CN109541639A - 一种基于粒子聚类的反演边界层高度方法 - Google Patents
一种基于粒子聚类的反演边界层高度方法 Download PDFInfo
- Publication number
- CN109541639A CN109541639A CN201811585669.6A CN201811585669A CN109541639A CN 109541639 A CN109541639 A CN 109541639A CN 201811585669 A CN201811585669 A CN 201811585669A CN 109541639 A CN109541639 A CN 109541639A
- Authority
- CN
- China
- Prior art keywords
- boundary layer
- sequence
- layer height
- formula
- sample
- 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
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
-
- 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于粒子聚类的边界层高度反演方法。该方法通过利用激光雷达的后向散射信号和色比信号构造大气粒子的样本X序列。然后使用高斯混合模型分类器对样本X序列进行分类,得到边界层之上的大气分子类和边界层之下的气溶胶类。最后根据类别F序列,通过查找类别序列的最大梯度处,检索出边界层高度的结果。该方法不依赖于气溶胶的垂直浓度廓线来查找边界层高度,而是根据大气粒子的二维分布,通过粒子聚类的方法来确定边界层高度,避免了复杂气溶胶层次对查找边界层高度带来的影响。本发明方法具有执行简单,准确度高和适用性广泛的特点。
Description
技术领域
本发明涉及大气探测技术领域,具体涉及一种基于粒子聚类的反演边界层高度方法。
背景技术
大气边界层,又称为行星边界层,由近地层,混合层及其上部的夹卷层构成。是直接受到人类活动影响的最底层大气。大气边界层是大气和地面进行物质和能量交换的重要桥梁。在边界层研究中,大气边界层高度是空气污染模型中的一个非常重要的参数,同时也是大气湍流结构的重要构成参数。因此,准确的查找到大气边界层高度将在污染物传输和环境变化中发挥重要的作用。
由于激光雷达具有很高的空间分辨率和连续稳定的工作能力,已成为探测边界层高度的主要手段。激光雷达系统可以使用气溶胶作为示踪剂来检测边界层高度,边界层高度可以从气溶胶浓度曲线推断。常规激光雷达边界层高度的算法包括梯度法,小波协方差变换(wavelet covariance transform,WCT)法和理想剖面拟合法。这些算法都是基于气溶胶浓度的垂直分布用来识别边界层高度。例如,梯度法通过查找大气气溶胶垂直廓线的最大梯度值来确定边界层高;WCT法和理想廓线法通过查找大气气溶胶垂直廓线的局部最大值来反演边界层高度。这意味着,一旦气溶胶的垂直分布变得不均匀,气溶胶浓度的垂直梯度就会非常混乱,这些算法将难以准确地确定边界层高度。之前提出基于粒子特性差异的边界层高度反演方法来克服这个限制,该方法通过计算大气粒子之间的粒子特性差异来获取边界层高度。因此,在探测边界层高度时可以有效的避免多层气溶胶的影响。然而,随着我们进一步研究,单纯的计算大气粒子的差异,导致该算法不能有效的识别残留层和弱气溶胶层。这反映在该算法在一些非均匀对流状态下性能较差。这就意味着,当垂直气溶胶浓度较为稀薄时,同样会导致激光雷达反演的边界层结果失真。
发明内容
本发明旨在针对现有技术的技术缺陷,提供一种基于粒子聚类的反演边界层高度方法,以解决在弱对流条件下,传统激光雷达算法反演边界层高度不准确的技术问题。
为实现以上技术目的,本发明采用以下技术方案:
一种基于粒子聚类的反演边界层高度方法,包括以下步骤:
1)通过激光雷达数据得到后向散射信号和色比信号,利用后向散射信号和色比信号构造粒子的样本X序列;
2)使用高斯混合模型对样本X序列进行分类,得到边界层之上的大气分子类和边界层之下的气溶胶类;
3)根据类别F序列,通过查找类别序列的最大梯度处,检索出边界层高度的结果。
作为优选,步骤1)包括:通过双波长激光雷达两个通道的回拨信号计算出粒子的色比信号,根据式(1)构造样本X序列;
[X(i)]=[(BC(i),CR(i))] (1)
式(1)中,X(i)表示第i个采样点的特征值;CR(i)表示第i个点的色比信号值;BC(i)表示第i个点的后向散射信号。
作为优选,步骤2)包括:将式(1)所示的样本X序列输入高斯混合模型中,得到式(2)所示的概率函数;
式(2)中,X表示样本序列,K表示分量数,π、μ、Σ分别表示混合高斯模型的模型参数,πk、μk、Σk分别表示K的混合系数、期望和方差;
定义分量数K,并为每个分量K设置πk、μk、Σk的初始值,而后根据当前的模型参数计算后验概率γ(Znk)如式(3)所示:
式(3)中,Znk代表潜在变量;ZK只能取两个值,即0或1;ZK=1对应于选择类别K的概率,ZK=0对应于未选择范畴K的概率;
而后,由后验概率γ(Znk)计算出新的模型参数πk,μk,Σk如以下式(4)~式(7)所示;
其中,N表示样本总数;
重复计算式(4)~式(7),直到输出的新模型参数收敛,即实现对样本序列的分类;同时得到具有高度信息的类别F序列,如以下式(8)所示:
作为优选,步骤3)包括:对类别F序列进行最大梯度查找,确定边界层高度所在的点。
本发明公开了一种基于粒子聚类的边界层高度反演方法。由于边界层上下是不同类型的大气粒子,边界层之上多为大气分子,边界层之下是大气气溶胶粒子。基于相同粒子的聚类特性,发展了一种基于粒子聚类的边界层高度反演方法。该方法通过利用激光雷达的后向散射信号和色比信号构造大气粒子的样本X序列。然后使用高斯混合模型分类器对样本X序列进行分类,得到边界层之上的大气分子类和边界层之下的气溶胶类。最后根据类别F序列,通过查找类别序列的最大梯度处,检索出边界层高度的结果。该方法不依赖于气溶胶的垂直浓度廓线来查找边界层高度,而是根据大气粒子的二维分布,通过粒子聚类的方法来确定边界层高度,避免了复杂气溶胶层次对查找边界层高度带来的影响。本发明方法具有执行简单,准确度高和适用性广泛的特点。
本发明有效的提高了地基激光雷达数据反演边界层高度的精度,可有效的解决激光雷达在弱对流条件下无法提供高精度边界层反演结果的问题。
本发明具有以下优点和积极效果:
1、大大的提高了激光雷达反演边界层高度时的应用范围,可以在弱对流情况下有效的反演出边界层高度;
2、使用粒子聚类方法,通过对原始数据进行集成分类处理,进一步降低了反演误差,同时提高了反演速率。
该方法可广泛用于环境保护和天气预报等相关行业。
附图说明
图1是本发明方法的流程图。
图2是本发明实施例1的结果示意图;其中,图2(a)为样本X序列的示意图,图2(b)为不同类别大气粒子的分类结果示意图,图2(c)为类别F序列的示意图,图2(d)为边界层高度查找的结果。
具体实施方式
以下将对本发明的具体实施方式进行详细描述。为了避免过多不必要的细节,在以下实施例中对属于公知的结构或功能将不进行详细描述。以下实施例中所使用的近似性语言可用于定量表述,表明在不改变基本功能的情况下可允许数量有一定的变动。除有定义外,以下实施例中所用的技术和科学术语具有与本发明所属领域技术人员普遍理解的相同含义。
实施例1
为了克服现有技术的局限,本发明提出了一种基于粒子聚类的算法来确定大气边界层高度。该方法通过色比和后向散射系数构建大气粒子的二维图形分布,然后利用分类器对不同类别的粒子进行分类,从而准确的获取边界层高度。相较于传统方法,该方法不依赖于大气气溶胶浓度的垂直分布,可以有效的避免气溶胶垂直浓度变化对边界层高度反演带来的影响,使激光雷达准确的反演边界层高度。
参见图2,本发明实施例是基于双波长激光雷达在无云情况下某地区2015年10月7日晚8点采集数据来进行边界层高度计算,具体计算步骤如下。
步骤1,利用激光雷达数据建立样本序列。激光雷达后向散射信号表示大气粒子的消光能力,激光雷达色比信号表示大气粒子的尺度大小。将后向散射信号和色比信号通过下列公式构造样本序列X,具体如下:
[X(i)]=[(BC(i),CR(i))] (1)
这里,X(i)表示第i个样本点的坐标值。CR(i)和BC(i)表示第i个样本点的色比信号和后向散射系数。如图2(a)所示,图2(a)表示样本序列的示意图,可以理解为样本点在二维坐标系中的坐标分布。
步骤2,采用高斯混合模型对样本序列进行分类,该模型能有效地将样本点分为两类。具体实施步骤如下:
步骤2.1高斯混合模型分类器可以描述如下。首先,将样本序列X输入到高斯混合模型中。然后,可以得到概率函数,表示如下:
其中X表示样本序列,K表示分量数,π,μ和Σ分别表示混合高斯模型的模型参数,πk、μk和Σk分别表示K的混合系数、期望和方差。
步骤2.2然后定义分量数K=2,并为每个分量K设置πk、μk和Σk的默认初始值,然后根据当前的模型参数计算后验概率γ(Znk)如下:
其中Znk表示潜变量。Zk(1≤k≤K)只能取两个值,即0或1;Zk=1对应于选择类别K的概率,而Zk=0对应于未选择类别K的概率。最后,从后验概率γ(Znk)计算出新的模型参数(πk、μk和Σk)。
其中N表示采样点的数目。在重复计算方程(4)-(7),直到输出的新模型参数收敛,此时样本序列被划分为两个类别:气溶胶类别和大气分子类别。根据边界层的大气分布规律,大气边界层多为大气分子,而大气边界层下方多为气溶胶颗粒。如图2(b)所示,2(b)表示大气粒子的分类结果示意图。其中圆点代表气溶胶粒子类别,三角形表示大气分子类别。这样边界层上下的不同大气粒子被准确的划分出来,同时可以得到具有高度信息的类别F序列,表示如下。
其中F(i)表示第i个样本点的类别,BLHpoint表示边界层高度所在的位置;F=1表示粒子属于大气分子,F=2表示粒子属于大气气溶胶。如图2(c)所示,2(c)表示类别F序列的示意图。实线表示气溶胶所在区间,点画线表示大气分子所在区间,虚线表示边界层所在的位置。
步骤3,通过最大梯度查找,确定边界层高度。由类别序列的变化可知,F序列的梯度变化最大处即为边界层高度所在位置。因此,可以通过最大梯度值查找,从类别F序列中检索出边界层高度的结果。如图2(d)所示,2(d)表示边界层高度的查找结果。通过该算法得到当时时刻的边界层高度为1075m。
具体实施时,本发明可采用计算机软件技术实现自动运行流程。
实施例2
一种基于粒子聚类的反演边界层高度方法,包括:
步骤1,样本序列的建立,包括通过激光雷达数据可以得到后向散射信号和色比信号,利用后向散射信号和色比信号构造粒子的样本X序列;
步骤2,样本序列分类,包括使用高斯混合模型对样本X序列进行分类,得到边界层之上的大气分子类和边界层之下的气溶胶类。
步骤3,查找边界层高度,包括根据类别F序列,通过查找类别序列的最大梯度处,检索出边界层高度的结果。
实施例3
一种基于粒子聚类的反演边界层高度方法,如图1所示,包括以下步骤:
1)通过激光雷达数据得到后向散射信号和色比信号,利用后向散射信号和色比信号构造粒子的样本X序列;
2)使用高斯混合模型对样本X序列进行分类,得到边界层之上的大气分子类和边界层之下的气溶胶类;
3)根据类别F序列,通过查找类别序列的最大梯度处,检索出边界层高度的结果。
其中,步骤1)包括:通过双波长激光雷达两个通道的回拨信号计算出粒子的色比信号,根据式(1)构造样本X序列;
[X(i)]=[(BC(i),CR(i))] (1)
式(1)中,X(i)表示第i个采样点的特征值;CR(i)表示第i个点的色比信号值;BC(i)表示第i个点的后向散射信号。
步骤2)包括:将式(1)所示的样本X序列输入高斯混合模型中,得到式(2)所示的概率函数;
式(2)中,X表示样本序列,K表示分量数,π、μ、Σ分别表示混合高斯模型的模型参数,πk、μk、Σk分别表示K的混合系数、期望和方差;
定义分量数K,并为每个分量K设置πk、μk、Σk的初始值,而后根据当前的模型参数计算后验概率γ(Znk)如式(3)所示:
式(3)中,Znk代表潜在变量;ZK只能取两个值,即0或1;ZK=1对应于选择类别K的概率,ZK=0对应于未选择范畴K的概率;
而后,由后验概率γ(Znk)计算出新的模型参数πk,μk,Σk如以下式(4)~式(7)所示;
其中,N表示样本总数;
重复计算式(4)~式(7),直到输出的新模型参数收敛,即实现对样本序列的分类;同时得到具有高度信息的类别F序列,如以下式(8)所示:
步骤3)包括:对类别F序列进行最大梯度查找,确定边界层高度所在的点。
以上对本发明的实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,并不用以限制本发明。凡在本发明的申请范围内所做的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于粒子聚类的反演边界层高度方法,其特征在于包括以下步骤:
1)通过激光雷达数据得到后向散射信号和色比信号,利用后向散射信号和色比信号构造粒子的样本X序列;
2)使用高斯混合模型对样本X序列进行分类,得到边界层之上的大气分子类和边界层之下的气溶胶类;
3)根据类别F序列,通过查找类别序列的最大梯度处,检索出边界层高度的结果。
2.根据权利要求1所述的一种基于粒子聚类的反演边界层高度方法,其特征在于步骤1)包括:通过双波长激光雷达两个通道的回拨信号计算出粒子的色比信号,根据式(1)构造样本X序列;
[X(i)]=[(BC(i),CR(i))] (1)
式(1)中,X(i)表示第i个采样点的特征值;CR(i)表示第i个点的色比信号值;BC(i)表示第i个点的后向散射信号。
3.根据权利要求1所述的一种基于粒子聚类的反演边界层高度方法,其特征在于步骤2)包括:将式(1)所示的样本X序列输入高斯混合模型中,得到式(2)所示的概率函数;
式(2)中,X表示样本序列,K表示分量数,π、μ、Σ分别表示混合高斯模型的模型参数,πk、μk、Σk分别表示K的混合系数、期望和方差;
定义分量数K,并为每个分量K设置πk、μk、Σk的初始值,而后根据当前的模型参数计算后验概率γ(Znk)如式(3)所示:
式(3)中,Znk代表潜在变量;ZK只能取两个值,即0或1;ZK=1对应于选择类别K的概率,ZK=0对应于未选择范畴K的概率;
而后,由后验概率γ(Znk)计算出新的模型参数πk,μk,Σk如以下式(4)~式(7)所示;
其中,N表示样本总数;
重复计算式(4)~式(7),直到输出的新模型参数收敛,即实现对样本序列的分类;同时得到具有高度信息的类别F序列,如以下式(8)所示:
4.根据权利要求1所述的一种基于粒子聚类的反演边界层高度方法,其特征在于步骤3)包括:对类别F序列进行最大梯度查找,确定边界层高度所在的点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811585669.6A CN109541639A (zh) | 2018-12-25 | 2018-12-25 | 一种基于粒子聚类的反演边界层高度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811585669.6A CN109541639A (zh) | 2018-12-25 | 2018-12-25 | 一种基于粒子聚类的反演边界层高度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109541639A true CN109541639A (zh) | 2019-03-29 |
Family
ID=65857111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811585669.6A Pending CN109541639A (zh) | 2018-12-25 | 2018-12-25 | 一种基于粒子聚类的反演边界层高度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109541639A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111562558A (zh) * | 2020-05-15 | 2020-08-21 | 中南大学 | 一种基于随机采样拟合的边界层高度提取算法 |
CN112698354A (zh) * | 2020-12-04 | 2021-04-23 | 兰州大学 | 一种大气气溶胶与云的识别方法和系统 |
CN113189616A (zh) * | 2021-05-10 | 2021-07-30 | 北京城市气象研究院 | 一种大气的边界层高度确定方法以及相关设备 |
CN113344149A (zh) * | 2021-08-06 | 2021-09-03 | 浙江大学 | 一种基于神经网络的pm2.5逐小时预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678512A (zh) * | 2013-12-26 | 2014-03-26 | 大连民族学院 | 一种动态数据环境下的数据流混合分类方法 |
CN107561555A (zh) * | 2017-08-31 | 2018-01-09 | 兰州大学 | 反演边界层高度的方法、装置、计算机设备及存储介质 |
KR20180072584A (ko) * | 2016-12-21 | 2018-06-29 | 목원대학교 산학협력단 | 라이다를 이용한 구름의 운고, 운저 및 대기 경계층 고도 판별 방법 |
CN108414997A (zh) * | 2018-01-09 | 2018-08-17 | 武汉大学 | 一种基于粒子特性差异的边界层高度反演方法 |
-
2018
- 2018-12-25 CN CN201811585669.6A patent/CN109541639A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678512A (zh) * | 2013-12-26 | 2014-03-26 | 大连民族学院 | 一种动态数据环境下的数据流混合分类方法 |
KR20180072584A (ko) * | 2016-12-21 | 2018-06-29 | 목원대학교 산학협력단 | 라이다를 이용한 구름의 운고, 운저 및 대기 경계층 고도 판별 방법 |
CN107561555A (zh) * | 2017-08-31 | 2018-01-09 | 兰州大学 | 反演边界层高度的方法、装置、计算机设备及存储介质 |
CN108414997A (zh) * | 2018-01-09 | 2018-08-17 | 武汉大学 | 一种基于粒子特性差异的边界层高度反演方法 |
Non-Patent Citations (5)
Title |
---|
BOMING LIU,YINGYING MA,WEI GONG,MING ZHANG,JIAN YANG: ""Determination of boundary layer top on the basis of the characteristics of atmospheric particles"", 《ATMOSPHERIC ENVIRONMENT》 * |
BOMING LIU,YINGYING MA,WEI GONG,MING ZHANG,JIAN YANG: ""Improved two-wavelength Lidar algorithm for retrieving atmospheric boundary layer height"", 《JOURNAL OF QUANTITATIVE SPECTROSCOPY & RADIATIVE TRANSFER》 * |
CHUEN-MEEI GAN,LEONA CHARLES,BARRY GROSS,FRED MOSHARY: ""Analysis of the Interaction of Aerosol Transport Layers on Local Air Quality"", 《IGARSS 2008 - 2008 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
于娜娜: ""气溶胶/云星载激光雷达数据反演算法初步研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
黄忠伟: ""气溶胶物理光学特性的激光雷达遥感研究"", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111562558A (zh) * | 2020-05-15 | 2020-08-21 | 中南大学 | 一种基于随机采样拟合的边界层高度提取算法 |
CN112698354A (zh) * | 2020-12-04 | 2021-04-23 | 兰州大学 | 一种大气气溶胶与云的识别方法和系统 |
CN113189616A (zh) * | 2021-05-10 | 2021-07-30 | 北京城市气象研究院 | 一种大气的边界层高度确定方法以及相关设备 |
CN113189616B (zh) * | 2021-05-10 | 2023-05-02 | 北京城市气象研究院 | 一种大气的边界层高度确定方法以及相关设备 |
CN113344149A (zh) * | 2021-08-06 | 2021-09-03 | 浙江大学 | 一种基于神经网络的pm2.5逐小时预测方法 |
CN113344149B (zh) * | 2021-08-06 | 2021-11-19 | 浙江大学 | 一种基于神经网络的pm2.5逐小时预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109541639A (zh) | 一种基于粒子聚类的反演边界层高度方法 | |
CN111091105A (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN112101278A (zh) | 基于k近邻特征提取和深度学习的宅基地点云分类方法 | |
CN109977808A (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN113866742B (zh) | 一种4d毫米波雷达点云处理和目标分类的方法 | |
CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
CN105389480B (zh) | 多类不平衡基因组学数据迭代集成特征选择方法及系统 | |
CN107832801B (zh) | 一种细胞图像分类用模型构建方法 | |
CN110543906B (zh) | 基于Mask R-CNN模型的肤质自动识别方法 | |
CN112150804B (zh) | 一种基于MaskRCNN算法的城市多类型交叉口识别方法 | |
CN110536257B (zh) | 一种基于深度自适应网络的室内定位方法 | |
CN113344019A (zh) | 一种决策值选取初始聚类中心改进的K-means算法 | |
CN101950019B (zh) | 基于属性数据的二次雷达多层级目标识别方法 | |
WO2018006631A1 (zh) | 一种用户等级自动划分方法及系统 | |
CN103942415B (zh) | 一种流式细胞仪数据自动分析方法 | |
CN113609895A (zh) | 基于改进Yolov3的获取道路交通信息方法 | |
CN107194917B (zh) | 基于dap和arelm的在轨sar图像变化检测方法 | |
CN106408571B (zh) | 一种基于最优模糊因子选择的可变类遥感图像分割方法 | |
CN113298007B (zh) | 一种小样本sar图像目标识别方法 | |
CN112989526B (zh) | 一种基于核极限学习机的航空网络关键节点识别方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN113284369A (zh) | 一种基于ads-b实测航路数据的预测方法 | |
CN115100173B (zh) | 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法 | |
CN116125494A (zh) | 一种基于双波长激光雷达的边界层高度反演方法 | |
CN116542912A (zh) | 一种多目标视觉跟踪的柔性体桥梁振动检测模型、应用 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |
|
RJ01 | Rejection of invention patent application after publication |