CN110007355A - 一种卷积自编码器及物体内部异常的检测方法和装置 - Google Patents
一种卷积自编码器及物体内部异常的检测方法和装置 Download PDFInfo
- Publication number
- CN110007355A CN110007355A CN201910302171.2A CN201910302171A CN110007355A CN 110007355 A CN110007355 A CN 110007355A CN 201910302171 A CN201910302171 A CN 201910302171A CN 110007355 A CN110007355 A CN 110007355A
- Authority
- CN
- China
- Prior art keywords
- data
- convolution
- encoding encoder
- obtains
- convolutional layer
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- 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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Geophysics (AREA)
- Geology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种卷积自编码器,用于对雷达监测的数据进行重构,依次包括:至少一个由卷积核组成的卷积层、至少一个pooling层以及至少一个反卷积层,其中,卷积层的数量与pooling层的数量相同,每一卷积层后连接一pooling层,至少一个卷积层用于实现卷积层的堆叠以提取数据的特征,pooling层用于降低数据的维度,反卷积层用于根据特征对数据进行重构,得到重构数据。另外本公开还提供了一种基于卷积自编码器的物体内部异常的检测方法和装置,采用卷积自编码进行无监督学习,利用卷积自编码器把待测数据进行压缩,由于压缩为有损压缩,异常数据解压后与对应的待测数据误差更大,从而识别出待测数据中的异常数据。整个过程不需要手动标记数据,简单方便。
Description
技术领域
本发明涉及雷达探测技术领域,尤其涉及一种卷积自编码器及物体内部异常的检测方法和装置。
背景技术
对物体内部异常进行检测,尤其是公路地下异常检测是浅层探地雷达的主要应用场景之一,但由于探地雷达地下异常自动检测技术尚不成熟,故大量探地雷达数据多依赖于人工解译,费时费力。近年来,以深度学习为代表的机器学习技术在信号处理与模式识别领域的飞速发展,许多研究人员开始对基于深度学习的探地雷达地下目标自动识别技术的研究。目前,基于深度学习的探地雷达地下异常识别通常采用以卷积神经网络为代表的监督学习方法,监督学习方法需要大量标记过的数据作为支撑,而虽然探地雷达测量数据量巨大,但没有公开的标记数据集,因此目前采用监督学习方法的标记训练数据来源主要是电磁计算获得的仿真数据或自己对数据进行标记。由于电磁正演获得的仿真数据为理想情况下的雷达回波数据,而硬件、环境变化等干扰因素均会导致真实的雷达回波不理想,导致真实数据与仿真数据不完全一致。使用电磁正演获得的仿真数据进行监督学习训练,可能会导致模型应用在实际数据中有一定偏差,而如果使用真实数据进行训练,则需要大量手工标记的数据,工作量巨大。
发明内容
(一)要解决的技术问题
基于上述技术问题,本发明提出一种卷积自编码器及物体内部异常的检测方法和装置,采用卷积自编码进行无监督学习,实现地下异常的检测,不需要手动标记数据,简单方便。
(二)技术方案
本发明提供了一种卷积自编码器,用于对雷达监测的数据进行重构,依次包括:至少一个由卷积核组成的卷积层、至少一个pooling层以及至少一个反卷积层,其中,卷积层的数量与pooling层的数量相同,每一卷积层后连接一pooling层,至少一个卷积层用于实现卷积层的堆叠以提取数据的特征,pooling层用于降低数据的维度,反卷积层用于根据特征对数据进行重构,得到重构数据。
可选地,卷积层、pooling层以及反卷积层的具体数量满足重构数据与数据的误差值在预设误差范围内。
可选地,卷积核的尺寸大于或等于雷达单次反射子波数据的长度。
可选地,卷积核为一维卷积核,对应的pooling层和反卷积层分别为一维pooling层和一维反卷积层。
另一方面本发明还提供了一种基于卷积自编码器的物体内部异常的检测方法,方法包括:S1,根据探地雷达的样本数据训练卷积自编码器,得到训练完成的卷积自编码器;S2,采用探地雷达获取物体得到待测数据;S3,将待测数据输入训练完成的卷积自编码器,得到重构数据;S4,获取重构数据与待测数据的Frechet距离,若Frechet距离大于预设阈值则待测数据为异常数据,则物体内部存在异常。
可选地,预设阈值为探地雷达饱和幅值的1~5倍。
可选地,获取重构数据与待测数据的离散Frechet距离具体为根据以下公式计算所述重构数据与待测数据的离散Frechet距离δdF:
δdF(P,Q)=min(maXi=1,……mdis(uai,vbi))
其中,P和Q分别为原始数据序列和重建数据序列,uai和vbi分别为原始数据序列P和重建数据序列Q中的参数点,dis(uai,vbi)为uai和vbi之间的距离度量函数;ai和bi分别为原始数据序列P和重建数据序列Q中参数点的编号,i为原始数据序列P和重建数据序列Q的序列编号。
再一方面本发明还提供了一种基于卷积自编码器的物体内部异常的检测装置,装置包括:训练模块,根据探地雷达的样本数据训练卷积自编码器,得到训练完成的卷积自编码器;第一获取模块,采用探地雷达获取物体的内部数据得到待测数据;输入模块,将待测数据输入训练完成的卷积自编码器,得到重构数据;第二获取模块,获取重构数据与所述待测数据的离散Frechet距离,若离散Frechet距离大于预设阈值则待测数据为异常数据,则物体内部存在异常。
可选地,预设阈值为探地雷达饱和幅值的1~5倍。
可选地,第二获取模块根据以下公式获取重构数据与待测数据的离散Frechet距离δdF:
δdF(P,Q)=min(maXi=1,……mdis(uai,vbi))
其中,P和Q分别为原始数据序列和重建数据序列,uai和vbi分别为原始数据序列P和重建数据序列Q中的参数点,dis(uai,vbi)为uai和vbi之间的距离度量函数;ai和bi分别为原始数据序列P和重建数据序列Q中参数点的编号,i为原始数据序列P和重建数据序列Q的序列编号。
(三)有益效果
本发明提出一种卷积自编码器及物体内部异常的检测方法和装置,采用卷积自编码进行无监督学习,利用卷积自编码器把待测数据进行压缩,由于压缩为有损压缩,异常数据解压后与对应的待测数据误差更大,从而识别出待测数据中的异常数据。整个过程不需要手动标记数据,简单方便。
附图说明
图1示意性示出了本公开实施例的卷积自编码器的结构图;
图2示意性示出了本公开实施例的卷积自编码器的工作流程图;
图3示意性示出了本公开实施例的基于卷积自编码器的物体内部异常的检测方法步骤图;
图4示意性示出了本公开实施例的训练样本数据矩阵的二维灰度图;
图5示意性示出了本公开实施例的卷积自编码器的详细的结构图;
图6A示意性示出了本公开实施例的待测数据矩阵的二维灰度图;
图6B示意性示出了本公开实施例的图6A中待测数据矩阵对应的重构数据矩阵的二维灰度图;
图7示意性示出了本公开实施例的重构数据异常判定示意图;
图8示意性示出了本公开实施例的图7中对应重构数据异常位置标记示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明第一方面提供了一种卷积自编码器,用于对雷达监测的数据进行重构,如图1和图2所示,依次包括:至少一个由卷积核组成的卷积层、至少一个pooling层以及至少一个反卷积层,其中,卷积层的数量与pooling层的数量相同,每一卷积层后连接一pooling层,至少一个卷积层用于实现卷积层的堆叠以提取数据的特征,pooling层用于降低数据的维度,反卷积层用于根据特征对数据进行重构,得到重构数据。具体的可以根据重构数据和数据之间的预设误差范围进行确定卷积层、pooling层以及反卷积层的具体数量。以下将以具体的实施例对其进行详细描述。
具体的,上述中的卷积核可以为一维卷积核和二维卷积核等,一维卷积核可以用于处理一维数据,二维卷积核用于处理图像,具体的卷积核的类型可以根据待处理的数据的类型进行设置。若待处理的数据为一维数据,则采用一维卷积核,对应的pooling层和反卷积层分别为一维pooling层和一维反卷积层;若待处理的数据为二维图像,则采用二维卷积核,对应的pooling层和反卷积层分别为二维pooling层和二维反卷积层,其中,设置多个卷积层是为了实现卷积层的堆叠进而可以实现数据复杂特征的提取,pooling层用于缩减数据的维度,降低计算复杂度,反卷积层用于分解卷积层提取的低维特征重建为高维数据。卷积核的尺寸可以依据数据可能出现的目标的长度确定,应大于或等于雷达单次反射子波数据的长度。
第二方面,本发明提供了一种基于卷积自编码器的物体内部异常的检测方法,参见图3,方法包括:S1,根据探地雷达的样本数据训练卷积自编码器,得到训练完成的卷积自编码器;S2,采用探地雷达获取物体内部的数据得到待测数据;S3,将待测数据输入训练完成的卷积自编码器,得到重构数据;S4,获取重构数据与待测数据的Frechet距离,若Frechet距离大于预设阈值则待测数据为异常数据,则物体内部存在异常。下面将以对地面下的异常检测为具体的实施例对该检测方法进行详细描述。
具体的,S1,根据探地雷达的样本数据训练卷积自编码器,得到训练完成的卷积自编码器;
由上可知,卷积自编码器包括至少一个由卷积核组成的卷积层、至少一个pooling层以及至少一个反卷积层,其中,卷积层的数量与pooling层的数量相同,每一卷积层后连接一pooling层,至少一个卷积层用于实现卷积层的堆叠以提取数据的特征,pooling层用于降低数据的维度,反卷积层用于根据特征对数据进行重构,得到重构数据。根据地面结构复杂程度对卷积自编码器中的卷积层、pooling层和反卷积层的数量进行人工调整保证重构数据和数据的误差在预设误差范围内。优选一组探地雷达样本数据,确定卷积自编码器中卷积函数的具体参数值,该探地雷达样本数据优选为1*512的单样本探地雷达采样数据,其中,512为单样本中探地雷达采样点数。
S2,采用探地雷达获取物体的内部数据得到待测数据;
探地雷达不仅可以探测地面下的异常,同时可以探测古树、建筑混凝图、冰层等的内部结构,采用探地雷达获取待测物体的内部数据得到待测数据。
S3,将待测数据输入训练完成的卷积自编码器,得到重构数据;
将步骤S2中探地雷达测得的待测数据输入步骤S1训练完成的卷积自编码器在,在多个卷积层和pooling层的作用下,待测数据被逐级压缩,降维,而后反卷积层对经过压缩降维的数据进行解压生成重构数据,由于卷积层的压缩为有损压缩,因此重构数据和原待测数据会存在一定的误差。
S4,获取重构数据与待测数据的离散Frechet距离,若Frechet距离大于预设阈值则待测数据为异常数据,则物体内部存在异常。
由步骤S3得到重构数据,计算重构数据和待测数据之间的离散Frechet距离,采用离散Frechet距离度量重构数据和待测数据的误差能够突出重构数据和原始数据的局部误差,避免整条重构数据和原始数据的小误差累计,能够更加有效的区分重构数据和待测数据的显著差异,其中,根据以下公式计算重构数据与待测数据的离散Frechet距离δdF:
δdF(P,Q)=min(maxi=1,……mdis(uai,vbi))
其中,P和Q分别为原始数据序列和重建数据序列,uai和vbi分别为原始数据序列P和重建数据序列Q中的参数点,dis(uai,vbi)为uai和vbi之间的距离度量函数,优选使用欧氏距离(Euclidean Distance);ai和bi分别为原始数据序列P和重建数据序列Q中参数点的编号,i为原始数据序列P和重建数据序列Q的序列编号。
若重构数据与待测数据的离散Frechet距离δdF大于预设阈值则表明重构数据中存在局部误差较大的区域,此时认为存在地下异常,该预设阈值通常设置为探地雷达饱和幅值的1~5倍。
当然,对卷积自编码器进行训练时还可以使用数据矩阵,如使用n*512的数据矩阵,其中,n为样本个数,512为每个样本中探地雷达数据的点数,绘制成二维灰度图如图4所示。使用该样本数据矩阵训练一个包含三个一维卷积层和pooling层、以及三个反卷积层的卷积自编码器(如图5所示),由于要对数据进行先压缩后解压,因此卷积层的卷积核应逐级变小,反卷积层的卷积核应逐级变大,经样本数据矩阵训练后得到该卷积自编码器中的具体参数值。如待测数据为m*450的数据矩阵,将待测数据输入训练完成的卷积自编码器,得到m*450的数据矩阵对应的重构数据,待测数据和重构数据的灰度结果如图6A和图6B所示。获取m道样本的离散Frechet距离,设置预设阈值为雷达回波数据饱和幅值的3.5倍,将m道样本的离散Frechet距离绘制成曲线如图7所示,将该曲线与预设阈值进行比较,超过预设阈值的部分为异常部分相对于的待测数据为异常数据。可以得到实施例中待测数据中地下异常数据,标记在二维待测数据矩阵中如图8所示。根据待测数据所对应的位置即可判断出异常的地面位置。
第三方面,本发明提供了一种基于卷积自编码器的物体内部异常的检测装置,该装置包括:训练模块,根据探地雷达的样本数据训练所述卷积自编码器,得到训练完成的卷积自编码器;第一获取模块,采用探地雷达获取所述物体的内部数据得到待测数据;输入模块,将待测数据输入训练完成的卷积自编码器,得到重构数据;第二获取模块,获取重构数据与待测数据的离散Frechet距离,若离散Frechet距离大于预设阈值则待测数据为异常数据,则物体内部存在异常。其中,预设阈值为探地雷达饱和幅值的1~5倍。
具体的,训练模块,根据探地雷达的样本数据训练所述卷积自编码器,得到训练完成的卷积自编码器;
根据地面结构复杂程度对卷积自编码器中的卷积层、pooling层和反卷积层的数量进行人工调整保证重构数据和数据的误差在预设误差范围内。优选一组探地雷达样本数据,确定卷积自编码器中卷积函数的具体参数值,该探地雷达样本数据优选为1*512的单样本探地雷达采样数据,其中,512为单样本中探地雷达采样点数。
第一获取模块,采用探地雷达获取所述物体的内部数据得到待测数据;
探地雷达不仅可以探测地面下的异常,同时可以探测古树、建筑混凝图、冰层等的内部结构,采用探地雷达获取待测物体的内部数据得到待测数据。
输入模块,将待测数据输入训练完成的卷积自编码器,得到重构数据;
将第一获取模块中探地雷达测得的待测数据输入训练模块训练完成的卷积自编码器在,在多个卷积层和pooling层的作用下,待测数据被逐级压缩,降维,而后反卷积层对经过压缩降维的数据进行解压生成重构数据,由于卷积层的压缩为有损压缩,因此重构数据和原待测数据会存在一定的误差。
第二获取模块,获取重构数据与待测数据的离散Frechet距离,若离散Frechet距离大于预设阈值则待测数据为异常数据,则物体内部存在异常。
第二获取模块根据以下公式获取重构数据与待测数据的离散Frechet距离δdF:
δdF(P,Q)=min(maXi=1,……mdis(uai,vbi))
其中,P和Q分别为原始数据序列和重建数据序列,uai和vbi分别为原始数据序列P和重建数据序列Q中的参数点,dis(uai,vbi)为uai和vbi之间的距离度量函数;ai和bi分别为原始数据序列P和重建数据序列Q中参数点的编号,i为原始数据序列P和重建数据序列Q的序列编号。
本发明提出一种卷积自编码器及物体内部异常的检测方法和装置,采用卷积自编码进行无监督学习,利用卷积自编码器把待测数据进行压缩,由于压缩为有损压缩,异常数据解压后与对应的待测数据误差更大,从而识别出待测数据中的异常数据。使用离散Frechet距离度量卷积自编码器重构数据与待测数据的误差,避免了使用均方误差带来的小误差累计,能够更为有效的区分重构数据的显著差异。整个过程不需要手动标记数据,简单方便。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种卷积自编码器,用于对雷达监测的数据进行重构,其特征在于,依次包括:
至少一个由卷积核组成的卷积层、至少一个pooling层以及至少一个反卷积层,其中,所述卷积层的数量与所述pooling层的数量相同,每一所述卷积层后连接一pooling层,所述至少一个卷积层用于实现所述卷积层的堆叠以提取所述数据的特征,所述pooling层用于降低所述数据的维度,所述反卷积层用于根据所述特征对所述数据进行重构,得到重构数据。
2.根据权利要求1所述的卷积自编码器,其特征在于,所述卷积层、pooling层以及反卷积层的具体数量满足所述重构数据与所述数据的误差值在预设误差范围内。
3.根据权利要求1所述的卷积自编码器,其特征在于,所述卷积核的尺寸大于或等于所述雷达单次反射子波数据的长度。
4.根据权利要求1所述的卷积自编码器,其特征在于,所述卷积核为一维卷积核,对应的所述pooling层和反卷积层分别为一维pooling层和一维反卷积层。
5.一种基于卷积自编码器的物体内部异常的检测方法,其特征在于,所述方法包括:
S1,根据探地雷达的样本数据训练所述卷积自编码器,得到训练完成的卷积自编码器;
S2,采用所述探地雷达获取所述物体得到待测数据;
S3,将所述待测数据输入所述训练完成的卷积自编码器,得到重构数据;
S4,获取所述重构数据与所述待测数据的Frechet距离,若所述Frechet距离大于预设阈值则所述待测数据为异常数据,则所述物体内部存在异常。
6.根据权利要求5所述的检测方法,其特征在于,所述预设阈值为所述探地雷达饱和幅值的1~5倍。
7.根据权利要求5所述的检测方法,其特征在于,所述获取所述重构数据与所述待测数据的离散Frechet距离具体为根据以下公式计算所述重构数据与所述待测数据的离散Frechet距离δdF:
δdF(P,Q)=min(maxi=1,……mdis(uai,vbi))
其中,P和Q分别为原始数据序列和重建数据序列,uai和vbi分别为原始数据序列P和重建数据序列Q中的参数点,dis(uai,vbi)为uai和vbi之间的距离度量函数;ai和bi分别为所述原始数据序列P和重建数据序列Q中参数点的编号,i为所述原始数据序列P和重建数据序列Q的序列编号。
8.一种基于卷积自编码器的物体内部异常的检测装置,其特征在于,所述装置包括:
训练模块,根据探地雷达的样本数据训练所述卷积自编码器,得到训练完成的卷积自编码器;
第一获取模块,采用所述探地雷达获取所述物体的内部数据得到待测数据;
输入模块,将所述待测数据输入所述训练完成的卷积自编码器,得到重构数据;
第二获取模块,获取所述重构数据与所述待测数据的离散Frechet距离,若所述离散Frechet距离大于预设阈值则所述待测数据为异常数据,则所述物体内部存在异常。
9.根据权利要求8所述的检测装置,其特征在于,所述预设阈值为所述探地雷达饱和幅值的1~5倍。
10.根据权利要求8所述的检测装置,其特征在于,所述第二获取模块根据以下公式获取所述重构数据与所述待测数据的离散Frechet距离δdF:
δdF(P,Q)=min(maxi=1,……mdis(uai,vbi))
其中,P和Q分别为原始数据序列和重建数据序列,uai和vbi分别为原始数据序列P和重建数据序列Q中的参数点,dis(uai,vbi)为uai和vbi之间的距离度量函数;ai和bi分别为所述原始数据序列P和重建数据序列Q中参数点的编号,i为所述原始数据序列P和重建数据序列Q的序列编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910302171.2A CN110007355A (zh) | 2019-04-15 | 2019-04-15 | 一种卷积自编码器及物体内部异常的检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910302171.2A CN110007355A (zh) | 2019-04-15 | 2019-04-15 | 一种卷积自编码器及物体内部异常的检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110007355A true CN110007355A (zh) | 2019-07-12 |
Family
ID=67172050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910302171.2A Pending CN110007355A (zh) | 2019-04-15 | 2019-04-15 | 一种卷积自编码器及物体内部异常的检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110007355A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110207997A (zh) * | 2019-07-24 | 2019-09-06 | 中国人民解放军国防科技大学 | 基于卷积自编码器的液体火箭发动机故障检测方法 |
CN110736968A (zh) * | 2019-10-16 | 2020-01-31 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
CN110929765A (zh) * | 2019-11-06 | 2020-03-27 | 北京工业大学 | 一种基于批次图像化的卷积自编码故障监测方法 |
CN111144375A (zh) * | 2019-12-31 | 2020-05-12 | 中国民用航空总局第二研究所 | 基于特征编码的异常行为检测方法、装置及电子设备 |
CN111880998A (zh) * | 2020-07-30 | 2020-11-03 | 平安科技(深圳)有限公司 | 服务系统异常检测方法、装置、计算机设备和存储介质 |
CN112014821A (zh) * | 2020-08-27 | 2020-12-01 | 电子科技大学 | 一种基于雷达宽带特征的未知车辆目标识别方法 |
CN112484981A (zh) * | 2020-11-27 | 2021-03-12 | 上海电气电站设备有限公司 | 一种基于卷积自编码器的发电机异常状态监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657615A (zh) * | 2017-11-10 | 2018-02-02 | 西安电子科技大学 | 基于增量cae的高分辨sar图像变化检测方法 |
CN108710777A (zh) * | 2018-05-21 | 2018-10-26 | 中国地质大学(武汉) | 基于多卷积自编码神经网络的多元化探异常识别方法 |
CN108765338A (zh) * | 2018-05-28 | 2018-11-06 | 西华大学 | 基于卷积自编码卷积神经网络的空间目标图像复原方法 |
CN109087259A (zh) * | 2018-08-01 | 2018-12-25 | 中国石油大学(北京) | 基于卷积自编码器的叠前数据去噪方法及系统 |
JP2019049904A (ja) * | 2017-09-11 | 2019-03-28 | 国立大学法人信州大学 | 操作方法生成システム |
CN109615019A (zh) * | 2018-12-25 | 2019-04-12 | 吉林大学 | 基于时空自动编码器的异常行为检测方法 |
-
2019
- 2019-04-15 CN CN201910302171.2A patent/CN110007355A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019049904A (ja) * | 2017-09-11 | 2019-03-28 | 国立大学法人信州大学 | 操作方法生成システム |
CN107657615A (zh) * | 2017-11-10 | 2018-02-02 | 西安电子科技大学 | 基于增量cae的高分辨sar图像变化检测方法 |
CN108710777A (zh) * | 2018-05-21 | 2018-10-26 | 中国地质大学(武汉) | 基于多卷积自编码神经网络的多元化探异常识别方法 |
CN108765338A (zh) * | 2018-05-28 | 2018-11-06 | 西华大学 | 基于卷积自编码卷积神经网络的空间目标图像复原方法 |
CN109087259A (zh) * | 2018-08-01 | 2018-12-25 | 中国石油大学(北京) | 基于卷积自编码器的叠前数据去噪方法及系统 |
CN109615019A (zh) * | 2018-12-25 | 2019-04-12 | 吉林大学 | 基于时空自动编码器的异常行为检测方法 |
Non-Patent Citations (2)
Title |
---|
喻玲娟 等: "基于FCNN和ICAE的SAR图像目标识别方法", 《雷达学报》 * |
陈永生 等: "基于全卷积神经网络的SAR图像目标分类", 《雷达科学与技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110207997A (zh) * | 2019-07-24 | 2019-09-06 | 中国人民解放军国防科技大学 | 基于卷积自编码器的液体火箭发动机故障检测方法 |
CN110736968A (zh) * | 2019-10-16 | 2020-01-31 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
CN110736968B (zh) * | 2019-10-16 | 2021-10-08 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
CN110929765A (zh) * | 2019-11-06 | 2020-03-27 | 北京工业大学 | 一种基于批次图像化的卷积自编码故障监测方法 |
CN110929765B (zh) * | 2019-11-06 | 2023-09-22 | 北京工业大学 | 一种基于批次图像化的卷积自编码故障监测方法 |
CN111144375A (zh) * | 2019-12-31 | 2020-05-12 | 中国民用航空总局第二研究所 | 基于特征编码的异常行为检测方法、装置及电子设备 |
CN111144375B (zh) * | 2019-12-31 | 2022-07-05 | 中国民用航空总局第二研究所 | 基于特征编码的异常行为检测方法、装置及电子设备 |
CN111880998A (zh) * | 2020-07-30 | 2020-11-03 | 平安科技(深圳)有限公司 | 服务系统异常检测方法、装置、计算机设备和存储介质 |
CN112014821A (zh) * | 2020-08-27 | 2020-12-01 | 电子科技大学 | 一种基于雷达宽带特征的未知车辆目标识别方法 |
CN112484981A (zh) * | 2020-11-27 | 2021-03-12 | 上海电气电站设备有限公司 | 一种基于卷积自编码器的发电机异常状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110007355A (zh) | 一种卷积自编码器及物体内部异常的检测方法和装置 | |
CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
CN109840556A (zh) | 一种基于孪生网络的图像分类识别方法 | |
CN103065149B (zh) | 网纹甜瓜果实表型提取与量化方法 | |
CN104091151A (zh) | 基于Gabor特征提取和稀疏表示的车辆识别方法 | |
CN107516301A (zh) | 一种基于压缩感知在图像重建中测量矩阵的构造优化方法 | |
CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 | |
CN109858408A (zh) | 一种基于自编码器的超声信号处理方法 | |
CN107909109A (zh) | 基于显著性和多尺度深度网络模型的sar图像分类方法 | |
CN103886336A (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN107133648B (zh) | 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 | |
CN102968796A (zh) | 基于采样学习的sar图像分割方法 | |
CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
CN104809471A (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
CN104102900A (zh) | 一种车辆识别系统 | |
CN112241937A (zh) | 一种基于神经网络的高光谱图像重构方法 | |
CN101814146B (zh) | 一种基于多个小波变换的动作电位特征提取方法 | |
CN106407975B (zh) | 基于空间-光谱结构约束的多尺度分层目标检测方法 | |
CN108537738A (zh) | 一种矩阵补全方法 | |
CN116091492B (zh) | 一种图像变化像素级检测方法与系统 | |
CN105931184B (zh) | 基于联合优化的sar图像超分辨率方法 | |
CN110660051B (zh) | 一种基于导航金字塔的张量投票处理方法 | |
CN107832798A (zh) | 基于nsct阶梯网模型的极化sar图像目标检测方法 | |
CN109214975B (zh) | 一种基于二维稀疏信号恢复的二维逐步正交匹配追踪方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190712 |