-
摘要: 本文旨在讨论智联网（Internet of minds，IoM）的基本概念，核心问题和关键平台技术.首先阐述智联网概念的智能时代发展需求和科学哲学思想基础，然后阐述智联网技术的背景、定义、实质，及其实现协同认知智能的目标，并举例说明其前沿应用领域，包括物理信息社会系统、软件定义系统及流程、工业智联网.接下来探讨智联网的核心问题：知识的获取、知识的协同表征和传递、以及知识的关联和协同运行.最后简单描述了智联网的关键平台技术，包括虚实平行的平台体系和基于互联网、物联网、区块链和软件定义网络的社会化通信计算平台，为分布式、自组织、自运行的安全智联网系统提供基础设施.Abstract: This paper aims to provide a blueprint for Internet of minds (IoM), discussing its concept, issues and platforms. We begin with the social and philosophical foundations for IoM, then its background is illustrated along with its concept, definition, essence and its nature of coordinative cognitive intelligence, as well as cyber-physical-social-systems (CPSS), software-defined systems (SDS), and industrial IoM being the three exemplary frontier application areas. We expound the core issues of IoM, including acquisition of knowledge, coordinative representation and delivery of knowledge, and relation and coordinative operation of knowledge. We also describe IoM's key platform technology, including real-virtual parallel platform, and social computing and communication architecture based on Internet, Internet of things, blockchain, and software-defined networks, which provides the foundation of a decentralized, autonomous, self-organized, and secured IoM infrastructure and applications.
-
许多现实采样的数据特征复杂,呈非线性分布,变量之间存在高度非线性相关性.大部分情况下,图像数据被视为一种具有非线性结构的数据.因图像易受外界因素的干扰,使得数据具有很强的不确定性.例如人脸图像会受光照、表情和姿态等因素的影响,通常导致图像中的像素值发生非线性的变化.同样,现实中采集到的基因表达数据也常呈现出高维、小样本、多噪声和非线性等特征,且大部分数据不含类别信息,因此聚类技术作为一种典型无监督技术而被广泛使用.故本文从非线性角度研究图像数据和基因表达数据的聚类问题.
近年来,子空间聚类作为一种热点聚类方法被广泛研究,并被应用到机器视觉领域,如图像分割领域[1]、动态分割领域[2]和人脸聚类领域[3];此外图像表达[4]和混合识别系统[5]等图像处理领域中,子空间聚类方法也被成功使用.目前,已有许多经典的子空间聚类算法被提出,如稀疏子空间聚类(Sparsesubspace clustering,SSC)[6]、 低秩表达(Low rankrepresentation,LRR)[7] 和最小二乘子空间聚类(Least squaresregression,LSR)[8] 等,三者都是基于谱聚类的子空间聚类算法.SSC可实现从全局角度自动选择近邻点,消除数据之间的相关性;LRR保持仿射矩阵的低秩性;LSR保持数据的聚集性.在这些方法基础之上改进得到鲁棒潜在低秩表达子空间聚类(Robustlatent low rank representation,RLLRR)[9]、光滑表达子空间聚类(Smooth representation clustering,SMR)[10]、 鲁棒SSC (Robust SSC,R-SSC)[11]、块对角SSC (Block-diagonal SSC,BD-SSC)和块对角LRR (Block-diagonalLRR,BD-LRR)[12]等.
上述的大部分方法都以数据全局线性为前提,每个样本点可以利用其余样本点线性重构.从回归模拟角度来看,上述方法可看作线性回归模型.故SSC是LASSO (Least absolute shrinkageand selectionator operator)[13]的变形,LSR是岭回归 (Ridgeregression)[14]的变形.LASSO以l1范数作为惩罚项来压缩模型回归系数,l1范数在原点处不可导,通常采用迭代方法求解模型的回归系数.因求解会得到许多为0的回归系数,所对应的回归变量在线性回归模型中不起作用,以此达到压缩变量的目的[15]. 但对有较多变量的模型来说,压缩变量的效果会变差.岭回归是一种较稳定的连续型模型,但它不能压缩变量,这导致模型中变量过多,不能得到一个简单且解释性强的模型.对于线性相关程度大的数据,LASSO和岭回归的效果较好; 反之,这两种方法的回归效果较差.在子空间聚类方法中,SSC和LSR也保持着同样的优缺点.因此对于非线性数据,SSC和LSR的聚类效果不理想,如图 1 所示.
图 1是LSR和SSC在双月形数据上学习得到的仿射矩阵画出的邻接图.由图 1(a)可见,LSR用除本身外的其余点做线性表示,不能将两类数据区分开.由图 1(b)中亦可见,SSC虽然能自动选取样本点进行线性表示,但样本点的选取不理想.可见LSR和SSC都不能达到图 1(c)的理想效果,二者不能够将两类数据准确地区分开,因此不适合对非线性数据进行聚类.
流形学习是近年来处理流形数据和非线性数据的常用方法,许多经典流形学习方法被提出,如局部保持投影(Locality preservingprojections,LPP)[16]、 局部线性嵌入(Locally linearembedding,LLE)[17]和近邻保持嵌入(Neighborhood preservingembedding,NPE)[18]等. LPP、 LLE和NPE有一个共同点就是假设数据是局部线性的,每个样本点均可利用其近邻样本进行线性表示.同样,在聚类问题中,相互靠近的样本点往往被视为同类,这样便可以利用近邻点对数据线性表示.因此,受流形学习局部线性表示思想的启发,结合子空间聚类,本文提出局部子空间聚类算法(Local subspace clustering,LSC),并应用于图像和基因表达谱等具有明显非线性特征的高维数据.
本文提出的局部子空间聚类利用样本点的k个近邻进行线性表示.值得注意的是:1) k近邻法的关键是近邻参数k的选取,本文提出的子空间聚类方法能够自适应地调整近邻点个数. 2) 通常采用k近邻法只选取适当少的近邻点,但局部子空间聚类算法既可以取适当少,也可以取适当多的近邻点.当选取适当少的近邻点时,可剔除大量样本点,计算便捷; 当选取适当多的近邻点时,可剔除一些噪声点,使算法更具鲁棒性.
1. 子空间聚类
子空间聚类目标是将样本数据分割或聚集成几个簇,每个簇对应一个子空间,因此也称为子空间分割.
定义 1[8]. 子空间聚类(Subspace clustering):给定的从c个子空间{Si}i=1c采样的数据向量集合 $X=[{{X}_{1}},{{X}_{2}},\cdots ,{{X}_{c}}]=[{{x}_{1}},{{x}_{2}},\cdots ,{{x}_{n}}]\in {{\mathbf{R}}^{d\times n}},{{X}_{i}}$ 是从子空间Si中采样的ni个数据向量构成的集合,.子空间聚类的目标是根据它们采样的基子空间分割数据.
子空间聚类算法根据表示方式不同可以粗略分为四类[8]:代数方法、 迭代方法、 统计方法和谱聚类方法,本文重点研究最后一种.基于谱聚类的子空间聚类方法核心在于求解仿射矩阵Z=(zij)n×n,zij用来度量两个样本xi 和xj的相似度.典型的相似度度量zij=exp(-||xi-xj||2/σ),σ>0不能很好地刻画数据的本质特征[8].稀疏子空间聚类SSC、低秩表达子空间聚类LRR和最小二乘回归子空间聚类LSR提出了新的仿射矩阵计算方法.这些方法将每个样本点xi表示为其他样本点的线性组合:
$x_i=\sum_{jeq i}x_jz_{ij} $
(1) 其中zij是表示权重的常数.利用表示系数(|zij|+|zji|)/2度量xi和xj之间的相似度.
SSC的目标函数:
$\begin{align} & \min_z \| Z \|_1\\ & {\rm s.t.} \quad X=XZ,\quad {\rm diag}{Z}=0 \end{align}$
(2) 其中,||Z||1是Z的l1范数,定义为仿射矩阵Z的所有元素的绝对值之和.文献[6]还将SSC扩展到噪声模型,目标函数如下:
$\begin{align} &\min_z \frac{\lambda}{2} \| X-XZ \|^2_F+ \| Z \|_1\\ & {\rm s.t.} \quad {\rm diag}{Z}=0 \end{align}$
(3) LSR最小化Z的Frobenius范数:
$\begin{align} & \min_z \| Z \|^2_F\\ & {\rm s.t.} \quad X=XZ,\quad {\rm diag}{Z}=0 \end{align}$
(4) 对于有噪声的模型,可以扩展为
$\begin{align} &\min_z \| X-XZ \|^2_F+\lambda \| Z \|^2_F\\ & {\rm s.t.} \quad {\rm diag}{Z}=0 \end{align}$
(5) 去除约束条件 ,扩展为
$ \min_z \| X-XZ \|^2_F+\lambda \| Z \|^2_F$
(6) 其中,λ >0,||Z||F是矩阵Z的Frobenius范数.
2. 局部子空间聚类
为解决子空间聚类方法不能直接应用于非线性图像数据的不足,本文引入k近邻局部线性表示思想,将其分别与经典子空间聚类方法SSC和LSR相结合,提出局部子空间聚类(Local subspace clustering,LSC),其中k近邻局部线性表示与LSR结合,命名为局部最小二乘回归子空间聚类(Local least squares regression,LLSR); 与SSC结合,命名为局部稀疏子空间聚类(Local sparse subspaceclustering,LSSC).
2.1 局部最小二乘回归子空间聚类
LLSR算法主要利用k近邻[18]求取k个近邻点,以局部线性为依据对数据进行线性表示.具体步骤如下:
1) 以样本点间的欧氏距离作为相似性度量,距离越小表示样本相似性越高.样本点xi的k个近邻点(不包含自身)集用Nk(xi)={xi1,xi2,…,xik}表示.
模型(3)和模型(5)中,对角为0的约束本质上是从样本点xi用除自身以外的样本点线性表示得来,即zii=0 (i=1,2,…,n),因此k个近邻点中不包含xi自身的目的是为保持模型中对角元素为0的约束.
2) LLSR子空间聚类的目标函数为
$ \min_z \sum_i {\| x_i-\sum_{x_j\in N_k(x_i)}x_jz_{ij} \|^2_F}+\lambda \| Z \|^2_F$
(7) 其中若xj∉ Nk(xi),则令zij=0.由于每个xi相互独立,故上式亦可表示为
$ \min_{\tilde{z}_i} \| x_i-N_k(x_i)\tilde{z}_{i} \|^2_F+\lambda \| \tilde{z}_i \|^2_F$
(8) 利用最小二乘思想求解式(8),得到解析解为
$\tilde{z}_i=(N_k(x_i)^{\rm T}N_k(x_i)+\lambda I)^{-1}N_k(x_i)^{\rm T}x_i $
(9) 对于每个样本点xi,LLSR都可求解出一个解 ${{\tilde{z}}_{i}}$ .对任意 $i,z_{i{{i}_{m}}}^{*}={{\tilde{z}}_{i{{i}_{m}}}}\$,\$m=1,2,\cdots ,k$ ,其余为0,故可得到模型(7)的解Z*.
2.2 局部稀疏子空间聚类
由于近邻参数k值固定,不能根据样本点分布的疏密自主确定近邻点个数,导致第2.1节提出的LLSR方法存在局限,为此本节提出局部稀疏子空间聚类LSSC. LSSC利用l1范数具有稀疏的性质,在k近邻点选取过程中可自适应地调整近邻点个数.由于SSC与LSR的正则参数项位置不同,为了让正则参数项的作用统一,将SSC改写成:
$ \min_z \frac{1}{2} \| X-XZ \|^2_F+\lambda \| Z \|_1$
(10) 此式可利用交替方向乘子法(Alternating direction method ofmultipliers,ADMM)[19]的思想求解.本文的LSSC在式(10)上进行局部线性化改进,其算法步骤与LLSR相同.先选取每个样本点 的k个近邻点,再从近邻点中二次筛选,自动调整近邻. LSSC目标函数如下:
$ \min_z \frac{1}{2} \sum_i {\| x_i-\sum_{x_j\in N_k(x_i)}x_jz_{ij} \|^2_F}+\lambda \| Z \|_1$
(11) 其中,若xjotin Nk(xi),则令zij=0.同样,每个xi相互独立,故式(11)亦可为
$ \min_{\tilde{z}_i} \frac{1}{2} \| x_i-N_k(x_i){\tilde{z}_i} \|^2_F+\lambda \| {\tilde{z}_i} \|_1$
(12) 此目标函数与LASSO的回归模型等价,利用ADMM,目标函数(12)转化为
$\begin{align} &\min_{\tilde{z}_i}\frac{1}{2} \| x_i-N_k(x_i)\tilde{z}_i \|^2_F+\lambda \| \beta \|_1\\ & {\rm s.t.} \quad \tilde{z_i}-\beta=0 \end{align}$
(13) 其中β是对偶变量.进一步可写成:
$\begin{align} & \min_{\tilde{z}_i,\beta,U} \frac{1}{2} \|x_i-N_k(x_i)\tilde{z}_i\|^2_F+\lambda \| \beta \|_1+\\ & \quad\quad \|\frac{\rho}{2}\| \tilde{z}_i-\beta-U \|^2_F \end{align}$
(14) 其中ρ是拉格朗日乘子,在实验中设为常数1,U是对偶变量.模型(14)的ADMM步骤如下:
$\begin{align} & {\tilde{z}_i}^{K+1}:=(N_k(x_i)^{\rm T}N_k(x_i)+\rho I)^{-1}(N_k(x_i)x_i+\\ & \quad\quad \quad \quad \rho \beta^K-U^K)\\ & \beta^{K+1}:=S_{\frac{\lambda}{\rho}}({\tilde{z}_i}^{K+1}+\frac{U^K}{\rho}) \\ & U^{K+1}:=U^K+\rho(\tilde{z}_i^{K+1}-\beta^{K+1})\end{align}$
(15) 其中K是更新次数, ${{S}_{\alpha }}(v)={{(v-\alpha )}_{+}}-{{(-v-\alpha )}_{+}}$ ,具体算法参见文献[19],由此可求得 ${{\tilde{z}}_{i}}$ .对任意i,在相应位置上 $z_{i{{i}_{m}}}^{*}={{\tilde{z}}_{i{{i}_{m}}}},m=1,2,\cdots ,k$ ,其余为0,可得到LSSC 模型(11)的解矩阵Z*.
2.3 局部子空间聚类算法
类似于SSC、LRR和LSR,局部子空间聚类算法LSC也是基于谱聚类的子空间聚类方法. LSC算法如下:
算法 1. 局部子空间聚类算法
输入. 数据矩阵X,正则参数λ,近邻点个数k,类数c.
输出. c个类簇.
1) 利用k近邻求每个样本点的k个近邻;
2) 通过LLSR目标函数(7)或LSSC目标函数(11)求解矩阵Z*;
3) 计算仿射矩阵(|Z*|+|(Z*)T|)/2;
4) 应用标准分割方法[20]将数据分成c个子空间.}
值得注意的是,文献[8]证明了LSR具有聚集性,同样我们可以证明LLSR具有局部聚集性.
定理 1. 给定向量y∈ Rd ,矩阵Nk(y)∈ Rd× k和参数λ >0,假设Nk(y)={y(1),y(2),…,y(k)}已经按列标准化,z*是如下LLSR 问题的解:
$ \min_z \| y-N_k(y)z^* \|^2_2+\lambda \| z \|^2_2$
(16) 那么
$\frac{\| z^*_{(i)}-z^*_{(j)} \|_2}{\| y \|_2}\leq\frac{1}{\lambda}\sqrt{2(1-r)} $
(17) 其中r=y(i)T y(j)是样本相关系数.
证明 . 令 $L(z)=\|y-{{N}_{k}}(y){{z}^{*}}\|_{2}^{2}+\lambda \|z\|_{2}^{2}$ ,且
$ \frac{\partial L(z^*)}{\partial z_k}=0$
(18) 有:
$-2y_{(i)}^{\text{T}}(y-{{N}_{k}}(y){{z}^{*}})+2\lambda z_{(i)}^{*}=0$
(19) $-2y^{\rm T}_{(j)}(y-N_k(y)z^* )+2\lambda z^*_{(j)}=0 $
(20) 由式(19)和式(20)得
$z^*_{(i)}-z^*_{(j)}=\frac{1}{\lambda}(y^{\rm T}_{(i)}-y^{\rm T}_{(j)})(y-N_k(y)z^* ) $
(21) 且Nk(y)已经按列标准化,r=y(i)T y(j),得
$\| y_{(i)}-y_{(j)} \|_2=\sqrt{2(1-r)} $
(22) 又因为z*是问题(16)的最优解,得
$\| y-N_k(y)z^* \|^2_2 +\lambda \| z^* \|^2_2=L(z^*)\leq L(0)=\| y\|^2_2 $
(23) 因此 ,结合式(21)和式(22)可得
$\frac{\| z^*_{(i)}-z^*_{(j)} \|_2}{\| y \|_2}\leq\frac{1}{\lambda}\sqrt{2(1-r)} $
(24) 定理 1 证明了LLSR的局部聚集能力.假如y(i)和y(j)是高度相关的,如r=1,则定理1表明y(i)和y(j)对应的系数z(i)和z(j)的差异性接近为0,这样y(i)和y(j)就会聚成相同的簇.
3. 实验
为验证局部子空间聚类方法的有效性,本节选用经典聚类方法:K均值(K-means)、层次聚类方法(Hierarchical clustering,HC),以及子空间聚类方法: SSC[6]、 LRR[7]、LSR[8]、 BD-LRR[12]、RLLRR[9]和SMR[10],与本文提出的LLSR和LSSC进行比较,并从聚类准确率(Accuracy,ACC)[21]的角度对比各种方法的聚类能力,其中ACC 定义如下:
对给定样本,令ri和si分别为聚类算法得到的类标签和样本自带的类标签,准确率计算公式为
$ACC=\frac{\sum\limits_{i=1}^{n} \delta(s_i,map(r_i))}{n} $
(25) 其中,n为样本总数,δ(x,y) 是一个函数,当x=y 时,值为1,否则为0. map(ri)是一置换函数,将每个类标签ri映射成与样本自带的类标签等价的类标签.
本文采用双月形数据、图像数据集和基因表达数据集,其中图像数据集包括:ORL10P1、 PIX10P1、PIE10P1、Umist[22]、 USP-S[10]、COIL202;基因数据集3包括: Leukemia1、 SRBCT、 Lung_Cancer、 Prostate_Tumor. 在参数设置方面,LRR、 LSR和LLSR的正则参数λ取值为 {0.0001,0.001,0.005,0.01,0.05,0.1,0.5,1,10}, SSC和LSSC的λ取值为 {0.0001,0.001,0.005,0.01,0.05,0.1}; BD-LRR、 RLLRR和SMR的参数取 {0.08,0.1,0.5,1,5,10,50,100,500,1000};近邻点个数k取3~10.每个算法运行10次,取聚类准确率的平均值.本文的实验环境为Winows 7系统,内存4GB和i5处理器,所有方法都用Matlab2012b编程实现.
3.1 人造数据
利用人造双月形实验数据说明LSC的有效性,同时展示近邻点k值和正则参数λ的选取对聚类准确率的影响.
双月形数据是由两类数据组成的非线性数据,形状如两个弯月,如图 2所示.我们的目标是希望能找到一个好的仿射矩阵,将数据准确地分成两类.利用LLSR和LSSC学习得到的邻接图如图 3所示.
图 3 LSC在双月形数据学习得到的邻接图Fig. 3 Learned adjacency graph by LSC on the two-moon synthetic data结合图 1和图 3,易知LLSR和LSSC能够很好地将两类数据分开,便于聚类.比较图 3中LLSR 和 LSSC的邻接图,后者以稀疏为目的能够自动筛选近邻点,故邻接边较少.表 1给出各对比方法在双月形数据上的聚类准确率(参数)和运行时间.由表 1可以看出LLSR和LSSC很大程度地提升了聚类准确率,二者均能达到100\%的准确率,而其余方法基本在50\%左右.比较SSC和LSSC运行时间可以看出,LSSC利用局部线性的思想明显提升了运行速度. LSSC和LLSR的运行时间包括近邻点计算的耗时. 得的仿射矩阵效果并不理想; 反观,LLSR和LSSC两种方法都能得到对角形式的仿射矩阵,且LSSC能得到更稀疏的仿射矩阵.综上,对于双月形数据,原有LSR和SSC方法受全局线性限制,不能得到理想结果,而局部子空间聚类LSC的两种方法利用局部线性思想得到较好的结果,更好地解决非线性数据的聚类问题.
表 1 双月形数据上聚类准确率(%)和运行时间(s)的对比Table 1 Clustering accuracy (%) and running time (s)comparison on the two-moon synthetic dataHC K-means LRR SSC LSR BD-LRR RLLRR SMR LSSC LLSR ACC 100.00 72.00 53.50 53.50 50.00 50.00 52.00 51.50 100.00 100.00 (0.001) (0.005) (0.0001) (0.08) (0.1) (0.001) (0.0001,5) (0.0001,5) Time 0.0010 0.0026 1.89 4.80 0.0008 19.15 0.33 0.045 0.94 0.10 图 4给出LSR、 SSC、 LLSR和LSSC四种方法的仿射矩阵图.对于双月形数据,LSR和SSC所
在双月形数据实验中研究正则参数λ和近邻点k的选取对聚类准确率的影响,结果如图 5所示.
图 5 在双月形数据上LSC的参数学习Fig. 5 Study on the LSC's parameters on the two-moon synthetic data由图 5(a)可知,将LSR和SSC应用在非线性数据上,正则参数λ的改变不会使聚类准确率发生较大变化; 而对于LLSR,由于采用局部线性思想,相当于在很大程度上剔除了许多不相关点,因此λ 的变化也不会影响其聚类准确率; LSSC也是如此,在大部分λ取值下,得到的结果是稳定的,但当λ取值越大时,l1 范数的作用越大,会导致最终获得的近邻点减少,甚至近邻点个数为0,得到的仿射矩阵为0矩阵,影响了聚类准确率.所以,图 5(a)中SSC和LSSC在取较大正则参数时,聚类准确率均发生下降,甚至在过大的正则参数下无法进行有效聚类.图 5(b)显示近邻点个数的变化会导致聚类准确率的变化,当k取过小或过大,都会使得聚类准确率降低,当k取5~7时,LLSR和LSSC会得到较好的结果. LLSR整体上比LSSC更稳定,有更高的聚类准确率.在选取近邻点时,LSSC的k值一般比LLSR小.且实验中发现,LSSC虽然能自动调整近邻点,但当近邻点数k过大时,l1 范数自动调整近邻点的效果变差.
3.2 图像数据
本实验采用的6个图像数据中,前4个是人脸图像数据,第5个是手写数字图像数据,第6个为物品数据.数据集描述如表 2.且图 6列出6个图像数据集中的部分样本图像.
表 2 数据集描述Table 2 Summary of the data sets数据集 样本 长 宽 类别 ORL10P 100 112 92 10 PIX10P 100 100 100 10 PIE10P 210 55 44 10 Umist 575 28 23 20 USPS 1 000 16 16 10 COIL20 1 440 32 32 20 3.2.1 聚类准确率
实验时,使用PCA统一将6个图像数据降至60维.实验结果如表 3.
表 3 聚类准确率Table 3 Clustering accuracy (%)HC K-means LRR SSC LSR BD-LRR RLLRR SMR LSSC LLSR ORL10P 41.00 73.40 79.00 71.00 83.00 70.30 74.70 78.00 86.00 87.00 PIX10P 77.00 79.90 87.00 86.00 85.00 76.80 56.10 88.00 96.00 97.00 PIE10P 70.95 32.95 100.00 90.00 90.00 80.00 79.43 100.00 98.57 100.00 Umist 45.57 47.58 52.17 61.57 52.35 48.35 50.96 69.91 76.87 74.09 USPS 10.90 73.14 78.60 60.80 71.30 63.90 65.50 77.10 81.20 91.20 COIL20 53.47 60.10 65.69 72.01 63.40 67.72 68.80 67.15 78.26 79.58 由表 3可知,局部子空间聚类方法 LLSR 和 LSSC利用局部线性思想,在所有测试数据集上都取得最好结果.在大部分图像数据中,LSC的聚类准确率提高明显.对比两种不同的局部子空间聚类方法可以发现:LLSR的聚类准确率除Umist 数据集外均优于LSSC,较好地改进了最小二乘子空间聚类算法.值得注意的是,在PIE10P实验中,其他传统子空间聚类方法也取得90\%以上较高的聚类准确率,说明该数据集的线性相关度非常高,因此k 值选取较大,局部近邻点几乎包括全部样本数据.由此可见LSC还具有剔除噪声点的作用.在其余5个数据集中,近邻点k都在5~7之间.实验结果表明局部子空间聚类方法能更好地处理具有非线性特征的图像数据,可以更好地反映图像数据的本质结构.
3.2.2 运行时间
表 4给出几种对比算法的运行时间,数据集按样本数由少到多排列.由表 4可以看出随着样本数的增大,各算法的运行时间也相应增加.几种子空间聚类方法中LSR速度最快,最慢的方法是SSC.在大部分实验中,LSC的两个方法会比SSC、 LRR、BD-LRR和RLLRR快.特别是由SSC改进而来的LSSC,仅选取少数近邻点学习仿射矩阵,其计算量明显减少,因此运行时间比SSC节省很多,且随着数据集规模的增大,LSSC较之SSC的优势也更明显.
表 4 运行时间的对比(s)Table 4 Running time (s) comparisonHC K-means LRR SSC LSR BD-LRR RLLRR SMR LSSC LLSR ORL10P 0.0011 0.0071 0.54 0.21 0.00078 7.29 1.69 0.014 0.14 0.034 PIX10P 0.00095 0.0062 1.04 0.33 0.00073 7.60 1.72 0.012 1.25 0.035 PIE10P 0.0023 0.011 4.51 2.53 0.0015 22.23 2.14 0.057 0.32 0.13 Umist 0.011 0.037 25.14 62.27 0.015 240.70 13.48 0.71 1.52 0.92 USPS 0.034 0.091 130.61 124.57 0.044 884.42 120.33 4.53 3.57 2.75 COIL20 0.072 0.071 423.54 2.51 1446.67 926.78 134.86 18.92 18.97 5.69 3.2.3 PCA对聚类准确率的影响
PCA是一种线性降维方法,使得数据在降维后既能尽量保持原有数据信息,又能使算法更快运行,因此被广泛使用.由于图像高维性的限制,若直接采用原始图像数据会因计算机内存不足而导致算法无法执行,故本实验先对图像数据进行PCA降维.针对本文提出的局部子空间聚类算法,讨论PCA降维对局部子空间聚类算法的影响.分别将6个图像数据集降至20,40,60和80维,实验结果如图 7.
图 7中LSSC和LLSR取固定的近邻数 k (k=5).由图 7可知,在数据为20,40,60和80维时,LLSR和LSSC 大部分都能取得最好的结果.SSC在大部分维数高的情况下,聚类准确率反而下降,而LSSC与SSC相反; LLSR不随维数的变化而产生大变化,说明其是一种比较稳定的算法.图 7(d)是侧脸渐变数据,正脸与侧脸的样本数据差异较大; 用原始SSC和LSR算法所得的聚类准确率不高,说明该数据全局线性相关性不强,而LSSC和LLSR的聚类准确率会随着维数的增高而增加.
3.3 基因数据
实验时,用PCA统一将4个基因表达数据降至60维.4个基因数据主要信息如表 5所示.
表 5 数据集描述Table 5 Summary of the data sets数据集 样本 基因 类别 Leukemia1 72 5 327 3 SRBCT 83 2 308 4 Lung_Cancer 203 12 600 5 Prostate_Tumor 102 10 509 2 由表 6给出的各类算法的聚类准确率可知,在4个基因表达数据集上,局部子空间聚类方法LLSR和LSSC都取得最好的聚类效果.且在大部分数据集上,LLSR和LSSC的聚类准确率比其他方法提高10%.一般情况下参数设置为k取5到7.特别对于Lung_Cancer数据,LSR的聚类准确率达92%,这说明数据全局线性相关,故选取较大k值.实验结果表明,局部子空间聚类方法在基因表达数据上也能取得更好的聚类结果.
表 6 聚类准确率(%)Table 6 Clustering accuracy (%)HC K-means LRR SSC LSR BD-LRR RLLRR SMR LSSC LLSR Leukemia1 54.17 69.31 86.11 58.33 77.78 79.17 54.17 77.78 90.28 90.28 SRBCT 36.14 53.73 68.43 40.12 54.22 60.24 46.99 63.68 74.70 74.46 Lung_Cancer 78.33 83.50 87.39 83.74 92.61 85.22 84.24 90.64 91.63 92.61 Prostate_Tumor 51.96 63.73 62.75 56.86 62.75 60.78 60.78 59.80 66.67 69.61 3.4 参数选择
LSC模型有两个参数: 正则参数 和近邻数k. 从图 5(a)可以看出, LSC聚类准确率对参数λ的变化不敏感,主要因为剔除大量不相关样本点,使得参数λ对实验结果的影响减弱,但还是建议将λ选在0.001~0.1之间.因为λ过大,LSSC求出的仿射矩阵将是0矩阵.另一个参数k通常取5~7之间能取得理想结果,大部分情况下k过大或过小可能导致准确率降低;而对于线性相关程度较大的数据,k 值可取较大值,这样可起到剔除噪声点的作用.综上,对于大部分数据集,λ取0.001~0.1 且k取5~7 时,LSC会得到较为理想的聚类结果.
4. 结论
考虑到实际应用中很多数据具有非线性特征,将k近邻局部线性表示引入子空间聚类,分别提出LSSC 和LLSR两种局部子空间聚类算法,两种算法均能较好克服原有算法全局线性的局限,较好地应用于非线性数据.同时,证明了LLSR模型具有局部聚集性,能够聚集局部样本.在图像数据和基因表达数据的实验中,发现LSSC 和LLSR均优于传统子空间聚类方法和其他对比方法,不仅在聚类准确率上有较大提高,且在运行时间上LSSC也取得明显改进.研究中发现LLSR和LSSC的聚类效果受k值影响,如何高效选取近邻数k将在以后的研究中给出.
-
图 1 广义雅斯贝思的“轴心时代”:三个世界与三个轴心时代
Fig. 1 Generalized Jasper's axial ages: three worlds and three axial ages
-
[1] 王飞跃.新IT与新轴心时代:未来的起源与目标.探索与争鸣, 2017年第10期:23-27 [2] 王飞跃. 面向人机物一体化CPSS的控制发展: 知识自动化的挑战与机遇. 见: 中国自动化大会暨自动化领域协同创新大会. 长沙: 中国自动化学会, 2013. [3] Wang F Y. The emergence of intelligent enterprises:from CPS to CPSS. IEEE Intelligent Systems, 2010, 25(4):85-88 doi: 10.1109/MIS.2010.104 [4] 王飞跃, 张俊, 王晓.知识计算和知识自动化:新轴心时代的核心需求.张江科技评论, 2017, (4):25-27 http://bbs.sciencenet.cn/blog-2374-1071599.html [5] 王飞跃. 迈向知识自动化. 中国科学报, 2013[Online], available: http://www.cas.cn/xw/zjsd/201401/t20140103_4009925.shtml, October 1, 2017 [6] 赵立权. 粒度计算的模型研究[博士学位论文], 安徽大学, 中国, 2007.Zhao Li-Quan. Study on the Model Granular Computing[Ph.D. dissertation], Anhui Universit, China, 2007. [7] 王飞跃.从社会计算到社会制造:一场即将来临的产业革命.中国科学院院刊, 2012, 27(6):658-669 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=kyyx201206001&dbname=CJFD&dbcode=CJFQWang Fei-Yue. From social computing to social manufacturing:the coming industrial revolution and new frontier in cyber-physical-social space. Bulletin of Chinese Academy of Sciences, 2012, 27(6):658-669 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=kyyx201206001&dbname=CJFD&dbcode=CJFQ [8] 王飞跃.软件定义的系统与知识自动化:从牛顿到默顿的平行升华.自动化学报, 2015, 41(1):1-8 http://www.aas.net.cn/CN/abstract/abstract18578.shtmlWang Fei-Yue. Software-defined systems and knowledge automation:a parallel paradigm shift from Newton to Merton. Acta Automatica Sinica, 2015, 41(1):1-8 http://www.aas.net.cn/CN/abstract/abstract18578.shtml [9] Zhu W, Wang F Y. The fourth type of covering-based rough sets. Information Sciences, 2012, 201(19):80-92 http://www.sciencedirect.com/science/article/pii/S002002551200045X [10] 马伯宁. 空间数据多尺度建模关键技术研究[博士学位论文], 国防科学技术大学, 中国, 2014.Ma Bo-Ning. Research on Spatial Data Multi-scale Modeling[Ph.D. dissertation], National University of Defense Technology, China, 2014. [11] 王飞跃, 莫红.关于二型模糊集合的一些基本问题.自动化学报, 2017, 43(7):1114-1141 http://www.aas.net.cn/CN/abstract/abstract19087.shtmlWang Fei-Yue, Mo Hong. Some fundamental issues on type-2 fuzzy sets. Acta Automatica Sinica, 2017, 43(7):1114-1141 http://www.aas.net.cn/CN/abstract/abstract19087.shtml [12] Zhang L, Zhang B. Quotient Space based Problem Solving A Theoretical Foundation of Granular Computing. Burlington:Elsevier Science, 2014. http://dl.acm.org/citation.cfm?id=2602436 [13] 徐计, 王国胤, 于洪.基于粒计算的大数据处理.计算机学报, 2015, 38(8):1497-1517 doi: 10.11897/SP.J.1016.2015.01497Xu Ji, Wang Guo-Yin, Yu Hong. Review of big data processing based on granular computing. Chinese Journal of Computers, 2015, 38(8):1497-1517 doi: 10.11897/SP.J.1016.2015.01497 [14] 张文修, 吴伟志, 梁吉业, 李德玉.粗糙集理论与方法.北京:科学出版社, 2001. [15] Pedrycz W, Skowron A, Kreinovich V. Handbook of Granular Computing. New York:John Wiley & Sons, 2008. [16] Zhu W, Wang F Y. A new type of covering rough set. In:Proceedings of the 3rd International IEEE Conference Intelligent Systems. London, UK:IEEE, 2006. 444-449 [17] 王飞跃.词计算和语言动力学系统的计算理论框架.模式识别与人工智能, 2001, 14(4):377-384 doi: 10.3969/j.issn.1003-6059.2001.04.001Wang Fei-Yue. Computing with words and a framework for computational linguistic dynamic systems. Pattern Recognition and Artificial Intelligence, 2001, 14(4):377-384 doi: 10.3969/j.issn.1003-6059.2001.04.001 [18] 王飞跃.词计算和语言动力学系统的基本问题和研究.自动化学报, 2005, 31(6):844-852 http://www.aas.net.cn/CN/abstract/abstract15941.shtmlWang Fei-Yue. Fundamental issues in research of computing with words and linguistic dynamic systems. Acta Automatica Sinica, 2005, 31(6):844-852 http://www.aas.net.cn/CN/abstract/abstract15941.shtml [19] Zhao L. Overview of linguistic dynamic systems based on perception information. In:Proceedings of the 31st Chinese Control Conference. Hefei, China:IEEE, 2012. 7519-7524 [20] 莫红.时变论域下的语言动力学轨迹.自动化学报, 2012, 38(10):1585-1594 http://www.aas.net.cn/CN/abstract/abstract17767.shtmlMo Hong. Linguistic dynamic orbits in the time varying universe of discourse. Acta Automatica Sinica, 2012, 38(10):1585-1594 http://www.aas.net.cn/CN/abstract/abstract17767.shtml [21] Li L, Lin Y L, Zheng N N, Wang F Y. Parallel learning:a perspective and a framework. IEEE/CAA Journal of Automatica Sinica, 2017, 4(3):389-395 doi: 10.1109/JAS.2017.7510493 [22] Wang F Y, Zhang J, Wei Q L, Zheng X H, Li L. PDP:parallel dynamic programming. IEEE/CAA Journal of Automatica Sinica, 2017, 4(1):1-5 doi: 10.1109/JAS.2017.7510310 [23] 李力, 林懿伦, 曹东璞, 郑南宁, 王飞跃.平行学习-机器学习的一个新型理论框架.自动化学报, 2017, 43(1):1-8 http://www.aas.net.cn/CN/abstract/abstract18984.shtmlLi Li, Lin Yi-Lun, Cao Dong-Pu, Zheng Nan-Ning, Wang Fei-Yue. Parallel learning-a new framework for machine learning. Acta Automatica Sinica, 2017, 43(1):1-8 http://www.aas.net.cn/CN/abstract/abstract18984.shtml [24] 王飞跃.平行控制:数据驱动的计算控制方法.自动化学报, 2013, 39(4):293-302 http://www.aas.net.cn/CN/abstract/abstract17915.shtmlWang Fei-Yue. Parallel control:a method for data-driven and computational control. Acta Automatica Sinica, 2013, 39(4):293-302 http://www.aas.net.cn/CN/abstract/abstract17915.shtml [25] Wang F Y, Wong P K. Intelligent systems and technology for integrative and predictive medicine:an ACP approach. ACM Transactions on Intelligent Systems and Technology, 2013, 4(2):Article No. 32 [26] 王飞跃, 杨柳青, 胡晓娅, 程翔, 韩双双, 杨坚.平行网络与网络软件化:一种新颖的网络架构.中国科学:信息科学, 2017, 47(7):811-831 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=pzkx201707001&dbname=CJFD&dbcode=CJFQWang Fei-Yue, Yang Liu-Qing, Hu Xiao-Ya, Cheng Xiang, Han Shuang-Shuang, Yang Jian. Parallel networks and network softwarization:a novel network architecture. Scientia Sinica Informationis, 2017, 47(7):811-831 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=pzkx201707001&dbname=CJFD&dbcode=CJFQ [27] Wang F Y, Yang L Q, Cheng X, Han S S, Yang J. Network softwarization and parallel networks:beyond software-defined networks. IEEE Network, 2016, 30(4):60-65 doi: 10.1109/MNET.2016.7513865 [28] 王飞跃, 杨坚, 韩双双, 杨柳青, 程翔.基于平行系统理论的平行网络架构.指挥与控制学报, 2016, 2(1):71-77 http://d.wanfangdata.com.cn/Periodical/zhykzxb201601012Wang Fei-Yue, Yang Jian, Han Shuang-Shuang, Yang Liu-Qing, Cheng Xiang. The framework of parallel network based on the parallel system theory. Journal of Command and Control, 2016, 2(1):71-77 http://d.wanfangdata.com.cn/Periodical/zhykzxb201601012 [29] 杨柳青, 王飞跃, 张艳丽, 韩双双, 杨坚, 赵恺, 程翔.基于ACP方法的城市平行停车系统.指挥与控制学报, 2015, 1(4):384-390 http://www.irgrid.ac.cn/handle/1471x/1047106?mode=fullYang Liu-Qing, Wang Fei-Yue, Zhang Yan-Li, Han Shuang-Shuang, Yang Jian, Zhao Kai, Cheng Xiang. The urban parallel parking system based on ACP approach. Journal of Command and Control, 2015, 1(4):384-390 http://www.irgrid.ac.cn/handle/1471x/1047106?mode=full [30] 韩双双, 王迎春, 要婷婷, 曹东璞, 王飞跃. 平行智能车: 基于CPSS的网联自动驾驶汽车. 见: 2017中国自动化大会暨中国国际智能制造大会. 济南, 中国: 中国自动化学会, 2017. [31] Wang F Y. Driving into the future with ITS. IEEE Intelligent Systems, 2006, 21(3):94-95 doi: 10.1109/MIS.2006.45 [32] 袁勇, 王飞跃.区块链技术发展现状与展望.自动化学报, 2016, 42(4):481-494 http://www.aas.net.cn/CN/abstract/abstract18837.shtmlYuan Yong, Wang Fei-Yue. Blockchain:the state of the art and future trends. Acta Automatica Sinica, 2016, 42(4):481-494 http://www.aas.net.cn/CN/abstract/abstract18837.shtml [33] 袁勇, 王飞跃.平行区块链:概念、方法与内涵解析.自动化学报, 2017, 43(10):1703-1712 http://www.aas.net.cn/CN/abstract/abstract19148.shtmlYuan Yong, Wang Fei-Yue. Parallel blockchain:concept, methods and issues. Acta Automatica Sinica, 2017, 43(10):1703-1712 http://www.aas.net.cn/CN/abstract/abstract19148.shtml [34] 王飞跃.智能与时代:历史的使命与未来.战略发展报告, 2009. [35] 王飞跃. 未来世界与复杂系统. 中国国际战略研究基金会"面向未来"复杂性科学专题讲座, 2009年11月20日 [36] 王飞跃. 面向未来-未来世界的复杂性. 科学发展与战略研究/中国国际战略研究基金会编著: 知识产权出版社, 北京, 2012年8月第1版, 137-162 [37] 王飞跃. 面向CPSS的指挥与控制: 关于平行军事体系的理论、方法及应用. 第一届中国指挥控制大会, 北京, 2013年8月5日 [38] 王飞跃. 基于软件定义的企业智能管理与控制: 基于ACP的平行系统方法, "探索·制造业的未来"西门子工业论坛, 北京, 2014年7月10日 [39] Wang F Y. Grids 5.0 and social energy:from internet of things to the society of minds. In:Proceedings of the 48th North American Power Symposium (NAPS). Denver, USA:September 19, 2016. [40] Wang F Y, ACP-based parallel systems:knowledge automation and smart adaptability for complex adaptive systems. In:Proceedings of the 2016 Complex Adaptive Systems Conference. Los Angeles, CA, USA:November 3, 2016. 期刊类型引用(46)
1. 刘同柱，柴培钰，李剑，李章兵. 智慧医院建设模式探讨. 中国卫生信息管理杂志. 2024(04): 512-517 . 
百度学术2. 王晓，杨林瑶，胡斌，侯家琛. 平行推理：一种基于ACP方法的虚实互动的知识协同框架. 智能科学与技术学报. 2023(01): 69-82 . 百度学术3. 李立睿，张嘉程，张博睿. 科研智能化视域下融合智能机器人的知识服务研究. 图书与情报. 2023(02): 61-68 . 百度学术4. 李诗濛，王飞跃. 平行设计：面向平行制造体系的非标机械方案设计流程. 智能科学与技术学报. 2023(02): 274-282 . 百度学术5. 马春萍. 5G在智慧医疗领域应用中的问题及对策. 河南科技. 2022(01): 150-153 . 百度学术6. 王宏鑫，骆盈旭，梁艳玲. 五计学发展的历史进程与演化特性. 图书情报工作. 2022(02): 32-44 . 百度学术7. 张珂，张利国. 基于移动边缘计算的GI/GI/1排队建模与调度算法. 自动化学报. 2022(07): 1737-1746 . 本站查看8. 王飞跃，郭剑波，卜广全，张俊. 人机互信的知识自动化与混合增强智能：复杂系统认知管控机制及其应用（英文）. Frontiers of Information Technology & Electronic Engineering. 2022(08): 1142-1158 . 百度学术9. 周伟，杜静，汪燕，刘嘉豪，黄荣怀. 面向智慧教育的学习环境计算框架. 现代远程教育研究. 2022(05): 91-100 . 百度学术10. 庄存波，刘检华，张雷. 工业5.0的内涵、体系架构和使能技术. 机械工程学报. 2022(18): 75-87 . 百度学术11. 刘检华，李坤平，庄存波，张雷. 大数据时代制造企业数字化转型的新内涵与技术体系. 计算机集成制造系统. 2022(12): 3707-3719 . 百度学术12. ZHANG Zhimin，YIN Rui，NING Huansheng. Internet of Brain, Thought, Thinking, and Creation. Chinese Journal of Electronics. 2022(06): 1025-1042 . 必应学术13. 谢煜坚，闫利文. 基于Niagara的物联网智能制造系统. 机床与液压. 2021(01): 91-95 . 百度学术14. 马子程，刘衡，张建琦. 智联网情境下企业商业模式创新的三阶段动力机制探究. 广东财经大学学报. 2021(01): 61-72 . 百度学术15. 王飞跃. 平行哲学：智能产业与智慧经济的本源及其目标. 中国科学院院刊. 2021(03): 308-318 . 百度学术16. 解则晓，李美慧. 机器学习在基于点云的三维物体识别领域的研究综述. 中国海洋大学学报(自然科学版). 2021(06): 125-130+98 . 百度学术17. 闾海荣，姜楠，许瑞坤，周容辰. 区块链在物联网中的应用态势分析. 数据与计算发展前沿. 2021(01): 34-47 . 百度学术18. 杜晓明，王晓，韩双双，王飞跃. 一种能效最大化的一体化观测网络任务调度优化方法. 系统工程理论与实践. 2021(06): 1547-1555 . 百度学术19. 李强，阳东升，孙江生，刘建军，费爱国，王飞跃. “社会认知战”:时代背景、概念机理及引领性技术. 指挥与控制学报. 2021(02): 97-106 . 百度学术20. 刘立，朱健成，韩光洁，毕远国. 基于1D-CNN联合特征提取的轴承健康监测与故障诊断. 软件学报. 2021(08): 2379-2390 . 百度学术21. 李诗濛，李俊青，王斌，王飞跃. 迈向“6S”智慧家居：智能科技与智慧生活. 电器. 2021(09): 46-51 . 百度学术22. 吴宇震，张俊，高天露，孙玉健，刘金旭. 平行港口：智慧绿色时代下港口工业智联网新形态与体系结构. 智能科学与技术学报. 2021(02): 218-227 . 百度学术23. 王飞跃. 平行哲学与智能技术：平行产业与智慧社会的对偶方程与测试基础. 智能科学与技术学报. 2021(03): 245-255 . 百度学术24. 刘同柱，徐兵，陶晓东. 基于“智联网”架构的分级诊疗模式探究. 中国卫生信息管理杂志. 2021(06): 718-723+728 . 百度学术25. 张建波，王宇，聂雪军，吴国庆，刘久军，严俊. 智慧渔业时代的深远海养殖平台控制系统. 物联网学报. 2021(04): 120-136 . 百度学术26. 王飞跃，蒋怀光. 平行电池:智能生态化电池技术与服务体系的框架和流程. 智能科学与技术学报. 2021(04): 521-531 . 百度学术27. 张俊，许沛东，王飞跃. 平行系统和数字孪生的一种数据驱动形式表示及计算框架. 自动化学报. 2020(07): 1346-1356 . 本站查看28. 王国政，郭剑波，马士聪，尚宇炜，郭庆来，卜广全，黄彦浩，曾思成，周子涵. 电力系统增强智能分析初探. 中国电机工程学报. 2020(16): 5079-5088 . 百度学术29. 苏振东，刘凡，杨瑞平，王飞跃. 基于蓝海信息网络的海洋环境平行监测体系建模研究. 自动化学报. 2020(08): 1582-1591 . 本站查看30. 程乐峰，余涛，张孝顺，殷林飞. 机器学习在能源与电力系统领域的应用和展望. 电力系统自动化. 2019(01): 15-43 . 百度学术31. 彭大天，董建敏，蔡忠闽，张长青，彭勤科. 假数据注入攻击下信息物理融合系统的稳定性研究. 自动化学报. 2019(01): 196-205 . 本站查看32. 邓洪权，陈金鹰，吴睿. 智联网在智能家居中的应用分析. 现代传输. 2019(02): 77-79 . 百度学术33. 贾斐，王雪梅，汪卫国. 5G通信技术在远程医疗中的应用. 信息通信技术与政策. 2019(06): 92-95 . 百度学术34. 杨林瑶，韩双双，王晓，李玉珂，王飞跃. 网络系统实验平台:发展现状及展望. 自动化学报. 2019(09): 1637-1654 . 本站查看35. 侯家琛，董西松，熊刚，张俊，谭珂. 平行核电：迈向智慧核电的智能技术. 智能科学与技术学报. 2019(02): 192-201 . 百度学术36. 杨林瑶，陈思远，王晓，张俊，王成红. 数字孪生与平行系统:发展现状、对比及展望. 自动化学报. 2019(11): 2001-2031 . 本站查看37. 马文学. 一体化指挥调度现状和发展趋势. 数字通信世界. 2018(07): 28-30 . 百度学术38. 姚飞，王晓. 王飞跃团队深度剖析:马化腾要建立的“智联网”, 有什么来头?. 自动化博览. 2018(06): 58-61 . 百度学术39. 王飞跃，张军，张俊，王晓. 工业智联网:基本概念、关键技术与核心应用. 自动化学报. 2018(09): 1606-1617 . 本站查看40. 袁照威，刘天保，卢清松，刘宁，牟伟腾. 燃煤电厂废水处理智慧平台探讨. 煤炭加工与综合利用. 2018(08): 32-36+48 . 百度学术41. 李立军，王晓，商秀芹. 平行制造及其在纺织鞋服产业中的应用. 科技导报. 2018(21): 48-55 . 百度学术42. 王飞跃，高彦臣，商秀芹，张俊. 平行制造与工业5.0:从虚拟制造到智能制造. 科技导报. 2018(21): 10-22 . 百度学术43. 张俊，王飞跃. 知识可编程智能芯片系统:概念、架构与展望. 模式识别与人工智能. 2018(10): 869-876 . 百度学术44. 曹幸梅，金富涵. 智慧城市视角下的行政单位国有资产管理模式探讨. 长江丛刊. 2018(32): 116+118 . 百度学术45. 陈雯柏，崔晓丽，郝翠，王文凯. 一种物联网系统层次型抗毁性拓扑构建方法. 北京邮电大学学报. 2018(05): 103-109+114 . 百度学术46. 王飞跃，孙奇，江国进，谭珂，张俊，侯家琛，熊刚，朱凤华，韩双双，董西松，王嫘. 核能5.0:智能时代的核电工业新形态与体系架构. 自动化学报. 2018(05): 922-934 . 本站查看其他类型引用(13)
-
下载:
下载:
计量
- 文章访问数: 4804
- HTML全文浏览量: 593
- PDF下载量: 1839
- 被引次数: 59
