CN117077041B - 基于物联网的智慧社区管理方法及系统 - Google Patents

基于物联网的智慧社区管理方法及系统 Download PDF

Info

Publication number
CN117077041B
CN117077041B CN202311333318.7A CN202311333318A CN117077041B CN 117077041 B CN117077041 B CN 117077041B CN 202311333318 A CN202311333318 A CN 202311333318A CN 117077041 B CN117077041 B CN 117077041B
Authority
CN
China
Prior art keywords
community management
feature
intelligent community
sample
data
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
Application number
CN202311333318.7A
Other languages
English (en)
Other versions
CN117077041A (zh
Inventor
毛春淼
侯义古
丁如意
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.)
Community Rubik's Cube Hunan Digital Technology Co ltd
Original Assignee
Community Rubik's Cube Hunan Digital 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 Community Rubik's Cube Hunan Digital Technology Co ltd filed Critical Community Rubik's Cube Hunan Digital Technology Co ltd
Priority to CN202311333318.7A priority Critical patent/CN117077041B/zh
Publication of CN117077041A publication Critical patent/CN117077041A/zh
Application granted granted Critical
Publication of CN117077041B publication Critical patent/CN117077041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于物联网的智慧社区管理方法及系统，方法包括：物联网传感器网络部署、数据采集、特征选择、构建智慧社区管理模型和智慧社区管理。本发明属于智慧社区管理技术领域，具体是指基于物联网的智慧社区管理方法及系统，本方案采用改进的Relief算法进行初始选择特征，然后组合最大信息系数以消除冗余特征，并使用随机森林算法计算特征的重要性，完成最终的特征选择，降低计算复杂性；在位置更新阶段采用改进的sigmoid函数的自适应步长策略更新步长，并基于优化参数密度优化动态决策区域半径的更新方法，增加了搜索空间的多样性，避免陷入局部最优，有效提高智慧社区管理模型的性能。

Description

基于物联网的智慧社区管理方法及系统
技术领域
本发明属于智慧社区管理技术领域，具体是指基于物联网的智慧社区管理方法及系统。
背景技术
智慧社区管理旨在提高社区居民的生活质量，同时提高社区的安全性、效率和可持续性。但是采集的智慧社区管理数据存在特征维度较高，降低智慧社区管理模型的分类准确性，并增加计算的复杂性，导致模型训练时间延长和性能下降的问题；传统的智慧社区管理模型存在会陷入局部最优，全局搜索能力较低，收敛速度较慢，导致智慧社区管理模型性能降低的问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于物联网的智慧社区管理方法及系统，针对采集的智慧社区管理数据特征维度较高，降低智慧社区管理模型的分类准确性，并增加计算的复杂性，导致模型训练时间延长和性能下降的问题，本方案采用改进的Relief算法进行初始选择特征，减少不平衡数据对特征选择的影响，然后组合最大信息系数以消除冗余特征，提高模型的训练效率，并使用随机森林算法计算特征的重要性，完成最终的特征选择，提高分类准确性，降低计算复杂性，同时提高模型的性能，从而更好地应对大规模、高维度的智慧社区管理数据；针对传统的智慧社区管理模型会陷入局部最优，全局搜索能力较低，收敛速度较慢，导致智慧社区管理模型性能降低的问题，本方案在位置更新阶段采用改进的sigmoid函数的自适应步长策略更新步长，更好地探索搜索空间，并加速收敛速度，并基于优化参数密度优化动态决策区域半径的更新方法，增加了搜索空间的多样性，避免陷入局部最优，有效提高智慧社区管理模型的性能。
本发明采取的技术方案如下：本发明提供的基于物联网的智慧社区管理方法，该方法包括以下步骤：
步骤S1：物联网传感器网络部署，在社区内广泛部署物联网传感器；
步骤S2：数据采集，采集智慧社区管理数据及对应标签；
步骤S3：特征选择，采用改进的Relief算法进行初始选择特征，组合最大信息系数以消除冗余特征，使用随机森林算法计算特征的重要性，完成特征选择；
步骤S4：构建智慧社区管理模型，在位置更新阶段采用改进的sigmoid函数的自适应步长策略更新步长，并基于优化参数密度优化动态决策区域半径的更新方法，完成智慧社区管理模型的构建；
步骤S5：智慧社区管理，基于智慧社区管理模型输出的对应标签，社区管理人员及时发现社区内的问题并采取措施，进行智慧社区管理。
进一步地，在步骤S1中，所述物联网传感器网络部署是在社区内广泛部署物联网传感器，建立一个无缝的监测覆盖网络。
进一步地，在步骤S2中，所述数据采集是基于物联网传感器网络，采集社区内的实时智慧社区管理数据，并将采集的实时智慧社区管理数据上传到物联网平台，同时，采集智慧社区管理公开数据集并构建管理数据集，管理数据集包括智慧社区管理数据和对应标签，智慧社区管理数据包括环境监测数据、设备状态数据、社区居民活动数据、交通流量数据和火灾检测数据，对应标签包括环境异常、窃贼入侵、火灾、设备故障、车辆拥堵和社区居民异常行为。
进一步地，在步骤S3中，所述特征选择具体包括以下步骤：
步骤S31：初始化，将管理数据集划分为少数类样本和多数类样本，预先设定随机采样次数N2、采样标志F、特征权重βi、特征权重阈值β1、特征冗余阈值β2和特征重要性阈值β3，令βi为0、F为True和变量特征集B为空，所用公式如下：
；
式中，A是管理数据集，x是管理数据集中的样本数据，y是类别标签，i是管理数据集中的样本数据索引，N1是管理数据集中的总样本数量；
步骤S32：随机选择样本，从少数类样本与多数类样本中分别提取N3个样本构建采样数据集，若F为True，则从少数样本中随机抽取样本xi，并令F为False；否则，则从多数样本中随机抽取样本xi，并令F为True；
步骤S33：计算最近邻样本，对于每个随机选择的样本，计算它与采样数据集中所有其他样本之间的距离，并根据距离排序，找到距离最近的K个样本，作为该样本的K个最近邻样本，所用公式如下：
；
式中，C和E分别是采样数据集中的任意两个样本，c和e分别是样本C和样本E的特征向量，d（C，E）是样本C和样本E之间的距离，G1是样本特征的数量；
步骤S34：计算样本与类别边界的距离，所用公式如下：
；
式中，γ是样本与类别边界的距离，numN是采样数据集中样本的K个最近邻样本中所包含的不同类别标签的数量总和，j是采样数据集中的样本数据索引；
步骤S35：权重更新，对采样数据集中的每个样本使用随机数生成函数rand（0，1）生成一个0到1之间均匀分布的随机数αj，并计算特征权重更新的概率Pj，若αj<Pj，从第j个样本M的K个最近邻样本中随机选取相同类别的样本H和不同类别的样本L，对该样本M进行特征权重更新，所用公式如下：
；
；
；
；
式中，是样本M和样本H的第g1个特征之间的距离，/>是样本M和样本L的第g1个特征之间的距离，/>是第g1个特征的最大值，/>是第g1个特征的最小值，/>是更新后的权重，n2是当前采样次数，P是特征权重更新的概率；
步骤S36：保留特征，若≥β1，则将该特征添加到变量特征集B中；
步骤S37：初始特征选择，若n2<N2，则转至步骤S32进行迭代；否则，确定最终的变量特征集并转至步骤S38，完成初始特征选择；
步骤S38：消除冗余特征，若MIC（o，q）≥β2，则从具体特征o和具体特征q中随机选择一个具体特征将其从变量特征集中去除，实现消除冗余特征，所用公式如下：
；
；
式中，I（O，Q）是变量特征集中的特征O和特征Q之间的互信息，o和q是特征O和特征Q的具体特征，MIC（o，q）是具体特征o和具体特征q之间的最大信息系数，S（o）和S（q）分别是具体特征o和具体特征q的边际概率，S（o，q）是具体特征o和具体特征q之间的联合概率分布，|O|和|Q|分别是特征O和特征Q的样本数量，ZB是上限；
步骤S39：最终特征选择，每次从变量特征集中随机抽取m1个特征，共抽取N4次，基于每次抽取的m1个特征采用随机森林算法构建决策树，共构建N4棵决策树，基于决策树的误差值计算特征的重要性，完成最终的特征选择，步骤如下：
步骤S391：计算第一误差值，基于N4组抽取的特征计算每棵决策树的第一误差值Error1h，h=1，2，…，N4，h是决策树索引；
步骤S392：计算第一误差值，在抽取的每组特征的第s个特征中加入噪声干扰并保持其余特征不变，基于加入噪声干扰的N4组抽取的特征计算每棵决策树的第二误差值Error2s，h，h=1，2，…，N4；
步骤S393：计算特征重要性，所用公式如下：
；
式中，ZYs是第s个特征的重要性；
步骤S394：基于重要性的特征选择，选择ZYs≥β3的对应特征，将其作为最终选择的特征。
进一步地，在步骤S4中，所述构建智慧社区管理模型具体包括以下步骤：
步骤S41：构建训练数据集和测试数据集，将特征选择后的管理数据集作为样本数据，随机选取70%的样本数据作为训练数据集，其余30%的样本数据作为测试数据集；
步骤S42：初始化，预先设定优化参数总数量N5、最大迭代次数T、优化参数空间维度D、适应度值评估阈值δ1、能力水平l、动态决策区域半径rd、初始步长λ0、动态决策区域中包含的优化参数数量阈值δ2、能力衰减因子ζ、适应度值增强因子η、动态决策区域变化率μ、半径阈值rs、智慧社区管理模型中的惩罚因子X和高斯核函数关键参数ε的搜索空间范围，搜索空间的下边界LB和搜索空间的上边界UB，用参数（X，ε）代表优化参数的位置；
步骤S43：初始化优化参数位置，所用公式如下：
Yp=rand（0，1）×（UB-LB）+LB，p=1，…，N5；
式中，Y是优化参数位置，p是优化参数的索引，rand（）是随机数生成函数；
步骤S44：训练智慧社区管理模型，利用python导入sklearn库基于当前参数（X，ε）调用SVM函数，基于训练数据集训练智慧社区管理模型；
步骤S45：计算适应度值和全局最优位置，用训练的智慧社区管理模型对测试数据集进行预测，计算适应度值，将所有优化参数的位置根据适应度值的大小进行排序，选择最低的适应度值作为最优适应度值Rbest，将最优适应度值Rbest对应的优化参数的位置作为全局最优位置Cbest，所用公式如下：
；
式中，R是适应度值，yf是真实标签，是预测标签，N6是测试数据集中样本数据的数量，f是测试数据集中样本数据的索引；
步骤S46：更新能量水平，所用公式如下：
；
式中，lp（t+1）是优化参数p第t+1次迭代的能量水平，lp（t）是优化参数p第t次迭代的能量水平，t是当前迭代次数；
步骤S47：构建领域集，优化参数p在以为半径的圆形动态决策区域内，选择能力水平比自己高的优化参数构建领域集Zp（t），其中，/>是优化参数p第t次迭代的动态决策区域半径，且0</><rs；
步骤S48：计算移动概率，所用公式如下：
；
式中，Vpu（t）是优化参数p向优化参数u移动的概率，u是领域集Zp（t）中的优化参数索引，lu（t）是优化参数u第t次迭代的能量水平，lv（t）是优化参数v第t次迭代的能量水平；
步骤S49：位置更新，采用改进的sigmoid函数的自适应步长策略更新步长，优化参数p向移动概率最大的优化参数u的方向基于更新后的步长进行位置更新，所用公式如下：
；
；
式中，是改进后的sigmoid函数，σ是sigmoid函数的控制参数，τ是sigmoid函数的平移参数，Yp（t+1）是优化参数p第t+1次迭代的位置，Yp（t）是优化参数p第t次迭代的位置，Yu（t）是优化参数u第t次迭代的位置，||Yp（t）-Yu（t）||是Yp（t）和Yu（t）之间的欧几里得距离；
步骤S410：更新动态决策区域半径，基于优化参数密度优化动态决策区域半径的更新方法，所用公式如下：
；
；
式中，Wp（t）是优化参数u第t次迭代时动态决策区域内的优化参数密度，是优化参数p第t+1次迭代的动态决策区域半径；
步骤S411：更新适应度值和全局最优位置，采用步骤S45相同的方法计算位置更新后的优化参数的适应度值和全局最优位置；
步骤S412：智慧社区管理模型确定，当最优适应度值Rbest低于适应度值评估阈值β1，则基于当前参数构建智慧社区管理模型；否则，若达到最大迭代次数T，则转至步骤S43；否则转至步骤S46。
进一步地，在步骤S5中，所述智慧社区管理是从物联网平台获取实时智慧社区管理数据，将实时智慧社区管理数据输入至智慧社区管理模型中，基于智慧社区管理模型输出的对应标签，社区管理人员及时发现社区内的问题并采取措施，进行智慧社区管理。
本发明提供的基于物联网的智慧社区管理系统，包括物联网传感器网络部署模块、数据采集模块、特征选择模块、构建智慧社区管理模型模块和智慧社区管理模块；
所述物联网传感器网络部署模块在社区内广泛部署物联网传感器，建立一个无缝的监测覆盖网络；
所述数据采集模块基于物联网传感器网络采集社区内的实时智慧社区管理数据并上传到物联网平台，采集智慧社区管理公开数据集并构建管理数据集，将实时智慧社区管理数据发送至智慧社区管理模块，将管理数据集发送至特征选择模块；
所述特征选择模块采用改进的Relief算法进行初始选择特征，组合最大信息系数以消除冗余特征，使用随机森林算法计算特征的重要性，完成特征选择，并将特征选择后的管理数据集发送至构建智慧社区管理模型模块；
所述构建智慧社区管理模型模块在位置更新阶段采用改进的sigmoid函数的自适应步长策略更新步长，并基于优化参数密度优化动态决策区域半径的更新方法，完成智慧社区管理模型的构建，并将智慧社区管理模型发送至智慧社区管理模块；
所述智慧社区管理模块从物联网平台获取实时智慧社区管理数据并将其输入至智慧社区管理模型中，基于智慧社区管理模型输出的对应标签，社区管理人员及时发现社区内的问题并采取措施，进行智慧社区管理。
采用上述方案本发明取得的有益效果如下：
（1）针对采集的智慧社区管理数据特征维度较高，降低智慧社区管理模型的分类准确性，并增加计算的复杂性，导致模型训练时间延长和性能下降的问题，本方案采用改进的Relief算法进行初始选择特征，减少不平衡数据对特征选择的影响，然后组合最大信息系数以消除冗余特征，提高模型的训练效率，并使用随机森林算法计算特征的重要性，完成最终的特征选择，提高分类准确性，降低计算复杂性，同时提高模型的性能，从而更好地应对大规模、高维度的智慧社区管理数据。
（2）针对传统的智慧社区管理模型会陷入局部最优，全局搜索能力较低，收敛速度较慢，导致智慧社区管理模型性能降低的问题，本方案在位置更新阶段采用改进的sigmoid函数的自适应步长策略更新步长，更好地探索搜索空间，并加速收敛速度，并基于优化参数密度优化动态决策区域半径的更新方法，增加了搜索空间的多样性，避免陷入局部最优，有效提高智慧社区管理模型的性能。
附图说明
图1为本发明提供的基于物联网的智慧社区管理方法的流程示意图；
图2为本发明提供的基于物联网的智慧社区管理系统的示意图；
图3为步骤S3的流程示意图；
图4为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
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，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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的基于物联网的智慧社区管理方法，该方法包括以下步骤：
步骤S1：物联网传感器网络部署，在社区内广泛部署物联网传感器；
步骤S2：数据采集，采集智慧社区管理数据及对应标签；
步骤S3：特征选择，采用改进的Relief算法进行初始选择特征，组合最大信息系数以消除冗余特征，使用随机森林算法计算特征的重要性，完成特征选择；
步骤S4：构建智慧社区管理模型，在位置更新阶段采用改进的sigmoid函数的自适应步长策略更新步长，并基于优化参数密度优化动态决策区域半径的更新方法，完成智慧社区管理模型的构建；
步骤S5：智慧社区管理，基于智慧社区管理模型输出的对应标签，社区管理人员及时发现社区内的问题并采取措施，进行智慧社区管理。
实施例二，参阅图1，该实施例基于上述实施例，在步骤S1中，物联网传感器网络部署是在社区内广泛部署物联网传感器，建立一个无缝的监测覆盖网络。
实施例三，参阅图1，该实施例基于上述实施例，在步骤S2中，数据采集是基于物联网传感器网络，采集社区内的实时智慧社区管理数据，并将采集的实时智慧社区管理数据上传到物联网平台，同时，采集智慧社区管理公开数据集并构建管理数据集，管理数据集包括智慧社区管理数据和对应标签，智慧社区管理数据包括环境监测数据、设备状态数据、社区居民活动数据、交通流量数据和火灾检测数据，对应标签包括环境异常、窃贼入侵、火灾、设备故障、车辆拥堵和社区居民异常行为。
实施例四，参阅图1和图3，该实施例基于上述实施例，在步骤S3中，特征选择具体包括以下步骤：
步骤S31：初始化，将管理数据集划分为少数类样本和多数类样本，预先设定随机采样次数N2、采样标志F、特征权重βi、特征权重阈值β1、特征冗余阈值β2和特征重要性阈值β3，令βi为0、F为True和变量特征集B为空，所用公式如下：
；
式中，A是管理数据集，x是管理数据集中的样本数据，y是类别标签，i是管理数据集中的样本数据索引，N1是管理数据集中的总样本数量；
步骤S32：随机选择样本，从少数类样本与多数类样本中分别提取N3个样本构建采样数据集，若F为True，则从少数样本中随机抽取样本xi，并令F为False；否则，则从多数样本中随机抽取样本xi，并令F为True；
步骤S33：计算最近邻样本，对于每个随机选择的样本，计算它与采样数据集中所有其他样本之间的距离，并根据距离排序，找到距离最近的K个样本，作为该样本的K个最近邻样本，所用公式如下：
；
式中，C和E分别是采样数据集中的任意两个样本，c和e分别是样本C和样本E的特征向量，d（C，E）是样本C和样本E之间的距离，G1是样本特征的数量；
步骤S34：计算样本与类别边界的距离，所用公式如下：
；
式中，γ是样本与类别边界的距离，numN是采样数据集中样本的K个最近邻样本中所包含的不同类别标签的数量总和，j是采样数据集中的样本数据索引；
步骤S35：权重更新，对采样数据集中的每个样本使用随机数生成函数rand（0，1）生成一个0到1之间均匀分布的随机数αj，并计算特征权重更新的概率Pj，若αj<Pj，从第j个样本M的K个最近邻样本中随机选取相同类别的样本H和不同类别的样本L，对该样本M进行特征权重更新，所用公式如下：
；
；
；
；
式中，是样本M和样本H的第g1个特征之间的距离，/>是样本M和样本L的第g1个特征之间的距离，/>是第g1个特征的最大值，/>是第g1个特征的最小值，/>是更新后的权重，n2是当前采样次数，P是特征权重更新的概率；
步骤S36：保留特征，若≥β1，则将该特征添加到变量特征集B中；
步骤S37：初始特征选择，若n2<N2，则转至步骤S32进行迭代；否则，确定最终的变量特征集并转至步骤S38，完成初始特征选择；
步骤S38：消除冗余特征，若MIC（o，q）≥β2，则从具体特征o和具体特征q中随机选择一个具体特征将其从变量特征集中去除，实现消除冗余特征，所用公式如下：
；
；
式中，I（O，Q）是变量特征集中的特征O和特征Q之间的互信息，o和q是特征O和特征Q的具体特征，MIC（o，q）是具体特征o和具体特征q之间的最大信息系数，S（o）和S（q）分别是具体特征o和具体特征q的边际概率，S（o，q）是具体特征o和具体特征q之间的联合概率分布，|O|和|Q|分别是特征O和特征Q的样本数量，ZB是上限；
步骤S39：最终特征选择，每次从变量特征集中随机抽取m1个特征，共抽取N4次，基于每次抽取的m1个特征采用随机森林算法构建决策树，共构建N4棵决策树，基于决策树的误差值计算特征的重要性，完成最终的特征选择，步骤如下：
步骤S391：计算第一误差值，基于N4组抽取的特征计算每棵决策树的第一误差值Error1h，h=1，2，…，N4，h是决策树索引；
步骤S392：计算第一误差值，在抽取的每组特征的第s个特征中加入噪声干扰并保持其余特征不变，基于加入噪声干扰的N4组抽取的特征计算每棵决策树的第二误差值Error2s，h，h=1，2，…，N4；
步骤S393：计算特征重要性，所用公式如下：
；
式中，ZYs是第s个特征的重要性；
步骤S394：基于重要性的特征选择，选择ZYs≥β3的对应特征，将其作为最终选择的特征。
通过执行上述操作，针对采集的智慧社区管理数据特征维度较高，降低智慧社区管理模型的分类准确性，并增加计算的复杂性，导致模型训练时间延长和性能下降的问题，本方案采用改进的Relief算法进行初始选择特征，减少不平衡数据对特征选择的影响，然后组合最大信息系数以消除冗余特征，提高模型的训练效率，并使用随机森林算法计算特征的重要性，完成最终的特征选择，提高分类准确性，降低计算复杂性，同时提高模型的性能，从而更好地应对大规模、高维度的智慧社区管理数据。
实施例五，参阅图1和图4，该实施例基于上述实施例，在步骤S4中，构建智慧社区管理模型具体包括以下步骤：
步骤S41：构建训练数据集和测试数据集，将特征选择后的管理数据集作为样本数据，随机选取70%的样本数据作为训练数据集，其余30%的样本数据作为测试数据集；
步骤S42：初始化，预先设定优化参数总数量N5、最大迭代次数T、优化参数空间维度D、适应度值评估阈值δ1、能力水平l、动态决策区域半径rd、初始步长λ0、动态决策区域中包含的优化参数数量阈值δ2、能力衰减因子ζ、适应度值增强因子η、动态决策区域变化率μ、半径阈值rs、智慧社区管理模型中的惩罚因子X和高斯核函数关键参数ε的搜索空间范围，搜索空间的下边界LB和搜索空间的上边界UB，用参数（X，ε）代表优化参数的位置；
步骤S43：初始化优化参数位置，所用公式如下：
Yp=rand（0，1）×（UB-LB）+LB，p=1，…，N5；
式中，Y是优化参数位置，p是优化参数的索引，rand（）是随机数生成函数；
步骤S44：训练智慧社区管理模型，利用python导入sklearn库基于当前参数（X，ε）调用SVM函数，基于训练数据集训练智慧社区管理模型；
步骤S45：计算适应度值和全局最优位置，用训练的智慧社区管理模型对测试数据集进行预测，计算适应度值，将所有优化参数的位置根据适应度值的大小进行排序，选择最低的适应度值作为最优适应度值Rbest，将最优适应度值Rbest对应的优化参数的位置作为全局最优位置Cbest，所用公式如下：
；
式中，R是适应度值，yf是真实标签，是预测标签，N6是测试数据集中样本数据的数量，f是测试数据集中样本数据的索引；
步骤S46：更新能量水平，所用公式如下：
；
式中，lp（t+1）是优化参数p第t+1次迭代的能量水平，lp（t）是优化参数p第t次迭代的能量水平，t是当前迭代次数；
步骤S47：构建领域集，优化参数p在以为半径的圆形动态决策区域内，选择能力水平比自己高的优化参数构建领域集Zp（t），其中，/>是优化参数p第t次迭代的动态决策区域半径，且0</><rs；
步骤S48：计算移动概率，所用公式如下：
；
式中，Vpu（t）是优化参数p向优化参数u移动的概率，u是领域集Zp（t）中的优化参数索引，lu（t）是优化参数u第t次迭代的能量水平，lv（t）是优化参数v第t次迭代的能量水平；
步骤S49：位置更新，采用改进的sigmoid函数的自适应步长策略更新步长，优化参数p向移动概率最大的优化参数u的方向基于更新后的步长进行位置更新，所用公式如下：
；
；
式中，是改进后的sigmoid函数，σ是sigmoid函数的控制参数，τ是sigmoid函数的平移参数，Yp（t+1）是优化参数p第t+1次迭代的位置，Yp（t）是优化参数p第t次迭代的位置，Yu（t）是优化参数u第t次迭代的位置，||Yp（t）-Yu（t）||是Yp（t）和Yu（t）之间的欧几里得距离；
步骤S410：更新动态决策区域半径，基于优化参数密度优化动态决策区域半径的更新方法，所用公式如下：
；
；
式中，Wp（t）是优化参数u第t次迭代时动态决策区域内的优化参数密度，是优化参数p第t+1次迭代的动态决策区域半径；
步骤S411：更新适应度值和全局最优位置，采用步骤S45相同的方法计算位置更新后的优化参数的适应度值和全局最优位置；
步骤S412：智慧社区管理模型确定，当最优适应度值Rbest低于适应度值评估阈值β1，则基于当前参数构建智慧社区管理模型；否则，若达到最大迭代次数T，则转至步骤S43；否则转至步骤S46。
通过执行上述操作，针对传统的智慧社区管理模型会陷入局部最优，全局搜索能力较低，收敛速度较慢，导致智慧社区管理模型性能降低的问题，本方案在位置更新阶段采用改进的sigmoid函数的自适应步长策略更新步长，更好地探索搜索空间，并加速收敛速度，并基于优化参数密度优化动态决策区域半径的更新方法，增加了搜索空间的多样性，避免陷入局部最优，有效提高智慧社区管理模型的性能。
实施例六，参阅图1，该实施例基于上述实施例，在步骤S5中，智慧社区管理是从物联网平台获取实时智慧社区管理数据，将实时智慧社区管理数据输入至智慧社区管理模型中，基于智慧社区管理模型输出的对应标签，社区管理人员及时发现社区内的问题并采取措施，进行智慧社区管理。
实施例七，参阅图2，该实施例基于上述实施例，本发明提供的基于物联网的智慧社区管理系统，包括物联网传感器网络部署模块、数据采集模块、特征选择模块、构建智慧社区管理模型模块和智慧社区管理模块；
所述物联网传感器网络部署模块在社区内广泛部署物联网传感器，建立一个无缝的监测覆盖网络；
所述数据采集模块基于物联网传感器网络采集社区内的实时智慧社区管理数据并上传到物联网平台，采集智慧社区管理公开数据集并构建管理数据集，将实时智慧社区管理数据发送至智慧社区管理模块，将管理数据集发送至特征选择模块；
所述特征选择模块采用改进的Relief算法进行初始选择特征，组合最大信息系数以消除冗余特征，使用随机森林算法计算特征的重要性，完成特征选择，并将特征选择后的管理数据集发送至构建智慧社区管理模型模块；
所述构建智慧社区管理模型模块在位置更新阶段采用改进的sigmoid函数的自适应步长策略更新步长，并基于优化参数密度优化动态决策区域半径的更新方法，完成智慧社区管理模型的构建，并将智慧社区管理模型发送至智慧社区管理模块；
所述智慧社区管理模块从物联网平台获取实时智慧社区管理数据并将其输入至智慧社区管理模型中，基于智慧社区管理模型输出的对应标签，社区管理人员及时发现社区内的问题并采取措施，进行智慧社区管理。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
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。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (6)

1.基于物联网的智慧社区管理方法，其特征在于：该方法包括以下步骤：
步骤S1：物联网传感器网络部署，在社区内广泛部署物联网传感器；
步骤S2：数据采集，采集智慧社区管理数据及对应标签；
步骤S3：特征选择，采用改进的Relief算法进行初始选择特征，组合最大信息系数以消除冗余特征，使用随机森林算法计算特征的重要性，完成特征选择；
步骤S4：构建智慧社区管理模型，在位置更新阶段采用改进的sigmoid函数的自适应步长策略更新步长，并基于优化参数密度优化动态决策区域半径的更新方法，完成智慧社区管理模型的构建；
步骤S5：智慧社区管理，基于智慧社区管理模型输出的对应标签，社区管理人员及时发现社区内的问题并采取措施，进行智慧社区管理；
在步骤S4中，所述构建智慧社区管理模型具体包括以下步骤：
步骤S41：构建训练数据集和测试数据集，将特征选择后的管理数据集作为样本数据，随机选取70%的样本数据作为训练数据集，其余30%的样本数据作为测试数据集；
步骤S42：初始化，预先设定优化参数总数量N5、最大迭代次数T、优化参数空间维度D、适应度值评估阈值δ1、能力水平l、动态决策区域半径rd、初始步长λ0、动态决策区域中包含的优化参数数量阈值δ2、能力衰减因子ζ、适应度值增强因子η、动态决策区域变化率μ、半径阈值rs、智慧社区管理模型中的惩罚因子X和高斯核函数关键参数ε的搜索空间范围，搜索空间的下边界LB和搜索空间的上边界UB，用参数（X，ε）代表优化参数的位置；
步骤S43：初始化优化参数位置，所用公式如下：
Yp=rand（0，1）×（UB-LB）+LB，p=1，…，N5；
式中，Y是优化参数位置，p是优化参数的索引，rand（）是随机数生成函数；
步骤S44：训练智慧社区管理模型，利用python导入sklearn库基于当前参数（X，ε）调用SVM函数，基于训练数据集训练智慧社区管理模型；
步骤S45：计算适应度值和全局最优位置，用训练的智慧社区管理模型对测试数据集进行预测，计算适应度值，将所有优化参数的位置根据适应度值的大小进行排序，选择最低的适应度值作为最优适应度值Rbest，将最优适应度值Rbest对应的优化参数的位置作为全局最优位置Cbest，所用公式如下：
；
式中，R是适应度值，yf是真实标签，是预测标签，N6是测试数据集中样本数据的数量，f是测试数据集中样本数据的索引；
步骤S46：更新能量水平，所用公式如下：
；
式中，lp（t+1）是优化参数p第t+1次迭代的能量水平，lp（t）是优化参数p第t次迭代的能量水平，t是当前迭代次数；
步骤S47：构建领域集，优化参数p在以为半径的圆形动态决策区域内，选择能力水平比自己高的优化参数构建领域集Zp（t），其中，/>是优化参数p第t次迭代的动态决策区域半径，且0</><rs；
步骤S48：计算移动概率，所用公式如下：
；
式中，Vpu（t）是优化参数p向优化参数u移动的概率，u是领域集Zp（t）中的优化参数索引，lu（t）是优化参数u第t次迭代的能量水平，lv（t）是优化参数v第t次迭代的能量水平；
步骤S49：位置更新，采用改进的sigmoid函数的自适应步长策略更新步长，优化参数p向移动概率最大的优化参数u的方向基于更新后的步长进行位置更新，所用公式如下：
；
；
式中，是改进后的sigmoid函数，σ是sigmoid函数的控制参数，τ是sigmoid函数的平移参数，Yp（t+1）是优化参数p第t+1次迭代的位置，Yp（t）是优化参数p第t次迭代的位置，Yu（t）是优化参数u第t次迭代的位置，||Yp（t）-Yu（t）||是Yp（t）和Yu（t）之间的欧几里得距离；
步骤S410：更新动态决策区域半径，基于优化参数密度优化动态决策区域半径的更新方法，所用公式如下：
；
；
式中，Wp（t）是优化参数u第t次迭代时动态决策区域内的优化参数密度，是优化参数p第t+1次迭代的动态决策区域半径；
步骤S411：更新适应度值和全局最优位置，采用步骤S45相同的方法计算位置更新后的优化参数的适应度值和全局最优位置；
步骤S412：智慧社区管理模型确定，当最优适应度值Rbest低于适应度值评估阈值β1，则基于当前参数构建智慧社区管理模型；否则，若达到最大迭代次数T，则转至步骤S43；否则转至步骤S46；
在步骤S3中，所述特征选择具体包括以下步骤：
步骤S31：初始化，将管理数据集划分为少数类样本和多数类样本，预先设定随机采样次数N2、采样标志F、特征权重βi、特征权重阈值β1、特征冗余阈值β2和特征重要性阈值β3，令βi为0、F为True和变量特征集B为空，所用公式如下：
；
式中，A是管理数据集，x是管理数据集中的样本数据，y是类别标签，i是管理数据集中的样本数据索引，N1是管理数据集中的总样本数量；
步骤S32：随机选择样本，从少数类样本与多数类样本中分别提取N3个样本构建采样数据集，若F为True，则从少数样本中随机抽取样本xi，并令F为False；否则，则从多数样本中随机抽取样本xi，并令F为True；
步骤S33：计算最近邻样本，对于每个随机选择的样本，计算它与采样数据集中所有其他样本之间的距离，并根据距离排序，找到距离最近的K个样本，作为该样本的K个最近邻样本，所用公式如下：
；
式中，C和E分别是采样数据集中的任意两个样本，c和e分别是样本C和样本E的特征向量，d（C，E）是样本C和样本E之间的距离，G1是样本特征的数量；
步骤S34：计算样本与类别边界的距离，所用公式如下：
；
式中，γ是样本与类别边界的距离，numN是采样数据集中样本的K个最近邻样本中所包含的不同类别标签的数量总和，j是采样数据集中的样本数据索引；
步骤S35：权重更新，对采样数据集中的每个样本使用随机数生成函数rand（0，1）生成一个0到1之间均匀分布的随机数αj，并计算特征权重更新的概率Pj，若αj<Pj，从第j个样本M的K个最近邻样本中随机选取相同类别的样本H和不同类别的样本L，对该样本M进行特征权重更新，所用公式如下：
；
；
；
；
式中，是样本M和样本H的第g1个特征之间的距离，/>是样本M和样本L的第g1个特征之间的距离，/>是第g1个特征的最大值，/>是第g1个特征的最小值，是更新后的权重，n2是当前采样次数，P是特征权重更新的概率；
步骤S36：保留特征，若≥β1，则将该特征添加到变量特征集B中；
步骤S37：初始特征选择，若n2<N2，则转至步骤S32进行迭代；否则，确定最终的变量特征集并转至步骤S38，完成初始特征选择；
步骤S38：消除冗余特征，若MIC（o，q）≥β2，则从具体特征o和具体特征q中随机选择一个具体特征将其从变量特征集中去除，实现消除冗余特征，所用公式如下：
；
；
式中，I（O，Q）是变量特征集中的特征O和特征Q之间的互信息，o和q是特征O和特征Q的具体特征，MIC（o，q）是具体特征o和具体特征q之间的最大信息系数，S（o）和S（q）分别是具体特征o和具体特征q的边际概率，S（o，q）是具体特征o和具体特征q之间的联合概率分布，|O|和|Q|分别是特征O和特征Q的样本数量，ZB是上限；
步骤S39：最终特征选择，每次从变量特征集中随机抽取m1个特征，共抽取N4次，基于每次抽取的m1个特征采用随机森林算法构建决策树，共构建N4棵决策树，基于决策树的误差值计算特征的重要性，完成最终的特征选择，步骤如下：
步骤S391：计算第一误差值，基于N4组抽取的特征计算每棵决策树的第一误差值Error1h，h=1，2，…，N4，h是决策树索引；
步骤S392：计算第一误差值，在抽取的每组特征的第s个特征中加入噪声干扰并保持其余特征不变，基于加入噪声干扰的N4组抽取的特征计算每棵决策树的第二误差值Error2s，h，h=1，2，…，N4；
步骤S393：计算特征重要性，所用公式如下：
；
式中，ZYs是第s个特征的重要性；
步骤S394：基于重要性的特征选择，选择ZYs≥β3的对应特征，将其作为最终选择的特征。
2.根据权利要求1所述的基于物联网的智慧社区管理方法，其特征在于：在步骤S1中，所述物联网传感器网络部署是在社区内广泛部署物联网传感器，建立一个无缝的监测覆盖网络。
3.根据权利要求1所述的基于物联网的智慧社区管理方法，其特征在于：在步骤S2中，所述数据采集是基于物联网传感器网络，采集社区内的实时智慧社区管理数据，并将采集的实时智慧社区管理数据上传到物联网平台，同时，采集智慧社区管理公开数据集并构建管理数据集，管理数据集包括智慧社区管理数据和对应标签，智慧社区管理数据包括环境监测数据、设备状态数据、社区居民活动数据、交通流量数据和火灾检测数据，对应标签包括环境异常、窃贼入侵、火灾、设备故障、车辆拥堵和社区居民异常行为。
4.根据权利要求1所述的基于物联网的智慧社区管理方法，其特征在于：在步骤S5中，所述智慧社区管理是从物联网平台获取实时智慧社区管理数据，将实时智慧社区管理数据输入至智慧社区管理模型中，基于智慧社区管理模型输出的对应标签，社区管理人员及时发现社区内的问题并采取措施，进行智慧社区管理。
5.基于物联网的智慧社区管理系统，用于实现如权利要求1-4中任一项所述的基于物联网的智慧社区管理方法，其特征在于：包括物联网传感器网络部署模块、数据采集模块、特征选择模块、构建智慧社区管理模型模块和智慧社区管理模块。
6.根据权利要求5所述的基于物联网的智慧社区管理系统，其特征在于：所述物联网传感器网络部署模块在社区内广泛部署物联网传感器，建立一个无缝的监测覆盖网络；
所述数据采集模块基于物联网传感器网络采集社区内的实时智慧社区管理数据并上传到物联网平台，采集智慧社区管理公开数据集并构建管理数据集，将实时智慧社区管理数据发送至智慧社区管理模块，将管理数据集发送至特征选择模块；
所述特征选择模块采用改进的Relief算法进行初始选择特征，组合最大信息系数以消除冗余特征，使用随机森林算法计算特征的重要性，完成特征选择，并将特征选择后的管理数据集发送至构建智慧社区管理模型模块；
所述构建智慧社区管理模型模块在位置更新阶段采用改进的sigmoid函数的自适应步长策略更新步长，并基于优化参数密度优化动态决策区域半径的更新方法，完成智慧社区管理模型的构建，并将智慧社区管理模型发送至智慧社区管理模块；
所述智慧社区管理模块从物联网平台获取实时智慧社区管理数据并将其输入至智慧社区管理模型中，基于智慧社区管理模型输出的对应标签，社区管理人员及时发现社区内的问题并采取措施，进行智慧社区管理。
CN202311333318.7A 2023-10-16 2023-10-16 基于物联网的智慧社区管理方法及系统 Active CN117077041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311333318.7A CN117077041B (zh) 2023-10-16 2023-10-16 基于物联网的智慧社区管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311333318.7A CN117077041B (zh) 2023-10-16 2023-10-16 基于物联网的智慧社区管理方法及系统

Publications (2)

Publication Number Publication Date
CN117077041A CN117077041A (zh) 2023-11-17
CN117077041B true CN117077041B (zh) 2023-12-26

Family

ID=88717598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311333318.7A Active CN117077041B (zh) 2023-10-16 2023-10-16 基于物联网的智慧社区管理方法及系统

Country Status (1)

Country Link
CN (1) CN117077041B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117544657B (zh) * 2024-01-09 2024-03-15 河北万巷互联科技有限公司 一种基于物联网的智慧社区智能安防方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106533912A (zh) * 2016-11-16 2017-03-22 四川省亚丁胡杨人力资源集团有限公司 一种基于智能社区的用户交流系统
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
WO2022188387A1 (zh) * 2021-03-11 2022-09-15 华南理工大学 基于多榜样学习粒子群的智慧城市信号灯配时优化方法
WO2022262127A1 (zh) * 2021-06-17 2022-12-22 天津大学 智慧物联网综合感知系统及方法
CN116680637A (zh) * 2023-08-02 2023-09-01 北京世纪慈海科技有限公司 社区居家老年人传感数据分析模型的构建方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200348662A1 (en) * 2016-05-09 2020-11-05 Strong Force Iot Portfolio 2016, Llc Platform for facilitating development of intelligence in an industrial internet of things system
CN108133272A (zh) * 2018-01-15 2018-06-08 大连民族大学 一种复杂网络社区检测的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106533912A (zh) * 2016-11-16 2017-03-22 四川省亚丁胡杨人力资源集团有限公司 一种基于智能社区的用户交流系统
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
WO2022188387A1 (zh) * 2021-03-11 2022-09-15 华南理工大学 基于多榜样学习粒子群的智慧城市信号灯配时优化方法
WO2022262127A1 (zh) * 2021-06-17 2022-12-22 天津大学 智慧物联网综合感知系统及方法
CN116680637A (zh) * 2023-08-02 2023-09-01 北京世纪慈海科技有限公司 社区居家老年人传感数据分析模型的构建方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于BIM与物联网的智慧社区管理平台研究;贾伟新;;黑龙江科技信息(第04期);全文 *
基于智能模型的智慧社区平台构建;钱晔;孙吉红;杨惠琼;彭琳;沈颖鸣;李宇;吴劲;;湖北农业科学(第23期);全文 *
计及综合需求响应的社区能量枢纽优化调度;葛续涛;撖奥洋;于立涛;周生奇;张智晟;;广东电力(第06期);全文 *

Also Published As

Publication number Publication date
CN117077041A (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN117077041B (zh) 基于物联网的智慧社区管理方法及系统
KR101072448B1 (ko) 무선센서 네트워크 시스템 및 그의 클러스터링 방법
CN112036540B (zh) 一种基于双种群混合人工蜂群算法的传感器数目优化方法
CN117117859B (zh) 基于神经网络的光伏发电功率预测方法及系统
CN114167865B (zh) 一种基于对抗生成网络与蚁群算法的机器人路径规划方法
CN109284860A (zh) 一种基于正交反向樽海鞘优化算法的预测方法
CN109116299A (zh) 一种指纹定位方法、终端、计算机可读存储介质
CN112465160A (zh) 一种基于vr的车辆维修保养辅助系统
CN117933748B (zh) 一种基于机器学习的城市土地利用规划方法及系统
CN117114144A (zh) 基于人工智能的水稻耐盐碱性能预测方法及系统
CN116170328A (zh) 图形编码的使用带宽预测方法及装置
CN115051925A (zh) 一种基于迁移学习的时空序列预测方法
CN110334869A (zh) 一种基于动态群优化算法的红树林生态健康预测训练方法
CN115996135A (zh) 一种基于特征组合优化的工业互联网恶意行为实时检测方法
CN115577757A (zh) 基于图卷积网络节点标签异构图的社区发现方法
CN112818982B (zh) 基于深度特征自相关性激活的农业害虫图像检测方法
CN115147719A (zh) 一种基于增强语义表示的遥感影像深度土地利用分类方法
CN113822771A (zh) 一种基于深度学习的低误检率窃电检测方法
CN113344140A (zh) 一种基于剪枝条件的不确定数据序列扫描方法及系统
CN115510597B (zh) Gnn框架下基于广义s维分配的多传感器数据互联方法
CN112836845A (zh) 一种基于神经网络求解时变环境下多目标最短路径的方法
CN117708690B (zh) 一种基于人工智能的建筑火灾危险预测系统及方法
CN118350538A (zh) 基于大数据的电力时空数据动态监测方法及系统
CN118246816B (zh) 一种基于大数据的英语教学管理方法及系统
CN113253229B (zh) 一种雷达目标识别方法及系统

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