排序方式： 共有2条查询结果，搜索用时 46 毫秒
1
1.
随着人们对网络空间的依赖性不断增强,互联网技术与网络基础设施规模迅速发展。很难直接用数字或表格的形式对网络空间进行全局的规划与管理,并且不容易发现隐藏在网络空间中的一些关键信息。网络空间点群要素的多尺度模型构建对网络空间数据的多尺度分析和可视化具有非常重要的意义。本文以网络空间的特征为依据,在借鉴基于社团划分的网络空间分层算法和基于节点重要性的网络空间分层算法特点的基础上,提出了Blondel算法和k-核分解的混合算法相结合的网络空间点群要素多尺度模型构建算法。本算法通过自动社团划分,用同一社团内的节点合并构建新的网络,有效解决了基于节点重要性的网络空间分层算法自动化程度低的弊端。利用核心节点来代替整个社团结构,显著保留了网络空间中节点的属性。实验表明使用该算法可以使各个层次网络空间点群要素的综合比例降至30%以下,较好的实现了网络空间点群要素的聚类与分层,若将网络空间点群要素的多尺度模型应用于地理空间中,则可实现网络空间地图的多尺度绘制。 相似文献
2.
针对PM2.5浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘，而深度学习算法在数据较少情况下效果不佳的问题，综合考虑深度学习与随机森林的特点，提出一种基于深度学习与随机森林的PM2.5浓度预测组合模型。模型以气溶胶光学厚度(AOD)遥感数据、气象再分析数据和PM2.5地面观测数据构建训练数据集，通过深度学习方法对训练数据内部深层次隐含特征进行提取，将提取得到的隐含特征用于随机森林模型训练，并使用随机森林回归算法得到PM2.5浓度的预测值。为验证方法的有效性，以河南省区域2018年—2019年的PM2.5浓度估算为例，将原始特征与利用CNN、LSTM和CNN＿LSTM所提取特征共同构建的新特征分别通过随机森林回归、支持向量回归以及K近邻回归等3种传统机器学习方法进行训练和预测。实验结果表明，在较少数据情况下PMCOM模型无论是在整体预测还是在分季节预测场景下均具有较好的预测精度，其中以LSTM为特征选择器，RF为回归器的组合模型是本实验的最优模型，在即使只有35%... 相似文献
1