CN110378352A - 复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法 - Google Patents
复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法 Download PDFInfo
- Publication number
- CN110378352A CN110378352A CN201910622605.7A CN201910622605A CN110378352A CN 110378352 A CN110378352 A CN 110378352A CN 201910622605 A CN201910622605 A CN 201910622605A CN 110378352 A CN110378352 A CN 110378352A
- Authority
- CN
- China
- Prior art keywords
- sample
- plane
- noise
- data
- precision
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法,把训练样本集均分,把第一份数据中的噪声样本用K‑means聚类,根据聚类结果扩展噪声样本,再抽取等量的正常样本,组成平衡采样数据集,利用支持向量机进行分类得到初始分类器。利用训练好的分类器,对剩下的训练集样本做主动学习,根据学习结果同样选取距离分类平面最近的正常样本和噪声样本,按照每份样本中噪声样本的个数选取同等数量的正常样本,按照修正规则修正分类平面。循环迭代,直到剩余样本为零停止。该方法可以解决导航传感器收集到的不平衡大数据集在分类过程中易产生噪声数据和分类精度低的问题,具有快速的计算速度和较好的精度,还具有一定的鲁棒性。
Description
技术领域
本发明涉及水下导航,尤其涉及一种复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法,可实现在水下复杂环境中为水下潜器提供高精度导航定位信息。
背景技术
海洋与人类的生活紧密相连,其蕴藏着丰富的生物资源、可再生资源、空间资源及矿物资源,是世界资源宝库,具有极其重要的战略意义。水下自主潜航器(Autonomousunderwater vehicle,AUV)在执行各种水下任务时,要求导航、制导与控制系统之间能够相互协调实现正常运转。因此导航技术是决定AUV的导航系统技术协调发展与应用的关键问题之一,是决定AUV技术水平的一个特别重要的标志。但是海洋环境复杂多变,从A环境到B环境,会有一些无法准确建模的噪声点,在应用非线性滤波模块对系统进行状态估计时,噪声点会对模块性能产生重大影响。在现代科学追求高精度、高安全、高效率的时代背景下,如何有效剔除掉噪声点,提高非线性滤波模块的精度,是AUV所面临的关键技术问题。相比于正常点,噪声点只是小部分,这是典型的不平衡数据集问题。传统的数据挖掘分类方法在处理分类问题时,分类方法默认数据集为平衡数据集,使得整体有非常高的分类精确度,可若直接应用于不平衡数据集,其分类效果却差强人意。传统的支持向量机(SupportVectorMachine,SVM)方法直接应用大数据集也会造成计算复杂度过高,精确也不高。因此,在保证整体分类性能稳定的前提下,如何提升不平衡数据集的分类准确率,是现有技术的重点。
发明内容
发明目的:为了解决现有技术中复杂水下环境导航定位过程中不平衡数据分类的问题,本发明提供一种复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法。
技术方案:一种复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法,包括以下步骤:
(1)传感器采集水下自主潜航器的加速度和角加速度,每个采样点对应一个数据组,所述数据组包括加速度和角加速度,将所有的数据组构成的样本集分成n份数据块;
(2)对所有的数据组标定标签,标定为正常样本或噪声样本,对于第一份数据块中的噪声样本,利用K-means聚类方法聚类,根据聚类结果扩展噪声样本,抽取同扩展后的噪声样本等量的正常样本,升维投影后构造初始SVM分类平面,并得到各噪声样本支持向量及正常样本支持向量;
(3)计算第一份数据块中噪声样本支持向量、正常样本支持向量到初始SVM分类平面的距离,并记录最小值和最小值对应的向量组,记为Ll,LlV,Lm,LmV,其中Ll代表噪声样本支持向量中的点到初始SVM分类平面的最小距离,LlV代表噪声样本向量全体,Lm代表正常样本支持向量中的点到分类平面的最小距离,LmV代表距离初始SVM分类平面最近的正常样本向量,LmV的个数同LlV;
(4)用初始SVM分类平面对第二份数据块中的所有样本进行分类,将样本分为正常样本和噪声样本,若分类结果与步骤(2)的标签不符,认为该样本为分错的样本,舍去分错的样本,计算除分错的样本外其余样本到初始SVM分类平面的距离,并记录最小值和最小值对应的向量组,记为OLl,OLlV,OLm,OLmV,其中OLl代表下一份噪声样本中的点到初始SVM分类平面的最小距离,OLlV代表下一份噪声样本向量全体,OLm代表下一份正常样本中的点到初始SVM分类平面的最小距离,OLmV代表下一份距离初始SVM分类平面最近的正常样本向量,OLmV的个数同OLlV;
(5)分别比较Ll和OLl、Lm和OLm,得到两个最小值,根据两个最小值对初始SVM分类平面进行修正,得到修正分类平面;
(6)以修正平面作为下一次计算的初始SVM分类平面,循环步骤(3)-(5)不断计算并更新分类平面直至剩余的样本为零。
进一步地,步骤(2)中,利用K-means聚类方法聚类,聚类数目的取值为:
其中,down(.)表示向下取整,K代表聚类数目,n代表数据集被均分的份数。
进一步地,扩展噪声样本的方法为分别计算每个聚类点到各自聚类中心的最大距离,对于类内元素个数大于等于K的聚类不予扩展,对于类内元素个数小于K的聚类,则按照下式扩展样本点个数至K:
其中,center_x、center_y分别表示聚类中心的横轴坐标、纵轴坐标,rand(a,b)表示随机产生的[a,b]之间的小数,extend_x、extend_y表示新点的横轴坐标、纵轴坐标;dmax表示聚类点到各自聚类中心的最大距离。
进一步地,步骤(2)中,抽取同扩展后的噪声样本等量的正常样本,抽取方式为完全随机抽样,等价于不放回抽样。
进一步地,步骤(2)中,升维投影采用的映射函数为:
z=x2+y2 (3)
其中,x代表传感器采集的水下自主潜航器的加速度,y代表传感器采集的水下自主潜航器的角加速度,z代表升维映射后的数据点。
进一步地,步骤(3)、步骤(4)中,支持向量到初始SVM分类平面的距离计算公式为:
distance=|ax+by+cz+d| (4)
其中,[a,b,c]为分类平面的法向量,d为分类平面的偏置值。
进一步地,步骤(5)中,对初始分类平面进行修正时,采用修正规则进行修正,所述修正规则为:
(1)如果(Ll≤OLl)和(Lm≤OLm),不更新分类平面;
(2)如果(Ll>OLl)和(Lm>OLm),用OLmV和OLlV来更新分类平面;
(3)如果(Ll<OLl)和(Lm>OLm),用OLmV和LlV来更新分类平面;
(4)如果(Ll>OLl)和(Lm<OLm),用OLlV和LmV来更新分类平面。
进一步地,n份数据块中,前n-1个数据块中的采样点个数相同。
有益效果:相比较现有技术,本发明提供一种复杂水下环境中高精度抗干扰二维滤波导航定位方法,可以解决传感器收集到的不平衡大数据集在分类过程中易产生噪声数据和分类精度低的问题。采用SVM分类,产生一个结构风险最小化的分离平面,以此提高分类精确度,具有快速的计算速度和较好的精度,还具有一定的鲁棒性。将此滤波器置于非线性滤波器模块之前,可在估计前将噪声点剔除,从而提升估计精度。
附图说明
图1是本发明的总体框图;
图2是K-means算法部分的流程图;
图3是扩展噪声样本部分的流程图;
图4是修正分类平面规则示意图。
具体实施方式
下面结合附图和具体实例对本发明作进一步说明。
如图1所示,本实例提出一种复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法,针对传感器收集到的不平衡大数据集在分类过程中易产生噪声数据和分类精度低的问题,采用SVM分类,产生一个结构风险最小化的分离平面。
该算法把训练样本集均分成n份数据块,把第一份数据的噪声样本运用K-means聚类,合成噪声类样本,再抽取等量的正常类样本,组成平衡采样样本集,利用SVM进行分类得到初始分类器。利用训练好的分类器,对剩下的训练集样本做主动学习,根据学习结果同样选取距离分类平面最近的正常类样本和噪声类样本,按照每份样本中噪声类样本的个数选取同等数量的正常类样本,按照修正规则修正分类平面。按照此方法循环下去,直到剩余样本为零停止。该方法具有快速的计算速度和较好的精度,还具有一定的鲁棒性。将此滤波器置于非线性滤波器模块之前,可在估计前将噪声点剔除,从而提升估计精度。
具体步骤包括:
1、把数据均分成n份,因不一定能够整除,所以允许最后一份数据块中采样点个数与前面的不一致。
2、对所有的数据组标定标签,标定为正常样本或噪声样本,取第一份数据的噪声样本,运用图2所示的K-means流程,然后运用图3所示的扩展噪声样本流程,最后抽取等量正常样本,构造初始SVM分类平面,并得到各噪声样本支持向量及正常样本支持向量。
(a)K-means算法的聚类数目的计算:
其中,down(.)表示向下取整,n代表数据集被均分的份数,K代表聚类数目。
K-means的基本流程:
①先从没有标签的元素集合中随机取K个元素,作为K个子集各自的重心。
②分别计算剩下的元素到K个子集重心的距离,根据距离将这些元素分别划归到最近的子集。
③根据聚类结果,重新计算重心。
④将集合中全部元素按照新的重心重新聚类。
⑤重复③和④步,直到聚类结果不再发生变化。
⑥算法结束,最后评价聚类结果。
(b)扩展噪声样本
扩展噪声样本的方法为分别计算每个聚类点到各自聚类中心center的最大距离dmax。对于类内元素数大于等于K的聚类不予扩展,对于类内元素数小于K的聚类,则按照下式扩展样本点个数至K:
其中,center_x,c enter_y表示聚类中心的x,y坐标,rand(a,b)表示随机产生的[a,b]之间的小数,extend_x,e xtend_y表示新点的x,y坐标。通过这个方法,扩展样本集至少含有K2个少样本。虽然这一步产生的平面不是很精确,但是会在接下来的步骤中慢慢修正,这个做法主要是为了平衡两类样本,以尽可能的产生好的初始平面。
(c)抽取等量正常样本
抽取同扩展后的噪声样本等量的正常样本,采取的方式是完全随机抽样,一次性抽完所需样本即可,等价于不放回抽样。
(d)升维算法
升维投影后构造初始SVM分类平面,升维投影采用的映射函数为:
z=x2+y2 (3)
其中,x代表传感器采集的水下自主潜航器的加速度,y代表传感器采集的水下自主潜航器的角加速度,z代表升维映射后的数据点。
3、分别计算第一份数据块中噪声样本支持向量、正常样本支持向量到初始分类平面的距离,并记录最小值和最小值对应的向量组,记为Ll,LlV,Lm,LmV,其中Ll代表噪声样本支持向量中的点到初始分类平面的最小距离,LlV代表噪声样本向量全体,Lm代表正常样本支持向量中的点到分类平面的最小距离,LmV代表距离初始分类平面最近的正常样本向量,LmV的个数同LlV;
距离计算公式为:
distance=|ax+by+cz+d| (4)
其中,[a,b,c]为当前分类平面的法向量,d为当前分类平面的偏置值。本来距离公式还有分母,但是考虑到同除一个相同的分母相当于一起缩小同样的倍数,不影响大小关系,故不考虑分母,这样计算更简便,速度也更快。
4、用初始SVM分类平面对第二份数据块中的所有样本进行分类,将样本分为正常样本和噪声样本,若分类结果与步骤(2)的标签不符,认为该样本为分错的样本,舍去分错的样本,计算除分错的样本外其余样本到初始SVM分类平面的距离,并记录最小值和最小值对应的向量组,记为OLl,OLlV,OLm,OLmV,其中OLl代表下一份噪声样本中的点到初始SVM分类平面的最小距离,OLlV代表下一份噪声样本向量全体,OLm代表下一份正常样本中的点到初始SVM分类平面的最小距离,OLmV代表下一份距离初始SVM分类平面最近的正常样本向量,OLmV的个数同OLlV;
5、分别比较Ll和OLl、Lm和OLm,得到两个最小值,根据结果利用修正规则对初始分类平面进行修正,得到修正分类平面;
修正规则为:
①如图4的A,当(Ll≤OLl)和(Lm≤OLm),说明上一次迭代所用的两类点比本次迭代所用的两类点更接近分类平面,无需更新分类平面。
②如图4的B,当(Ll≤OLl)和(Lm≤OLm),说明上一次迭代所用的两类点比本次迭代所用的两类点更远离分类平面,用OLmV和OLlV来更新分类平面。
③如图4的C,当(Ll≤OLl)和(Lm≤OLm),说明本次迭代的多样本比上一次迭代更接近分类平面,用OLmV和LlV来更新分类平面。
④如图4的D,当(Ll≤OLl)和(Lm≤OLm),说明本次迭代的少样本比上一次迭代更接近分类平面,用OLlV和LmV来更新分类平面。
6、以修正平面作为下一次计算的初始分类平面,循环步骤(3)-(5)不断计算并更新分类平面直至剩余的样本为零。
Claims (8)
1.一种复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法,其特征在于,包括以下步骤:
(1)传感器采集水下自主潜航器的加速度和角加速度,每个采样点对应一个数据组,所述数据组包括加速度和角加速度,将所有的数据组构成的样本集分成n份数据块;
(2)对所有的数据组标定标签,标定为正常样本或噪声样本,对于第一份数据块中的噪声样本,利用K-means聚类方法聚类,根据聚类结果扩展噪声样本,抽取同扩展后的噪声样本等量的正常样本,升维投影后构造初始SVM分类平面,并得到各噪声样本支持向量及正常样本支持向量;
(3)计算第一份数据块中噪声样本支持向量、正常样本支持向量到初始SVM分类平面的距离,并记录最小值和最小值对应的向量组,记为Ll,LlV,Lm,LmV,其中Ll代表噪声样本支持向量中的点到初始SVM分类平面的最小距离,LlV代表噪声样本向量全体,Lm代表正常样本支持向量中的点到分类平面的最小距离,LmV代表距离初始SVM分类平面最近的正常样本向量,LmV的个数同LlV;
(4)用初始SVM分类平面对第二份数据块中的所有样本进行分类,将样本分为正常样本和噪声样本,若分类结果与步骤(2)的标签不符,认为该样本为分错的样本,舍去分错的样本,计算除分错的样本外其余样本到初始SVM分类平面的距离,并记录最小值和最小值对应的向量组,记为OLl,OLlV,OLm,OLmV,其中OLl代表下一份噪声样本中的点到初始SVM分类平面的最小距离,OLlV代表下一份噪声样本向量全体,OLm代表下一份正常样本中的点到初始SVM分类平面的最小距离,OLmV代表下一份距离初始SVM分类平面最近的正常样本向量,OLmV的个数同OLlV;
(5)分别比较Ll和OLl、Lm和OLm,得到两个最小值,根据两个最小值对初始SVM分类平面进行修正,得到修正分类平面;
(6)以修正平面作为下一次计算的初始SVM分类平面,循环步骤(3)-(5)不断计算并更新分类平面直至剩余的样本为零。
2.根据权利要求1所述的复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法,其特征在于,步骤(2)中,利用K-means聚类方法聚类,聚类数目的取值为:
其中,down(.)表示向下取整,K代表聚类数目,n代表数据集被均分的份数。
3.根据权利要求1所述的复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法,其特征在于,扩展噪声样本的方法为分别计算每个聚类点到各自聚类中心的最大距离,对于类内元素个数大于等于K的聚类不予扩展,对于类内元素个数小于K的聚类,则按照下式扩展样本点个数至K:
其中,center_x、center_y分别表示聚类中心的横轴坐标、纵轴坐标,rand(a,b)表示随机产生的[a,b]之间的小数,extend_x、extend_y表示新点的横轴坐标、纵轴坐标;dmax表示聚类点到各自聚类中心的最大距离。
4.根据权利要求1所述的复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法,其特征在于,步骤(2)中,抽取同扩展后的噪声样本等量的正常样本,抽取方式为完全随机抽样,等价于不放回抽样。
5.根据权利要求1所述的复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法,其特征在于,步骤(2)中,升维投影采用的映射函数为:
z=x2+y2 (3)
其中,x代表传感器采集的水下自主潜航器的加速度,y代表传感器采集的水下自主潜航器的角加速度,z代表升维映射后的数据点。
6.根据权利要求1所述的复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法,其特征在于,步骤(3)、步骤(4)中,支持向量到初始SVM分类平面的距离计算公式为:
distance=|ax+by+cz+d| (4)
其中,[a,b,c]为分类平面的法向量,d为分类平面的偏置值。
7.根据权利要求1所述的复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法,其特征在于,步骤(5)中,对初始分类平面进行修正时,采用修正规则进行修正,所述修正规则为:
(1)如果(Ll≤OLl)和(Lm≤OLm),不更新分类平面;
(2)如果(Ll>OLl)和(Lm>OLm),用OLmV和OLlV来更新分类平面;
(3)如果(Ll<OLl)和(Lm>OLm),用OLmV和LlV来更新分类平面;
(4)如果(Ll>OLl)和(Lm<OLm),用OLlV和LmV来更新分类平面。
8.根据权利要求1所述的复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法,其特征在于,n份数据块中,前n-1个数据块中的采样点个数相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622605.7A CN110378352B (zh) | 2019-07-11 | 2019-07-11 | 复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622605.7A CN110378352B (zh) | 2019-07-11 | 2019-07-11 | 复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378352A true CN110378352A (zh) | 2019-10-25 |
CN110378352B CN110378352B (zh) | 2021-03-19 |
Family
ID=68250903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910622605.7A Active CN110378352B (zh) | 2019-07-11 | 2019-07-11 | 复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378352B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487809A (zh) * | 2020-12-15 | 2021-03-12 | 北京金堤征信服务有限公司 | 文本数据降噪方法及装置、电子设备和可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345643A (zh) * | 2013-06-13 | 2013-10-09 | 南京信息工程大学 | 一种遥感图像分类方法 |
CN106033425A (zh) * | 2015-03-11 | 2016-10-19 | 富士通株式会社 | 数据处理设备和数据处理方法 |
US20170068888A1 (en) * | 2015-09-09 | 2017-03-09 | Intel Corporation | Cost-sensitive classification with deep learning using cost-aware pre-training |
CN106767791A (zh) * | 2017-01-13 | 2017-05-31 | 东南大学 | 一种采用基于粒子群优化的ckf的惯性/视觉组合导航方法 |
CN106991436A (zh) * | 2017-03-09 | 2017-07-28 | 东软集团股份有限公司 | 噪声点检测方法及装置 |
CN109033148A (zh) * | 2018-06-11 | 2018-12-18 | 广州大学 | 一种面向多分类的不平衡数据预处理方法、装置及设备 |
US20190034766A1 (en) * | 2016-04-21 | 2019-01-31 | Sas Institute Inc. | Machine learning predictive labeling system |
CN109582706A (zh) * | 2018-11-14 | 2019-04-05 | 重庆邮电大学 | 基于Spark大数据平台的邻域密度不平衡数据混合采样方法 |
-
2019
- 2019-07-11 CN CN201910622605.7A patent/CN110378352B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345643A (zh) * | 2013-06-13 | 2013-10-09 | 南京信息工程大学 | 一种遥感图像分类方法 |
CN106033425A (zh) * | 2015-03-11 | 2016-10-19 | 富士通株式会社 | 数据处理设备和数据处理方法 |
US20170068888A1 (en) * | 2015-09-09 | 2017-03-09 | Intel Corporation | Cost-sensitive classification with deep learning using cost-aware pre-training |
US20190034766A1 (en) * | 2016-04-21 | 2019-01-31 | Sas Institute Inc. | Machine learning predictive labeling system |
CN106767791A (zh) * | 2017-01-13 | 2017-05-31 | 东南大学 | 一种采用基于粒子群优化的ckf的惯性/视觉组合导航方法 |
CN106991436A (zh) * | 2017-03-09 | 2017-07-28 | 东软集团股份有限公司 | 噪声点检测方法及装置 |
CN109033148A (zh) * | 2018-06-11 | 2018-12-18 | 广州大学 | 一种面向多分类的不平衡数据预处理方法、装置及设备 |
CN109582706A (zh) * | 2018-11-14 | 2019-04-05 | 重庆邮电大学 | 基于Spark大数据平台的邻域密度不平衡数据混合采样方法 |
Non-Patent Citations (2)
Title |
---|
KHAOULA TBARKI ET AL.: "Landmine detection improvement using one-class SVM for unbalanced data", 《 2017 INTERNATIONAL CONFERENCE ON ADVANCED TECHNOLOGIES FOR SIGNAL AND IMAGE PROCESSING (ATSIP)》 * |
贾真 等: "基于Tri-training与噪声过滤的弱监督关系抽取", 《中文信息学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487809A (zh) * | 2020-12-15 | 2021-03-12 | 北京金堤征信服务有限公司 | 文本数据降噪方法及装置、电子设备和可读存储介质 |
CN112487809B (zh) * | 2020-12-15 | 2024-07-05 | 北京金堤征信服务有限公司 | 文本数据降噪方法及装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110378352B (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801169B (zh) | 一种基于改进yolo算法的伪装目标检测方法、系统、装置及存储介质 | |
CN104680144A (zh) | 基于投影极速学习机的唇语识别方法和装置 | |
CN107169557A (zh) | 一种对布谷鸟优化算法进行改进的方法 | |
CN114495029B (zh) | 一种基于改进YOLOv4的交通目标检测方法及系统 | |
CN111046917B (zh) | 基于深度神经网络的对象性增强目标检测方法 | |
CN111832615A (zh) | 一种基于前景背景特征融合的样本扩充方法及系统 | |
CN106871901B (zh) | 一种基于地形特征匹配的水下地形匹配导航方法 | |
CN110111430A (zh) | 一种从三维点云中提取二次曲面的方法 | |
CN107633105B (zh) | 一种基于改进混合蛙跳算法的四旋翼无人机参数辨识方法 | |
CN107967463A (zh) | 一种基于合成图像和深度学习的虚拟人脸识别方法 | |
CN112258557B (zh) | 一种基于空间注意力特征聚合的视觉跟踪方法 | |
CN113283473B (zh) | 一种基于cnn特征映射剪枝的快速水下目标识别方法 | |
CN104299241A (zh) | 基于 Hadoop 的遥感图像显著性目标检测方法及系统 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN109961129A (zh) | 一种基于改进粒子群的海上静止目标搜寻方案生成方法 | |
CN110929761A (zh) | 智能系统安全体系态势感知构架中采集样本的平衡方法 | |
CN112241676A (zh) | 一种地形杂物自动识别的方法 | |
CN110378352A (zh) | 复杂水下环境中高精度抗干扰二维滤波导航数据去噪方法 | |
CN110263836A (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
CN117710841A (zh) | 一种无人机航拍图像的小目标检测方法、装置 | |
CN116400831B (zh) | 一种无源电磁触控屏手写压力感应补偿算法 | |
CN115661123B (zh) | 基于弱监督目标检测的工业品表面缺陷位置检测方法 | |
CN108876776A (zh) | 一种分类模型生成方法、眼底图像分类方法及装置 | |
CN116861187A (zh) | 一种岩性识别模型训练方法、岩性识别方法及相关装置 | |
CN116561692A (zh) | 一种动态更新的实时量测数据检测方法 |
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 |