CN111428794A - 一种基于支持向量机模型的太阳射电暴检测方法 - Google Patents
一种基于支持向量机模型的太阳射电暴检测方法 Download PDFInfo
- Publication number
- CN111428794A CN111428794A CN202010227427.0A CN202010227427A CN111428794A CN 111428794 A CN111428794 A CN 111428794A CN 202010227427 A CN202010227427 A CN 202010227427A CN 111428794 A CN111428794 A CN 111428794A
- Authority
- CN
- China
- Prior art keywords
- satellite
- sample
- carrier
- solar radio
- noise ratio
- 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
Images
Classifications
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
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)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于支持向量机模型的太阳射电暴检测方法,所述支持向量机是一种二分类模型,能使得离超平面距离最近的样本点到该平面的几何间隔最大化。该方法利用太阳射电暴发生对GPS/BDS信号载噪比、定位误差、几何精度因子、卫星失锁的影响,结合SVM分类算法判断太阳射电暴是否发生。在此过程中,首先输入观测地卫星的载噪比、三个方位的定位误差、几何精度因子、卫星失锁数目,进行数据预处理,得到特征向量,并对太阳射电暴是否发生进行标记。接着将样本输入SVM分类器中进行学习,得到最优分类器。当新的特征向量进入分类器时,将自动进行分类。该判定方法能实现全天候检测,效率高,过程简单,并且不依赖于射电望远镜,成本低。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及一种基于支持向量机模型的太阳射电暴检测方法。
背景技术
随着GNSS等卫星技术在现代社会越来越广泛应用,太阳射电暴强度对GNSS信号的影响已成为不可忽视的重要部分。太阳射电暴的观测对于研究太阳物理以及空间天气环境监测起到了至关重要的作用,具有重要的空间物理科学研究价值。太阳射电爆发是在太阳上突然出现强烈扰动时所产生的一种射线增强和无线电噪声急剧增加的现象,常同太阳活动区的耀斑、X射线爆发,甚至质子爆或宇宙线爆等现象共同发生。太阳射电爆发一般都不是单一机制,而是多种机制的联合效应。在以往多起太阳射电爆发期间,太阳射电暴可能导致卫星载噪比下降,定位误差增大,几何精度因子增加,卫星失锁、可见星数大幅下降等情况,证明太阳射电爆发产生的噪声信号的确是导航信号的影响因素之一。
由于太阳射电爆发对GNSS信号的影响是多方面的,为更好的应对太阳射电暴对GNSS信号的干扰,使导航系统在太阳射电暴发生时能够正常工作,对太阳射电暴的检测非常重要,对维持卫星导航系统的正常运行具有重大意义。
传统检测太阳射电活动的主要方法是依赖射电望远镜,但造价昂贵,分布稀疏,无法对太阳射电进行全天候实时监测。
发明内容
为了解决以上问题,本发明提供一种基于支持向量机模型的太阳射电暴检测方法,太阳射电暴发生时,对GNSS信号产生的各项受检项目进行综合考查,检测太阳射电暴是否发生。此方法对检测太阳射电暴具有可行性,检测结果不仅能显示出单个台站太阳射电暴发生时间,还能同时给出多个台站是否受太阳射电暴影响。对比于传统方法,该方法成本低、结合多种因素,识别准确度和效率相对提高。为达此目的:
本发明提供一种基于支持向量机模型的太阳射电暴检测方法,具体步骤如下;
(1)进行数据预处理,分别计算未发生太阳射电暴和发生太阳射电暴对应的特征向量,特征向量包括观测地载噪比下降值、观测地总定位误差、几何精度GDOP因子和卫星失锁数目。
(2)将未发生太阳射电暴和发生太阳射电暴的特征向量对应的标签分别赋值为-1和1,将特征向量和标签组合形成样本矩阵,得到一组训练集。
(3)构造一个未知的非线性SVM二分类模型,并通过对训练样本进行交叉验证得出最优参数,从而得到一个训练好的分类模型。
(4)将待识别的卫星导航信号提取出来的特征向量输入步骤(3)中的分类模型中,每个模型输出一个标签,对应太阳射电暴是否发生。
作为本发明进一步细化,步骤(1)具体包括:
(1.1)输入观测地卫星的载噪比、三个方位的定位误差、几何精度GDOP因子和卫星失锁数目;
(1.2)对观测地卫星的载噪比进行数据预处理:
所测载噪比为每颗卫星的载噪比,取当前未失所星载噪比下降值的平均值作为该台站载噪比下降值,记为x1,单位:dBHz;
snri=卫星载噪比未下降值-该时刻载噪比值
式中,snri为每颗卫星载噪比下降值,N为未失所的卫星个数;
(1.3)观测地定位误差由东北天坐标系下的X、Y、Z三个方向的定位误差组成,取三个误差绝对值的平均值作为台站的定位误差,记为x2,单位:m;
式中,ri(i=1,2,3)分别表示X、Y、Z方向上定位误差的绝对值;
(1.4)GDOP因子,卫星失锁数目可以用具体的数表示,分别记为x3、x4。
作为本发明进一步细化,步骤(2)具体包括:
将所述观测地载噪比下降值x1、观测地总定位误差x2、GDOP因子x3和卫星失锁数目x4作为特征向量x,并按照以下方式形成样本:
式中,i表示第i个样本,x(i)表示第i个样本的特征向量,y(i)表示第i个样本的标签,样本数为n,(x(i),y(i))为样本点。
作为本发明进一步细化,步骤(3)具体包括:
(3.1)构造一个未知的非线性SVM二分类模型,其中,所述非线性SVM二分类模型具体为:
g(x)=wTΦ(x)+b
(3.2)最大间隔分离超平面的计算:
式中,ξi为每个样本i的松弛变量,ξi越大,代表样本点离群越远,C为超参数,C 的大小代表离群样本点带来目标函数损失的重视程度,C越大,表示对离群点越重视,表示对超过最大化边界的样本点的容忍度,y(i)为样本i的标签,x(i)表示样本i的特征向量;
(3.3)求解拉格朗日乘子:
式中,αi,y(i),i=1,2,3…n分别是拉格朗日乘子和数据分类标签,且y∈{-1,1},n为样本的个数;
(3.4)将计算得到的w0和b0代入非线性SVM分类器模型表达式中得:
当f(x)=-1时,太阳射电暴未发生,当f(x)=1时,太阳射电暴发生;
(3.5)将样本特征记为X=(x(1),x(2),...,x(n)),即4×n的矩阵;标签记为 Y=(y(1),y(2),...,y(n)),即1×n的行向量,将上述矩阵和向量组合成5×n的矩阵 Z=(X;Y),作为样本输入矩阵;
(3.6)将矩阵整体输入MATLAB中的Classification Learner,选择交叉验证并设定折数k,即随机取矩阵Z的n个样本中的k=2,3,4......作为训练样本进行机器学习,剩下的个样本对学习过的模型进行测试。选择高斯非线性SVM分类器模型,输入参数C、进行训练,得到测试准确率;
(3.8)将所有参数对应的平均准确率进行比较,找出最大准确率对应的超参数C和核参数σ作为最佳参数,该参数设置下训练所得模型作为最优分类模型。
作为本发明进一步细化,步骤(4)具体包括:
(4.1)从待判定的观测地卫星的载噪比、三个方位的定位误差、几何精度GDOP因子、卫星失锁数目中提取出特征向量,表示为X=(x(1),x(2),...,x(N)),N为待检测样本总数;
(4.2)将X输入得到分类模型中,其中,对于每个分类模型,若特征向量x(t)使得 f(x(t))=-1,则太阳射电暴未发生;反之,若f(x(t))=1,则太阳射电暴发生。
本申请一种基于支持向量机模型的太阳射电暴检测方法,具体优点如下:
本发明提出了一种基于支持向量机的太阳射电暴检测方法,所述方法首先进行数据预处理,将观测地载噪比下降值、观测地总定位误差、几何精度(GDOP)因子、卫星失锁数目作为特征向量。基于SVM本身是二元分类器,对太阳射电暴发生标记为1,未发生标记为-1,并与特征向量组成样本。再进行SVM二分类模型训练得到相应的最优分类模型。对于待判定的观测地数据,在提取其特征向量后输入到最优分类模型中进行分类,输出一个特征向量所对应的标签,标签为1则太阳射电暴发生。传统检测太阳射电活动的主要方法是依赖射电望远镜,其造价昂贵,分布稀疏,本方法成本低,可以实现全天候检测,能同时处理大批量数据,不仅提高了检测效率,而且准确度也相对增强,对维持卫星导航系统的正常运行具有重大意义。
附图说明
图1是本发明的一个实施例的流程示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种基于支持向量机模型的太阳射电暴检测方法,太阳射电暴发生时,对GNSS信号产生的各项受检项目进行综合考查,检测太阳射电暴是否发生。此方法对检测太阳射电暴具有可行性,检测结果不仅能显示出单个台站太阳射电暴发生时间,还能同时给出多个台站是否受太阳射电暴影响。对比于传统方法,该方法成本低、结合多种因素,识别准确度和效率相对提高。
本实施例公开了一种基于支持向量机模型的太阳射电暴检测方法,如图1所示,包括:
步骤一、进行数据预处理,分别计算未发生太阳射电暴和发生太阳射电暴对应的特征向量,特征向量包括观测地载噪比下降值、观测地总定位误差、几何精度GDOP因子、卫星失锁数目。
该步骤具体包括:
(1.1)输入观测地卫星的载噪比、三个方位的定位误差、几何精度GDOP因子和卫星失锁数目。
(1.2)对观测地卫星的载噪比进行数据预处理:
所测载噪比为每颗卫星的载噪比,取当前未失所星载噪比下降值的平均值作为该台站载噪比下降值,记为x1,单位:dBHz;
snri=卫星载噪比未下降值-该时刻载噪比值
式中,snri为每颗卫星载噪比下降值,N为未失所的卫星个数
(1.3)观测地定位误差由东北天坐标系下的X、Y、Z三个方向的定位误差组成,取三个误差绝对值的平均值作为台站的定位误差,记为x2,单位:m;
式中,ri(i=1,2,3)分别表示X、Y、Z方向上的定位误差的绝对值。
(1.4)GDOP因子,卫星失锁数目可以用具体的数表示,分别记为x3、x4。
例:2006年12月13日太阳射电暴发生,选取观测地KUMN在2006年12月13日2:00-4:00(UT)卫星的载噪比、三个方位的定位误差、几何精度(GDOP)因子和卫星失锁数目,以1min为采样间隔,共计120个时刻。以2006/12/13 02:23:00、2006/12/13 03:31:00和2006/12/13 03:36:00这三个时刻为例,其他时刻计算方法相同。首先,根据(1)所述方法由表1、表2中KUMN不同时刻采集所得数据,得出表3不同时刻KUMN的载噪比下降值、定位误差、几何精度(GDOP)因子、卫星失锁数目。
表1观测地KUMN不同时刻采集所得载噪比数据
表2观测地KUMN不同时刻采集所得定位误差、GDOP因子、卫星失锁数目数据
表3观测地KUMN的载噪比下降、定位误差、GDOP因子、卫星失锁数目
注:台站失锁时,将定位误差、GDOP因子定义为+∞。
步骤二、将未发生太阳射电暴和发生太阳射电暴的特征向量对应的标签分别赋值为-1和 1,将特征向量和标签组合形成样本矩阵,得到一组训练集。
具体包括以下步骤:
将所述观测地载噪比下降值(x1)、观测地总定位误差(x2)、GDOP因子(x3)、卫星失锁数目(x4)作为特征向量x,并按照以下方式形成样本:
式中,i表示第i个样本,x(i)表示第i个样本的特征向量,y(i)表示第i个样本的标签,样本数为n,(x(i),y(i))为样本点。
例:接上例,三个时刻对应的样本点如下表,其他时刻样本点同理可得:
表4观测地KUMN不同时刻对应的样本点
步骤三、构造一个未知的非线性SVM二分类模型,并通过对训练样本进行交叉验证得出最优参数,从而得到一个训练好的分类模型;
具体包括以下步骤:
(3.1)构造一个未知的非线性SVM二分类模型,其中,所述非线性SVM二分类模型具体为:
g(x)=wTΦ(x)+b
(3.2)最大间隔分离超平面的计算:
式中,ξi为每个样本i的松弛变量,ξi越大,代表样本点离群越远。C为超参数,C的大小代表离群样本点带来目标函数损失的重视程度。C越大,表示对离群点越重视,表示对超过最大化边界的样本点的容忍度,y(i)为样本i的标签,x(i)表示样本i的特征向量;
(3.3)求解拉格朗日乘子:
式中,αi,y(i),i=1,2,3…n分别是拉格朗日乘子和数据分类标签,且y∈{-1,1},n为样本的个数。
(3.4)将计算得到的w0和b0代入非线性SVM分类器模型表达式中得:
当f(x)=-1时,太阳射电暴未发生,当f(x)=1时,太阳射电暴发生。
(3.6)将矩阵整体输入MATLAB中的Classification Learner,选择交叉验证并设定折数k,即随机取矩阵Z的n个样本中的(k=2,3,4......)作为训练样本进行机器学习,剩下的个样本对学习过的模型进行测试。选择高斯非线性SVM分类器模型,输入参数C、进行训练,得到测试准确率;
(3.8)将所有参数对应的平均准确率进行比较,找出最大准确率对应的超参数C和核参数σ作为最佳参数,该参数设置下训练所得模型作为最优分类模型。
例:
接上例,将所得的120个样本输入矩阵Z,设置交叉验证折数k=5,更改参数 C=2-1,1,2,22,23,24,25,26,0.075,0.1,0.25,0.5,0.75,1,得到不同参数下的平均准确率。
步骤四,将待识别的卫星导航信号提取出来的特征向量输入步骤(3)中的分类模型中,每个模型输出一个标签,对应太阳射电暴是否发生。
具体包括以下步骤:
(4.1)从待判定的观测地卫星的载噪比、三个方位的定位误差、几何精度(GDOP)因子、卫星失锁数目中提取出特征向量,表示为X=(x(1),x(2),...,x(N)),N为待检测样本总数;
(4.2)将X输入得到分类模型中,其中,对于每个分类模型,若特征向量x(t)使得 f(x(t))=-1,则太阳射电暴未发生;反之,若f(x(t))=1,则太阳射电暴发生。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (5)
1.一种基于支持向量机模型的太阳射电暴检测方法,具体步骤如下,其特征在于;
(1)进行数据预处理,分别计算未发生太阳射电暴和发生太阳射电暴对应的特征向量,特征向量包括观测地载噪比下降值、观测地总定位误差、几何精度GDOP因子和卫星失锁数目;
(2)将未发生太阳射电暴和发生太阳射电暴的特征向量对应的标签分别赋值为-1和1,将特征向量和标签组合形成样本矩阵,得到一组训练集;
(3)构造一个未知的非线性SVM二分类模型,并通过对训练样本进行交叉验证得出最优参数,从而得到一个训练好的分类模型;
(4)将待识别的卫星导航信号提取出来的特征向量输入步骤(3)中的分类模型中,每个模型输出一个标签,对应太阳射电暴是否发生。
2.根据权利要求1所述的一种基于支持向量机模型的太阳射电暴检测方法,其特征在于:步骤(1)具体包括:
(1.1)输入观测地卫星的载噪比、三个方位的定位误差、几何精度GDOP因子和卫星失锁数目;
(1.2)对观测地卫星的载噪比进行数据预处理:
所测载噪比为每颗卫星的载噪比,取当前未失所星载噪比下降值的平均值作为该台站载噪比下降值,记为x1,单位:dBHz;
snri=卫星载噪比未下降值-该时刻载噪比值
式中,snri为每颗卫星载噪比下降值,N为未失所的卫星个数;
(1.3)观测地定位误差由东北天坐标系下的X、Y、Z三个方向的定位误差组成,取三个误差绝对值的平均值作为台站的定位误差,记为x2,单位:m;
式中,ri(i=1,2,3)分别表示X、Y、Z方向上定位误差的绝对值;
(1.4)GDOP因子,卫星失锁数目可以用具体的数表示,分别记为x3、x4。
4.根据权利要求1所述的一种基于支持向量机模型的太阳射电暴检测方法,其特征在于:步骤(3)具体包括:
(3.1)构造一个未知的非线性SVM二分类模型,其中,所述非线性SVM二分类模型具体为:g(x)=wTΦ(x)+b
(3.2)最大间隔分离超平面的计算:
式中,ξi为每个样本i的松弛变量,ξi越大,代表样本点离群越远,C为超参数,C的大小代表离群样本点带来目标函数损失的重视程度,C越大,表示对离群点越重视,表示对超过最大化边界的样本点的容忍度,y(i)为样本i的标签,x(i)表示样本i的特征向量;
(3.3)求解拉格朗日乘子:
式中,αi,y(i),i=1,2,3…n分别是拉格朗日乘子和数据分类标签,且y∈{-1,1},n为样本的个数;
(3.4)将计算得到的w0和b0代入非线性SVM分类器模型表达式中得:
当f(x)=-1时,太阳射电暴未发生,当f(x)=1时,太阳射电暴发生;
(3.5)将样本特征记为X=(x(1),x(2),...,x(n)),即4×n的矩阵;标签记为Y=(y(1),y(2),...,y(n)),即1×n的行向量,将上述矩阵和向量组合成5×n的矩阵Z=(X;Y),作为样本输入矩阵;
(3.6)将矩阵整体输入MATLAB中的Classification Learner,选择交叉验证并设定折数k,即随机取矩阵Z的n个样本中的作为训练样本进行机器学习,剩下的个样本对学习过的模型进行测试。选择高斯非线性SVM分类器模型,输入参数C、进行训练,得到测试准确率;
(3.8)将所有参数对应的平均准确率进行比较,找出最大准确率对应的超参数C和核参数σ作为最佳参数,该参数设置下训练所得模型作为最优分类模型。
5.根据权利要求1所述的一种基于支持向量机模型的太阳射电暴检测方法,其特征在于:
步骤(4)具体包括:
(4.1)从待判定的观测地卫星的载噪比、三个方位的定位误差、几何精度GDOP因子、卫星失锁数目中提取出特征向量,表示为X=(x(1),x(2),...,x(N)),N为待检测样本总数;
(4.2)将X输入得到分类模型中,其中,对于每个分类模型,若特征向量x(t)使得f(x(t))=-1,则太阳射电暴未发生;反之,若f(x(t))=1,则太阳射电暴发生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010227427.0A CN111428794B (zh) | 2020-03-27 | 2020-03-27 | 一种基于支持向量机模型的太阳射电暴检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010227427.0A CN111428794B (zh) | 2020-03-27 | 2020-03-27 | 一种基于支持向量机模型的太阳射电暴检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428794A true CN111428794A (zh) | 2020-07-17 |
CN111428794B CN111428794B (zh) | 2023-08-08 |
Family
ID=71548996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010227427.0A Active CN111428794B (zh) | 2020-03-27 | 2020-03-27 | 一种基于支持向量机模型的太阳射电暴检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428794B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556266A (zh) * | 2024-01-11 | 2024-02-13 | 之江实验室 | 一种模型训练的方法、一种信号识别的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359523A (zh) * | 2018-09-06 | 2019-02-19 | 东南大学 | 一种基于svm多分类算法的卫星导航干扰类型识别方法 |
CN109508730A (zh) * | 2018-09-27 | 2019-03-22 | 东南大学 | 一种基于非线性svm算法的电离层相位闪烁检测方法 |
CN110389361A (zh) * | 2019-06-24 | 2019-10-29 | 东南大学 | 一种基于gps/bds载噪比下降的太阳射电暴检测方法 |
-
2020
- 2020-03-27 CN CN202010227427.0A patent/CN111428794B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359523A (zh) * | 2018-09-06 | 2019-02-19 | 东南大学 | 一种基于svm多分类算法的卫星导航干扰类型识别方法 |
CN109508730A (zh) * | 2018-09-27 | 2019-03-22 | 东南大学 | 一种基于非线性svm算法的电离层相位闪烁检测方法 |
CN110389361A (zh) * | 2019-06-24 | 2019-10-29 | 东南大学 | 一种基于gps/bds载噪比下降的太阳射电暴检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556266A (zh) * | 2024-01-11 | 2024-02-13 | 之江实验室 | 一种模型训练的方法、一种信号识别的方法及装置 |
CN117556266B (zh) * | 2024-01-11 | 2024-03-22 | 之江实验室 | 信号识别模型训练的方法、信号识别的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111428794B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110673206B (zh) | 一种基于非负矩阵分解的卫星磁场数据地震异常检测方法 | |
CN113156391B (zh) | 一种雷达信号多维特征智能分选方法 | |
CN111698258B (zh) | 一种基于WiFi的环境入侵检测方法和系统 | |
CN105472733A (zh) | 一种应用于室内定位中的基于ap选择定位方法 | |
CN106897957B (zh) | 一种基于pca和pso-elm的自动气象站实时数据质量控制方法 | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
CN115221930A (zh) | 一种滚动轴承的故障诊断方法 | |
CN111428794A (zh) | 一种基于支持向量机模型的太阳射电暴检测方法 | |
CN111191594B (zh) | 一种基于多源卫星数据的云底高度反演方法及系统 | |
CN112700104A (zh) | 一种基于多模态分类的震区滑坡易发性评价方法 | |
CN111274543A (zh) | 一种基于高维空间映射的航天器系统异常检测方法 | |
CN110738259B (zh) | 一种基于Deep DPCA-SVM的故障检测方法 | |
CN116152678A (zh) | 小样本条件下基于孪生神经网络的海洋承灾体识别方法 | |
CN108776801A (zh) | 一种基于欠定盲源分离的模拟电路早期故障特征提取方法 | |
CN111553393B (zh) | 一种基于svm多分类算法的太阳射电暴强度判定方法 | |
CN114968635A (zh) | 一种星务计算机故障诊断方法、装置、设备及存储介质 | |
CN110784887B (zh) | 网格化无线电信号监测系统中异常信号源数量的检测方法 | |
Sing et al. | Cluster analysis based fault identification data mining models for 3 phase power systems | |
Favenza et al. | A machine learning approach to GNSS scintillation detection: Automatic soft inspection of the events | |
Mansouri et al. | Enhanced monitoring of environmental processes | |
CN111624411B (zh) | 基于效用函数综合评价的太阳射电暴强度判定方法及系统 | |
Parshin et al. | Analysis of maximum likelihood estimation of fractal dimension by independent and dependent samples | |
Zhang et al. | Improved Forest Signal Detection for Space-borne Photon-counting LiDAR Using Automatic Machine Learning | |
CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 | |
Wan et al. | Squeeze excitation densely connected residual convolutional networks for specific emitter identification based on measured signals |
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 |