• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    一種論文作者重名消歧方法

    2020-05-28 09:36:21仇國華趙華
    軟件導(dǎo)刊 2020年3期
    關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò)

    仇國華 趙華

    摘 要:作者重名消歧是一個(gè)重要又復(fù)雜的研究課題,在科技文獻(xiàn)檢索工作中,作者重名問題勢必會降低文獻(xiàn)檢索的效率和準(zhǔn)確性,影響工作進(jìn)度。提出一種改進(jìn)粒子群算法優(yōu)化的BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)算法,以解決作者重名消歧問題。首先引入Beta分布的動態(tài)慣性權(quán)重,提高算法全局搜索能力;其次利用改進(jìn)粒子群算法優(yōu)化的權(quán)值和閾值,作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行模型訓(xùn)練,以加快模型訓(xùn)練速度;最后通過特征評價(jià)函數(shù)過濾式選取排序較優(yōu)的M維特征子集作為輸入層特征向量訓(xùn)練模型,得到最終預(yù)測結(jié)果,從而精確區(qū)分重名的作者。實(shí)驗(yàn)研究表明,該模型對重名作者身份的預(yù)測準(zhǔn)確率可達(dá)89.01%,證明了該算法的有效性。

    關(guān)鍵詞:重名消歧;PSO算法;BP神經(jīng)網(wǎng)絡(luò);動態(tài)慣性權(quán)重;特征評價(jià)函數(shù)

    DOI:10. 11907/rjdk. 192641

    中圖分類號:TP301 ? 文獻(xiàn)標(biāo)識碼:A ??????????????? 文章編號:1672-7800(2020)003-0111-05

    A Method of Distinguishing Distinguished Names of Authors

    QIU Guo-hua, ZHAO Hua

    (College of Computer Science and Engineering, Shandong University of Science and Technology,Qingdao 266590,China)

    Abstract: The authors name and disambiguation is an important and complicated research topic. In the retrieval of scientific literature, the authors name problem will inevitably reduce the efficiency and accuracy of literature retrieval and affect the progress of the work. In this paper, a back propagation(BP) neural network algorithm with improved particle swarm optimization is proposed to solve the problem of authors name disambiguation. Firstly, the dynamic inertia weight of Beta distribution is introduced to improve the global search ability of the algorithm. Secondly, the weight and threshold of the improved particle swarm optimization algorithm are used as the initial weight and threshold of BP neural network to train the model to speed up the training of the model. The feature evaluation function is used to filter and select the M-dimensional feature subsets with better ranking as the input layer feature vector training model to obtain the final prediction result, so as to accurately distinguish the authors of the duplicate names. The experimental results show that the prediction accuracy of the model can be improved to 89.01%, which proves the effectiveness of the algorithm.

    Key Words:duplicate disambiguation; PSO algorithm; BP neural network; dynamic inertia weight; feature evaluation function

    0 引言

    隨著信息技術(shù)的發(fā)展以及網(wǎng)絡(luò)的普及,人們越來越依賴在線文獻(xiàn)系統(tǒng)搜索查閱文獻(xiàn),當(dāng)遇到同名作者時(shí),系統(tǒng)往往并不能對同名作者進(jìn)行消岐。因此,如何利用自動化分析技術(shù)對同名作者進(jìn)行消岐成為近年的研究熱點(diǎn)。存在重名消歧問題的領(lǐng)域十分廣泛,很多科學(xué)家在不同領(lǐng)域?qū)χ孛鐔栴}都進(jìn)行了較深入的研究,如百科全書、維基百科、參考文獻(xiàn)、網(wǎng)頁電子郵件等??茖W(xué)家在對重名消歧問題進(jìn)行研究時(shí),提出了許多有效的方法,但是都面臨準(zhǔn)確性不高的問題。機(jī)器學(xué)習(xí)是解決同名消歧問題常用的方法,隨著機(jī)器學(xué)習(xí)算法的不斷發(fā)展,傳統(tǒng)的機(jī)器學(xué)習(xí)算法在準(zhǔn)確性方面遭遇到前所未有的困難。

    郭舒[1]選擇論文中的標(biāo)題、合作者和出版物名稱作為特征合集,進(jìn)行文本聚類實(shí)現(xiàn)作者身份消歧;劉巍等[2]通過采集作者姓名、所在機(jī)構(gòu)以及任職時(shí)間等數(shù)據(jù)信息,根據(jù)論文中提取的作者署名、機(jī)構(gòu)名稱、發(fā)表年限等信息進(jìn)行匹配,但是沒有處理作者重名情況;候海東等[3]將字符串模糊匹配算法與作者間合著關(guān)系結(jié)合,對論文作者識別方法進(jìn)行改進(jìn);翟曉瑞等[4]將論文的文本信息轉(zhuǎn)換為稀疏特征矩陣,通過對比待消岐論文之間的稀疏特征分布實(shí)現(xiàn)作者的姓名消岐;陽怡林等[5]將論文中的多個(gè)特征提取出來并進(jìn)行特征融合,通過基于均方誤差鄰接矩陣聚類方法得到不同的劃分;寧博等[6]通過加入百科知識庫,豐富論文作者實(shí)體信息,最后通過層次聚類進(jìn)行論文作者消岐。

    以上解決方案存在數(shù)據(jù)稀疏、收斂速度慢、泛化能力弱等缺陷。為了彌補(bǔ)算法的不足,本文提出一種基于改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的方法,對論文作者重名情況進(jìn)行消岐。

    1 基本算法

    1.1 粒子群算法原理

    PSO算法也稱粒子群算法[7-8],是群體智能領(lǐng)域的一個(gè)重要研究方向。相對于其他優(yōu)化算法,PSO算法可在有限的迭代次數(shù)內(nèi)找到較為可靠的最優(yōu)解,收斂速度和收斂精度已被多次對比驗(yàn)證,展現(xiàn)了強(qiáng)大的優(yōu)化性能,廣泛應(yīng)用于優(yōu)化問題。它受群體覓食行為啟發(fā),通過計(jì)算模擬群體之間的行為形成一種理論。這種方法通過粒子的個(gè)體搜索最優(yōu)解,每個(gè)粒子都受自身“最佳”位置和群體中“最佳”位置的影響,有時(shí)會隨機(jī)移動。在粒子群優(yōu)化算法中,每個(gè)點(diǎn)都有在某個(gè)鄰域中獲得最佳性能和最佳決策向量的位置記憶,通過相關(guān)方程使用這些信息更新粒子位置。

    粒子根據(jù)式(1)和式(2)更新速度和位置:

    其中,[c1]、[c2]為學(xué)習(xí)因子,也稱加速常數(shù),[w]為非負(fù)慣性因子,[r1]、[r2]為[0,1]范圍內(nèi)的均勻隨機(jī)數(shù),[w]稱為慣性權(quán)重,作用是記憶搜索慣性即搜索速度。在種群搜索的不同時(shí)期,[w]值的變化會產(chǎn)生不同效果。在種群搜索早期,較大的[w]值可以加快收斂速度,在種群搜索后期,較小的[w]值可以使搜索結(jié)果更精確。慣性權(quán)重因子為隨迭代次數(shù)變化的一個(gè)函數(shù),一般常用的慣性權(quán)重因子函數(shù)如式(3)所示。

    [wstart]為初始慣性權(quán)重值,[wend]為最終慣性權(quán)重值,[k]為當(dāng)前迭代次數(shù),[Tmax]為總迭代次數(shù)。

    1.2 BP神經(jīng)網(wǎng)絡(luò)模型原理

    BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)[9-10]模型是應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一,它通過誤差的反向傳播來更新網(wǎng)絡(luò)中的權(quán)值和閾值。經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)為三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),分別由輸入層、隱藏層和輸出層組成。通過由輸入層、隱藏層和輸出層建立的拓?fù)浣Y(jié)構(gòu)和目標(biāo)函數(shù)所組成的誤差函數(shù)進(jìn)行反向傳播學(xué)習(xí),更新輸入-輸出模式映射關(guān)系,找到最為可靠的權(quán)值和閾值。經(jīng)典三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    圖1中,[x1],[x2],…,[xn]作為整個(gè)BP神經(jīng)網(wǎng)絡(luò)的輸入,是進(jìn)入BP神經(jīng)網(wǎng)絡(luò)的原始數(shù)據(jù),[y1],[y2],…,[ym]是整個(gè)BP神經(jīng)網(wǎng)絡(luò)的輸出,也稱為網(wǎng)絡(luò)的預(yù)測,[wij]代表BP神經(jīng)網(wǎng)絡(luò)的權(quán)值,通過BP神經(jīng)網(wǎng)絡(luò),將輸入[x1],[x2],…,[xn]映射到輸出[y1],[y2],…,[ym]上,類似于非線性函數(shù)中的自變量映射到因變量,較好得出輸入和輸出之間的映射關(guān)系。

    BP神經(jīng)網(wǎng)絡(luò)中,首先數(shù)據(jù)輸入到網(wǎng)絡(luò)中,通過正向傳導(dǎo)計(jì)算到輸出層,輸出層與目標(biāo)函數(shù)進(jìn)行對比,通過式(4)的損失函數(shù)得到誤差值,誤差通過反向傳播實(shí)現(xiàn)網(wǎng)絡(luò)中的權(quán)值更新。

    [Etotal]為誤差值,[outki]為輸出層第i個(gè)輸出節(jié)點(diǎn),[yi]為目標(biāo)函數(shù)值。通過這兩個(gè)過程的交替進(jìn)行,在權(quán)向量空間執(zhí)行誤差函數(shù)梯度下降策略,利用鏈?zhǔn)角髮?dǎo)法則動態(tài)迭代搜索一組權(quán)向量,使網(wǎng)絡(luò)誤差函數(shù)達(dá)到最小值,見式(5)。

    [wij]為第i層第j個(gè)權(quán)重變量,[netki]是權(quán)重和輸入節(jié)點(diǎn)的線性乘積,[outki]由[netki]經(jīng)過sigmoid函數(shù)轉(zhuǎn)換得到。

    2 算法改進(jìn)

    2.1 基于Beta分布慣性權(quán)重的PSO算法

    為了更好地平衡算法的全局搜索與局部搜索能力,引入基于公式(3)的beat分布慣性權(quán)重,采用隨機(jī)策略動態(tài)調(diào)整慣性權(quán)重大小。

    Beta分布[11-13]是一個(gè)作為伯努利分布和二項(xiàng)式分布的共軛先驗(yàn)分布密度函數(shù),是一組定義在(0,1)區(qū)間的連續(xù)概率分布。

    Βeta分布的概率密度函數(shù)如下:

    兩個(gè)參數(shù)[α,β>0],?隨機(jī)變量X服從參數(shù)為[α,β]的Βeta分布,通常寫作

    為了提高粒子全局搜索能力,避免陷入局部最優(yōu)解,采用w慣性權(quán)重值迭代前期突變概率小、迭代后期突變概率高的策略。因此在迭代過程中beta分布函數(shù)改成如式(8)所示分布:

    [k]為當(dāng)前迭代次數(shù),[Tmax]為總迭代次數(shù)。一般慣性權(quán)重迭代曲線與服從Beta分布的慣性權(quán)重迭代曲線如圖2所示。

    2.2 基于改進(jìn)PSO的BP神經(jīng)網(wǎng)絡(luò)模型

    BP神經(jīng)網(wǎng)絡(luò)是較為成熟的神經(jīng)網(wǎng)絡(luò)模型,通過對輸入樣本數(shù)據(jù)的訓(xùn)練,自主學(xué)習(xí)出各參數(shù)之間的隱藏關(guān)系。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型本質(zhì)是學(xué)習(xí)更新權(quán)值和閾值,利用最小二乘法構(gòu)建損失函數(shù),通過最小化誤差的平方和簡便地求得未知數(shù)據(jù),并使這些求得的數(shù)據(jù)與實(shí)際數(shù)據(jù)之間誤差的平方和最小。最小二乘法采用梯度搜索技術(shù)[14-16],難免存在收斂速度慢等問題。因此可以先以損失函數(shù)作為PSO適應(yīng)度函數(shù),利用改進(jìn)后的PSO算法訓(xùn)練一組較為接近真值的初始權(quán)值和閾值,之后再利用這組權(quán)值閾值訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型得到最終結(jié)果。

    3 過濾式論文特征選取

    本文通過萬方數(shù)據(jù)知識服務(wù)平臺的論文原始數(shù)據(jù)信息作為研究樣本。原始數(shù)據(jù)信息以論文為單位,包含了論文編號、中文名、英文名、單位等總計(jì)71個(gè)論文屬性信息。表1展示了萬方數(shù)據(jù)知識服務(wù)平臺所涵蓋的71個(gè)論文屬性字段。

    自定義特征覆蓋率和單特征置信度作為兩個(gè)論文特征屬性。特征覆蓋率為含有此特征的論文數(shù)占論文總數(shù)的百分比,單特征置信度為僅通過此特征可正確識別作者身份的百分比。選取檢索論文作者姓名為“王偉”論文的216篇,依據(jù)公式(9)選取出可用特征:

    [Vcoverange]為特征覆蓋率,[Vfitness]為單特征置信度。篩選出[Vvalue]大于0.22的所有可用特征如圖4所示。

    根據(jù)特征評價(jià)函數(shù)公式(10),從以上特征中選取最終[Feature]值大于0.75的特征組成可用特征向量:

    經(jīng)過過濾篩選的可用特征向量為

    4 實(shí)驗(yàn)

    4.1 基于Beta分布的PSO算法實(shí)驗(yàn)

    標(biāo)準(zhǔn)PSO算法記為SPSO,基于Beta分布的PSO算法記為BPSO。為了驗(yàn)證本文提出的BPSO算法的收斂性能,實(shí)驗(yàn)選取表2中的4個(gè)標(biāo)準(zhǔn)優(yōu)化測試函數(shù)。SPSO的慣性權(quán)重由式(3)迭代產(chǎn)生,BPSO的慣性權(quán)重由式(8)迭代產(chǎn)生。慣性因子w取值區(qū)間為[0.2,0.8],初值為0.8,式(8)中的[α]為20,[β]為80,[Tmax]為1000,個(gè)體學(xué)習(xí)因子c1和社會學(xué)習(xí)c2值均為2,初始化粒子數(shù)為20,測試函數(shù)的維度為20,算法所得結(jié)果均為50次運(yùn)行結(jié)果的平均值,最后測試結(jié)果如圖5所示。

    圖5中有4個(gè)分圖,分別對應(yīng)表2中的4個(gè)基準(zhǔn)測試函數(shù),其中橫坐標(biāo)代表迭代次數(shù),最大次數(shù)為1000,縱坐標(biāo)代表適應(yīng)度值。通過圖5可知,BPSO的收斂性能較SPSO算法有大幅提升,4個(gè)測試函數(shù)的最后結(jié)果BPSO的適應(yīng)度值均小于SPSO。在F2中,當(dāng)橫坐標(biāo)的迭代次數(shù)為16和62時(shí),SPSO有一段迭代進(jìn)化中適應(yīng)度值低于或等于BPSO,原因是在進(jìn)化前期BPSO中的慣性權(quán)重概率變小,導(dǎo)致粒子進(jìn)化步數(shù)變小,在區(qū)間中搜索更為精確但是收斂速度也變慢了。

    4.2 基于改進(jìn)PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)

    為了驗(yàn)證本文提出算法的準(zhǔn)確性,選擇萬方平臺提供的論文數(shù)據(jù)集對模型進(jìn)行訓(xùn)練,依據(jù)表3得出所有屬性的相似性值。

    相似性值1/0即相同為1,不同為0。由于地區(qū)和郵編具有地區(qū)包含遞推特性,所以不能采用1/0規(guī)則,需根據(jù)公式(11)確定相似性值。同樣的研究方向也具有遞推特性,需根據(jù)公式(12)確定相似性值。

    [P1]為地區(qū)屬性大的值,[P2]為地區(qū)屬性小的值,默認(rèn)地區(qū)屬性省>市>區(qū)>街道,[P1-P2]的值非1即0,當(dāng)[P2]值在[P1]管轄范圍內(nèi),則[P1-P2]=1,反之,即為0。[P1P2]代表地區(qū)屬性數(shù)量級比值。同樣,[S1]為研究領(lǐng)域(學(xué)科屬性)屬性大的值,[S2]為研究領(lǐng)域(學(xué)科屬性)屬性小的值。學(xué)科屬性關(guān)系由中圖分類號得知。

    為了驗(yàn)證本文提出的改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法(BPSO-BP)性能,將BPSO-BP算法與文獻(xiàn)[1]中基于特征合集的文本聚類算法(F-CLUSTER)、文獻(xiàn)[3]中字符串模糊匹配算法(ES)、文獻(xiàn)[4]中稀疏特征分布算法(SFD)以及文獻(xiàn)[5]中基于均方誤差鄰接矩陣聚類算法(SEAM)進(jìn)行比較。

    抽取論文姓名為李偉的論文329篇,基于表3和公式(11)、公式(12)組成如下輸入矩陣,對BPSO-BP模型識別準(zhǔn)確率進(jìn)行驗(yàn)證。

    幾種模型的最終識別準(zhǔn)確率如圖6所示。

    圖6中,橫坐標(biāo)為5種算法,縱坐標(biāo)為準(zhǔn)確率。由圖6可知,本文提出的基于改進(jìn)PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的論文作者重名消歧方法,相對于以上4種識別算法,在準(zhǔn)確率上有所提升,達(dá)到89.01%,驗(yàn)證了本算法的有效性和可靠性。

    5 結(jié)語

    傳統(tǒng)的論文作者重名消歧算法有一定的局限性,因此本文提出了基于改進(jìn)PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的論文作者重名消歧方法。通過引入Beta分布的動態(tài)慣性權(quán)重,提高了粒子空間搜索的隨機(jī)性,優(yōu)化了PSO算法的全局搜索和局部搜索能力,在擁有更大搜索空間基礎(chǔ)上,提高了算法的收斂速度與精度。在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型基礎(chǔ)上結(jié)合PSO算法,為BP神經(jīng)網(wǎng)絡(luò)賦予最優(yōu)的權(quán)值和閾值,減少反向傳播的次數(shù),提高訓(xùn)練模型的精度。利用BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的復(fù)雜非線性映射能力,對論文作者重名情況進(jìn)行精準(zhǔn)識別判定。

    通過實(shí)驗(yàn)數(shù)據(jù)可以看出,本文提出的改進(jìn)PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的論文作者重名消歧方法,全局搜索能力強(qiáng),收斂速度快,精度高,能夠很好地對論文重名作者進(jìn)行消岐,同時(shí)具有一定的自學(xué)習(xí)能力和泛化能力,識別準(zhǔn)確率達(dá)到89.01%。但本算法仍有一定的優(yōu)化空間,后續(xù)工作會重點(diǎn)關(guān)注其它特征的影響與各特征之間的隱性關(guān)系。

    參考文獻(xiàn):

    [1]郭舒. 文獻(xiàn)數(shù)據(jù)庫中作者名消岐算法研究[J]. 現(xiàn)代圖書情報(bào)技術(shù),2013,29(7):69-74.

    [2]劉巍,祝忠明,張旺強(qiáng),等. 機(jī)構(gòu)知識庫中作者標(biāo)識與作品認(rèn)領(lǐng)機(jī)制的研究與實(shí)現(xiàn)[J]. 現(xiàn)代圖書情報(bào)技術(shù),2014,30(3):8-13.

    [3]候海東,洪騰龍,徐建良. SCI論文作者自動識別方法研究[J]. 軟件導(dǎo)刊,2018,17(8):57-60.

    [4]翟曉瑞,韓紅旗,張運(yùn)良,等. 基于稀疏分布式特征的英文著者姓名消岐研究[J]. 計(jì)算機(jī)應(yīng)用研究,2018,36(12):1-7.

    [5]陽怡林,周杰,李弼程. 基于聚類集成的人名消歧算法[J]. 計(jì)算機(jī)應(yīng)用研究,2016,33(9):2716-2720.

    [6]寧博,張菲菲. 基于異構(gòu)知識庫的命名實(shí)體消歧[J]. 西安郵電大學(xué)學(xué)報(bào),2014,19(4):70-76.

    [7]劉生建,羅林,楊艷. 一種快速自適應(yīng)粒子群算法[J]. 軟件導(dǎo)刊,2017,16(9):42-45.

    [8]劉秀梅. 動態(tài)系統(tǒng)中粒子群優(yōu)化算法綜述[J]. 軟件導(dǎo)刊,2016,15(10):43-46.

    [9]陳智軍,李洋瑩. 神經(jīng)網(wǎng)絡(luò)BP算法改進(jìn)及其性能分析[J]. 軟件導(dǎo)刊,2017,16(10):39-41.

    [10]胡伍生,迪達(dá)爾,王昭斌. 神經(jīng)網(wǎng)絡(luò)BP改進(jìn)算法及其性能分析[J]. 現(xiàn)代測繪,2016,39(6):1-4.

    [11]AMPARO GIL,JAVIER SEGURA,NICO M. Temme. On the computation and inversion of the cumulative noncentral beta distribution function[J]. Applied Mathematics and Computation,2019(1):361-369.

    [12]魯春林,方東輝,陳望學(xué),等. 基于遺傳算法Beta分布參數(shù)的極大似然估計(jì)[J]. 吉首大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,37(5):13-15.

    [13]ELMER JONATHAN,JONES BOBBY L,NAGIN DANIEL S. Using the beta distribution in group-based trajectory models[J]. BMC medical research methodology,2018,18(1):952-961.

    [14]韓飛,楊春生,劉清. 一種改進(jìn)的基于梯度搜索的粒子群優(yōu)化算法[J]. 南京大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,49(2):196-201.

    [15]劉杰,張娟娟. 基于共軛梯度搜索的病態(tài)問題處理方法[J]. 大地測量與地球動力學(xué),2019,39(8):863-868.

    [16]曹牧寒,李長紅,曹凱,等. 基于梯度自適應(yīng)極值搜索算法的趨光控制研究[J]. 計(jì)算機(jī)測量與控制,2019,27(6):95-99,103.

    (責(zé)任編輯:杜能鋼)

    收稿日期:2019-11-21

    基金項(xiàng)目:教育部人文社會科學(xué)研究青年基金項(xiàng)目(16YJCZH154)

    作者簡介:趙華(1980-),女,山東科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院副教授、碩士生導(dǎo)師,研究方向?yàn)樵掝}檢測與跟蹤、網(wǎng)絡(luò)輿情挖掘科技文獻(xiàn)服務(wù)、情感分析;仇國華(1994-),女,山東科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院碩士研究生,研究方向?yàn)樵朴?jì)算與大數(shù)據(jù)處理。本文通訊作者:趙華。

    猜你喜歡
    BP神經(jīng)網(wǎng)絡(luò)
    基于神經(jīng)網(wǎng)絡(luò)的北京市房價(jià)預(yù)測研究
    商情(2016年43期)2016-12-23 14:23:13
    一種基于OpenCV的車牌識別方法
    基于遺傳算法—BP神經(jīng)網(wǎng)絡(luò)的乳腺腫瘤輔助診斷模型
    一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測T/R組件溫度的方法
    基于BP神經(jīng)網(wǎng)絡(luò)的光通信系統(tǒng)故障診斷
    科技視界(2016年26期)2016-12-17 17:57:49
    提高BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率的算法研究
    考試周刊(2016年21期)2016-12-16 11:02:03
    就bp神經(jīng)網(wǎng)絡(luò)銀行選址模型的相關(guān)研究
    基于DEA—GA—BP的建設(shè)工程評標(biāo)方法研究
    基于BP神經(jīng)網(wǎng)絡(luò)的旅行社發(fā)展方向研究
    商情(2016年39期)2016-11-21 09:30:36
    復(fù)雜背景下的手勢識別方法
    国产精品 欧美亚洲| 亚洲一区中文字幕在线| 久久久久久亚洲精品国产蜜桃av| av网站免费在线观看视频| 男女床上黄色一级片免费看| 男人舔女人的私密视频| 午夜91福利影院| 欧美国产精品一级二级三级| 后天国语完整版免费观看| 久久久国产精品麻豆| a级片在线免费高清观看视频| 黄色女人牲交| 国产欧美日韩一区二区三| 一a级毛片在线观看| 91成人精品电影| 97人妻天天添夜夜摸| 看黄色毛片网站| xxxhd国产人妻xxx| 精品久久久久久电影网| 成人手机av| 99国产精品一区二区蜜桃av | 国产成人啪精品午夜网站| 国产成人欧美在线观看 | 丁香六月欧美| 成人精品一区二区免费| 天天躁日日躁夜夜躁夜夜| 久久精品亚洲精品国产色婷小说| 亚洲中文字幕日韩| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美色视频一区免费| 国产三级黄色录像| videos熟女内射| 久久久久久免费高清国产稀缺| 9色porny在线观看| 69精品国产乱码久久久| 午夜福利,免费看| 999久久久国产精品视频| 黄色成人免费大全| 亚洲午夜理论影院| 亚洲欧洲精品一区二区精品久久久| 久久精品亚洲av国产电影网| 十八禁网站免费在线| 嫩草影视91久久| 韩国av一区二区三区四区| 免费在线观看日本一区| 水蜜桃什么品种好| 黄片播放在线免费| 久久久国产一区二区| 欧美成人免费av一区二区三区 | 精品午夜福利视频在线观看一区| 老司机午夜十八禁免费视频| 中文字幕色久视频| 久久久久视频综合| 很黄的视频免费| 日本黄色视频三级网站网址 | 欧美黑人欧美精品刺激| 80岁老熟妇乱子伦牲交| 欧美黄色片欧美黄色片| av有码第一页| 啦啦啦 在线观看视频| 大陆偷拍与自拍| 99国产综合亚洲精品| 一夜夜www| 亚洲一码二码三码区别大吗| 中文字幕另类日韩欧美亚洲嫩草| 亚洲九九香蕉| 岛国毛片在线播放| 国产不卡av网站在线观看| 免费在线观看完整版高清| av欧美777| 在线观看免费视频网站a站| 久久精品国产清高在天天线| 成人亚洲精品一区在线观看| 精品久久久久久久毛片微露脸| 亚洲精品粉嫩美女一区| 亚洲av美国av| 亚洲第一青青草原| 亚洲成人国产一区在线观看| 欧美老熟妇乱子伦牲交| 亚洲熟妇熟女久久| 精品视频人人做人人爽| 久久国产精品男人的天堂亚洲| 涩涩av久久男人的天堂| av中文乱码字幕在线| www.自偷自拍.com| 国产精品综合久久久久久久免费 | 一a级毛片在线观看| 另类亚洲欧美激情| 国产精品久久久人人做人人爽| 80岁老熟妇乱子伦牲交| 久久精品aⅴ一区二区三区四区| 精品一品国产午夜福利视频| 天天影视国产精品| 日本欧美视频一区| 日韩 欧美 亚洲 中文字幕| avwww免费| 一区二区日韩欧美中文字幕| 少妇被粗大的猛进出69影院| 欧美老熟妇乱子伦牲交| 岛国毛片在线播放| 国产男女超爽视频在线观看| 国产精品.久久久| 国产精品一区二区在线观看99| 国产免费现黄频在线看| 国产有黄有色有爽视频| 日韩视频一区二区在线观看| 一个人免费在线观看的高清视频| 久久久久久久午夜电影 | 国产欧美日韩精品亚洲av| 天堂动漫精品| 国产精品.久久久| 久久国产精品大桥未久av| 极品教师在线免费播放| 成在线人永久免费视频| 久久久久久久午夜电影 | 国产一区二区三区在线臀色熟女 | 母亲3免费完整高清在线观看| 黄片大片在线免费观看| 久久久久久亚洲精品国产蜜桃av| 两人在一起打扑克的视频| 国产精品 欧美亚洲| 怎么达到女性高潮| 亚洲中文日韩欧美视频| 91九色精品人成在线观看| 亚洲午夜精品一区,二区,三区| 在线观看66精品国产| 国产一区二区三区视频了| ponron亚洲| 中文字幕制服av| 亚洲国产毛片av蜜桃av| 精品一区二区三卡| 欧美午夜高清在线| 日韩三级视频一区二区三区| 五月开心婷婷网| 免费女性裸体啪啪无遮挡网站| 少妇裸体淫交视频免费看高清 | 热99re8久久精品国产| 精品无人区乱码1区二区| 国产精品亚洲av一区麻豆| av网站在线播放免费| 国产亚洲欧美精品永久| 欧美一级毛片孕妇| 午夜成年电影在线免费观看| 999久久久国产精品视频| 国产亚洲一区二区精品| ponron亚洲| 色在线成人网| 一区二区日韩欧美中文字幕| 亚洲视频免费观看视频| 人人妻人人澡人人爽人人夜夜| 免费女性裸体啪啪无遮挡网站| 中亚洲国语对白在线视频| a级毛片在线看网站| 两性夫妻黄色片| 操美女的视频在线观看| 精品午夜福利视频在线观看一区| 搡老乐熟女国产| 丁香六月欧美| 一边摸一边做爽爽视频免费| 身体一侧抽搐| 国产精品综合久久久久久久免费 | 亚洲熟妇中文字幕五十中出 | 亚洲av第一区精品v没综合| 热99re8久久精品国产| 亚洲 欧美一区二区三区| 热re99久久精品国产66热6| 他把我摸到了高潮在线观看| cao死你这个sao货| 日韩一卡2卡3卡4卡2021年| 亚洲精品久久午夜乱码| 精品一区二区三区视频在线观看免费 | 欧美在线一区亚洲| 性色av乱码一区二区三区2| 黑丝袜美女国产一区| 国产精品一区二区在线观看99| 99国产精品免费福利视频| 19禁男女啪啪无遮挡网站| 天堂动漫精品| 亚洲性夜色夜夜综合| 视频在线观看一区二区三区| 久久久久国产一级毛片高清牌| 中文字幕最新亚洲高清| 麻豆乱淫一区二区| 国产一卡二卡三卡精品| 欧美日韩中文字幕国产精品一区二区三区 | 天堂动漫精品| 国产精品 国内视频| 性少妇av在线| 天天躁日日躁夜夜躁夜夜| 天天躁夜夜躁狠狠躁躁| 91精品三级在线观看| 欧美激情高清一区二区三区| x7x7x7水蜜桃| 欧美精品av麻豆av| 少妇 在线观看| 国产真人三级小视频在线观看| 国产三级黄色录像| 亚洲五月天丁香| a级毛片在线看网站| 18禁裸乳无遮挡免费网站照片 | 国产精品久久久久久精品古装| 黄色成人免费大全| 免费日韩欧美在线观看| 91大片在线观看| 校园春色视频在线观看| 国产成人免费观看mmmm| 两人在一起打扑克的视频| 99久久国产精品久久久| 69精品国产乱码久久久| 久久这里只有精品19| 国产亚洲欧美精品永久| 两个人看的免费小视频| 一边摸一边抽搐一进一出视频| 亚洲国产欧美日韩在线播放| 精品国产美女av久久久久小说| 国产男女超爽视频在线观看| 欧美日韩中文字幕国产精品一区二区三区 | 国产精华一区二区三区| 久久天躁狠狠躁夜夜2o2o| 亚洲av欧美aⅴ国产| 国产成人精品久久二区二区91| 久久中文字幕人妻熟女| 一个人免费在线观看的高清视频| 欧美黄色片欧美黄色片| 欧美黑人精品巨大| 999久久久国产精品视频| 婷婷成人精品国产| 飞空精品影院首页| 99国产极品粉嫩在线观看| 精品国产一区二区三区四区第35| 精品一品国产午夜福利视频| 欧美午夜高清在线| 91麻豆精品激情在线观看国产 | 岛国在线观看网站| 好看av亚洲va欧美ⅴa在| 亚洲欧美日韩高清在线视频| 夫妻午夜视频| 女人高潮潮喷娇喘18禁视频| 国产精品98久久久久久宅男小说| 亚洲精品一卡2卡三卡4卡5卡| 侵犯人妻中文字幕一二三四区| 亚洲精品在线美女| 三上悠亚av全集在线观看| 一级a爱片免费观看的视频| 一进一出好大好爽视频| 亚洲精品国产精品久久久不卡| 国内毛片毛片毛片毛片毛片| 人成视频在线观看免费观看| 夜夜爽天天搞| 99精品久久久久人妻精品| 日韩一卡2卡3卡4卡2021年| 色婷婷av一区二区三区视频| 99热网站在线观看| 99热网站在线观看| 性少妇av在线| av片东京热男人的天堂| 免费在线观看黄色视频的| 中文欧美无线码| 日韩大码丰满熟妇| 视频区图区小说| 精品一区二区三区四区五区乱码| 国产区一区二久久| www.熟女人妻精品国产| 我的亚洲天堂| 一级毛片女人18水好多| 亚洲中文日韩欧美视频| 高清欧美精品videossex| 少妇 在线观看| 国产精品免费视频内射| 国产亚洲一区二区精品| 国产无遮挡羞羞视频在线观看| 国产精品一区二区精品视频观看| 久热爱精品视频在线9| 国产精品久久久久成人av| 成人永久免费在线观看视频| 色播在线永久视频| www日本在线高清视频| 国产亚洲精品久久久久久毛片 | 午夜福利一区二区在线看| 欧美黑人欧美精品刺激| 精品国产一区二区三区久久久樱花| 人成视频在线观看免费观看| 99riav亚洲国产免费| 男女下面插进去视频免费观看| 国产伦人伦偷精品视频| 少妇裸体淫交视频免费看高清 | 亚洲成人国产一区在线观看| av在线播放免费不卡| 成年人免费黄色播放视频| 久久99一区二区三区| 国产麻豆69| 变态另类成人亚洲欧美熟女 | 久久人人爽av亚洲精品天堂| 国产精品亚洲一级av第二区| 欧美午夜高清在线| 亚洲av欧美aⅴ国产| 成熟少妇高潮喷水视频| 免费在线观看日本一区| 下体分泌物呈黄色| 精品久久久久久,| 亚洲,欧美精品.| 黑丝袜美女国产一区| 国产av又大| 国内久久婷婷六月综合欲色啪| 一级毛片高清免费大全| 黑人巨大精品欧美一区二区mp4| avwww免费| 99国产精品一区二区蜜桃av | 国产精品久久久久久精品古装| 日本黄色日本黄色录像| 一级作爱视频免费观看| 亚洲综合色网址| 免费在线观看视频国产中文字幕亚洲| 精品视频人人做人人爽| 狠狠狠狠99中文字幕| 老司机午夜福利在线观看视频| 国产成+人综合+亚洲专区| 欧美av亚洲av综合av国产av| 亚洲七黄色美女视频| 91麻豆av在线| 国产乱人伦免费视频| 丁香欧美五月| 叶爱在线成人免费视频播放| 亚洲欧美激情综合另类| 国产成人免费无遮挡视频| 亚洲国产欧美日韩在线播放| 久久精品国产清高在天天线| cao死你这个sao货| 高清在线国产一区| 天堂俺去俺来也www色官网| 一二三四社区在线视频社区8| 午夜老司机福利片| 欧美日韩国产mv在线观看视频| 极品少妇高潮喷水抽搐| 日韩欧美免费精品| 国产97色在线日韩免费| 曰老女人黄片| 精品乱码久久久久久99久播| 国产成人影院久久av| 人人澡人人妻人| 婷婷精品国产亚洲av在线 | 亚洲精品国产一区二区精华液| 精品一区二区三区视频在线观看免费 | 久久精品91无色码中文字幕| 少妇的丰满在线观看| 欧美性长视频在线观看| 日韩 欧美 亚洲 中文字幕| 精品福利永久在线观看| 熟女少妇亚洲综合色aaa.| 欧美日韩精品网址| 99热只有精品国产| 国产亚洲欧美98| 国产乱人伦免费视频| 少妇被粗大的猛进出69影院| 18禁裸乳无遮挡免费网站照片 | 亚洲精华国产精华精| 午夜成年电影在线免费观看| 美女国产高潮福利片在线看| 丁香欧美五月| 男女免费视频国产| 亚洲精品乱久久久久久| www日本在线高清视频| 日本欧美视频一区| 18禁美女被吸乳视频| 成人国语在线视频| 欧美人与性动交α欧美软件| 无遮挡黄片免费观看| 免费观看人在逋| 狂野欧美激情性xxxx| 免费在线观看视频国产中文字幕亚洲| 免费黄频网站在线观看国产| a级毛片在线看网站| 精品少妇久久久久久888优播| 国产深夜福利视频在线观看| 天天添夜夜摸| 亚洲免费av在线视频| 精品少妇一区二区三区视频日本电影| 99热只有精品国产| 亚洲第一欧美日韩一区二区三区| 亚洲专区字幕在线| 一级a爱片免费观看的视频| 一级,二级,三级黄色视频| 国产aⅴ精品一区二区三区波| 一区二区三区激情视频| 99精国产麻豆久久婷婷| 国产亚洲欧美精品永久| 亚洲三区欧美一区| 久久久久久久午夜电影 | 久9热在线精品视频| 美女福利国产在线| 波多野结衣av一区二区av| 国产精品久久久久久人妻精品电影| 国产精品欧美亚洲77777| 欧美日韩亚洲高清精品| 免费观看人在逋| √禁漫天堂资源中文www| 在线观看免费视频日本深夜| 人人妻人人澡人人爽人人夜夜| 可以免费在线观看a视频的电影网站| 激情在线观看视频在线高清 | svipshipincom国产片| 老熟妇仑乱视频hdxx| 亚洲七黄色美女视频| 人人澡人人妻人| 国产在线一区二区三区精| 精品福利永久在线观看| 中文字幕av电影在线播放| 精品一区二区三卡| 欧美亚洲 丝袜 人妻 在线| 精品国产乱子伦一区二区三区| 嫩草影视91久久| 少妇裸体淫交视频免费看高清 | 欧美精品亚洲一区二区| 一进一出好大好爽视频| 一区在线观看完整版| 两性午夜刺激爽爽歪歪视频在线观看 | 色在线成人网| 免费女性裸体啪啪无遮挡网站| 777米奇影视久久| 欧美精品亚洲一区二区| 国产91精品成人一区二区三区| 99热国产这里只有精品6| 欧美 亚洲 国产 日韩一| 一区二区日韩欧美中文字幕| 国产熟女午夜一区二区三区| 亚洲自偷自拍图片 自拍| 1024香蕉在线观看| 色婷婷av一区二区三区视频| 757午夜福利合集在线观看| 人人妻人人爽人人添夜夜欢视频| 在线av久久热| 成人av一区二区三区在线看| 国产精品久久视频播放| 无限看片的www在线观看| 国产精品国产av在线观看| 18禁黄网站禁片午夜丰满| 咕卡用的链子| 国产av一区二区精品久久| 国产亚洲精品一区二区www | 久久久久久久久久久久大奶| 夜夜躁狠狠躁天天躁| 99久久人妻综合| 夜夜爽天天搞| 久久国产亚洲av麻豆专区| 精品一区二区三卡| 午夜精品在线福利| 天天躁日日躁夜夜躁夜夜| 成年动漫av网址| 国产熟女午夜一区二区三区| 亚洲一区二区三区不卡视频| 国产91精品成人一区二区三区| 久久精品国产99精品国产亚洲性色 | 亚洲精品在线美女| 色婷婷av一区二区三区视频| 老司机亚洲免费影院| 99re6热这里在线精品视频| 国产精品久久电影中文字幕 | 午夜福利,免费看| 亚洲精品乱久久久久久| 自线自在国产av| 国产成人影院久久av| 无限看片的www在线观看| 19禁男女啪啪无遮挡网站| svipshipincom国产片| 国产亚洲精品第一综合不卡| 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品一区二区精品视频观看| 精品久久久久久久毛片微露脸| 国产aⅴ精品一区二区三区波| 丁香欧美五月| 亚洲人成电影免费在线| 黄色成人免费大全| 91av网站免费观看| xxxhd国产人妻xxx| 精品人妻在线不人妻| 夜夜夜夜夜久久久久| 丝袜在线中文字幕| 亚洲一码二码三码区别大吗| 欧美最黄视频在线播放免费 | 九色亚洲精品在线播放| 黑丝袜美女国产一区| 久久人人爽av亚洲精品天堂| 国产在线观看jvid| 国产熟女午夜一区二区三区| 下体分泌物呈黄色| 99精国产麻豆久久婷婷| 91老司机精品| avwww免费| 18禁裸乳无遮挡动漫免费视频| 老汉色∧v一级毛片| 老鸭窝网址在线观看| 女人爽到高潮嗷嗷叫在线视频| 欧美日韩中文字幕国产精品一区二区三区 | 操美女的视频在线观看| 国产亚洲一区二区精品| 国产精品久久视频播放| 看黄色毛片网站| 久久久精品免费免费高清| 国产区一区二久久| 99国产极品粉嫩在线观看| 亚洲人成电影免费在线| 少妇 在线观看| 日韩欧美一区视频在线观看| 久久精品亚洲av国产电影网| 一本大道久久a久久精品| 岛国毛片在线播放| 久久午夜综合久久蜜桃| 国产成人系列免费观看| 国产成人av教育| 精品国产超薄肉色丝袜足j| 国产精品久久视频播放| 下体分泌物呈黄色| 欧美日韩乱码在线| 亚洲中文日韩欧美视频| 亚洲成人国产一区在线观看| 久久久久国产一级毛片高清牌| 久久人人97超碰香蕉20202| 如日韩欧美国产精品一区二区三区| 美女国产高潮福利片在线看| 国产男女超爽视频在线观看| 免费观看精品视频网站| 黄色女人牲交| 国产男女内射视频| 精品亚洲成国产av| 国产色视频综合| 亚洲欧美精品综合一区二区三区| 欧美日韩乱码在线| 精品高清国产在线一区| 一二三四社区在线视频社区8| 国产人伦9x9x在线观看| av在线播放免费不卡| 首页视频小说图片口味搜索| 国产99白浆流出| 国产成人精品久久二区二区91| 亚洲在线自拍视频| 中文字幕人妻丝袜一区二区| 国产精品一区二区在线不卡| 国产淫语在线视频| 久久草成人影院| 十八禁高潮呻吟视频| 亚洲人成电影免费在线| 热re99久久精品国产66热6| 亚洲一码二码三码区别大吗| 窝窝影院91人妻| 久久精品国产清高在天天线| 人妻久久中文字幕网| 91字幕亚洲| 男人操女人黄网站| 久久国产精品影院| a级毛片在线看网站| 国产乱人伦免费视频| 日本a在线网址| 老司机深夜福利视频在线观看| 99精国产麻豆久久婷婷| 中文字幕高清在线视频| 亚洲精品美女久久av网站| 亚洲情色 制服丝袜| 乱人伦中国视频| 午夜老司机福利片| 国产在线一区二区三区精| 人人妻人人澡人人看| 午夜视频精品福利| 免费观看a级毛片全部| 国产精品久久久久久精品古装| 嫁个100分男人电影在线观看| 一级黄色大片毛片| 中亚洲国语对白在线视频| 国产精品99久久99久久久不卡| 亚洲av熟女| 又黄又爽又免费观看的视频| 51午夜福利影视在线观看| 无限看片的www在线观看| 在线看a的网站| 一级黄色大片毛片| 国产精品成人在线| 久久久久久人人人人人| 操出白浆在线播放| 黑人巨大精品欧美一区二区蜜桃| 国产麻豆69| av中文乱码字幕在线| 国产单亲对白刺激| 巨乳人妻的诱惑在线观看| 亚洲avbb在线观看| 国产xxxxx性猛交| 大片电影免费在线观看免费| 国产淫语在线视频| 免费av中文字幕在线| 亚洲第一青青草原| 国产在线精品亚洲第一网站| 亚洲av美国av| 欧美最黄视频在线播放免费 | 少妇猛男粗大的猛烈进出视频| 国产免费现黄频在线看| 久久精品国产综合久久久| 成人免费观看视频高清| 成人精品一区二区免费| 一个人免费在线观看的高清视频| 看片在线看免费视频| 五月开心婷婷网| 成人精品一区二区免费| 久久精品人人爽人人爽视色| 亚洲中文日韩欧美视频| 久久久国产精品麻豆| 99久久99久久久精品蜜桃| 精品久久久久久久毛片微露脸| 精品高清国产在线一区| 99精国产麻豆久久婷婷| 久久精品亚洲熟妇少妇任你| 国产精品久久久久久人妻精品电影| 一边摸一边抽搐一进一出视频| 母亲3免费完整高清在线观看| 老司机在亚洲福利影院| 18禁裸乳无遮挡免费网站照片 | 中文字幕最新亚洲高清| 国产精品免费一区二区三区在线 |