• <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
    男女国产视频网站| 夜夜骑夜夜射夜夜干| 中文字幕最新亚洲高清| 又大又爽又粗| 深夜精品福利| 成年av动漫网址| 老司机福利观看| 欧美黑人欧美精品刺激| 岛国在线观看网站| 日韩有码中文字幕| 精品国产乱码久久久久久男人| 精品视频人人做人人爽| 妹子高潮喷水视频| 久久精品亚洲熟妇少妇任你| 极品人妻少妇av视频| 亚洲国产精品一区二区三区在线| 久久久久久亚洲精品国产蜜桃av| 91精品国产国语对白视频| 欧美成人午夜精品| 亚洲精品一二三| 久久精品国产亚洲av高清一级| 黄色片一级片一级黄色片| 国产精品一区二区在线不卡| 在线 av 中文字幕| 免费少妇av软件| www.av在线官网国产| 日本黄色日本黄色录像| 亚洲五月婷婷丁香| 欧美久久黑人一区二区| 精品国产超薄肉色丝袜足j| h视频一区二区三区| 久久人妻熟女aⅴ| 国产国语露脸激情在线看| 两个人看的免费小视频| 在线观看www视频免费| 欧美变态另类bdsm刘玥| 视频在线观看一区二区三区| 国产高清videossex| a级毛片黄视频| 免费少妇av软件| 免费女性裸体啪啪无遮挡网站| 日韩制服骚丝袜av| 最近最新中文字幕大全免费视频| 日韩电影二区| 精品一品国产午夜福利视频| 午夜精品国产一区二区电影| 丝袜在线中文字幕| 飞空精品影院首页| 亚洲伊人色综图| 男人添女人高潮全过程视频| 国产91精品成人一区二区三区 | av在线app专区| 国产在线观看jvid| 午夜福利,免费看| 免费女性裸体啪啪无遮挡网站| 99国产精品一区二区蜜桃av | av电影中文网址| 在线观看免费高清a一片| 久久国产精品人妻蜜桃| 丰满迷人的少妇在线观看| 国产精品免费视频内射| 91精品三级在线观看| 国产色视频综合| 精品第一国产精品| 国产高清视频在线播放一区 | 在线观看舔阴道视频| 韩国精品一区二区三区| 狠狠婷婷综合久久久久久88av| 国产区一区二久久| 欧美人与性动交α欧美软件| 国产xxxxx性猛交| 精品国产乱码久久久久久男人| 18禁裸乳无遮挡动漫免费视频| 又黄又粗又硬又大视频| 巨乳人妻的诱惑在线观看| 欧美xxⅹ黑人| 国产精品 欧美亚洲| 777久久人妻少妇嫩草av网站| 午夜福利一区二区在线看| 中国美女看黄片| 中国国产av一级| 亚洲三区欧美一区| 黄色视频不卡| 大码成人一级视频| 99热全是精品| 美女高潮到喷水免费观看| 最黄视频免费看| 99国产精品99久久久久| 美女午夜性视频免费| 欧美精品一区二区大全| 两个人看的免费小视频| av线在线观看网站| 天堂中文最新版在线下载| av网站在线播放免费| 国产精品1区2区在线观看. | a级毛片黄视频| 80岁老熟妇乱子伦牲交| 国产熟女午夜一区二区三区| 国产亚洲精品一区二区www | 女人高潮潮喷娇喘18禁视频| 亚洲欧美精品自产自拍| 精品第一国产精品| 韩国精品一区二区三区| 叶爱在线成人免费视频播放| www.熟女人妻精品国产| 国产高清视频在线播放一区 | 五月天丁香电影| 日本欧美视频一区| 久久久久国内视频| 亚洲精品国产色婷婷电影| 无限看片的www在线观看| 亚洲三区欧美一区| 久久精品国产a三级三级三级| 波多野结衣av一区二区av| 午夜福利一区二区在线看| 亚洲国产精品999| 十八禁网站免费在线| 国产成人精品无人区| 性少妇av在线| 国产av又大| av视频免费观看在线观看| 两个人免费观看高清视频| 国产一区二区激情短视频 | 成人国产av品久久久| 日本撒尿小便嘘嘘汇集6| 久久热在线av| 一边摸一边抽搐一进一出视频| 老熟女久久久| 男女午夜视频在线观看| 亚洲成av片中文字幕在线观看| 俄罗斯特黄特色一大片| 成人手机av| 国产亚洲欧美精品永久| 国产免费视频播放在线视频| 动漫黄色视频在线观看| 另类亚洲欧美激情| 国产国语露脸激情在线看| 国产在视频线精品| 欧美变态另类bdsm刘玥| 久久这里只有精品19| 色婷婷久久久亚洲欧美| 91精品三级在线观看| 菩萨蛮人人尽说江南好唐韦庄| 欧美精品啪啪一区二区三区 | 日韩一卡2卡3卡4卡2021年| 欧美 亚洲 国产 日韩一| 国产免费av片在线观看野外av| 欧美成狂野欧美在线观看| 真人做人爱边吃奶动态| h视频一区二区三区| 两性夫妻黄色片| 美女福利国产在线| 国产精品国产av在线观看| 亚洲熟女精品中文字幕| 女性被躁到高潮视频| kizo精华| 两人在一起打扑克的视频| 欧美激情久久久久久爽电影 | 精品少妇黑人巨大在线播放| 桃花免费在线播放| 国产成人a∨麻豆精品| 国产黄频视频在线观看| 亚洲av电影在线进入| 成年美女黄网站色视频大全免费| 丝袜人妻中文字幕| 久久久久国产一级毛片高清牌| www.熟女人妻精品国产| 免费在线观看视频国产中文字幕亚洲 | 午夜久久久在线观看| 脱女人内裤的视频| 一二三四在线观看免费中文在| 十八禁高潮呻吟视频| 国产三级黄色录像| 欧美中文综合在线视频| 亚洲精品一区蜜桃| 香蕉国产在线看| 亚洲精品国产av成人精品| 80岁老熟妇乱子伦牲交| 菩萨蛮人人尽说江南好唐韦庄| 精品福利观看| 美女高潮到喷水免费观看| 亚洲国产欧美在线一区| 国产高清视频在线播放一区 | 黑人巨大精品欧美一区二区mp4| 国产欧美日韩精品亚洲av| 国产成人欧美在线观看 | 一本综合久久免费| 亚洲久久久国产精品| 十分钟在线观看高清视频www| 黑人巨大精品欧美一区二区mp4| 日韩熟女老妇一区二区性免费视频| 91麻豆av在线| 狠狠精品人妻久久久久久综合| 日本a在线网址| 国产一区二区 视频在线| 十八禁高潮呻吟视频| 丝袜人妻中文字幕| 9191精品国产免费久久| www.999成人在线观看| 夜夜夜夜夜久久久久| 亚洲精品成人av观看孕妇| 午夜福利在线免费观看网站| 50天的宝宝边吃奶边哭怎么回事| 久热这里只有精品99| 精品熟女少妇八av免费久了| 亚洲欧美日韩另类电影网站| 久久人妻福利社区极品人妻图片| 高潮久久久久久久久久久不卡| 国产在线观看jvid| 久久这里只有精品19| 又紧又爽又黄一区二区| 黄频高清免费视频| 国产免费视频播放在线视频| 欧美老熟妇乱子伦牲交| 欧美另类亚洲清纯唯美| 伊人久久大香线蕉亚洲五| 交换朋友夫妻互换小说| 亚洲欧美一区二区三区久久| 99国产精品免费福利视频| 18禁裸乳无遮挡动漫免费视频| 热re99久久精品国产66热6| 中文字幕另类日韩欧美亚洲嫩草| 日本av手机在线免费观看| 国产日韩欧美在线精品| 一区二区av电影网| 欧美日韩黄片免| 男女之事视频高清在线观看| 精品卡一卡二卡四卡免费| 另类亚洲欧美激情| 国产亚洲欧美精品永久| 精品亚洲成国产av| 日韩人妻精品一区2区三区| 日韩大片免费观看网站| 欧美黑人精品巨大| 汤姆久久久久久久影院中文字幕| 高清在线国产一区| 一区二区三区激情视频| 久久av网站| 黄色片一级片一级黄色片| 免费在线观看视频国产中文字幕亚洲 | 日本欧美视频一区| 亚洲一区二区三区欧美精品| 一级毛片女人18水好多| 日本五十路高清| a级毛片在线看网站| 午夜久久久在线观看| 五月天丁香电影| 国产免费av片在线观看野外av| 两性夫妻黄色片| 在线观看舔阴道视频| 精品国产一区二区三区四区第35| 久久久久国产精品人妻一区二区| 欧美成人午夜精品| 日韩欧美一区二区三区在线观看 | 一二三四社区在线视频社区8| 这个男人来自地球电影免费观看| 亚洲精品国产一区二区精华液| 一区二区三区激情视频| 亚洲av日韩在线播放| 久久 成人 亚洲| 国产精品久久久人人做人人爽| 日本撒尿小便嘘嘘汇集6| 动漫黄色视频在线观看| 丝袜人妻中文字幕| 欧美性长视频在线观看| 99精国产麻豆久久婷婷| 色播在线永久视频| 欧美黑人欧美精品刺激| 青春草亚洲视频在线观看| 欧美97在线视频| 国产极品粉嫩免费观看在线| 国产一级毛片在线| 久久精品成人免费网站| 精品一区二区三区av网在线观看 | 妹子高潮喷水视频| 视频区欧美日本亚洲| 两个人看的免费小视频| 宅男免费午夜| 熟女少妇亚洲综合色aaa.| 99久久人妻综合| 久久性视频一级片| 精品少妇一区二区三区视频日本电影| 亚洲黑人精品在线| 国产精品熟女久久久久浪| 国产成人精品在线电影| 精品高清国产在线一区| 黄色视频不卡| 免费在线观看日本一区| 亚洲精品美女久久久久99蜜臀| 高清在线国产一区| 日韩电影二区| 欧美另类亚洲清纯唯美| 日韩 欧美 亚洲 中文字幕| 少妇人妻久久综合中文| 伊人久久大香线蕉亚洲五| 如日韩欧美国产精品一区二区三区| 手机成人av网站| 99国产综合亚洲精品| 一级毛片精品| 黑人巨大精品欧美一区二区蜜桃| 亚洲精品国产精品久久久不卡| 麻豆国产av国片精品| 99久久99久久久精品蜜桃| 午夜福利乱码中文字幕| 美女主播在线视频| 色婷婷久久久亚洲欧美| 巨乳人妻的诱惑在线观看| 国产福利在线免费观看视频| 可以免费在线观看a视频的电影网站| 国产精品久久久久成人av| 亚洲精品国产av蜜桃| 久久天堂一区二区三区四区| 亚洲av国产av综合av卡| 亚洲第一欧美日韩一区二区三区 | 亚洲国产欧美网| 在线天堂中文资源库| 9色porny在线观看| 国产伦理片在线播放av一区| 两个人看的免费小视频| 人人妻人人爽人人添夜夜欢视频| av一本久久久久| 日韩精品免费视频一区二区三区| 国产男人的电影天堂91| 男女无遮挡免费网站观看| 首页视频小说图片口味搜索| 日本91视频免费播放| 日本一区二区免费在线视频| 亚洲 国产 在线| 99精品久久久久人妻精品| 动漫黄色视频在线观看| 日韩大码丰满熟妇| 一级a爱视频在线免费观看| 永久免费av网站大全| 亚洲va日本ⅴa欧美va伊人久久 | 精品高清国产在线一区| 亚洲中文av在线| 色视频在线一区二区三区| 国产又色又爽无遮挡免| 两个人看的免费小视频| 91精品三级在线观看| 国产精品一区二区免费欧美 | 免费一级毛片在线播放高清视频 | 人人妻人人爽人人添夜夜欢视频| 正在播放国产对白刺激| 久久亚洲国产成人精品v| 高清在线国产一区| 亚洲精品国产av成人精品| 午夜福利免费观看在线| 精品高清国产在线一区| 黄色视频,在线免费观看| 脱女人内裤的视频| 日韩熟女老妇一区二区性免费视频| 脱女人内裤的视频| 成年人免费黄色播放视频| 成人影院久久| kizo精华| 国产精品一区二区免费欧美 | 真人做人爱边吃奶动态| 成人亚洲精品一区在线观看| 久久精品国产综合久久久| 午夜福利在线免费观看网站| 国产在视频线精品| 满18在线观看网站| av免费在线观看网站| 老鸭窝网址在线观看| 老司机亚洲免费影院| 狠狠婷婷综合久久久久久88av| 国产成+人综合+亚洲专区| 久久久国产精品麻豆| 热re99久久国产66热| 国产精品一区二区在线观看99| 大片免费播放器 马上看| 亚洲av电影在线进入| 国产免费一区二区三区四区乱码| 黄色视频,在线免费观看| 搡老熟女国产l中国老女人| 免费高清在线观看日韩| 国产亚洲精品一区二区www | 男女床上黄色一级片免费看| av又黄又爽大尺度在线免费看| 热re99久久精品国产66热6| 国产精品自产拍在线观看55亚洲 | 久久精品国产a三级三级三级| 叶爱在线成人免费视频播放| 视频区图区小说| 欧美 亚洲 国产 日韩一| 人人妻人人爽人人添夜夜欢视频| 青青草视频在线视频观看| 精品少妇黑人巨大在线播放| 99国产精品99久久久久| 久久中文字幕一级| 色婷婷久久久亚洲欧美| 午夜福利在线观看吧| 久久人人爽人人片av| 日韩大码丰满熟妇| 欧美 日韩 精品 国产| 午夜精品久久久久久毛片777| 12—13女人毛片做爰片一| 别揉我奶头~嗯~啊~动态视频 | 亚洲免费av在线视频| 91成人精品电影| 亚洲成国产人片在线观看| 巨乳人妻的诱惑在线观看| 亚洲精品国产一区二区精华液| 国产主播在线观看一区二区| 国产人伦9x9x在线观看| 日本黄色日本黄色录像| 亚洲欧美一区二区三区久久| 高清黄色对白视频在线免费看| 97人妻天天添夜夜摸| 日韩大码丰满熟妇| 中文字幕制服av| 性少妇av在线| 国产淫语在线视频| 中国国产av一级| 精品人妻熟女毛片av久久网站| av在线播放精品| 人人妻人人澡人人爽人人夜夜| 91九色精品人成在线观看| 国产免费福利视频在线观看| 老司机在亚洲福利影院| 亚洲五月婷婷丁香| 久久人人97超碰香蕉20202| av片东京热男人的天堂| 美女午夜性视频免费| www.熟女人妻精品国产| 欧美日本中文国产一区发布| 国产免费一区二区三区四区乱码| 高清黄色对白视频在线免费看| 亚洲精品一卡2卡三卡4卡5卡 | 色婷婷久久久亚洲欧美| 国产成人影院久久av| 老司机靠b影院| 国产一区二区在线观看av| 欧美精品高潮呻吟av久久| 法律面前人人平等表现在哪些方面 | 视频区图区小说| 午夜福利视频在线观看免费| 欧美少妇被猛烈插入视频| 欧美黄色片欧美黄色片| 丝袜美足系列| 亚洲av日韩在线播放| 亚洲专区国产一区二区| 免费在线观看影片大全网站| 99热国产这里只有精品6| 涩涩av久久男人的天堂| 高清av免费在线| 亚洲成人国产一区在线观看| 少妇猛男粗大的猛烈进出视频| 精品国产乱码久久久久久男人| 下体分泌物呈黄色| 成年人黄色毛片网站| 黑人巨大精品欧美一区二区蜜桃| 人妻久久中文字幕网| 久久天堂一区二区三区四区| 真人做人爱边吃奶动态| 在线看a的网站| 亚洲精品成人av观看孕妇| 美女主播在线视频| 久久精品亚洲熟妇少妇任你| 国产一区二区三区综合在线观看| 一级毛片电影观看| 日本欧美视频一区| 十分钟在线观看高清视频www| 成人国产一区最新在线观看| 欧美成狂野欧美在线观看| 免费日韩欧美在线观看| 性高湖久久久久久久久免费观看| 国产精品一区二区在线不卡| 午夜福利视频在线观看免费| 99热国产这里只有精品6| 亚洲精品一卡2卡三卡4卡5卡 | 亚洲国产欧美一区二区综合| 下体分泌物呈黄色| 黑丝袜美女国产一区| 成人影院久久| 人妻 亚洲 视频| 亚洲欧洲日产国产| 黄色视频不卡| 五月天丁香电影| 国产精品偷伦视频观看了| 韩国精品一区二区三区| www.精华液| 国产欧美日韩精品亚洲av| 一区二区三区乱码不卡18| 久久久久久久久久久久大奶| 美女视频免费永久观看网站| 成人国产av品久久久| 国产欧美亚洲国产| 欧美国产精品va在线观看不卡| 黄片大片在线免费观看| av在线app专区| 男女高潮啪啪啪动态图| 成人免费观看视频高清| 欧美日韩av久久| 久9热在线精品视频| 国产亚洲av片在线观看秒播厂| 久久久久精品国产欧美久久久 | 91大片在线观看| 91成年电影在线观看| 国产精品久久久久久精品电影小说| 香蕉国产在线看| 91成人精品电影| 国产高清国产精品国产三级| 黑丝袜美女国产一区| 久热爱精品视频在线9| 一进一出抽搐动态| 亚洲精品久久成人aⅴ小说| 脱女人内裤的视频| 久久99一区二区三区| 动漫黄色视频在线观看| 一本色道久久久久久精品综合| 18禁国产床啪视频网站| 亚洲国产欧美网| 亚洲激情五月婷婷啪啪| av线在线观看网站| 精品一区在线观看国产| 一个人免费在线观看的高清视频 | 久久国产精品大桥未久av| 国产精品久久久久久精品电影小说| 麻豆国产av国片精品| 啦啦啦免费观看视频1| 50天的宝宝边吃奶边哭怎么回事| 天堂中文最新版在线下载| 久久久久久免费高清国产稀缺| 桃花免费在线播放| 午夜福利,免费看| 国产在视频线精品| 亚洲美女黄色视频免费看| 天天躁狠狠躁夜夜躁狠狠躁| 黄色a级毛片大全视频| 免费观看av网站的网址| 婷婷色av中文字幕| av又黄又爽大尺度在线免费看| 在线精品无人区一区二区三| 国产精品熟女久久久久浪| 亚洲天堂av无毛| 欧美97在线视频| av国产精品久久久久影院| 男女下面插进去视频免费观看| 婷婷色av中文字幕| 午夜激情久久久久久久| 亚洲中文av在线| 亚洲精品一卡2卡三卡4卡5卡 | 国产无遮挡羞羞视频在线观看| 日韩大片免费观看网站| 亚洲久久久国产精品| 老司机亚洲免费影院| 99香蕉大伊视频| 在线观看免费视频网站a站| 少妇猛男粗大的猛烈进出视频| 中亚洲国语对白在线视频| 亚洲精品一区蜜桃| 国产一区二区 视频在线| 欧美激情高清一区二区三区| 蜜桃国产av成人99| 一级片'在线观看视频| 19禁男女啪啪无遮挡网站| 精品福利观看| 少妇人妻久久综合中文| 久久av网站| 在线十欧美十亚洲十日本专区| 国产欧美日韩一区二区精品| avwww免费| 99久久综合免费| 免费看十八禁软件| 精品人妻一区二区三区麻豆| 青青草视频在线视频观看| 在线看a的网站| 男人舔女人的私密视频| 久久ye,这里只有精品| 俄罗斯特黄特色一大片| 不卡一级毛片| 亚洲国产中文字幕在线视频| 精品久久久久久久毛片微露脸 | 69av精品久久久久久 | 成年人免费黄色播放视频| 9热在线视频观看99| 久久久精品国产亚洲av高清涩受| 亚洲成人国产一区在线观看| 亚洲va日本ⅴa欧美va伊人久久 | 国产1区2区3区精品| 国产精品av久久久久免费| 咕卡用的链子| 性色av乱码一区二区三区2| 成年人午夜在线观看视频| 亚洲七黄色美女视频| 美女国产高潮福利片在线看| 男女边摸边吃奶| 亚洲成人免费电影在线观看| 日韩人妻精品一区2区三区| 亚洲欧美精品综合一区二区三区| 麻豆av在线久日| 美女视频免费永久观看网站| 久久精品久久久久久噜噜老黄| 十八禁高潮呻吟视频| 久久久国产一区二区| a级片在线免费高清观看视频| 日本av手机在线免费观看| 女性生殖器流出的白浆| 欧美性长视频在线观看| 18在线观看网站| 男人舔女人的私密视频| 久久久久国产一级毛片高清牌| 国产欧美日韩一区二区三 | 免费在线观看影片大全网站| 成人国产av品久久久| 国产精品影院久久| 2018国产大陆天天弄谢| 欧美变态另类bdsm刘玥| 啦啦啦中文免费视频观看日本| 99国产精品一区二区蜜桃av | 久久久精品区二区三区| 成人三级做爰电影| 99精国产麻豆久久婷婷|