基于MaxT模糊Hopfield網(wǎng)絡(luò)的車型識別
2014-08-08 13:15宋丹周剛
計算技術(shù)與自動化 2014年2期
宋丹++周剛
收稿日期：2013-05-16
基金項目：科技部863計劃項目（2012AA012904）
作者簡介：宋 丹（19—），男，湖南長沙人，工程師，碩士研究生，研究方向：人工智能，網(wǎng)絡(luò)安全。
文章編號：1003-6199(2014)02-0105-03
摘 要：在許多模式識別采樣的過程中,由于環(huán)境噪聲和設(shè)備誤差,往往導(dǎo)致采集的數(shù)據(jù)與真實值有一定偏差,這種偏差會影響識別的效果。本文采用MaxT FHNN模型，提出一種應(yīng)用于智能化交通管理的車型識別方法。并用實驗證實相對于其他車型識別方法，該方法在待測樣本含有噪聲的情況下能得到更好的識別率。
關(guān)鍵詞：模糊Hopfield神經(jīng)網(wǎng)絡(luò)；學(xué)習(xí)算法；MaxT；模式識別
中圖分類號：TP391.4文獻標(biāo)識碼：A
Vehicle Pattern Recognition Based on MaxT Fuzzy Hopfield Network
SONG Dan，ZHOU Gang
(Wuhan Engineering Science and Technology Institute, Wuhan，Hubei 430000,China)
Abstract:During the time collecting samples in many pattern recognitions, because of the environmental noise and the precision of equipment impacts, the data that have been collected always have some perturbations, the perturbations have disadvantages to the effect of pattern recognition system.The practical applications of the MaxT FHNN model have been studied in this thesis. Using MaxT FHNN and other pattern recognition techniques, a vehicle recognition method for intelligent traffic management is proposed. Experiments prove that compared to other method, the recognition rate is better when the method is used under noise environment.
Key words:fuzzy Hopfield neural network; learning algorithm; MaxT; pattern recognition
1 前 言
隨著中國經(jīng)濟迅速發(fā)展，各種交通車輛的數(shù)量越來越多，給我國目前的城市交通帶來巨大壓力，人們希望有一個智能的交通系統(tǒng)，實時監(jiān)控交通情況，實現(xiàn)自動交通管
理，這就促使了智能交通系統(tǒng)的產(chǎn)生。目前一些大城市已經(jīng)逐步引入智能交通系統(tǒng)，例如高速公路的聯(lián)網(wǎng)收費，停車場信息化管理等。隨著智能化交通管理需求的不斷增加，智能交通系統(tǒng)將有很大發(fā)展空間，對車型模式識別系統(tǒng)的要求也越來越高。
2 基于T模的模糊Hopfield網(wǎng)絡(luò)簇
由美國物理學(xué)家J.J.Hopfield提出的Hopfield神經(jīng)網(wǎng)絡(luò)的模糊形態(tài)和離散形態(tài)在學(xué)習(xí)算法設(shè)計和系統(tǒng)性能分析等方面得到了豐富的研究［1，2］。例如,對于maxmin模糊Hopfield網(wǎng)絡(luò)：
X(t)=X(t－1)°W式1
以及帶有閾值的Maxmin模糊Hopfield網(wǎng)絡(luò)：
X(t)=(X(t－1)∨C)°W式2
(其中W是連接權(quán)矩陣,t為網(wǎng)絡(luò)的演化步數(shù),而X(t),X(t－1),C均為模糊向量［3］,“°”是通常的∨－∧型復(fù)合運算),我國學(xué)者劉普寅教授等指出這兩個系統(tǒng)從初始條件出發(fā),系統(tǒng)的狀態(tài)在有限步內(nèi)趨于其吸引子或形成一個極限環(huán)；并在一定條件下證明了系統(tǒng)的吸引子的Lyapunov穩(wěn)定性；特別是,為保證網(wǎng)絡(luò)最優(yōu)容錯性,通過對吸引域的細(xì)膩分析,提出了W的一種解析學(xué)習(xí)算法。2002年提出了一類更具一般性的基于T模的動態(tài)模糊Hopfield網(wǎng)絡(luò)(記為MaxT FHNN)［4］：
X(t)=X(t－1)°TW式3
其中T是T模,″°T″是∨T型復(fù)合運算,X(0)=(x1(0),x2(0),…,xn(0))∈［0,1］n,W是［0,1］上的n×n階連接權(quán)矩陣。等價的逐點表示形式為：
xj(t)=∨ni=1(xi(t－1)Twij) 式4
計算技術(shù)與自動化2014年6月
第33卷第2期宋 丹等：基于MaxT模糊Hopfield網(wǎng)絡(luò)的車型識別
3 實驗環(huán)境
選用微軟Windows 2000操縱系統(tǒng),Delphi7.0實現(xiàn)了基于MaxT模糊Hopfield網(wǎng)絡(luò)的車型識別(以下稱程序)。
4 實驗過程
1)拍攝3類車型(卡車、客車和轎車)的36對樣本的數(shù)碼照片運用圖像預(yù)處理技術(shù)進行處理,然后提取特征值。本文中認(rèn)為這些特征值是真實的、無偏差的,用這些特征值訓(xùn)練MaxT FHNN(T取L模)［5，6］,得到該網(wǎng)絡(luò)的連接權(quán)值矩陣w(見式5)。
2)為了模擬真實的車型識別,假設(shè)現(xiàn)實中采集到的36個樣本與真實值有偏差,于是讓步驟1)中得到的36個樣本的標(biāo)準(zhǔn)特征值產(chǎn)生攝動,使得每個樣本有且僅有一個特征值發(fā)生攝動,得到車型特征值。
3)將步驟2)中含有攝動的特征值輸入到步驟1)中訓(xùn)練好的MaxT FHNN中得到該網(wǎng)絡(luò)穩(wěn)定狀態(tài)的輸出值。
4)為了對比實驗結(jié)果,將步驟2)中得到特征值用模糊模式識別法進行識別得到結(jié)果。
5)將步驟3)中得到特征值用模糊模式識別法進行識別,得到基于MaxT模糊Hopfield網(wǎng)絡(luò)的車型識別結(jié)果。
w=10.81040.74170.391310.79120.33410.55341式5
圖1 車型識別程序流程圖
5 實驗結(jié)果與分析
從實驗數(shù)據(jù)可以得出：直接將含有攝動的車型特征值用模糊模式識別法識別,識別率為58.33％,如果我們將同樣的特征值輸入到程序中,識別率為80.56％,比前者高出22個百分點。實驗表明：即使輸入的待測樣本特征值與真實值之間有偏差,該程序能較好的識別大部分樣本,較直接使用模糊模式識別法,有更高的識別率。
程序?qū)θN車型的分類結(jié)果的程序界面如圖2所示。
6 小 結(jié)
在車型模式識別過程中采集的樣本受環(huán)境和設(shè)備影響很大,采集的數(shù)據(jù)(特征值)往往與真實數(shù)據(jù)有一定偏差,如果將這些含有攝動的數(shù)據(jù)直接送入分類器,識別的結(jié)果很難令人滿意,如果將這些含有攝動的數(shù)據(jù)首先輸入到MaxT FHNN,得到穩(wěn)定狀態(tài)的輸出數(shù)據(jù),再將這些數(shù)據(jù)送入分類器,那么較直接識別有更高的識別率，本文中的實驗證明了這一結(jié)論，該研究工作在智能化交通管理中具有重要的理論意義和廣泛的應(yīng)用前景。
圖2 卡車的識別結(jié)果
參考文獻
［1］ MINGSHENG YING. Perturbation of Fuzzy Reasoning［J］.IEEE Transactions on Fuzzy systems,7(1999):625-629.
［2］ KAIYUAN CAI.Rubstness of Fuzzy Reasoning and-δ Eauations of Fuzzy Sets［J］. IEEE Trans. on Fuzzy Systems,9 (2001):738-750.
［3］ 李德毅,杜鹢.不確定性人工智能［J］.軟件學(xué)報, 2004,15(11):1583-1594.
［4］ 張義榮,劉普寅.基于一類T-模的模糊Hopfield 網(wǎng)絡(luò)的穩(wěn)定性分析［J］. 電子學(xué)報2002,30(1):30-33.
［5］ 袁和軍,李駿.模糊推理的攝動性［J］.模糊系統(tǒng)與數(shù)學(xué),2001,15(4):8-13.
［6］ 徐蔚鴻,陳國平,楊靜宇,等.規(guī)則攝動時模糊蘊涵算子對模糊推理的魯棒性的影響［J］.計算機學(xué)報,2005,28(10):1700- 1707.
收稿日期：2013-05-16
基金項目：科技部863計劃項目（2012AA012904）
作者簡介：宋 丹（19—），男，湖南長沙人，工程師，碩士研究生，研究方向：人工智能，網(wǎng)絡(luò)安全。
文章編號：1003-6199(2014)02-0105-03
摘 要：在許多模式識別采樣的過程中,由于環(huán)境噪聲和設(shè)備誤差,往往導(dǎo)致采集的數(shù)據(jù)與真實值有一定偏差,這種偏差會影響識別的效果。本文采用MaxT FHNN模型，提出一種應(yīng)用于智能化交通管理的車型識別方法。并用實驗證實相對于其他車型識別方法，該方法在待測樣本含有噪聲的情況下能得到更好的識別率。
關(guān)鍵詞：模糊Hopfield神經(jīng)網(wǎng)絡(luò)；學(xué)習(xí)算法；MaxT；模式識別
中圖分類號：TP391.4文獻標(biāo)識碼：A
Vehicle Pattern Recognition Based on MaxT Fuzzy Hopfield Network
SONG Dan，ZHOU Gang
(Wuhan Engineering Science and Technology Institute, Wuhan，Hubei 430000,China)
Abstract:During the time collecting samples in many pattern recognitions, because of the environmental noise and the precision of equipment impacts, the data that have been collected always have some perturbations, the perturbations have disadvantages to the effect of pattern recognition system.The practical applications of the MaxT FHNN model have been studied in this thesis. Using MaxT FHNN and other pattern recognition techniques, a vehicle recognition method for intelligent traffic management is proposed. Experiments prove that compared to other method, the recognition rate is better when the method is used under noise environment.
Key words:fuzzy Hopfield neural network; learning algorithm; MaxT; pattern recognition
1 前 言
隨著中國經(jīng)濟迅速發(fā)展，各種交通車輛的數(shù)量越來越多，給我國目前的城市交通帶來巨大壓力，人們希望有一個智能的交通系統(tǒng)，實時監(jiān)控交通情況，實現(xiàn)自動交通管
理，這就促使了智能交通系統(tǒng)的產(chǎn)生。目前一些大城市已經(jīng)逐步引入智能交通系統(tǒng)，例如高速公路的聯(lián)網(wǎng)收費，停車場信息化管理等。隨著智能化交通管理需求的不斷增加，智能交通系統(tǒng)將有很大發(fā)展空間，對車型模式識別系統(tǒng)的要求也越來越高。
2 基于T模的模糊Hopfield網(wǎng)絡(luò)簇
由美國物理學(xué)家J.J.Hopfield提出的Hopfield神經(jīng)網(wǎng)絡(luò)的模糊形態(tài)和離散形態(tài)在學(xué)習(xí)算法設(shè)計和系統(tǒng)性能分析等方面得到了豐富的研究［1，2］。例如,對于maxmin模糊Hopfield網(wǎng)絡(luò)：
X(t)=X(t－1)°W式1
以及帶有閾值的Maxmin模糊Hopfield網(wǎng)絡(luò)：
X(t)=(X(t－1)∨C)°W式2
(其中W是連接權(quán)矩陣,t為網(wǎng)絡(luò)的演化步數(shù),而X(t),X(t－1),C均為模糊向量［3］,“°”是通常的∨－∧型復(fù)合運算),我國學(xué)者劉普寅教授等指出這兩個系統(tǒng)從初始條件出發(fā),系統(tǒng)的狀態(tài)在有限步內(nèi)趨于其吸引子或形成一個極限環(huán)；并在一定條件下證明了系統(tǒng)的吸引子的Lyapunov穩(wěn)定性；特別是,為保證網(wǎng)絡(luò)最優(yōu)容錯性,通過對吸引域的細(xì)膩分析,提出了W的一種解析學(xué)習(xí)算法。2002年提出了一類更具一般性的基于T模的動態(tài)模糊Hopfield網(wǎng)絡(luò)(記為MaxT FHNN)［4］：
X(t)=X(t－1)°TW式3
其中T是T模,″°T″是∨T型復(fù)合運算,X(0)=(x1(0),x2(0),…,xn(0))∈［0,1］n,W是［0,1］上的n×n階連接權(quán)矩陣。等價的逐點表示形式為：
xj(t)=∨ni=1(xi(t－1)Twij) 式4
計算技術(shù)與自動化2014年6月
第33卷第2期宋 丹等：基于MaxT模糊Hopfield網(wǎng)絡(luò)的車型識別
3 實驗環(huán)境
選用微軟Windows 2000操縱系統(tǒng),Delphi7.0實現(xiàn)了基于MaxT模糊Hopfield網(wǎng)絡(luò)的車型識別(以下稱程序)。
4 實驗過程
1)拍攝3類車型(卡車、客車和轎車)的36對樣本的數(shù)碼照片運用圖像預(yù)處理技術(shù)進行處理,然后提取特征值。本文中認(rèn)為這些特征值是真實的、無偏差的,用這些特征值訓(xùn)練MaxT FHNN(T取L模)［5，6］,得到該網(wǎng)絡(luò)的連接權(quán)值矩陣w(見式5)。
2)為了模擬真實的車型識別,假設(shè)現(xiàn)實中采集到的36個樣本與真實值有偏差,于是讓步驟1)中得到的36個樣本的標(biāo)準(zhǔn)特征值產(chǎn)生攝動,使得每個樣本有且僅有一個特征值發(fā)生攝動,得到車型特征值。
3)將步驟2)中含有攝動的特征值輸入到步驟1)中訓(xùn)練好的MaxT FHNN中得到該網(wǎng)絡(luò)穩(wěn)定狀態(tài)的輸出值。
4)為了對比實驗結(jié)果,將步驟2)中得到特征值用模糊模式識別法進行識別得到結(jié)果。
5)將步驟3)中得到特征值用模糊模式識別法進行識別,得到基于MaxT模糊Hopfield網(wǎng)絡(luò)的車型識別結(jié)果。
w=10.81040.74170.391310.79120.33410.55341式5
圖1 車型識別程序流程圖
5 實驗結(jié)果與分析
從實驗數(shù)據(jù)可以得出：直接將含有攝動的車型特征值用模糊模式識別法識別,識別率為58.33％,如果我們將同樣的特征值輸入到程序中,識別率為80.56％,比前者高出22個百分點。實驗表明：即使輸入的待測樣本特征值與真實值之間有偏差,該程序能較好的識別大部分樣本,較直接使用模糊模式識別法,有更高的識別率。
程序?qū)θN車型的分類結(jié)果的程序界面如圖2所示。
6 小 結(jié)
在車型模式識別過程中采集的樣本受環(huán)境和設(shè)備影響很大,采集的數(shù)據(jù)(特征值)往往與真實數(shù)據(jù)有一定偏差,如果將這些含有攝動的數(shù)據(jù)直接送入分類器,識別的結(jié)果很難令人滿意,如果將這些含有攝動的數(shù)據(jù)首先輸入到MaxT FHNN,得到穩(wěn)定狀態(tài)的輸出數(shù)據(jù),再將這些數(shù)據(jù)送入分類器,那么較直接識別有更高的識別率，本文中的實驗證明了這一結(jié)論，該研究工作在智能化交通管理中具有重要的理論意義和廣泛的應(yīng)用前景。
圖2 卡車的識別結(jié)果
參考文獻
［1］ MINGSHENG YING. Perturbation of Fuzzy Reasoning［J］.IEEE Transactions on Fuzzy systems,7(1999):625-629.
［2］ KAIYUAN CAI.Rubstness of Fuzzy Reasoning and-δ Eauations of Fuzzy Sets［J］. IEEE Trans. on Fuzzy Systems,9 (2001):738-750.
［3］ 李德毅,杜鹢.不確定性人工智能［J］.軟件學(xué)報, 2004,15(11):1583-1594.
［4］ 張義榮,劉普寅.基于一類T-模的模糊Hopfield 網(wǎng)絡(luò)的穩(wěn)定性分析［J］. 電子學(xué)報2002,30(1):30-33.
［5］ 袁和軍,李駿.模糊推理的攝動性［J］.模糊系統(tǒng)與數(shù)學(xué),2001,15(4):8-13.
［6］ 徐蔚鴻,陳國平,楊靜宇,等.規(guī)則攝動時模糊蘊涵算子對模糊推理的魯棒性的影響［J］.計算機學(xué)報,2005,28(10):1700- 1707.
收稿日期：2013-05-16
基金項目：科技部863計劃項目（2012AA012904）
作者簡介：宋 丹（19—），男，湖南長沙人，工程師，碩士研究生，研究方向：人工智能，網(wǎng)絡(luò)安全。
文章編號：1003-6199(2014)02-0105-03
摘 要：在許多模式識別采樣的過程中,由于環(huán)境噪聲和設(shè)備誤差,往往導(dǎo)致采集的數(shù)據(jù)與真實值有一定偏差,這種偏差會影響識別的效果。本文采用MaxT FHNN模型，提出一種應(yīng)用于智能化交通管理的車型識別方法。并用實驗證實相對于其他車型識別方法，該方法在待測樣本含有噪聲的情況下能得到更好的識別率。
關(guān)鍵詞：模糊Hopfield神經(jīng)網(wǎng)絡(luò)；學(xué)習(xí)算法；MaxT；模式識別
中圖分類號：TP391.4文獻標(biāo)識碼：A
Vehicle Pattern Recognition Based on MaxT Fuzzy Hopfield Network
SONG Dan，ZHOU Gang
(Wuhan Engineering Science and Technology Institute, Wuhan，Hubei 430000,China)
Abstract:During the time collecting samples in many pattern recognitions, because of the environmental noise and the precision of equipment impacts, the data that have been collected always have some perturbations, the perturbations have disadvantages to the effect of pattern recognition system.The practical applications of the MaxT FHNN model have been studied in this thesis. Using MaxT FHNN and other pattern recognition techniques, a vehicle recognition method for intelligent traffic management is proposed. Experiments prove that compared to other method, the recognition rate is better when the method is used under noise environment.
Key words:fuzzy Hopfield neural network; learning algorithm; MaxT; pattern recognition
1 前 言
隨著中國經(jīng)濟迅速發(fā)展，各種交通車輛的數(shù)量越來越多，給我國目前的城市交通帶來巨大壓力，人們希望有一個智能的交通系統(tǒng)，實時監(jiān)控交通情況，實現(xiàn)自動交通管
理，這就促使了智能交通系統(tǒng)的產(chǎn)生。目前一些大城市已經(jīng)逐步引入智能交通系統(tǒng)，例如高速公路的聯(lián)網(wǎng)收費，停車場信息化管理等。隨著智能化交通管理需求的不斷增加，智能交通系統(tǒng)將有很大發(fā)展空間，對車型模式識別系統(tǒng)的要求也越來越高。
2 基于T模的模糊Hopfield網(wǎng)絡(luò)簇
由美國物理學(xué)家J.J.Hopfield提出的Hopfield神經(jīng)網(wǎng)絡(luò)的模糊形態(tài)和離散形態(tài)在學(xué)習(xí)算法設(shè)計和系統(tǒng)性能分析等方面得到了豐富的研究［1，2］。例如,對于maxmin模糊Hopfield網(wǎng)絡(luò)：
X(t)=X(t－1)°W式1
以及帶有閾值的Maxmin模糊Hopfield網(wǎng)絡(luò)：
X(t)=(X(t－1)∨C)°W式2
(其中W是連接權(quán)矩陣,t為網(wǎng)絡(luò)的演化步數(shù),而X(t),X(t－1),C均為模糊向量［3］,“°”是通常的∨－∧型復(fù)合運算),我國學(xué)者劉普寅教授等指出這兩個系統(tǒng)從初始條件出發(fā),系統(tǒng)的狀態(tài)在有限步內(nèi)趨于其吸引子或形成一個極限環(huán)；并在一定條件下證明了系統(tǒng)的吸引子的Lyapunov穩(wěn)定性；特別是,為保證網(wǎng)絡(luò)最優(yōu)容錯性,通過對吸引域的細(xì)膩分析,提出了W的一種解析學(xué)習(xí)算法。2002年提出了一類更具一般性的基于T模的動態(tài)模糊Hopfield網(wǎng)絡(luò)(記為MaxT FHNN)［4］：
X(t)=X(t－1)°TW式3
其中T是T模,″°T″是∨T型復(fù)合運算,X(0)=(x1(0),x2(0),…,xn(0))∈［0,1］n,W是［0,1］上的n×n階連接權(quán)矩陣。等價的逐點表示形式為：
xj(t)=∨ni=1(xi(t－1)Twij) 式4
計算技術(shù)與自動化2014年6月
第33卷第2期宋 丹等：基于MaxT模糊Hopfield網(wǎng)絡(luò)的車型識別
3 實驗環(huán)境
選用微軟Windows 2000操縱系統(tǒng),Delphi7.0實現(xiàn)了基于MaxT模糊Hopfield網(wǎng)絡(luò)的車型識別(以下稱程序)。
4 實驗過程
1)拍攝3類車型(卡車、客車和轎車)的36對樣本的數(shù)碼照片運用圖像預(yù)處理技術(shù)進行處理,然后提取特征值。本文中認(rèn)為這些特征值是真實的、無偏差的,用這些特征值訓(xùn)練MaxT FHNN(T取L模)［5，6］,得到該網(wǎng)絡(luò)的連接權(quán)值矩陣w(見式5)。
2)為了模擬真實的車型識別,假設(shè)現(xiàn)實中采集到的36個樣本與真實值有偏差,于是讓步驟1)中得到的36個樣本的標(biāo)準(zhǔn)特征值產(chǎn)生攝動,使得每個樣本有且僅有一個特征值發(fā)生攝動,得到車型特征值。
3)將步驟2)中含有攝動的特征值輸入到步驟1)中訓(xùn)練好的MaxT FHNN中得到該網(wǎng)絡(luò)穩(wěn)定狀態(tài)的輸出值。
4)為了對比實驗結(jié)果,將步驟2)中得到特征值用模糊模式識別法進行識別得到結(jié)果。
5)將步驟3)中得到特征值用模糊模式識別法進行識別,得到基于MaxT模糊Hopfield網(wǎng)絡(luò)的車型識別結(jié)果。
w=10.81040.74170.391310.79120.33410.55341式5
圖1 車型識別程序流程圖
5 實驗結(jié)果與分析
從實驗數(shù)據(jù)可以得出：直接將含有攝動的車型特征值用模糊模式識別法識別,識別率為58.33％,如果我們將同樣的特征值輸入到程序中,識別率為80.56％,比前者高出22個百分點。實驗表明：即使輸入的待測樣本特征值與真實值之間有偏差,該程序能較好的識別大部分樣本,較直接使用模糊模式識別法,有更高的識別率。
程序?qū)θN車型的分類結(jié)果的程序界面如圖2所示。
6 小 結(jié)
在車型模式識別過程中采集的樣本受環(huán)境和設(shè)備影響很大,采集的數(shù)據(jù)(特征值)往往與真實數(shù)據(jù)有一定偏差,如果將這些含有攝動的數(shù)據(jù)直接送入分類器,識別的結(jié)果很難令人滿意,如果將這些含有攝動的數(shù)據(jù)首先輸入到MaxT FHNN,得到穩(wěn)定狀態(tài)的輸出數(shù)據(jù),再將這些數(shù)據(jù)送入分類器,那么較直接識別有更高的識別率，本文中的實驗證明了這一結(jié)論，該研究工作在智能化交通管理中具有重要的理論意義和廣泛的應(yīng)用前景。
圖2 卡車的識別結(jié)果
參考文獻
［1］ MINGSHENG YING. Perturbation of Fuzzy Reasoning［J］.IEEE Transactions on Fuzzy systems,7(1999):625-629.
［2］ KAIYUAN CAI.Rubstness of Fuzzy Reasoning and-δ Eauations of Fuzzy Sets［J］. IEEE Trans. on Fuzzy Systems,9 (2001):738-750.
［3］ 李德毅,杜鹢.不確定性人工智能［J］.軟件學(xué)報, 2004,15(11):1583-1594.
［4］ 張義榮,劉普寅.基于一類T-模的模糊Hopfield 網(wǎng)絡(luò)的穩(wěn)定性分析［J］. 電子學(xué)報2002,30(1):30-33.
［5］ 袁和軍,李駿.模糊推理的攝動性［J］.模糊系統(tǒng)與數(shù)學(xué),2001,15(4):8-13.
［6］ 徐蔚鴻,陳國平,楊靜宇,等.規(guī)則攝動時模糊蘊涵算子對模糊推理的魯棒性的影響［J］.計算機學(xué)報,2005,28(10):1700- 1707.
猜你喜歡
中國藥房(2022年10期)2022-05-30
中學(xué)生理科應(yīng)試(2021年11期)2021-12-09
中國高新技術(shù)企業(yè)(2017年5期)2017-05-05
課程教育研究·新教師教學(xué)(2016年18期)2017-04-12
軟件(2016年6期)2017-02-06
物聯(lián)網(wǎng)技術(shù)(2016年11期)2017-01-12
科技視界(2016年26期)2016-12-17
數(shù)學(xué)學(xué)習(xí)與研究(2016年19期)2016-11-22
電腦知識與技術(shù)(2016年24期)2016-11-14
科技視界(2016年21期)2016-10-17
