论文研究-基于语义和谱聚类的监理视频R树检索方法.pdf

所需积分/C币:10 2019-07-22 23:30:19 1.12MB .PDF
15
收藏 收藏
举报

土木工程监理视频是提高土木工程监理质量的一种有效手段。首先以土木工程监理视频检索为研究对象,建立土木工程监理视频的语义,且对土木工程监理视频数据进行了语义划分,随后结合维基百科相关的部分中文词条和从土木工程监理领域整理的词条进行词向量训练,并使用这些词向量数据对标注数据条目进行训练,为监理视频R树提供含有语义的词向量数据;然后研究基于谱聚类的节点分裂,提出了基于谱聚类的R树节点分裂算法和基于词向量的R树节点检索算法。最后用实际工程的例子说明了所确定的监理视频语义能准确表示监理视频的主要内容,同时实验结果表明该算法优化能有效提高土木工程监理视频的索引速度和检索查全率。
第6期 宋华珠,等:基于语义和谱聚类的监狸视频R树检索方法 1719 频内容划分如图3所示结构(下文具体描述并不包含图3的存分裂,从而有效提升索引性能。 储相关属性)。其中监理祧频( pervision video table)S- video=2.1谱聚类及规范割集 〈SV,SV- location,Sv-time,SⅤ- metadata,sV- annotations〉,SⅤ 在引入谱聚类之前需要进行如下定义。 为监理祝频的唯一区分,sSⅤ- location记录了视频的拍摄地 定义1对于任意图G,将其用点的集合V和边的集合E 点,SV-ime记录了视频拍摄的时间,Sv- metadata表示原始的来进行组合,即G(V,F)。对丁Vn,∈(i≠j),"1到的权值 视频数据,SⅤ- annotations表示对应视频文件的多段标注数据 记t;,反之记为n,若t;和;之间存在连接,则有n+vn≠0。 此时这些信息还以〈 Anno-time, Anno-text)集合的形式进行存 定义2拉普拉斯矩阵( aph Laplacian):=D-W,其中 储,并没有进行处理。而Svdo是由多个关键帧 SV-key Frame D为度矩阵,W为邻接矩阵 组成,SV- key frame=〈SVm,SVKF1,SVKF-data,sVKF- annot a 在求取邻接矩阵吋,本文主要使用K近邻( K nearest ion)其中,SVKF表示关键唢对应的唯一ID,其中包含了时间 等信息,如图2中的“1:201708310004°,是可以唯一确定 neighbor,KN)算法构建邻接矩阵,利用K近邻算法遍历所有 的样本点,取每个样本最近的K个点作为近邻,只有和样本距 的, SVKF-data表示关键帧的图像数据,SⅤKF- annotation表示关 离最近的k个点之间wz>0 键唢对应的一段标注信息,格式为〈Armm,Amo-ex〉。其中 本文选择的图切割方法是规范割集( normalized cut,Ncut) Amon与 SVKFID-一对应。在本文中关键帧被抽象成不同的方法,因为这种方式能够保证切分子图的相互距离较远,且 监理事件SⅤ-even=〈SVE1,SVF- annotation),sVF- annotation 主要是针对关键帧中的标注信息进行了一定的精简,删除了无 能够指定切分之后每个子图的最大/最小节点数。这在谱聚 与R树的节点分裂方式结合时具有很大优势,因为其保证了 效信息。随后监理事件被划分为监理对象Sict及监理场切分之后的子图能够满足分裂要求。 景SV- scenerio,其中Sv- object=〈SVO1,SVO- annotation),土木 工程监理对象拥有唯对应的1,SVO- annotation指对象标 规范割集利用图论思想的,根据语义节点构造赋权图 注,主要划分为人员对象和事物对象两种,格式为〈SVE-An =(V,E,W),其中V为顶点集,E为边集,W为由不同的点 之间距离确定的权值,数据点分成两类相当于将G。中去掉连 m1,…, SVE-Anno〉(i∈Z),例如图2第一帧组织为〈监理工 程师A,钢筋,防护网等〉,监理场景S- scenerio=<SⅤS,SVS- 接两部分的边,即图的顶点集细分为两个不相交的集合A、B annotation), SVS-annotation主要指监理场景的划分,如图2第分类的误差可以用被去掉的边的权重。 cut(A, B) 帧被划分为“地基与基础监理”。 wed g(u, v) 通过这个存储结构能够在对原始文件安全休存的同时有 设G=(V,E,W)为带权图,A和B是其中的顶点集,规汽 效地对土木工程监理视频进行划分,在检索时能够利用其中的化切割目标函数为 关键帧及随后部分进行高效检索,并对应到相应的视频中。 (A,B)=∑ /∈g Sv-Obj table 其中对于任意存在于G中的切分有 PK SVO ID ncut(A, B)-w(A, B).(4. B) SVKF ID w(a, v)ui(r, v) (3) syO data assoc(A, B) (A,A) Sv-Eve table PK SV ID PK SVKF ID SVO-aImmvlaliun PK SVE ID 其中:ncut(A,b)度量了不同部分的相似性; assoc(A,B)度量 SV-Scen taple屮 SVO ID 了同一个部分所有顶点的相似性。 PK ID SVS ID SVKF annotation SVKF ID 2.2基于谱聚类的R树节点分裂算法优化 Sy annotations svs dala 聚类和树型索引的研究通常是分开的,但是聚类和树型索 SVS annotation 引都冇着相似的目标,那就是尽可能将数据进行划分,以提高 图3土木工程监理视频数据存储结构 聚类簇或者是树节点的簇/节点间距离、减少簇內/节点内数据 2土木工程监理视频R树检索 问的距离。 聚类和R树的结合在面对土木程监理视频语义数据处 R树在解决空间多维属性数据的索引问题上有着广泛的理时有着相对传统方法较大的优势。首先,在面对语义数据 应用,在面对视频相关高维数据时也有着相比于B树更好的时,谱聚类这类针对图的聚类算法减少了其他聚类算法所需的 效果。针对传统且树在监理视频存储检索过程中对高维数据数据转换过程。其次,R树作为一种针对高维空间数据设计的 浬性能较弱及检索容错率较低的问题。在对监理视频数据属性索引结构,在处理基于词向量的浯义数据时也比传统关系 进行相关处理后,为了更进一步优化传统R树算法的索引性型数据厍所使用的B/B+树更加有优势。 能及在土木工程监理视频数据上的检索效率,木文构造了一种 R树一般节点结构为( leaf number, leaf level,〈 target 基于谱聚类的土木1程监理视频R树。 MBR1),…,〈 target,MBRn〉),其中间节点结构为( leaf Num 而针对土木工程监理视频的检索问题,本文对基于内容的ber, leaf Level, index,MBR1},…, index,MBRn〉)。其中 视频检索方式进行了研究,发现由于监理视频内容屮的场景较〈 argeL;,MBR〉称为数据项, Target1为空间目标标志,MBR;是 复杂,在本文测试中无法准确检索。这也是本文研究基于R该数据项在K维空间中的最小外包矩形。( index;,MBR:)为索 树检索方式进行基于词向量改进的主要原因。 引项, index;为指向子树根节点的指针(i,m∈N且i≤m)leaf 为∫提高上木工程监理视频的索引及检索效率,本文首先 Number表示节点内最大容量M和最小容量m,般取值m= 对监理视频话义标注内容进行划分,随后使用词向量模型进行M( leaf Number(N)。 Leaf Level表示该节点在书中的层数(leaf 转换,保留监理视频标注信息冋的语义关糸。最后本文针对这 Level∈Z且 leaf level≥0;Leaf_ Level为0表示叶子节点) 些内容,对传统的R树进行了基于谱聚类的节点分裂方式改 传统的R树节点分裂算法因为最小边界机制,空间利用 进,相对于传统方法,改进方法由于利用了图的信息,能更好地率一直存在优化空间。国内外学老基于相关聚类方法的R树 利用间向量间的位置关系,从而更加高效地对R树节点进行节点分裂方法改进都取得了较好的R树空间利用率。本文基 1720 计算机应用研究 第36卷 于相关研究,结合谱聚类算法,针对基于词向量的土木工程监 15 理祧频数据,进行∫如下工作。 16 return Cl list,C2list/返回划分结果 但是传统节点结构并不适用于基于语义的词向量数据条 谱聚类算法主要基于图划分及K- means算法,其时间复杂 月同时最小边界矩形也并不包含谱聚类所需相关信息,丙此度主要受K-mans算法影响,为O(k×nx1),其中k代表聚类 本文基于R树结构进行拓展设计了如下的结构。 般节点的结构为( leaf Number,leaf_ level,Leaf_Mat,tar 簇数目,t代表迭代计算数目,在本文的实验中,发现k=2,t=1 时效果最好,因此整个K- means算法部分的时间复杂度为 get,WMBR1〉,…, target, WMBR)),其中,增加的 leaf,用于 存储当前页节点下不同子节点之间的权值矩阵;WMBR:(word O(n)。而规则划分算法部分的时间复杂度为O(n2),因此 MBR)是指经过转换的词向量的最小边界矩形(i,m∈N且i≤ SCS算法的时间复杂度为O(n2)。 m)。在本文研究中,首先通过将词向量数据进行卞成分分析 基于词向量的SCR树节点检索方法 降为目标维度,再转换成目标空间。由于本文对词向量距离用 在对SCR树节点分裂进行针对性的优化之后,需要对R 欧氏距离度量,所以此转换不会影响词向量的距离度量。中间节树算法的检索结构进行优化。通用的SR树检索方法主要是 点结构为( leal number, leal level, leal mal〈 index1,WMBR1), 对给定的空间位置数据进行基于包含关系匹配,如果进行基于 〈 index,WⅥBRn〉)其改动基本与上文一致 屮文的检索,会因为同义词等问题导致很多相似结果无法检索 图4展示了一种简化的不同节点分裂方式的效某对比。到。龚静等人在模糊语法下对文本分类的相关究对本文 可以看出,传统的 Guttman节点分裂算法基于最小矩形面积进起到一定的启发。 行节点分裂,其不足在于一定程度上增加了R树最小边界矩 因此,本文在对分裂方法进行优化之后,对检索方法也进 形的重叠度,增加了节点分裂的开销。而谱聚类分割( spectral行了相关优化。基于词向量的优化算法描述如下。 cluster split,SCS)算法的节点分裂保证了各个最小边界知形在 算法2W-tet检索算法 内部面积较小的同时相互之间的距离足够大,从而减少了不同 输入:检索语句 fersen,SR树 portree 输出:检索结果列表 result list 最小边界矩形的覆盖率,提高了整个R树的节点分裂效率和 检索效率 1 sur_scen, sur_obj*list /初始化监理场景、监理对象列表 3 团 4 6 6 r-diste-eale_dist( wprd 781「9 78917 判断当前词汇离距离监理场景和监理对象集合的距离 10 5 if word dist scen word dist ob 10 sur O (a)待分裂节点 )SCS分裂法 I vector 0) Gutta分裂法 图4两种节其分裂法小意图 sur scen. add word vector 从4可以看出,基丁谱聚类的节点分裂方式会在相关词 将词向量判定为距离较少的类 end if 条的同向量之问保存权值连接,从而使得节点分裂时重叠面积 10 end for 更小。同封从后文的实验结果中也可以看出,这种算法能够提 11 result_scent-scr_tree. match_scen( sur_scen) 供更快的检索效率。 12 result_obje-ser_tree. match_scen(sur_scen 为了达到更好的构建性能,本文给出种结合谱聚类的 根据不同的类型进行匹 13 esuItt--merye resull_s'en, reslt_obj SCR树节点分裂算法SCS如下 /合并检索结果,按检索频率进行排序 算法SCS节点分裂算法 4 return result 输入:节点 Inode 输出:节点C1,C2 基于词量优化的SCR树检索过程具体步骤如下: a)将用户输入检索语句进行词向量转换。 if node node num max /如果 node子节点数目大于最大节点数 b)对检索语句词向量进行处理,通过词向量空间位詈分 xlistt-data_to_list(fn. leaves 成监理场景、监理事件两类。 /将叶子节点中的数据转换为属于n个线性子空间的数据 c)匹配分类后数据,相比原始匹配算法,优化的空间匹 点集K=[x_1,x_2,…,xn]∈R(M×N)* 配方法将空间中心位置小于阈值的结果也添加。 3 leaf_graph+-create_graph( xlist) /*以矩阵形构建G=(V,E,W),边的权值定义为其所连 d)将检索结果进行合并处理,对于检索到次数越多的结 两点的相似度W 果优先度越高。 leaf_list_cut+cut_graph( leaf_graph) 在该算法中,4、5行的时间复杂度为O(n2),11、12行中匹 /对图进行切分,并且返回子集 /将切分图进行谱聚类 配算法和传统的检索算法基本一致,时间复杂度为O(n2),13 while Leaf list eul is not null 行中合并算法时间复杂度为O(n2),因此检索算法时间复杂度 //本算法暂时只考虑二路划分 为O(n2)。通过使用优化的算法,能够有效提升检索的查全率。 6 center list←C1,C2//将聚类中心保存 //获取随机聚类中心C1,C 7 for node in Leaf list cut 3实验结果及分析 8 if dist( Cl, node ) dist( C2, node 9 C2list←node 本文实验均运行在处理器为 Intel i7-7500U,硬盘为2TB el 型号MSFT30NA9BK51J的HDD,内存为DDR4类型8GB,操作 ci list←node 系统为 Windows10的实验环境下。同时本文采用通过相关监 /将node划分到欧氏距离更小的点集中 理公司收集的20000余条关键帧以及对应标注信息数据进行 实验。为了对SCR树进行完善的性能测试,本文设计了如 14 nd while 实验1及2 第6期 宋华珠,等:基于语义和谱聚类的监狸视频R树检索方法 1721 在实验的设计中,本文进行了如下考虑:首先在对比传统 实验2主要通过设置不同的页文件大小,对比了在检索 的关系型数据库中的存储及索引性能时,考虑到B+树对丁本10000条数据时,传统的 Guttman检索方法(KSR树及CR树 文处理过的数据无法进行高效存储,同时已有很多研究成果表等也均是使用的此检索算法)和优化的基于词向量的检索方 明了R树柑对于B+树在高维存储中优势,因此实验中不会法W-let之间检索节点查全率的Ⅸ别 涉及基于B+树的对比实验。而对基于深度神经网终的算法 在数据设置中,本文选择了400条包含检索关键词的词 由于不具有训练必狐的大规模标注数据集,同时考虑到基于深条,60由关键词相关词条(主要为监理领域的相近词,其中部 度神经网络的算法在模型训练时间及查全率上都不具备对于分包含了重复的关键词,如钢筋砼,即为钢筋混凝土,均包含了 土木|程监理视频索引和检索的实用性,所以在实验中不进行钢筋词)组成的检索条目,以及9000条无关词条(主要指没有 相关对比。 重复的,同时通过查询共中的关键词保证词向量的欧氏距 实验1采用 Guttman节点分裂算法及基于 K-means聚类离在一定阈值范围之外)组成了检索数据集。 的K-S节点分裂算法0、sCs节点分裂方法以及CBS节点分 随后,本文设置了不同的页文件大小进行检索实验,因为 类算法进行索引构建时间对比。图5展示了基于四种节点分R树的结构问题,不同的页文件大小会影响索引的速度,且其 裂方法的R树在不同的页文件大小下,数据量为10000条时矩形覆盖特性会对检索结果的准确率有一定影响。 的检索时间。图6展示了四和检索方法在页文件大小为4KB 图7屮横轴表示不同的页文件大小,纵轴表示检索成功的 吋,不同数据量中的检索吋间对比。 节点数目,因为总共的正确节点数目为100条,所以纵轴的 10 最高数目设置为1000。从图7的实验结果可以看出,随着页 文件大小的变化,本文监理数据的检索准确率也产生了变化 首先,对于400条确定的关键词信息,两种检索方法均能够完 0 整检索到,但是对于600条相关词条,检索的准确率则起了 0.51 定的变化。基于谱聚类的方法检索效率一直高于传统的Cut- 页文件大小/KB tman检索方法。在最为通用的4KB页文件大小的情况下 图5页文件大小不同时的节点分裂算法索引时间对比 Guttman方法检索到的总节点数日为509,CR方法检索到的 从图5可以看出,在页文件大小变化时,各种节点分裂算总节点数目为575。经过分析统计, Guttman算法和SCR算法 法的索引时间也起了较大的变化(图5、6所示时间及下所有对 于400条关键数据条目均全部检索成功,而对于含义相近的 的时间对比均采用100次模拟实验的平均值)。但是本文的数据条目,SCR树的检索算法在最好情况下(页文件为8KB SCS节点分裂算法的索引时间一直处于最低水平,在比较常用时)相比于传统Gmtm算法的查全率有∫约63%的提升,而 的4KB页文件大小情况下,SCS节点分裂算法在最好情况下在常用的4KB页文件大小情况下有了约13%的提升。 比 Guttman节点分裂算法索引吋间减少了39.7%,比KS节点 1000 分裂算法也减少了27%,相比于CBS节点分裂算法1减少了 约11%。在其他的文件大小下,本文方法相对丁对照算法 也有一定的索引性能提升。 2481632 -Guttman 贞文什大小/KB 图7两种检索算法检索节点的数目对比(100次检索平均值) 5000 10000 15000 20000 4结束语 数据量人小条 图6不同数据量时的节点分裂算法索引时间对比 本文通过结合语义和词向量,结合了维基百科已有的28 从图6可以看H,数据量不同的情况下.SCS节点分类算万余词条和土木工程监理行业特殊的7000余词条进行规范 法相比对照算法在本文数据下有了最高两倍的时间减少,本文化,从而能够对十木工程监理数据进行有效的处理。 推断,这是因为基于谱聚类的SCR树在较少的节点数目下速 随后对于这些数据的索引和检索进行了优化,本文通过对 度相比于传统的节点分裂方法更加有优势,但是在较大数据中 R树的节点分裂方式进行改进,提出了一种结合谱聚类的SCS 仍然有着不错的表现。在200条数据量时,SCR树相比于节点分裂算法,在实验中展现了比对照方法更好的索引效率。 GuttmanN, K-SR, Cr树检索时间降低了约39%、24%、9%,可同时,结合词向量方法的改进检索算法也有效提升了相比传统 以看出,SCR树在索引性能上相比对照算法确实有效提升。且 方法更好的检索查全率。 可以看出SC节点分袈方式的索引吋间增幅也最小,即在 相比于传统的检索方法,SCR树有效利用了监理视频中的 定数据量范围内,CS节点分裂算法对于增长数据也有更好的语义标注信息,提高了监理视频的检索时间和检索效率。相比 支持。增加页文件大小也是一个有效提升索引速度的方法,这于传统的方法,其具有索引速度快查全率高等特点。相比新 种方法对所有索引方法都有效,但这种方法受到硬件和操作系兴基深度学习的检索方法,由于土木工程监理行业缺乏详细 统的限制。 枟注的大规模数据集,同时综合考虑到模型的训练时问,SCR 而在面对土木工程监理数据等较为复杂的高维数据时结树仍是现阶段针对监理视频进行检索的更实用方法。同时本 合了现代聚类方法的KS节点分裂算法和本文的SCs节点分方法具有较高的拓展性,通过替换对应的词向量库,顶期能够 裂算法显然比基于最小边界矩形划分的方法性能更好。因此在其他类似数据上取得较好的结果。综,本文提出的SCB 也可以认为,SCS节点分裂算法能够取得较好的实验结果十要树算法有效提高了土木工程监理视频的索引和检素性能。 是因为谱聚类方法对丁高维词向量数据具有较好的划分效果,参考文献: 在R树屮有效降低了重叠面积,提高了节点划分速度,从而有[付卫民“互联网-”推动监理视频监控系统应用普及[J].建设 效提升了索引性能。 监理,2015(9):34-35,61.( Fu weiming.“ nternet+" promote the 计算机应用研究 第36卷 supervision video monitoring system application J]. Construction 10] Brakatsoulas S, Pfoser D, Theodoridis Y. Revisiting R-tree construe Supervision,2015(9):34-35,61.) tion principles[c// Advances in Databases and Information Systems [2]蒙云珙,吴剑锋,张兆龙,等.爆破工程现场监理视频监控系统的 London Springer-Verlag, 2002: 17-24 应用冂」.爆破,2017,34(2):148-151.(Me睥 g Yunqi, Wu jian-l1」李松,崔环宇,张丽平,等.基于CUIE聚类算法的静态R树构建 feng, Zhang Zhaolong, et al. Application of video surveillance system 方法[J].计算机科学,2015,42(10):193-197.( Li Song,Cui for site supervision of blasting engineering[J]. Blasting, 2017, 34 Huanyu, Zhang Liping, et aL. Static R tree construction method (2):148-151.) based on CURE clustering algorithm[ J]. Computer Science, 2015 [3]代永斌.土木工程施工监理娶点分析[J.建材与装饰,2016 42(10):193-197 (48): 130-131.(Dai Yonghin. Analysis of key points in civil engi- [ 12] Prieur-Drevon L, Reamonte R, Dayenais MR. R-SHT: a slate histo- neering construction supervision[ J]. Building Materials and Deco ry tree with R-tree properties for analysis and visualization of highly ration,2016(48):130-131.) parallel system traces J 1. Journal of Systems and Software [4 Sleit A, Al-Nsour E. Corner-based splitting: an improved node split- 2018,135:55-68 ling alyorithm for R-tree[J]. Journal of Information Science, 2014, [13 L in K, Yang H, Hsiao J, e! uL. Deep learning of binary hash e cles 40(2):2236 for fast image retrieval[ C//Proc of the IEEE Conference on Compu- [5 Guttman A. R-trees: a dynamic index structure for spatial searching ter Vision and Pattern Recognition Workshops. Piscataway, NJ IEEE lal Conference on management of Da Press,2015:27-35 ta. Boston MA. ACM Press 1984, 47-57 [14 Liu Peizhong, Guo Jingming, Wu Chiyi, et al. Fusion of deep lear [6 Arge L, Hinrichs K, Vahrenhold J, el al. Efficient bulk ope eration ning and compressed domain features for content-based image retrieval on dynamic R-trees[J. Algorithmica, 2002, 33(1): 104-128 [J. IEEE Trans on Image Processing, 2017, 26(12):5706 [7 Chen Ningning, Zhong Xian, Li Lin. Research on optimized R-tree 5717. igh-dimensional indexing method based on video features[ C]//Proc [15 Mikolov T', Sutskever L, Chen Kai, et aL. Distributed representations of the 2nd IEEE International Conference on Cloud Computing and of words and phrases and their compositionality c//Advances in Big Data Analysis. Piscataway, \J: IEEE Press, 2017: 93-97 Neural Information Processing Systems. 2013: 3111-3119 [8]徐明.基于节点分裂优化的R树索引结构[J].计算机应用研究,[16] Shi jianbo, Malik j. Normalized cuts and image segmentation[J 2016, 33(12): 3530-3534.( Xu Ming. R-tree index structure based IEEE Trans on Pattern Analysis Machine Intelligence, 2000 on node splitting optimization J. Applications Research of Com 22(8):88-905 puters,2016,33(12):3530-35314.) [17]龚静,黄欣阳.基于改逹模糊语法増量式算法的文本分类方法 [9]桂林.R-re空间索引方法的仇化研究[J].武汉理工大学学报, [J].计算机应用研究,2017.34(11):3355-3358.( Gong Jing, 2009, 31(2): 97-99, 103.( Cui Lin. Optimization of R-tree spatial Huang Xinyang Text classification meth indexing method[I]. Journal of Wuhan University of Technology grammar incremental algorithm[ J. Applications Research of Com 2009,31(2):97-99,103.) puters,2017,34(11):3355-3358.) (上接第1682頁)于多方位考虑Δ变化的原因,使用深度学习「7刘爱国,薛云涛,胡江鹭,等.基于CA优化SWM的风电功卒的超 方法,对城市AQI进行预测,以期获得更好的预测结果 短期预测「J.电力糸统保护与控剖,2015,43(2):90-95.(Liu 参考文献 Aiguo, Xue Yuntao, Hu Jianglu, et al. Ultra-short-term forecasting based on SVM optimized by GA[ J. Power System Pro 「Ⅰ杨忍琪,赵丽华.随机森林算法在城市空气质量预测中的应用 tection and Control, 2015, 43(2): 90-95.) [J.统计与决策,2017(20):83-86.( Yang Siqi, Zhao lihua,Ap-「8 Direito b, Teixeira A, Sales f,ctal. A realistic seizure prediction plication of random forest method in urban air quality predictionL J udy based on multiclass SVMIJ/OL]. International Journal of Neu Statistics and Decision, 2017(20): 83-86. calSystems,2017,27(3).https://doi.org/10.1142/ [2]伦淑娴,林健,姚显双.基于小世界回声状态网的时间序列预测 s012906571750006X J].自动化学报,2015,42(9):1669-169.( Lun Shuxian,Ln[9]李惇,王建囯,李静文,基于神经网绉的景气预测模型[J].统汁与 lian, Yao Xianshuang. Time series prediction with an improved echo io*R, 2017(10): 43-46.(Li Bo, Wang Jianguo, Li Jingwen. Pros- state network using small world network[ J. Acta Automatica Sini perity prediction model based on neural network[ J. Statistics and ca,2015,42(9):1669-1679.) Decision,2017(10):43-46.) [3席超,蔡成林,李思敏,等.基于ARMA模型的导航卫星钟差长期预[0] Asencio- Cortes g, Martinez-alvarez F, Troncoso A,etal, Medium 报「J.天文学报,2014,55(1):78-88.( Xi Chao, Cai chenglin,Li large earthquake magnitude prediction in Tokyo with artificial neural Simin, et al. Long-term satellite clock bias prediction based on ARMA networks[ J. Neural Computing and Applications, 2017, 28(5) nodel[ J. Acta Astronomica Sinica, 2014, 55( 1): 78-88.) 1043-1055 [4 Zhang Yang, Li Ce, Li Lian. Electricity price forecasting by a hybrid 11 Zheng Zuduo, Su Dongcai. Short-term traffic volume forecasting:a model. combining wavelet transform Arma and kernel-based ex K-nearest neighborapproach enhaneed by constrained linearly sewing principlecomponent algorithm[ J]. Transportation Research Part treme learning machine methods. Applied Energy, 2017, 190 C: Emerging Technologies, 2014, 43(6): 143-157. [12 Oliveira P J A, Boccelli D L. K-Nearest neighbor for short term water L5」翟静,曹俊.基于时闬序列 ARIma与BP神经网络的组合预测模 demand forecasting C]//Proc of World Environmental and Water Re 型[J].统计与决策,2016(4):29-32.( Zhai Jing, Cao jun. Combi sources Congress. 2017: 201-510 nation forecasting model based on time series ARIMA and BP neural[13]罗,欧阳元新,熊璋,等.通过相似度支持度优亿基于K近邻的 network[J]. Statistics and Decision, 2016(4): 29-32 协同过滤算法[J].计算枧学报,2010,33(8):14410-1441.(Lu [6 Ruby-Figueroaa R, Saavedrab I, Bahamondec N, et aL. Permeate Xin, Ouyang Yuanxin, Xiong Zhang, et al. The effeet of similarity flux prediction in the ultrafiltration of fruit juices by ARIMA model upport in K-nearest-neighborhood based collaborative filtering[J] [J. Journal of Membrane Science, 2017, 524(2): 108-116 Chinese Journal of Computers, 2010, 33(8): 1440-1441.)

...展开详情
试读 6P 论文研究-基于语义和谱聚类的监理视频R树检索方法.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
weixin_39840588 你的留言是对我莫大的支持
2019-07-22
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
上传资源赚积分or赚钱
最新推荐
论文研究-基于语义和谱聚类的监理视频R树检索方法.pdf 10积分/C币 立即下载
1/6
论文研究-基于语义和谱聚类的监理视频R树检索方法.pdf第1页
论文研究-基于语义和谱聚类的监理视频R树检索方法.pdf第2页

试读结束, 可继续阅读

10积分/C币 立即下载 >