CN109635237A - 一种基于动态剪裁配置知识的目标平台快速识别方法 - Google Patents
一种基于动态剪裁配置知识的目标平台快速识别方法 Download PDFInfo
- Publication number
- CN109635237A CN109635237A CN201811408880.0A CN201811408880A CN109635237A CN 109635237 A CN109635237 A CN 109635237A CN 201811408880 A CN201811408880 A CN 201811408880A CN 109635237 A CN109635237 A CN 109635237A
- Authority
- CN
- China
- Prior art keywords
- platform
- radiation source
- local
- matrix
- identification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 230000005855 radiation Effects 0.000 claims description 83
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 16
- 238000004891 communication Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明公开了一种基于动态剪裁配置的目标平台快速识别方法,针对目标平台种类繁多情形下已有信息熵平台识别算法处理运算量过大无法实现快速自动处理问题,通过动态重构剪裁配置知识及构建局部信息熵,针对每次识别处理可直接大幅度缩减关联决策矩阵维数,从而实现目标平台种类繁多情形下的平台快速自动识别处理。
Description
技术领域
本发明属于目标平台识别技术领域,具体涉及一种基于动态剪裁配置知识的目标平台快速识别方法。
背景技术
支持快速应用是星载无源侦察技术的重要发展趋势,面向快速应用需进行关注目标的高置信度识别。电子对抗侦察信息处理的最终目的是判别辐射源所属平台属性或型号,从而对目标进行威胁判断和特征分析等。目前对辐射源识别的研究较多,但对于辐射源与目标平台之间的关联方法的研究尚少。现有以辐射源识别为基础的目标平台判别技术主要依据的是辐射源与目标平台之间存在的配属关系,关联出目标平台,并进行可信度赋值。这类简单的配属关系可以快速的对辐射源配属的目标平台进行关联,但是当关联目标类型众多或者先验知识不足时,上述处理方法便显得有些困难。实际中不同的目标平台由于遂行任务和功能的不同,装备的雷达或通信辐射源不尽相同。对于特定的目标平台来说其配属的雷达或通信辐射源具有一定的规律。利用这种规律可以将雷达或通信辐射源的识别结果更准确地转化为对目标平台的判别。在已进行辐射源型号或类型自动识别及多辐射源关联预处理基础上,基于信息熵的目标平台识别算法即是通过挖掘辐射源与目标平台之间潜在的关联特征以信息熵的形式进行关联平台识别,对目标平台的识别性能较优。但在平台种类多达几十甚至几百、装配辐射源情形相对复杂时,由于该算法形成的平台关联决策矩阵维数过大,算法涉及的矩阵运算量巨大,导致关联平台识别的实时处理性能变差,使得进行关注目标平台的快速自动识别处理应用受到一定限制。
发明内容
有鉴于此,本发明的目的是提供一种基于动态剪裁配置知识的目标平台快速识别方法,可以提高目标平台种类繁多情形下的平台快速自动识别处理性能,有利于目标平台识别高级情报的实时获取。
一种基于动态剪裁配置知识的目标平台识别方法,包括如下步骤:
步骤1、接收输入的当前任务号下批量辐射源型号或类型识别结果及基于定位辅助信息的航迹关联预处理结果;其中,辐射源型号或类型识别结果包括辐射源型号或类型名称及识别置信度;航迹关联预处理结果包括哪几个辐射源可关联到同一平台上;
获得已有的辐射源平台配置知识库模板矩阵,其维数为M×N,N为平台配置知识库中统计的最大平台数目,M为统计的所有平台可能配置的辐射源型号或类型数目;
在接收的辐射源型号或类型识别结果和基于定位辅助信息的航迹关联预处理结果中,整理得到关联到每一个平台上所有的辐射源,并确定数目;令关联到第i个平台的辐射源数目用mi表示;i=1,2,...,L,L表示航迹关联预处理结果中关联到的所有平台的数量;
然后在辐射源平台配置知识库模板矩阵中找到该mi个辐射源可能配属的所有平台,数目用ni表示;则得到第i个关联的平台对应的剪裁矩阵Ai,剪裁矩阵Ai的维数为mi×ni;
遍历所有关联的平台,得到各个关联的平台对应的剪裁矩阵Ai,i=1,2,...,L;
剪裁矩阵Ai中各元素表示第j型辐射源相对于第k种平台的装配情况,根据辐射源平台配置知识库,若第j型辐射源配属在第k种平台上,则Ai的第j行第k列元素ajk赋值为1,否则赋值为0;j=1,2,...mi k=1,2,...ni;
步骤2、根据步骤1得到的每组动态剪裁配置知识矩阵Ai重构局部关联决策矩阵Ri,具体为:
局部关联决策矩阵Ri中各元素rjk赋值方法如下:若Ai的第j行第k列元素ajk值为1,则Ri的相应位置元素rjk赋值为第j个辐射源类型或型号的识别置信度μj;若ajk值为0,,则rjk赋值为0;
步骤3,根据步骤2得到的每组局部关联决策矩阵Ri进行各型辐射源局部信息熵hj及局部熵权ωj的计算,具体为:
首先,对第j型辐射源,其局部信息熵hj的计算方法为:
其中,
然后,将第j型辐射源的局部信息熵hj转化为其局部熵权ωj,采用如下计算公式:
最后遍历各型辐射源计算局部熵权获得局部熵权向量
步骤4,根据步骤3得到的局部熵权向量对步骤2获得的局部关联决策矩阵Ri调整,得调整的局部关联决策矩阵
步骤5,根据步骤4获取的调整后局部关联决策矩阵计算第k种平台的综合决策值,遍历各列获得ni个平台综合决策值,其计算采用如下公式:
步骤6,依据步骤5的ni个平台综合决策值,具有最大综合决策值的平台为识别出的关联目标平台;
步骤7,由局部熵权向量及辐射源型号识别置信度μj计算转化的关联目标平台识别置信度mp:
其中,称为第j型辐射源的置信度传递权值;
步骤8,对步骤1获取的每个剪裁矩阵执行步骤2~步骤7,记录每个剪裁矩阵经处理之后的目标平台识别结果,包含识别的目标平台种类或类型名称、平台识别置信度,直至L个剪裁矩阵处理完毕,最终形成目标平台识别结果列表。
本发明具有如下有益效果:
本发明针对目标平台种类繁多情形下已有信息熵平台识别算法处理运算量过大无法实现快速自动处理问题,提出了一种基于动态剪裁配置的目标平台快速识别方法,通过动态重构剪裁配置知识及构建局部信息熵,针对每次识别处理可直接大幅度缩减关联决策矩阵维数,从而实现目标平台种类繁多情形下的平台快速自动识别处理。
动态剪裁配置知识来源于辐射源关联平台配置知识库,将当前任务号下辐射源型号或类型自动识别的结果及航迹关联预处理结果作为输入进行:动态在于依据不同关联结果变化,并允许不同任务号下的输入不同;剪裁配置知识意即仅寻求与关联后辐射源识别结果相关的配置知识,依据输入信息查询配置知识库实现剪裁化设计;动态剪裁配置知识的形成是大幅缩减关联决策矩阵维数的关键。
基于动态剪裁配置知识的目标平台快速识别方法包含依赖于动态剪裁配置知识的局部信息熵计算:根据每组剪裁配置知识,统计关联的最大平台数目,进行局部信息熵及局部熵权的计算。局部信息熵计算方法大大降低了平台识别处理的运算量。
基于动态剪裁配置知识的目标平台快速识别方法还包含结合动态剪裁配置知识和局部信息熵的目标平台快速自动识别处理过程,该过程共包含动态剪裁配置知识形成、局部信息熵及局部熵权计算、局部关联决策矩阵调整、平台综合决策值计算、目标平台快速识别判决、平台识别置信度赋值六个部分。该处理方法免去了每次维度庞大的关联决策矩阵参与运算,代替为必要的维数显著缩减的局部关联决策矩阵参与运算,从而提高了自动识别处理速率。
基于动态剪裁配置知识的平台快速识别方法可快速输出基于动态剪裁配置知识的目标平台快速识别结果,包含平台种类或型号识别结果、平台识别置信度,平台识别置信度依据辐射源型号识别置信度和局部熵权由传递准则得出。
附图说明
图1为本发明基于动态剪裁配置知识的目标平台快速识别方法处理流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
一种基于动态剪裁配置知识的改进目标平台快速识别方法,具体包括:
步骤1,接收输入的当前任务号下批量辐射源型号或类型识别结果(含识别的辐射源型号或类型名称及识别置信度)及基于定位辅助信息的航迹关联预处理结果(即哪几个辐射源型号或类型可关联到同一平台上);
获得已有的辐射源平台配置知识库模板矩阵,其维数为M×N,N为平台配置知识库中统计的最大平台数目,M为统计的所有平台可能配置的辐射源型号或类型数目;
在接收的辐射源型号或类型识别结果和基于定位辅助信息的航迹关联预处理结果中,整理得到关联到每一个平台上所有的辐射源型号或类型,并确定数目;令关联到第i个平台的辐射源数目用mi表示;i=1,2,...,L,L表示关联到的平台数量;
然后在辐射源平台配置知识库模板矩阵中找到该mi个辐射源可能配属的所有平台,数目用ni表示;则得到第i个关联平台对应的剪裁矩阵Ai,剪裁矩阵Ai的维数为mi×ni;
遍历所有关联的平台,得到各个关联平台对应的剪裁矩阵Ai(i=1,2,...,L);
剪裁矩阵Ai中各元素表示第j(j=1,2,...mi)型辐射源相对于第k(k=1,2,...ni)种平台的装配情况。其中,mi型辐射源可能关联的ni种平台类型或型号名称来源于辐射源平台配置知识库,第k(k=1,2,...ni)种平台类型或型号名称与其示数k之间形成映射关系。
动态剪裁配置知识矩阵Ai中各元素的赋值准则如下:结合辐射源平台配置知识库,若第j(j=1,2,...mi)型辐射源配属在第k(k=1,2,...ni)种平台上,则Ai的第j行第k列元素ajk赋值为1,否则赋值为0。
由当次辐射源识别及关联结果可知,mi,ni与M,N之间存在mi<M,ni<N的关系,从而达到剪裁设计的目的,使后续平台识别处理变为微型矩阵运算,以便实现快速处理。
步骤2,根据步骤1得到的每组动态剪裁配置知识矩阵Ai重构局部关联决策矩阵Ri。
局部关联决策矩阵Ri中各元素rjk赋值方法如下:若Ai的第j行第k列元素ajk值为1,则Ri的相应位置元素rjk赋值为μj(μj为第j个辐射源类型或型号的识别置信度);若ajk值为0,,则rjk赋值为0。
步骤3,根据步骤2得到的每组局部关联决策矩阵Ri进行各型辐射源局部信息熵hj及局部熵权ωj的计算。
步骤3中,对第j(j=1,2,...mi)型辐射源,其局部信息熵hj的计算方法为:
其中,该局部信息熵表示第j型辐射源在识别目标平台时所能够提供的动态局部信息量。
由于局部信息熵与所含信息量成反比关系,不方便直接识别决策,因此将第j(j=1,2,...mi)型辐射源的局部信息熵hj转化为其局部熵权ωj(局部熵权与信息量成正比),采用如下计算公式:
步骤3中,遍历各型辐射源计算局部熵权可获得局部熵权向量
步骤4,根据步骤3得到的局部熵权向量对步骤2获得的局部关联决策矩阵Ri调整,得调整的局部关联决策矩阵
步骤4中,调整的局部关联决策矩阵为
步骤5,根据步骤4获取的调整后局部关联决策矩阵计算第k(k=1,2,...ni)种平台的综合决策值,遍历各列获得ni个平台综合决策值,为平台快速识别提供辅助信息。并进一步识别判决出mi型辐射源所关联的平台种类或类型名称。
步骤5中,第k(k=1,2,...ni)种平台的综合决策值利用对的第k列求和累加获取,其计算采用如下公式:
步骤6,依据步骤5的ni个平台综合决策值,采用最大综合决策值识别判决规则给出目标平台识别结果。
步骤6中,mi型辐射源所关联的平台种类或类型名称的识别判决规则为:将具有最大综合决策值的目标平台(以平台示数p表示)作为关联目标平台的识别结果。若第p(p∈{1,2,...,ni})种目标平台对应的综合决策值最大,则待识别目标平台判决为第p种平台,即有关系式第p种平台类型或型号名称可由其与示数p的映射关系获得。
步骤7,由局部熵权向量及辐射源型号识别置信度μj(j=1,2,...mi)计算转化的目标平台识别置信度mp。
步骤7中,目标平台识别置信度mp的计算公式为:
其中,称为第j(j=1,2,...mi)型辐射源的置信度传递权值。
步骤8,对步骤1获取的每个剪裁矩阵执行步骤2~步骤7,记录每个剪裁矩阵经处理之后的目标平台识别结果(包含识别的目标平台种类或类型名称、平台识别置信度),直至L个剪裁矩阵处理完毕,最终形成目标平台识别结果列表。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于动态剪裁配置知识的目标平台识别方法,其特征在于,包括如下步骤:
步骤1、接收输入的当前任务号下批量辐射源型号或类型识别结果及基于定位辅助信息的航迹关联预处理结果;其中,辐射源型号或类型识别结果包括辐射源型号或类型名称及识别置信度;航迹关联预处理结果包括哪几个辐射源可关联到同一平台上;
获得已有的辐射源平台配置知识库模板矩阵,其维数为M×N,N为平台配置知识库中统计的最大平台数目,M为统计的所有平台可能配置的辐射源型号或类型数目;
在接收的辐射源型号或类型识别结果和基于定位辅助信息的航迹关联预处理结果中,整理得到关联到每一个平台上所有的辐射源,并确定数目;令关联到第i个平台的辐射源数目用mi表示;i=1,2,...,L,L表示航迹关联预处理结果中关联到的所有平台的数量;
然后在辐射源平台配置知识库模板矩阵中找到该mi个辐射源可能配属的所有平台,数目用ni表示;则得到第i个关联的平台对应的剪裁矩阵Ai,剪裁矩阵Ai的维数为mi×ni;
遍历所有关联的平台,得到各个关联的平台对应的剪裁矩阵Ai,i=1,2,...,L;
剪裁矩阵Ai中各元素表示第j型辐射源相对于第k种平台的装配情况,根据辐射源平台配置知识库,若第j型辐射源配属在第k种平台上,则Ai的第j行第k列元素ajk赋值为1,否则赋值为0;j=1,2,...mi k=1,2,...ni;
步骤2、根据步骤1得到的每组动态剪裁配置知识矩阵Ai重构局部关联决策矩阵Ri,具体为:
局部关联决策矩阵Ri中各元素rjk赋值方法如下:若Ai的第j行第k列元素ajk值为1,则Ri的相应位置元素rjk赋值为第j个辐射源类型或型号的识别置信度μj;若ajk值为0,,则rjk赋值为0;
步骤3,根据步骤2得到的每组局部关联决策矩阵Ri进行各型辐射源局部信息熵hj及局部熵权ωj的计算,具体为:
首先,对第j型辐射源,其局部信息熵hj的计算方法为:
其中,
然后,将第j型辐射源的局部信息熵hj转化为其局部熵权ωj,采用如下计算公式:
最后遍历各型辐射源计算局部熵权获得局部熵权向量
步骤4,根据步骤3得到的局部熵权向量对步骤2获得的局部关联决策矩阵Ri调整,得调整的局部关联决策矩阵
步骤5,根据步骤4获取的调整后局部关联决策矩阵计算第k种平台的综合决策值,遍历各列获得ni个平台综合决策值,其计算采用如下公式:
步骤6,依据步骤5的ni个平台综合决策值,具有最大综合决策值的平台为识别出的关联目标平台;
步骤7,由局部熵权向量及辐射源型号识别置信度μj计算转化的关联目标平台识别置信度mp:
其中,称为第j型辐射源的置信度传递权值;
步骤8,对步骤1获取的每个剪裁矩阵执行步骤2~步骤7,记录每个剪裁矩阵经处理之后的目标平台识别结果,包含识别的目标平台种类或类型名称、平台识别置信度,直至L个剪裁矩阵处理完毕,最终形成目标平台识别结果列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811408880.0A CN109635237B (zh) | 2018-11-23 | 2018-11-23 | 一种基于动态剪裁配置知识的目标平台快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811408880.0A CN109635237B (zh) | 2018-11-23 | 2018-11-23 | 一种基于动态剪裁配置知识的目标平台快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635237A true CN109635237A (zh) | 2019-04-16 |
CN109635237B CN109635237B (zh) | 2023-04-21 |
Family
ID=66069420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811408880.0A Active CN109635237B (zh) | 2018-11-23 | 2018-11-23 | 一种基于动态剪裁配置知识的目标平台快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635237B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898751A (zh) * | 2022-06-15 | 2022-08-12 | 中国电信股份有限公司 | 自动化配置方法及系统、存储介质和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009143122A2 (en) * | 2008-05-19 | 2009-11-26 | Innovative American Technology Inc. | Radiation directional finder and isotope identification system |
US20160034968A1 (en) * | 2014-07-31 | 2016-02-04 | Huawei Technologies Co., Ltd. | Method and device for determining target user, and network server |
CN107423754A (zh) * | 2017-06-28 | 2017-12-01 | 山东航天电子技术研究所 | 一种基于参数多属性自主智能决策的辐射源自动识别系统 |
CN107561530A (zh) * | 2017-07-27 | 2018-01-09 | 中国船舶重工集团公司第七二四研究所 | 一种基于协同被动探测多维信息的目标识别方法 |
-
2018
- 2018-11-23 CN CN201811408880.0A patent/CN109635237B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009143122A2 (en) * | 2008-05-19 | 2009-11-26 | Innovative American Technology Inc. | Radiation directional finder and isotope identification system |
US20160034968A1 (en) * | 2014-07-31 | 2016-02-04 | Huawei Technologies Co., Ltd. | Method and device for determining target user, and network server |
CN107423754A (zh) * | 2017-06-28 | 2017-12-01 | 山东航天电子技术研究所 | 一种基于参数多属性自主智能决策的辐射源自动识别系统 |
CN107561530A (zh) * | 2017-07-27 | 2018-01-09 | 中国船舶重工集团公司第七二四研究所 | 一种基于协同被动探测多维信息的目标识别方法 |
Non-Patent Citations (1)
Title |
---|
周军妮;杨润玲;王燕妮;江莉;: "一种结合交叉熵和投影特征的图像匹配算法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898751A (zh) * | 2022-06-15 | 2022-08-12 | 中国电信股份有限公司 | 自动化配置方法及系统、存储介质和电子设备 |
CN114898751B (zh) * | 2022-06-15 | 2024-04-23 | 中国电信股份有限公司 | 自动化配置方法及系统、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109635237B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564129B (zh) | 一种基于生成对抗网络的轨迹数据分类方法 | |
CN110175615B (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
WO2019207557A1 (en) | Method for distinguishing a real three-dimensional object from a two-dimensional spoof of the real object | |
CN110188225B (zh) | 一种基于排序学习和多元损失的图像检索方法 | |
CN111079847B (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
CN108627798B (zh) | 基于线性判别分析和梯度提升树的wlan室内定位算法 | |
CN109726734B (zh) | 一种基于辐射源侦察信息的目标平台自动识别系统 | |
CN106599915A (zh) | 一种车载激光点云分类方法 | |
CN105844647A (zh) | 一种基于颜色属性的核相关目标跟踪方法 | |
CN107564008B (zh) | 基于关键像素模糊聚类的快速sar图像分割方法 | |
CN113657423A (zh) | 适用于小体积零件与堆叠零件的目标检测方法及其应用 | |
CN112990125B (zh) | 一种辐射源雷达属于目标平台的判别方法 | |
US10366333B2 (en) | Inference-based assignment of data type to data | |
CN109635237A (zh) | 一种基于动态剪裁配置知识的目标平台快速识别方法 | |
CN109726299B (zh) | 一种不完备专利自动标引方法 | |
CN111695560A (zh) | 基于卷积神经网络对农作物病虫害主动定位聚焦的方法 | |
CN116582309A (zh) | 一种基于GAN-CNN-BiLSTM的网络入侵检测方法 | |
CN109670068A (zh) | 一种多级图像检索方法 | |
Peng et al. | Uck-means: A customized k-means for clustering uncertain measurement data | |
CN114385436A (zh) | 服务器分组方法、装置、电子设备和存储介质 | |
CN110310297B (zh) | 一种基于多分辨率搜索粒子群算法的图像分割方法及系统 | |
KR102075745B1 (ko) | 방위각 추정 장치 및 방법 | |
CN110334811A (zh) | 基于贝叶斯网络的动态数据流分类方法 | |
CN106778775A (zh) | 一种基于sift特征软匹配的图像分类方法 | |
CN114220016B (zh) | 面向开放场景下的无人机航拍图像的域自适应识别方法 |
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 |