CN106101035A - 全反馈神经网络的信号盲检测方法 - Google Patents
全反馈神经网络的信号盲检测方法 Download PDFInfo
- Publication number
- CN106101035A CN106101035A CN201610382069.4A CN201610382069A CN106101035A CN 106101035 A CN106101035 A CN 106101035A CN 201610382069 A CN201610382069 A CN 201610382069A CN 106101035 A CN106101035 A CN 106101035A
- Authority
- CN
- China
- Prior art keywords
- matrix
- signal
- prime
- unity
- feedback
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03891—Spatial equalizers
- H04L25/03898—Spatial equalizers codebook-based design
- H04L25/0391—Spatial equalizers codebook-based design construction details of matrices
- H04L25/03923—Spatial equalizers codebook-based design construction details of matrices according to the rank
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L2025/0335—Arrangements for removing intersymbol interference characterised by the type of transmission
- H04L2025/03426—Arrangements for removing intersymbol interference characterised by the type of transmission transmission using multiple-input and multiple-output channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L2025/03592—Adaptation methods
- H04L2025/03598—Algorithms
- H04L2025/03611—Iterative algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
为了提高全反馈神经网络中节点信号的处理速度,本发明提供了一种全反馈神经网络的信号盲检测方法,包括:根据全反馈神经网络的状态构造检测信号接收矩阵;对当前时刻的检测信号接收矩阵进行奇异值分解;根据所述奇异值分解结果以及当前时刻和前一时刻的检测信号接收矩阵构造反馈信号矩阵;对信号进行放大处理并进行迭代。本发明基于节点在不同时刻信号特征之间的比例进行变换,并利用待输入到多输入输出系统的输入信号的相位稳定性进行信号筛选,提高了建模的收敛速度,进而提高了对各节点输入输出信号的处理速度。
Description
技术领域
本发明涉及多输入输出系统信号处理技术领域,更具体地,涉及一种全反馈神经网络的信号盲检测方法。
背景技术
神经网络是用机器模拟人脑智能活动的杰出代表。它巧妙地将生物神经网络的结构和工作方式角数学形式模拟出来,用于解决实际问题,已在众多领域获得成功应用。例如,根据疾病危险因素预测疾病发生风险,反馈神经网络在流行病学资料分析中占有相当比重。它属于非线性模拟系统,其特有的设计及工作原理使其对被分析的资料特性几乎没有任何要求,无论被研究资料是连续型还是离散型的,采用神经网络方法不必经过繁琐的变量特征分析过程即可直接使用并行处理的方式又使它对残缺资料以及干扰错误信号具有一定的处理能力神经网络还具有自动学习、识别变量间关系的能力,可以识别变量间的任何关系而不需要人脑的参与,其效果往往也优于传统分析方法。
但是,传统的反馈神经网络算法在建模时收敛速度慢,限制了其在多输入输出系统中。
发明内容
为了提高全反馈神经网络中节点信号的处理速度,本发明提供了一种全反馈神经网络的信号盲检测方法,包括:
(1)根据全反馈神经网络的状态构造检测信号接收矩阵;
(2)对当前时刻的检测信号接收矩阵进行奇异值分解;
(3)根据所述奇异值分解结果以及当前时刻和前一时刻的检测信号接收矩阵构造反馈信号矩阵;
(4)对信号进行放大处理并进行迭代。
进一步地,所述步骤(1)包括:
(11)根据全反馈神经网络的状态,在t时刻的状态,获得t时刻要输入到节点Ni的有效信号Si(t)以及t-1时刻输入到节点Ni的有效信号Si'(t-1),所述有效信号表示在全反馈神经网络中的符合预定条件的信号传输路径中传输的信号,i=1,2,…N,N为正整数;
(12)计算各待处理信号Si(t)之间的对数比例,获得它们彼此之间的比例系数:
K1:K2:K3:...:KN=|lg(||S1(t)||)|:|lg(||S2(t)||)|:|lg(||S3(t)||)|:...:|lg(||SN(t)||)|
(13)构造t时刻的检测信号接收矩阵A:
(14)构造(t-1)时刻的检测信号接收矩阵B:
其中
进一步地,所述步骤(2)包括:
对检测信号接收矩阵进行奇异值分解:
A=UDVH,其中U为A的行奇异向量,D为A的对角阵,VH为A的列奇异向量。
进一步地,所述步骤(3)包括:
(31)获得各待处理信号Si(t)的相位信息矩阵P:
其中Pi为与之对应的待处理信号Si(t)的相位信息,i=1,2,…N,N为正整数;
(32)对(t-1)时刻的检测信号接收矩阵B进行奇异值分解,获得其广义逆矩阵B':
(33)计算广义逆矩阵B'的秩α;
(34)对相位信息矩阵P进行筛选:
去掉相位信息矩阵P中Pi小于预设阈值的值,得到矩阵P^;
(35)计算相位信息矩阵P^的秩β;
(36)计算各待处理信号Si(t)的相位信息的比例:
L1:L2:L3:...:LN=||P1||:||P2||:||P3||:...:||PN||;
(37)构造相位信息归一化对角矩阵I:
其中ci表示相位信息矩阵P中Pi小于预设阈值的值的情况,且当相位信息矩阵P中Pi小于预设阈值的值时,ci=0,否则ci=||D||;
(38)确定矩阵I的最大重特征值T,将其确定为优化问题的极值,进而计算Li与T之间的标准差Gi并以此标准差构造反馈比例矩阵G;
(39)构造反馈信号矩阵F:
进一步地,所述步骤(4)包括:
(41)根据反馈信号矩阵对接收矩阵信号进行反馈,得到待放大矩阵E:
E=A-F
(42)确定信号放大比例m;
(43)对待放大矩阵E进行放大,构造矩阵R':
R'=m×E;
(44)对矩阵R'进行反对数运算,得到供输入给多输入输出系统的信号矩阵Ri(t)
(45)构造迭代函数f:
其中表示取上整数。
进一步地,所述lg处理函数可以替换为ln处理函数,且反对数运算相应地替换为幂指数函数的反对数计算。
进一步地,所述步骤(11)中的预定条件为:与节点Ni连接的路径的使用概率大于预设阈值,该使用概率其中w为对节点Ni的已监测周期,γk(SNi(t))表示路径k是否被授权使用,当其被使用时γk(SNi(t))=1,否则γk(SNi(t))=0,即表示节点Ni在已监测周期w内存在信号的次数。
进一步地,所述幂指数函数的反对数计算采用ex形式的函数进行。
本发明的有益效果是:本发明基于节点在不同时刻信号特征之间的比例进行变换,并利用待输入到多输入输出系统的输入信号的相位稳定性进行信号筛选,剔除掉不能体现出相位集中区域的信号,从而降低了多输入输出系统在全反馈神经网络重建过程中运算的离散度,提高了建模的收敛速度,进而提高了对各节点输入输出信号的处理速度。
附图说明
图1示出了根据本发明的全反馈神经网络的信号盲检测方法的流程框图。
具体实施方式
如图1所示,根据本发明的优选实施例,本发明提供了一种全反馈神经网络的信号盲检测方法,包括:
(1)根据全反馈神经网络的状态构造检测信号接收矩阵;
(2)对当前时刻的检测信号接收矩阵进行奇异值分解;
(3)根据所述奇异值分解结果以及当前时刻和前一时刻的检测信号接收矩阵构造反馈信号矩阵;
(4)对信号进行放大处理并进行迭代。
优选地,所述步骤(1)包括:
(11)根据全反馈神经网络的状态,在t时刻的状态,获得t时刻要输入到节点Ni的有效信号Si(t)以及t-1时刻输入到节点Ni的有效信号Si'(t-1),所述有效信号表示在全反馈神经网络中的符合预定条件的信号传输路径中传输的信号,i=1,2,…N,N为正整数;
(12)计算各待处理信号Si(t)之间的对数比例,获得它们彼此之间的比例系数:
K1:K2:K3:...:KN=|lg(||S1(t)||)|:|lg(||S2(t)||)|:|lg(||S3(t)||)|:...:|lg(||SN(t)||)|
(13)构造t时刻的检测信号接收矩阵A:
(14)构造(t-1)时刻的检测信号接收矩阵B:
其中
优选地,所述步骤(2)包括:
对检测信号接收矩阵进行奇异值分解:
A=UDVH,其中U为A的行奇异向量,D为A的对角阵,VH为A的列奇异向量。
优选地,所述步骤(3)包括:
(31)获得各待处理信号Si(t)的相位信息矩阵P:
其中Pi为与之对应的待处理信号Si(t)的相位信息,i=1,2,…N,N为正整数;
(32)对(t-1)时刻的检测信号接收矩阵B进行奇异值分解,获得其广义逆矩阵B':
(33)计算广义逆矩阵B'的秩α;
(34)对相位信息矩阵P进行筛选:
去掉相位信息矩阵P中Pi小于预设阈值的值,得到矩阵P^;
(35)计算相位信息矩阵P^的秩β;
(36)计算各待处理信号Si(t)的相位信息的比例:
L1:L2:L3:...:LN=||P1||:||P2||:||P3||:...:||PN||;
(37)构造相位信息归一化对角矩阵I:
其中ci表示相位信息矩阵P中Pi小于预设阈值的值的情况,且当相位信息矩阵P中Pi小于预设阈值的值时,ci=0,否则ci=||D||;
(38)确定矩阵I的最大重特征值T,将其确定为优化问题的极值,进而计算Li与T之间的标准差Gi并以此标准差构造反馈比例矩阵G;
(39)构造反馈信号矩阵F:
优选地,所述步骤(4)包括:
(41)根据反馈信号矩阵对接收矩阵信号进行反馈,得到待放大矩阵E:
E=A-F
(42)确定信号放大比例m;
(43)对待放大矩阵E进行放大,构造矩阵R':
R'=m×E;
(44)对矩阵R'进行反对数运算,得到供输入给多输入输出系统的信号矩阵Ri(t)
(45)构造迭代函数f:
其中表示取上整数。
优选地,所述lg处理函数可以替换为ln处理函数,且反对数运算相应地替换为幂指数函数的反对数计算。
优选地,所述步骤(11)中的预定条件为:与节点Ni连接的路径的使用概率大于预设阈值,该使用概率其中w为对节点Ni的已监测周期,γk(SNi(t))表示路径k是否被授权使用,当其被使用时γk(SNi(t))=1,否则γk(SNi(t))=0,即表示节点Ni在已监测周期w内存在信号的次数。
优选地,所述幂指数函数的反对数计算采用ex形式的函数进行。
以上对于本发明的较佳实施例所作的叙述是为阐明的目的,而无意限定本发明精确地为所揭露的形式,基于以上的教导或从本发明的实施例学习而作修改或变化是可能的,实施例是为解说本发明的原理以及让所属领域的技术人员以各种实施例利用本发明在实际应用上而选择及叙述,本发明的技术思想企图由权利要求及其均等来决定。
Claims (8)
1.一种全反馈神经网络的信号盲检测方法,包括:
(1)根据全反馈神经网络的状态构造检测信号接收矩阵;
(2)对当前时刻的检测信号接收矩阵进行奇异值分解;
(3)根据所述奇异值分解结果以及当前时刻和前一时刻的检测信号接收矩阵构造反馈信号矩阵;
(4)对信号进行放大处理并进行迭代。
2.根据权利要求1所述的全反馈神经网络的信号盲检测方法,其特征在于,所述步骤(1)包括:
(11)根据全反馈神经网络的状态,在t时刻的状态,获得t时刻要输入到节点Ni的有效信号Si(t)以及t-1时刻输入到节点Ni的有效信号S'i(t-1),所述有效信号表示在全反馈神经网络中的符合预定条件的信号传输路径中传输的信号,i=1,2,…N,N为正整数;
(12)计算各待处理信号Si(t)之间的对数比例,获得它们彼此之间的比例系数:
K1:K2:K3:...:KN=|lg(||S1(t)||)|:|lg(||S2(t)||)|:|lg(||S3(t)||)|:...:|lg(||SN(t)||)|
(13)构造t时刻的检测信号接收矩阵A:
(14)构造(t-1)时刻的检测信号接收矩阵B:
其中
K'1:K'2:K'3:...:K'N
=|lg(||S'1(t-1)||)|:|lg(||S'2(t-1)||)|:|lg(||S'3(t-1)||)|:...:|lg(||S'N(t-1)||)|。
3.根据权利要求2所述的全反馈神经网络的信号盲检测方法,其特征在于,所述步骤(2)包括:
对检测信号接收矩阵进行奇异值分解:
A=UDVH,其中U为A的行奇异向量,D为A的对角阵,VH为A的列奇异向量。
4.根据权利要求3所述的全反馈神经网络的信号盲检测方法,其特征在于,所述步骤(3)包括:
(31)获得各待处理信号Si(t)的相位信息矩阵P:
其中Pi为与之对应的待处理信号Si(t)的相位信息,i=1,2,…N,N为正整数;
(32)对(t-1)时刻的检测信号接收矩阵B进行奇异值分解,获得其广义逆矩阵B':
(33)计算广义逆矩阵B'的秩α;
(34)对相位信息矩阵P进行筛选:
去掉相位信息矩阵P中Pi小于预设阈值的值,得到矩阵P^;
(35)计算相位信息矩阵P^的秩β;
(36)计算各待处理信号Si(t)的相位信息的比例:
L1:L2:L3:...:LN=||P1||:||P2||:||P3||:...:||PN||;
(37)构造相位信息归一化对角矩阵I:
其中ci表示相位信息矩阵P中Pi小于预设阈值的值的情况,且当相位信息矩阵P中Pi小于预设阈值的值时,ci=0,否则ci=||D||;
(38)确定矩阵I的最大重特征值T,将其确定为优化问题的极值,进而计算Li与T之间的标准差Gi并以此标准差构造反馈比例矩阵G;
(39)构造反馈信号矩阵F:
5.根据权利要求4所述的全反馈神经网络的信号盲检测方法,其特征在于,所述步骤(4)包括:
(41)根据反馈信号矩阵对接收矩阵信号进行反馈,得到待放大矩阵E:
E=A-F
(42)确定信号放大比例m;
(43)对待放大矩阵E进行放大,构造矩阵R':
R'=m×E;
(44)对矩阵R'进行反对数运算,得到供输入给多输入输出系统的信号矩阵Ri(t)
(45)构造迭代函数f:
其中表示取上整数。
6.根据权利要求2所述的全反馈神经网络的信号盲检测方法,其特征在于,所述lg处理函数可以替换为ln处理函数,且反对数运算相应地替换为幂指数函数的反对数计算。
7.根据权利要求2所述的全反馈神经网络的信号盲检测方法,其特征在于,所述步骤(11)中的预定条件为:与节点Ni连接的路径的使用概率大于预设阈值,该使用概率其中w为对节点Ni的已监测周期,γk(SNi(t))表示路径k是否被授权使用,当其被使用时γk(SNi(t))=1,否则γk(SNi(t))=0,即表示节点Ni在已监测周期w内存在信号的次数。
8.根据权利要求7所述的全反馈神经网络的信号盲检测方法,其特征在于,所述幂指数函数的反对数计算采用ex形式的函数进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610382069.4A CN106101035B (zh) | 2016-06-01 | 2016-06-01 | 全反馈神经网络的信号盲检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610382069.4A CN106101035B (zh) | 2016-06-01 | 2016-06-01 | 全反馈神经网络的信号盲检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106101035A true CN106101035A (zh) | 2016-11-09 |
CN106101035B CN106101035B (zh) | 2019-04-02 |
Family
ID=57446863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610382069.4A Active CN106101035B (zh) | 2016-06-01 | 2016-06-01 | 全反馈神经网络的信号盲检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106101035B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107495958A (zh) * | 2017-08-15 | 2017-12-22 | 上海市奉贤区中心医院 | 一种颈部神经信号记录方法 |
CN109688076A (zh) * | 2018-04-19 | 2019-04-26 | 南京邮电大学 | 基于离散多电平迟滞的噪声混沌神经网络的盲检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102035610A (zh) * | 2010-12-15 | 2011-04-27 | 南京邮电大学 | 基于初始状态向量控制的全反馈神经网络盲检测方法 |
CN102780542A (zh) * | 2012-07-19 | 2012-11-14 | 南京邮电大学 | 全反馈神经网络信号盲检测的增益因子调整方法 |
CN103152133A (zh) * | 2013-02-26 | 2013-06-12 | 南京邮电大学 | 一种基于迟滞全反馈神经网络的信号盲检测方法 |
US20130297541A1 (en) * | 2012-05-07 | 2013-11-07 | Filip Piekniewski | Spiking neural network feedback apparatus and methods |
-
2016
- 2016-06-01 CN CN201610382069.4A patent/CN106101035B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102035610A (zh) * | 2010-12-15 | 2011-04-27 | 南京邮电大学 | 基于初始状态向量控制的全反馈神经网络盲检测方法 |
US20130297541A1 (en) * | 2012-05-07 | 2013-11-07 | Filip Piekniewski | Spiking neural network feedback apparatus and methods |
CN102780542A (zh) * | 2012-07-19 | 2012-11-14 | 南京邮电大学 | 全反馈神经网络信号盲检测的增益因子调整方法 |
CN103152133A (zh) * | 2013-02-26 | 2013-06-12 | 南京邮电大学 | 一种基于迟滞全反馈神经网络的信号盲检测方法 |
Non-Patent Citations (1)
Title |
---|
刘勇等: "基于奇异值分解的混合递阶遗传算法训练径向基神经网络", 《系统工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107495958A (zh) * | 2017-08-15 | 2017-12-22 | 上海市奉贤区中心医院 | 一种颈部神经信号记录方法 |
CN109688076A (zh) * | 2018-04-19 | 2019-04-26 | 南京邮电大学 | 基于离散多电平迟滞的噪声混沌神经网络的盲检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106101035B (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duncker et al. | Learning interpretable continuous-time models of latent stochastic dynamical systems | |
Papageorgiou et al. | Fuzzy cognitive map based approach for predicting yield in cotton crop production as a basis for decision support system in precision agriculture application | |
CN112396191B (zh) | 一种基于联邦学习进行模型参数更新的方法、系统及装置 | |
CN110223785A (zh) | 一种基于深度学习的传染病传播网络重构方法 | |
Goto et al. | Twin vortex computer in fluid flow | |
CN103106535A (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
DE102021004591A1 (de) | Für Graphen vorgesehene neuronale Netzwerke für Datensätze mit Heterophilie | |
Farman et al. | Modeling and analysis of sustainable approach for dynamics of infections in plant virus with fractal fractional operator | |
CN110224763A (zh) | 基于哈密尔顿学习的新型量子态转移方法 | |
CN105897358B (zh) | 反馈神经网络的信号放大方法 | |
CN106101035A (zh) | 全反馈神经网络的信号盲检测方法 | |
CN106371321A (zh) | 一种焦化炉炉膛压力系统模糊网络优化pid控制方法 | |
Xu | Nonparametric inference for conditional quantiles of time series | |
Terziyska | A distributed adaptive neuro-fuzzy network for chaotic time series prediction | |
Zhang et al. | Simulink modeling and comparison of Zhang neural networks and gradient neural networks for time-varying Lyapunov equation solving | |
Qian et al. | On consensus control of nonlinear multiagent systems satisfying incremental quadratic constraints | |
Jimenez et al. | A weak Local Linearization scheme for stochastic differential equations with multiplicative noise | |
CN106096725B (zh) | 动态认知神经功能重建中的输入输出信号处理方法 | |
CN110780604B (zh) | 一种基于空时平滑性和时间相关性的空时信号恢复方法 | |
Papados | Solving hydrodynamic shock-tube problems using weighted physics-informed neural networks with domain extension | |
Chopin et al. | Computational doob h-transforms for online filtering of discretely observed diffusions | |
DE112020007371T5 (de) | Verfahren und Einrichtung für ein neuronales Netzwerk basierend auf energiebasierten Modellen einer latenten Variable | |
He et al. | Algebraic stability criteria of linear neutral systems with multiple time delays | |
Świetlicka et al. | Investigation of generalization ability of a trained stochastic kinetic model of neuron | |
CN107908595B (zh) | 基于卷积神经网络和数据驱动的非线性动态系统辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |