CN115587231A - 基于云计算平台的数据组合处理及快速存储调取方法 - Google Patents

基于云计算平台的数据组合处理及快速存储调取方法 Download PDF

Info

Publication number
CN115587231A
CN115587231A CN202211257931.0A CN202211257931A CN115587231A CN 115587231 A CN115587231 A CN 115587231A CN 202211257931 A CN202211257931 A CN 202211257931A CN 115587231 A CN115587231 A CN 115587231A
Authority
CN
China
Prior art keywords
data
combination processing
groups
processing
cloud computing
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
Application number
CN202211257931.0A
Other languages
English (en)
Inventor
田伟
金仲存
张美晶
郝美萍
朱威
窦林涛
吴越
王沿甲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Yinjiang Wisdom City Technology Co ltd
Original Assignee
Xi'an Yinjiang Wisdom City Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Yinjiang Wisdom City Technology Co ltd filed Critical Xi'an Yinjiang Wisdom City Technology Co ltd
Priority to CN202211257931.0A priority Critical patent/CN115587231A/zh
Publication of CN115587231A publication Critical patent/CN115587231A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0638—Organizing or formatting or addressing of data
    • G06F3/0643—Management of files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
    • G06F3/0671—In-line storage system
    • G06F3/0673—Single storage device
    • G06F3/0679—Non-volatile semiconductor memory device, e.g. flash memory, one time programmable memory [OTP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于云计算平台的数据组合处理及快速存储调取方法，包括如下步骤：步骤一、数据组合处理：采用朴素贝叶斯分类方法对数据库中的海量数据进行先分类，后聚类组合处理；A、先利用朴素贝叶斯分类方式对数据库中的海量数据进行模型建立，并描述预先的数据集或概念集，通过步骤一和步骤二的流程配合，采用朴素贝叶斯分类方法对数据库中的海量数据进行先分类，后聚类组合处理，再对组合处理后的数据采用闪存方式进行快速存储，后采用分割读取方式对存储的海量数据进行调取，实现集组合处理和快速存储调取于一体的高精度和高速度管控效果，无需对海量数据进行三步分拆操作，具有耗时短、精度高和效率高的优点。

Description

基于云计算平台的数据组合处理及快速存储调取方法
技术领域
本发明涉及云计算平台数据处理以及存储调取技术领域，具体为基于云计算平台的数据组合处理及快速存储调取方法。
背景技术
云计算平台也称为云平台，云计算平台可以划分为3类:以数据存储为主的存储型云平台，以数据处理为主的计算型云平台以及计算和数据存储处理兼顾的综合云计算平台。
随着现在互联网技术的日益发展，在生活和工作中会产生海量数据，为了方便对海量数据进行管控，需要借助基于云计算平台，而目前使用的云计算平台管控方法，不能实现集组合处理和快速存储调取于一体的高精度和高速度管控效果，需要分拆成三步方可对海量数据进行组合处理、快速存储和快速调取操作，耗时较长，精度较差，效率低下，为此，提出基于云计算平台的数据组合处理及快速存储调取方法。
发明内容
本发明的目的在于提供基于云计算平台的数据组合处理及快速存储调取方法，以解决上述背景技术中提出的不能实现集组合处理和快速存储调取于一体的高精度和高速度管控效果，需要分拆成三步方可对海量数据进行组合处理、快速存储和快速调取操作，耗时较长，精度较差，效率低下的问题。
为实现上述目的，本发明提供如下技术方案：基于云计算平台的数据组合处理及快速存储调取方法，包括如下步骤：
步骤一、数据组合处理：采用朴素贝叶斯分类方法对数据库中的海量数据进行先分类，后聚类组合处理；
A、先利用朴素贝叶斯分类方式对数据库中的海量数据进行模型建立，并描述预先的数据集或概念集；
B、再对朴素贝叶斯数据模型进行指导学习，即假定每个样本都有一个预先定义的类；
C、后对指导学习后的n组数据模型样品根据k-平均聚类算法进行聚类组合处理，根据n组数据模型样品中相似程度的度量，将数据对象分为多个类或簇，且同一簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大；
D、最后对聚类组合处理后的n组数据模型样品时间序列、符号序列、文本数据以及多媒体数据进行复杂性处理；
步骤二、数据存储调取：先对步骤一中处理后的数据采用闪存方式进行快速存储，再采用分割读取方式对存储的海量数据进行调取；
a、先使用fgets读取存储数据中具有特征性的一行字符串，例如：姓名、时间、地点、数字等信息；
B、再对输入的字符串进行分割处理；
c、对输入字符串进行分割处理后，使用atof函数将分割后的字符串转换为数值；
d、再将转换为数值的字符串在存储的数据库内进行逐行读文件获取文件行数N，获取后再关闭文件；
e、获取文件行数N后，再开辟长度为N的点云数据结构类型内存空间对步骤一中处理后的数据采用闪存方式进行快速存储；
f、需要对存储后的数据调取时，直接输入具有特征性的一行字符串，即可立即弹出相对应的数据包或数据集。
优选的，所述在步骤一B中，经过朴素贝叶斯方法建立的数据模型先通过对象的先验概率，再计算出其后验概率，即对象属于哪一类的概率，后选择具有最大后验概率的类作为该数据对象的所属类。
优选的，所述在步骤一B中，对数据对象的所属类选择完成后，设x＝{al，a2，a……am}为一个待分类项，而每一个a为x的一个特征属性，有类别集合c＝{yl，y2，y3……yn}，计算p(y1/x)，p(y2/x)，p(y3/x)，p(y4/x)，……p(yn/x)各个条件概率，如果P(yk/x)＝max{p(y1/x)，p(y2/x)，p(y3/x)，p(y4/x)，……p(yn/x)}则属于x中某个类，且P(yi/x)＝p(x/yi)p(yi)/p(x)。
优选的，所述在步骤一C中，根据k-平均聚类算法对n组数据模型样本中的数据进行分割，即算法公式为：V＝∑k i＝1∑xj∈sj(xj-μi)2，把n组数据模型样品根据各自数据属性分为k个分割群组Si，i＝1/2/3、....k，k＜n，μi是群组Si中所有xj的中心点。
优选的，所述在步骤一D中，先按符合时间序列条件的n组数据模型样品根据不同时间点重复处理特性整理成以数据集形式的数值序列，并采用相似性搜索，通常要先对时间序列数据进行数据或维度归约和变换，且归约技术可以采用离散傅里叶变换、离散小波变换、基于主成分分析的奇异值分解等方式中的一种。
优选的，所述在步骤一D中，再按符合符号序列条件的n组数据模型样品根据元素或事件进行有序集组成，并用时间戳的方式标记记录或未记录数据的具体时间。
优选的，所述在步骤一D中，若n组数据模型样品中存在包括图像﹑视频、音频等多媒体数据时，采用基于内容检索和相似性、泛化和多维分析的方法进行处理。
优选的，所述在步骤一D中，若n组数据模型样品中存在文本格式类数据包时，按照文本分类、文档聚类﹑概念/实体提取﹑文档摘要、分类系统的产生、观点分析、实体关系建模流程处理，且文本处理方法采用WordNet，SematicWeb、Wikipedia和其它信息源中的一种。
与现有技术相比，本发明的有益效果是：
本发明中，通过步骤一和步骤二的流程配合，采用朴素贝叶斯分类方法对数据库中的海量数据进行先分类，后聚类组合处理，再对组合处理后的数据采用闪存方式进行快速存储，后采用分割读取方式对存储的海量数据进行调取，实现集组合处理和快速存储调取于一体的高精度和高速度管控效果，无需对海量数据进行三步分拆操作，具有耗时短、精度高和效率高的优点，满足当下快节奏和高质量的生活和工作需求。
具体实施方式
下面将结合本发明实施例中的内容，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
实施例1
本发明提供技术方案：基于云计算平台的数据组合处理及快速存储调取方法，包括如下步骤：
步骤一、数据组合处理：采用朴素贝叶斯分类方法对数据库中的海量数据进行先分类，后聚类组合处理；
A、先利用朴素贝叶斯分类方式对数据库中的海量数据进行模型建立，并描述预先的数据集或概念集；
B、再对朴素贝叶斯数据模型进行指导学习，即假定每个样本都有一个预先定义的类；
C、后对指导学习后的n组数据模型样品根据k-平均聚类算法进行聚类组合处理，根据n组数据模型样品中相似程度的度量，将数据对象分为多个类或簇，且同一簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大；
D、最后对聚类组合处理后的n组数据模型样品时间序列、符号序列、文本数据以及多媒体数据进行复杂性处理；
步骤二、数据存储调取：先对步骤一中处理后的数据采用闪存方式进行快速存储，再采用分割读取方式对存储的海量数据进行调取；
a、先使用fgets读取存储数据中具有特征性的一行字符串，例如：姓名、时间、地点、数字等信息；
B、再对输入的字符串进行分割处理；
c、对输入字符串进行分割处理后，使用atof函数将分割后的字符串转换为数值；
d、再将转换为数值的字符串在存储的数据库内进行逐行读文件获取文件行数N，获取后再关闭文件；
e、获取文件行数N后，再开辟长度为N的点云数据结构类型内存空间对步骤一中处理后的数据采用闪存方式进行快速存储；
f、需要对存储后的数据调取时，直接输入具有特征性的一行字符串，即可立即弹出相对应的数据包或数据集，通过步骤一和步骤二的流程配合，采用朴素贝叶斯分类方法对数据库中的海量数据进行先分类，后聚类组合处理，再对组合处理后的数据采用闪存方式进行快速存储，后采用分割读取方式对存储的海量数据进行调取，实现集组合处理和快速存储调取于一体的高精度和高速度管控效果，无需对海量数据进行三步分拆操作，具有耗时短、精度高和效率高的优点，满足当下快节奏和高质量的生活和工作需求。
实施例2
本发明提供技术方案：基于云计算平台的数据组合处理及快速存储调取方法，包括如下步骤：
步骤一、数据组合处理：采用朴素贝叶斯分类方法对数据库中的海量数据进行先分类，后聚类组合处理；
A、先利用朴素贝叶斯分类方式对数据库中的海量数据进行模型建立，并描述预先的数据集或概念集；
B、再对朴素贝叶斯数据模型进行指导学习，即假定每个样本都有一个预先定义的类，经过朴素贝叶斯方法建立的数据模型先通过对象的先验概率，再计算出其后验概率，即对象属于哪一类的概率，后选择具有最大后验概率的类作为该数据对象的所属类，对数据对象的所属类选择完成后，设x＝{al，a2，a……am}为一个待分类项，而每一个a为x的一个特征属性，有类别集合c＝{yl，y2，y3……yn}，计算p(y1/x)，p(y2/x)，p(y3/x)，p(y4/x)，……p(yn/x)各个条件概率，如果P(yk/x)＝max{p(y1/x)，p(y2/x)，p(y3/x)，p(y4/x)，……p(yn/x)}则属于x中某个类，且P(yi/x)＝p(x/yi)p(yi)/p(x)，实现对数据模型进行精准有序的指导学习效果，降低数据模型的分类失误率，朴素贝叶斯分类在应用于大型数据库时，表现出高准确率与高速度，同时也可以处理不完整和带有噪音的数据集，从而解决数据间不一致，甚至相互独立的问题；
C、后对指导学习后的n组数据模型样品根据k-平均聚类算法进行聚类组合处理，根据k-平均聚类算法对n组数据模型样本中的数据进行分割，即算法公式为：V＝∑k i＝1∑xj∈sj(xj-μi)2，把n组数据模型样品根据各自数据属性分为k个分割群组Si，i＝1/2/3、....k，k＜n，μi是群组Si中所有xj的中心点，实现n组数据模型样品聚类组合处理时的精准度和高效性，根据n组数据模型样品中相似程度的度量，将数据对象分为多个类或簇，且同一簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大；
D、最后对聚类组合处理后的n组数据模型样品时间序列、符号序列、文本数据以及多媒体数据进行复杂性处理，先按符合时间序列条件的n组数据模型样品根据不同时间点重复处理特性整理成以数据集形式的数值序列，并采用相似性搜索，通常要先对时间序列数据进行数据或维度归约和变换，且归约技术可以采用离散傅里叶变换、离散小波变换、基于主成分分析的奇异值分解等方式中的一种，再按符合符号序列条件的n组数据模型样品根据元素或事件进行有序集组成，并用时间戳的方式标记记录或未记录数据的具体时间，若n组数据模型样品中存在包括图像﹑视频、音频等多媒体数据时，采用基于内容检索和相似性、泛化和多维分析的方法进行处理，若n组数据模型样品中存在文本格式类数据包时，按照文本分类、文档聚类﹑概念/实体提取﹑文档摘要、分类系统的产生、观点分析、实体关系建模流程处理，且文本处理方法采用WordNet，SematicWeb、Wikipedia和其它信息源中的一种，以增强文本数据的理解和挖掘，同时也提高n组数据模型样品按照时间序列、符号序列、文本数据以及多媒体数据的复杂性处理精准度和高效性，具有处理范围广、处理面全的优点，应对各种形式数据的处理需求；
步骤二、数据存储调取：先对步骤一中处理后的数据采用闪存方式进行快速存储，再采用分割读取方式对存储的海量数据进行调取；
a、先使用fgets读取存储数据中具有特征性的一行字符串，例如：姓名、时间、地点、数字等信息；
B、再对输入的字符串进行分割处理；
c、对输入字符串进行分割处理后，使用atof函数将分割后的字符串转换为数值；
d、再将转换为数值的字符串在存储的数据库内进行逐行读文件获取文件行数N，获取后再关闭文件；
e、获取文件行数N后，再开辟长度为N的点云数据结构类型内存空间对步骤一中处理后的数据采用闪存方式进行快速存储；
f、需要对存储后的数据调取时，直接输入具有特征性的一行字符串，即可立即弹出相对应的数据包或数据集，通过步骤一和步骤二的流程配合，采用朴素贝叶斯分类方法对数据库中的海量数据进行先分类，后聚类组合处理，再对组合处理后的数据采用闪存方式进行快速存储，后采用分割读取方式对存储的海量数据进行调取，实现集组合处理和快速存储调取于一体的高精度和高速度管控效果，无需对海量数据进行三步分拆操作，具有耗时短、精度高和效率高的优点，满足当下快节奏和高质量的生活和工作需求。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.基于云计算平台的数据组合处理及快速存储调取方法，其特征在于：包括如下步骤：
步骤一、数据组合处理：采用朴素贝叶斯分类方法对数据库中的海量数据进行先分类，后聚类组合处理；
A、先利用朴素贝叶斯分类方式对数据库中的海量数据进行模型建立，并描述预先的数据集或概念集；
B、再对朴素贝叶斯数据模型进行指导学习，即假定每个样本都有一个预先定义的类；
C、后对指导学习后的n组数据模型样品根据k-平均聚类算法进行聚类组合处理，根据n组数据模型样品中相似程度的度量，将数据对象分为多个类或簇，且同一簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大；
D、最后对聚类组合处理后的n组数据模型样品时间序列、符号序列、文本数据以及多媒体数据进行复杂性处理；
步骤二、数据存储调取：先对步骤一中处理后的数据采用闪存方式进行快速存储，再采用分割读取方式对存储的海量数据进行调取；
a、先使用fgets读取存储数据中具有特征性的一行字符串，例如：姓名、时间、地点、数字等信息；
b、再对输入的字符串进行分割处理；
c、对输入字符串进行分割处理后，使用atof函数将分割后的字符串转换为数值；
d、再将转换为数值的字符串在存储的数据库内进行逐行读文件获取文件行数N，获取后再关闭文件；
e、获取文件行数N后，再开辟长度为N的点云数据结构类型内存空间对步骤一中处理后的数据采用闪存方式进行快速存储；
f、需要对存储后的数据调取时，直接输入具有特征性的一行字符串，即可立即弹出相对应的数据包或数据集。
2.根据权利要求1所述的基于云计算平台的数据组合处理及快速存储调取方法，其特征在于：所述在步骤一B中，经过朴素贝叶斯方法建立的数据模型先通过对象的先验概率，再计算出其后验概率，即对象属于哪一类的概率，后选择具有最大后验概率的类作为该数据对象的所属类。
3.根据权利要求2所述的基于云计算平台的数据组合处理及快速存储调取方法，其特征在于：所述在步骤一B中，对数据对象的所属类选择完成后，设x＝{al，a2，a……am}为一个待分类项，而每一个a为x的一个特征属性，有类别集合c＝{yl，y2，y3……yn}，计算p(y1/x)，p(y2/x)，p(y3/x)，p(y4/x)，……p(yn/x)各个条件概率，如果P(yk/x)＝max{p(y1/x)，p(y2/x)，p(y3/x)，p(y4/x)，……p(yn/x)}则属于x中某个类，且P(yi/x)＝p(x/yi)p(yi)/p(x)。
4.根据权利要求1所述的基于云计算平台的数据组合处理及快速存储调取方法，其特征在于：所述在步骤一C中，根据k-平均聚类算法对n组数据模型样本中的数据进行分割，即算法公式为：V＝∑k i＝1∑xj∈sj(xj-μi)2，把n组数据模型样品根据各自数据属性分为k个分割群组Si，i＝1/2/3、....k，k＜n，μi是群组Si中所有xj的中心点。
5.根据权利要求1所述的基于云计算平台的数据组合处理及快速存储调取方法，其特征在于：所述在步骤一D中，先按符合时间序列条件的n组数据模型样品根据不同时间点重复处理特性整理成以数据集形式的数值序列，并采用相似性搜索，通常要先对时间序列数据进行数据或维度归约和变换，且归约技术可以采用离散傅里叶变换、离散小波变换、基于主成分分析的奇异值分解等方式中的一种。
6.根据权利要求1所述的基于云计算平台的数据组合处理及快速存储调取方法，其特征在于：所述在步骤一D中，再按符合符号序列条件的n组数据模型样品根据元素或事件进行有序集组成，并用时间戳的方式标记记录或未记录数据的具体时间。
7.根据权利要求1所述的基于云计算平台的数据组合处理及快速存储调取方法，其特征在于：所述在步骤一D中，若n组数据模型样品中存在包括图像﹑视频、音频等多媒体数据时，采用基于内容检索和相似性、泛化和多维分析的方法进行处理。
8.根据权利要求1所述的基于云计算平台的数据组合处理及快速存储调取方法，其特征在于：所述在步骤一D中，若n组数据模型样品中存在文本格式类数据包时，按照文本分类、文档聚类﹑概念/实体提取﹑文档摘要、分类系统的产生、观点分析、实体关系建模流程处理，且文本处理方法采用WordNet，SematicWeb、Wikipedia和其它信息源中的一种。
CN202211257931.0A 2022-10-13 2022-10-13 基于云计算平台的数据组合处理及快速存储调取方法 Pending CN115587231A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211257931.0A CN115587231A (zh) 2022-10-13 2022-10-13 基于云计算平台的数据组合处理及快速存储调取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211257931.0A CN115587231A (zh) 2022-10-13 2022-10-13 基于云计算平台的数据组合处理及快速存储调取方法

Publications (1)

Publication Number Publication Date
CN115587231A true CN115587231A (zh) 2023-01-10

Family

ID=84780495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211257931.0A Pending CN115587231A (zh) 2022-10-13 2022-10-13 基于云计算平台的数据组合处理及快速存储调取方法

Country Status (1)

Country Link
CN (1) CN115587231A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116204136A (zh) * 2023-05-04 2023-06-02 山东浪潮科学研究院有限公司 一种数据存储、查询方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116204136A (zh) * 2023-05-04 2023-06-02 山东浪潮科学研究院有限公司 一种数据存储、查询方法、装置、设备及存储介质
CN116204136B (zh) * 2023-05-04 2023-08-15 山东浪潮科学研究院有限公司 一种数据存储、查询方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
TWI696081B (zh) 樣本集的處理方法及裝置、樣本的查詢方法及裝置
CN106383877B (zh) 一种社交媒体在线短文本聚类和话题检测方法
Kong et al. Transductive multilabel learning via label set propagation
CN108573045B (zh) 一种基于多阶指纹的比对矩阵相似度检索方法
CN107862070B (zh) 基于文本聚类的线上课堂讨论短文本即时分组方法及系统
CN110222218B (zh) 基于多尺度NetVLAD和深度哈希的图像检索方法
Du et al. Parallel processing of improved KNN text classification algorithm based on Hadoop
CN110569289B (zh) 基于大数据的列数据处理方法、设备及介质
Farhoodi et al. Applying machine learning algorithms for automatic Persian text classification
CN103778206A (zh) 一种网络服务资源的提供方法
CN115587231A (zh) 基于云计算平台的数据组合处理及快速存储调取方法
US10467276B2 (en) Systems and methods for merging electronic data collections
CN111428502A (zh) 一种面向军事语料的命名实体标注方法
CN114596456A (zh) 一种基于聚集哈希学习的图像集分类方法
CN114491071A (zh) 一种基于跨媒体数据的食品安全知识图谱构建方法及系统
Rusakov et al. Expolring architectures for cnn-based word spotting
CN114511027B (zh) 通过大数据网络进行英语远程数据提取方法
Dhoot et al. Efficient Dimensionality Reduction for Big Data Using Clustering Technique
Rothacker et al. Robust output modeling in bag-of-features HMMs for handwriting recognition
CN113361270B (zh) 一种面向服务数据聚类的短文本优化主题模型方法
Prieto et al. Open set classification of untranscribed handwritten text image documents
Yafooz et al. Enhancing multi-class web video categorization model using machine and deep learning approaches
CN114880690A (zh) 一种基于边缘计算的源数据时序精化方法
CN113553326A (zh) 电子表格数据处理方法、装置、计算机设备和存储介质
CN113190706A (zh) 一种基于二阶注意力机制的孪生网络图像检索方法

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