CN109696618A - 一种射频器件的调试方法、装置、设备、存储介质及系统 - Google Patents
一种射频器件的调试方法、装置、设备、存储介质及系统 Download PDFInfo
- Publication number
- CN109696618A CN109696618A CN201910130153.0A CN201910130153A CN109696618A CN 109696618 A CN109696618 A CN 109696618A CN 201910130153 A CN201910130153 A CN 201910130153A CN 109696618 A CN109696618 A CN 109696618A
- Authority
- CN
- China
- Prior art keywords
- parameter
- network
- machine
- machine learning
- learning network
- 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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
- G01R31/2822—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere of microwave or radiofrequency circuits
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种射频器件的调试方法、装置、设备、存储介质及系统,通过获取被测机的器件参数作为经过训练的机器学习网络的输入数据;根据所述输入数据通过所述机器学习网络确定调试机构的调试参数;输出所述调试参数到所述调试机构;其中,所述调试机构用于根据所述调试参数调整所述被测机;实现了自动调试的目的,达到了提高生产效率、降低生产成本的效果。
Description
技术领域
本发明涉及射频技术领域,具体涉及一种射频器件的调试方法、装置、设备、存储介质及系统。
背景技术
目前无源滤波器等射频器件的生产调试完全或部分依靠人工调试,对调试技术人员的调试水平要求高,培训困难,导致生产效率低,成本高;目前的辅助调试手段通过计算滤波器S参数对应的耦合矩阵与理想耦合矩阵对比或修正理想耦合矩阵获得螺栓调整量对滤波器的电性能影响的模型。但是计算耦合矩阵引入了误差,这种方法只适合实验室样品,实际批量生产的产品和理想设计有很多差别,无法依靠理想耦合矩阵引导调试。综上,需要一种能应用于批量生产射频器件产品的高效率,高精度的自动调试方法。
发明内容
针对现有技术中的缺陷,本发明提供一种射频器件的调试方法、装置、设备、存储介质和系统,能够在不需要计算滤波器耦合矩阵的情况下解决无源射频器件生产中的调试问题。
本发明实施例的技术方案是这样实现的:
一方面,本发明实施例提供一种射频器件的调试方法,获取被测机的器件参数作为经过训练的机器学习网络的输入数据;根据所述输入数据通过所述机器学习网络确定调试机构的调试参数;输出所述调试参数到所述调试机构;其中,所述调试机构用于根据所述调试参数调整所述被测机。
优选的,获取样机的所述器件参数建立样机参数数据库;根据所述样机参数数据库训练所述机器学习网络。
优选的,根据所述被测机的所述器件参数驱动所述机器学习网络自适应学习。
优选的,采用最优化算法优化所述调试参数;输出优化后的所述调试参数到所述调试机构;所述最优化算法为牛顿法、拟牛顿法、L-M算法、遗传算法、粒子群算法中的至少之一。
优选的,所述机器学习网络包括:模糊逻辑网络、径向基网络、人工神经网络、深度学习网络中的至少之一,或两个以上所述机器学习网络的融合网络;所述机器学习网络为变结构网络,根据所述射频器件的机械结构和/或拓扑结构确定所述变结构网络。
优选的,所述射频器件为:滤波器、合路器或功分器;所述器件参数为传输S参数响应、反射S参数响应、相位参数、时域参数中的至少之一。
另一方面,本发明实施例提供一种射频器件的调试装置,包括:获取模块,用于获取被测机的器件参数作为经过训练的机器学习网络的输入数据;确定模块,用于根据所述输入数据通过所述机器学习网络确定调试机构调试参数;输出模块,用于输出所述调试参数到所述调试机构;其中,所述调试机构用于根据所述调试参数调整所述被测机。
另一方面,本发明实施例提供一种射频器件的调试设备,包括:处理器和能够存储在处理器上运行的计算机指令的存储器;其中,所述处理器用于运行所述计算机指令实现以上所述的方法。
另一方面,本发明实施例提供一种存储介质,所述存储介质中存储有计算机指令,其特征在于,所述计算机指令被处理器执行时实现以上所述的方法。
另一方面,本发明实施例提供一种射频器件调试系统,包括:网络分析仪、计算机及调试机构;所述网络分析仪,用于为所述计算机提供被测机器件参数;所述计算机,用于实现以上所述的调试方法;所述调试机构,用于根据所述计算机输出的参数调整被测机。
本发明的有益效果体现在:通过获取被测滤波器参数,输入经训练的机器学习网络,从而确定调试机构的调试参数,实现了自动调试的目的,达到了提高生产效率、降低生产成本的效果。进一步的,本发明采用样机滤波器参数训练机器学习网络,直接建立测试数据和调试参数之间的映射关系,避免了计算耦合矩阵引入的误差,进而提高了调试精度。更进一步的,本发明通过在调试被调器件时,网络根据被调器件的数据自适应学习,逐步提高调试精度并增强了系统的鲁棒性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例一中的射频器件调试方法流程示意图;
图2为本发明实施例二中的射频器件调试方法的机器学习网络训练流程示意图;
图3为本发明实施例三中的射频器件调试方法的优化调试参数流程示意图;
图4为本发明实施例四中的射频器件调试装置示意图;
图5为本发明实施例七中的射频器件调试系统示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示,本发明实施例一提供的实现方式,包括:
步骤S110,获取被测机的器件参数作为经过训练的机器学习网络的输入数据,具体的一种实现方式为获取被测机无源同轴腔体滤波器的器件参数作为经过训练的模糊逻辑网络的输入数据;其中,所述被测机为有旋转可调机械结构的器件,尤其是射频领域的无源器件,例如:滤波器、合路器、功分器,特别的,包括各种同轴腔体机构的无源射频器件;而所述器件参数可以为上述无源射频器件的传输S参数响应、反射S参数响应、相位参数、时域参数中的至少之一,可以根据各器件特性,选择何种参数作为机器学习网络的输入参数;其中,所述机器学习网络包括:模糊逻辑网络、径向基网络、人工神经网络、深度学习网络中的至少之一,或两个以上所述机器学习网络的融合网络;也就是说本方案中的机器学习网络,不限定于特定的网络结构,可以根据实际应用场景选用合适的网络结构;采用融合网络,例如模糊逻辑网络和深度学习网络的融合网络或径向基网络和深度学习网络的融合,可以充分利用融合网络中各个网络的优点从而提高调试精度,提高生产效率。优选的,所述机器学习网络为变结构网络,根据所述射频器件的机械结构和/或拓扑结构确定所述变结构网络,根据器件的机械结构和/或拓扑结构调整网络结构,去除不必要的分支,可以提高训练效率。
步骤S120,根据所述输入数据通过所述机器学习网络确定调试机构的调试参数,具体的,所述调试参数为电机旋转角度;
步骤S130,输出所述调试参数到所述调试机构;其中,所述调试机构用于根据所述调试参数调整所述被测机,所述调试机构控制电路接收所述电机旋转角度参数,控制电机旋转带动固定在电机上的起子调整被测机无源同轴腔体滤波器的螺栓。从而实现了自动调试滤波器的目的,达到了提高生产效率的效果。
如图2所示,本发明实施例二提供的实现方式,包括:
步骤S210,获取滤波器样机的器件参数建立样机参数数据库,所述器件参数为输入S参数响应、反射S参数响应、相位数据以及时域数据等;优选的,所述机器学习网络采用误差逆向传播算法(BP,Back Propagation)或优化算法训练;其中,所述优化算法为遗传算法或粒子群算法。
步骤S220,根据所述样机参数数据库训练机器学习网络,建立所述器件参数和调试参数之间的映射关系;
进一步的,获取被测机的器件参数作为经过训练的机器学习网络的输入数据;根据所述输入数据通过所述机器学习网络确定调试机构的调试参数;输出所述调试参数到所述调试机构;其中,所述调试机构用于根据所述调试参数调整所述被测机。通过多样机的大量样本数据的训练,机器学习网络可以直接建立起器件参数和调试参数之间的映射关系,进而无需提取测试数据中的耦合矩阵,避免了生产中调试被测机时引入误差,提高了调试精度。本实施例也可包含多种优选方案,以上实施例中的优选方案皆适用于本实施例。
本发明实施例三提供的实现方式,包括:
获取滤波器样机的器件参数,根据所述样机参数数据库训练机器学习网络,建立所述器件参数和调试参数之间的映射关系;优选的,所述机器学习网络采用误差逆向传播算法(BP,Back Propagation)或优化算法训练;其中,所述优化算法为遗传算法或粒子群算法。
进一步的,获取被测机的器件参数作为经过训练的机器学习网络的输入数据;根据所述输入数据通过所述机器学习网络确定调试机构的调试参数;
进一步的,还包括,
根据所述被测机的所述器件参数驱动所述机器学习网络自适应学习,从而更新所述器件参数和调试参数之间的映射关系。使用调试中得到的测试数据对训练好的网络进行训练并微调更新,有效的提高了机器学习网络对射频器件个体的适用度,提高了调试效率。
进一步的,如图3所示,还包括,
步骤S410,采用最优化算法优化所述调试参数;所述优化算法为牛顿法、拟牛顿法、L-M算法、遗传算法、粒子群算法中的至少之一。
步骤S420输出优化后的所述调试参数到所述调试机构;所述调试机构根据优化后的所述调试参数调整所述被测机。对于部分调试精度指标要求较高的产品(比如回波损耗要求25dB),在经过机器学习网络计算预调试参数后添加优化步骤可以很快满足所需指标。本实施例也可包含多种优选方案,以上实施例中的优选方案皆适用于本实施例。
如图4所示,本发明实施例四提供了一种射频器件调试装置,包括:
获取模块M10:用于获取被测机的器件参数作为经过训练的机器学习网络的输入数据;
确定模块M20:用于根据所述输入数据通过所述机器学习网络确定调试机构调试参数;
输出模块M30:用于输出所述调试参数到所述调试机构;其中,所述调试机构用于根据所述调试参数调整所述被测机。本实施例也可包含多种优选方案,以上实施例中的优选方案皆适用于本实施例,此处不再赘述。
本发明实施例五提供一种射频器件调试设备,包括:处理器和能够存储在处理器上运行的计算机指令的存储器;其中,所述处理器用于运行所述计算机指令实现获取被测机的器件参数作为经过训练的机器学习网络的输入数据;根据所述输入数据通过所述机器学习网络确定调试机构的调试参数;输出所述调试参数到所述调试机构。其中,所述处理器可以为通用处理器、控制器、微控制器、微处理器、现场可编程逻辑门阵列、数字信号处理器、专用集成电路、可编程逻辑处理器或其他电子元件等可用于实现本发明目的之电子器件;所述存储器可以是易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。本实施例也可包含多种优选方案,以上实施例中的优选方案皆适用于本实施例,此处不再赘述。
本发明实施例六提供一种存储介质,所述存储介质中存储有计算机指令,所述计算机指令被执行时实现获取被测机的器件参数作为经过训练的机器学习网络的输入数据;根据所述输入数据通过所述机器学习网络确定调试机构的调试参数;输出所述调试参数到所述调试机构。所述存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器或激光读写存储器等存储器;也可以是包括上述存储器之一或任意组合的各种设备。本实施例也可包含多种优选方案,以上实施例中的优选方案皆适用于本实施例,此处不再赘述。
如图5所示,本发明实施例七提供一种射频器件调试系统,包括:
网络分析仪D120和计算机D110,以及调试机构D130。
所述网络分析仪D120,用于为所述计算机D110提供被测机D140器件参数,其中被测机D140指需要被调试的射频器件或射频器件样机,本实施例中采取网络分析仪D120作为被测机D140器件参数的检测设备,本领域技术人员应该明白,其他检测设备也可为计算机提供所述被测器件参数,为本发明技术方案的同等替换,亦在本发明保护范围内。
所述计算机D110,用于实现获取被测机D140的器件参数作为经过训练的机器学习网络的输入数据;所述机器学习网络根据所述输入数据确定调试机构D130的调试参数;输出所述调试参数到所述调试机构D130;本领域技术人员应该明白,本实施例中采用的计算机D110为通用计算机并非为对本发明技术方案的限定,其他能够应用本发明提供的射频器件调试方法的计算装置皆为本发明技术方案的同等替换,亦在本发明保护范围。
具体的,被测机D140通过射频电缆和网络分析仪D120相连,网络分析仪D120测试得到被测机D140的器件参数,计算机D110通过数据线获取网络分析仪D120测得的器件参数,作为经过训练的机器学习网络的输入数据,计算预测出调试机构D130的所述调试参数,所述调试参数为马达旋转角度。
所述调试机构D130,用于执行所述计算机D110输出的参数调整被测机D140。所述调试机构D130包括控制器或者控制电路,马达,调试起子,用于执行所述计算机D110输出的参数调整被测机D140螺栓改变螺栓在被测机腔体内侧长度。本领域技术人员应该明白,本实施例提供的所述调试机构D130并非对本发明技术方案的限定,其他可实现接收所述调试参数并执行对射频器件可旋转调整部位调整的装置皆属于对本发明技术方案的同等替换,亦在本发明保护范围。本实施例也可包含多种优选方案,以上实施例中的优选方案皆适用于本实施例,此处不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种射频器件的调试方法,其特征在于,包括:
获取被测机的器件参数作为经过训练的机器学习网络的输入数据;
根据所述输入数据通过所述机器学习网络确定调试机构的调试参数;
输出所述调试参数到所述调试机构;
其中,所述调试机构用于根据所述调试参数调整所述被测机。
2.根据权利1要求所述的方法,其特征在于,在所述获取被测机器件参数前还包括训练机器学习网络,具体为:
获取样机的所述器件参数建立样机参数数据库;
根据所述样机参数数据库训练所述机器学习网络。
3.根据权利1要求所述的方法,其特征在于,在所述确定调试机构的调试参数后还包括:
根据所述被测机的所述器件参数驱动所述机器学习网络自适应学习。
4.根据权利1要求所述的方法,其特征在于,在所述确定调试机构的调试参数后还包括:
采用最优化算法优化所述调试参数;
输出优化后的所述调试参数到所述调试机构;
所述最优化算法为牛顿法、拟牛顿法、L-M算法、遗传算法、粒子群算法中的至少之一。
5.根据权利1要求所述的方法,其特征在于,所述机器学习网络包括:
模糊逻辑网络、径向基网络、人工神经网络、深度学习网络中的至少之一,或两个以上所述机器学习网络的融合网络;
所述机器学习网络为变结构网络,根据所述射频器件的机械结构和/或拓扑结构确定所述变结构网络。
6.根据权利1要求所述的方法,其特征在于,
所述射频器件为:滤波器、合路器或功分器;
所述器件参数为传输S参数响应、反射S参数响应、相位参数、时域参数中的至少之一。
7.一种射频器件调试装置,其特征在于,包括:
获取模块:用于获取被测机的器件参数作为经过训练的机器学习网络的输入数据;
确定模块:用于根据所述输入数据通过所述机器学习网络确定调试机构调试参数;
输出模块:用于输出所述调试参数到所述调试机构;
其中,所述调试机构用于根据所述调试参数调整所述被测机。
8.一种射频器件调试设备,其特征在于,包括:
处理器和能够存储在处理器上运行的计算机指令的存储器;
其中,所述处理器用于运行所述计算机指令实现权利要求1-6所述的方法。
9.一种存储介质,所述存储介质中存储有计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1-6所述的方法。
10.一种射频器件调试系统,其特征在于,包括:
网络分析仪、计算机及调试机构;
所述网络分析仪,用于为所述计算机提供被测机器件参数;
所述计算机,用于实现权利要求1-6所述的调试方法;
所述调试机构,用于根据所述计算机输出的参数调整被测机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910130153.0A CN109696618A (zh) | 2019-02-21 | 2019-02-21 | 一种射频器件的调试方法、装置、设备、存储介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910130153.0A CN109696618A (zh) | 2019-02-21 | 2019-02-21 | 一种射频器件的调试方法、装置、设备、存储介质及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109696618A true CN109696618A (zh) | 2019-04-30 |
Family
ID=66233501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910130153.0A Pending CN109696618A (zh) | 2019-02-21 | 2019-02-21 | 一种射频器件的调试方法、装置、设备、存储介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109696618A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111313136A (zh) * | 2019-12-13 | 2020-06-19 | 新益技术(深圳)有限公司 | 一种介质滤波器自动调试系统以及方法 |
CN113917881A (zh) * | 2021-12-13 | 2022-01-11 | 深圳市华杰智通科技有限公司 | 基于fpga的射频参数自动调节系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383659A (zh) * | 2008-10-13 | 2009-03-11 | 中兴通讯股份有限公司 | 一种对通信系统的参数进行自动调试的装置和方法 |
CN101478069A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于核机器学习的微波滤波器辅助调试方法 |
CN105680827A (zh) * | 2015-12-31 | 2016-06-15 | 中国科学院深圳先进技术研究院 | 一种腔体滤波器智能调谐算法及使用该算法的调谐方法 |
CN106100761A (zh) * | 2016-06-07 | 2016-11-09 | 上海传英信息技术有限公司 | 射频电路调试方法 |
US20170308422A1 (en) * | 2016-04-26 | 2017-10-26 | Juniper Networks, Inc. | Method, system, and apparatus for debugging networking malfunctions within network nodes |
CN108170922A (zh) * | 2017-12-21 | 2018-06-15 | 中国地质大学(武汉) | 一种微波滤波器的辅助调试方法、设备及存储设备 |
CN108875289A (zh) * | 2017-05-08 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种算法调试方法、客户端、后台服务器及系统 |
-
2019
- 2019-02-21 CN CN201910130153.0A patent/CN109696618A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383659A (zh) * | 2008-10-13 | 2009-03-11 | 中兴通讯股份有限公司 | 一种对通信系统的参数进行自动调试的装置和方法 |
CN101478069A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于核机器学习的微波滤波器辅助调试方法 |
CN105680827A (zh) * | 2015-12-31 | 2016-06-15 | 中国科学院深圳先进技术研究院 | 一种腔体滤波器智能调谐算法及使用该算法的调谐方法 |
US20170308422A1 (en) * | 2016-04-26 | 2017-10-26 | Juniper Networks, Inc. | Method, system, and apparatus for debugging networking malfunctions within network nodes |
CN106100761A (zh) * | 2016-06-07 | 2016-11-09 | 上海传英信息技术有限公司 | 射频电路调试方法 |
CN108875289A (zh) * | 2017-05-08 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种算法调试方法、客户端、后台服务器及系统 |
CN108170922A (zh) * | 2017-12-21 | 2018-06-15 | 中国地质大学(武汉) | 一种微波滤波器的辅助调试方法、设备及存储设备 |
Non-Patent Citations (1)
Title |
---|
周金柱: "基于核机器学习的腔体滤波器辅助调试", 《电子学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111313136A (zh) * | 2019-12-13 | 2020-06-19 | 新益技术(深圳)有限公司 | 一种介质滤波器自动调试系统以及方法 |
CN113917881A (zh) * | 2021-12-13 | 2022-01-11 | 深圳市华杰智通科技有限公司 | 基于fpga的射频参数自动调节系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214605A (zh) | 电力系统短期负荷概率预测方法、装置及系统 | |
CN105680827B (zh) | 一种腔体滤波器智能调谐算法及使用该算法的调谐方法 | |
US20210133376A1 (en) | Systems and methods of parameter calibration for dynamic models of electric power systems | |
WO2019118460A1 (en) | Irrigation system control with predictive water balance capabilities | |
CN110163368A (zh) | 基于混合精度的深度学习模型训练方法、装置及系统 | |
Oommen | Stochastic searching on the line and its applications to parameter learning in nonlinear optimization | |
CN109990790A (zh) | 一种无人机路径规划方法及装置 | |
CN109451304B (zh) | 一种摄像头模组批量对焦测试方法及系统 | |
CN109696618A (zh) | 一种射频器件的调试方法、装置、设备、存储介质及系统 | |
CN112734014A (zh) | 基于置信上界思想的经验回放采样强化学习方法及系统 | |
Karg et al. | Learning-based approximation of robust nonlinear predictive control with state estimation applied to a towing kite | |
CN106249703A (zh) | 用于控制和/或分析工业的过程的系统和方法 | |
CN102509152A (zh) | 一种基于rbf神经网络的开关磁阻电机在线建模方法 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
Xu et al. | Distributed no-regret learning in multiagent systems: Challenges and recent developments | |
CN110197250A (zh) | 一种多因素影响的动力电池参数在线辨识方法 | |
Murray-Smith et al. | Local model architectures for nonlinear modelling and control | |
Fakhari et al. | Quantum inspired reinforcement learning in changing environment | |
CN115616333A (zh) | 一种配电网线损预测方法及系统 | |
David et al. | Worst-case identification for robust control | |
CN116108742A (zh) | 基于改进gru-np模型的低压台区超短期负荷预测方法及系统 | |
Czajkowski et al. | Does memetic approach improve global induction of regression and model trees? | |
Fusco et al. | Benchmarking nonlinear model predictive control with input parameterizations | |
CN113743681B (zh) | 基于强化学习的故障线路查找方法、装置、系统及介质 | |
Kalyanakrishnan et al. | On learning with imperfect representations |
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: 20190430 |
|
RJ01 | Rejection of invention patent application after publication |