CN110288005B - 基于svm的毫米波探测器干扰效果评估方法 - Google Patents

基于svm的毫米波探测器干扰效果评估方法 Download PDF

Info

Publication number
CN110288005B
CN110288005B CN201910465542.9A CN201910465542A CN110288005B CN 110288005 B CN110288005 B CN 110288005B CN 201910465542 A CN201910465542 A CN 201910465542A CN 110288005 B CN110288005 B CN 110288005B
Authority
CN
China
Prior art keywords
svm
interference
evaluation model
millimeter wave
wave detector
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
Application number
CN201910465542.9A
Other languages
English (en)
Other versions
CN110288005A (zh
Inventor
彭树生
高辉
毕业昆
盛俊铭
卞亨通
黄锐
彭立尧
肖芸
李玉年
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201910465542.9A priority Critical patent/CN110288005B/zh
Publication of CN110288005A publication Critical patent/CN110288005A/zh
Application granted granted Critical
Publication of CN110288005B publication Critical patent/CN110288005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Complex Calculations (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于SVM的毫米波探测器干扰效果评估方法，具体为：构建SVM干扰评估模型；使用样本训练集对SVM干扰评估模型进行训练，确定SVM干扰评估模型参数，得到SVM干扰评估模型；利用SVM干扰评估模型对毫米波探测器干扰效果进行评估。本发明有效弥补了室内毫米波探测器干扰性能等效测试系统的等效条件的局限性，提高了毫米波探测器干扰测试效率。

Description

基于SVM的毫米波探测器干扰效果评估方法
技术领域
本发明属于毫米波干扰技术，特别是一种基于SVM的毫米波探测器干扰效果评估方法。
背景技术
在现代战争中，无论是对主动雷达还是对被动探测器进行干扰，干扰设备的干扰效果评估始终是研究的热点。近年来，衡量毫米波被动探测器干扰设备的干扰效果主要依靠外场试验，但是外部试验环境和天气条件的不确定性直接限制了试验的进行，并且在设计和研制毫米波干扰设备的过程中，往往需要通过试验不断调整相关设计参数以实现最佳干扰效果，因此外场试验这种方式存在着效率低、成本高等问题。毫米波探测器干扰研究已取得了较大的进展，但相关的干扰效果评估方法的研究较少。由此可见，缺少有效的室内毫米波干扰等效及评估系统成为限制毫米波干扰和抗干扰技术快速发展的一个关键因素，然而传统的半实物仿真系统普遍具有等效条件有限、干扰效果评估方式单一等不足。
随着近年来雷达干扰相关领域研究的不断深入以及机器学习理论的快速发展，雷达干扰效果的评估已经由早期的评估因子法、模糊综合评估法，发展到了基于支持向量机(Support Vector Machine，简称SVM)等机器学习理论的智能评估法，并且随着国内对末敏弹毫米波探测器的不断深入研究，也出现了借助现代机器学习理论进行末敏弹毫米波探测器目标识别的方法。
上述效果评估方法只适用于雷达干扰、毫米波探测器目标识别等领域，并不能用于毫米波探测器干扰效果评估。毫米波探测器干扰效果评估依赖于外场试验，存在效率低、成本高等问题，直接由影响因素理论推导出毫米波探测器干扰效果也非常困难。
发明内容
本发明的目的在于提出了一种基于SVM的毫米波探测器干扰效果评估方法。
实现本发明目的的技术方案为：一种基于SVM的毫米波探测器干扰效果评估方法，具体步骤为：
步骤1、构建SVM干扰评估模型；
步骤2、使用样本训练集对SVM干扰评估模型进行训练，确定SVM干扰评估模型参数，得到SVM干扰评估模型；
步骤3、利用步骤2得到的SVM干扰评估模型对毫米波探测器干扰效果进行评估。
优选地，步骤1中所述SVM干扰评估模型的输入特征量为x＝[Pe,R,θ,Pmin],其中，Pe为干扰功率，R为干扰距离，θ为干扰主波束方向角，Pmin为毫米波探测器最小可检测功率，输出特征量y∈{+1,-1}，+1表示毫米波探测器被干扰成功，-1则表示干扰失败，SVM评估模型的核函数为高斯核函数
Figure BDA0002079308870000021
式中，σ表示高斯核函数核宽度，SVM评估模型的判决函数为：
Figure BDA0002079308870000022
SVM评估模型的最优超平面设定为：
Figure BDA0002079308870000023
Figure BDA0002079308870000024
输入特征向量，
Figure BDA0002079308870000025
为支持向量，ym、yn分别为支持向量
Figure BDA0002079308870000026
对应的输出特征量，C为惩罚因子，ξi为松弛变量，
Figure BDA0002079308870000027
为超平面，αm为拉格朗日乘子，αm *为拉格朗日乘子最优解，N为样本数量，NSV为支持向量数量，
Figure BDA0002079308870000028
优选地，步骤2使用样本训练集对SVM干扰评估模型进行训练，确定SVM干扰评估模型参数的具体步骤为：
步骤2-1、将样本数据集中的特征数据进行标准化，得到标准化后的样本数据集；
步骤2-2、将标准化后的样本数据作为样本训练集数据采用K折交叉验证法对SVM评估模型进行训练，确定SVM干扰评估模型参数。
优选地，步骤2-1将样本数据集中的特征数据进行标准化的具体公式为：
Figure BDA0002079308870000031
其中，i＝1,2,…,n，
Figure BDA0002079308870000035
表示原数据序列的均值，具体为
Figure BDA0002079308870000032
s表示原数据序列的方差，具体为
Figure BDA0002079308870000033
xi′为标准化后的特征数据。
优选地，将标准化后的样本数据作为样本训练集数据采用K折交叉验证法对SVM评估模型进行训练，确定SVM干扰评估模型参数的具体方法为：
步骤2-2-1、将样本训练集按照样本数量平均分成10个等份，以10个数据子集中的9个子集作为训练子集，用剩余的1个子集作为测试子集；
步骤2-2-2、SVM评估模型分别采用不同的惩罚因子C和高斯核函数参数σ2，在当前惩罚因子C和高斯核函数参数σ2下分别用每个训练子集训练SVM评估模型，分别得到每个惩罚因子C和高斯核函数参数σ2下的最优超平面，同时用测试子集对当前惩罚因子C和高斯核函数参数σ2下的SVM评估模型进行测试，得到SVM评估模型的性能评估指标，对当前参数下的性能评估指标求平均；
步骤2-2-3、依次使用剩余的数据子集作为测试子集，重复步骤2-2-2，进行10次迭代；
步骤2-2-4、对每个惩罚因子C和高斯核函数参数σ2取值下的10次对性能评估结果取平均，将平均后的性能评估结果作为当前参数下SVM评估模型的性能指标，比较不同参数下的性能指标，选取最优性能指标下的惩罚因子C和高斯核函数参数σ2值作为最终SVM评估模型的参数。
本发明与现有技术相比，其显著优点为：1)本发明结合机器学习建立毫米波探测器干扰效果评估模型；2)本发明结合等效试验数据对特定干扰条件下的干扰效果进行预测评估；3)本发明效弥补了室内毫米波探测器干扰性能等效测试系统的等效条件的局限性，提高了毫米波探测器干扰测试效率。
附图说明
图1为二类线性可分问题示意图。
图2为K折交叉验证法训练过程示意图。
图3为不同惩罚因子和γ参数对应的F1-Macro结果图。
具体实施方式
一种基于SVM的毫米波探测器干扰效果评估方法，具体步骤为：
步骤1、构建SVM干扰评估模型
SVM的目的寻找一个超平面来对样本根据正例和反例进行分割。设定一个线性可分数据集
Figure BDA0002079308870000041
Figure BDA0002079308870000042
为n维高维向量，yi为
Figure BDA0002079308870000043
的类别参数，可设为-1和1。在n维向量空间中找出超平面：
Figure BDA0002079308870000044
使得数据集
Figure BDA0002079308870000045
满足
Figure BDA0002079308870000046
如图1所示，圆形代表yi＝1的一类，方形代表yi＝-1的一类。必然存在这样一个超平面，让离超平面最近的两类样本与超平面的距离最大，称为最佳超平面。设定m为两类样本距超平面的距离之和，称作分类间隔：
Figure BDA0002079308870000047
两类样本中距离超平面最近的向量xi称为支持向量，即使
Figure BDA0002079308870000048
成立的向量。支持向量
Figure BDA0002079308870000049
位于平面H1和H2上，满足：
Figure BDA00020793088700000410
求解最大化分类间隔(即求解最优超平面)的问题可以等效为求解最小值的问题：
Figure BDA00020793088700000411
这是一个线性不等式约束条件下的二次函数极值问题，由于目标函数和约束条件都是凸函数，根据最优化理论，该问题存在唯一的全局最小解。解由拉格朗日(Lagrange)函数的鞍点给出。构造拉格朗日(Lagrange)函数：
Figure BDA00020793088700000412
式中，αi为样本i对应的拉格朗日乘子。
由于最优解需满足KKT条件，式(4)构造的拉格朗日函数的KKT条件为：
(1)L对
Figure BDA00020793088700000413
和b求偏微分为0；
(2)
Figure BDA0002079308870000051
分别对参数
Figure BDA0002079308870000052
和b求偏微分并使结果为0：
Figure BDA0002079308870000053
代入拉格朗日函数，则转换为对偶问题：
Figure BDA0002079308870000054
最优解α*＝(α1 *,α2 *,…,αN *)T。根据KKT条件(2)可知，仅支持向量的拉格朗日乘子αi≠0。利用任意支持向量
Figure BDA0002079308870000055
和
Figure BDA0002079308870000056
求解
Figure BDA0002079308870000057
和b*，
Figure BDA0002079308870000058
式中，NSV为支持向量数量。
判决函数
Figure BDA0002079308870000059
用核函数能在样本空间中等价计算出特征空间中的内积
Figure BDA00020793088700000510
则本发明中构建的SVM干扰评估模型的高斯核函数为：
Figure BDA00020793088700000511
判决函数为：
Figure BDA00020793088700000512
惩罚因子(C)代表了对离群点带来的损失的重视程度，它的值越大，对目标函数的损失越大，越不允许该样本数据落在范围之外。
本发明中求解最优超平面的问题修正为：
Figure BDA0002079308870000061
从而
Figure BDA0002079308870000062
松弛变量ξi表征了在高维空间中离群向量xi与对应的边界超平面H1或H2的距离，仅离群向量存在ξi＞0。
结合毫米波探测器外场干扰试验具体情况，干扰频率、干扰功率、干扰距离、天线极化方式以及毫米波探测器性能等均会对毫米波探测器干扰效果有影响。本发明选择的输入特征量[Pe,R,θ,Pmin],其中，Pe为干扰功率，R为干扰距离，θ为干扰主波束方向角，Pmin为毫米波探测器最小可检测功率。SVM分类器输出值依照干扰设备是否能使毫米波探测器产生目标输出(即是否“欺骗”成功)进行划分，若“欺骗”成功，则输出数值为+1，反之为-1。
步骤2、使用样本训练集对SVM干扰评估模型进行训练，确定SVM干扰评估模型参数，得到SVM干扰评估模型；
步骤2-1、本发明使用的样本数据中的四个输入特征量为毫米波探测器干扰效果重要影响因素，输出特征量则为毫米波探测器干扰试验结果，即是否干扰成功。不同样本的特征量可能会具有不同的方差，从而对算法分类器的性能造成影响，需要针对每个特征分别进行数据标准化处理。假设共有n个样本，其中某个特征的数据为x1,x2,…,xn，则数据标准化之后的新序列为：
Figure BDA0002079308870000063
其中，i＝1,2,…,n，
Figure BDA0002079308870000065
表示原数据序列的均值：
Figure BDA0002079308870000064
s表示原数据序列的方差：
Figure BDA0002079308870000071
则样本数据集
Figure BDA0002079308870000072
Figure BDA0002079308870000073
为样本个数，标准化处理后的部分数据如表1所示。
表1
Figure BDA0002079308870000074
步骤2-2、将标准化后的样本数据作为样本训练集数据采用K折交叉验证法对SVM评估模型进行训练，确定SVM干扰评估模型参数，如图2所示，具体过程为：
步骤2-2-1、将样本训练集按照样本数量平均分成10个等份，以10个数据子集中的9个子集作为训练子集，用剩余的1个子集作为测试子集；
步骤2-2-2、SVM评估模型分别采用不同的惩罚因子C和高斯核函数参数σ2，在当前惩罚因子C和高斯核函数参数σ2下分别用每个训练子集训练SVM评估模型，分别得到每个惩罚因子C和高斯核函数参数σ2下的最优超平面，同时用测试子集对当前惩罚因子C和高斯核函数参数σ2下的SVM评估模型进行测试，得到SVM评估模型的性能评估指标，对当前参数下的性能评估指标求平均；
步骤2-2-3、依次使用剩余的数据子集作为测试子集，重复步骤2-2-2，进行10次迭代；
步骤2-2-4、对每个惩罚因子C和高斯核函数参数σ2取值下的10次对性能评估结果取平均，将平均后的性能评估结果作为当前参数下SVM评估模型的性能指标，比较不同参数下的性能指标，选取最优性能指标下的惩罚因子C和高斯核函数参数σ2值作为最终SVM评估模型的参数。
本发明中的性能评估指标包括准确率(Precision)、召回率(Recall)以及综合评价指标这三项。准确率(Precision，简写为P)和召回率(Recall，简写为R)的定义分别为：
Figure BDA0002079308870000081
Figure BDA0002079308870000082
其中TP表示预测为负、真实为负，FP表示预测为正，真实为负，FN表示预测为负、真实为正，TN表示预测为正，真实为正。
F值(F-Measure)综合了上述两个指标，是二者的加权调和平均值，
Figure BDA0002079308870000083
式中的a为预设值，表示P和R的相对权重，一般取a＝1，表示准确率和召回率同样重要，由此得到F1-Measure：
Figure BDA0002079308870000084
综合评价可以通过F1的宏平均(F1-Macro)来进行。F1-Macro通过对各个类别的F1结果求算数平均求得，可以得到模型分类性能的较为全面的评估结果。
分别采用不同的惩罚因子C和高斯核函数参数σ2，对训练得到的不同模型计算在10个不同测试子集中F1-Macro值的算术平均值，结果如图3所示，γ参数和高斯核函数参数σ2之间具有如下关系：
Figure BDA0002079308870000085
在核函数为高斯核的情况下，当惩罚因子C取10，γ参数取0.01时，在不同测试子集中的F1-Macro平均值为0.936，高于其他参数下的情况。该SVM评估模型在样本测试集中的准确率、召回率及F1-Macro分别为0.9756、0.9739、0.9747，平均评估用时为0.9608ms。
步骤3、利用步骤2得到的SVM干扰评估模型对毫米波探测器干扰效果进行评估。
使用样本测试集对在样本训练集中得到的SVM干扰评估模型进行测试，得到的结果如表2所示，F1-Macro值为0.9747。
表2
Figure BDA0002079308870000091

Claims (4)

1.一种基于SVM的毫米波探测器干扰效果评估方法，其特征在于，具体步骤为：
步骤1、构建SVM干扰评估模型，所述SVM干扰评估模型的输入特征量为x＝[Pe,R,θ,Pmin],其中，Pe为干扰功率，R为干扰距离，θ为干扰主波束方向角，Pmin为毫米波探测器最小可检测功率，输出特征量y∈{+1,-1}，+1表示毫米波探测器被干扰成功，-1则表示干扰失败，SVM评估模型的核函数为高斯核函数
Figure FDA0003763034500000011
式中，σ表示高斯核函数核宽度，SVM评估模型的判决函数为：
Figure FDA0003763034500000012
SVM评估模型的最优超平面设定为：
Figure FDA0003763034500000013
Figure FDA0003763034500000014
为输入特征向量，
Figure FDA0003763034500000015
为支持向量，ym、yn分别为支持向量
Figure FDA0003763034500000016
对应的输出特征量，C为惩罚因子，ξi为松弛变量，
Figure FDA0003763034500000017
为超平面，αm为拉格朗日乘子，αm *为拉格朗日乘子最优解，N为样本数量，NSV为支持向量数量，
Figure FDA0003763034500000018
步骤2、使用样本训练集对SVM干扰评估模型进行训练，确定SVM干扰评估模型参数，得到SVM干扰评估模型；
步骤3、利用步骤2得到的SVM干扰评估模型对毫米波探测器干扰效果进行评估。
2.根据权利要求1所述的基于SVM的毫米波探测器干扰效果评估方法，其特征在于，步骤2使用样本训练集对SVM干扰评估模型进行训练，确定SVM干扰评估模型参数的具体步骤为：
步骤2-1、将样本数据集中的特征数据进行标准化，得到标准化后的样本数据集；
步骤2-2、将标准化后的样本数据作为样本训练集数据采用K折交叉验证法对SVM评估模型进行训练，确定SVM干扰评估模型参数。
3.根据权利要求2所述的基于SVM的毫米波探测器干扰效果评估方法，其特征在于，步骤2-1将样本数据集中的特征数据进行标准化的具体公式为：
Figure FDA0003763034500000021
其中，i＝1,2,…,n，
Figure FDA0003763034500000022
表示原数据序列的均值，具体为
Figure FDA0003763034500000023
s表示原数据序列的方差，具体为
Figure FDA0003763034500000024
x'i为标准化后的特征数据。
4.根据权利要求2所述的基于SVM的毫米波探测器干扰效果评估方法，其特征在于，将标准化后的样本数据作为样本训练集数据采用K折交叉验证法对SVM评估模型进行训练，确定SVM干扰评估模型参数的具体方法为：
步骤2-2-1、将样本训练集按照样本数量平均分成10个等份，以10个数据子集中的9个子集作为训练子集，用剩余的1个子集作为测试子集；
步骤2-2-2、SVM评估模型分别采用不同的惩罚因子C和高斯核函数参数σ2，在当前惩罚因子C和高斯核函数参数σ2下分别用每个训练子集训练SVM评估模型，分别得到每个惩罚因子C和高斯核函数参数σ2下的最优超平面，同时用测试子集对当前惩罚因子C和高斯核函数参数σ2下的SVM评估模型进行测试，得到SVM评估模型的性能评估指标，对当前参数下的性能评估指标求平均；
步骤2-2-3、依次使用剩余的数据子集作为测试子集，重复步骤2-2-2，进行10次迭代；
步骤2-2-4、对每个惩罚因子C和高斯核函数参数σ2取值下的10次对性能评估结果取平均，将平均后的性能评估结果作为当前参数下SVM评估模型的性能指标，比较不同参数下的性能指标，选取最优性能指标下的惩罚因子C和高斯核函数参数σ2值作为最终SVM评估模型的参数。
CN201910465542.9A 2019-05-30 2019-05-30 基于svm的毫米波探测器干扰效果评估方法 Active CN110288005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910465542.9A CN110288005B (zh) 2019-05-30 2019-05-30 基于svm的毫米波探测器干扰效果评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910465542.9A CN110288005B (zh) 2019-05-30 2019-05-30 基于svm的毫米波探测器干扰效果评估方法

Publications (2)

Publication Number Publication Date
CN110288005A CN110288005A (zh) 2019-09-27
CN110288005B true CN110288005B (zh) 2022-09-27

Family

ID=68002911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910465542.9A Active CN110288005B (zh) 2019-05-30 2019-05-30 基于svm的毫米波探测器干扰效果评估方法

Country Status (1)

Country Link
CN (1) CN110288005B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114626449A (zh) * 2022-03-03 2022-06-14 南京航空航天大学 一种基于最小二乘确权法的对抗环境下目标识别网络退化分析方法
CN115840875A (zh) * 2022-11-10 2023-03-24 北京擎天信安科技有限公司 一种基于Anomaly Transformer的毫米波雷达异常信号检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574220A (zh) * 2015-01-30 2015-04-29 国家电网公司 基于最小二乘支持向量机的电力客户信用评估方法
CN106934237A (zh) * 2017-03-09 2017-07-07 上海交通大学 雷达抗干扰效能评估可信性度量实现方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574220A (zh) * 2015-01-30 2015-04-29 国家电网公司 基于最小二乘支持向量机的电力客户信用评估方法
CN106934237A (zh) * 2017-03-09 2017-07-07 上海交通大学 雷达抗干扰效能评估可信性度量实现方法

Also Published As

Publication number Publication date
CN110288005A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
Wang et al. Data-driven mode identification and unsupervised fault detection for nonlinear multimode processes
Fan et al. A novel machine learning method based approach for Li-ion battery prognostic and health management
CN109740859A (zh) 基于主成分分析法和支持向量机的变压器状态评估方法及系统
CN108732931B (zh) 一种基于jit-rvm的多模态间歇过程建模方法
CN107590351B (zh) 一种离心泵扬程特性分析与预测的方法
CN110288005B (zh) 基于svm的毫米波探测器干扰效果评估方法
CN107798383B (zh) 改进的核极限学习机定位方法
CN115828140A (zh) 邻域互信息与随机森林相融合故障检测方法、系统及应用
Wang et al. A remaining useful life prediction model based on hybrid long-short sequences for engines
CN104850867A (zh) 一种基于直觉模糊c均值聚类的目标识别方法
CN106203481B (zh) 基于混合核rvm的电子装备状态预测方法
Zhang et al. Features fusion exaction and KELM with modified grey wolf optimizer for mixture control chart patterns recognition
CN111507365A (zh) 一种基于模糊聚类的置信规则自动生成方法
Canfei et al. A multi-criteria fusion feature selection algorithm for fault diagnosis of helicopter planetary gear train
CN114970725A (zh) 一种基于Adaboost-SVM的变压器工况辨识方法
CN110363232B (zh) 基于bp神经网络的毫米波探测器干扰效果评估方法
Shen et al. Semi-supervised hierarchical ensemble clustering based on an innovative distance metric and constraint information
Wang et al. A fuzzy KNN algorithm based on weighted chi-square distance
Wang et al. A parameter-optimized SLS-TSVM method for working modes recognition of airborne fire control radar
CN111610514B (zh) 一种蒸发波导传播特性的反演方法及装置
Qin Software reliability prediction model based on PSO and SVM
Wang et al. An information entropy-based method of evidential source separation and refusion
Fahrudin et al. Classification of Toddler Nutritional Status Based on Antrophometric Index and Feature Discrimination using Support Vector Machine Hyperparameter Tuning
Tribelhorn et al. Parametric Analysis and Validation of Machine Learning in Chaotic Transitions of the Lorenz System
Wu et al. Parametric Model for Coaxial Cavity Filter with Combined KCCA and MLSSVR

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