期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
基于POI的出租车停靠位置选择算法研究 被引量:2
1
作者 徐焕君 余靖 +1 位作者 苑帅 张玉停 《高技术通讯》 CAS 2021年第11期1154-1163,共10页
基于兴趣点(POI),采用图论中判定节点重要度的方法,根据节点在路网中的基本信息,建立一种判定节点重要度的通用节点重要度(GNI)算法。针对不同场所出租车需求量不同的问题,建立了一种不同模式下的出租车按需分配呼叫模型。以GNI算法为基... 基于兴趣点(POI),采用图论中判定节点重要度的方法,根据节点在路网中的基本信息,建立一种判定节点重要度的通用节点重要度(GNI)算法。针对不同场所出租车需求量不同的问题,建立了一种不同模式下的出租车按需分配呼叫模型。以GNI算法为基础,获得基于POI的专用节点重要度(DNI)算法。采用杠杆原理,同时类比多边形获取“重心”的方法,分析DNI算法下节点重要度排名结果,获得出租车最佳停靠位置,通过实验验证了该DNI算法的实用性及有效性。 展开更多
关键词 兴趣点(POI) 节点重要度 通用节点重要度(GNI)算法 呼叫模型 专用节点重要度(DNI)算法
在线阅读 下载PDF
水稻育秧应注意的问题 被引量:7
2
作者 张玉停 申仕铉 +1 位作者 孙宏伟 陈增亮 《现代化农业》 2011年第2期21-22,共2页
水稻育秧是整个生产过程中最关键的一个环节,秧苗健壮,分蘖芽发育好、叶片发育好、发根力强、抗逆性好、移栽后返青快、容易得到大穗,是水稻获得高产的重要保证,所以要做好水稻育秧工作。1采用大棚育秧大棚棚内面积大,空间容量大,昼夜... 水稻育秧是整个生产过程中最关键的一个环节,秧苗健壮,分蘖芽发育好、叶片发育好、发根力强、抗逆性好、移栽后返青快、容易得到大穗,是水稻获得高产的重要保证,所以要做好水稻育秧工作。1采用大棚育秧大棚棚内面积大,空间容量大,昼夜温差小,相对温度高,便于机械化作业,争取农时和积温,有利于培育壮苗,因此,要发展钢骨架大棚。 展开更多
关键词 水稻育秧 叶片发育 育秧大棚 机械化作业 钢骨架大棚 生产过程 空间容量 昼夜温差
在线阅读 下载PDF
甜叶菊育苗技术
3
作者 张玉停 张保库 +1 位作者 刘鹏 申仕铉 《现代化农业》 2011年第11期23-24,共2页
育苗是甜叶菊生产中的一个重要环节,只有及时培育出壮苗,才能达到适时早栽、苗全、苗壮的要求,为甜菊高产优质打下良好的基础。
关键词 育苗技术 甜叶菊 高产优质 壮苗 早栽 甜菊
在线阅读 下载PDF
ERDOF:基于相对熵权密度离群因子的离群点检测算法 被引量:8
4
作者 张忠平 刘伟雄 +2 位作者 张玉停 邓禹 魏棉鑫 《通信学报》 EI CSCD 北大核心 2021年第9期133-143,共11页
针对现有离群点检测算法在复杂数据分布和高维度数据集上精度低的问题,提出了一种基于相对熵权密度离群因子的离群点检测算法。首先引入熵权距离取代欧氏距离以提高离群点检测精度。然后结合自然邻居的概念对数据对象进行高斯核密度估... 针对现有离群点检测算法在复杂数据分布和高维度数据集上精度低的问题,提出了一种基于相对熵权密度离群因子的离群点检测算法。首先引入熵权距离取代欧氏距离以提高离群点检测精度。然后结合自然邻居的概念对数据对象进行高斯核密度估计。同时提出相对距离来刻画数据对象偏离邻域的程度,提高所提算法在低密度区域检测离群点的能力。最后提出相对熵权密度离群因子来刻画数据对象的离群程度。在人工数据集和真实数据集下进行的实验表明,所提算法能有效适应各种数据分布和高维数据的离群点检测。 展开更多
关键词 数据挖掘 离群点检测 信息熵 核密度估计
在线阅读 下载PDF
FNOD:基于近邻差波动因子的离群点检测算法 被引量:3
5
作者 张忠平 邓禹 +1 位作者 刘伟雄 张玉停 《高技术通讯》 CAS 2022年第7期674-686,共13页
针对现存离群点检测算法和剪枝方法存在算法精确度较低和剪枝程度小的问题,提出了一种基于近邻差波动因子的离群点检测方法。该方法首先依据离群点的相互k近邻(MUN)点数远小于参数k这一特点,提出了一种基于近邻关系的剪枝方法;然后提出... 针对现存离群点检测算法和剪枝方法存在算法精确度较低和剪枝程度小的问题,提出了一种基于近邻差波动因子的离群点检测方法。该方法首先依据离群点的相互k近邻(MUN)点数远小于参数k这一特点,提出了一种基于近邻关系的剪枝方法;然后提出近邻差的概念来刻画数据对象与其邻居点的分布特征,在变化的参数k下,离群点和正常点的近邻差的变化不同;最后采用近邻差波动衡量每个数据点的离群程度,进而检测出离群点。人工数据集和真实数据集下的实验结果表明,该算法能够有效且较为全面地检测出离群点。 展开更多
关键词 数据挖掘 离群点 剪枝 相互k近邻(MUN) 近邻差波动因子
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部