• <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
    18+在线观看网站| 久久久久久久午夜电影| 18美女黄网站色大片免费观看| 亚洲人成伊人成综合网2020| 高潮久久久久久久久久久不卡| 久久国产精品影院| 国产伦精品一区二区三区视频9 | 精品99又大又爽又粗少妇毛片 | 国产av麻豆久久久久久久| 麻豆成人av在线观看| 亚洲精品成人久久久久久| 舔av片在线| 女警被强在线播放| av专区在线播放| 亚洲电影在线观看av| 国产一区在线观看成人免费| a级毛片a级免费在线| 99在线视频只有这里精品首页| 国产高清videossex| 国产黄片美女视频| 午夜a级毛片| 狠狠狠狠99中文字幕| 欧美丝袜亚洲另类 | 国产 一区 欧美 日韩| 少妇高潮的动态图| 啦啦啦免费观看视频1| 少妇裸体淫交视频免费看高清| 午夜激情福利司机影院| 国产激情欧美一区二区| 国产免费一级a男人的天堂| 久久中文看片网| 亚洲五月天丁香| 国产成人啪精品午夜网站| 99国产精品一区二区三区| 日本与韩国留学比较| 综合色av麻豆| 国产麻豆成人av免费视频| 成人一区二区视频在线观看| 1000部很黄的大片| 淫秽高清视频在线观看| 性欧美人与动物交配| 国产亚洲精品综合一区在线观看| 亚洲精品亚洲一区二区| 在线观看美女被高潮喷水网站 | 亚洲国产精品久久男人天堂| 精品福利观看| 他把我摸到了高潮在线观看| 日韩高清综合在线| 淫妇啪啪啪对白视频| 夜夜看夜夜爽夜夜摸| 黄片小视频在线播放| 亚洲精品久久国产高清桃花| 国产高清videossex| 又紧又爽又黄一区二区| 亚洲精品色激情综合| 桃红色精品国产亚洲av| 可以在线观看毛片的网站| 国产高潮美女av| 一二三四社区在线视频社区8| 亚洲av免费高清在线观看| 精品人妻一区二区三区麻豆 | 女人十人毛片免费观看3o分钟| 女人被狂操c到高潮| 一本综合久久免费| 国产成人系列免费观看| 久久精品91无色码中文字幕| 国产高清videossex| 国产老妇女一区| 午夜免费观看网址| 一级作爱视频免费观看| 色综合亚洲欧美另类图片| 少妇的逼好多水| 久久久国产成人免费| 人妻丰满熟妇av一区二区三区| 精品一区二区三区视频在线观看免费| 国产av不卡久久| 欧美日韩一级在线毛片| 国产熟女xx| 久久人人精品亚洲av| 免费看美女性在线毛片视频| 欧美色欧美亚洲另类二区| 香蕉久久夜色| 草草在线视频免费看| 女人十人毛片免费观看3o分钟| 国产精品久久久久久久电影 | 亚洲黑人精品在线| av天堂在线播放| 哪里可以看免费的av片| 久久久久九九精品影院| 亚洲av不卡在线观看| 欧美高清成人免费视频www| 欧美日韩综合久久久久久 | 两个人的视频大全免费| 亚洲乱码一区二区免费版| 深夜精品福利| 国产精品久久久久久人妻精品电影| 久久久色成人| 毛片女人毛片| 欧美丝袜亚洲另类 | 欧美激情久久久久久爽电影| 国语自产精品视频在线第100页| 亚洲精品在线美女| 日本免费一区二区三区高清不卡| 午夜免费成人在线视频| 亚洲精品日韩av片在线观看 | 国产精品三级大全| 超碰av人人做人人爽久久 | 免费看日本二区| 级片在线观看| 国产午夜精品论理片| 国产午夜福利久久久久久| 无遮挡黄片免费观看| 欧美日韩中文字幕国产精品一区二区三区| 欧美成狂野欧美在线观看| 九色国产91popny在线| 看黄色毛片网站| ponron亚洲| 国内揄拍国产精品人妻在线| 90打野战视频偷拍视频| 十八禁人妻一区二区| 精品久久久久久久末码| 久久九九热精品免费| 国产中年淑女户外野战色| 中文字幕人妻熟人妻熟丝袜美 | 欧美性猛交╳xxx乱大交人| 国产成人影院久久av| 久久精品国产99精品国产亚洲性色| 啦啦啦观看免费观看视频高清| 亚洲一区二区三区不卡视频| 日韩欧美 国产精品| 丰满的人妻完整版| 免费看美女性在线毛片视频| 桃红色精品国产亚洲av| 亚洲国产中文字幕在线视频| 国产伦一二天堂av在线观看| 亚洲 国产 在线| 男女床上黄色一级片免费看| 国产精品日韩av在线免费观看| 久久久久久人人人人人| 日韩欧美一区二区三区在线观看| 欧美日韩乱码在线| 可以在线观看的亚洲视频| 黑人欧美特级aaaaaa片| 国产精品98久久久久久宅男小说| 黄色女人牲交| 午夜亚洲福利在线播放| 又爽又黄无遮挡网站| 香蕉久久夜色| 久久国产乱子伦精品免费另类| 观看美女的网站| 国产真实乱freesex| 天堂网av新在线| 日韩欧美 国产精品| 久久久久久国产a免费观看| 男插女下体视频免费在线播放| 国产成人av激情在线播放| 麻豆成人av在线观看| 久久99热这里只有精品18| 日本a在线网址| 国产视频内射| 日韩国内少妇激情av| 最好的美女福利视频网| 少妇的逼好多水| 制服丝袜大香蕉在线| 免费观看的影片在线观看| 欧美极品一区二区三区四区| 午夜免费男女啪啪视频观看 | 欧美+亚洲+日韩+国产| 婷婷六月久久综合丁香| 国产精品精品国产色婷婷| 久久久国产成人免费| 中文字幕人妻熟人妻熟丝袜美 | 久久久久久久精品吃奶| 在线观看日韩欧美| 老汉色av国产亚洲站长工具| 给我免费播放毛片高清在线观看| 淫妇啪啪啪对白视频| 亚洲 国产 在线| 90打野战视频偷拍视频| 在线免费观看不下载黄p国产 | 在线观看美女被高潮喷水网站 | 日韩亚洲欧美综合| 久久久久精品国产欧美久久久| av专区在线播放| 欧美日韩精品网址| 欧美又色又爽又黄视频| 国产成年人精品一区二区| av视频在线观看入口| 美女高潮的动态| 精品国内亚洲2022精品成人| 一级黄色大片毛片| 欧美日本亚洲视频在线播放| 淫秽高清视频在线观看| 综合色av麻豆| 亚洲五月婷婷丁香| 亚洲天堂国产精品一区在线| 女同久久另类99精品国产91| 嫩草影院精品99| 国内久久婷婷六月综合欲色啪| 国产高清视频在线播放一区| 亚洲欧美日韩卡通动漫| 色综合婷婷激情| 草草在线视频免费看| 无人区码免费观看不卡| 欧美不卡视频在线免费观看| 久久精品影院6| 久久草成人影院| 999久久久精品免费观看国产| av在线天堂中文字幕| 中文在线观看免费www的网站| 波多野结衣高清无吗| 免费搜索国产男女视频| 亚洲无线观看免费| 国产欧美日韩精品亚洲av| 婷婷丁香在线五月| 欧美精品啪啪一区二区三区| 中文字幕人成人乱码亚洲影| 两个人的视频大全免费| www日本黄色视频网| 美女cb高潮喷水在线观看| 三级毛片av免费| 亚洲一区二区三区不卡视频| 亚洲片人在线观看| 国产亚洲av嫩草精品影院| 国产成人a区在线观看| 欧美三级亚洲精品| 国产精品,欧美在线| 观看美女的网站| 舔av片在线| 亚洲第一欧美日韩一区二区三区| 免费av观看视频| 男人舔奶头视频| 超碰av人人做人人爽久久 | 狠狠狠狠99中文字幕| 99在线视频只有这里精品首页| 淫妇啪啪啪对白视频| 美女免费视频网站| 非洲黑人性xxxx精品又粗又长| 亚洲精品一卡2卡三卡4卡5卡| 国产一区二区三区在线臀色熟女| 精品久久久久久久久久久久久| 久久欧美精品欧美久久欧美| 美女cb高潮喷水在线观看| 天天一区二区日本电影三级| 国产一区二区亚洲精品在线观看| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 午夜影院日韩av| 国产精品嫩草影院av在线观看 | 高清在线国产一区| 亚洲成人中文字幕在线播放| 一级黄片播放器| 欧美日韩综合久久久久久 | 亚洲成人精品中文字幕电影| 午夜精品久久久久久毛片777| 国产乱人伦免费视频| 久久久国产精品麻豆| 国内久久婷婷六月综合欲色啪| 国产av在哪里看| 成年人黄色毛片网站| 欧美激情久久久久久爽电影| 最近视频中文字幕2019在线8| 久久久久久久亚洲中文字幕 | 日韩av在线大香蕉| 99国产精品一区二区三区| 久久精品综合一区二区三区| xxx96com| 国产私拍福利视频在线观看| 精品99又大又爽又粗少妇毛片 | 午夜福利高清视频| 色精品久久人妻99蜜桃| 老熟妇乱子伦视频在线观看| 午夜亚洲福利在线播放| 欧美乱码精品一区二区三区| 床上黄色一级片| 国产av一区在线观看免费| 日韩成人在线观看一区二区三区| 黄色片一级片一级黄色片| 亚洲成人免费电影在线观看| 一个人观看的视频www高清免费观看| 国产亚洲精品av在线| www.999成人在线观看| 欧美中文综合在线视频| 人人妻人人澡欧美一区二区| 亚洲成人久久爱视频| 中文亚洲av片在线观看爽| 狠狠狠狠99中文字幕| 在线播放无遮挡| 国产国拍精品亚洲av在线观看 | eeuss影院久久| 国产日本99.免费观看| 国产极品精品免费视频能看的| 亚洲欧美日韩卡通动漫| 韩国av一区二区三区四区| 国产欧美日韩精品亚洲av| 久久久久精品国产欧美久久久| 亚洲精品日韩av片在线观看 | 成人av一区二区三区在线看| 日本一二三区视频观看| 久久香蕉精品热| av视频在线观看入口| 亚洲国产日韩欧美精品在线观看 | 欧美激情久久久久久爽电影| 亚洲av一区综合| 成人精品一区二区免费| 国产一区二区激情短视频| 国产aⅴ精品一区二区三区波| 国产一区在线观看成人免费| 国产精品亚洲av一区麻豆| 国产三级中文精品| 热99re8久久精品国产| 身体一侧抽搐| 真人一进一出gif抽搐免费| 久久国产精品影院| 国产精品久久久久久人妻精品电影| 欧美+日韩+精品| 成人特级av手机在线观看| 男女那种视频在线观看| 男女做爰动态图高潮gif福利片| 中出人妻视频一区二区| 搡老岳熟女国产| 国产亚洲欧美98| 国产精品久久久久久亚洲av鲁大| 日韩有码中文字幕| 一进一出抽搐gif免费好疼| 男人的好看免费观看在线视频| 成年版毛片免费区| 中亚洲国语对白在线视频| 国产毛片a区久久久久| 性色av乱码一区二区三区2| 亚洲成av人片在线播放无| 女生性感内裤真人,穿戴方法视频| 99久久成人亚洲精品观看| 色噜噜av男人的天堂激情| 亚洲第一欧美日韩一区二区三区| 亚洲成人中文字幕在线播放| 亚洲欧美精品综合久久99| 日本与韩国留学比较| 很黄的视频免费| 日韩免费av在线播放| 18禁裸乳无遮挡免费网站照片| 婷婷精品国产亚洲av| 亚洲aⅴ乱码一区二区在线播放| 国产精品99久久久久久久久| 日本免费a在线| 欧美乱码精品一区二区三区| 最近视频中文字幕2019在线8| 中文字幕高清在线视频| 听说在线观看完整版免费高清| 亚洲中文日韩欧美视频| 一个人免费在线观看的高清视频| 中文字幕高清在线视频| 国产精品自产拍在线观看55亚洲| 香蕉久久夜色| 狠狠狠狠99中文字幕| 国产精品乱码一区二三区的特点| 久久6这里有精品| 国内精品一区二区在线观看| 69人妻影院| 久久精品亚洲精品国产色婷小说| 制服丝袜大香蕉在线| 熟妇人妻久久中文字幕3abv| а√天堂www在线а√下载| 国产探花极品一区二区| 免费人成视频x8x8入口观看| 精品福利观看| a在线观看视频网站| 国产亚洲精品久久久久久毛片| 色精品久久人妻99蜜桃| 亚洲 欧美 日韩 在线 免费| 99在线视频只有这里精品首页| 亚洲成人久久性| 精品熟女少妇八av免费久了| 日本免费一区二区三区高清不卡| 老司机午夜十八禁免费视频| 亚洲精品一区av在线观看| 老司机午夜十八禁免费视频| 亚洲欧美日韩无卡精品| 色综合欧美亚洲国产小说| 欧美bdsm另类| 丰满人妻熟妇乱又伦精品不卡| 97超级碰碰碰精品色视频在线观看| 老汉色∧v一级毛片| 午夜精品在线福利| 国产爱豆传媒在线观看| 午夜激情欧美在线| 欧美又色又爽又黄视频| 欧美丝袜亚洲另类 | 12—13女人毛片做爰片一| 好男人在线观看高清免费视频| av在线蜜桃| av女优亚洲男人天堂| 成人av一区二区三区在线看| 美女 人体艺术 gogo| 又粗又爽又猛毛片免费看| 51国产日韩欧美| 神马国产精品三级电影在线观看| 免费在线观看亚洲国产| 亚洲自拍偷在线| 成年女人毛片免费观看观看9| www日本黄色视频网| 亚洲男人的天堂狠狠| 亚洲美女视频黄频| xxx96com| 丰满乱子伦码专区| 美女被艹到高潮喷水动态| 成年女人永久免费观看视频| 中文资源天堂在线| 亚洲七黄色美女视频| 757午夜福利合集在线观看| 男女视频在线观看网站免费| 国产精品国产高清国产av| 日本 欧美在线| 九九在线视频观看精品| 真人一进一出gif抽搐免费| 成人av一区二区三区在线看| 日本撒尿小便嘘嘘汇集6| 日韩成人在线观看一区二区三区| 国产久久久一区二区三区| 宅男免费午夜| 日日摸夜夜添夜夜添小说| 露出奶头的视频| 久久久久免费精品人妻一区二区| 国产高清有码在线观看视频| 在线a可以看的网站| 给我免费播放毛片高清在线观看| 欧美+亚洲+日韩+国产| 欧美黄色淫秽网站| 69人妻影院| 国产精品国产高清国产av| 国产精品久久视频播放| 悠悠久久av| 非洲黑人性xxxx精品又粗又长| 精品久久久久久,| 亚洲avbb在线观看| 久久中文看片网| 国产精品电影一区二区三区| 欧美性感艳星| 黄色日韩在线| 麻豆国产av国片精品| 日韩精品青青久久久久久| 首页视频小说图片口味搜索| 国产高清激情床上av| 观看免费一级毛片| 久久久久久大精品| www日本在线高清视频| 中国美女看黄片| 我的老师免费观看完整版| 亚洲人成伊人成综合网2020| 色噜噜av男人的天堂激情| 制服人妻中文乱码| 亚洲av日韩精品久久久久久密| 又黄又粗又硬又大视频| 18美女黄网站色大片免费观看| 身体一侧抽搐| 亚洲一区高清亚洲精品| 草草在线视频免费看| 午夜精品一区二区三区免费看| 丰满乱子伦码专区| 婷婷亚洲欧美| 午夜精品在线福利| 国产野战对白在线观看| www.熟女人妻精品国产| 五月玫瑰六月丁香| 欧美日本视频| 国产精品久久视频播放| 日韩免费av在线播放| 久久精品国产99精品国产亚洲性色| 久久这里只有精品中国| 中文字幕久久专区| 叶爱在线成人免费视频播放| 国语自产精品视频在线第100页| 亚洲av免费高清在线观看| 神马国产精品三级电影在线观看| 精品久久久久久成人av| 免费高清视频大片| 特级一级黄色大片| 日韩高清综合在线| 亚洲av成人不卡在线观看播放网| 熟女少妇亚洲综合色aaa.| 亚洲,欧美精品.| 色综合婷婷激情| 亚洲aⅴ乱码一区二区在线播放| 日本黄色视频三级网站网址| 午夜激情福利司机影院| 国产高清激情床上av| 国产探花在线观看一区二区| 一夜夜www| 夜夜看夜夜爽夜夜摸| 亚洲人成伊人成综合网2020| 国产伦精品一区二区三区视频9 | 97超视频在线观看视频| 欧美日本视频| 最后的刺客免费高清国语| 亚洲 国产 在线| 校园春色视频在线观看| 国产精品一区二区三区四区久久| 久久精品亚洲精品国产色婷小说| 午夜免费激情av| 人人妻,人人澡人人爽秒播| 校园春色视频在线观看| 亚洲内射少妇av| 老司机深夜福利视频在线观看| 俺也久久电影网| 神马国产精品三级电影在线观看| 日本在线视频免费播放| 久久久久久大精品| 亚洲专区国产一区二区| 亚洲人成伊人成综合网2020| 国产男靠女视频免费网站| 最新在线观看一区二区三区| 2021天堂中文幕一二区在线观| av在线天堂中文字幕| 日本黄色片子视频| 久久人人精品亚洲av| 一卡2卡三卡四卡精品乱码亚洲| 国产主播在线观看一区二区| 国产 一区 欧美 日韩| 长腿黑丝高跟| 国产精品电影一区二区三区| 久久精品综合一区二区三区| 亚洲成av人片在线播放无| 亚洲性夜色夜夜综合| 国产伦一二天堂av在线观看| 91久久精品国产一区二区成人 | 黄色女人牲交| 看免费av毛片| 舔av片在线| 成人国产综合亚洲| 桃红色精品国产亚洲av| 亚洲成人久久性| 精品无人区乱码1区二区| 亚洲乱码一区二区免费版| 欧美丝袜亚洲另类 | 婷婷亚洲欧美| 操出白浆在线播放| 久久精品国产亚洲av香蕉五月| 免费一级毛片在线播放高清视频| 欧美成人a在线观看| 亚洲av成人不卡在线观看播放网| 尤物成人国产欧美一区二区三区| 黄色视频,在线免费观看| 午夜两性在线视频| 99久久精品国产亚洲精品| 国产私拍福利视频在线观看| 成人永久免费在线观看视频| 久久久色成人| 男女下面进入的视频免费午夜| 99久久精品一区二区三区| 欧美黑人巨大hd| 亚洲av成人不卡在线观看播放网| 日韩欧美国产在线观看| 在线观看美女被高潮喷水网站 | 色在线成人网| 午夜精品一区二区三区免费看| 国产高清有码在线观看视频| 国内少妇人妻偷人精品xxx网站| 校园春色视频在线观看| 久久久国产精品麻豆| 女同久久另类99精品国产91| 亚洲一区高清亚洲精品| АⅤ资源中文在线天堂| 无限看片的www在线观看| 真人一进一出gif抽搐免费| 国产一区二区在线观看日韩 | 天堂动漫精品| 日韩精品中文字幕看吧| 日韩有码中文字幕| 日韩欧美一区二区三区在线观看| 久久久久免费精品人妻一区二区| 亚洲av免费高清在线观看| 久久精品国产自在天天线| 精品久久久久久久人妻蜜臀av| 成人无遮挡网站| 日韩成人在线观看一区二区三区| 国产探花在线观看一区二区| 日本 欧美在线| 日本与韩国留学比较| 日韩大尺度精品在线看网址| 母亲3免费完整高清在线观看| 男人舔奶头视频| 男女那种视频在线观看| 亚洲欧美日韩卡通动漫| 此物有八面人人有两片| 国产高清三级在线| 亚洲欧美日韩卡通动漫| 此物有八面人人有两片| 国产在线精品亚洲第一网站| 91久久精品国产一区二区成人 | 国产淫片久久久久久久久 | 午夜福利免费观看在线| 国产精品久久久久久久电影 | 十八禁网站免费在线| 国内精品一区二区在线观看| 少妇人妻精品综合一区二区 | 性色av乱码一区二区三区2| 久久久久久人人人人人| 中文字幕人妻熟人妻熟丝袜美 | 国产午夜福利久久久久久| 欧美另类亚洲清纯唯美| 90打野战视频偷拍视频| 午夜福利在线观看免费完整高清在 | bbb黄色大片| 久久中文看片网| 国产精品国产高清国产av| 老司机午夜十八禁免费视频| 亚洲精品美女久久久久99蜜臀| 黄色日韩在线| 国产精品亚洲av一区麻豆| 国产精品三级大全| 中文亚洲av片在线观看爽| 成人亚洲精品av一区二区| 国产一区二区三区在线臀色熟女| 不卡一级毛片| 在线播放国产精品三级| 在线观看美女被高潮喷水网站 |