022-07-27 | 一种基于ocsvm的矢量面状要素匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238800B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574519A (zh) * | 2015-01-31 | 2015-04-29 | 华北水利水电大学 | 多源居民地面要素的免阈值自动稳健匹配方法 |
CN110348483A (zh) * | 2019-06-06 | 2019-10-18 | 重庆工商大学融智学院 | 基于空间信息与统计学习的空间信息变化检测与分类方法 |
CN110704559A (zh) * | 2019-09-09 | 2020-01-17 | 武汉大学 | 一种多尺度矢量面数据匹配方法 |
CN112861341A (zh) * | 2021-02-04 | 2021-05-28 | 江西师范大学 | 一种结合形状和环境特征的多尺度面要素匹配方法及系统 |
-
2022
- 2022-07-27 CN CN202210893181.XA patent/CN115238800B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574519A (zh) * | 2015-01-31 | 2015-04-29 | 华北水利水电大学 | 多源居民地面要素的免阈值自动稳健匹配方法 |
CN110348483A (zh) * | 2019-06-06 | 2019-10-18 | 重庆工商大学融智学院 | 基于空间信息与统计学习的空间信息变化检测与分类方法 |
CN110704559A (zh) * | 2019-09-09 | 2020-01-17 | 武汉大学 | 一种多尺度矢量面数据匹配方法 |
CN112861341A (zh) * | 2021-02-04 | 2021-05-28 | 江西师范大学 | 一种结合形状和环境特征的多尺度面要素匹配方法及系统 |
Non-Patent Citations (5)
Title |
---|
Consistent Pose Normalization of Non-Rigid Shapes using One-Class Support Vector Machines;Panagiotis Papadakis等;《Researchgate》;20110731;第24-31页 * |
PATTERN CLASSIFICATION APPROACHES TO MATCHING BUILDING POLYGONS AT MULTIPLE SCALES;Xiang Zhang等;《ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences》;20120930;第19-24页 * |
一种复杂矢量面状实体的匹配方法;张家新等;《山东理工大学学报(自然科学版)》;20170930;第65-69页 * |
基于层次匹配的面状要素几何匹配方法研究;张旗升等;《地球信息科学》;20160831;第18卷(第8期);第1043-1051页 * |
复 杂面状矢量要素快速形状匹配方法;付仲良等;《测绘通报》;20111231(第3期);第26-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115238800A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814871B (zh) | 一种基于可靠权重最优传输的图像分类方法 | |
CN109800648B (zh) | 基于人脸关键点校正的人脸检测识别方法及装置 | |
CN108564129B (zh) | 一种基于生成对抗网络的轨迹数据分类方法 | |
CN101980250B (zh) | 基于降维局部特征描述子和隐条件随机场的目标识别方法 | |
CN105223546B (zh) | 基于接收信号强度和参考点位置双聚类的室内定位方法 | |
CN113159163A (zh) | 一种基于多元时序数据分析的轻量级无监督异常检测方法 | |
CN115187610A (zh) | 基于图神经网络的神经元形态分析方法、设备及存储介质 | |
CN109543693A (zh) | 基于正则化标签传播的弱标注数据降噪方法 | |
CN110674940A (zh) | 一种基于神经网络的多指标异常检测方法 | |
CN110990784A (zh) | 一种基于梯度提升回归树的烟支通风率预测方法 | |
CN109840466A (zh) | 基于聚类及全局/局部距离综合的多重度量学习方法 | |
CN113887342A (zh) | 基于多源信号和深度学习的设备故障诊断方法 | |
CN115238800B (zh) | 一种基于ocsvm的矢量面状要素匹配方法 | |
CN113641733A (zh) | 一种河道断面流量实时智能推求方法 | |
CN106056167A (zh) | 一种基于高斯核混合人工蜂群算法的归一化可能性模糊熵聚类方法 | |
CN111239715B (zh) | 一种联合灰色关联和神经网络的指纹定位方法 | |
CN109087321B (zh) | 一种基于视通路多层级抑制区协同作用的轮廓检测方法 | |
CN113516766B (zh) | 一种基于神经网络算法的独立坐标系参数分析方法及系统 | |
CN106951888B (zh) | 人脸特征点的相对坐标约束方法以及定位方法 | |
WO2022188574A1 (zh) | 一种回归任务的深度学习方法和装置 | |
CN115601745A (zh) | 一种面向应用端的多视图三维物体识别方法 | |
CN112738724B (zh) | 一种区域目标人群的精准识别方法、装置、设备和介质 | |
CN114818945A (zh) | 融入类别自适应度量学习的小样本图像分类方法及装置 | |
CN116363498A (zh) | 基于深度迁移学习的黄土高原梯田自动识别方法 | |
CN110348323B (zh) | 一种基于神经网络优化的穿戴式设备手势识别方法 |
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 |