基于智能算法的技術等級評估方法研究*

唐湘滟，蔡寬麒，程杰仁,3，劉博藝,4

(1.海南大學信息科學技術學院，海南 海口 570228；2.海南大學機電工程學院，海南 海口 570228； 3.海南大學南海海洋資源利用國家重點實驗室，海南 海口 570228;4.中國科學院大學，北京 100000)

1 引言

橡膠不僅是重要的工業原料，也是經濟建設的原料[1]，由于其在交通運輸和國防等諸多領域展現出的不可替代性和可再生性，使橡膠產業成為熱帶國家和地區經濟的重要組成部分[2]。割膠則是橡膠生產過程中的中心環節和唯一手段。膠工對割膠技術的掌握程度決定了割膠過程中橡膠的產量，然而新膠工難以在短時間內學會割膠技術，這就使其在割膠過程中，由于割膠深度不足或太深導致橡膠樹產膠量下降甚至不產膠，嚴重影響橡膠產業的發展[2]。針對這一問題，本文設計和實現了一種割膠技術智能輔助學習儀，用以實時評價膠工割膠技術，幫助初學者更快地掌握割膠技術。

2 研究現狀

目前，國內為了能夠提高橡膠產量，降低技術壁壘，對割膠工具進行了改進，但此類改進大部分是通過對割膠刀具的改進，例如西雙版納州農機研究所所研制的電動割膠刀，其原理是通過電機減少人力輸出從而做到割膠速度快、效率高，比傳統割膠刀省力，但其存在一些如刀片不穩定、安全系數低等問題。再比如海南大學所研制的一種智能割膠刀，其優點在于將以往的經驗轉化為割膠深度并可視化，此款割膠刀在一定程度上提高了割膠產量但是其功能較少，并且無法從根源上提升膠工的割膠水平。

本文針對割膠技術難以掌握的問題，提出了一種可以實時對膠工的割膠技術進行評價的方法，并設計出一種割膠技術智能輔助學習儀。該學習儀通過收集處理傳感器傳來的信號可實時監測割膠厚度和割膠環境，并且將膠工工作時所測得的割膠深度數據進行儲存，通過處理后對膠工技術進行評價，從而達到促進膠工學習的目的；其次它還擁有語音控制和人體感應等功能，以期改善由于割膠技術門檻高使得新膠工割膠技術學習過慢而導致割膠過程中產膠量低下或橡膠樹死亡等問題。

3 評估體系的結構

3.1 評估體系的結構

如圖1所示，割膠技術智能輔助學習儀主要由智能輔助學習模塊和割膠模塊組成，割膠模塊包含割膠刀主體，而智能模塊則由顯示屏、溫濕度檢測裝置、照明系統、可拆卸裝置、傳感器模塊和內部的Arduino Mega 2560[3]開發板組成。

Figure 1 Structure and principle diagram of the intelligent tapping technology auxiliary learning instrument圖1 割膠技術智能輔助學習儀整機結構和工作原理示意圖

如圖2所示，該機器通過采集數據、分析處理數據、顯示處理結果三個階段與膠工進行人機交互，從而促進膠工快速掌握割膠技術。割膠技術智能輔助學習儀的兩個模塊由L型環套和固定臂相連。當膠工的割膠水平到達一定高度時，可將學習模塊取下，學習模塊的取下不會破壞刀具的完整性，并且學習模塊能夠多次使用。學習儀內部的Arduino Mega 2560 開發板被鋁合金外殼所包裹，以防止在凌晨較為惡劣的割膠環境下電子元件的短路。鋁合金外殼一方面起到保護作用，另一方面起到支撐傳感器系統的作用。照明系統位于外殼的頂部，其由1.2 W、5 V的LED燈組成，并且其具有聲控功能，膠工通過聲音即可做到對LED燈光亮暗的控制，此方法簡單、便捷，避免了膠工在漆黑環境下找不到燈的開關的困擾。并且在外殼的下方安裝位移傳感器，位移傳感器的末端與刀具豎直面平行，通過傳感器實時反饋的數據可以實時監測割膠厚度。在外殼的正面還安裝有人體傳感器，用以節約膠工工作后忘記關機帶來的能耗。溫濕度等傳感器收集外界不同的信號并傳遞給處理器，處理后的數據通過顯示屏和喇叭與膠工進行信息傳遞，并且該學習儀還可針對不同層次的使用者給出不同評價。

Figure 2 Three-dimensional model of the intelligent tapping technology auxiliary learning instrument圖2 割膠技術智能輔助學習儀三維模型

3.2 割膠模塊的工作原理和技術參數

使用前將智能輔助學習模塊和普通割膠刀具結合，調整位移傳感器頭部滾珠的位置。使用時膠工打開啟動按鈕，在聽到后置的聲音輸出裝置傳出的MP3提示音后，屏幕亮起，傳感器將采集數據發送至開發板，開發板處理后在屏幕上顯示出時間、溫濕度、已割厚度、還需割厚度、膠工的工作評分信息，隨后膠工只需要在聲音傳感器前說“開燈”即可打開LED燈光，膠工進行割膠時，要使位移傳感器的頭部滾珠緊貼樹皮，并且在行刀過程中應注意使位移傳感器與刀具平行。機器在刀口切入樹干過程中，彈簧受到橡膠樹表皮阻擋而壓縮，由于樹皮對彈簧的壓縮量與膠工所割的厚度相等，因此可以間接求出瞬時割膠厚度，并且實時反映在顯示屏上；與此同時，該機器還能記錄以往膠工所割的厚度，通過Arduino Mega 2560 開發板內的算法進行相應的評估并給出意見，通過聲音輸出裝置將評估分數告訴膠農，為膠工下次割膠提供數據參照，促使膠工割膠技術的增長，達到學習的目的。整機主要性能指標和技術參數如表 1 所示。

Table 1 Main technical parameters of the intelligent

3.3 可拆卸設備的設計

為了能夠在不破壞刀具的完整性的前提下將智能輔助學習模塊和普通割膠刀具結合牢固，本文設計了L型環套，環套的三維圖如圖3所示。

Figure 3 L-shaped loop overlapping map圖3 L型環套圖

由于割膠刀的首尾厚度變化大，而刀身處厚度較為平緩，因此本文分別設計兩個尺寸不同的中空的L型環套，環套的一端通過固定臂與智能輔助學習模塊相連，為了使得智能輔助學習模塊和割膠刀具的連接處結構簡單、承載能力大、承受沖擊性能好，因此在安裝L型環套時，利用熱脹冷縮的特性，將L型環套的內孔加熱，趁孔徑擴大，迅速套到割膠刀上，待冷卻收縮后兩個零件就緊緊配合成一體，完成過盈配合。考慮到L型環套在潮濕、惡劣的割膠環境下不能因為腐蝕使得兩個模塊脫落，并且結合輕量化考慮，因此選用鋁合金作為L型環套的材料。其參數如表2所示。

Table 2 Parameters of the L-shaped loop overlapping

4 基于智能算法的技術等級評估方法

4.1 評估指標體系

4.1.1 基于德爾菲法的數據采集

膠工割膠水平評價屬于信息系統效益評價，為了能較好地處理信息系統多因素、模糊性以及主觀判斷等問題，本文將原來的定性評價定量化。首先需要確定的是影響膠工割膠水平的評價指標，由于當前并沒有完善的認可度高的評價體系或者數據可以參考，因此本文采用德爾菲法[4 - 6]對指標進行設定。

(1)平均割膠厚度。橡膠樹樹皮從外到里分為粗皮、砂皮、黃皮、水囊皮、形成層五層，而橡膠大都儲存于黃皮、水囊皮，但割膠的深度過淺時，則會導致橡膠樹的產膠量較少，而割膠深度過深，則可能割傷橡膠樹導致其產膠量下降甚至不能產膠[7]。因此，本文認為割膠的深淺與割膠水平的好壞有可能相關。

(2)割膠溫度。由于膠樹的光合作用在15 ℃以下時大為減弱，在10 ℃以下時則完全停止，而光合作用的減弱則會減少橡膠合成的原料來源，影響橡膠的產量，而清晨氣溫為19～24 ℃時利于橡膠的產膠和排膠，一個割膠水平高的膠工應能對割膠環境溫度進行判斷，選取在合適的溫度下割膠，因此本文認為割膠的溫度與割膠水平的好壞有可能相關。

(3)割膠濕度(RH)。當割膠的濕度達到80%以上時，對排膠有利，如下降到75%時則會因分割間封閉較快而使得排膠時間縮短，因此當膠工選擇RH≥80%時割膠的橡膠產量大于RH≤75%時，所以本文認為割膠的濕度與割膠水平的好壞有可能相關。

(4)割膠厚度波動程度(P)。膠工在割膠過程中的實時割膠厚度各不相同，為了防止因外界因素產生誤差，本文提出通過對整個割膠過程中計算膠工每次割膠厚度與最適割膠厚度的最近值的偏離大小的平方作為波動程度，用它來衡量膠工整個割膠過程中的數據波動大小。在樣本容量相同的情況下，波動程度越大，說明膠工在割膠過程中偏離最佳割膠越遠，技術水平較低，所以本文認為割膠厚度波動程度與割膠水平的好壞有可能相關。

(5)停頓次數(TD)。在割膠過程中，可能會出現頓刀、空刀，此時就會出現停頓現象，而這些現象正是割膠技術還不夠成熟的表現，所以本文認為膠工割一棵橡膠樹的停頓次數與割膠水平的好壞有可能相關。

(6)割膠最佳厚度所占比例(%)。在割膠過程中由于膠工刀口所割的深度不同，割膠厚度處于最適范圍的次數越多，所割破的乳管就越多，產膠量就越高，因此本文認為割膠最佳厚度所占比例與割膠水平的好壞有可能相關。

(7)割膠時間系數(t0)。在割膠過程中，對于割膠技術尚未成熟的年輕膠工在割膠的同時難免會出現搖手、重刀、亂刀等現象，本文發現這些現象在割膠的過程中影響最為明顯的是割膠時間的長短。一個技術嫻熟的老膠工割一棵橡膠樹的最短時間約為36 s，因此本文認為膠工平均割膠時間長短有可能作為膠工割膠技術的評價之一。

(8)超越危險厚度次數(F)。割膠過程中割膠厚度超越危險厚度即觸及形成層時則會導致產膠量減少，經過本文調研，危險厚度值約為19 mm，超越危險厚度次數越少則對樹的傷害越小。為此本文認為超越危險厚度次數有可能作為膠工割膠技術的評價之一。

(9)最深割膠厚度(Dmax)。割膠的最深厚度可以作為割膠傷樹程度的評價指標，若割膠最深厚度遠超過危險厚度時會增加死皮數和割面病害的蔓延，從而影響產膠量，為此本文認為割膠最深厚度有可能作為膠工割膠技術的評價之一。

(10)穩定性(M)。為了能更全面衡量膠工在整個工作過程中所展現的割膠水平，本文利用一段時間割膠深度的方差來度量割膠深度和其數學期望(即均值)之間的偏離程度。本文認為方差越大，穩定值越大，膠工的技術水平越精湛。

4.1.2 基于灰色關聯度分析的指標體系建立

為了能準確把握影響膠工割膠技術較大的關鍵指標，達到對膠工進行正確引導的目的，從而促使膠工快速掌握割膠技術，本文對上文所述的10個指標進行綜合評價。綜合評價方法根據權重的確定可分為主觀賦權法和客觀賦權法，目前主流的綜合評價和決策方法有主成分分析、TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)、層次分析等方法。由于割膠過程中有大量的不確定因素及其相互關系，因此本文選用灰色關聯分析法[8]，將定性和定量的方法結合起來，通過確定參考數據列和若干個比較數據列的幾何形狀相似程度來判斷其聯系是否緊密，并反映了曲線間的關聯程度，該算法計算簡便，在一定程度上可減小決策者的主觀任意性。

本文除了從機理方面進行研究外，還通過實驗獲取影響因素的數據并結合灰色關聯度分析進行指標體系建立，其步驟如下：

Step1確定分析數列。

設參考數列(又稱母序列)為：

x0={x0(k)|k=1,2,…,n}=

(x0(1),x0(2),…,x0(n))

(1)

比較數列(又稱子序列)為：

xi={xi(k)|k=1,2,…,n}=

(xi(1),xi(2),…,xi(n)),i=1,2,…,m

(2)

其中，參考數列x0為可能影響膠工割膠水平的因素的割膠厚度、割膠溫度、割膠濕度、割膠厚度波動程度、停頓次數、割膠最佳厚度所占比例、割膠時間系數、超越危險厚度次數、割膠最深厚度和穩定性所構成的數列；比較數列xi為膠工的割膠水平的得分。

Step2數據的百分比變換：

(3)

其中，x(k)為數列中的單個元素。f(x(k))的值為單個元素對該行最大值的比值，由于系統中影響割膠技術水平的各因素列中的數據量綱不同，不便于比較，因此在進行灰色關聯度分析前，本文對數據進行百分比變換。

Step3計算關聯系數。

計算比較數列xi對參考數列x0在k時的關聯系數：

(4)

Step4計算關聯度:

(5)

關聯系數計算式是描述各影響因素與割膠技術關聯程度的一種指標。由于不同的k值都有一個關聯數，因此信息顯得過于分散，不便于比較，所以使用關聯度ri將影響割膠水平的某個指標的關聯系數相加求平均作為描述指標對割膠水平的得分的關聯度。

Step5關聯度排序。

將各影響指標的關聯度按大小排序，關聯度越大，則表示該指標對割膠水平的影響越大。

4.1.3 評估指標權重計算

目前權重的確定主要有AHP(Analytic Hierarchy Process)法、變異系數法、德爾菲法等。為了增加精度，本文選擇客觀性強的熵權法[9]作為割膠技術影響指標的賦權方法。熵權法根據影響割膠技術灰色關聯度分析后選取7個評價指標的變異程度，利用信息熵計算出各指標的熵權，接著利用熵權對各指標的權重進行調整，從而得出可信度較高的指標權重。熵權法確定權重在目標識別等領域[10]有著廣泛的應用。

Step1形成數據矩陣。

M=(M1,M2,…,Mm)

(6)

D=(D1,D2,D3,…,Dn)

(7)

(8)

其中,M為參與實驗的膠工割膠水平得分數列，D為通過灰色關聯度分析所篩選出來的已量綱化處理的割膠水平影響指標數列，xij表示某一割膠水平下對應某一割膠技術影響指標的值。

Step2特征比重。

將Step 1所形成的數據矩陣代入式(9)中，計算出第j項割膠技術影響指標下，第i個割膠技術水平對象的特征比重Pij，由于0≤xij≤1，所以0≤Pij≤1，通過式(9)可求出各割膠技術水平下的某一指標出現的概率。

(9)

Step3計算指標的熵值:

(10)

其中,Pij為Step 2所求出的特征比重;ej為第j項割膠水平影響指標的熵值，該值越小則反映了該指標在對膠工割膠水平進行評價時提供的信息越多，所起的作用越大。

Step4計算各指標熵權:

dj=1-ej

(11)

(12)

其中，dj為差異系數，Wj為各個指標在對膠工進行技術評價時的權重。

Step5將各個權重作為系數可以列出關于膠工割膠水平得分的線性函數，若將一名膠工各指標的值代入函數中即可求得對膠工割膠水平定量化的得分評價。

4.1.4 技術等級分類模型構建

本文采用云模型作為技術等級的分類模型。云模型[11]是1995年由中國工程院院士李德毅提出的，該模型用于處理定性概念與定量描述的不確定轉換[12]。設U為精確數值表示的割膠技術優劣的定量論域，即C是U上的模糊性描述即割膠水平初級、中級、高級的評價，若其中一次評分x為膠工割膠水平的得分U中的一次隨機實現，x相對于C穩定傾向的隨機數，此時可稱x為云滴，x在定量論域的分布為云(Cloud)。本文利用逆向云發生器[13]實現膠工獲得的評價分數向割膠技術好壞的轉化，其步驟如下：

Step1每個膠工作為一個云滴，其割膠技術得分為定量值xi其隸屬度為yi，進而一個云滴的表達方式為(xi,yi)。

Step3樣本均值即所求的期望值Ex，期望值是割膠技術定性轉定量的最典型樣本。

4.1.5 技術等級識別算法

聚類算法有k-means聚類算法、層次方法中的凝聚型層次聚類算法、基于模型方法的神經網絡聚類算法，為了能減少算法運算時間，本文選用運算效率高的k-means聚類[14]法來進行不同割膠水平中心點的計算，以便于進行技術與等級的識別。

Step1先選取3名膠工作為初級膠工、中級膠工、高級膠工三類簇的中心點，其中每個中心點都包含膠工期望、熵和超熵3個指標，在3個初始類簇中心點的情況下，把對每名測試膠工的期望、熵和超熵分到離其最近的類簇中心點所代表的類簇中。

Step2所有分數分配完畢之后，根據一個類簇內的所有期望、熵和超熵分別取平均值來重新計算該類簇的中心點。

Step3迭代進行分配點和更新類簇中心點的步驟，直至誤差小到某個值或者到達一定的迭代步數，誤差不變。通過上述聚類可以使得同一水平的膠工得分越近，不同水平膠工的得分越遠，最終形成3個較為合理的類簇中心點。

最小歐氏距離確定類別[15,16]:

Step1輸入一名測試膠工的期望、熵和超熵x(x1，x2，x3)三個指標。設3個特征集合為初級膠工、中級膠工、高級膠工，其中初級膠工的期望、熵和超熵所構成的向量為v1，其向量表示為v(v11，v12，v13)；中級膠工的期望、熵和超熵所構成的向量為v2，其向量表示為v(v21，v22，v23)；高級膠工的期望、熵和超熵所構成的向量為v3，其向量表示為v(v31，v32，v33)。

Step2求x與三個特征之間的距離，其公式如下：

d=|x-v|2

Step3該測試膠工的割膠水平越趨近于距離小的特征集合。

5 實驗結果與分析

5.1 實驗環境

在完成了割膠技術輔助學習儀的機械設計部分和算法設計與實現后，完成了割膠技術輔助學習儀的技術驗證機的實物研制，并于9月15日在海南省儋州市割膠隊中進行了實地實驗，部分實驗實時截圖如圖4所示。實驗過程中，共有24名膠工進行了技術驗證機的實驗測試，其中高級膠工、中級膠工和初級膠工各8名，有高級、中級、初級各1名膠工的驗證機割膠數據作為樣本數據來源，其余的作為測試數據。實驗共獲得各項數據2 310個，共330個評價數據，其中樣本數據30個，測試數據300個。

在海南省儋州市橡膠林進行實驗，分別將割膠智能輔助學習儀分給剛結束割膠培訓的學徒、從事割膠工作達3年的膠工和割膠工作達10年的割膠輔導員各自進行為期7天的割膠實驗，三種不同的膠工代表割膠技術的初、中、高三個級別，并采集影響因素的數據，采集的數據如表3所示。

Figure 4 Experiment screenshot圖4 實驗截圖

表3中割膠溫度、濕度數據是利用安裝在割膠技術智能輔助學習儀上的溫濕度傳感器(DHT11[17])進行采集的。

5.2 評價模型實驗

Step1基于灰色關聯度模型和樣本數據，對本文提出的10項割膠技術水平評價指標進行關聯度分析。其中樣本數據如表4所示，各指標與割膠技術水平的關聯度數據如表5所示，各指標關聯度比較如圖5所示。

Table 4 Worker’s scores in the sample data

Table 5 Results of the correlationanalysis of each evaluation index

根據上文所述的實驗數據結果，本文對評價指

Table 3 Average tapping thickness

標進行了篩選，最后選定平均割膠厚度、割膠厚度波動程度、停頓次數、割膠最佳厚度所占比例、割膠時間系數、超越危險厚度次數和穩定性這7個評價指標。

Step2利用上文中所述熵權法和樣本數據，確定各指標權重，如表6所示。根據表6的權重和實時獲得的數據，便可得到膠工的割膠成績。

Figure 5 Comparison of the correlation degree of each index圖5 各指標關聯度比較

%

Step3根據5.2節的樣本數據實驗結果，可以得到膠工割膠成績的計算方法。然后本文利用同樣的這三名膠工的數據，進行了基于逆向云發生器的定性轉化實驗。如表7所示是得到的三名膠工割膠成績云模型的期望、熵和超熵。

Table 7 Parameters of the cloudmodel of three rubber workers’ scores

根據三名膠工成績云模型的參數所生成的云滴圖像如圖6所示。從圖6中可以看出，高級膠工的期望值最高，而且成績分布比較集中，初級膠工和中級膠工的成績分布都相對分散，成績不夠穩定。依次類推，根據三名膠工長時間實驗得到的數據，三種級別的膠工所有成績所對應的矩陣散點圖[19]如圖7所示，可以看出期望、熵和超熵的對應關系。

Figure 6 Cloud maps of the scores of the rubber workers with different tapping levels圖6 不同割膠水平的膠工成績所對應的云圖

Figure 7 Scatter plot of tapping scores圖7 膠工割膠成績散點圖

Step4對三名膠工長時間實驗得到的不同單位時間段對應的云模型的期望、熵和超熵進行聚類分析，本文采用k-means聚類法，實驗結果如圖8所示。

根據聚類得到的三個聚類中心點為：高級膠工：(7.7，0.85，0);中級膠工：(6，1.8，0.2);初級膠工：(1.78，3.45，0.44)。

Figure 8 Cluster diagram of cloud model parameters corresponding to different tapping levels圖8 不同割膠水平對應的云模型參數聚類圖

5.3 結果分析

在得到三個水平的聚類中心之后，根據最小歐氏距離法，本文用測試數據進行了實驗驗證，實驗結果如圖9所示。

如圖9所示，有300個測試數據節點，其中較細連線表示正確的實驗數據節點，加粗的連線連接的節點表示錯誤的評價結果對應的數據節點。錯誤的數據點共有6個，因此實驗得到的割膠技術輔助學習儀的割膠水平評價正確率為98%。

樣機實驗結果表明，該學習儀的正確率高，能夠達到實際使用的要求。

Figure 9 Experimental results圖9 實驗測試結果圖

6 結束語

本文結合德爾菲法、灰色關聯度分析、熵權法和云模型，提出了一種割膠技術等級評估方法，該方法能夠實時顯示割膠厚度，并對膠工割膠技術進行實時評價和打分，從而促進膠工割膠技術的提升，在割膠技術評價領域具備較高參考價值，可應用于不同膠工的實時評價。同時，本文設計并研制了割膠技術智能輔助學習儀，該學習儀滿足膠工割膠時的所需功能，并且經過實驗驗證該學習儀實時性強、技術評價精準度高，對提高膠工割膠水平與橡膠產量有極大的促進作用。

[1] Hebbard G M,Powell S T,Rostenbach R E.Rubber industry[J].Industrial & Engineering Chemistry,1947,39(5):589-595.

[2] Musikavong C,Gheewala S H.Assessing ecological footprints of products from the rubber industry and palm oil mills in Thailand[J].Journal of Cleaner Production,2016,142:1148-1157.

[3] Elsamanty M,Khalifa A,Fanni M,et al.Methodology for identifying quadrotor parameters,attitude estimation and control[C]∥Proc of 2013 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM),2013:1343-1348.

[4] Linstone H A,Turoff M.The Delphi method:Techniques and applications[J].Journal of Marketing Research,1975,18(3):363-364.

[5] Strand J,Carson R T,Navrud S,et al.Using the Delphi method to value protection of the Amazon rainforest[J].Ecological Economics,2017,131:475-484.

[6] Weir A,H?lmich P,Schache A G,et al.Terminology and definitions on groin pain in athletes:Building agreement using a short Delphi method.[J].British Journal of Sports Medicine,2015,49(12):825-827.

[7] Golbon R,Ogutu J O,Cotter M,et al.Rubber yield prediction by meteorological conditions using mixed models and multi-model inference techniques[J].International Journal of Biometeorology,2015,59(12):1747-1759.

[8] Rajesh R, Ravi V. Supplier selection in resilient supply chains:A grey relational analysis approach[J].Journal of Cleaner Production,2015,86(1):343-359.

[9] Tang P,Chen D,Hou Y.Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting[J].Chaos Solitons & Fractals,2016,89:243-248.

[10] Liu Bo-yi,Cheng Jie-ren,Tang Xiang-yan,et al.Moving vehicles recognition in complex dynamic environment[J].Journal of Frontiers of Computer Science & Technology,2017,11(1):134-143.(in Chinese)

[11] Wang J Q,Peng J J,Zhang H Y,et al.An uncertain linguistic multi-criteria group decision-making method based on a cloud model[J].Group Decision and Negotiation,2015,24(1):171-192.

[12] Wang G,Xu C,Li D.Generic normal cloud model[J].Information Sciences,2014,280(280):1-15.

[13] Xiahou J,Lin F,Huang Q H,et al.Multi-datacenter cloud storage service selection strategy based on AHP and backward cloud generator model[J].Neural Computing & Applications,Publish online:14 July 2016,2016:1-15.

[14] Shahrivari S, Jalili S.Single-pass and linear-timek-means clustering based on MapReduce[J].Information Systems,2016,60(C):1-12.

[15] Bermanis A, Wolf G, Averbuch A.Diffusion-based kernel methods on Euclidean metric measure spaces[J].Applied & Computational Harmonic Analysis,2016,41(1):190-213.

[16] Dokmanic I,Parhizkar R,Ranieri J,et al.Euclidean distance matrices:Essential theory,algorithms,and applications[J].IEEE Signal Processing Magazine,2015,32(6):12-30.

[17] Krishnamurthi K,Thapa S,Kothari L,et al.Arduino based weather monitoring system[J].International Journal of Engineering Research and General Science,2015,3(2):452-458.

[18] Nordhausen K,Oja H.Independent subspace analysis using three scatter matrices[J].Austrian Journal of Statistics,2016,40(1&2):93-101.

附中文參考文獻：

[10] 劉博藝,程杰仁,唐湘滟,等.復雜動態環境下運動車輛的識別方法[J].計算機科學與探索,2017,11(1):134-143.