CN107463967B - 多源航迹关联机器学习系统 - Google Patents
多源航迹关联机器学习系统 Download PDFInfo
- Publication number
- CN107463967B CN107463967B CN201710739282.0A CN201710739282A CN107463967B CN 107463967 B CN107463967 B CN 107463967B CN 201710739282 A CN201710739282 A CN 201710739282A CN 107463967 B CN107463967 B CN 107463967B
- Authority
- CN
- China
- Prior art keywords
- track
- training
- model
- data
- machine learning
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了多源航迹关联机器学习系统,属于多源信息融合领域,主要解决现有航迹关联模型在实际工程应用中需要人工大量反复调试,难以直接应用的问题。首先收集信源历史航迹数据,并对关联关系人工分析研判,形成原始数据库。然后设定训练样本向量构成,计算生成关联类和非关联类样本数据,形成航迹关联训练数据,对训练数据集预处理,生成标准训练数据集。最后通过二元分类机器学习模型,并采用合适的训练和验证方法,对模型进行训练、验证和超参调优,生成航迹关联模型。该系统自动训练生成航迹关联模型,完全避免了人工对模型参数的大量调试操作,具有模型生成速度快、实用效果好等优点。
Description
技术领域
本发明隶属于多源信息融合领域,涉及多源航迹关联模型的学习与生成,适用于雷达组网系统和多源情报融合系统。
背景技术
航迹关联是对不同探测手段或系统上报的多目标航迹进行判别处理,以期实现同一目标多源航迹的正确归并,为后续的航迹简单去重复或进一步融合处理提供依据,确保呈现态势中一个目标唯一对应一条航迹,保证目标航迹的唯一特性。不进行航迹关联处理或处理效果差,则难免会出现一个目标对应多条航迹的情形,严重影响后续态势分析与研判的准确性,因此航迹关联是多源信息融合的关键技术和核心环节,不可或缺。现有各种航迹关联方法是研究人员在不同假设下通过推导得到的,在实际应用中存在假设不合理、门限无法确定等问题,需要人工结合信源航迹自身特点和不同信源间的航迹差异,利用实测数据对所采用的航迹关联模型和相应的门限参数进行反复的修改和调试。在缺乏标准化自动化调试步骤和方法的情况下,航迹关联模型调试将耗费人工大量时间和精力,并且调试后的最终关联效果也难以达到最优,因此现有航迹关联方法尚无法直接解决实际工程中的航迹关联问题,离实际需求还存在较大差距。
发明内容
本发明的目的是提出多源航迹关联机器学习系统,旨在解决现有航迹关联方法在实际应用中,需要人工利用实测数据进行反复修改和调试的问题。由于多信源的航迹关联问题通常被转换为多个两个信源的航迹关联问题进行解决,因此通常以两个信源的航迹关联为典型问题进行研究。
本发明所述的多源航迹关联机器学习系统,具体包括以下技术措施:首先收集信源A和信源B历史航迹数据,对两信源航迹间的关联关系进行人工分析研判,存储航迹数据及人工分析研判结果,形成航迹关联训练原始数据库。然后设定航迹关联训练样本向量构成,基于航迹关联训练原始数据库,分别利用多个来自两个信源的同一目标航迹对数据和两个不同目标航迹对数据,计算生成关联类样本数据和非关联类样本数据,并混合形成航迹关联训练数据。进一步对训练数据集进行预处理,生成规范、无量纲训练数据集。最后选择机器学习中的二元分类学习模型,作为航迹关联机器学习模型,并采用合适的训练学习方法和模型验证方法,利用训练数据集,对选定的航迹关联机器学习模型进行训练、验证和超参调优,生成航迹关联模型。如果当前训练生成的航迹关联模型效果满足需求,直接输出航迹关联模型,用于信源A、B航迹关联,如果不满意,则考虑改变航迹关联训练样本向量构成或选择不同的分类学习模型,重新进行模型的训练验证。
本发明提出的多源航迹关联机器学习系统,可基于实测数据,自动训练生成航迹关联模型,完全避免了人工对模型参数的大量调试操作,具有模型生成速度快、实用效果好等优点,所生成的航迹关联模型无需调试可直接用于解决实际工程中的多源航迹关联问题。
附图说明
图1是多源航迹关联机器学习系统流程图。
具体实施方式
本发明提出的多源航迹关联机器学习系统技术方案包括以下步骤:
步骤1:收集信源A和信源B历史航迹数据,对两信源航迹间的关联关系进行人工分析研判,存储航迹数据及人工分析研判结果,形成航迹关联训练原始数据库;
步骤1.1:对信源A和信源B相同覆盖区域、相同时间段的航迹进行收集和保存,为使后续生成模型具有较强的泛化能力,在进行航迹数据收集时,应保证收集数据的多样性,对不同外部环境、不同工作模式、不同时间段、不同重合区域的两信源典型航迹数据进行广泛全面收集;
步骤1.2:人工对所收集两信源航迹间数据进行分析研判,对确定源于和疑似源于同一目标的两信源航迹对分别进行标记,剩余未进行标记的两信源所有航迹对组合均认定为源于两个不同目标,并把标记结果与相应航迹数据保存在一起,共同形成航迹关联训练原始数据库;
一种可行的两信源航迹关联关系标记方案为构建关联航迹批号对照表和临近航迹批号对照表,对航迹关联和非关联关系进行记录,把研判确定为源于同一目标的两信源航迹批号写入关联航迹批号对照表,把两个信源航迹相近但确定源于两个不同目标的航迹批号写入临近航迹批号对照表;由于两个目标越相近,两个信源对应航迹就会越相似,后续误判为同一个目标的可能性就越大,在训练模型时相应样本就越发重要,因此在记录航迹间非关联关系时,可主要对临近目标的两个信源航迹批号进行记录。
步骤2:设定航迹关联训练样本向量构成,基于航迹关联训练原始数据库,分别利用多个来自两个信源的同一目标航迹对数据和两个不同目标航迹对数据,计算生成关联类样本数据和非关联类样本数据,然后混合形成航迹关联训练数据;
步骤2.1:以航迹关联基本特征量为基础,复合构建训练样本向量x,航迹关联基本特征量包括两信源航迹在相同时刻航迹点处X方向位置差值Δx、X方向速度差值、Y方向位置差值Δy、Y方向速度差值、航向差值Δc,训练样本向量直接由某一时刻或多个时刻的部分或全部基本特征量构成,或通过非线性函数或核函数变换得到,训练样本向量的选取对生成的航迹关联模型具有直接的影响,根据模型验证结果对训练样本向量的选取进行更改,同时实际情况下,两信源航迹点时间是不一致的,为计算同一时刻航迹点处的航迹关联基本特征量,需要进行航迹插值处理,以实现航迹时间对齐;
一种典型的训练样本向量构建方法为随机选取并计算k个不同时刻的基本特征向量,然后计算它们的均方值,分别得到k个不同时刻航迹点X方向位置差值的均方、X方向速度差值的均方、Y方向位置差值的均方、Y方向速度差值的均方、航向差值的均方5个变量,合并在一起构成训练样本向量x,如式(1)所示
步骤2.2:根据构建的训练样本向量,从航迹关联训练原始数据库中选取多个两信源同一目标航迹对数据,计算得到关联类样本数据DC1,选取多个两个信源不同目标航迹对数据,计算得到非关联类样本数据DC2,然后混合构成航迹关联训练数据集D,在生成航迹关联训练数据集时,应保证选取的样本具有代表性,同时关联类样本数量与非关联类样本数量应大致相同,避免出现一类样本数量远大于另一类样本数量的数据不平衡问题。
步骤3.1:首先对缺项零值样本进行处理,训练数据中缺项零值样本所占比例小的,直接丢弃,缺项零值样本所占比例不可忽视,则对缺项零值样本进行填充处理;数据填充方法包括平均值填充、热卡填充、K最近距离邻法填充;
其中N表示总样本数量,n表示样本向量的维度。
步骤4:选择机器学习中的二元分类学习模型,作为航迹关联机器学习模型,采用训练学习方法和模型验证方法,利用训练数据集对选定的航迹关联机器学习模型进行训练、验证和超参调优,生成航迹关联模型,航迹关联问题实质上是机器学习中的二元分类问题,因此采用机器学习中的二元分类学习方法对航迹关联模型进行学习;
步骤4.1:根据需要选择二元分类学习模型,作为航迹关联机器学习模型,二元分类学习模型包括朴素贝叶斯、K近邻、混合高斯模型、感知机、逻辑回归、CART决策树、支持向量机、神经网络学习算法以及Boosting、Baging和随机森林;
航迹关联学习模型采用简单的感知机模型,则模型判别函数为
其中b为偏置,对应于航迹关联中的门限阈值参数,w=[b w1 w2 … wn]T,x在原有输入变量的基础上新增偏置分量x0=1,非线性激活函数f(·)是一个阶梯函数,形式为
与激活函数相匹配,目标变量t的表示设定为
即如果样本属于关联类样本,则目标变量为+1,如果属于非关联类样本,则目标变量为-1,感知器准则函数为
其中M表示所有误分类模型的样本集合,对于正确分类的样本,感知器准则赋予零误差,对于误分类,感知机通过调整w,来最小化EP;
步骤4.2:选择一种检验方法,把训练数据集划分分为训练集和测试集,为后续的模型训练和验证准备数据,检验方法包括:留样检验方法、留一交叉检验法和k-折叠交叉检验法,同时确定验证方法;
常用的验证方法为k-折叠交叉检验法,k常取5或10,具体步骤是:
步骤4.2.1:将训练数据集随机均分为k份;
步骤4.2.2:不重复地每次取其中一份做测试集,其他k-1份做训练集训练模型,之后计算该模型在测试集上的误差Erri;
对于二元分类问题来说,常用的误差Erri计算公式如式(10)所示,与误分类样本数量直接相关,
步骤4.2.3:将k次的Erri取平均得到最后的误差Err,作为模型的验证误差;
步骤4.3:采用与所选择模型相适应的训练方法,利用训练集对选定的航迹关联机器学习模型进行训练,利用测试集对模型进行验证和超参调优,生成航迹关联模型;
航迹关联机器学习模型采用简单的感知机模型,则采用随机梯度下降法,对模型参数进行求解,具体步骤为
步骤4.3.1:初始化w0=0,或各分量取(-1,1)间的一个随机数;
步骤4.3.2:在训练样本中选取误分类样本,即wTxltl≤0,更新w
w←w+ηxltl (11)
其中η是学习率参数,一般设置为小于1的正数,
步骤4.3.3:重复步骤4.3.2直到不存在误分类训练样本或达到设定的最大循环次数,算法终止。
步骤5:当前训练生成的航迹关联模型效果满足需求,直接输出航迹关联模型,用于信源A和信源B航迹关联,如果不满意,则考虑更改航迹关联训练样本向量x构成或选择不同的分类学习模型,重复步骤2~步骤4,重新进行模型的训练验证。
Claims (8)
1.多源航迹关联机器学习系统,其特征在于,包括以下步骤:
步骤1:收集信源A和信源B历史航迹数据,对两信源航迹间的关联关系进行人工分析研判,存储航迹数据及人工分析研判结果,形成航迹关联训练原始数据库;
步骤2:设定航迹关联训练样本向量构成,基于航迹关联训练原始数据库,分别利用多个来自两个信源的同一目标航迹对数据和两个不同目标航迹对数据,计算生成关联类样本数据和非关联类样本数据,然后混合形成航迹关联训练数据;
步骤5:如果当前训练生成的航迹关联模型效果满足需求,直接输出航迹关联模型,用于信源A和信源B航迹关联,如果不满意,则考虑更改航迹关联训练样本向量x构成或选择不同的分类学习模型,重复步骤2~步骤4,重新进行模型的训练验证;
其中,步骤1航迹关联训练原始数据库形成的特征在于:
步骤1.1:对信源A和信源B相同覆盖区域、相同时间段的航迹进行收集和保存,为使后续生成模型具有较强的泛化能力,在进行航迹数据收集时,保证收集数据的多样性,对不同外部环境、不同工作模式、不同时间段、不同重合区域的两信源典型航迹数据进行广泛全面收集;
步骤1.2:人工对所收集两信源航迹间数据进行分析研判,对确定源于和疑似源于同一目标的两信源航迹对分别进行标记,剩余未进行标记的两信源所有航迹对组合均认定为源于两个不同目标,并把标记结果与相应航迹数据保存在一起,共同形成航迹关联训练原始数据库。
2.如权利要求1所述的多源航迹关联机器学习系统,其特征在于所述步骤2具体包括以下子步骤:
步骤2.1:以航迹关联基本特征量为基础,复合构建训练样本向量x;航迹关联基本特征量包括两信源航迹在相同时刻航迹点处X方向位置差值Δx、X方向速度差值Y方向位置差值Δy、Y方向速度差值航向差值Δc变量,训练样本向量直接由某一时刻或多个时刻的部分或全部基本特征量构成,或通过非线性函数或核函数变换得到;
步骤2.2:根据构建的训练样本向量,从航迹关联训练原始数据库中选取多个两信源同一目标航迹对数据,计算得到关联类样本数据DC1,选取多个两个信源不同目标航迹对数据,计算得到非关联类样本数据DC2,然后混合构成航迹关联训练数据集D。
4.如权利要求1所述的多源航迹关联机器学习系统,其特征在于所述步骤4具体包括以下子步骤:
步骤4.1:选择二元分类学习模型,作为航迹关联机器学习模型;
步骤4.2:选择一种检验方法,把训练数据集划分分为训练集和测试集,为后续的模型训练和测试准备数据,同时确定验证方法;
步骤4.3:采用与所选择模型相适应的训练方法,利用训练集对选定的航迹关联机器学习模型进行训练,利用测试集对模型进行验证和超参调优,生成航迹关联模型。
5.如权利要求4所述的多源航迹关联机器学习系统,其特征在于所述步骤3.1中对缺项零值样本进行填充处理的具体方法包括平均值填充、热卡填充、K最近距离邻法填充。
6.如权利要求4所述的多源航迹关联机器学习系统,其特征在于所述步骤3.2中标准化处理包括0-1标准化、标准差标准化和正则化。
7.如权利要求5所述的多源航迹关联机器学习系统,其特征在于所述步骤4.1中二元分类学习模型包括朴素贝叶斯、K近邻、混合高斯模型、感知机、逻辑回归、CART决策树、支持向量机、神经网络学习算法以及Boosting、Baging和随机森林学习方法。
8.如权利要求5所述的多源航迹关联机器学习系统,其特征在于所述步骤4.2中检验方法包括留样检验方法、留一交叉检验法和k-折叠交叉检验法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710739282.0A CN107463967B (zh) | 2017-08-25 | 2017-08-25 | 多源航迹关联机器学习系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710739282.0A CN107463967B (zh) | 2017-08-25 | 2017-08-25 | 多源航迹关联机器学习系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107463967A CN107463967A (zh) | 2017-12-12 |
CN107463967B true CN107463967B (zh) | 2021-08-24 |
Family
ID=60550438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710739282.0A Active CN107463967B (zh) | 2017-08-25 | 2017-08-25 | 多源航迹关联机器学习系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463967B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108153519B (zh) * | 2018-01-16 | 2020-06-12 | 中国人民解放军海军航空大学 | 一种目标智能跟踪方法通用设计框架 |
CN108268632A (zh) * | 2018-01-16 | 2018-07-10 | 中国人民解放军海军航空大学 | 异常情报数据识别机器学习方法 |
CN108830176A (zh) * | 2018-05-25 | 2018-11-16 | 深圳市太空科技南方研究院 | 一种睡眠觉醒检测方法、装置及终端 |
CN108828527B (zh) * | 2018-06-19 | 2021-04-16 | 驭势(上海)汽车科技有限公司 | 一种多传感器数据融合方法、装置、车载设备及存储介质 |
CN109508812B (zh) * | 2018-10-09 | 2021-11-30 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN111351491A (zh) * | 2018-12-24 | 2020-06-30 | 长城汽车股份有限公司 | 目标数据融合方法及系统 |
CN110288001B (zh) * | 2019-05-28 | 2023-09-05 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于目标数据特征训练学习的目标识别方法 |
CN110321401B (zh) * | 2019-07-09 | 2023-05-26 | 中国人民解放军海军航空大学 | 时空数据关联深度学习方法 |
CN110824467B (zh) * | 2019-11-15 | 2021-11-19 | 中山大学 | 一种多目标跟踪数据关联方法及系统 |
CN111582356B (zh) * | 2020-04-30 | 2022-03-29 | 中国人民解放军海军航空大学 | 一种目标信息统一表示及关联方法 |
CN111898746B (zh) * | 2020-08-11 | 2024-01-02 | 中国人民解放军海军航空大学 | 一种中断航迹接续关联深度学习方法 |
CN111898755B (zh) * | 2020-08-11 | 2023-09-12 | 中国人民解放军海军航空大学 | 单一航迹智能合成方法及装置 |
CN112001433A (zh) * | 2020-08-12 | 2020-11-27 | 西安交通大学 | 一种航迹关联方法、系统、设备及可读取存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116688A (zh) * | 2012-12-13 | 2013-05-22 | 中国航空无线电电子研究所 | 用于机载航电系统的多源异类传感器目标航迹关联方法 |
CN103903101A (zh) * | 2014-04-14 | 2014-07-02 | 上海航天电子通讯设备研究所 | 一种通用航空多源信息监管平台及其方法 |
CN106056163A (zh) * | 2016-06-08 | 2016-10-26 | 重庆邮电大学 | 一种多传感器信息融合的目标识别方法 |
CN107066806A (zh) * | 2017-02-15 | 2017-08-18 | 中国人民解放军海军航空工程学院 | 航迹关联方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7436884B2 (en) * | 2002-03-26 | 2008-10-14 | Lockheed Martin Corporation | Method and system for wavelet packet transmission using a best base algorithm |
CN104007426B (zh) * | 2014-05-16 | 2016-08-17 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种基于lse(最小方差估计)的ads与雷达信息系统误差配准算法 |
CN104715154B (zh) * | 2015-03-23 | 2018-01-05 | 西安交通大学 | 基于kmdl准则判据的核k‑均值航迹关联方法 |
CN105373805A (zh) * | 2015-10-09 | 2016-03-02 | 中国电子科技集团公司第二十八研究所 | 一种基于最大熵准则的多传感器机动目标跟踪方法 |
CN105825239A (zh) * | 2016-03-31 | 2016-08-03 | 中国科学院电子学研究所 | 基于稀疏表示的多传感器航迹融合方法 |
CN107063259B (zh) * | 2017-03-08 | 2020-06-09 | 四川九洲电器集团有限责任公司 | 一种航迹关联方法及电子设备 |
-
2017
- 2017-08-25 CN CN201710739282.0A patent/CN107463967B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116688A (zh) * | 2012-12-13 | 2013-05-22 | 中国航空无线电电子研究所 | 用于机载航电系统的多源异类传感器目标航迹关联方法 |
CN103903101A (zh) * | 2014-04-14 | 2014-07-02 | 上海航天电子通讯设备研究所 | 一种通用航空多源信息监管平台及其方法 |
CN106056163A (zh) * | 2016-06-08 | 2016-10-26 | 重庆邮电大学 | 一种多传感器信息融合的目标识别方法 |
CN107066806A (zh) * | 2017-02-15 | 2017-08-18 | 中国人民解放军海军航空工程学院 | 航迹关联方法及装置 |
Non-Patent Citations (2)
Title |
---|
使用scikit-learn对数据进行预处理;蓝鲸;《http://bluewhale.cc/2016-11-20/use-scikit-learn-to-preprocess-the-data.html》;20161120;第1、2、4、6页 * |
目标航迹关联的时序SVM信息融合方法研究;王建;《中国优秀硕博士学位论文全文数据库(硕士)》;20051215(第08期);第4-5、24、32-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107463967A (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463967B (zh) | 多源航迹关联机器学习系统 | |
CN106649789B (zh) | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 | |
Khan et al. | A stacked machine and deep learning-based approach for analysing electricity theft in smart grids | |
CN106843195B (zh) | 基于自适应集成半监督费舍尔判别的故障分类方法 | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN103901880A (zh) | 基于多分类器和d-s证据融合的工业过程故障检测方法 | |
CN107704962B (zh) | 一种基于不完整训练数据集的蒸汽流量区间预测方法 | |
CN107506444B (zh) | 中断航迹接续关联机器学习系统 | |
CN111191726A (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
Demetriou et al. | Generation of driving scenario trajectories with generative adversarial networks | |
CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
Møller et al. | Thermometry of one-dimensional Bose gases with neural networks | |
Yan et al. | Optimizing cost-sensitive SVM for imbalanced data: connecting cluster to classification | |
Ramana et al. | Data mining approach for quality prediction and improvement of injection molding process through SANN, GCHAID and association rules | |
CN108153519B (zh) | 一种目标智能跟踪方法通用设计框架 | |
CN117313516A (zh) | 一种基于时空图嵌入的发酵产物预测方法 | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
CN106202926A (zh) | 基于多节点协同探测的空间系统偏差配准优化方法 | |
CN102122349B (zh) | 应用于伺服电机系统的基于巴氏距离和有向无环图构建多分类支持向量机分类器的方法 | |
Zhao et al. | Deep learning in power systems | |
Ye et al. | Application of Machine Learning and Hyper-Parameter Optimisation for Efficient Prediction of Transient Stability | |
Liu et al. | Adaptive robustness evaluation for complex system prognostics and health management software platform | |
Bright-Thonney et al. | Chained Quantile Morphing with Normalizing Flows | |
Giannopoulos et al. | Dipole Fitting in Unit-Level Spacecraft Equipment with Deep Neural Networks | |
Li et al. | Performance prediction of a production line with variability based on grey model artificial neural network |
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 |