多畴的上下文信息的融合模型的物联网

文摘

物联网的目的是为用户提供深自适应的智能服务根据用户的个性化特征。大多数形式的特点提出了高层上下文。但它往往缺乏方法直接获得高层上下文信息在互联网的东西。本文从而达到相应的高层直接使用特定的底层多畴的上下文环境信息通过不同的传感器在物联网,我们目前的机器学习方法构造一个上下文融合模型基于特征选择算法和multiclassification算法。首先,我们提出一个包装器基于遗传算法的特征选择方法来获得一种更简单和更重要的上下文特征子集的低级多畴的背景下,通过定义一个合适的适应度函数,收敛条件。然后,我们使用决策树算法multiclassification算法,基于规则通过训练子集的上下文特征,确定哪些高层上下文的纪录属于低级上下文信息。实验证实,该模型可用于实现更高的分类精度没有更多大量的时间消耗。

1。介绍

物联网技术是一个网络扩展到互联网对象,其主要功能是连接这些对象(1]。它不仅极大地提高了网络的方便,但也满足需求之前,人们无法想象2,3]。物联网的各种各样的信息沟通、传感和计算机信息为用户提供更多的情报服务(4]。上下文数据的过程是由传感器和智能设备提供情报服务的物联网是巨大的和有价值的,因为上下文数据可以用来影响人类的服务经验在很多不同的方式。“上下文”并不是一个新概念,但到目前为止,没有统一的“上下文”的定义存在理论上或实践。这是因为不同的研究者提出了不同的定义根据不同的背景,不同的理解,不同的观点(5]。Schilit和Theimer提出“语境”的概念6第一,他们认为上下文信息包括用户的位置,用户的身份,用户周围的物理对象,使用的设备用户的交互状态。然后,许多研究人员(5- - - - - -9]提出的定义上下文信息基于自己的研究领域和视角。总的来说,这些定义定义基于传统的观点“user-center”,主要包括三个基本要素:人,机,环境。然而,对于物联网,上下文信息应该是两个人类之间的协调,一个人类和一个对象,和两个对象。我们采用的定义在参考文档10),将上下文信息作为人类之间的交互信息,对象,在物联网机器,和环境。它包含预设静态信息和动态信息相互作用造成的。为了适应用户的个性化需求,提供的服务应该有明显的和个性化的特点,以适应用户的上下文特征(11]。通常,在互联网服务的生命周期,当用户更改底层多畴的上下文,如位置、温度、或照明,高层上下文可能永远改变用户的个性化特征(12]。因此,这是至关重要的高层上下文特征融合的低级上下文信息用户的多畴的环境及时(13]。

上下文融合流程获得高级上下文通过处理多畴的低级上下文(由监测、遥感数据,等等)基于一些方法和先验知识。如今,大多数研究采用规则推理的方法。例如,中间件的上下文工具包(14)支持上下文重用和自定义的抽象表示。通过编码程序的逻辑规则、上下文工具包实现了冲突检测和推理的哦(组织选项修剪系统)。盖亚(15)采用CORBA(公共对象请求代理体系结构),这是一个分布式组件体系结构基于操作系统的思想,实现高效的推理用一阶谓词逻辑模型。CORBA还引入了概率和模糊逻辑的概念来处理不确定性。项目的步伐(无处不在,自主环境敏感环境)提出了三值逻辑来处理不确定性信息基于图形上下文建模语言CML(上下文建模语言)16]。瑞安建业(面向服务的上下文感知中间件)[17]基于OSGI(开放服务网关协议)和上下文应用程序中间件眼镜蛇(上下文代理架构)基于代理(18)都使用OWL本体来实现推理。基于规则的推理是直接的表达,统一和准确。这种方法更适合解决小规模数据集,但很难应对复杂系统和大规模数据集,因为观察症状之间的关系和相应的诊断在大规模系统更复杂,因此很难总结有效的规则的专家的经验。本文介绍了机器学习的方法来构造一个上下文融合模型以实现大规模的融合处理和多畴的上下文信息。

2。上下文的分类

没有统一的分类标准上下文。不同的研究者提出了不同的分区方法基于自己的研究背景、应用和研究的要求。戴伊等人提出,上下文信息位置、身份、活动、和时间。上下文被定义为用户和角色,流程和任务,位置,时间,设备由Kaltz et al。19),为了使一个广泛范围的移动和网络环境20.]。施密特等人提出,上下文信息是人为因素和物理环境(21]。罗等。22)对源作了更详细的区分,目的,不同频率的上下文信息。我们分析了可能产生的上下文信息在新的网络环境和服务注册的流程,服务发现、服务选择,并根据用户需求的服务组合在物联网和上下文信息定义为环境上下文信息,设备上下文信息,用户上下文信息,计算上下文信息。细节如下。

2.1。环境上下文信息

它是用来描述服务的上下文环境物联网(23),包括特定的环境、现场环境和时间环境。特定环境指的是可测量的环境状况(比如温度、湿度、声音和光线吵闹)。现场环境指的是一个相对稳定的环境(如会议室或咖啡馆)。颞环境包括一些时态对象(时间点和时间段等)以及时态对象之间的关系(24]。

2.2。设备上下文信息

它主要指的是能力和设备的轮廓。设备是承运人的服务和用户之间的交互,包括静态设备上下文和动态设备上下文。静态关联设备包括设备类型的上下文和显示性能。动态设备上下文包括信号强度、移动速度和电力的设备。

2.3。用户上下文信息

它主要指的是能力和用户的轮廓。用户是指实体可以启动服务的需求物联网(人,一个普通的对象,等等)。它包括静态用户上下文,动态用户上下文,和历史用户上下文。静态用户上下文包括用户的身份,身份,和偏好。动态用户上下文包含用户的位置、姿态许可。位置包括几何位置(特定的纬度、经度和海拔通过GPS,等等)和相对位置(“走廊,”“东教室”,等等)。

2.4。计算上下文信息

主要指与计算属性相关的功能,包括静态计算环境和动态计算环境。静态计算上下文包括计算能力(存储容量、处理器能力等)和网络容量(网络类型、网络带宽、通信成本,等等)。动态计算环境包括CPU利用率、内存利用率和传染性的邻居节点。

3所示。上下文融合模型

3.1。上下文融合的结构模型

上述各种情况下的一些可以直接和最初获得(如光,剩下的电池),这被称为低级上下文。

最初的收购是一个过程,获取各种类型的上下文信息(或数据)直接从各种上下文信息的来源(如传感器、射频识别阅读器和相机)。其他需要集成的低级上下文信息从信息源获取高层获得上下文信息(场景、相对位置等)。例如,一个场景,用户面对无法直接获取,它必须是一个低级上下文的综合分析,如温度、湿度、速度、位置和方向,来推断,现场用户面临(楼上的走廊,等等)。上下文信息的感知往往是复杂和多畴的物联网,,很难总结的有效规则基于专家的经验。所以,不适合使用基于规则的推理方法。本文介绍了机器学习方法和基于遗传算法考虑到上下文融合模型和决策树。模型结构如图1。首先,采用特征选择方法降维处理输入。然后,它可以确定的高级上下文融合了低级上下文基于分类算法。这个方法可以被训练来获得通过大量样本的推理规则,它不需要人工干预。尽管推论的结果不是很准确,很容易实现和适用于处理大规模的信息。这将是更可行的识别精度的要求不是很严格。

模型包含两个部分:特征选择和分类。特征选择的目的是为了减少训练样本的维数和删除一些功能不相关或弱相关的任务,为了获得简单但重要的特征子集(25]。样品可以通过训练得到分类规则的基础上,特征子集。然后,根据分类规则,一些低级上下文可以归类为一种高级上下文。在这个模型中,数十个维度(记录为“”)的低级上下文信息构成了原始输入空间,和高层上下文对应于低级上下文信息(记录为“”)构成的输出空间。我们可以获得 维空间紧凑的特征子集的特征选择算法(过滤、包装或混合模式)的原始输入空间。然后,我们可以减少测试数据的尺寸根据特征子集。最后,每个样本的分类和识别的任务是完成multiclassification算法(贝叶斯、决策树支持向量机)。

贝叶斯分类遵循贝叶斯定理。贝叶斯定理给出了一个计算后验概率的方法。贝叶斯分类提供了一种方法可以结合实际学习算法和先验知识和观测数据。它提供了一个有益的视角对于理解和评估许多学习算法。朴素贝叶斯分类是最常用的方法在贝叶斯分类。顾名思义,这个分类器使用朴素贝叶斯定理的分类对于一个给定的变量值。朴素贝叶斯分类器是一个非常简单的基于概率模型的分类算法和预测之间的独立性假设。独立的假设通常不会对现实产生影响。因此,他们认为是幼稚。朴素贝叶斯模型是非常有用的对于大型数据集,很容易建立,没有复杂的迭代参数。 Despite its simplicity, the naive Bayes classifier is widely used, because it usually behaves well and often outperforms more sophisticated classification methods.

支持向量机(SVM)是一组监督学习方法用于分类、回归分析、异常值检测,来源于统计学习理论。它经常会产生伟大的分类结果从复杂和嘈杂的数据。支持向量机主要用于两类分类问题。尽管一些论文提到支持向量机可用于解决组合类分类问题,这个过程需要一些谨慎。

在决策树分类技术,是一种强大的分类方法。它可以用来确定训练数据的特征分割,导致一个好的泛化。决策树算法可以自然地处理二进制或multiclassification问题。和叶节点可以参考的类有关。

通过大量的实验,我们发现,决策树分类算法和包装器基于遗传算法的特征选择方法取得了较好的分类结果在物联网的上下文信息。本文实验将在部分4。接下来,我们将介绍了基于遗传算法的特征选择方法和multiclassification决策树的方法。

3.2。基于遗传算法的特征选择

一般来说,有三种模式的特征选择,即过滤模式,包装器模式,混合模式。过滤器模式使用的属性数据本身作为特征子集的评价指标,以及包装使用机器学习算法的准确率作为特征子集的评价指标(26]。一般来说,滤波器特性选择速度更快。选择的过程是与机器学习算法,所以特征子集可能不适应特定的机器学习算法。这使得特征选择后的结果子集不一定最优。包装器模式是低于过滤器,因为它需要做cross-certification和更复杂的计算。特征子集可以适应的分类算法,所以选择的结果通常是更好的。混合模式需要在两个步骤做特征选择,计算时间是非常大而准确率没有明显改善。所以,一般不使用混合模式。本文选择了包装器模型进行特征选择。包装器的工作原理是,它需要按照维度数据打包成不同的特征子集,使其选择正确分类率。 So, we need to search the whole feature subset space.

搜索策略一般分为三种类型,即详尽的搜索、启发式搜索,确定搜索(27]。穷举搜索策略可以搜索所有可能的特征子集,它将能够找到最优的特征子集。但是很难实现最优解大量的特性,因为空间和时间的成本很大。启发式搜索策略将搜索特征子集根据一定的启发式规则(28]。成本更少,但容易陷入局部最优,不能获得和全球最佳。不确定性的搜索策略是上述两种搜索的平衡,例如,遗传算法。我们在本文中使用遗传算法。图2显示了包装模式基于遗传算法的特征选择过程。由于上下文分类是一种multiclassification,典型的贝叶斯方法、决策树、支持向量机评价函数的选择特征子集。决策树是本文中使用的主要方法;贝叶斯和支持向量机方法用于比较实验。

在图2,参数需要首先初始化,这是一个关键的遗传算法。特征子集作为唯一参数编码。然后,模型就完成了一代的特征子集,特征子集的评价,评价,和结果的验证。一个初始子集是随机生成的初始参数和原始的人口。每一代的特征子集生成根据相关参数计算的遗传算子。适应度函数定义如下:

在(1),是代人。正确分类率的子集。都是这一代的子集。是数量的子集。是最大的分类精度的子集一代。是最小子集的分类精度一代。平均分类精度的子集一代。

遗传算子的关键实现最优搜索。有三种操作符,即选择、交叉和变异29日]。选择算子选择个人可以遗传给下一代的某些策略,基于个人健康的评价(30.]。交叉算子随机选择两条染色体根据一定的交叉概率和交流的一些基因在某种程度上形成两个新的个体。变异算子用于生成一个新的个人通过随机改变一些染色体在小概率 。交叉操作产生新个体的主要方法在遗传的过程中操作。它决定了全球搜索功能(31日)的遗传算法。变异操作是一个辅助方法来产生新个体,它决定了遗传算法的局部搜索能力。之间的相互合作交叉算子和变异算子将完成搜索空间的全局搜索和局部搜索。它可以使遗传算法完成搜索过程具有良好的性能(32]。本文设计算法收敛的两个条件:一是取得了稳定的子集,另一是代数量已经超过阈值。

3.3。决策树分类算法

数据挖掘的常用方法之一是决策树学习方法。决策树学习方法的目标是创建一个模型,预测目标变量的值基于多个输入变量。每个内部节点对应一个输入变量和有边缘的孩子为每个可能的输入变量的值。每片叶子代表目标变量的值给定的输入变量的值代表了从根到叶子的路径。

顶部节点树的根。决策树可以通过训练建立和重新定义的测试样本。决策树的构建过程是一个机器学习的过程(33]。

目前,有很多经典的决策树算法,如ID3算法C4.5算法和算法。ID3算法只能处理离散数据。C4.5算法做了一些改进ID3算法根据信息增益率用于选择测试属性。其中一些如下:处理连续和离散属性,处理训练数据缺失属性值,处理属性不同成本和修剪树木创建后(33]。CART算法不能有效地处理大规模训练样本数据。基于上述分析,在本文中,我们选择了C4.5算法。

3.4。C4.5算法

3.4.1。信息增益的计算

如果该属性的值(记录为“”)的示例将把样本集(记录为“”)子集,即 ,信息增益计算公式如下:

在(2),“ “是样本数据集的数量””;”“子集是样本的数量””;计算如下: 在哪里 是样本数据的类别”的频率”和““是类别的样本的数量” 。”

3.4.2。信息增益率的计算

一个人

在(4),splitinf ()代表分裂的信息,这是潜在的信息时生成””分为“”部分;公式如下:

3.5。建立决策树

提出了构建决策树的方法如下:S1:创建节点””,并开始构建决策树的节点。S2:如果样品是在同一个类中,节点成为一个叶子节点。与这类标签的节点。S3:否则,对于每个属性,数据应该是分散的,如果它的数据是连续的。S4:每个属性的信息增益率计算,然后属性信息增益率最高将被选择和标记。S5:一致的值计算出每个分支的属性。然后它产生分支相同的值。S6:让“”的分支集训练测试集。”“是空的,它需要添加一个叶子节点的类。S7:如果““非空,去“S4。”

防止过度拟合建立了树木和训练样本之间的加强后续分类的速度和准确性,我们通常需要一个修剪策略。修剪是一个机器学习技术。它降低了决策树的规模通过消除部分提供小功率分类树的实例。修剪不仅降低了最终的分类器的复杂性也减少过度拟合,提高了预测精度。常见的分类错误率的计算方法和决策树的编码长度是用来修剪决策树(34]。对于每个nonleaf节点,修剪方法将计算预期的分类错误率如果节点是基于分类错误率的修剪。同时,根据分类错误率的每个分支,每个分支的重量,计算预期的分类错误率会如果节点没有修剪。如果预期错误率变大,因为修剪,修剪会放弃,每个分支对应的节点将被保留。否则,每个分支对应节点的修剪。在修剪过程中,需要一个独立的测试数据集被用来评估修剪树分类的准确性,保留一个决策树修剪修剪后的最低期望错误率。

4所示。实验和结果分析

在本文中,我们使用一个上下文信息数据集,探索环境的“传感器信号的数据集识别移动设备”提出了(35]。有32列传感器信息(25]。其中,第一列和第二列显示的序列号测试方案和测试的次重复;第三列显示的上下文信息;第四列第九列显示设备的上下文信息的方向;第十和第十一列显示上下文信息设备的稳定性;第十二栏显示设备是否在手里;十三19列列显示照明的上下文信息;20列到23列显示温度的上下文信息;26日的24列列显示湿度的上下文信息;二十七列29日列显示噪音的上下文信息; the thirtieth column to the thirty-second column show the action context information of human behavior. The 10,470 records from the third column to the thirty-second column are chosen in this experiment, to constitute the original context dataset ()。根据图像材料由作者(28),我们将数据组织为八个不同的上下文的场景,如表所示1。

在第一个实验中(E1), 2960条记录被选择随机数据集特征选择。剩下的数据被用于分类实验。贝叶斯算法和支持向量机算法用于比较算法。前使用一个更有代表性的方法称为朴素贝叶斯。后者使用SVM multiclassification算法基于投票机制和使用C-SVM每个二进制分类算法,其核函数是一个RBF核函数。测试结果如下所示。

特征子集选择的三个算法的结果如表所示2。从表中,支持向量机算法和决策树算法选择13个功能,但是贝叶斯算法选择12特性。我们可以看到,在第三和第十列的功能更重要,因为这三种算法都有选中的这些特性。

表3显示了三种算法所消耗的时间当培训和测试。可以看出,贝叶斯算法花费的时间最少,和花更多的时间比贝叶斯决策树算法。支持向量机消耗更多的培训和测试时间比贝叶斯决策树。

比较三种算法的分类精度图所示3。可以看到,最高的是决策树的分类准确率超过95%。第二个是SVM与近89%。最低的是贝叶斯方法只有大约57%。

以验证本文提出的融合模型的适应性不同的上下文数据,我们进行另一个实验中(E2)使用980个随机记录的数据集。我们也使用贝叶斯算法和SVM算法比较算法。特征子集选择的三个算法的结果如表所示4。分类结果精度的三个算法如图4。

仿真结果表明,基于决策树的multiclassification算法可以实现更高的分类精度,相对于经典的贝叶斯和支持向量机分类算法。适用于解决大规模多畴的低级上下文信息的融合。所以,它可以获得高级上下文类所代表的低级上下文信息更加迅速和准确。此外,随机森林是一个决策树的扩展版本,如果决策树是被随机森林在上下文融合模型中,它也可以获得很好的结果。

5。结论

本文提出了一个基于机器学习方法的上下文融合模型实现多畴的低级上下文信息的融合物联网。首先,原始数据的尺寸是减少使用包装器基于遗传算法的特征选择方法。然后,基于决策树分类算法,它完成的分类和识别低级上下文识别来确定它属于哪一类高层上下文。实验结果证实了该模型的有效性。如果识别精度要求不是特别严格,该模型将为大规模上下文信息是可行的。这还需要进一步的研究在一些相关参数的优化选择算法。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金(号。41761086,61640013,61502254),内蒙古大学的高级人才的程序(没有。135138)和内蒙古自治区科技创新引导奖励资金项目批准号20121317。

引用

1. 问:刘、马y . m . Alhussein y,和l .彭“绿色数据中心和物联网传感cloud-assisted智能温度控制系统中,“计算机网络卷,101年,第112 - 104页,2016年。视图:出版商的网站|谷歌学术搜索
2. c . Zhang y, z Du, c .妈,“基于本体模型的粒子群优化算法来支持云计算应用程序,”环境智能和人性化计算杂志》上,7卷,不。5,633 - 638年,2016页。视图:出版商的网站|谷歌学术搜索
3. b·贾研究基于语义的服务架构和物联网的关键算法,吉林大学,2013。
4. 英国科技和a . Katasonov”语义互操作性的Web的事情:语义智能网关框架,”学报2012年第六届国际会议上复杂,聪明,和软件密集型系统,CISIS 20122012年7月,页630 - 635。视图:出版商的网站|谷歌学术搜索
5. c·佩雷拉,a . Zaslavsky, p . Christen, d . Georgakopoulos”CA4IOT:上下文感知物联网”学报2012年IEEE国际绿色计算与通信、会议GreenCom 2012年,2012年IEEE国际物联网大会iThings 2012年和第五IEEE国际网络会议,物理和社会计算,CPSCom 2012联邦铁路局,页775 - 782年,2012年11月。视图:出版商的网站|谷歌学术搜索
6. b . n . Schilit和m . m . Theimer”传播活动信息映射到移动主机,”IEEE网络,8卷,不。5,22-32,1994页。视图:出版商的网站|谷歌学术搜索
7. j·l·Encarnacao和j·m·Rabaey《移动通信激飞美国,波士顿,MA, 1996年。视图:出版商的网站
8. d·富兰克林和j . Flaschbart“所有产品不表示,聪明杰克沉闷的环境中,”AAAI学报1998年春季研讨会上智能环境,第160 - 155页,1998年。视图:谷歌学术搜索
9. 陈和d·科孜”上下文感知移动计算研究的调查,“达特茅斯计算机Seienee Teehnieal报告,2002年。视图:谷歌学术搜索
10. 海涛,p .特征选择算法研究机器学习,山东大学,2011。
11. y, m . Chen n . Guizani梁和v c, d . Wu”SOVCAN:面向安全车辆控制器区域网络”,IEEE通讯杂志,55卷,不。8,94 - 99年,2017页。视图:出版商的网站|谷歌学术搜索
12. p·w·魏h .歌曲,w . Li沈,和a . Vasilakos”Gradient-driven停车导航使用连续信息势场基于无线传感器网络,”信息科学卷,408年,第114 - 100页,2017年。视图:出版商的网站|谷歌学术搜索
13. l . Atzori a Iera经纪人莫拉比托g .,“物联网:一项调查,”计算机网络,54卷,不。15日,第2805 - 2787页,2010年。视图:出版商的网站|谷歌学术搜索
14. g . Pujolle”Autonomic-oriented物联网架构,”《IEEE 2006年约翰·文森特Atanasoff现代计算国际研讨会(JVA 06年)索非亚,页163 - 168年,保加利亚,2006年10月。视图:出版商的网站|谷歌学术搜索
15. s . g . Wu犯错误,k Johnsson n . Himayat和k·d·约翰逊,“M2M:从移动嵌入式互联网,”IEEE通讯杂志卷,49号4日,第36 -,2011页。视图:出版商的网站|谷歌学术搜索
16. n Koshizuka和k .出行”无处不在,无处不在的计算和物联网标准,“IEEE普适计算,9卷,不。4、98 - 101年,2010页。视图:出版商的网站|谷歌学术搜索
17. y . w . Kim ETPI“无处不在的传感器网络,”。2007年。视图:谷歌学术搜索
18. 美国的巨大,t . Tagawa k .福井k . Tanimoto h .菅野,“无处不在的传感器网络的发展,”冲电气技术评审,卷71,不。4,24-29,2004页。视图:谷歌学术搜索
19. j . w . Kaltz j·齐格勒,罗曼,“上下文感知网络工程:建模和应用”Revue d 'Intelligence Artificielle,19卷,不。3、439 - 458年,2005页。视图:出版商的网站|谷歌学术搜索
20. “环境意识”,http://en.wikipedia.org/wiki/Context_awareness。视图:谷歌学术搜索
21. a·施密特m . Beigl H.-W。Gellersen”,比位置上下文,还有更重要的事情”计算机与图形学,23卷,不。6,893 - 901年,1999页。视图:出版商的网站|谷歌学术搜索
22. j .罗x清,陈,“普适计算上下文触发任务模型”,《中国微小型计算机系统,25卷,不。8,1542 - 1545年,2004页。视图:谷歌学术搜索
23. 吴z、x道和j . Lv“基于本体的动态环境模型,”计算机科学与技术的前沿》杂志上,卷2,不。4、356 - 367年,2008页。视图:谷歌学术搜索
24. 张y . m .秋C.-W。蔡,m·m·哈桑,a . Alamri”Health-CPS:医疗cyber-physical系统云计算和大数据的帮助下,“IEEE系统杂志卷,页没有。99年,2015年。视图:出版商的网站|谷歌学术搜索
25. 和h p .钱,美国Wang Yan,“进一步特性基于模糊分类在普适计算上下文改变意识,“计算机应用研究,27卷,不。5,1648 - 1652年,2010页。视图:谷歌学术搜索
26. f . Alighardashi和m . a . Zare Chahooki”加权融合滤波器的有效性特征选择方法来提高软件故障预测,“通信技术、电子技术和计算机科学,8卷,第5 - 11页,2016年。视图:出版商的网站|谷歌学术搜索
27. l .回族和y曹”,研究启发式搜索算法的搜索和详尽的搜索结构学习,”学报》2010年第2多媒体和信息技术、国际会议上MMIT 20102010年4月,页169 - 171。视图:出版商的网站|谷歌学术搜索
28. z s . Liu, w .傅,x,“基于渐近线的广义分形生成方法曼德尔勃特集合及其应用,”《非线性科学和应用程序。JNSA,10卷,不。3、1148 - 1161年,2017页。视图:出版商的网站|谷歌学术搜索|MathSciNet
29. a . h .乞讨和m z伊斯兰教”,小说在遗传算法的交叉和变异操作对集群、”学报2016年IEEE国会在进化计算,中国2016年2016年7月,页2114 - 2121。视图:出版商的网站|谷歌学术搜索
30. s . f .整个j·亨特,h·d·梯级”分析和比较个人健身的几何表面,”国际消费电子会议,2005。ICCE。2005消化技术论文,第90 - 89页,2016年。视图:谷歌学术搜索
31. h·刘和美国,“遗传算子,分析”计算机技术与发展,16卷,不。10日,80 - 82年,2006页。视图:谷歌学术搜索
32. b Vazquez-Barreiros、m . Mucientes和m .喇嘛”ProDiGen:矿业完整,准确和最小的结构与遗传算法流程模型,”信息科学卷,294年,第333 - 315页,2015年。视图:出版商的网站|谷歌学术搜索|MathSciNet
33. m . Somvanshi和p . Chavan审查机器学习技术的使用决策树和支持向量机,”第二届国际会议上计算、通信、控制和自动化,ICCUBEA 2016,2017年8月。视图:出版商的网站|谷歌学术搜索
34. 林l . H、陈k和H .赵R,“预测客户保留集装箱航运行业的可能性通过决策树的方法,”海洋科学技术杂志》上2017年,p . 25日。视图:谷歌学术搜索
35. j . Mantyjarvi j . Himberg p .好的Tuomela, p . Huuskonen,“传感器信号的数据集探索环境识别的移动设备,”车间“上下文识别标准和数据库”与第二普适计算国际会议(2004年无处不在),维也纳,奥地利,2004年。视图:谷歌学术搜索

版权

版权©2017 Bing贾庆林等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。