CN106842161A - 基于置信度评价的微动周期提取方法 - Google Patents

基于置信度评价的微动周期提取方法 Download PDF

Info

Publication number
CN106842161A
CN106842161A CN201710005181.0A CN201710005181A CN106842161A CN 106842161 A CN106842161 A CN 106842161A CN 201710005181 A CN201710005181 A CN 201710005181A CN 106842161 A CN106842161 A CN 106842161A
Authority
CN
China
Prior art keywords
fine motion
echo signal
target
radar echo
confidence level
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
Application number
CN201710005181.0A
Other languages
English (en)
Other versions
CN106842161B (zh
Inventor
唐传子
盛晶
任红梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Environmental Features
Original Assignee
Beijing Institute of Environmental Features
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Environmental Features filed Critical Beijing Institute of Environmental Features
Priority to CN201710005181.0A priority Critical patent/CN106842161B/zh
Publication of CN106842161A publication Critical patent/CN106842161A/zh
Application granted granted Critical
Publication of CN106842161B publication Critical patent/CN106842161B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于置信度评价的微动周期提取方法，包括：对目标的雷达回波信号进行初步微动周期提取，获得多个待选微动周期；针对所述多个待选微动周期中每一，基于该待选微动周期与所述雷达回波信号构建置信度函数，计算该待选微动周期的置信度；将置信度最大的待选微动周期作为目标的真实微动周期。本发明可大大提高微动周期提取结果的准确性。

Description

基于置信度评价的微动周期提取方法
技术领域
本发明涉及目标特征提取，尤其涉及一种基于置信度评价的微动周期提取方法
背景技术
微动目标的回波中蕴含了目标的电磁散射特性和运动特性，通过研究微动特征可以获得目标的运动信息，最终用于目标识别。微动周期提取是直接对获取的实测数据进行平滑和变换，提取难度相对较低，实现方便，实用性强。因此研究微动周期特征的提取对于促进目标识别技术的发展至关重要。
微动周期提取的主要算法有频谱分析、自相关函数、平均幅度差函数、循环自相关、F-检验等方法。频谱分析、自相关函数、平均幅度差函数等方法的提取结果精度不高，不适用于信噪比较低数据的周期提取；循环自相关和F检验方法提取精度相对较高，但都存在产生多个峰谷点导致误判的现象。若要提高周期提取的精度，有必要对多个峰谷点进行筛选，即对多个可能存在的周期中如何选取最精确的周期进行研究。
此外，在雷达观测目标的过程中，一些无微动目标由于噪声、调姿等原因，雷达回波也会产生一段时间的周期性起伏，在进行周期提取时同样能够求出目标的微动周期，将目标误判为微动目标，这样会增加目标识别的错误率，影响最终的识别结果。
可见，亟需一种新的微动周期提取方法解决以上问题。
发明内容
针对现有的微动周期提取方法存在的多个峰谷点导致误判、无微动目标提取出周期的缺陷，本发明提出一种基于置信度评价准则的微动周期特提取方法：首先对数据进行平滑处理，在周期提取前通过特征值熵的方法初步排除周期性不明显的目标，对其余目标进行周期提取；通过置信度评价准则对目标的多个峰谷点的可信度进行判断，选取可信度最高的结果作为最终的微动周期提取结果。本发明可大大提高微动周期提取结果的准确度。
本发明提供一种基于置信度评价的微动周期提取方法，包括：对目标的雷达回波信号进行初步微动周期提取，获得多个待选微动周期；针对所述多个待选微动周期中每一，基于该待选微动周期与所述雷达回波信号构建置信度函数，计算该待选微动周期的置信度；将置信度最大的待选微动周期作为目标的真实微动周期。
优选地，所述基于该待选微动周期与所述雷达回波信号构建置信度函数具体为：确定雷达回波信号序列中采样时间小于该待选微动周期的分量，将所述分量按照其在所述雷达回波信号序列中的顺序进行叠加，形成与该待选微动周期对应的判别序列，根据所述雷达回波信号序列与所述判别序列构建与该待选微动周期对应的置信度函数；其中，所述雷达回波信号序列与所述判别序列分量总数相同。
优选地，所述判别序列通过如下步骤形成：针对雷达回波信号序列x(n)＝[x1,x2...xN]及待选微动周期Tm，确定雷达回波信号序列中采样时间小于Tm的所有分量x1,x2...xk，将所述分量叠加形成分量总数为N的判别序列XTm＝[x1,x2...xk,x1,x2...xk...]；其中，m为Tm在待选微动周期集合中的序号，待选微动周期集合中的元素按照周期值从小到大的顺序排列；n、k为正整数，1≤n≤N，1≤k≤N，N为雷达回波信号序列分量总数。
优选地，所述根据所述雷达回波信号序列与所述判别序列构建与该待选微动周期对应的置信度函数具体为：根据公式1构建置信度函数：
其中，γT(m)为Tm的置信度，XTm(n+m)表示判别序列XTm中序号n+m对应的序列值。
优选地，在计算每一待选微动周期的置信度之后，所述方法还包括：将所述置信度与预设的置信阈值进行比较，将置信度小于置信阈值的待选微动周期舍弃，将置信度最大、且大于或等于置信阈值的待选微动周期作为目标的真实微动周期。
优选地，所述对目标的雷达回波信号进行初步微动周期提取具体为：采用循环自相关法对目标的雷达回波信号进行初步微动周期提取，得到与所述雷达回波信号对应的待选微动周期集合。
优选地，在所述对目标的雷达回波信号进行初步微动周期提取之前，所述方法还包括：分别判断不同目标的雷达回波信号的起伏程度，对起伏程度大于预设阈值的目标进行初步微动周期提取。
优选地，所述分别判断不同目标的雷达回波信号的起伏程度具体为：针对每一目标，构造其雷达回波信号的自相关矩阵；对所述自相关矩阵进行特征分解，得到所述自相关矩阵的特征值；计算每一目标的特征值熵，对特征值熵大于预设熵阈值的目标进行初步微动周期提取，将特征值熵小于或等于预设熵阈值的目标舍弃。
优选地，所述计算每一目标的特征值熵具体为：根据公式2计算每一目标的特征值熵：
其中，Ex为特征值熵，i为特征值，p(i)为雷达回波信号取模后归一化的信号序列。
优选地，在得到特征值之后，计算特征值熵之前，所述方法还包括：对于每一目标，将其相应的特征值从大到小排列，选取靠前的、预定数目的特征值用于特征值熵的计算。
由以上技术方案可知，本发明在微动周期提取前通过原始回波的起伏程度排除周期性不明显的目标，在微动周期提取后通过置信度函数对结果进行置信度评价，选择置信度最高的结果作为最终的周期提取结果，由此大大提高微动周期提取的准确度。
附图说明
图1是本发明实施例的基于置信度评价的微动周期提取方法示意图；
图2是本发明实施例的基于置信度评价的微动周期提取方法另一示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
本发明的发明人注意到，现有的微动周期提取方法存在的多个峰谷点导致误判、无微动目标提取出周期等问题，增大周期提取误差，严重影响目标识别结果。于是考虑到在微动周期提取领域，尽管提取方法层出不穷，但对于目标微动形式的判断和提取方法的置信度研究却很少。传统的微动周期提取方法通常假设微动形式已知，而实际中目标是否微动以及微动形式通常是未知的，这时需要首先进行微动特性检测，在微动周期提取前判断目标是否存在微动，再进行周期提取。在周期提取中，对于出现的多个峰谷点，传统的周期提取方法通常选择最大的峰值作为最终的提取结果，这样极易导致误判。对于多个可能存在的周期，可将置信度用于对周期提取结果评价中，明确周期提取结果相对的准确度，减少误判，这对于最终的目标识别结果具有重要意义。
下面结合附图详细说明本发明的技术方案。
图1示出了本发明的基于置信度评价的微动周期提取方法，参见图1，微动周期提取具体如下执行：
步骤101，对目标的雷达回波信号进行初步微动周期提取，获得多个待选微动周期。
微动一般是指目标的振动、进动、自旋等小幅运动。实际应用中，可采用频谱分析、自相关函数、平均幅度差函数、循环自相关、F-检验等方法进行微动周期提取。较佳地，本发明的实施例中采用循环自相关法对目标的雷达回波信号进行初步微动周期提取，得到与雷达回波信号对应的待选微动周期集合。一般地，待选微动周期集合中的元素按照周期值从小到大的顺序排列。
循环自相关法将自相关方法和平均幅度差函数方法相结合，采用类似谱估计中的自回归滑动模型方法将RCS序列进行周期“延拓”，构成循环函数。循环自相关函数和循环平均幅度差函数定义为：
式中mod(n+l,N)表示对n+l进行模为N的取余操作。
通过序列的起伏程度、峰值个数和峰值间隔等不同的置信度特征，可计算得到待选微动周期集合[T1,T2…Tr]，r为待选微动周期总数。
步骤102，针对上述多个待选微动周期中每一，基于该待选微动周期与雷达回波信号构建置信度函数，计算该待选微动周期的置信度。
所谓置信度(confidence measures)是对正确概率的一种度量，是表示某一事件可靠程度的一种指标。在微动周期提取中，置信度通过一个用于衡量求取的微动周期与观测数据之间匹配程度的函数来实现，而且该函数的值对于不同的观测数据具有可比性。
上述步骤具体如下执行：
A1，确定雷达回波信号序列x(n)＝[x1,x2...xN]中采样时间小于待选微动周期Tm的分量x1,x2...xk。
其中，m为Tm在待选微动周期集合中的序号；n、k为正整数，1≤n≤N，1≤k≤N，N为雷达回波信号序列分量总数。
A2，将确定的上述分量按照其在雷达回波信号序列中的顺序进行叠加，形成与Tm对应的判别序列XTm＝[x1,x2...xk,x1,x2...xk...]。
其中，判别序列与雷达回波信号序列分量总数相同。上述分量指的是信号序列的组成元素，由代表采样时间的序列序号及其对应的信号电平构成。
A3，基于雷达回波信号序列与判别序列，利用公式1构建与Tm对应的置信度函数。
其中，γT(m)为Tm的置信度，XTm(n+m)表示判别序列XTm中序号n+m对应的序列值。
这样，就可计算得到各待选微动周期的置信度。
步骤103，将置信度最大的待选微动周期作为目标的真实微动周期。
具体地，将各置信度与预设的置信阈值λ进行比较。若置信度小于λ，则此待选微动周期不是观测数据的准确周期；若置信度大于或等于λ，则取其中置信度最大的待选微动周期作为目标的真实微动周期。
通过上述步骤，本发明在微动周期提取后通过置信度函数对结果进行置信度评价，选择置信度最高的结果作为最终的微动周期提取结果，由此解决了现有技术中多个峰谷点导致误判的缺陷，大大提高微动周期提取的准确性。
工程应用中，一些无微动目标由于噪声、调姿等原因，雷达回波也会产生一段时间的周期性起伏，在进行周期提取时同样能够求出目标的微动周期，将目标误判为微动目标，这样会增加目标识别的错误率，影响最终的识别结果。为了解决此问题，本发明在微动周期提取前，通过特征值熵的方法初步排除周期性不明显的目标，对其余目标再进行周期提取。上述方法具体如下：
B1，对雷达回波信号进行平滑处理，提高信号光滑性。
B2，针对每一目标，构造其雷达回波信号x(n)的自相关矩阵Axx。
其中，axx()为x(n)的自相关函数。
B3，对自相关矩阵Axx进行特征分解，得到自相关矩阵的特征值。
Axx＝BΣBH
其中，B是特征向量构成的矩阵，ΣBH是由M个特征值构成的对角矩阵。
由于目标的微动致使时间序列呈现出周期性变化，特征分解后的特征值中只有一个较大值和若干小的特征值。而无微动的目标，回波起伏主要来自于原始回波对姿态的敏感性和随机噪声特征，分解后的所有特征值大小相近。因此分析回波周期性特征，只需选取较大的几个特征值即可。由于随机噪声特征值的分散性，求取特征值熵时适当选取特征值数量能够有效抑制噪声的影响。
B4，将M个特征值按照从大到小的顺序排列，选取靠前的预定数目的特征值。一般地，对于不同的目标，上述预定数目是一致的。如对于每个目标，均选取其较大的前20个特征值。
波形熵可描述波形的平缓度，波形越平坦，波形熵越小。本发明利用波形熵的这种特性描述特征值序列。
B5，基于上述预定数目的特征值，利用下面的公式计算特征值熵。
其中，Ex为特征值熵，i为各特征值，p(i)为雷达回波信号取模后归一化的信号序列。
B6，令训练得到的熵阈值为E0，若Ex>E0，则判断该目标为周期性明显的目标，继续进行下一步周期提取的操作；若Ex≤E0，认为该目标的起伏较平缓，则判断该目标为周期性不明显的目标，直接排除该目标，不进行周期的提取。
这样，本发明通过上述步骤，在微动周期提取前通过原始回波的起伏程度排除周期性不明显的目标，避免了现有技术中从无微动目标提取出周期的缺陷，减少了误判，提升了提取准确性。
图2为本发明的基于置信度评价的微动周期提取方法详细示意图。
需要说明的是，通过计算机仿真与实际应用均已验证本发明的前述技术效果。
根据本发明的基于置信度评价的微动周期提取方法，改进了传统的微动周期提取流程，在周期提取前有效排除无明显周期的目标。在周期提取后，通过置信度准则比较多个周期提取结果的准确度，选择置信度最高的结果作为最终的周期提取结果。这样，有效提高了微动周期提取的准确度，具有一定的工程实用价值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读取存储介质中，如：ROM/RAM、磁碟、光盘等。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于置信度评价的微动周期提取方法，其特征在于，包括：
对目标的雷达回波信号进行初步微动周期提取，获得多个待选微动周期；
针对所述多个待选微动周期中每一，基于该待选微动周期与所述雷达回波信号构建置信度函数，计算该待选微动周期的置信度；
将置信度最大的待选微动周期作为目标的真实微动周期。
2.如权利要求1所述的方法，其特征在于，所述基于该待选微动周期与所述雷达回波信号构建置信度函数具体为：
确定雷达回波信号序列中采样时间小于该待选微动周期的分量，将所述分量按照其在所述雷达回波信号序列中的顺序进行叠加，形成与该待选微动周期对应的判别序列，根据所述雷达回波信号序列与所述判别序列构建与该待选微动周期对应的置信度函数；其中，所述雷达回波信号序列与所述判别序列分量总数相同。
3.如权利要求2所述的方法，其特征在于，所述判别序列通过如下步骤形成：
针对雷达回波信号序列x(n)＝[x1,x2...xN]及待选微动周期Tm，确定雷达回波信号序列中采样时间小于Tm的所有分量x1,x2...xk，将所述分量叠加形成分量总数为N的判别序列XTm＝[x1,x2...xk,x1,x2...xk...]；
其中，m为Tm在待选微动周期集合中的序号，待选微动周期集合中的元素按照周期值从小到大的顺序排列；n、k为正整数，1≤n≤N，1≤k≤N，N为雷达回波信号序列分量总数。
4.如权利要求3所述的方法，其特征在于，所述根据所述雷达回波信号序列与所述判别序列构建与该待选微动周期对应的置信度函数具体为：根据公式1构建置信度函数：
其中，γT(m)为Tm的置信度，XTm(n+m)表示判别序列XTm中序号n+m对应的序列值。
5.如权利要求4所述的方法，其特征在于，在计算每一待选微动周期的置信度之后，所述方法还包括：将所述置信度与预设的置信阈值进行比较，将置信度小于置信阈值的待选微动周期舍弃，将置信度最大、且大于或等于置信阈值的待选微动周期作为目标的真实微动周期。
6.如权利要求5所述的方法，其特征在于，所述对目标的雷达回波信号进行初步微动周期提取具体为：采用循环自相关法对目标的雷达回波信号进行初步微动周期提取，得到与所述雷达回波信号对应的待选微动周期集合。
7.如权利要求6所述的方法，其特征在于，在所述对目标的雷达回波信号进行初步微动周期提取之前，所述方法还包括：
分别判断不同目标的雷达回波信号的起伏程度，对起伏程度大于预设阈值的目标进行初步微动周期提取。
8.如权利要求7所述的方法，其特征在于，所述分别判断不同目标的雷达回波信号的起伏程度具体为：
针对每一目标，构造其雷达回波信号的自相关矩阵；对所述自相关矩阵进行特征分解，得到所述自相关矩阵的特征值；
计算每一目标的特征值熵，对特征值熵大于预设熵阈值的目标进行初步微动周期提取，将特征值熵小于或等于预设熵阈值的目标舍弃。
9.如权利要求8所述的方法，其特征在于，所述计算每一目标的特征值熵具体为：根据公式2计算每一目标的特征值熵：
其中，Ex为特征值熵，i为特征值，p(i)为雷达回波信号取模后归一化的信号序列。
10.如权利要求9所述的方法，其特征在于，在得到特征值之后，计算特征值熵之前，所述方法还包括：
对于每一目标，将其相应的特征值从大到小排列，选取在前的、预定数目的特征值用于特征值熵的计算。
CN201710005181.0A 2017-01-04 2017-01-04 基于置信度评价的微动周期提取方法 Active CN106842161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710005181.0A CN106842161B (zh) 2017-01-04 2017-01-04 基于置信度评价的微动周期提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710005181.0A CN106842161B (zh) 2017-01-04 2017-01-04 基于置信度评价的微动周期提取方法

Publications (2)

Publication Number Publication Date
CN106842161A true CN106842161A (zh) 2017-06-13
CN106842161B CN106842161B (zh) 2019-03-26

Family

ID=59118494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710005181.0A Active CN106842161B (zh) 2017-01-04 2017-01-04 基于置信度评价的微动周期提取方法

Country Status (1)

Country Link
CN (1) CN106842161B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108303253A (zh) * 2017-12-06 2018-07-20 华南理工大学 基于长短时记忆循环神经网络的轴承早期故障识别方法
WO2019028931A1 (zh) * 2017-08-08 2019-02-14 网宿科技股份有限公司 一种确定事件周期值的方法及装置
CN110531337A (zh) * 2019-09-29 2019-12-03 北京润科通用技术有限公司 基于隶属度分析的目标可信度计算方法及装置
WO2023284764A1 (zh) * 2021-07-14 2023-01-19 森思泰克河北科技有限公司 车内生命体的雷达探测方法、装置及终端设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104360336A (zh) * 2014-11-24 2015-02-18 电子科技大学 一种自适应提取雷达目标微动周期的新方法
CN105445713A (zh) * 2015-11-13 2016-03-30 北京无线电测量研究所 一种高机动目标微动周期计算方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104360336A (zh) * 2014-11-24 2015-02-18 电子科技大学 一种自适应提取雷达目标微动周期的新方法
CN105445713A (zh) * 2015-11-13 2016-03-30 北京无线电测量研究所 一种高机动目标微动周期计算方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵双 等: "基于相关性函数的多站微动特征分析与提取", 《火力与指挥控制》 *
雷腾 等: "弹道目标进动周期特征提取新方法", 《计算机工程与应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019028931A1 (zh) * 2017-08-08 2019-02-14 网宿科技股份有限公司 一种确定事件周期值的方法及装置
CN108303253A (zh) * 2017-12-06 2018-07-20 华南理工大学 基于长短时记忆循环神经网络的轴承早期故障识别方法
CN110531337A (zh) * 2019-09-29 2019-12-03 北京润科通用技术有限公司 基于隶属度分析的目标可信度计算方法及装置
CN110531337B (zh) * 2019-09-29 2021-06-29 北京润科通用技术有限公司 基于隶属度分析的目标可信度计算方法及装置
WO2023284764A1 (zh) * 2021-07-14 2023-01-19 森思泰克河北科技有限公司 车内生命体的雷达探测方法、装置及终端设备

Also Published As

Publication number Publication date
CN106842161B (zh) 2019-03-26

Similar Documents

Publication Publication Date Title
CN106842161B (zh) 基于置信度评价的微动周期提取方法
CN108520199B (zh) 基于雷达图像与生成对抗模型的人体动作开集识别方法
CN108352072A (zh) 物体跟踪方法、物体跟踪装置以及程序
CN105069093A (zh) 一种基于嵌入式索引的水文时间序列相似性搜索方法
CN111122162B (zh) 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法
CN110058222B (zh) 一种基于传感器选择的双层粒子滤波检测前跟踪方法
CN105868572B (zh) 一种基于自编码器的心肌缺血位置预测模型的构建方法
CN106501465B (zh) 一种用于检测锚杆锚固质量的检测方法
CN108681689B (zh) 基于生成对抗网络的帧率增强步态识别方法及装置
CN110766060B (zh) 基于深度学习的时间序列相似度的计算方法、系统及介质
CN109040957A (zh) 一种基于wifi的室内定位方法及装置
CN110516525A (zh) 基于gan和svm的sar图像目标识别方法
CN104778341B (zh) 磁共振线圈合并系数计算方法、磁共振成像方法及其装置
CN107016359A (zh) 一种复杂环境下基于t分布的人脸快速识别方法
US7249001B2 (en) Process for estimating the motion phase of an object
CN115761393A (zh) 一种基于模板在线学习的无锚目标跟踪方法
CN109901064B (zh) 基于ica-lvq的高压断路器故障诊断方法
CN116879910B (zh) 激光扫描测距装置及其方法
CN110554368B (zh) 一种基于四维信息权重的人车识别方法
CN109985369B (zh) 一种基于智能腕戴式设备的自适应泳姿识别方法
JP2013242646A (ja) 目標類識別装置
CN111709440B (zh) 基于FSA-Choquet模糊积分的特征选择方法
CN111920397A (zh) 基于稀疏最小二乘支持向量机的动脉硬化程度检测方法
Rochmawati et al. Brain tumor classification using transfer learning
Sinuraya et al. Accuracy Analysis on Images Retrieval System using Radial Basis Function Algorithm and Coefficient Correlation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant