CN111191633B - 一种从已知数据序列中探查目标曲线的方法、系统及介质 - Google Patents

一种从已知数据序列中探查目标曲线的方法、系统及介质 Download PDF

Info

Publication number
CN111191633B
CN111191633B CN202010037261.6A CN202010037261A CN111191633B CN 111191633 B CN111191633 B CN 111191633B CN 202010037261 A CN202010037261 A CN 202010037261A CN 111191633 B CN111191633 B CN 111191633B
Authority
CN
China
Prior art keywords
data sequence
known data
curve
similarity
target curve
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
CN202010037261.6A
Other languages
English (en)
Other versions
CN111191633A (zh
Inventor
李明
胡德文
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010037261.6A priority Critical patent/CN111191633B/zh
Publication of CN111191633A publication Critical patent/CN111191633A/zh
Application granted granted Critical
Publication of CN111191633B publication Critical patent/CN111191633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种从已知数据序列中探查目标曲线的方法、系统及介质，本发明通过对已知数据序列s 0多次置乱获得足够多的满足“不含目标曲线”条件的置乱副本，原始数据序列置乱之后的副本与原始数据序列拥有完全相同的数据采样点，但采样点的排列顺序随机，所以每个置乱副本的数据排列都不符合目标曲线波形，这些置乱副本都满足“不含目标曲线”的条件，而计算和统计这些副本的拟合指标值，即可以得到“数据序列中不含目标曲线”条件下曲线拟合指标值分布概率密度函数的估计，从而能够实现在得到的已知数据序列中探查目标曲线，具有客观性好、准确性高、操作方法简便，步骤简单明了，易于实现的优点。

Description

一种从已知数据序列中探查目标曲线的方法、系统及介质
技术领域
本发明涉及信号分析的信号探测技术，具体涉及一种从已知数据序列中探查目标曲线的方法、系统及介质，可实现在得到的已知数据序列中探查目标曲线。
背景技术
在信号分析领域，有时需要从测量得到的数据序列中检验是否含有感兴趣的目标波形，也即判断数据序列的各数据点是否按照某感兴趣的波形排列。本说明书所讨论的情形，如果测得数据序列含有目标波形，则数据序列可表示为目标曲线加背景噪声；如果不存在目标波形，则数据序列仅为背景噪声。评估某数据序列中是否存在目标曲线，可以通过评估原数据序列与目标模型的吻合程度来进行。比如将曲线拟合过程中的拟合优度作为评价指标，拟合指标越好（与目标曲线模型符合越好），则数据序列中含有目标波形的概率越大。不足的是，针对单个待检验的数据序列，上述方法仅能给出单个评价指标的值，无法给出客观的假设检验结果。其原因主要是缺少“含有目标曲线”或“不含目标曲线”每种条件下该指标值的分布概率密度；而缺少参照系，仅有单个指标值无法进行检验。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种从已知数据序列中探查目标曲线的方法、系统及介质，本发明通过对已知数据序列s 0多次置乱的方法获得足够多的满足“不含目标曲线”条件的置乱副本，原始数据序列置乱之后的副本与原始数据序列拥有完全相同的数据采样点，但采样点的排列顺序随机，所以每个置乱副本的数据排列都不符合目标曲线波形，这些置乱副本都满足“不含目标曲线”的条件，而计算和统计这些副本的拟合指标值，即可以得到“数据序列中不含目标曲线”条件下曲线拟合指标值分布概率密度函数的估计，从而能够实现在得到的已知数据序列中探查目标曲线。
为了解决上述技术问题，本发明采用的技术方案为：
一种从已知数据序列中探查目标曲线的方法，实施步骤包括：
1）计算已知数据序列s 0和目标曲线的相似度γ 0 ；从已知数据序列s 0获得N个置乱副本s k ，计算各个置乱副本s k 和目标曲线的相似度γ k ，其中k = 1,2,3,…,N，N为置乱副本数量；
2）将相似度γ 0 以及各个相似度γ k 进行排序，得到相似度γ 0 的序号n 0 ；
3）判断n 0 /N小于预设的显著性水平参数α是否成立，如果成立则判定已知数据序列s 0中含有目标曲线，否则判定已知数据序列s 0中不含目标曲线。
可选地，步骤1）中计算已知数据序列s 0和目标曲线的相似度γ 0 的详细步骤包括：以目标曲线的形状为拟合模型对已知数据序列s 0进行曲线拟合得到对应的结果曲线m 0 ，并计算已知数据序列s 0和结果曲线m 0 之间的相似度γ 0 。
可选地，步骤1）中从已知数据序列s 0获得N个置乱副本s k 的详细步骤包括：采用随机置乱的方法将已知数据序列s 0的采样点的顺序重新排列得到多个置乱后的置乱副本s k ，该置乱副本s k 具有和已知数据序列s 0完全相同的采样点但排序顺序不同。
可选地，步骤1）中计算各个置乱副本s k 和目标曲线的相似度γ k 的详细步骤包括：分别以目标曲线的形状为拟合模型对各个置乱副本s k 进行曲线拟合得到对应的结果曲线m k ，并计算已知数据序列s 0和各个结果曲线m k 之间的相似度γ k 。
可选地，所述相似度γ 0 以及相似度γ k 均为进行曲线拟合的拟合优度。
可选地，所述相似度γ 0 为已知数据序列s 0和结果曲线m 0 之间的相关系数，所述相似度γ k 为已知数据序列s 0和结果曲线m k 之间的相关系数。
可选地，所述目标曲线为正弦曲线，所述已知数据序列s 0为以动物初级视皮层测得的局部场电位信号的方位调制曲线，步骤3）中判定已知数据序列s 0中含有目标曲线后还包括判定对应的皮层位置为奇点的步骤。
此外，本发明还提供一种从已知数据序列中探查目标曲线的系统，包括：
相似度计算程序单元，用于计算已知数据序列s 0和目标曲线的相似度γ 0 ；从已知数据序列s 0获得N个置乱副本s k ，计算各个置乱副本s k 和目标曲线的相似度γ k ，其中k = 1, 2,3,…,N，N为置乱副本数量；
相似度排序程序单元，用于将相似度γ 0 以及各个相似度γ k 进行排序，得到相似度γ 0 的序号n 0 ；
比较判断程序单元，用于判断n 0 /N小于预设的显著性水平参数α是否成立，如果成立则判定已知数据序列s 0中含有目标曲线，否则判定已知数据序列s 0中不含目标曲线。
此外，本发明还提供一种从已知数据序列中探查目标曲线的系统，包括计算机设备，该计算机设备被编程或配置以执行所述从已知数据序列中探查目标曲线的方法的步骤，或该计算机设备的存储器上存储有被编程或配置以执行所述从已知数据序列中探查目标曲线的方法的计算机程序。
此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行所述从已知数据序列中探查目标曲线的方法的计算机程序。
和现有技术相比，本发明具有下述优点：
1、本发明通过对已知数据序列s 0多次置乱的方法获得足够多的满足“不含目标曲线”条件的置乱副本，原始数据序列置乱之后的副本与原始数据序列拥有完全相同的数据采样点，但采样点的排列顺序随机，所以每个置乱副本的数据排列都不符合目标曲线波形，这些置乱副本都满足“不含目标曲线”的条件，而计算和统计这些副本的拟合指标值，即可以得到“数据序列中不含目标曲线”条件下曲线拟合指标值分布概率密度函数的估计，从而能够实现在得到的已知数据序列中探查目标曲线，能够给出在设定的置信水平下的假设检验结果，具有客观性好、准确性高的优点。
2、本发明通过多次置乱原始数据序列得到“不含目标曲线”条件的置乱副本，为数据序列是否含有目标曲线波形的判断提供参考数据，操作方法简便，步骤简单明了，易于实现。
附图说明
图1为本发明实施例方法的目标曲线和已知数据序列s 0的示例。
图2为本发明实施例方法的工作流程图。
图3为本发明实施例中得到的1000个相似度γ k 的统计直方图。
具体实施方式
下文将以图1所示目标曲线为正弦曲线，已知数据序列s 0为以动物初级视皮层测得的局部场电位(LFP)信号的方位调制曲线为例，对本发明从已知数据序列中探查目标曲线的方法、系统及介质进行进一步的详细说明。其中，正弦曲线的函数表达式为：
(y=a*sin(θ)+b*cos(θ)+c)
需要说明的是，本发明的工作原理为通过对已知数据序列s 0多次置乱的方法获得足够多的满足“不含目标曲线”条件的置乱副本，原始数据序列置乱之后的副本与原始数据序列拥有完全相同的数据采样点，但采样点的排列顺序随机，所以每个置乱副本的数据排列都不符合目标曲线波形，这些置乱副本都满足“不含目标曲线”的条件，而计算和统计这些副本的拟合指标值，即可以得到“数据序列中不含目标曲线”条件下曲线拟合指标值分布概率密度函数的估计，从而能够实现在得到的已知数据序列中探查目标曲线。基于上述原理可知，本发明从已知数据序列中探查目标曲线的方法、系统及介质的实现并不依赖于特定的目标曲线和已知数据序列s 0。
如图2所示，本实施例从已知数据序列中探查目标曲线的方法的实施步骤包括：
1）计算已知数据序列s 0和目标曲线的相似度γ 0 ；从已知数据序列s 0获得N个置乱副本s k ，计算各个置乱副本s k 和目标曲线的相似度γ k ，其中k = 1,2,3,…,N，N为置乱副本数量，本实施例中N取值为1000，得到1000个相似度γ k 的统计直方图如图3所示。
2）将相似度γ 0 以及各个相似度γ k 进行排序，得到相似度γ 0 的序号n 0 ；
3）判断n 0 /N小于预设的显著性水平参数α是否成立，如果成立则判定已知数据序列s 0中含有目标曲线，否则判定已知数据序列s 0中不含目标曲线。
本实施例中，步骤1）中计算已知数据序列s 0和目标曲线的相似度γ 0 的详细步骤包括：以目标曲线的形状为拟合模型对已知数据序列s 0进行曲线拟合得到对应的结果曲线m 0 ，并计算已知数据序列s 0和结果曲线m 0 之间的相似度γ 0 。
本实施例中，步骤1）中从已知数据序列s 0获得N个置乱副本s k 的详细步骤包括：采用随机置乱的方法将已知数据序列s 0的采样点的顺序重新排列得到多个置乱后的置乱副本s k ，该置乱副本s k 具有和已知数据序列s 0完全相同的采样点但排序顺序不同。
本实施例中，步骤1）中计算各个置乱副本s k 和目标曲线的相似度γ k 的详细步骤包括：分别以目标曲线的形状为拟合模型对各个置乱副本s k 进行曲线拟合得到对应的结果曲线m k ，并计算已知数据序列s 0和各个结果曲线m k 之间的相似度γ k 。
需要说明的是，相似度γ 0 和相似度γ k 既可以为正相关的相似度，即：相似度越大，则置乱副本s k /已知数据序列s 0和目标曲线符合度越高，两者越相像；此外，相似度γ 0 和相似度γ k 也可以为负相关的相似度，即：相似度越小，则置乱副本s k /已知数据序列s 0和目标曲线符合度越高，两者越相像。
本实施例中，相似度γ 0 和相似度γ k 为正相关的相似度，具体地，相似度γ 0 为已知数据序列s 0和结果曲线m 0 之间的相关系数，相似度γ k 为已知数据序列s 0和结果曲线m k 之间的相关系数。采用相关系数同样也可以用来衡量已知数据序列s 0和目标曲线的相似度γ 0 、各个置乱副本s k 和目标曲线的相似度γ k 。需要说明的是，相关系数为现有公知系数，包括皮尔森相关系数等多种具体的相关系数方式，本实施例方法不涉及相关系数计算方法的改进，故在此不再进行详述。此外，正相关的相似度也可以均采用进行曲线拟合的拟合优度等。负相关的相似度则可以均采用进行曲线拟合的拟合残差等，指标越小表明两者越相像。
本实施例中，步骤2）将相似度γ 0 以及各个相似度γ k 进行排序时，若相似度γ 0 和相似度γ k 既可以为正相关的相似度，则采用从大到小的排序规则；相似度γ 0 和相似度γ k 既可以为负相关的相似度，则采用从小到大的排序规则，最终得到相似度γ 0 的序号n 0 的值为341；
步骤3）判断n 0 /N小于预设的显著性水平参数α是否成立时，如果n 0 /N＜α，说明原始数据序列与目标曲线模型符合度显著高于置乱副本与目标的符合度，则得出结论“原始数据序列中含有目标曲线”；如果n 0 /N≥α，说明置乱前后数据序列与目标曲线的符合度没有显著差异，则得出结论“原始数据序列中不含目标曲线”。本实施例中，n 0 /N的值为0.341，显著性水平参数α取值0.05，满足n 0 /N≥α，因此得出结论“原始数据序列中不含目标曲线”。
在本实施例中，不同皮层位置的LFP信号波形也不同：在奇点位置，LFP信号为随机噪声信号；在奇点外的位置，LFP信号波形为正弦波形。通过检验方位调制曲线是否存在正弦曲线，则可以判断皮层位置是否为奇点。
本实施例中，步骤3）中判定已知数据序列s 0中含有目标曲线后还包括判定对应的皮层位置为奇点的步骤。若判定已知数据序列s 0中不含目标曲线，则对应的皮层位置非奇点，从而可以实现对应的皮层位置是否为奇点的判断。
本实施例中的已知数据序列s 0可能为某目标曲线加噪声，也可能仅为噪声，本实施例方法的任务是判定已知数据序列s 0中是否含有目标曲线（也即判断已知数据序列s 0的各采样点是否按照目标曲线的波形排列）。本实施例方法通过计算已知数据序列s 0与目标曲线的相似度γ 0 (或拟合优度，下同)；置乱原数据序列N次，得到N个置乱副本s k ，分别计算每个置乱副本s k 与目标曲线的相似度γ k ，然后通过步骤2）和步骤3）统计得到置乱数据与目标曲线相似度指标的n 0 /N；根据n 0 /N以及设定的显著性水平参数α进行假设检验，若n 0 /N小于预设的显著性水平参数α则判定数据序列中含有目标曲线。本发明利用多次置乱的手段，获得同一样本点集合中无规律数据与目标曲线相似度的近似概率密度，从而进行假设检验，实现了数据序列与目标波形吻合与否的客观判定，具有操作简单，方便有效的优点。即使在数据点很少的情况下，本实施例从已知数据序列中探查目标曲线的方法依然有效。
此外，本实施例还提供一种从已知数据序列中探查目标曲线的系统，包括：
相似度计算程序单元，用于计算已知数据序列s 0和目标曲线的相似度γ 0 ；从已知数据序列s 0获得N个置乱副本s k ，计算各个置乱副本s k 和目标曲线的相似度γ k ，其中k = 1, 2,3,…,N，N为置乱副本数量；
相似度排序程序单元，用于将相似度γ 0 以及各个相似度γ k 进行排序，得到相似度γ 0 的序号n 0 ；
比较判断程序单元，用于判断n 0 /N小于预设的显著性水平参数α是否成立，如果成立则判定已知数据序列s 0中含有目标曲线，否则判定已知数据序列s 0中不含目标曲线。
此外，本实施例还提供一种从已知数据序列中探查目标曲线的系统，包括计算机设备，该计算机设备被编程或配置以执行前述从已知数据序列中探查目标曲线的方法的步骤，或该计算机设备的存储器上存储有被编程或配置以执行前述从已知数据序列中探查目标曲线的方法的计算机程序。
此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行前述从已知数据序列中探查目标曲线的方法的计算机程序。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种从已知数据序列中探查目标曲线的方法，其特征在于实施步骤包括：
1）计算已知数据序列s 0和目标曲线的相似度γ 0；从已知数据序列s 0获得N个置乱副本s k，计算各个置乱副本s k和目标曲线的相似度γ k，其中k = 1,2,3,…,N，N为置乱副本数量；所述目标曲线为正弦曲线，所述已知数据序列s 0为以动物初级视皮层测得的局部场电位信号的方位调制曲线；所述从已知数据序列s 0获得N个置乱副本s k的详细步骤包括：采用随机置乱的方法将已知数据序列s 0的采样点的顺序重新排列得到多个置乱后的置乱副本s k，该置乱副本s k具有和已知数据序列s 0完全相同的采样点但排序顺序不同；
2）将相似度γ 0以及各个相似度γ k进行排序，得到相似度γ 0的序号n 0；
3）判断n 0/N小于预设的显著性水平参数α是否成立，如果成立则判定已知数据序列s 0中含有目标曲线，否则判定已知数据序列s 0中不含目标曲线；所述判定已知数据序列s 0中含有目标曲线后还包括判定对应的皮层位置为奇点的步骤：根据不同皮层位置的LFP信号波形也不同：在奇点位置，LFP信号为随机噪声信号；在奇点外的位置，LFP信号波形为正弦波形，通过检验方位调制曲线是否存在正弦曲线以判断皮层位置是否为奇点。
2.根据权利要求1所述的从已知数据序列中探查目标曲线的方法，其特征在于，步骤1）中计算已知数据序列s 0和目标曲线的相似度γ 0的详细步骤包括：以目标曲线的形状为拟合模型对已知数据序列s 0进行曲线拟合得到对应的结果曲线m 0，并计算已知数据序列s 0和结果曲线m 0之间的相似度γ 0。
3.根据权利要求2所述的从已知数据序列中探查目标曲线的方法，其特征在于，步骤1）中计算各个置乱副本s k和目标曲线的相似度γ k的详细步骤包括：分别以目标曲线的形状为拟合模型对各个置乱副本s k进行曲线拟合得到对应的结果曲线m k，并计算已知数据序列s 0和各个结果曲线m k之间的相似度γ k。
4.根据权利要求3所述的从已知数据序列中探查目标曲线的方法，其特征在于，所述相似度γ 0以及相似度γ k均为进行曲线拟合的拟合优度。
5.根据权利要求3所述的从已知数据序列中探查目标曲线的方法，其特征在于，所述相似度γ 0为已知数据序列s 0和结果曲线m 0之间的相关系数，所述相似度γ k为已知数据序列s 0和结果曲线m k之间的相关系数。
6.一种从已知数据序列中探查目标曲线的系统，其特征在于包括：
相似度计算程序单元，用于计算已知数据序列s 0和目标曲线的相似度γ 0；从已知数据序列s 0获得N个置乱副本s k，计算各个置乱副本s k和目标曲线的相似度γ k，其中k = 1,2, 3,…,N，N为置乱副本数量；所述目标曲线为正弦曲线，所述已知数据序列s 0为以动物初级视皮层测得的局部场电位信号的方位调制曲线；所述从已知数据序列s 0获得N个置乱副本s k的详细步骤包括：采用随机置乱的方法将已知数据序列s 0的采样点的顺序重新排列得到多个置乱后的置乱副本s k，该置乱副本s k具有和已知数据序列s 0完全相同的采样点但排序顺序不同；
相似度排序程序单元，用于将相似度γ 0以及各个相似度γ k进行排序，得到相似度γ 0的序号n 0；
比较判断程序单元，用于判断n 0/N小于预设的显著性水平参数α是否成立，如果成立则判定已知数据序列s 0中含有目标曲线，否则判定已知数据序列s 0中不含目标曲线；所述判定已知数据序列s 0中含有目标曲线后还包括判定对应的皮层位置为奇点的步骤：根据不同皮层位置的LFP信号波形也不同：在奇点位置，LFP信号为随机噪声信号；在奇点外的位置，LFP信号波形为正弦波形，通过检验方位调制曲线是否存在正弦曲线以判断皮层位置是否为奇点。
7.一种从已知数据序列中探查目标曲线的系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～5中任意一项所述从已知数据序列中探查目标曲线的方法的步骤，或该计算机设备的存储器上存储有被编程或配置以执行权利要求1～5中任意一项所述从已知数据序列中探查目标曲线的方法的计算机程序。
8.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～5中任意一项所述从已知数据序列中探查目标曲线的方法的计算机程序。
CN202010037261.6A 2020-01-14 2020-01-14 一种从已知数据序列中探查目标曲线的方法、系统及介质 Active CN111191633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010037261.6A CN111191633B (zh) 2020-01-14 2020-01-14 一种从已知数据序列中探查目标曲线的方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010037261.6A CN111191633B (zh) 2020-01-14 2020-01-14 一种从已知数据序列中探查目标曲线的方法、系统及介质

Publications (2)

Publication Number Publication Date
CN111191633A CN111191633A (zh) 2020-05-22
CN111191633B true CN111191633B (zh) 2023-08-22

Family

ID=70710851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010037261.6A Active CN111191633B (zh) 2020-01-14 2020-01-14 一种从已知数据序列中探查目标曲线的方法、系统及介质

Country Status (1)

Country Link
CN (1) CN111191633B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6363332B1 (en) * 1998-12-22 2002-03-26 Caterpillar Inc. Method and apparatus for predicting a fault condition using non-linear curve fitting techniques
CN102736558A (zh) * 2011-04-07 2012-10-17 姚晓栋 基于时间序列算法的数控机床热误差实时补偿建模方法
CN102955902A (zh) * 2012-10-09 2013-03-06 中国人民解放军63892部队 雷达模拟设备可信度的评估方法及评估系统
CN105608514A (zh) * 2016-03-31 2016-05-25 山东大学 一种基于分位数回归的架空输电线路动态热定值概率分布预测方法
CN106443604A (zh) * 2016-09-22 2017-02-22 金陵科技学院 Lfm/bpsk混合调制信号盲处理结果的校验方法
CN109060860A (zh) * 2018-09-13 2018-12-21 枘熠集成电路（上海）有限公司 一种二次离子质谱分析曲线的比较方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6882958B2 (en) * 2001-06-28 2005-04-19 National Instruments Corporation System and method for curve fitting using randomized techniques
GB2491564A (en) * 2011-05-24 2012-12-12 Isis Innovation Method of system monitoring

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6363332B1 (en) * 1998-12-22 2002-03-26 Caterpillar Inc. Method and apparatus for predicting a fault condition using non-linear curve fitting techniques
CN102736558A (zh) * 2011-04-07 2012-10-17 姚晓栋 基于时间序列算法的数控机床热误差实时补偿建模方法
CN102955902A (zh) * 2012-10-09 2013-03-06 中国人民解放军63892部队 雷达模拟设备可信度的评估方法及评估系统
CN105608514A (zh) * 2016-03-31 2016-05-25 山东大学 一种基于分位数回归的架空输电线路动态热定值概率分布预测方法
CN106443604A (zh) * 2016-09-22 2017-02-22 金陵科技学院 Lfm/bpsk混合调制信号盲处理结果的校验方法
CN109060860A (zh) * 2018-09-13 2018-12-21 枘熠集成电路（上海）有限公司 一种二次离子质谱分析曲线的比较方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
机电装备性能退化建模与健康状态评估方法;邓超等;计算机集成制造系统;第24卷(第09期);第2279-2287页 *

Also Published As

Publication number Publication date
CN111191633A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
Paatero et al. Methods for estimating uncertainty in factor analytic solutions
CN107247259B (zh) 基于神经网络的k分布海杂波形状参数估计方法
Li et al. Randomised hough transform with error propagation for line and circle detection
CN105678734A (zh) 一种图像匹配系统的异源测试图像标定方法
CN104198998B (zh) 非均匀背景下基于聚类处理的恒虚警检测方法
CN111191633B (zh) 一种从已知数据序列中探查目标曲线的方法、系统及介质
Song et al. The potential benefit of relevance vector machine to software effort estimation
EP3785051A1 (en) Input count rate estimation in radiation pulse detectors
EP2180429A2 (en) Empirical modeling of confusion matrices
CN113190985B (zh) 一种分层异质区域内数据误差的分析方法及系统
CN105738882B (zh) 对实测杂波协方差矩阵估计性能的白化度评价方法
CN114355114B (zh) 一种gis局部放电检测方法、装置、介质及终端设备
Goovaerts Accounting for rate instability and spatial patterns in the boundary analysis of cancer mortality maps
RU2148274C1 (ru) Способ идентификации личности по особенностям подписи
CN111985826B (zh) 一种多指标工业产品的可视化质量分级方法和系统
Олійник et al. Automated system for identification of data distribution laws by analysis of histogram proximity with sample reduction
CN114489760A (zh) 代码质量评价方法和代码质量评价装置
CN115310472A (zh) 基于核脉冲峰值序列的一维卷积神经网络核素识别方法
Spagnolo et al. Forensic metrology: uncertainty of measurements in forensic analysis
Tabassi et al. Biometric Sample Quality.
Di Consiglio et al. Assessing individual risk of disclosure: an experiment
RU2767598C1 (ru) Устройство для определения статистических характеристик времени запаздывания зажигания элементов матричного индикатора
CN116702521B (zh) 一种自动驾驶场景一致性对比方法、装置及电子设备
CN118332304B (zh) 一种用于测评人工智能模型的方法及系统
CN117723966B (zh) 一种评估船用交流电机健康状态的方法、装置及设备

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