CN117390541A - 一种基于行为轨迹的无人机集群个体重要性评估方法及系统 - Google Patents
一种基于行为轨迹的无人机集群个体重要性评估方法及系统 Download PDFInfo
- Publication number
- CN117390541A CN117390541A CN202311327187.1A CN202311327187A CN117390541A CN 117390541 A CN117390541 A CN 117390541A CN 202311327187 A CN202311327187 A CN 202311327187A CN 117390541 A CN117390541 A CN 117390541A
- Authority
- CN
- China
- Prior art keywords
- individual
- aerial vehicle
- unmanned aerial
- vehicle cluster
- cluster
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims 2
- 238000004138 cluster model Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000272201 Columbiformes Species 0.000 description 1
- 241001504519 Papio ursinus Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于行为轨迹的无人机集群个体重要性评估方法及系统。方法包括:S1、根据无人机集群的轨迹行为数据构建多个阈值下的时序网络,并计算无人机集群中每个个体周围被环绕程度;S2、通过无人机集群中个体运动状态的差分,计算该个体在这一段时间内的波动程度;S3、结合无人机集群中每个个体周围被环绕程度和无人机集群中个体的波动程度作为特征构建贝叶斯网络模型,并利用该模型推断该个体是否为无人机集群中的关键个体。本发明利用自组织集群在一段时间内的运动状态,通过行为轨迹体现的环绕性、波动性等运动状态特性衡量具有协同特性的集群个体之间的动态相关性,实现对自组织集群系统内部机理的快速反演。
Description
技术领域
本发明涉及无人机技术领域,更具体地说,特别涉及一种基于行为轨迹的无人机集群个体重要性评估方法及系统。
背景技术
单架无人机具有体积小、成本低和机动性强等特点,但是同时具有灵活性差、执行任务效率低等问题。随着无人机自主智能的不断提升,蜂群无人机作战被认为是未来无人作战体系的重要发展趋势。蜂群无人机作战具有相互协作和优势互补的优点,可以显著提升执行任务的成功率,但同时也给传统的防空系统带来了巨大的挑战。
现有的反无人机集群技术主要源于针对单架无人机的技术,但由于蜂群无人机数量众多,在反制时间有限的情况下,传统方法往往无法对每一架无人机进行攻击。蜂群无人机之所以能够实现灵活地飞行,实现智能化的关键在于个体之间的信息交互和通信网络的建立。因此,一种可行的方法是通过对蜂群的观测数据进行分析和识别,确定集群内部通讯结构的关键个体,从而实现对蜂群无人机的精准打击。在这种打击过程中,蜂群的通信网络连通性遭到破坏,进而导致集群失去了协同能力。
有关集群中关键个体辨识的研究,目前主要集中在自然集群方面。例如,通过长期跟踪灰狼和狒狒等群体,分析它们的个体领导行为,并利用统计物理的定量方法对鸽子、鱼群等大规模集群的领导结构和关键个体进行推断。虽然这些工作讨论了不同自然集群中领导者个体对整个群体的影响,但对于只知道运动状态信息的未知集群,目前仍缺乏明确的方法来识别关键个体。随着复杂网络科学的发展,复杂系统中关键节点辨识的研究相继问世,如基于邻居和路径的节点重要性排序方法等。但是这些方法都是基于系统网络拓扑已知的情况下,仅从系统个体的行为数据中推断个体重要性的方法并不多。为此,有必要开发一种基于行为轨迹的无人机集群个体重要性评估方法及系统。
发明内容
本发明的目的在于提供一种基于行为轨迹的无人机集群个体重要性评估方法及系统,以克服现有技术所存在的缺陷。
为了达到上述目的,本发明采用的技术方案如下:
一种基于行为轨迹的无人机集群个体重要性评估方法,包括以下步骤:
S1、根据无人机集群的轨迹行为数据构建多个阈值下的时序网络,并计算无人机集群中每个个体周围被环绕程度;
S2、通过无人机集群中个体运动状态的差分,计算该个体在这一段时间内的波动程度;
S3、结合无人机集群中每个个体周围被环绕程度和无人机集群中个体的波动程度作为特征构建贝叶斯网络模型,并利用该模型推断该个体是否为无人机集群中的关键个体。
进一步地,所述步骤S1具体包括:
S11、采集无人机集群的运动轨迹数据,对运动轨迹数据进行预处理,得到带有时间戳的轨迹行为数据,将轨迹行为数据切分为长度为L片段式中,t(t=1,2,...,L)表示时间切片的索引;
S12、根据t时刻N个无人机个体的观测值建立基于运动状态的距离矩阵/>式中,/>N表示每个时间切片中无人机个体的数量,/>表示在时刻t观测到的无人机个体i的多维运动状态;
S13、取阈值ò,使用Heaviside函数和Kronecker符号将上述t时刻的距离矩阵Dt转化为具体的网络的邻接矩阵Gt,ò,其中,
S14、计算在阈值ò下,t时刻的时序网络中个体i周围的连接个体数
S15、取距离矩阵Dt的最大值和最小值分别作为阈值ò的上下界,对个体i周围连接个体数中的ò和t分别进行积分,得到个体i的被环绕性程度ci:
其中,对ò的上下界和均进行了归一化处理;
S16、得到体现无人机集群个体环绕性的向量C={c1,c2,...,cN}T,并将该向量记为每个个体周围被环绕程度,ci值越大表明个体在无人机集群中越重要。
进一步地,所述步骤S2具体包括:
S21、将轨迹行为数据表示为其中,是集群中第i个个体随时间变化的L个观测值,/>表示在时刻t观测到的无人机个体i的多维运动状态;
S22、通过差分法计算相邻时刻运动状态的变化量
S23、将各个时刻的运动状态变化量进行合并,得到个体i运动状态的波动性值Ri:
S24、将波动性向量R={R1,R2,...,RN}正向化得到波动性指标Fi:
式中,max{R}和min{R}分别是波动性向量元素中的最大值和最小值。
本发明还提供一种根据上述的基于行为轨迹的无人机集群个体重要性评估方法的系统,包括:
环绕程度计算模块,用于根据无人机集群的轨迹行为数据构建多个阈值下的时序网络,并计算无人机集群中每个个体周围被环绕程度;
波动程度计算模块,用于通过无人机集群中个体运动状态的差分,计算该个体在这一段时间内的波动程度;
贝叶斯网络模型,用于结合无人机集群中每个个体周围被环绕程度和无人机集群中个体的波动程度作为特征构建贝叶斯网络模型,并利用该模型推断该个体是否为无人机集群中的关键个体。
与现有技术相比,本发明的优点在于:本发明基于集群运动状态的环绕性和波动性,对自组织集群中的关键个体进行推断,这个过程只需要集群的观测数据,不依赖于特定集群类型也无需有任何的先验信息,适用范围较广,随着集群数据量的增多,将利用运动状态计算的环绕性和波动性指标分别看作行为轨迹特征,通过构建贝叶斯推断网络将两种不同的运动状态特征结合进行综合推断,并且在集群时间序列的时间切片构建距离矩阵,该距离矩阵用于表示个体之间的运动状态距离。然后通过对距离矩阵进行阈值化,可以得到该时刻具体的网络结构。在时间切片上构建网络的操作不仅可以充分利用采集到的信息,还可以减轻时间序列中异常值对推断结果的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于行为轨迹的无人机集群个体重要性评估方法的流程图。
图2是本发明基于不同集群模型的环绕性指标对关键个体推断结果示意。
图3是本发明基于不同集群模型的波动性指标对关键个体推断结果示意。
图4是本发明基于不同集群模型的不同指标对关键个体推断结果示意。
图5是本发明基于行为轨迹的无人机集群个体重要性评估系统的框架图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
本发明的技术方案是:首先,利用雷达等设备采集无人机集群的运动轨迹,并对数据进行预处理,得到带有时间戳的轨迹数据,即一组时间序列。将时间序列切分为长度为L片段,并表示为其中t(t=1,2,...,L)表示时间切片的索引,是t时刻N个无人机个体的观测值,N表示每个时间切片中无人机个体的数量,/>表示在时刻t观测到的无人机个体i的多维运动状态(如位置、速度或航向角)。在这个过程中,去除掉运动状态趋于稳定的阶段。其次,基于采集到的无人机集群轨迹数据构建多阈值的时序网络,并通过不同阈值下网络连边数目的变化程度计算出集群中不同个体的环绕性指标(Surrounding)。对集群中个体运动状态的轨迹进行差分计算,即计算相邻时刻的变化量。对变化量进行积分,得到体现运动状态波动性(Fluctuation)的指标。最后,将通过运动状态得到的个体环绕性和波动性指标分别看该个体的特征,通过贝叶斯网络推断框架推断该个体是否为集群系统中的关键个体。
结合图1所示,本实施例提供一种基于行为轨迹的无人机集群个体重要性评估方法,包括以下步骤:
步骤S1、根据无人机集群的轨迹行为数据构建多个阈值下的时序网络,并计算无人机集群中每个个体周围被环绕程度,具体包括以下步骤:
步骤S11、采集无人机集群的运动轨迹数据,对运动轨迹数据进行预处理,得到带有时间戳的轨迹行为数据,将轨迹行为数据切分为长度为L片段式中,t(t=1,2,…,L)表示时间切片的索引。
步骤S12、根据t时刻N个无人机个体的观测值建立基于运动状态的距离矩阵/>式中,/>N表示每个时间切片中无人机个体的数量,/>表示在时刻t观测到的无人机个体i的多维运动状态。
本实施例中,在计算环绕性指标时,通过构建运动状态的距离矩阵衡量个体之间的环绕程度。在这个过程中,使用了最基本的欧氏距离。当然,也可以选择其他距离度量方式,如曼哈顿距离、切比雪夫距离或明可夫斯基距离。
步骤S13、取阈值ò,使用Heaviside函数和Kronecker符号将上述t时刻的距离矩阵Dt转化为具体的网络的邻接矩阵Gt,ò,其中,
步骤S14、计算在阈值ò下,t时刻的时序网络中个体i周围的连接个体数
步骤S15、为了更加全面地衡量个体的被环绕程度,取距离矩阵Dt的最大值和最小值分别作为阈值ò的上下界,对个体i周围连接个体数中的ò和t分别进行积分,得到个体i的被环绕性程度ci:
其中,对ò的上下界和均进行了归一化处理;
步骤S16、最终,得到体现无人机集群个体环绕性(Surrounding)的向量C={c1,c2,...,cN}T,并将该向量记为每个个体周围被环绕程度,ci值越大表明个体在无人机集群中越重要。基于不同集群模型中关键个体的辨识实验结果如图1所示。
步骤S2、通过无人机集群中个体运动状态的差分,计算该个体在这一段时间内的波动程度,具体包括以下步骤:
步骤S21、不同于步骤S1中从时间序列的横截面角度计算,差分指标聚焦于单个个体的运动状态。因此,需要对集群数据进行重新组织。将轨迹行为数据表示为其中,/>是集群中第i个个体随时间变化的L个观测值,/>表示在时刻t观测到的无人机个体i的多维运动状态(如位置、速度或航向角)。
步骤S22、通过差分法计算相邻时刻运动状态的变化量
值越大,则该个体此时的运动状态变化越大。
步骤S23、将各个时刻的运动状态变化量进行合并,得到个体i运动状态的波动性值Ri:
步骤S24、不同于环绕性指标(Surrounding)是一个极大型指标,而上述波动性值是一个极小型指标。为了方便展示和计算,将波动性向量R={R1,R2,...,RN}正向化得到波动性指标Fi:
式中,max{R}和min{R}分别是波动性向量元素中的最大值和最小值。基于不同集群模型中关键个体的辨识实验结果如图2所示。
步骤S3、随着采集到数据量的增多,结合无人机集群中每个个体周围被环绕程度和无人机集群中个体的波动程度作为特征构建贝叶斯网络模型,并利用该模型推断该个体是否为无人机集群中的关键个体。如图1所示,进行更全面地推测。单独利用环绕性(Surrounding)、波动性(Fluctuation)指标和用贝叶斯网络综合推断的对比结果如图4所示。
本实施例中,使用贝叶斯网络进行综合推断时,采用了环绕性和波动性指标作为特征。但是,从集群的行为数据中还可以挖掘其他体现领导者和跟随者差异的运动特性,例如跟随者在运动状态上相对于领导者呈现滞后性。基于行为数据计算得到的所有运动特性指标都可以作为贝叶斯推断网络的特征,从而对集群中个体的角色进行综合推断。
结合图5所示,本发明还提供一种根据上述的基于行为轨迹的无人机集群个体重要性评估方法的系统,包括:环绕程度计算模块1,用于根据无人机集群的轨迹行为数据构建多个阈值下的时序网络,并计算无人机集群中每个个体周围被环绕程度;波动程度计算模块2,用于通过无人机集群中个体运动状态的差分,计算该个体在这一段时间内的波动程度;贝叶斯网络模型3,用于结合无人机集群中每个个体周围被环绕程度和无人机集群中个体的波动程度作为特征构建贝叶斯网络模型,并利用该模型推断该个体是否为无人机集群中的关键个体。
本发明基于集群运动状态的环绕性和波动性,对自组织集群中的关键个体进行推断,这个过程只需要集群的观测数据,不依赖于特定集群类型也无需有任何的先验信息,适用范围较广,随着集群数据量的增多,将利用运动状态计算的环绕性和波动性指标分别看作行为轨迹特征,通过构建贝叶斯推断网络将两种不同的运动状态特征结合进行综合推断,并且在集群时间序列的时间切片构建距离矩阵,该距离矩阵用于表示个体之间的运动状态距离。然后通过对距离矩阵进行阈值化,可以得到该时刻具体的网络结构。在时间切片上构建网络的操作不仅可以充分利用采集到的信息,还可以减轻时间序列中异常值对推断结果的影响。
虽然结合附图描述了本发明的实施方式,但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改,只要不超过本发明的权利要求所描述的保护范围,都应当在本发明的保护范围之内。
Claims (4)
1.一种基于行为轨迹的无人机集群个体重要性评估方法,其特征在于,包括以下步骤:
S1、根据无人机集群的轨迹行为数据构建多个阈值下的时序网络,并计算无人机集群中每个个体周围被环绕程度;
S2、通过无人机集群中个体运动状态的差分,计算该个体在这一段时间内的波动程度;
S3、结合无人机集群中每个个体周围被环绕程度和无人机集群中个体的波动程度作为特征构建贝叶斯网络模型,并利用该模型推断该个体是否为无人机集群中的关键个体。
2.根据权利要求1所述的基于行为轨迹的无人机集群个体重要性评估方法,其特征在于,所述步骤S1具体包括:
S11、采集无人机集群的运动轨迹数据,对运动轨迹数据进行预处理,得到带有时间戳的轨迹行为数据,将轨迹行为数据切分为长度为L片段式中,t(t=1,2,…,L)表示时间切片的索引;
S12、根据t时刻N个无人机个体的观测值建立基于运动状态的距离矩阵/>式中,/>N表示每个时间切片中无人机个体的数量,/>表示在时刻t观测到的无人机个体i的多维运动状态;
S13、取阈值∈,使用Heaviside函数和Kronecker符号将上述t时刻的距离矩阵Dt转化为具体的网络的邻接矩阵Gt,∈,其中,
S14、计算在阈值∈下,t时刻的时序网络中个体i周围的连接个体数
S15、取距离矩阵Dt的最大值和最小值分别作为阈值∈的上下界,对个体i周围连接个体数中的∈和t分别进行积分,得到个体i的被环绕性程度ci:
其中,对∈的上下界和均进行了归一化处理;
S16、得到体现无人机集群个体环绕性的向量C={c1,c2,…,cN}T,并将该向量记为每个个体周围被环绕程度,ci值越大表明个体在无人机集群中越重要。
3.根据权利要求1所述的基于行为轨迹的无人机集群个体重要性评估方法,其特征在于,所述步骤S2具体包括:
S21、将轨迹行为数据表示为其中,是集群中第i个个体随时间变化的L个观测值,/>表示在时刻t观测到的无人机个体i的多维运动状态;
S22、通过差分法计算相邻时刻运动状态的变化量
S23、将各个时刻的运动状态变化量进行合并,得到个体i运动状态的波动性值Ri:
S24、将波动性向量R={R1,R2,…,RN}正向化得到波动性指标Fi:
式中,max{R}和min{R}分别是波动性向量元素中的最大值和最小值。
4.根据权利要求1-3任意一项所述的基于行为轨迹的无人机集群个体重要性评估方法的系统,其特征在于,包括:
环绕程度计算模块,用于根据无人机集群的轨迹行为数据构建多个阈值下的时序网络,并计算无人机集群中每个个体周围被环绕程度;
波动程度计算模块,用于通过无人机集群中个体运动状态的差分,计算该个体在这一段时间内的波动程度;
贝叶斯网络模型,用于结合无人机集群中每个个体周围被环绕程度和无人机集群中个体的波动程度作为特征构建贝叶斯网络模型,并利用该模型推断该个体是否为无人机集群中的关键个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311327187.1A CN117390541A (zh) | 2023-10-12 | 2023-10-12 | 一种基于行为轨迹的无人机集群个体重要性评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311327187.1A CN117390541A (zh) | 2023-10-12 | 2023-10-12 | 一种基于行为轨迹的无人机集群个体重要性评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117390541A true CN117390541A (zh) | 2024-01-12 |
Family
ID=89471396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311327187.1A Pending CN117390541A (zh) | 2023-10-12 | 2023-10-12 | 一种基于行为轨迹的无人机集群个体重要性评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390541A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117714304A (zh) * | 2024-02-05 | 2024-03-15 | 中南大学 | 一种无人机集群网络健康评估方法、系统及介质 |
-
2023
- 2023-10-12 CN CN202311327187.1A patent/CN117390541A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117714304A (zh) * | 2024-02-05 | 2024-03-15 | 中南大学 | 一种无人机集群网络健康评估方法、系统及介质 |
CN117714304B (zh) * | 2024-02-05 | 2024-04-12 | 中南大学 | 一种无人机集群网络健康评估方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | Learning memory-guided normality for anomaly detection | |
Chen et al. | Ensemble correlation-based low-rank matrix completion with applications to traffic data imputation | |
CN110825579A (zh) | 服务器性能监控方法、装置、计算机设备及存储介质 | |
CN111694879A (zh) | 一种多元时间序列异常模式预测方法及数据采集监控装置 | |
CN102799900B (zh) | 一种基于检测中支持在线聚类学习的对象跟踪方法 | |
CN117390541A (zh) | 一种基于行为轨迹的无人机集群个体重要性评估方法及系统 | |
Zhao et al. | A novel multivariate time-series anomaly detection approach using an unsupervised deep neural network | |
CN104717468A (zh) | 基于集群轨迹分类的集群场景智能监控方法及系统 | |
CN114550053A (zh) | 一种交通事故定责方法、装置、计算机设备及存储介质 | |
WO2023130728A1 (zh) | 基于社区结构的动态图异常检测方法 | |
CN111428587A (zh) | 人群计数及密度估计方法、装置、存储介质及终端 | |
Yuan et al. | STGAN: Spatio-temporal generative adversarial network for traffic data imputation | |
Ahmed et al. | [Retracted] Feature Selection Model Based on Gorilla Troops Optimizer for Intrusion Detection Systems | |
Casolaro et al. | Deep Learning for Time Series Forecasting: Advances and Open Problems | |
Alsayadi et al. | Improving the regression of communities and crime using ensemble of machine learning models | |
CN113780584A (zh) | 标签预测方法、设备、存储介质及程序产品 | |
Dou et al. | V-SOINN: A topology preserving visualization method for multidimensional data | |
CN113835973B (zh) | 一种模型训练方法及相关装置 | |
Khalid et al. | Frameworks for multivariate m-mediods based modeling and classification in Euclidean and general feature spaces | |
CN115757828B (zh) | 一种基于辐射源知识图谱的空中目标意图识别方法 | |
CN115730248A (zh) | 一种机器账号检测方法、系统、设备及存储介质 | |
You et al. | An effective Bayesian network parameters learning algorithm for autonomous mission decision-making under scarce data | |
Angayarkanni | Predictive analytics of chronic kidney disease using machine learning algorithm | |
CN116502132A (zh) | 账号集合识别方法、装置、设备、介质和计算机程序产品 | |
Hong et al. | Graph game embedding |
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 |