• <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 ?

    基于徑向基神經(jīng)網(wǎng)絡(luò)的新型協(xié)同過濾推薦算法

    2016-12-26 08:40:38葉蘭平朱二周
    計算機應(yīng)用與軟件 2016年11期
    關(guān)鍵詞:用戶數(shù)量神經(jīng)網(wǎng)絡(luò)協(xié)同

    葉蘭平 劉 鋒 朱二周

    (安徽大學(xué)計算機科學(xué)與技術(shù)學(xué)院 安徽 合肥 230601)

    ?

    基于徑向基神經(jīng)網(wǎng)絡(luò)的新型協(xié)同過濾推薦算法

    葉蘭平 劉 鋒 朱二周*

    (安徽大學(xué)計算機科學(xué)與技術(shù)學(xué)院 安徽 合肥 230601)

    針對傳統(tǒng)協(xié)同過濾推薦算法對目標(biāo)用戶的評分預(yù)測過于依賴鄰近用戶,而忽略目標(biāo)用戶自身評分特性的問題,提出一種改進的基于徑向基RBF(Radial Basis Function)神經(jīng)網(wǎng)絡(luò)的預(yù)測方法。該方法首先使用RBF神經(jīng)網(wǎng)絡(luò)對鄰近用戶的項目評分數(shù)據(jù)進行模型訓(xùn)練,得到基于該用戶的網(wǎng)絡(luò)評分模型;然后結(jié)合目標(biāo)用戶自身的評分進行計算,得到一個基于該模型的評分;最后結(jié)合所有鄰近用戶的模型評分預(yù)測出目標(biāo)用戶對目標(biāo)項目的最終評分。改進后的算法既借鑒了用戶之間的相似性,也考慮了目標(biāo)用戶自身的評分特性。實驗結(jié)果表明,改進后的協(xié)同過濾推薦算法可以獲得比傳統(tǒng)算法更好的推薦效果。

    協(xié)同過濾 評分偏差 RBF神經(jīng)網(wǎng)絡(luò) 用戶評分模型

    0 引 言

    當(dāng)前,協(xié)同過濾推薦算法主要研究用戶群對產(chǎn)品群的評分預(yù)測[1]。通過計算分析所有用戶對項目的評分找到與目標(biāo)用戶相似的鄰近用戶集合,將該集合中所有鄰近用戶對目標(biāo)項目的評分與目標(biāo)用戶之間的相似度相結(jié)合,用于預(yù)測目標(biāo)用戶對該目標(biāo)項目的評分[2-4]。但是在這種計算方式中,目標(biāo)用戶的評分結(jié)果太過依賴鄰近用戶的評分,而忽略了其自身的評分特性。與此同時,協(xié)同過濾推薦算法中的用戶評分數(shù)據(jù)稀疏以及新用戶加入時冷啟動等問題,都會對用戶之間相似度的計算產(chǎn)生比較大的影響[5]。

    當(dāng)評分數(shù)據(jù)比較稀疏或有新用戶加入時,計算所得用戶之間相似度的可靠性往往比較低,此時實質(zhì)上不太相似的兩個用戶看起來會比較相似。這樣的鄰近用戶對目標(biāo)項目的評分易產(chǎn)生比目標(biāo)用戶真實的評分過高或者過低的偶然性,而這種偶然性會造成目標(biāo)用戶的目標(biāo)項目評分預(yù)測產(chǎn)生較大誤差。

    為了降低這種誤差,需要把目標(biāo)用戶與鄰近用戶之間的相似度和目標(biāo)用戶自身的評分特性更好地結(jié)合起來。據(jù)此,本文提出一種基于RBF徑向基神經(jīng)網(wǎng)絡(luò)的對傳統(tǒng)協(xié)同過濾推薦算法進行改進的方法。首先,使用RBF神經(jīng)網(wǎng)絡(luò)對目標(biāo)用戶的每個鄰近用戶的評分數(shù)據(jù)進行建模;然后,把目標(biāo)用戶自身的評分數(shù)據(jù)輸入到建立好的網(wǎng)絡(luò)模型中,經(jīng)過計算可以得到一個基于該網(wǎng)絡(luò)模型的數(shù)據(jù)評分;最后,結(jié)合所有網(wǎng)絡(luò)模型的數(shù)據(jù)評分進行計算,就可以得到最終的預(yù)測結(jié)果。實驗表明,改進后的算法在評分數(shù)據(jù)比較稀疏和計算所用的鄰近用戶數(shù)量大的情況下,可以提高目標(biāo)用戶對目標(biāo)項目評分的準(zhǔn)確度。

    1 相關(guān)工作

    1.1 傳統(tǒng)的協(xié)同過濾推薦算法描述

    協(xié)同過濾推薦算法的基本假設(shè)是如果兩個用戶之間的興趣相類似,那么其中一個用戶很有可能會喜歡另外一個用戶感興趣的東西[6,7]?;谶@一點找出與目標(biāo)用戶興趣相近的鄰近用戶集合,然后借助該集合中鄰近用戶對目標(biāo)項目的喜好來預(yù)測目標(biāo)用戶對該項目的喜好程度。

    (1) 用戶—項目評分的表示

    假設(shè)在用戶評分數(shù)據(jù)庫中共包括s個用戶和t個項目,用U={u1,u2,…,us}表示這s個用戶集合,I={I1,I2,…,It}表示t個項目集合,則用戶評分數(shù)據(jù)可用一個二維矩陣表示,如表1所示。

    表1 用戶—項目評分表P(s×t)

    表1中Pi,j表示的是用戶ui對項目Ij的評分,通過該評分可以判斷用戶ui對項目Ij的喜好程度。

    (2) 用戶相似性度量的方法

    用戶之間相似度的計算通常轉(zhuǎn)化為用戶評分向量之間相似度的計算。本文采用向量空間相似性中的余弦相似性度量方法。標(biāo)準(zhǔn)的余弦相似性通過向量間的余弦夾角來度量[8]:

    (1)

    其中Pi,k、Pj,k分別表示用戶ui和uj對項目Ik的評分。

    為了更精確計算向量間的相似度,文獻[5]采用了修正余弦相似性度量方法。該方法選取了用戶ui和uj的評分交集(Iui∩Iuj),并定義為I′。此時,向量間相似度的計算如下:

    (2)

    (3) 協(xié)同過濾推薦結(jié)果的產(chǎn)生

    計算得到用戶之間相似度之后,找出與目標(biāo)用戶ui相似度最高的且對目標(biāo)項目Ik都有過評分的N(N≥1)個鄰近用戶,定義T(Ui)為這N個近鄰用戶的集合,所以有|T(Ui)|=N。通過式(3)就可以計算目標(biāo)用戶對目標(biāo)項目的評分:

    (3)

    1.2 RBF徑向基神經(jīng)網(wǎng)絡(luò)簡介

    RBF徑向基神經(jīng)網(wǎng)絡(luò)是一種高效的前饋式神經(jīng)網(wǎng)絡(luò),可以處理系統(tǒng)內(nèi)難以解析的規(guī)律性。同時,RBF神經(jīng)網(wǎng)絡(luò)也是一種局部逼近網(wǎng)絡(luò),故其具有很高的自學(xué)習(xí)效率[9,10]?,F(xiàn)今,該網(wǎng)絡(luò)主要應(yīng)用于解決函數(shù)曲線逼近和模式分類等問題。

    (4)

    其中,bj為一個正的標(biāo)量,表示高斯基函數(shù)的寬度;m是隱含層節(jié)點數(shù)量。網(wǎng)絡(luò)最后的輸出由如下加權(quán)函數(shù)實現(xiàn):

    (5)

    其中ωj是輸出層的權(quán)值。

    圖1 RBF徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

    RBF徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相比其他網(wǎng)絡(luò),具有更好的泛化能力,網(wǎng)絡(luò)結(jié)構(gòu)簡單,可以避免不必要的冗長計算。同時,研究表明,該網(wǎng)絡(luò)能在一個緊湊集和任意精度下,逼近任何非線性函數(shù)[11]?;谝陨戏治?,本文選擇使用RBF徑向基神經(jīng)網(wǎng)絡(luò)對傳統(tǒng)的協(xié)同過濾算法進行改進。

    2 基于RBF神經(jīng)網(wǎng)絡(luò)的協(xié)同過濾推薦算法

    2.1 傳統(tǒng)協(xié)同過濾推薦算法的缺陷

    為了說明本文提出的評分偶然性,建立如表2所示的一個“用戶—項目”評分表。該表中的數(shù)據(jù)取自豆瓣電影中的部分評分,為空的表項表示用戶在該項目上沒有評分。

    表2 用戶—項目評分表P(7×12)

    這里I1-I11為測試項目,I12作為目標(biāo)項目,這樣計算用戶之間相似度時只需使用用戶u1-u7對項目I1-I11的評分。

    計算得出用戶之間的相似度如表3所示。

    表3 基于表2的用戶相似度表

    從表3中選出相似度最大的4對鄰近用戶組,分別為[u6,u3]、 [ u6,u5]、[u7,u3]和[u7,u5] (按行優(yōu)先)。定義DIx(ui,uj)為用戶ui與uj在項目Ix上的評分差的絕對值,這個值越大則說明用戶之間評分的偏差就越大。

    從表2中看出,在對項目I1~I11的評分上,這4對鄰近用戶組的DIx(ui,uj)基本都在[0, 2]之間。但在對目標(biāo)項目I12的評分上,DI12(u7,u5)=4和DI12(u6,u5)=3的評分偏差就比較大了,而同樣是鄰近用戶組的[u6,u3]和[u7,u3]的評分偏差就比較正常。對目標(biāo)項目I12的評分中所出現(xiàn)的上述情況就是鄰近用戶對目標(biāo)項目的評分過高或者過低的偶然性,而在傳統(tǒng)的協(xié)同過濾推薦算法中卻忽略了這一點。

    2.2 改進型協(xié)同過濾推薦算法提出的依據(jù)

    從表2中用戶u5與u7的評分來看,u7的評分相比u5高一些,故P7,12=5符合其評分特性;而u5的評分要低一些,故P5,12=1也同樣符合u5的評分習(xí)慣。由于DI12(u7,u5)=4,如果P7,12=5借助來預(yù)測用戶u5對I12的評分則會產(chǎn)生較大偏差。同理,鄰近用戶組[u6,u3]之間也存在這個問題。如果把目標(biāo)用戶自身的評分特性和與鄰近用戶之間的相似性結(jié)合起來,計算所得的評分會更接近目標(biāo)用戶自身的真實評分,就可以達到縮小用戶之間評分偏差的目的。這種結(jié)合剛好可以使用RBF神經(jīng)網(wǎng)絡(luò)來完成。

    文獻[12]提出“如果兩個鄰近用戶的興趣愛好相似,那么他們對整體項目的評分曲線應(yīng)該是互相接近的”。據(jù)此我們分別作出表2中4對鄰近用戶組在他們共同評分項目上的評分曲線,如圖2-圖5所示。

    圖2 用戶u6、u3評分曲線圖

    圖3 用戶u6、u5評分曲線圖

    圖4 用戶u7、u3評分曲線圖

    圖5 用戶u5、u7評分曲線圖

    從圖2-圖5的4張曲線圖看出,除個別點外,兩個相鄰用戶的評分曲線在整體上的升降趨勢是一致的,說明兩條曲線之間是相互逼近的。由于RBF神經(jīng)網(wǎng)絡(luò)對非線性函數(shù)具有很好的逼近能力,則可以使用該網(wǎng)絡(luò)對鄰近用戶的評分來建立基于該用戶的網(wǎng)絡(luò)評分模型。把目標(biāo)用戶的項目評分輸入到訓(xùn)練好的模型中,經(jīng)過計算可以得到一個參考目標(biāo)用戶自身評分數(shù)據(jù)的初步評分結(jié)果。并在最后結(jié)合所有的初步評分結(jié)果對目標(biāo)項目進行預(yù)測。這種改進方式的優(yōu)點在于既考慮了用戶之間的相似性,也考慮了目標(biāo)用戶自身的評分特性。

    2.3 算法設(shè)計與實現(xiàn)

    基于RBF徑向基神經(jīng)網(wǎng)絡(luò)改進的協(xié)同過濾推薦算法主要的工作在于如何通過該網(wǎng)絡(luò)訓(xùn)練得到基于鄰近用戶評分數(shù)據(jù)的網(wǎng)絡(luò)模型。這里定義目標(biāo)用戶為ui,目標(biāo)項目為Ik,目標(biāo)用戶的鄰近用戶集合為T(ui),Px,k表示用戶ux對項目Ik的評分,Iux為用戶ux評分向量。Q(Iui,ux)為用戶ui、uj之間共同評分過的項目集合,即Q(Iui,ux)=Iui∩Iux,則用戶ux中屬于共同評分的項目為Q(Iui,ux)∩Iux,記作R(Iux)。

    算法步驟如下:

    (1) 計算目標(biāo)用戶的鄰近用戶集合T(ui)。

    (2) 建立基于用戶ux評分的RBF神經(jīng)網(wǎng)絡(luò)評分模型。首先,找出Iux中屬于共同評分的項目集合R(Iux)。其次,把該集合中所有項目的評分數(shù)據(jù)作為RBF神經(jīng)網(wǎng)絡(luò)的樣本輸入,訓(xùn)練網(wǎng)絡(luò)的樣本輸出為ux對目標(biāo)項目的評分Px,k,如圖6所示。經(jīng)過訓(xùn)練建立起來的網(wǎng)絡(luò)就是基于用戶ux評分的網(wǎng)絡(luò)模型,記作net(ux)。

    圖6 基于ux評分的網(wǎng)絡(luò)模型 圖7 基于ux評分的網(wǎng)絡(luò)輸出

    (4) 判斷ux是否是集合T(ui)的最后一個用戶。如果不是,則返回執(zhí)行步驟(2),直到計算完所有的相似用戶;如果是,則說明已經(jīng)收集完了所有基于鄰近用戶評分的網(wǎng)絡(luò)輸出,接下來執(zhí)行步驟(5)計算目標(biāo)用戶的最終評分。

    (5) 收集完所有鄰近用戶的網(wǎng)絡(luò)輸出評分后,使用如下改進的公式來計算ui對目標(biāo)項目的評分Pi,k:

    (6)

    算法的流程如圖8所示。

    圖8 基于RBF徑向基的神經(jīng)網(wǎng)絡(luò)推薦算法流程圖

    3 實驗結(jié)果與分析

    3.1 數(shù)據(jù)集

    本文實驗采用美國Minnesota大學(xué)的GroupLens項目小組創(chuàng)辦的Movielens數(shù)據(jù)集。該數(shù)據(jù)集至少有10萬條評分記錄,包括943個用戶對于1682部電影的評分。這里定義評分矩陣稀疏度為已有評分數(shù)量占影評總量的百分比。

    3.2 度量標(biāo)準(zhǔn)

    評價推薦系統(tǒng)推薦質(zhì)量的度量標(biāo)準(zhǔn)大多采用統(tǒng)計精度度量方法[12]。該方法中的平均絕對偏差MAE(Mean Absolute Error)方法不僅易于理解,而且還可以直觀地對推薦質(zhì)量進行度量。故本文采用該方法作為評價度量標(biāo)準(zhǔn)。平均絕對偏差通過計算用戶的預(yù)測評分與實際評分之間的偏差來度量預(yù)測的準(zhǔn)確性[13]。MAE值大小與推薦質(zhì)量之間成反比關(guān)系,也就是說MAE值越小,推薦質(zhì)量就越高。

    3.3 實驗結(jié)果與分析

    由于協(xié)同過濾推薦算法的推薦效果同時受到評分數(shù)據(jù)集稀疏度(λ)和鄰近用戶個數(shù)(N)兩個因素的影響,所以,在驗證改進算法時將圍繞這兩個因素進行對比。

    (1) 不同評分數(shù)據(jù)稀疏度算法的對比

    實驗中對原始數(shù)據(jù)進行隨機刪減,形成λ分別為2%、4%、6%、10%、12%、14%、16%、18%和20%的10個稀疏評分矩陣,并分別對這10個評分矩陣使用傳統(tǒng)的協(xié)同過濾推薦算法和本文提出的改進算法進行測試。這里固定鄰近集合的大小為15,這樣可以在相同鄰近用戶數(shù)量的情況下對比不同評分稀疏性對評分預(yù)測所帶來的影響。實驗所測的數(shù)據(jù)如表4所示。

    表4 不同評分數(shù)據(jù)稀疏度下的MAE值

    圖9為按照表4所作的直觀對比實驗結(jié)果。

    圖9 不同評分數(shù)據(jù)稀疏度結(jié)果對比圖

    從圖9可以看出,當(dāng)評分矩陣密度越小時,改進后的協(xié)同過濾算法的MAE值比原協(xié)同過濾算法的值小。當(dāng)密度不斷增大時,這兩種算法之間的MAE值不斷接近。這是因為在固定鄰近用戶數(shù)量的情況下,當(dāng)評分數(shù)據(jù)越稀疏時,所得到的鄰近用戶與目標(biāo)用戶之間相似度可靠性就越低??煽啃缘偷泥徑脩粼趯δ繕?biāo)項目的評分上產(chǎn)生過高或者過低的偶然性因素的概率就會越高。相反,當(dāng)評分密度大時,計算所得到的目標(biāo)用戶與鄰近用戶相似的可靠性也就越高,所以鄰近用戶與目標(biāo)用戶之間就更加相似,那么評分上的偶然性因素發(fā)生的概率就會降低。

    (2) 不同鄰近用戶數(shù)量上算法的對比

    在同一評分數(shù)據(jù)稀疏度,不同鄰近用戶數(shù)量下傳統(tǒng)算法和改進后算法的對比實驗中,鄰近用戶數(shù)量分別取5、15、25、35、45, λ固定為10%。實驗所測得的數(shù)據(jù)如表5和圖10所示。

    表5 不同鄰近用戶數(shù)量下的MAE值

    圖10 不同鄰近用戶數(shù)量下MAE值對比圖

    從圖10中看出,隨著鄰近用戶數(shù)量的不斷增多,兩種算法的MAE值都呈現(xiàn)了下降的趨勢,但改進后的算法要比傳統(tǒng)的算法下降得快一些。這說明改進后的算法在鄰近用戶數(shù)量越多時性能越好。分析原因,主要是在固定評分數(shù)據(jù)稀疏度下,隨著用于計算的鄰近用戶數(shù)量的增多,鄰近用戶與目標(biāo)用戶的相似度會越來越小,用戶之間相似可靠性也會隨之下降,導(dǎo)致鄰近用戶與目標(biāo)用戶在目標(biāo)項目上的評分差值增大。而使用改進后的算法能夠減小這兩個用戶對目標(biāo)項目評分之間的差值,從而提高了預(yù)測的精確度。

    4 結(jié) 語

    針對鄰近用戶對目標(biāo)項目評分上的偶然性偏大或者偏小因素給目標(biāo)用戶的預(yù)測結(jié)果帶來誤差的情況,本文使用了RBF徑向基神經(jīng)網(wǎng)絡(luò)對傳統(tǒng)的協(xié)同過濾推薦算法進行改進。改進后的算法在傳統(tǒng)算法的基礎(chǔ)上結(jié)合了目標(biāo)用戶自身的評分特性,達到了減小預(yù)測值與真實值之間評分偏差的目的,進而降低了鄰近用戶對目標(biāo)項目評分過高或者過低所帶來的偶然性誤差。實驗結(jié)果表明,與傳統(tǒng)推薦算法相比,改進后的推薦算法在數(shù)據(jù)評分稀疏和鄰近用戶數(shù)量大的情況下可以獲得更好的推薦效果。

    改進后的算法在原有算法的基礎(chǔ)上增加了對鄰近用戶評分建模這一步驟。如果單個鄰近用戶評分項目數(shù)量比較多的時,必然會增加網(wǎng)絡(luò)的訓(xùn)練時間,從而算法的運行整體運行效率會大大地降低。在將來的工作中將研究如何對鄰近用戶的項目評分數(shù)據(jù)進行優(yōu)化,提升RBF神經(jīng)網(wǎng)絡(luò)模型建模效率,降低改進后算法運行的代價。

    [1] Hu L,Song G H,Xie Z Z,et al.Personalized recommendation algorithm based on preference features[J].Tsinghua Science & Technology,2014,19(3):293-299.

    [2] 郭磊,馬軍,陳竹敏,等.一種結(jié)合推薦對象間關(guān)聯(lián)關(guān)系的社會化推薦算法[J].計算機學(xué)報,2014,37(1):219-228.

    [3] 馬宏偉,張光衛(wèi),李鵬.協(xié)同過濾推薦算法綜述[J].小型微型計算機系統(tǒng),2009,30(7):1282-1288.

    [4] 鄧曉懿,金淳,韓慶平,等.基于情境聚類和用戶評級的協(xié)同過濾推薦模型[J].系統(tǒng)工程理論與實踐,2013,33(11):2945-2953.

    [5] 黃創(chuàng)光,印鑒,汪靜,等.不確定近鄰的協(xié)同過濾推薦算法[J].計算機學(xué)報,2010,33(8):1369-1377.

    [6] 楊杰.個性化推薦系統(tǒng)應(yīng)用與研究[D].合肥:中國科學(xué)技術(shù)大學(xué),2009:16-22.

    [7] Yigit M,Bilgin B E,Karahoca A.Extended topology based recommendation system for unidirectional social networks[J].Expert Systems with Applications,2015,42(7):3653-3661.

    [8] Zhang Y,Liu Y D,Zhao J.Vector similarity measurement method[J].Technical Acoustics,2009,28(4):532-536.

    [9] Qiao Junfei,Han Honggui.Optimal Structure Design for RBFNN Structure[J].Acta Automatica Sinica,2010,36(6):865-872.

    [10] 周維華.RBF神經(jīng)網(wǎng)絡(luò)隱層結(jié)構(gòu)與參數(shù)優(yōu)化研究[D].上海:華東理工大學(xué),2014:13-21.

    [11] 劉金琨.RBF神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制MATLAB仿真[M].北京:清華大學(xué)出版社,2014:227-280.

    [12] 劉淇.基于用戶興趣建模的推薦方法及應(yīng)用研究[D].合肥:中國科學(xué)技術(shù)大學(xué),2013:33-58.

    [13] 楊芳,潘一飛,李杰,等.一種改進的協(xié)同過濾推薦算法[J].河北工業(yè)大學(xué)學(xué)報,2010,39(3):82-87.

    A NEW COLLABORATIVE FILTERING RECOMMENDATION ALGORITHM BASED ON RBF NEURAL NETWORK

    Ye Lanping Liu Feng Zhu Erzhou*

    (SchoolofComputerScienceandTechnology,AnhuiUniversity,Hefei230601,Anhui,China)

    Traditional collaborative filtering recommendation algorithms have the problem of over dependence on neighbouring users in the prediction of target users’ rating while neglecting the rating characteristic of target users themselves. Aiming at the problem, this paper proposes an improved RBF-based neural network prediction method. The method uses RBF (radial basis function) neural network to carry out model training on the projects rating data of neighbouring users first, and gets the target user-based network rating model; then it calculates in combination with the rating of target user its own to obtain a rating result which is based on the model; at last, it combines the model ratings of all the neighbouring users to predict the final rating of target user on target items. The improved algorithm learns from the similarity between neighbouring users and considers the rating characteristics of target user its own as well. Experimental results show that the improved collaborative filtering recommendation algorithm is able to achieve better recommendation results than the traditional algorithms.

    Collaborative filtering Rating deviation RBF neural network User rating data model

    2015-05-16。國家自然科學(xué)基金項目(61300169)。葉蘭平,碩士生,主研領(lǐng)域:智能計算。劉鋒,教授。朱二周,講師。

    TP301.6

    A

    10.3969/j.issn.1000-386x.2016.11.042

    猜你喜歡
    用戶數(shù)量神經(jīng)網(wǎng)絡(luò)協(xié)同
    蜀道難:車與路的協(xié)同進化
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    膠片相機的維修 當(dāng)膠片機出現(xiàn)問題了該怎么辦
    攝影之友(2019年8期)2019-03-31 03:06:19
    “四化”協(xié)同才有出路
    汽車觀察(2019年2期)2019-03-15 06:00:50
    三醫(yī)聯(lián)動 協(xié)同創(chuàng)新
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    基于支持向量機回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
    協(xié)同進化
    生物進化(2014年2期)2014-04-16 04:36:26
    印媒:中國微博用戶2013年減少2780萬
    亚洲人成77777在线视频| 国产一级毛片在线| 精品国产露脸久久av麻豆| av卡一久久| 可以免费在线观看a视频的电影网站 | 人成视频在线观看免费观看| 亚洲精品中文字幕在线视频| 久久 成人 亚洲| 最近最新中文字幕免费大全7| 国产爽快片一区二区三区| 久久久久视频综合| 欧美精品人与动牲交sv欧美| 欧美 日韩 精品 国产| av国产久精品久网站免费入址| 国产女主播在线喷水免费视频网站| 久久毛片免费看一区二区三区| 人妻系列 视频| 日本爱情动作片www.在线观看| 日韩一卡2卡3卡4卡2021年| 久久久久久久久久久久大奶| 少妇被粗大的猛进出69影院| 婷婷成人精品国产| 天天躁日日躁夜夜躁夜夜| av免费观看日本| 精品亚洲成a人片在线观看| 99久国产av精品国产电影| 欧美日韩视频高清一区二区三区二| 国产麻豆69| 亚洲一区二区三区欧美精品| 看免费成人av毛片| 欧美av亚洲av综合av国产av | 91精品国产国语对白视频| 亚洲av.av天堂| 中文天堂在线官网| 久久久久国产网址| 免费黄频网站在线观看国产| 午夜激情av网站| 高清不卡的av网站| 可以免费在线观看a视频的电影网站 | 飞空精品影院首页| 最近手机中文字幕大全| 欧美另类一区| 亚洲美女视频黄频| 这个男人来自地球电影免费观看 | 国产又色又爽无遮挡免| 国产精品蜜桃在线观看| 国产精品熟女久久久久浪| 97在线视频观看| 国产欧美日韩综合在线一区二区| 伊人亚洲综合成人网| 国产白丝娇喘喷水9色精品| 男女无遮挡免费网站观看| 精品久久久久久电影网| 狠狠婷婷综合久久久久久88av| 赤兔流量卡办理| 波多野结衣av一区二区av| 人妻系列 视频| 亚洲欧美一区二区三区久久| 国产精品一区二区在线不卡| 色婷婷av一区二区三区视频| 欧美亚洲 丝袜 人妻 在线| 国产成人精品久久久久久| 日本黄色日本黄色录像| 免费黄频网站在线观看国产| 丝袜在线中文字幕| 狂野欧美激情性bbbbbb| 午夜福利影视在线免费观看| 亚洲国产精品一区三区| 精品午夜福利在线看| 免费在线观看黄色视频的| 亚洲激情五月婷婷啪啪| 久久人妻熟女aⅴ| 岛国毛片在线播放| 亚洲男人天堂网一区| 91成人精品电影| 天堂俺去俺来也www色官网| 国产精品熟女久久久久浪| 一二三四中文在线观看免费高清| 亚洲欧洲精品一区二区精品久久久 | 国产乱来视频区| 久久国产亚洲av麻豆专区| 亚洲av福利一区| 国产 一区精品| 中文天堂在线官网| 欧美最新免费一区二区三区| 人人妻人人爽人人添夜夜欢视频| 亚洲成人av在线免费| 香蕉丝袜av| 在线天堂最新版资源| 国产精品香港三级国产av潘金莲 | 天天操日日干夜夜撸| 国产探花极品一区二区| 国产亚洲精品第一综合不卡| 一级黄片播放器| 日韩欧美精品免费久久| 天堂8中文在线网| 又粗又硬又长又爽又黄的视频| 最近最新中文字幕免费大全7| 免费在线观看黄色视频的| 91国产中文字幕| 日本色播在线视频| 欧美精品一区二区大全| 欧美日韩综合久久久久久| 深夜精品福利| 久久这里有精品视频免费| 新久久久久国产一级毛片| 欧美 日韩 精品 国产| 女性被躁到高潮视频| 天天躁日日躁夜夜躁夜夜| 91在线精品国自产拍蜜月| 免费av中文字幕在线| 日韩中文字幕视频在线看片| 69精品国产乱码久久久| freevideosex欧美| 国产av码专区亚洲av| 日本黄色日本黄色录像| 深夜精品福利| 日本黄色日本黄色录像| 欧美黄色片欧美黄色片| 人妻一区二区av| kizo精华| 午夜福利乱码中文字幕| 日韩视频在线欧美| 日日啪夜夜爽| www.自偷自拍.com| 女人被躁到高潮嗷嗷叫费观| 国产一级毛片在线| 建设人人有责人人尽责人人享有的| 超碰97精品在线观看| 另类精品久久| 国产日韩欧美视频二区| 一级黄片播放器| 最近的中文字幕免费完整| av女优亚洲男人天堂| 婷婷色综合www| av在线播放精品| 国精品久久久久久国模美| 精品少妇久久久久久888优播| 成人影院久久| 国产亚洲最大av| 中文精品一卡2卡3卡4更新| 免费不卡的大黄色大毛片视频在线观看| 亚洲欧洲国产日韩| 免费人妻精品一区二区三区视频| 中文字幕另类日韩欧美亚洲嫩草| 久久久久久久久久人人人人人人| 熟女电影av网| 免费女性裸体啪啪无遮挡网站| 色94色欧美一区二区| 国产探花极品一区二区| 人人妻人人爽人人添夜夜欢视频| 赤兔流量卡办理| 人妻 亚洲 视频| 国产免费又黄又爽又色| av在线app专区| 精品亚洲成国产av| 精品人妻一区二区三区麻豆| av线在线观看网站| 熟妇人妻不卡中文字幕| 国产精品蜜桃在线观看| 欧美成人午夜免费资源| 女人高潮潮喷娇喘18禁视频| 99久久人妻综合| 免费少妇av软件| 久久国产精品男人的天堂亚洲| 一区福利在线观看| 精品一品国产午夜福利视频| 久久婷婷青草| 日韩一区二区视频免费看| 久久国产精品男人的天堂亚洲| 久久久国产欧美日韩av| 午夜福利视频在线观看免费| 波多野结衣av一区二区av| 精品亚洲成国产av| 亚洲美女搞黄在线观看| 丝瓜视频免费看黄片| 伊人久久国产一区二区| 十八禁网站网址无遮挡| 国产成人精品久久二区二区91 | 少妇精品久久久久久久| 国产日韩欧美亚洲二区| 国产欧美亚洲国产| 黑丝袜美女国产一区| 美女大奶头黄色视频| 午夜福利网站1000一区二区三区| 制服诱惑二区| 菩萨蛮人人尽说江南好唐韦庄| 亚洲av.av天堂| 日本wwww免费看| 亚洲精品乱久久久久久| √禁漫天堂资源中文www| 亚洲av电影在线观看一区二区三区| 久久青草综合色| 国产免费视频播放在线视频| 国产免费一区二区三区四区乱码| 精品久久久精品久久久| 国产精品嫩草影院av在线观看| 美女国产高潮福利片在线看| 少妇人妻精品综合一区二区| 精品国产超薄肉色丝袜足j| 妹子高潮喷水视频| 女的被弄到高潮叫床怎么办| 精品99又大又爽又粗少妇毛片| 极品少妇高潮喷水抽搐| 亚洲欧美色中文字幕在线| 日韩欧美一区视频在线观看| 伦精品一区二区三区| 看免费成人av毛片| 成年美女黄网站色视频大全免费| 91午夜精品亚洲一区二区三区| 亚洲人成电影观看| 国产熟女午夜一区二区三区| 欧美bdsm另类| 最黄视频免费看| 菩萨蛮人人尽说江南好唐韦庄| 777米奇影视久久| 成人影院久久| 精品少妇内射三级| 久久久久网色| 韩国高清视频一区二区三区| 亚洲美女搞黄在线观看| 久久狼人影院| 欧美黄色片欧美黄色片| 国产欧美亚洲国产| 中文天堂在线官网| 91国产中文字幕| 99热国产这里只有精品6| 精品午夜福利在线看| 国产片内射在线| 日日爽夜夜爽网站| 不卡av一区二区三区| 啦啦啦啦在线视频资源| 老熟女久久久| 男女无遮挡免费网站观看| 国产在线视频一区二区| 免费女性裸体啪啪无遮挡网站| 亚洲精品自拍成人| 久久久久久伊人网av| 欧美日韩亚洲国产一区二区在线观看 | 国产 精品1| 国产成人欧美| 久久久久久久亚洲中文字幕| 国产亚洲精品第一综合不卡| 蜜桃国产av成人99| 日本欧美视频一区| 亚洲,欧美精品.| 天堂中文最新版在线下载| 国产精品一国产av| 极品人妻少妇av视频| 成人影院久久| 天天躁日日躁夜夜躁夜夜| 建设人人有责人人尽责人人享有的| 日日啪夜夜爽| 日韩一区二区视频免费看| 亚洲国产日韩一区二区| 欧美精品一区二区大全| 国产高清国产精品国产三级| 亚洲国产最新在线播放| 97精品久久久久久久久久精品| 久久精品国产a三级三级三级| 国产精品二区激情视频| 满18在线观看网站| 国产欧美日韩综合在线一区二区| 丰满乱子伦码专区| 色播在线永久视频| 久久精品夜色国产| 久久精品国产a三级三级三级| 国产不卡av网站在线观看| www.av在线官网国产| 国产精品国产三级专区第一集| 美女国产视频在线观看| 亚洲精品国产色婷婷电影| 老司机亚洲免费影院| 欧美 日韩 精品 国产| 一区二区日韩欧美中文字幕| 色网站视频免费| 成人手机av| 久久久久国产一级毛片高清牌| 午夜免费鲁丝| 最近2019中文字幕mv第一页| 免费少妇av软件| 日韩,欧美,国产一区二区三区| 高清黄色对白视频在线免费看| 亚洲欧美成人综合另类久久久| 中文字幕最新亚洲高清| 亚洲综合精品二区| 亚洲精品在线美女| 亚洲精品美女久久久久99蜜臀 | 可以免费在线观看a视频的电影网站 | www.av在线官网国产| 中文天堂在线官网| 七月丁香在线播放| 美女xxoo啪啪120秒动态图| 中文乱码字字幕精品一区二区三区| 国产乱人偷精品视频| 91精品三级在线观看| 成年美女黄网站色视频大全免费| 波多野结衣一区麻豆| 高清av免费在线| 国产1区2区3区精品| 侵犯人妻中文字幕一二三四区| 日本91视频免费播放| 国产精品二区激情视频| 欧美精品人与动牲交sv欧美| 国产成人91sexporn| 观看美女的网站| 在线免费观看不下载黄p国产| 国产免费又黄又爽又色| 国产精品一区二区在线观看99| 黄片无遮挡物在线观看| 成人18禁高潮啪啪吃奶动态图| 麻豆乱淫一区二区| 精品视频人人做人人爽| 亚洲欧美一区二区三区黑人 | 99热全是精品| 80岁老熟妇乱子伦牲交| 在线看a的网站| 日韩不卡一区二区三区视频在线| 天天躁日日躁夜夜躁夜夜| 欧美成人午夜免费资源| 欧美激情极品国产一区二区三区| 日韩一本色道免费dvd| 大片电影免费在线观看免费| 最近手机中文字幕大全| 欧美成人午夜免费资源| 黄色一级大片看看| 美女大奶头黄色视频| 亚洲一级一片aⅴ在线观看| 久久午夜福利片| 在线亚洲精品国产二区图片欧美| 久久毛片免费看一区二区三区| 成人毛片a级毛片在线播放| 美女国产视频在线观看| 精品卡一卡二卡四卡免费| 亚洲国产精品国产精品| 欧美+日韩+精品| 中文天堂在线官网| 亚洲av福利一区| 午夜福利影视在线免费观看| 999久久久国产精品视频| 99re6热这里在线精品视频| 日韩av不卡免费在线播放| 成人国产av品久久久| 美女视频免费永久观看网站| 免费看不卡的av| 成人毛片a级毛片在线播放| 免费不卡的大黄色大毛片视频在线观看| 观看美女的网站| 99热全是精品| 18+在线观看网站| 日韩人妻精品一区2区三区| 啦啦啦在线观看免费高清www| 日韩欧美精品免费久久| 国产在线一区二区三区精| 欧美最新免费一区二区三区| 大片免费播放器 马上看| 国产精品久久久久久久久免| 18禁国产床啪视频网站| 日韩av在线免费看完整版不卡| 国产亚洲欧美精品永久| 亚洲欧美清纯卡通| 97在线人人人人妻| 夫妻性生交免费视频一级片| 久久久精品国产亚洲av高清涩受| 热re99久久国产66热| 伊人久久大香线蕉亚洲五| 老司机影院毛片| 日本vs欧美在线观看视频| 夜夜骑夜夜射夜夜干| 免费黄网站久久成人精品| 色94色欧美一区二区| 精品一区二区免费观看| 午夜福利视频精品| 18禁观看日本| 色94色欧美一区二区| 中文字幕色久视频| 美女国产高潮福利片在线看| 青春草视频在线免费观看| 美女大奶头黄色视频| www.熟女人妻精品国产| 秋霞在线观看毛片| 欧美老熟妇乱子伦牲交| 中文欧美无线码| 夜夜骑夜夜射夜夜干| 久久这里有精品视频免费| 日韩av在线免费看完整版不卡| 久久久久人妻精品一区果冻| 黄网站色视频无遮挡免费观看| 高清视频免费观看一区二区| 少妇被粗大猛烈的视频| 亚洲精品国产av成人精品| 秋霞伦理黄片| 超色免费av| xxxhd国产人妻xxx| av在线app专区| 久久99一区二区三区| 青青草视频在线视频观看| 午夜精品国产一区二区电影| 久久精品人人爽人人爽视色| 最近最新中文字幕免费大全7| 色婷婷久久久亚洲欧美| 精品视频人人做人人爽| 丝袜人妻中文字幕| xxxhd国产人妻xxx| 乱人伦中国视频| 一级毛片黄色毛片免费观看视频| 国产精品人妻久久久影院| 最近2019中文字幕mv第一页| 国产成人一区二区在线| 国产男女内射视频| 国精品久久久久久国模美| 午夜福利乱码中文字幕| 这个男人来自地球电影免费观看 | 日韩制服骚丝袜av| 亚洲欧美清纯卡通| 男女无遮挡免费网站观看| 日韩一本色道免费dvd| 国产一区二区 视频在线| 久久久久久久大尺度免费视频| 老司机影院毛片| 亚洲综合色网址| 欧美成人午夜精品| 亚洲国产日韩一区二区| 性少妇av在线| 国产黄色视频一区二区在线观看| 欧美激情 高清一区二区三区| 日本午夜av视频| 亚洲成人手机| 欧美精品高潮呻吟av久久| 一级片免费观看大全| 校园人妻丝袜中文字幕| 国产爽快片一区二区三区| 天堂中文最新版在线下载| 男女边吃奶边做爰视频| 成人二区视频| 波野结衣二区三区在线| 欧美中文综合在线视频| 亚洲国产欧美日韩在线播放| 波野结衣二区三区在线| 国产精品三级大全| 黄色 视频免费看| 亚洲成人av在线免费| 国产高清国产精品国产三级| 亚洲伊人色综图| 纵有疾风起免费观看全集完整版| 丰满迷人的少妇在线观看| 男人舔女人的私密视频| 亚洲国产精品一区二区三区在线| 久久午夜综合久久蜜桃| 久久精品国产鲁丝片午夜精品| 国产精品一区二区在线观看99| 国产女主播在线喷水免费视频网站| 久久人人爽av亚洲精品天堂| 日本91视频免费播放| 中文欧美无线码| 亚洲精品国产av成人精品| 熟女av电影| 桃花免费在线播放| 人妻系列 视频| 久久女婷五月综合色啪小说| 国产综合精华液| 欧美精品高潮呻吟av久久| 久久99蜜桃精品久久| 精品久久久精品久久久| 国产又色又爽无遮挡免| 亚洲伊人久久精品综合| 亚洲国产色片| 黄色一级大片看看| av天堂久久9| 久久久久久久亚洲中文字幕| 成人黄色视频免费在线看| 免费黄色在线免费观看| 在线天堂最新版资源| 看免费av毛片| 国产淫语在线视频| 男人操女人黄网站| 色婷婷久久久亚洲欧美| 亚洲精品美女久久久久99蜜臀 | 国产精品久久久久久久久免| 最近最新中文字幕大全免费视频 | 97人妻天天添夜夜摸| 久久久久久久亚洲中文字幕| 中文欧美无线码| 国产精品久久久久成人av| 亚洲精品美女久久久久99蜜臀 | 一级爰片在线观看| 91aial.com中文字幕在线观看| 亚洲四区av| 欧美日韩综合久久久久久| 制服人妻中文乱码| 国产亚洲精品第一综合不卡| 国产极品天堂在线| 人妻人人澡人人爽人人| 亚洲第一青青草原| 最近最新中文字幕免费大全7| 精品国产超薄肉色丝袜足j| 香蕉丝袜av| 观看美女的网站| 亚洲国产看品久久| 免费在线观看黄色视频的| 欧美精品亚洲一区二区| 夫妻性生交免费视频一级片| 一级毛片电影观看| 精品亚洲成a人片在线观看| 亚洲一区二区三区欧美精品| videossex国产| 国产成人一区二区在线| 777米奇影视久久| 自线自在国产av| 免费高清在线观看视频在线观看| 亚洲精品国产av成人精品| 99国产精品免费福利视频| 又粗又硬又长又爽又黄的视频| 美女视频免费永久观看网站| 成人毛片a级毛片在线播放| 精品卡一卡二卡四卡免费| 免费在线观看完整版高清| 亚洲一级一片aⅴ在线观看| 999精品在线视频| av网站免费在线观看视频| 亚洲综合精品二区| 国产在线视频一区二区| 国产人伦9x9x在线观看 | 久久久亚洲精品成人影院| 热re99久久国产66热| 不卡视频在线观看欧美| 一区二区三区四区激情视频| 亚洲久久久国产精品| 国产片内射在线| 男女无遮挡免费网站观看| 最近最新中文字幕免费大全7| 纯流量卡能插随身wifi吗| 亚洲av国产av综合av卡| 老司机影院成人| 免费观看av网站的网址| 国产精品久久久久久av不卡| 久久av网站| 伦理电影免费视频| 日韩电影二区| 十分钟在线观看高清视频www| 欧美成人午夜免费资源| 黄片无遮挡物在线观看| 精品少妇一区二区三区视频日本电影 | 精品第一国产精品| 秋霞伦理黄片| 中文精品一卡2卡3卡4更新| 十八禁高潮呻吟视频| 久久精品久久久久久噜噜老黄| 婷婷色av中文字幕| 成人手机av| 超碰97精品在线观看| 超色免费av| 侵犯人妻中文字幕一二三四区| av网站免费在线观看视频| 亚洲av免费高清在线观看| 国产熟女欧美一区二区| 亚洲成人手机| 亚洲成色77777| 国产免费视频播放在线视频| 看免费成人av毛片| 国产精品女同一区二区软件| 两个人免费观看高清视频| 啦啦啦在线观看免费高清www| 精品亚洲成a人片在线观看| 极品人妻少妇av视频| av线在线观看网站| 久久精品国产自在天天线| 999精品在线视频| 国产精品无大码| 久久久久久免费高清国产稀缺| 亚洲精品久久久久久婷婷小说| 国产 精品1| av网站免费在线观看视频| 9热在线视频观看99| 纵有疾风起免费观看全集完整版| 99久久精品国产国产毛片| 叶爱在线成人免费视频播放| 久久精品国产综合久久久| 国产一区二区激情短视频 | 久久人人爽av亚洲精品天堂| 1024香蕉在线观看| 青春草亚洲视频在线观看| 欧美激情 高清一区二区三区| 国产日韩一区二区三区精品不卡| 亚洲视频免费观看视频| 国产高清国产精品国产三级| av视频免费观看在线观看| 成人影院久久| 免费看不卡的av| 中国国产av一级| 午夜免费观看性视频| 日韩av免费高清视频| 成年动漫av网址| 欧美日韩亚洲国产一区二区在线观看 | 欧美日韩精品成人综合77777| 黄网站色视频无遮挡免费观看| 丝袜人妻中文字幕| 国产日韩欧美视频二区| 亚洲精品视频女| 一区二区三区激情视频| 香蕉国产在线看| 美女视频免费永久观看网站| 成人黄色视频免费在线看| 老汉色∧v一级毛片| 午夜av观看不卡| 欧美日韩亚洲高清精品| av福利片在线| 自线自在国产av| 久久这里只有精品19| 久久精品国产鲁丝片午夜精品| 日本vs欧美在线观看视频| videos熟女内射| 777米奇影视久久| 秋霞伦理黄片| 搡老乐熟女国产|