CN106971170A - 一种基于遗传算法利用一维距离像进行目标识别的方法 - Google Patents
一种基于遗传算法利用一维距离像进行目标识别的方法 Download PDFInfo
- Publication number
- CN106971170A CN106971170A CN201710223615.4A CN201710223615A CN106971170A CN 106971170 A CN106971170 A CN 106971170A CN 201710223615 A CN201710223615 A CN 201710223615A CN 106971170 A CN106971170 A CN 106971170A
- Authority
- CN
- China
- Prior art keywords
- individual
- target
- range profile
- dimensional range
- probability
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于遗传算法利用一维距离像进行目标识别的方法,涉及目标识别领域,对个体编码为二进制串,并选择个体进行个体适应度的检测和选择,利用选择算子进行交叉与变异操作后,对一维距离像进行目标识别,本发明由于采用了遗传算法来进行目标识别,使待识别目标一维距离像与一维距离像模板数据库的匹配时间缩短50%以上,识别速度大幅提高的基础上且能够保持良好的目标识别精度。
Description
技术领域
本发明涉及目标识别领域,尤其是一种基于遗传算法的目标识别方法。
背景技术
现代雷达目标识别往往是利用雷达的接收设备从目标的后向电磁散射信号中提取有效信息,其中利用目标散射中心在雷达径向上的投影,即目标的一维距离像进行目标识别的方法已经取得了很多成果。《雷达高分辨率一维像目标识别》提出了一种相关滤波法,其实质是设计一系列距离像模板,将待识别目标的一维像逐个与模板匹配,匹配度最高的模板类别就是目标的类别,但是一维距离像敏感于姿态角φ的变化,姿态角的变化可能会引起距离像的极大变化,因此必须建立完备的模板数据库,随着数据库容量的增大,从数据库中搜寻与待识别目标相匹配模板的工作量也会随之变大,随之使用上述文章中的常规匹配识别方法所耗费的时间也会大幅提高。
发明内容
为了克服现有技术的不足,提高识别速度,尤其是在模板数据库容量非常大的情况下的识别速度,本发明提供一种利用一维距离像进行目标快速识别的方法,利用遗传算法(GA)进行目标匹配识别,利用遗传算法在模板数据库内进行搜寻,当待识别目标的一维距离像与数据库内某姿态角下的距离像相关性最强时,则判定目标为此种类型。
本发明解决其技术问题所采用的技术方案的步骤如下:
步骤1:对个体进行编码和解码
遗传算法将个体编码为二进制串,由基因{0,1}组成,设参数的取值范围是[A,B],则用长度为n的二进制串来编码表示此参数,共产生2n种不同的编码,编码对应关系为:
其中
反之,当个体编码为本发明所述二进制串,则其解码公式为:
其中,X为个体,bi为第i个个体的二进制码;
步骤2:生成初始种群
对于初始的种群,其个体用均匀分布的随机数产生;
步骤3:个体适应度的检测和选择
按照个体适应度的大小决定个体的遗传几率,定义个体适应度函数为:
式(3)中,Ii,j为目标为i角度为j的个体,f(Ii,j)为个体Ii,j的适应度函数,X(i,j)为第i类目标在第j个角度的雷达目标一维距离像序列,X为待识别目标的雷达目标一维距离像序列,为序列X(i,j)和序列X的相关系数,为序列X(i,j)和序列X(i,j)的相关系数,为序列X和序列X的相关系数;
步骤4:选择遗传算子
本发明使用如下三种遗传算子:
a)选择运算使用比例选择算子,利用个体i的适应度与所有个体适应度之和的比值大小决定遗传到下一代的概率,设个体i的适应度与所有个体适应度之和的比值为Pi,即个体i被选中的概率Pi为:
其中,M为种群数,fi为个体i的适应度,fn,为个体n的适应度;
b)交叉运算使用单点交叉算子,以交叉概率Pc从步骤a)中选择运算后的种群中随机挑选个体,随机选择交叉点后,将其中两个个体在交叉点位置交换基因码形成两个子个体;
c)变异运算使用基本位变异算子,设Pm为变异概率,对于步骤b)中的种群个体,根据变异概率Pm随机选取个体并对此个体中随机选取的某位进行变异,所述变异为0→1和1→0;
步骤5:目标识别
将参数终止进化代数T、种群数M、交叉概率Pc和变异概率Pm在各自取值范围中取值后进行目标识别,目标识别过程的详细步骤如下:
首先将已知的各种目标类型各个角度下的一维距离像作为模板数据库,将模板数据库中的一维距离像数据和待测目标一维距离像数据按步骤1进行编码,然后将已获得的一维距离像数据组成模板数据库作为种群,种群数为M,并将模板数据库中的一维距离像数据与待测目标的一维距离像数据根据步骤3分别求出个体适应度,并按照步骤4中的选择运算概率Pi选取相应的个体数目,在选择运算过程中同时对模板数据库中的数据根据预设的交叉概率Pc和变异概率Pm执行步骤b)和步骤c)中所述的交叉和变异运算,经过选择运算并经过交叉和变异操作后的个体组成下一代,即子代;
在子代中不断重复本步骤中所述的目标识别过程,经过终止进化代数T代后,当个体适应度值持续上升至固定值不再变化时,则所得到的子代个体为最优解,若个体适应度值仍在不断升高,则终止进化代数T重新取值,直到个体适应度值持续上升至固定值不再变化时,所得到的子代个体为最优解,所述最优解即模板数据库中储存的某种目标某一角度下的一维距离像,与待测目标的一维距离像匹配的适应度值最高,将待测目标判定为此最优解的目标类型,从而完成目标识别。
所述的终止进化代数为T取值范围为100~500,种群数M取值范围为20~100,交叉概率Pc取值范围为0.4~0.9,变异概率Pm取值范围为0.0001~0.1。
本发明的有益效果在于由于采用了遗传算法来进行目标识别,使待识别目标一维距离像与一维距离像模板数据库的匹配时间缩短50%以上,识别速度大幅提高的基础上且能够保持良好的目标识别精度。
附图说明
图1为本发明基于遗传算法利用一维距离像进行目标识别的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
遗传算法启发于生物进化机制,使用适者生存原则,是一种高效、并行、全局搜索的方法,它能在潜在的方案种群中逐次搜寻最优解。在遗产算法的每一代中,根据个体在种群中的适应度值以及从遗传学中借鉴来的再造方法来进行最优个体选择,这个过程即通过对生物进化过程中的选择、交叉、变异等机制的模仿,来完成对最优解的全局搜索,因此将遗传算法应用于匹配识别过程中,其全局搜索能力以及并行计算能力能够大幅减少识别所耗时间,遗传算法是一种群体型算法,由选择、交叉、变异三个主要操作算子构成遗传操作。
步骤1:对个体进行编码和解码
遗传算法将个体编码为二进制串,由基因{0,1}组成,设参数的取值范围是[A,B],则用长度为n的二进制串来编码表示此参数,共产生2n种不同的编码,编码对应关系为:
其中
反之,当个体编码为本发明所述二进制串,则其解码公式为:
X为个体,bi为第i个个体的二进制码;
步骤2:生成初始种群
对于初始的种群,其个体用均匀分布的随机数产生;
步骤3:个体适应度的检测和选择
按照个体适应度的大小决定个体的遗传几率,定义个体适应度函数为:
式(3)中,Ii,j为目标为i角度为j的个体,f(Ii,j)为个体Ii,j的适应度函数,X(i,j)为第i类目标在第j个角度的雷达目标一维距离像序列,X为待识别目标的雷达目标一维距离像序列,为序列X(i,j)和序列X的相关系数,为序列X(i,j)和序列X(i,j)的相关系数,为序列X和序列X的相关系数;
步骤4:选择遗传算子
遗传算法使用如下三种遗传算子:
a)选择运算使用比例选择算子,利用个体i的适应度与所有个体适应度之和的比值大小决定遗传到下一代的概率,设个体i的适应度与所有个体适应度之和的比值为Pi,即个体i被选中的概率Pi为:
其中,M为种群数,fi为个体i的适应度,fn,为个体n的适应度;
b)交叉运算使用单点交叉算子,以交叉概率Pc从步骤a)中选择运算后的种群中随机挑选个体,随机选择交叉点后,将其中两个个体在交叉点位置交换基因码形成两个子个体;
c)变异运算使用基本位变异算子,设Pm为变异概率,对于步骤b)中的种群个体,假设Pm=0.1,根据变异概率Pm随机选取个体并对随机选择个体中的某一位进行变异,所述变异为0→1和1→0,如:
步骤5:目标识别
将参数终止进化代数T、种群数M、交叉概率Pc和变异概率Pm在各自取值范围中取值后进行目标识别,目标识别过程的详细步骤如下:
首先将已知的各种目标类型各个角度下的一维距离像作为模板数据库,将模板数据库中的一维距离像数据和待测目标一维距离像数据按步骤1进行编码,然后将已获得的一维距离像数据组成模板数据库作为种群,种群数为M,并将模板数据库中的一维距离像数据与待测目标的一维距离像数据根据步骤3分别求出个体适应度,并按照步骤4中的选择运算概率Pi选取相应的个体数目,在选择运算过程中同时对模板数据库中的数据根据预设的交叉概率Pc和变异概率Pm执行步骤b)和步骤c)中所述的交叉和变异运算,经过选择运算并经过交叉和变异操作后的个体组成下一代,即子代;
设初始种群M为100,则后续子代也将由100个个体组成,假设初始种群中个体i经过步骤4后得到选择概率Pi为0.1,那么个体i将会10次被选择出来;
在子代中不断重复本步骤中所述的目标识别过程,在经过终止进化代数T代后,当个体适应度值持续上升至固定值不再变化时,则所得到的子代个体为最优解,若个体适应度值仍在不断升高,则终止进化代数T重新取值,直到个体适应度值持续上升至固定值不再变化时,所得到的子代个体为最优解,所述最优解即模板数据库中储存的某种目标某一角度下的一维距离像,与待测目标的一维距离像匹配的适应度值最高,将待测目标判定为此最优解的目标类型,从而完成目标识别。
本发明实施例建立一个地面坦克模型,利用仿真回波数据得出全方位角的一维距离像模板数据库,再随机取某个角度下的一维距离像加高斯白噪声并利用遗传算法与模板数据库进行目标匹配识别,如下步骤1和步骤2是对本发明的阐述,为了具体说明遗传算法的识别过程,首先要有模板距离像数据和待识别目标的距离像数据,而要得到模板数据和待识别目标的一维距离像,利用电磁仿真软件来建模仿真来获取上述数据,步骤3和步骤4是遗传算法的具体实现过程,根据这一过程思路可以编写出具体的程序,编程包括但不仅限于MATLAB或C语言,本发明利用MATLAB遗传算法程序,按照步骤里的参数来赋值,具体步骤如下:
步骤1:利用电磁仿真软件FEKO对地面坦克目标进行建模仿真,坦克模型长0.5m,宽0.3m,仿真采用毫米波步进信号,带宽4GHz,调频步长400MHz,共101个频率点,其中距离分辨率为
步骤2:对目标雷达回波数据在方位角±10°内数据截取后进行去均值和归一化处理后,再进行快速傅里叶逆变换(Inverse Fast Fourier Transform,IFFT)变换,得到目标一维距离像数据,以此构造距离像模板数据库X(i,j),取方位角为10°时的一维距离像,加高斯白噪声后作为待识别目标的一维距离像X;
步骤3:对步骤2中所得数据利用遗传算法进行目标匹配
对个体进行编码与解码:±10°内雷达回波信号共21个序列,对于目标类型i和雷达视角j,设k1为参数i的编码长度,k2为参数j的编码长度,则遗传算法个体Ik编码总长度为k1+k2,其随机产生的二进制串构成基因码Gk为
步骤4:产生一个初始种群,基于步骤3中的基因码Gk,产生21个个体组成的种群;
1)个体适应度的检测和评估
设X(j)为待求目标一维距离像序列,Y(j-k)为模板数据库中某类目标某个姿态角下的一维距离像序列,其对应的个体为Ik,则个体Ik适应度函数f(Ik)由公式(6)求得:
其中,j为距离单元数,J为距离单元总数,取适应度值最大的个体遗传到下一代;
2)遗传算子:选择运算使用比例选择算子,交叉运算使用单点交叉算子,变异运算使用基本位变异算子,个体Ik被选中的概率pk为:
3)设置最大遗传代数T=200,交叉概率Pc=0.7,变异概率默认值,即可对种群进行目标识别操作。
对比传统匹配识别方法,计算结果表明采用本算法在目标方位角变化范围内具有良好的识别效果,且识别速度相对于传统识别方法提高了8秒左右,最主要的是利用了遗传算法所具有的全局和定向搜索能力,在模板数据库很大的情况下仍能保持高精度匹配,且其匹配速度能得到大幅提高,缩短了目标识别所需要的时间。
Claims (2)
1.一种基于遗传算法利用一维距离像进行目标识别的的方法,其特征在于包括下述步骤:
步骤1:对个体进行编码和解码
遗传算法将个体编码为二进制串,由基因{0,1}组成,设参数的取值范围是[A,B],则用长度为n的二进制串来编码表示此参数,共产生2n种不同的编码,编码对应关系为:
其中
反之,当个体编码为本发明所述二进制串,则其解码公式为:
其中,X为个体,bi为第i个个体的二进制码;
步骤2:生成初始种群
对于初始的种群,其个体用均匀分布的随机数产生;
步骤3:个体适应度的检测和选择
按照个体适应度的大小决定个体的遗传几率,定义个体适应度函数为:
式(3)中,Ii,j为目标为i角度为j的个体,f(Ii,j)为个体Ii,j的适应度函数,X(i,j)为第i类目标在第j个角度的雷达目标一维距离像序列,X为待识别目标的雷达目标一维距离像序列,为序列X(i,j)和序列X的相关系数,为序列X(i,j)和序列X(i,j)的相关系数,为序列X和序列X的相关系数;
步骤4:选择遗传算子
本发明使用如下三种遗传算子:
a)选择运算使用比例选择算子,利用个体i的适应度与所有个体适应度之和的比值大小决定遗传到下一代的概率,设个体i的适应度与所有个体适应度之和的比值为Pi,即个体i被选中的概率Pi为:
其中,M为种群数,fi为个体i的适应度,fn,为个体n的适应度;
b)交叉运算使用单点交叉算子,以交叉概率Pc从步骤a)中选择运算后的种群中随机挑选个体,随机选择交叉点后,将其中两个个体在交叉点位置交换基因码形成两个子个体;
c)变异运算使用基本位变异算子,设Pm为变异概率,对于步骤b)中的种群个体,根据变异概率Pm随机选取个体并对此个体中随机选取的某位进行变异,所述变异为0→1和1→0;
步骤5:目标识别
将参数终止进化代数T、种群数M、交叉概率Pc和变异概率Pm在各自取值范围中取值后进行目标识别,目标识别过程的详细步骤如下:
首先将已知的各种目标类型各个角度下的一维距离像作为模板数据库,将模板数据库中的一维距离像数据和待测目标一维距离像数据按步骤1进行编码,然后将已获得的一维距离像数据组成模板数据库作为种群,种群数为M,并将模板数据库中的一维距离像数据与待测目标的一维距离像数据根据步骤3分别求出个体适应度,并按照步骤4中的选择运算概率Pi选取相应的个体数目,在选择运算过程中同时对模板数据库中的数据根据预设的交叉概率Pc和变异概率Pm执行步骤b)和步骤c)中所述的交叉和变异运算,经过选择运算并经过交叉和变异操作后的个体组成下一代,即子代;
在子代中不断重复本步骤中所述的目标识别过程,经过终止进化代数T代后,当个体适应度值持续上升至固定值不再变化时,则所得到的子代个体为最优解,若个体适应度值仍在不断升高,则终止进化代数T重新取值,直到个体适应度值持续上升至固定值不再变化时,所得到的子代个体为最优解,所述最优解即模板数据库中储存的某种目标某一角度下的一维距离像,与待测目标的一维距离像匹配的适应度值最高,将待测目标判定为此最优解的目标类型,从而完成目标识别。
2.如权利要求1所述的一种基于遗传算法利用一维距离像进行目标识别的的方法,
其特征在于:
所述的终止进化代数为T取值范围为100~500,种群数M取值范围为20~100,交叉概率Pc取值范围为0.4~0.9,变异概率Pm取值范围为0.0001~0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710223615.4A CN106971170A (zh) | 2017-04-07 | 2017-04-07 | 一种基于遗传算法利用一维距离像进行目标识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710223615.4A CN106971170A (zh) | 2017-04-07 | 2017-04-07 | 一种基于遗传算法利用一维距离像进行目标识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106971170A true CN106971170A (zh) | 2017-07-21 |
Family
ID=59337299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710223615.4A Pending CN106971170A (zh) | 2017-04-07 | 2017-04-07 | 一种基于遗传算法利用一维距离像进行目标识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106971170A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507377A (zh) * | 2017-08-08 | 2017-12-22 | 北京佳讯飞鸿电气股份有限公司 | 光纤周界系统的信号处理方法及装置 |
CN109977227A (zh) * | 2019-03-19 | 2019-07-05 | 中国科学院自动化研究所 | 基于特征编码的文本特征提取方法、系统、装置 |
CN110335153A (zh) * | 2019-07-15 | 2019-10-15 | 电子科技大学 | 一种基于遗传算法的区块链交易输入选择方法 |
CN112329936A (zh) * | 2020-11-05 | 2021-02-05 | 西北工业大学 | 一种基于多种群遗传算法和相似性计算的信号延拓方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050100209A1 (en) * | 2003-07-02 | 2005-05-12 | Lockheed Martin Corporation | Self-optimizing classifier |
CN104252132A (zh) * | 2013-06-27 | 2014-12-31 | 上海新跃仪表厂 | 基于自适应遗传算法的行星际轨道控制优化方法 |
CN106372618A (zh) * | 2016-09-20 | 2017-02-01 | 哈尔滨工业大学深圳研究生院 | 一种基于svm与遗传算法的道路提取方法及系统 |
-
2017
- 2017-04-07 CN CN201710223615.4A patent/CN106971170A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050100209A1 (en) * | 2003-07-02 | 2005-05-12 | Lockheed Martin Corporation | Self-optimizing classifier |
CN104252132A (zh) * | 2013-06-27 | 2014-12-31 | 上海新跃仪表厂 | 基于自适应遗传算法的行星际轨道控制优化方法 |
CN106372618A (zh) * | 2016-09-20 | 2017-02-01 | 哈尔滨工业大学深圳研究生院 | 一种基于svm与遗传算法的道路提取方法及系统 |
Non-Patent Citations (1)
Title |
---|
郑根让 等: "基于遗传算法的一种高分辨率雷达目标识别方法", 《航空计算技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507377A (zh) * | 2017-08-08 | 2017-12-22 | 北京佳讯飞鸿电气股份有限公司 | 光纤周界系统的信号处理方法及装置 |
CN109977227A (zh) * | 2019-03-19 | 2019-07-05 | 中国科学院自动化研究所 | 基于特征编码的文本特征提取方法、系统、装置 |
CN110335153A (zh) * | 2019-07-15 | 2019-10-15 | 电子科技大学 | 一种基于遗传算法的区块链交易输入选择方法 |
CN110335153B (zh) * | 2019-07-15 | 2021-09-14 | 电子科技大学 | 一种基于遗传算法的区块链交易输入选择方法 |
CN112329936A (zh) * | 2020-11-05 | 2021-02-05 | 西北工业大学 | 一种基于多种群遗传算法和相似性计算的信号延拓方法 |
CN112329936B (zh) * | 2020-11-05 | 2023-03-24 | 西北工业大学 | 一种基于多种群遗传算法和相似性计算的信号延拓方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971170A (zh) | 一种基于遗传算法利用一维距离像进行目标识别的方法 | |
CN109886388A (zh) | 一种基于变分自编码器的训练样本数据扩充方法和装置 | |
CN107229904A (zh) | 一种基于深度学习的目标检测与识别方法 | |
CN109597043A (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN110334765A (zh) | 基于注意力机制多尺度深度学习的遥感影像分类方法 | |
CN110490230A (zh) | 基于深度卷积生成对抗网络的水声目标识别方法 | |
CN106096627A (zh) | 顾及特征优化的极化sar图像半监督分类方法 | |
CN106203444B (zh) | 基于条带波与卷积神经网络的极化sar图像分类方法 | |
CN105913450A (zh) | 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统 | |
CN109490838A (zh) | 一种面向数据库残缺的雷达辐射源识别方法 | |
Wen et al. | Learning ensemble of decision trees through multifactorial genetic programming | |
CN107273818A (zh) | 遗传算法融合差分进化的选择性集成人脸识别方法 | |
CN113033786B (zh) | 基于时间卷积网络的故障诊断模型构建方法及装置 | |
CN103020979B (zh) | 基于稀疏遗传聚类的图像分割方法 | |
CN103984996B (zh) | 水华机理时变模型的禁忌搜索及遗传算法优化预测方法 | |
CN110288075A (zh) | 一种基于改进混合蛙跳算法的特征选择方法 | |
CN103440275A (zh) | 一种基于普利姆的k均值聚类方法 | |
CN115170906A (zh) | 量子图像生成模型训练方法、图像生成方法及相关装置 | |
CN102880754A (zh) | 基于遗传算法的土地利用分形维数作用尺度的识别方法 | |
CN105160598A (zh) | 一种基于改进em算法的电网业务分类方法 | |
CN102697491B (zh) | 心电图特征波形识别方法和系统 | |
CN104794732A (zh) | 基于人工免疫网络聚类的灰度图像分割方法 | |
CN103473599A (zh) | 一种基于遗传算法和卡尔曼滤波的rbfn组合训练方法 | |
CN109948589A (zh) | 基于量子深度信念网络的人脸表情识别方法 | |
CN109633748A (zh) | 一种基于改进遗传算法的地震属性优选方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170721 |
|
WD01 | Invention patent application deemed withdrawn after publication |