一种基于先验信息BPSO的基因选择方法

合集下载

基于改进 BPSO 的聚类选择性集成

基于改进 BPSO 的聚类选择性集成毕凯;王晓丹;邢雅琼【期刊名称】《系统工程与电子技术》【年(卷),期】2016(38)3【摘要】At first,as binary particle swarm optimization (BPSO)relapses into local extremism easily,an improved BPSO is proposed.By analyzing the scale sensitivity of Gaussian density function,the scale parameter is regulated based on the consistency between particle swarm and the global optimal particle.The mutation probability of the global optimal particle is determined by the definite integral in symmetric interval of the Gaussian density function.Then,the cluster ensemble selection is modeled as a combinatorial optimization problem.The fitness of each cluster member is defined by weighted composition of effectiveness and difference, and the cluster ensemble selection is carried out based on the improved BPSO.Finally,experiments on standard dataset and image dataset show that the proposed method is effective.%首先针对离散二进制粒子群（binary particle swarm optimization，BPSO）容易陷入局部收敛的问题，提出一种改进的 BPSO 算法。

基于改进的BPSO算法的关联规则挖掘

设某个粒子的个体极值不小于最小支持度的最优解。
粒子列为候选项集。
2021 年第 3 期
3.2
453
计算机与数字工程
4.1
初始粒子群预处理
在频繁项集挖掘过程中数据集中可能存在某
些项目出现频率较低的现象，这就可能导致随机选
取的粒子种群质量不高，进而影响挖掘结果及挖掘
∗
子初始种群进行预处理，并以频繁项集的性质为依
据对粒子搜索空间进行缩减，减少算法运行时间。
收稿日期：2020 年 8 月 10 日，修回日期：2020 年 9 月 21 日
基金项目：江苏省产学研合作项目基金（编号：BY2015019-30）资助。
作者简介：古良云，女，硕士研究生，研究方向：数据挖掘。乐红兵，男，高级工程师，硕士生导师，研究方向：网络安全
频繁项集挖掘的目标是根据给定的最小支持
度（min_sup）挖掘出所有的频繁项集。根据以上描
述，可推出性质 1。如下所示：
性质 1："X i Í X Þ sup(X i ) ³ sup(X )
因此，当 X i Í X 时，若 X i 不是 k 维频繁项集的
子集，则项集 X 也不是 k 维频繁项集的子集。
是为了优化连续函数的，但实际生活中待解决的问
题大多是基于离散空间上的组合优化问题，因此提
出 BPSO 算法以解决这一问题。
BPSO 算法在离散粒子群算法基础上，约定位
置向量、速度向量均由 0、1 值构成［14］。粒子根据式
（1）更新自己的速度，根据式（2）和式（3）更新自己
的位置，式（2）为映射函数：
项目中挖掘有意义的关联规则，本文算法将粒子出
的 A 与 B 的相关性，提升度大于 1 且越高表明正相

基于BPSO的水下目标特征选择方法

ｒｐｓｔｒｅｕｅｎｔｅｅｐｒｎ．ＴｅｒｓｈｈｗｔａｈｅｔｒｅｅｔｎｍｅｈｄｂｓｄｏＰＯｉａｆｃｅｏｉｙａｓｄｉｈｘｅｍｅｔｈｅｕｓｓｏｈｔｅｆａｕｅｓｌｃｉｔｏａｅｎＢＳＳｎｅｆ — ｏｒｉｔｏｅ
数据进行仿真分析。
关键词：粒子群优化算法；算法；特征选择；水下目标识别
中图分类号：Ｐ９Ｔ３１文献标识码：Ａ
ＡｖｌＭｅｈｄＢａｅｎＢｉａｙＰａｔｃｅＳｒｔｍｉａｉｎＮｏｅｔｏｓｄｏｎｒｒｉｌｗａｍＯｐｉｚｔｏ
ＫＥＷＯＤＳＰｒｃｗｒｐｉｉｔｎＰＯ；ｌｒｈＦａｒｅｃｏ；ｎｅａｒａｅｒｃｇｉｏＹＲ：ａｔｌｓａｏｔｚｉ（Ｓ）Ａｇｉｍ；ｅｔｅｓｅｔｎＵｄｒｔｇｔｅｏｎｔｎｉｅｍｍａｏｏｔｕｌｉｗｅｔｒｉ
ｔｖｅｈｉｕｅｆｒｕｄｅａｅｃｕｔｃｔｇｔｆａｕｅｓｌｃｉｎ，ａａｎｎｅｃａｓｆｃａｉｎａｃｒｃ．ｉｅｔｃｎｑｎｒｔｒａｏｓｉａｅｓ’ ｅｔｒｅｅｔｏｏｗｒｎｄｃｎｅｈａｃｌｓｉｉｔｏｃｕａｙ
１引言
水下目标识别一直是国内外水声领域研究的难点和热点，们用各种方法提取众多的水下目标特征参数，：形人如分

基于BPSO的棉花异性纤维目标特征快速选择方法

2013年2月农业机械学报第44卷第2期doi ：10．6041/j．issn．1000-1298．2013．02．035基于BPSO 的棉花异性纤维目标特征快速选择方法*王金星李恒斌王蕊刘双喜曹维时闫银发（山东农业大学机械与电子工程学院，泰安271018）摘要：针对现有棉花异性纤维目标特征选择方法迭代次数多、速度慢等问题，提出了一种基于改进粒子群优化算法的棉花异性纤维目标特征快速选择方法。

使用离散型粒子群优化算法作为特征选择算法，利用支持向量机算法作为分类器对最优特征集进行验证。

实验结果表明，在分类准确率与蚁群算法相当的情况下，能减少26%的运行时间。

关键词：棉花异性纤维支持向量机离散型粒子群优化算法特征选择中图分类号：TP491.4文献标识码：A文章编号：1000-1298（2013）02-0188-04A Fast Feature Selection for Cotton Foreign Fiber Objects Based on BPSOWang JinxingLi HengbinWang RuiLiu ShuangxiCao WeishiYan Yinfa（Mechanical and Electronic Engineering College ，Shandong Agricultural University ，Taian 271018，China ）Abstract ：A fast feature selection for cotton foreign fiber objects based on binary particle swarm optimization was presented ，for the current feature selection of cotton foreign fiber having more iteration times and slow speed．Binary particle swarm optimization （BPSO ）was used to select feature in the method ，and the support vector machine algorithm was used to verify the optimal feature set．Experimental results showed that the running time could reduce by 26%，when the classification accuracy was almost with other algorithms．Key words ：CottonForeign fiberSVMBinary particle swarm optimizationFeature selection收稿日期：2012-02-08修回日期：2012-03-13*国家自然科学基金资助项目（30971693）和新世纪优秀人才计划资助项目（NCET-09-0731）作者简介：王金星，教授，主要从事数字图像处理研究，E-mail ：jinxingw@163．com 引言棉花异性纤维是指在棉花采摘、摊晒、收购、储存、运输、加工过程中混入棉花中的对棉花及其制品质量有严重影响的非棉纤维和色纤维，如塑料布、布条、麻绳、羽毛和丙纶丝等，俗称“三丝”［1］。

一种新的基于BPSO和KNN的P2P流量识别算法(英文)

一种新的基于BPSO和KNN的P2P流量识别算法(英文)佚名【期刊名称】《《中国通信》》【年(卷),期】2011(000)002【摘要】Peer-to-Peer technology is one of the most popular techniques nowadays,and it brings some security issues,so the recognition and management of P2P applications on the internet is becoming much more important. The selection of protocol features is significant to the problem of P2P traffic identification. To overcome the shortcomings of current methods,a new P2P traffic identification algorithm is proposed in this paper. First of all,a detailed statistics of traffic flows on internet is calculated. Secondly,the best feature subset is chosen by binary particle swarm optimization. Finally,every feature in the subset is given a proper weight. In this paper,TCP flows and UDP flows each have a respective feature space,for this is advantageous to traffic identification. The experimental results show that this algorithm could choose the best feature subset effectively,and the identification accuracy is improved by the method of feature weighting.【总页数】7页(P52-58)【正文语种】中文【中图分类】TN【相关文献】1.基于UDP流量的P2P流媒体流量识别算法研究? [J], 董仕;王岗2.基于 BPSO 与神经网络的实时 P2P 协议识别算法 [J], 谭骏;陈兴蜀;杜敏3.一种新的基于BPSO和KNN的P2P流量识别算法 [J], 杜敏; 陈兴蜀; 谭骏4.一种基于机器学习的P2P网络流量识别算法研究∗ [J], 袁华兵5.一种新的基于分形特征融合的图像目标识别算法(英文) [J], 潘秀琴;侯朝桢;苏利敏因版权原因，仅展示原文概要，查看原文内容请购买。

变异BPSO方法在情感生理信号特征选择中的应用

Ｐｃｒ在ＭＴ体实验室的技术报告中至少给出了５种有ｉａｄＩ媒０关情感识别的应用。因此，研究基于生理信号的情感识别
是很有意义的。甘前，用丁情感生理信号特征选择的方法有Ｆｓｅｉｈｒ、ＳＦ、ＡＯＡ、ＳＳＢ等，这些方法ＦＳＮＶＦ、ＳＳ都是一些传统的方法，对于部分情感状态识别率可达到
８％上。粒子群优化算法（Ｓ，ＰｒｉｌＳａｍ０以ＰＯａｔｃｅｗｒＯｔｍｚｔｏ）近几年出现的一种模拟鸟群捕食行为的ｐｉｉａｉｎ是
仿生算法，该算法具有个体数日少、计算速度快、容易理解、易于实现等特点。但ＢＳ易陷入局部最优解。因此，ＰＯ
组合。
为了避免群体过早地陷入局部最优解，本文采用变异离散粒子群优化算法进行情感生理信号的特征选择，实验结果表明，该方法是一种有效的生理信号特征选择方法。２基于变异ＢＳ的特征选择方法Ｐ０
ｒ＿］
变异ＢＳＰｏ方法在情感生理信号特征选择中的应用
杨瑞请
（州教育学院计算机系，福建福州５００）福５０１
摘要：在情感状态识别中，往往会存在很多无关特征而影响识别的效果，因此进行特征选择是很有必要的。文章针对

结合先验知识及注意力机制的生物医学实体识别和关系抽取

结合先验知识及注意力机制的生物医学实体识别和关系抽取摘要生物医学实体识别和关系抽取是生物信息学领域的重要研究方向。

在本文中，我们将结合先验知识和注意力机制来探讨生物医学实体识别和关系抽取的应用。

我们将首先介绍生物医学实体识别和关系抽取的定义及其应用领域。

其次，我们将详细介绍先验知识和注意力机制的概念及其在生物医学实体识别和关系抽取中的应用。

最后，我们将使用先验知识和注意力机制来实现构建一个精确的生物医学实体识别和关系抽取模型，并对该模型进行评估。

关键词：生物医学实体识别、关系抽取、先验知识、注意力机制引言随着科技的发展和医疗保健领域的进步，生物医学领域的数据量不断增长，通过对这些数据的分析和挖掘，人们可以发现有用的知识。

生物医学实体识别和关系抽取是生物信息学领域内的两个重要的研究领域，它们是生物信息学领域实现智能化的关键。

生物医学实体识别旨在识别文本中的实体，即基因、蛋白质、药物、疾病等。

关系抽取是指从文本中挖掘出实体之间的关系，例如药物与疾病之间的治疗关系、基因与疾病之间的相关性等。

生物医学实体识别和关系抽取在生物医学研究中非常重要，可以促进生物医学领域中的疾病诊断、药物研发等工作。

本文主要介绍如何利用先验知识和注意力机制来提高生物医学实体识别和关系抽取的准确性和效率。

先验知识的应用先验知识是指从先前已知的事实或经验中所获得的知识。

在生物医学实体识别和关系抽取中，先验知识可以帮助我们减少时间和资源的浪费，提高实体识别和关系抽取的准确性。

先验知识在生物医学实体识别中的应用生物医学实体识别的一个关键问题是如何识别实体的类型。

通过利用先验知识，我们可以更好地识别实体。

例如，可以通过外部数据库来获取实体的标准名称和全名，这样就可以避免在不同的文本中对同一实体命名不一致的情况。

此外，通过先验知识还可以确定实体之间的关系，从而更好地识别实体。

例如，通过知道一些基因与疾病之间的相关性，可以帮助我们更加准确地识别基因或疾病实体。

基于PTPR排名的基因随机选择算法

ｗｈｌｎｙａｏｔ１ｉｏｌｂｕ０％～４ｅ０％ｆｒＭｉｈｌＤｒｍｉｓｉＳｍｅｈｄ，ａｄＰＴｏｃａａｎｋ ’ ｔｏｎＰＲｏｖｒｅｉｎｆｃｎｌａｔｒａｈｃｎｅｇｄｓｇｉａｔｆｓｅｔｔｅｉｙｓｍｅｔａｉ．ＩｅｍｓｏｌｓｉｉａｉｎｕｏｉｅｄｔｅｓＴＰｍａｎａｎｄｇｏｅｆｒｎｅａｄａｈｅｅｈｍｅｎｔｒｆｃａｓｆｃｔｏｐｎｆａａｓｔ．ＰＲｉｔｉｅｏｄｐｒｏｍａｃｎｃｉｖｄｔｅｖｈｇｅｔｃａｓｆｃｔｎｒｔｓｏ８ｉｈｓｌｓｉａｉａｅｆ９％，９％，８ｉｏ０９％，９５％ａｄ７ｎ５％，ｒｓｅｔｅｙ，ｂｔｅｈｎｔｏｅｆｏＭｉｈｌｅｐｃｉｌｖｅｔｒｔａｈｓｒｍｃａＤｒｍｉｓｉＳｍｅｈｄｗｉ６，８ａｎｋ ’ ｔｏｔ９％ｈ９％，８％，９５５％ａｄ７ｎ０％，ｒｓｅｔｅｙＩｉｅｎｔａｅｈｔＰＲｓａｅｐｃｉｌ．ｔｓｄｍｏｓｒｔｄｔａＴＰｉｎｖ
：ｌ
Ｉ
ｌ
：
ｆ——ｆ ——］
：
ｌ
ＰＰ￣＂ｒＲ
基因选择。因决策树基冈排决策树重要性基因随机组合种子基因基
盯Ｐ和ＭｃＨ有
一赛：选— 三种’ ÷＋ｊｊ胜排球普卜互卜子手至者名通选［一获

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

一种基于先验信息ＢＰＳＯ的基因选择方法
杨春，韩飞
（）江苏大学计算机科学与通信工程学院，江苏镇江２１２０１３
摘要：针对如何提高所选基因子集的可解释性和分类性能，提出一种耦合先验信息二进制微粒群算法（的基ＢＰＳＯ）
）信息和基因调控（信息分别耦合进两个相互独立的共享全局最优位置的Ｂ因选择方法。基因灵敏度（ＧＣＳＧＲ）ＰＳＯ过程中，主要利用先验约束进行粒子群初始化、粒子更新、限制最大速度和自适应变异操作。在两个公开微阵列数据由于Ｇ新方法选出的基因数目较少但具有较强的分类能力。集上的实验表明，ＣＳ和ＧＲ信息的约束，
［］基于Ｅ比基于Ｆｉｌｔｅｒ的好２；ｍｂｅｄｄｅｄ的方法将基因子集
０引言
所选的搜索和评价过程完全耦合到构建分类器的过程中，择的基因具有很低的可解释性。Ｗｒａｅｒ法因其直接使用分类器分类性能作为特征ｐｐ从而可以选择出高分类预测率的基因的子集的评价标准，优点，受到越来越多研究人员的青睐。许多基于群体随机优化的特征子集搜索算法已经被广泛地应用在Ｗｒａｅｒｐｐ［３］，、法中，包括：遗传算法（模拟退ＧｅｎｅｔｉｃａｌｏｒｉｔｈｍｓＧＡ）ｇ动计算机图形学及３Ｄ动画产业更好发展。
）为激励函数， · 加法型隐层节点网络中可选作任意有ｇ（界非常数分段连续函数，本文中采用ｓｉｍｏｉｄ函数。ｇ
２耦合先验信息ＢＰＳＯ算法的基因选择方法
２．１基因灵敏度信息
从单个基因对分类器输出的直接影响程度来去除冗这种方法称为基于分类模型的灵敏度分析。下面余基因，给出基于单隐层前馈神经网络的ＥＬＭ基因类别灵敏度信息定义。，在训练集样本ＸＴＬＭ网络结构可得第ｒａｉｎｉｎｇ中利用Ｅｉ个输入对所有输出的灵敏度：
ｍ
基因子集。实验结果表明，本文提出的方法能够有效而快速地选取具有低冗余度且高识别率的基因子集。
）＝Ｓ（ｉ）式有：２根据（
ｍＬ
ｘ∈ห้องสมุดไป่ตู้Ｔｒａｉｎｉｎｇ
∑ ∑
ｔ＝１
（
ｙｉｔ）ｘｉ
（）３
１相关理论基础
）＝Ｓ（ｉ
ｘ∈ＸＴｒａｉｎｉｎｇ
·３７·
，等。相比于遗传算法，ｔｉｍｉｚａｔｉｏｎＰＳＯ）ＰＳＯ算法需要调整６］；的参数少，因而简洁、收敛速度更快，更易实现［相比于［７］模拟退火算法，ＰＳＯ算法更易收敛于全局最优点。二进是Ｐ制微粒群算法（ＢｉｎａｒＰＳＯ，ＢＰＳＯ）ＳＯ的一个离散版ｙ用于处理离散空间的组合优化问题。然而所有Ｐ本，ＳＯ算法都容易失去粒子多样性，从而在收敛时陷入局部最即“ 过早熟 ” 现象。其主要原因在于Ｐ优，ＳＯ进化过程中随机因素太多，缺乏实际有效的先验信息对粒子的初始化和进化运动进行约束和方向性引导。为了有效利用先验信息来指导Ｐ提ＳＯ的粒子进化，高所选基因子集的识别率，增加所选基因的可解释性，文］提出了耦合Ｇ献［１６ＣＳ信息ＢＰＳＯ的基因选择方法（ＢＰ－。由于仅考虑一种先验信息，容易出ＳＯ－ＧＣＳＩ－ＥＬＭ）现先验信息过于主导选择过程的现象，且耦合程度不高。本文在Ｂ基因灵敏度（ＰＳＯ中耦合两种先验信息：Ｇｅｎｅ－
关键词：基因选择；基因灵敏度；基因调控；二进制微粒群：／ＤＯＩ１０．１１９０７ｒｄｋ．１５１３８５ｊ（）中图分类号：ＴＰ３０１文献标识码：Ａ文章编号：１６７２７８００２０１５００７００３６０５－－－序，从而进行筛选；基于Ｗａｒｅｒ的方法将分类算法嵌入ｐｐ并不断地反馈分类器的分类准确率作为评价准则，其中，将分类决策和特征选择耦合在一起，该方法的分类效果要基因表达谱数据已经广泛应用于疾病诊断和预测。但是基因表达谱数据具有高维度、小样本的特点，存在大量冗余基因信息。因此，采用基因选择方法去除冗余基因是十分必要的。根据基因选择过程中是否有分类器的参与，基因选择方法通常可以分为基于Ｆ基于Ｗｌｉｔｅｒ的方法、ａｒｅｒ的方ｐｐ［１］。基于Ｆ法和基于Ｅｍｂｅｄｄｅｄ的方法３类ｉｌｔｅｒ的方法通常根据某种规则，给每一个基因作一个重要性度量的排
）， · 对于任意的Ｗ、存在一个输出权值矩阵β，使Ｂ，ｇ（［３６］。能够以零误差逼近这个样本的数得ＳＬＦＮｓＮＥＬＭ学模型为：
Ｌ
ｙｉ＝
， …，ｗ ·ｘ＋ｂ）ｉ＝１，Ｎ ∑βｇ（
ｋｋｉｋ
ｋ＝１
（）２
Ｔ …，是连接第ｗ１ｗ２ｗｎ其中ｗｋ＝［ｋ，ｋ，ｋ］为输入权重，；ｋ个隐层节点与所有ｎ个输入节点的权重向量 β ｋ＝［ｋ１， β Ｔ …，是连接第ｋ个隐层节点与所有ｋ２，ｋｍ］为输出权重， β β ｍ个输出节点的权重向量；ｂｋ为第ｋ个隐层节点偏置，
［［］［］］）；ｉｓｕａｌ－＞ｖｅｒｔｅｘｖｉｓｕａｌ－＞ｉｎｄｅｘｌｏｏ．ｖ１．ｚｖｐ（［ｉｓｕａｌ－＞ｔｅｘｔｕｒｅｖｉｓｕａｌ－＞ｉｎｄｅｘｌＴｅｘＣｏｏｒｄ２ｆｖｇ［］［］］，ｌｏｏ．ｔ２．ｕｐ［［］［］］）；ｉｓｕａｌ－＞ｔｅｘｔｕｒｅｖｉｓｕａｌ－＞ｉｎｄｅｘｌｏｏ．ｔ２．ｖｖｐ（［［ｖｉｓｕａｌ－＞ｖｅｒｔｅｘｖｉｓｕａｌ－＞ｉｎｄｅｘｌｏｏ．ｌＶｅｒｔｅｘ３ｄｇｐ］［］］，ｖ２．ｘ［［］［］］，ｉｓｕａｌ－＞ｖｅｒｔｅｘｖｉｓｕａｌ－＞ｉｎｄｅｘｌｏｏ．ｖ２．ｖｐｙ［［］［］］）；ｉｓｕａｌ－＞ｖｅｒｔｅｘｖｉｓｕａｌ－＞ｉｎｄｅｘｌｏｏ．ｖ２．ｚｖｐ｝（）ｌＥｎｄｇ
第７期杨春，韩飞：一种基于先验信息ＢＰＳＯ的基因选择方法
［４］）、火算法（蚁群算法（ＳｉｍｕｌａｔｅｄａｎｎｅａｌｉｎＡｎｔｃｏｌｏｎｏ－ｇｙｐ［］５，）（和微粒群优化算法ｔｉｍｉｚａｔｉｏｎＡＣＯＰａｒｔｉｃｌｅｓｗａｒｍｏ－ｐ
））（）））Ｈｉｄ（ｋ１－ｇ（Ｈｉｄ（ｋｗ βｇ（ ∑ ∑ ∑（
ｋｔ
ｔ＝１ｋ＝１ｎ
（
ｉｋ
））
１．１ＢＰＳＯ算法
［０］于１Ｋｅｎｎｅｄｂｅｒｈａｒｔ１９９７年提出了二进制粒子ｙ与Ｅ。群算法（ＢｉｎａｒＰａｒｔｉｃｌｅＳｗａｒｍＯｔｉｍｉｚａｔｉｏｎ，ＢＰＳＯ）ｙｐ在该算法中，粒子位置的每一位被限制为１或０，对速度
８］，）信息［和基因调控（ｔｏ－ｃｌａｓｓｓｅｎｓｉｔｉｖｉｔＧＣＳＧｅｎｅｉｎｔｅｒ－ｙ，信息，同时选取极限学习机（ａｃｔｉｏｎｒｅｕｌａｔｉｏｎＧＲ）Ｅｘ－ｇ［９］，）作为分类器评价所选的ｔｒｅｍｅｌｅａｒｎｉｎｍａｃｈｉｎｅＥＬＭｇ
５结语
本文介绍了以Ｏ其方法分ｅｎＧＬ为基础的贴图操作，ｐ为在平面上贴纹理和为网格模型添加纹理两种。纹理贴其应用将推图操作是处理计算机图形中十分常用的操作，
）基金项目：国家自然科学基金资助项目（６１２７１３８５
参考文献：
［］，第四１ＨＲＥＩＮＥＲＤ，ＷＯＯＭ，ＮＥＩＤＥＲＪｅｔａｌ．ＯｅｎＧＬ编程指南（Ｓｐ［版）邓郑祥，译．北京：人民邮电出版社，Ｍ］．２００５，１３．－［］［第二版）２ＩＧＨＴＲＳＪＲ，ＳＷＥＥＴＭ．ＯｅｎＧＬ超级宝典（Ｍ］．ＷＲｐ潇湘工作室，译．北京：人民邮电出版社，２００１，３１３２．－［］［第二版）３ＣＫＩＮＧＫ，ＡＳＴＯＲＤ．ＯｅｎＧＬ游戏程序设计（Ｍ］．ＨＯｐ田昱川，译．北京：科学出版社，２００６，１６７１７０．－［］（计算机图形学（第３版）４ＩＬＬＦＳＪＲ，ＫＥＬＬＥＹＳＭ．ＯｅｎＧＬ版）Ｈｐ［刘利刚，刘永进，等，译．北京：清华大学出版社，Ｍ］．胡事民，２００９，３６７３６９．－［］姚国清．三维模型文件中的Ｏ５ＢＪ格式在ＯｅｎＧＬ中的输王金峰，ｐ］（）：电脑知识与技术，入与处理［Ｊ．２０１１７２３９３２３９９．－［］，，基于Ｏ６周德芳刘京南余玲玲．ｅｎＧＬ实现三维重构点云处理ｐ［］（）：Ｊ．计算机应用，２００３２９１３．－（责任编辑：陈福时）