Multi-Source Data Fusion and Target Tracking of Heterogeneous Network Based on Data Mining
Notice bibliographique
Résumé
Thanks to the technical development of target tracking, the multi-source data fusion and target tracking has become a hotspot in the research of huge heterogenous networks. Based on millimeter wave heterogeneous network, this paper constructs a multi-source data fusion and target tracking model. The core of the model is the data mining deep Q network (DM-DQN). Through image filling, the length of the input vector (time window) was extended from 25 to 31, with the aid of CNN heterogeneous network technology. This is to keep the length of input vector in line with that of output vector, and retain the time features of eye tracking data to the greatest extent, thereby expanding the recognition range. Experimental results show that the proposed model achieved a modified mean error of only 1.5m with a tracking time of 160s, that is, the tracking effect is ideal. That is why the DM-DQN outperformed other algorithms in total user delay. The algorithm can improve the energy efficiency of the network, while ensuring the quality of service of the user. In the first 50 iterations, DM-DQN worked poorer than structured data mining. After 50 iterations, DM-DQN began to learn the merits of the latter. After 100 iterations, both DM-DQN and structured data mining tended to be stable, and the former had the better performance. Compared with typical structured data mining, the proposed DM-DQN not only converges fast, but also boasts a relatively good performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».