一種基于相互約束的模糊數(shù)據(jù)分類(lèi)方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于相互約束的模糊數(shù)據(jù)分類(lèi)方法，用于信息類(lèi)別模式的建立和數(shù)據(jù)類(lèi)別分析，其關(guān)鍵點(diǎn)在于：利用基于彈性理論的4點(diǎn)中心邊界算法構(gòu)造類(lèi)別規(guī)則（五元組模式），利用基于約束規(guī)則的模式微調(diào)和基于自學(xué)習(xí)的分類(lèi)規(guī)則優(yōu)化進(jìn)行類(lèi)別規(guī)則（五元組）的優(yōu)化和調(diào)整。該算法具備特殊樣本（當(dāng)前未知類(lèi)別）檢測(cè)能力，適合于普適數(shù)據(jù)的分類(lèi)分析挖掘，對(duì)于離群點(diǎn)、類(lèi)別拓?fù)洳灰?guī)則和“尖銳邊界”問(wèn)題有較好的適應(yīng)力，同時(shí)，適用于數(shù)據(jù)量大、不能一次性讀入內(nèi)存的數(shù)據(jù)集進(jìn)行分類(lèi)分析，具有類(lèi)別自主調(diào)整和標(biāo)識(shí)功能。同現(xiàn)有的算法相比較，算法平均識(shí)別率達(dá)99.47%，平均誤報(bào)率僅為5.2%，算法運(yùn)行速度略低于傳統(tǒng)算法。
【專(zhuān)利說(shuō)明】一種基于相互約束的模糊數(shù)據(jù)分類(lèi)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)信息【技術(shù)領(lǐng)域】，特別涉及一種基于相互約束的模糊數(shù)據(jù)分類(lèi)方法。
【背景技術(shù)】
[0002]模糊分類(lèi)分析是當(dāng)前非常重要的研究和應(yīng)用課題，在工程技術(shù)和經(jīng)濟(jì)領(lǐng)域有著廣泛的應(yīng)用。
[0003]模糊分類(lèi)分析是基于模糊理論對(duì)已知類(lèi)別信息的數(shù)據(jù)進(jìn)行學(xué)習(xí)，獲取相應(yīng)類(lèi)別的模式規(guī)則，然后再通過(guò)模式規(guī)則對(duì)新來(lái)數(shù)據(jù)進(jìn)行類(lèi)別判定。模糊分類(lèi)分析的關(guān)鍵是檢測(cè)準(zhǔn)確度、對(duì)新數(shù)據(jù)的識(shí)別能力和一定的泛化處理能力，其核心是泛化處理能力。
[0004]許多學(xué)者對(duì)模糊分類(lèi)器的泛化能力進(jìn)行了研究，從拓?fù)浣嵌确?，目前常?jiàn)的有三種模糊分類(lèi)器結(jié)構(gòu):超矩形、多面體型和橢圓型，但由于建立的基礎(chǔ)限制了它們的檢測(cè)效率和較大的模式庫(kù)規(guī)模。也有學(xué)者從遺傳算法、神經(jīng)網(wǎng)絡(luò)和相互約束的角度給出了模糊分類(lèi)算法，增強(qiáng)了算法的普適性，降低了模式庫(kù)的規(guī)模，但存在對(duì)訓(xùn)練集數(shù)據(jù)要求高、訓(xùn)練時(shí)間長(zhǎng)、處理速度慢、結(jié)果不易解讀的問(wèn)題。
[0005]同時(shí)，在樣本數(shù)據(jù)分布較復(fù)雜的情況下，異類(lèi)樣本所形成的集合圖型往往會(huì)出現(xiàn)相互重疊、圖形上存在較大拐點(diǎn)(如拓?fù)鋱D形棒槌狀)或者發(fā)現(xiàn)傳統(tǒng)的兩類(lèi)數(shù)據(jù)在概念上可以作為同一類(lèi)出現(xiàn)等情況，因 此需要進(jìn)行模式的合并更新，將原始模式刪除、更新，以增加模式的代表性、自學(xué)習(xí)能力、降低模式庫(kù)規(guī)模、提高檢測(cè)速度和準(zhǔn)確度。
[0006]如針對(duì)圖2，可能會(huì)發(fā)生如下誤分情況:①B類(lèi)數(shù)據(jù)被誤分入A類(lèi)數(shù)據(jù)；@A類(lèi)數(shù)據(jù)中包含B類(lèi)數(shù)據(jù)；@ A類(lèi)數(shù)據(jù)被誤分入B類(lèi)；④B類(lèi)數(shù)據(jù)中包含A類(lèi)數(shù)據(jù)A類(lèi)數(shù)據(jù)被誤分入C類(lèi)；⑥C類(lèi)數(shù)據(jù)中包含A類(lèi)數(shù)據(jù)?’⑦C類(lèi)數(shù)據(jù)被誤分入A類(lèi)；⑧A類(lèi)數(shù)據(jù)中包含C類(lèi)數(shù)據(jù)。
[0007]因此，對(duì)相關(guān)難點(diǎn)問(wèn)題進(jìn)行進(jìn)一步的分析和緩解具有重要意義。

【發(fā)明內(nèi)容】

[0008]為了克服【背景技術(shù)】中的不足，提出一種基于相互約束的模糊數(shù)據(jù)分類(lèi)方法，用于提高模糊分類(lèi)算法的泛化分類(lèi)能力，解決數(shù)據(jù)分布較復(fù)雜情況下異類(lèi)樣本所形成集合的重疊、較大拐點(diǎn)以及數(shù)據(jù)合并的問(wèn)題，提高模糊分類(lèi)算法的準(zhǔn)確性、適應(yīng)性和自學(xué)習(xí)能力。
[0009]為解決上述技術(shù)問(wèn)題，本發(fā)明提供了如下技術(shù)方案:
[0010]一種基于相互約束的模糊數(shù)據(jù)分類(lèi)方法，該算法至少包括以下的步驟:
[0011]I)錄入帶有分類(lèi)標(biāo)識(shí)的數(shù)據(jù)集，并給出模式合并閾值入i ;
[0012]2)針對(duì)每類(lèi)數(shù)據(jù)集，分別利用基于彈性約束的四點(diǎn)中心邊界方法EFCBA挖掘模式規(guī)則，最終建立模式庫(kù)；
[0013]3)進(jìn)行未知類(lèi)型數(shù)據(jù)的類(lèi)型檢測(cè)，根據(jù)基于約束的類(lèi)別歸屬算法EDCA進(jìn)行數(shù)據(jù)分類(lèi)，給出分類(lèi)標(biāo)識(shí)信息；[0014]4)針對(duì)分類(lèi)結(jié)果，使用自學(xué)習(xí)調(diào)節(jié)模型進(jìn)行模式庫(kù)模式更新；針對(duì)需要模式合并的模式，給出合并建議，由用戶(hù)進(jìn)行結(jié)果的認(rèn)定，若接受結(jié)果則進(jìn)入步驟5 ;否則進(jìn)入步驟6 ；
[0015]5)更新模式庫(kù)，并針對(duì)合并規(guī)則標(biāo)識(shí)子分類(lèi)信息，進(jìn)行類(lèi)別層級(jí)的劃分和標(biāo)識(shí)；
[0016]6)完成模式庫(kù)模式類(lèi)別的標(biāo)識(shí)，給出最終結(jié)果信息。
[0017]優(yōu)選的是，所述基于彈性約束的模糊分類(lèi)算法是基于虛擬數(shù)字實(shí)體化觀(guān)點(diǎn)來(lái)思考模式庫(kù)的建立、數(shù)據(jù)的分類(lèi)和模式更新。
[0018]優(yōu)選的是，所述在進(jìn)行模式規(guī)則挖掘時(shí)，通過(guò)五元組{A、B、C、D、Differences}來(lái)表示類(lèi)別模式。
[0019]優(yōu)選的是，所述五元組{A、B、C、D、Differences}通過(guò)基于彈性理論的4點(diǎn)中心邊界算法 EFCBA (Elasticity based four-point center and border line algorithmillustration)進(jìn)行獲取。
[0020]優(yōu)選的是，當(dāng)進(jìn)行類(lèi)型檢測(cè)時(shí)，檢測(cè)過(guò)程是利用模式庫(kù)中挖掘的模式記錄來(lái)約束給定記錄，判斷相互之間的差異程度，給出相互間的比較等級(jí)step、等級(jí)相似程度simulation和是否為該類(lèi)的類(lèi)別標(biāo)識(shí)ismember (O是，I否)。
[0021]在完成類(lèi)別檢測(cè)后，結(jié)果集合ArryRes {kind, ismember, step, simulation}表明了未知數(shù)據(jù)對(duì)每個(gè)現(xiàn)有數(shù)據(jù)類(lèi)的相似性，通過(guò)基于約束的類(lèi)別歸屬算法EDCA進(jìn)行最終類(lèi)別的判定。
[0022]優(yōu)選的是，所述比較等級(jí)step指記錄與給定聚集相互比較所達(dá)到的層次，根據(jù)虛擬數(shù)字實(shí)體化觀(guān)點(diǎn)，把比較等級(jí)分為5級(jí)；所述等級(jí)相似程度simulation指在當(dāng)前比較等級(jí)下，記錄與給定類(lèi)別間的相似程度，用距離比來(lái)表示等級(jí)相似程度，不同等級(jí)距離的取值方法也有所不同，根據(jù)虛擬數(shù)字實(shí)體化觀(guān)點(diǎn)各級(jí)等級(jí)相似程度進(jìn)行求解；
[0023]所述相似程度指某個(gè)記錄與給定類(lèi)別相似的程度，通過(guò)比較等級(jí)和等級(jí)相似程度來(lái)表示。
[0024]優(yōu)選的是，分類(lèi)完成的結(jié)果能夠進(jìn)行基于自學(xué)習(xí)的調(diào)節(jié)，自學(xué)習(xí)調(diào)節(jié)模型由基于約束規(guī)則的分類(lèi)器微調(diào)和基于自學(xué)習(xí)的分類(lèi)規(guī)則優(yōu)化更新算法組成。
[0025]優(yōu)選的是，所述基于約束規(guī)則的分類(lèi)器微調(diào)CIC (Constraint-based InchingClassification Algorithm)是以約束理論為基礎(chǔ),利用特殊數(shù)據(jù)實(shí)現(xiàn)對(duì)五元組微調(diào)；
[0026]所述基于自學(xué)習(xí)的分類(lèi)規(guī)則優(yōu)化更新OCRS (Optimized Classification RuleAlgorithm Base on Self-training)過(guò)程如下:利用閾值λ i判定兩模式是否能夠進(jìn)行合并；對(duì)于要合并的模式，首先查找其原屬類(lèi)別，將這兩個(gè)類(lèi)別數(shù)據(jù)合并到一起，然后調(diào)用模式生成算法EFCBA重新生成該模式，并將新的模式命名為原來(lái)兩個(gè)模式名的合名，并設(shè)定子分類(lèi)表示，最后提示模式改進(jìn)完成。
[0027]由上述方案可看出，本發(fā)明的關(guān)鍵在于:基于虛擬數(shù)字實(shí)體化觀(guān)點(diǎn)的數(shù)據(jù)類(lèi)別表示方法(五元組)，通過(guò)相互約束進(jìn)行普適性數(shù)據(jù)的模糊分類(lèi)規(guī)則建立；通過(guò)基于約束規(guī)則的分類(lèi)器微調(diào)和基于自學(xué)習(xí)的分類(lèi)規(guī)則優(yōu)化更新算法進(jìn)行模糊分類(lèi)規(guī)則的調(diào)整和優(yōu)化；實(shí)現(xiàn)對(duì)普適性數(shù)據(jù)的識(shí)別和類(lèi)別判定。
[0028]與現(xiàn)有技術(shù)對(duì)比，本發(fā)明具有以下特點(diǎn)和優(yōu)點(diǎn):
[0029]1、能夠更好地處理普適性數(shù)據(jù)的分類(lèi)及分類(lèi)判定問(wèn)題，類(lèi)別判定準(zhǔn)確性、識(shí)別率提升；
[0030]2、能夠?qū)崿F(xiàn)已知類(lèi)別數(shù)據(jù)的再整理，判斷數(shù)據(jù)類(lèi)別間的相似度，進(jìn)行數(shù)據(jù)類(lèi)別的合并，最終自動(dòng)實(shí)現(xiàn)多層類(lèi)別目錄；便于進(jìn)行更廣的商業(yè)應(yīng)用；
[0031]3、雖然通過(guò)五元組表示類(lèi)別規(guī)則，規(guī)則學(xué)習(xí)的時(shí)間有所增加，但實(shí)際應(yīng)用中規(guī)則學(xué)習(xí)一般是離線(xiàn)狀態(tài)下進(jìn)行，因此對(duì)類(lèi)別檢測(cè)過(guò)程并沒(méi)有太大影響，因此對(duì)檢測(cè)速度影響極??；
[0032]4、由于規(guī)則建立是逐步進(jìn)行，因此對(duì)數(shù)據(jù)集規(guī)模并沒(méi)有嚴(yán)格限制，因此適合于大規(guī)模數(shù)據(jù)的分類(lèi)分析。
【專(zhuān)利附圖】

【附圖說(shuō)明】
[0033]圖1為虛擬數(shù)字實(shí)體化觀(guān)點(diǎn)；
[0034]圖2為二維平面中的三類(lèi)樣本；
【具體實(shí)施方式】
[0035]以下參照附圖并結(jié)合【具體實(shí)施方式】來(lái)進(jìn)一步描述本發(fā)明，以令本領(lǐng)域技術(shù)人員參照說(shuō)明書(shū)文字能夠據(jù)以實(shí)施，本發(fā)明保護(hù)范圍并不受限于本發(fā)明的【具體實(shí)施方式】。
[0036]一種基于相互約束的模糊數(shù)據(jù)分類(lèi)方法，該方法至少包括以下的步驟:
[0037]I)錄入帶有分類(lèi)標(biāo)識(shí)的數(shù)據(jù)集，并給出模式合并閾值λ i (默認(rèn)為0.001)；
[0038]2)針對(duì)每類(lèi)數(shù)據(jù)集，分別利用基于彈性約束的四點(diǎn)中心邊界方法EFCBA挖掘模式規(guī)則，最終建立模式(五元組)庫(kù)；
[0039]3)進(jìn)行未知類(lèi)型數(shù)據(jù)的類(lèi)型檢測(cè)，根據(jù)基于約束的類(lèi)別歸屬算法EDCA進(jìn)行數(shù)據(jù)分類(lèi)，給出分類(lèi)標(biāo)識(shí)信息；
[0040]4)針對(duì)分類(lèi)結(jié)果，使用自學(xué)習(xí)調(diào)節(jié)模型進(jìn)行模式庫(kù)模式更新；針對(duì)需要模式合并的模式，給出合并建議，由用戶(hù)進(jìn)行結(jié)果的認(rèn)定，若接受結(jié)果則進(jìn)入步驟5 ;否則進(jìn)入步驟6 ；
[0041]5)更新模式庫(kù)，并針對(duì)合并規(guī)則標(biāo)識(shí)子分類(lèi)信息，進(jìn)行類(lèi)別層級(jí)的劃分和標(biāo)識(shí)；
[0042]6)完成模式庫(kù)模式類(lèi)別的標(biāo)識(shí)，給出最終結(jié)果信息。
[0043]所述方法基于虛擬數(shù)字實(shí)體化觀(guān)點(diǎn)來(lái)思考模式庫(kù)的建立、數(shù)據(jù)的分類(lèi)和模式更新；
[0044]根據(jù)幾何學(xué)和集合論觀(guān)點(diǎn)，每種數(shù)據(jù)集合都會(huì)有一個(gè)幾何圖形與其相對(duì)應(yīng)；在此，我們進(jìn)一步將集合看作是一個(gè)由若干個(gè)同質(zhì)粒子和一個(gè)質(zhì)核組成的有機(jī)實(shí)體，每個(gè)粒子都包含坐標(biāo)、質(zhì)量等一系列屬性，因此各個(gè)粒子間以及與質(zhì)核間都存在相互作用，如引力和斥力；依據(jù)萬(wàn)有引力定律和彈性理論，對(duì)于在一個(gè)實(shí)體內(nèi)部的粒子，它會(huì)受到質(zhì)核的引力而趨向于自己的種類(lèi)，同時(shí)由于其它粒子對(duì)其的引力和斥力會(huì)影響它的具體位置和實(shí)體外型，其中存在一些起主要作用的粒子.不屬于集合的粒子會(huì)被排斥在外，即當(dāng)一粒子屬于該實(shí)體時(shí)，質(zhì)核會(huì)將其吸引在自己附近，其它粒子會(huì)決定它的具體位置；這就是基于虛擬數(shù)字實(shí)體化觀(guān)點(diǎn)；利用上述思維我們可以建立一種新的代表數(shù)據(jù)構(gòu)建方法，實(shí)現(xiàn)對(duì)實(shí)體表示和粒子歸類(lèi)檢測(cè)。前提是默認(rèn)每個(gè)實(shí)體一開(kāi)始都是確定的，所有粒子都是確定存在的。
[0045]如圖1所示,在進(jìn)行模式規(guī)則挖掘時(shí),通過(guò)五元組{A、B、C、D、Differences}來(lái)表示類(lèi)別模式，即，一個(gè)中心點(diǎn)D、三個(gè)邊界點(diǎn)(A、B、C)和6個(gè)差異度參數(shù)，最終達(dá)到提高模式規(guī)則的代表性和對(duì)新數(shù)據(jù)分類(lèi)能力的目的。A、B、C、D這4個(gè)點(diǎn)結(jié)合起來(lái)表示該數(shù)據(jù)集合中最具代表性的點(diǎn)，Differences由AD |、AB |、BD |、CA|、CB |、CD這6個(gè)差異度參數(shù)表示約束。
[0046]差異度可由下式求得:
[0047]I epj I = 1—Sim=I—( μ Sim(s)+ η Sim(n))
[0048]其中，ei;表示數(shù)據(jù)記錄；
[0049]Sim(ei_ej)，表示兩個(gè)數(shù)據(jù)記錄間的相似度，可采用現(xiàn)在方法；
[0050]Sim(s) (e1-ej)，表示品質(zhì)型數(shù)據(jù)相似度的計(jì)算方法；
[0051]Sim(n) (ei_ej)，表示數(shù)值型數(shù)據(jù)相似度的計(jì)算方法；
[0052]μ, n,分別表示品質(zhì)型變量和數(shù)值型變量各占總變量數(shù)目的比例；
[0053]中心D點(diǎn)通過(guò)求解所有記錄的每個(gè)屬性的平均值來(lái)獲取，即
[0054] D={X1,X2,...XN}[0055]式中:n，數(shù)據(jù)的屬性個(gè)數(shù)；
[0056]f可用下式求得，
【權(quán)利要求】
1.一種基于相互約束的模糊數(shù)據(jù)分類(lèi)方法，其特征在于:該方法至少包括以下的步驟: 1)錄入帶有分類(lèi)標(biāo)識(shí)的數(shù)據(jù)集，并給出模式合并閾值λi ； 2)針對(duì)每類(lèi)數(shù)據(jù)集，分別利用基于彈性約束的四點(diǎn)中心邊界方法EFCBA挖掘模式規(guī)則，最終建立模式庫(kù)； 3)進(jìn)行未知類(lèi)型數(shù)據(jù)的類(lèi)型檢測(cè)，根據(jù)基于約束的類(lèi)別歸屬算法EDCA進(jìn)行數(shù)據(jù)分類(lèi)，給出分類(lèi)標(biāo)識(shí)信息； 4)針對(duì)分類(lèi)結(jié)果，使用自學(xué)習(xí)調(diào)節(jié)模型進(jìn)行模式庫(kù)模式更新；針對(duì)需要模式合并的模式，給出合并建議，由用戶(hù)進(jìn)行結(jié)果的認(rèn)定，若接受結(jié)果則進(jìn)入步驟5 ;否則進(jìn)入步驟6 ； 5)更新模式庫(kù)，并針對(duì)合并規(guī)則標(biāo)識(shí)子分類(lèi)信息，進(jìn)行類(lèi)別層級(jí)的劃分和標(biāo)識(shí)； 6)完成模式庫(kù)模式類(lèi)別的標(biāo)識(shí)，給出最終結(jié)果信息。
2.根據(jù)權(quán)利要求1所述的基于相互約束的模糊數(shù)據(jù)分類(lèi)方法，其特征在于:所述基于彈性約束的模糊分類(lèi)算法是基于虛擬數(shù)字實(shí)體化觀(guān)點(diǎn)來(lái)思考模式庫(kù)的建立、數(shù)據(jù)的分類(lèi)和模式更新。
3.根據(jù)權(quán)利要求1所述的基于相互約束的模糊數(shù)據(jù)分類(lèi)方法，其特征在于:所述在進(jìn)行模式規(guī)則挖掘時(shí)，通過(guò)五元組{A、B、C、D、Differences}來(lái)表示類(lèi)別模式。
4.根據(jù)權(quán)利要求3所述的基于相互約束的模糊數(shù)據(jù)分類(lèi)方法，其特征在于:所述五元組{A、B、C、D、Differences}通`過(guò)基于彈性理論的4點(diǎn)中心邊界算法EFCBA (Elasticitybased four-point center and border line algorithm illustration)進(jìn)行獲取。
5.根據(jù)權(quán)利要求1所述的基于相互約束的模糊數(shù)據(jù)分類(lèi)方法，其特征在于:當(dāng)進(jìn)行類(lèi)型檢測(cè)時(shí)，檢測(cè)過(guò)程是利用模式庫(kù)中挖掘的模式記錄來(lái)約束給定記錄，判斷相互之間的差異程度，給出相互間的比較等級(jí)step、等級(jí)相似程度simulation和是否為該類(lèi)的類(lèi)別標(biāo)識(shí)ismember。
6.根據(jù)權(quán)利要求1所述的基于相互約束的模糊數(shù)據(jù)分類(lèi)方法，其特征在于:在完成類(lèi)別檢測(cè)后，結(jié)果集合ArryRes {kind, ismember, step, simulation}表明了未知數(shù)據(jù)對(duì)每個(gè)現(xiàn)有數(shù)據(jù)類(lèi)的相似性，通過(guò)基于約束的類(lèi)別歸屬算法EDCA進(jìn)行最終類(lèi)別的判定。
7.根據(jù)權(quán)利要求5所述的基于相互約束的模糊數(shù)據(jù)分類(lèi)方法，其特征在于:所述比較等級(jí)step指記錄與給定聚集相互比較所達(dá)到的層次，根據(jù)虛擬數(shù)字實(shí)體化觀(guān)點(diǎn)，把比較等級(jí)分為5級(jí)；所述等級(jí)相似程度simulation指在當(dāng)前比較等級(jí)下,記錄與給定類(lèi)別間的相似程度，用距離比來(lái)表示等級(jí)相似程度，不同等級(jí)距離的取值方法也有所不同，根據(jù)虛擬數(shù)字實(shí)體化觀(guān)點(diǎn)各級(jí)等級(jí)相似程度進(jìn)行求解； 所述相似程度指某個(gè)記錄與給定類(lèi)別相似的程度，通過(guò)比較等級(jí)和等級(jí)相似程度來(lái)表/Jn ο
8.根據(jù)權(quán)利要求1所述的基于相互約束的模糊數(shù)據(jù)分類(lèi)方法，其特征在于:分類(lèi)完成的結(jié)果能夠進(jìn)行基于自學(xué)習(xí)的調(diào)節(jié)，自學(xué)習(xí)調(diào)節(jié)模型由基于約束規(guī)則的分類(lèi)器微調(diào)和基于自學(xué)習(xí)的分類(lèi)規(guī)則優(yōu)化更新算法組成。
9.根據(jù)權(quán)利要求8所述的基于相互約束的模糊數(shù)據(jù)分類(lèi)方法，其特征在于:所述基于約束規(guī)則的分類(lèi)器微調(diào) CIC (Constraint-based Inching Classification Algorithm)是以約束理論為基礎(chǔ)，利用特殊數(shù)據(jù)實(shí)現(xiàn)對(duì)五元組微調(diào)；所述基于自學(xué)習(xí)的分類(lèi)規(guī)則優(yōu)化更新OCRS (Optimized Classification RuleAlgorithm Base on Self-training)過(guò)程如下: 利用閾值λ 1判定兩模式是否能夠進(jìn)行合并；對(duì)于要合并的模式，首先查找其原屬類(lèi)另O，將這兩個(gè)類(lèi)別數(shù)據(jù)合并到一起，然后調(diào)用模式生成算法EFCBA重新生成該模式，并將新的模式命名 為原來(lái)兩個(gè)模式名的合名，并設(shè)定子分類(lèi)表示，最后提示模式改進(jìn)完成。
【文檔編號(hào)】G06F17/30GK103886007SQ201310715125
【公開(kāi)日】2014年6月25日 申請(qǐng)日期:2013年12月20日 優(yōu)先權(quán)日:2013年12月20日
【發(fā)明者】令狐大智, 李陶深, 龐大蓮, 梁戈夫, 武新麗, 汪濤, 梁淑紅 申請(qǐng)人:廣西大學(xué)