CN111476212A - 一种基于长短时记忆法的电机故障检测系统 - Google Patents
一种基于长短时记忆法的电机故障检测系统 Download PDFInfo
- Publication number
- CN111476212A CN111476212A CN202010422066.5A CN202010422066A CN111476212A CN 111476212 A CN111476212 A CN 111476212A CN 202010422066 A CN202010422066 A CN 202010422066A CN 111476212 A CN111476212 A CN 111476212A
- Authority
- CN
- China
- Prior art keywords
- time
- long
- neural network
- information
- output
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于长短时记忆法的电机故障检测系统,涉及电机技术领域;它的检测步骤如下:一、故障诊断流程为:原始数据信号、LSTM神经网络、Softmax多分类器、故障识别;二、归一化振动信号,通过长短时记忆神经网络来进行特征的提取;长短时记忆神经网络主要是通过控制几个相应的门来了解信息存在的状态,由于控制门的存在使得网络能够长时间的存储网络所传递的信息;三、根据步骤二提取的深层特征,通过最后一层的Softmax多分类器对故障执行分类;四、将LSTM神经网络和Softmax多分类器结合起来构建故障诊断模型;本发明改进传统故障检测算法的精确度,减少其他传统算法在电机故障诊断中的问题。
Description
技术领域
本发明属于电机技术领域,具体涉及一种基于长短时记忆法的电机故障检测系统。
背景技术
在当今社会,随着经济的快速发展,电机作为复杂电气设备之一,逐渐向大规模和智能化的方向发展。由于电机在工作时的负载处于变化状态,因此,极易引起电机产生故障,然而故障所表现出的形式有一定差异,其关系错综复杂。
深度学习模型是基于多层神经网络的层次结构模型,可以从大数据中自动学习表达数据本质与隐含规律的数据特征。由于强大的特征提取能力,在图像处理和自然语言处理等领域取得了一定的成果。在机械故障诊断领域中,将深度学习模型应用于该领域是一种新的思路,在近年来发展相对较快。对于电机故障信号在特征提取方面出现的问题,深度学习提供了较好的解决方案。深度学习模型能够自动进行特征学习,发掘深层次不易被提取的故障本质特征,提高诊断的准确率,解决了传统网络手动选择特征的复杂性,改变了特征提取和分类识别相剥离的缺点。
发明内容
为解决现有的问题;本发明的目的在于提供一种基于长短时记忆法的电机故障检测系统。
本发明的一种基于长短时记忆法的电机故障检测系统,它的检测步骤如下:
步骤一:选用现有振动数据,测试台由电机,扭矩传感器/编码器,测力计和控制电子设备组成;测试轴承支撑电机轴;使用加速度计收集振动数据,加速度计连接到具有磁性基座的壳体;故障诊断流程为:原始数据信号、LSTM神经网络、Softmax多分类器、故障识别;
步骤二:归一化振动信号,通过长短时记忆神经网络来进行特征的提取;长短时记忆神经网络主要是通过控制几个相应的门来进一步了解信息存在的状态,由于控制门的存在使得网络能够长时间的存储网络所传递的信息;
输入门的作用是在忘记部分之前的状态以后再从当前的输入信息补充更新的记忆,如式(1.1)所示:
i(t)=fg(Wxi(t)x(t)+Whi(t-1)h(t-1)+bi) (1.1)
遗忘门控制信息从前一时间转移的程度,并且忘记传递过程中没有用的信息,新的记忆单元生成的状态信息主要来源于两个部分,第一,通过遗忘门的输出结果与在上一个时刻状态下记忆块状态c(t1)的乘积,这一部分的作用主要是决定要遗忘的信息,第二,通过输入门的输出结果i与tanh层两者的乘积能够生成一个新的候选数值信息,最后,把这两部分的和用作新的记忆单元的新的状态信息。输出门的功能是决定是否通过当前记忆状态输出结果Ot,并将sigmoid的输出乘以tanh层。最后,输出网络所需要的结果,如式(1.2)和式(1.3)所示:
Ot(t)=fg(Wxo(t)x(t)+Who(t-1)h(t-1)+b0)(1.2)
h(t)=Ot·tanh(c(t)) (1.3)
式中,fg表示sigmoid激活函数。Wxi、Wxf、Wxo和Wxc表示输入门到输入门、遗忘门、输出门和记忆单元的权重矩阵;Whi、Whf、Who和Whc则表示隐层单分别元到输入门、遗忘门、输出门和记忆单元的权重矩阵。对长短时记忆神经网络的层数进行设置,以此得到最优网络结构同时确定学习率,迭代次数,神经元数量;
选用学习率自适应的Adam优化算法,Adam算法即自适应时刻估计方法,能计算每个参数的自适应学习率;
mt为梯度的第一时刻平均值,vt为梯度的第二时刻非中心方差值。
参数更新的最终公式为:
其中,β1设为0.9,β2设为0.9999,ε设为10-8。
步骤三:根据步骤二提取的深层特征,通过最后一层的Softmax多分类器对故障执行分类;
步骤四:将LSTM神经网络和Softmax多分类器结合起来构建故障诊断模型:Softmax多分类器根据LSTM神经网络提取的深度特征开始进行分类,通过Softmax多分类器计算在最后一层输出的每个故障类型的概率值从而达到分类目的。
与现有技术相比,本发明的有益效果为:改进传统故障检测算法的精确度,减少其他传统算法在电机故障诊断中的问题,达到检测电机故障的要求。
附图说明
为了易于说明,本发明由下述的具体实施及附图作以详细描述。
图1为本发明中长短时记忆神经网络结构图;
图2为本发明中Softmax多分类器结构图;
图3为本发明中LSTM神经网络诊断结构图。
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了,下面通过附图中示出的具体实施例来描述本发明。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
本具体实施方式采用以下技术方案:它的检测步骤如下:
一:所用数据来自美国凯斯西储大学轴承实验室的现有振动数据,通过网站可以下载得到;测试台由电机,扭矩传感器/编码器,测力计和控制电子设备组成。测试轴承支撑电机轴。使用加速度计收集振动数据,加速度计连接到具有磁性基座的壳体。故障诊断流程为:原始数据信号、LSTM神经网络、Softmax多分类器、故障识别;
二:归一化振动信号,通过长短时记忆神经网络来进行特征的提取。长短时记忆神经网络主要是通过控制几个相应的门来进一步了解信息存在的状态,由于控制门的存在使得网络能够长时间的存储网络所传递的信息。长短时记忆神经网络结构如图1所示。
输入门的作用是在忘记部分之前的状态以后再从当前的输入信息补充更新的记忆,如式(1.1)所示:
i(t)=fg(Wxi(t)x(t)+Whi(t-1)h(t-1)+bi) (1.1)
遗忘门控制信息从前一时间转移的程度,并且忘记传递过程中没有用的信息,新的记忆单元生成的状态信息主要来源于两个部分,第一,通过遗忘门的输出结果与在上一个时刻状态下记忆块状态c(t1)的乘积,这一部分的作用主要是决定要遗忘的信息,第二,通过输入门的输出结果i与tanh层两者的乘积能够生成一个新的候选数值信息,最后,把这两部分的和用作新的记忆单元的新的状态信息。输出门的功能是决定是否通过当前记忆状态输出结果Ot,并将sigmoid的输出乘以tanh层。最后,输出网络所需要的结果,如式(1.2)和式(1.3)所示:
Ot(t)=fg(Wxo(t)x(t)+Who(t-1)h(t-1)+b0) (1.2)
h(t)=Ot·tanh(c(t)) (1.3)
式中,fg表示sigmoid激活函数。Wxi、Wxf、Wxo和Wxc表示输入门到输入门、遗忘门、输出门和记忆单元的权重矩阵;Whi、Whf、Who和Whc则表示隐层单分别元到输入门、遗忘门、输出门和记忆单元的权重矩阵。对长短时记忆神经网络的层数进行设置,以此得到最优网络结构同时确定学习率,迭代次数,神经元数量等。
本设计选用学习率自适应的Adam优化算法,Adam算法即自适应时刻估计方法(Adaptive Moment Estimation),能计算每个参数的自适应学习率。
mt为梯度的第一时刻平均值,vt为梯度的第二时刻非中心方差值。
参数更新的最终公式为:
其中,β1设为0.9,β2设为0.9999,ε设为10-8。
在实际应用中,Adam方法效果良好。与其他自适应学习率算法相比,其收敛速度更快,学习效果更为有效,而且可以纠正其他优化技术中存在的问题,如学习率消失、收敛过慢或是高方差的参数更新导致损失函数波动较大等问题。Adam来源自适应矩估计(adaptive moments),在Adam算法中,动量直接并入了梯度一阶矩(指数加权)的估计,其次,Adam包含偏置校正,其校正从原点初始化的一阶矩(动量项)和(非中心)二阶矩的估计。根据损失函数,学习率是通过对每个参数梯度的一阶矩估计与二阶矩估计来动态调整的。Adam对超参数的选择具有鲁棒性。
三:根据步骤二提取的深层特征,通过最后一层的Softmax多分类器对故障执行分类。
长短时记忆神经网络在时域序列中具有良好的特性,可以从原始数据中提取包含时间信息的深度特征。图2显示了Softmax多分类器的结构。激活函数S(·)类似于sigmoid激活函数,该函数的功能是将输入的任何实数向量映射到(0,1)区间中的值,并且所有的输出映射值之和等于1。可将Softmax激活单元的输出值视为“输入向量归属于某一类”的条件概率值。
四:将LSTM神经网络和Softmax多分类器结合起来构建故障诊断模型。Softmax多分类器根据LSTM神经网络提取的深度特征开始进行分类,故障诊断模型结构图,如图3所示。通过Softmax多分类器计算在最后一层输出的每个故障类型的概率值从而达到分类目的。
本具体实施方式的以深度学习理论作为基础,对传统神经网络所采用的智能诊断方法存在的局限与诊断过程中出现的局部极值问题、维数灾难、泛化能力较弱、梯度消失或梯度弥散等问题,分析故障并考虑时间维度信息,与堆栈稀疏自编码器的方法进行对比,采用一种基于长短时记忆神经网络的电机故障诊断。从电机振动数据中学习特征,进行故障诊断。几种常见的电机故障有:电动机外壳带电,电动机过热,电动机运转声音异常,气隙偏心,定子、转子故障和轴承故障。
1.对LSTM-Softmax进行故障建模。
2.故障信号特征提取,确定网络结构和学习率,迭代次数,神经元数量,得到相应的故障信号数据,为后面实验提供实验数据。
3.识别分类,根据上述步骤的实验数据,通过Softmax多分类器进行分类。
4.利用搭建仿真模型,选取数据进行仿真实验,得出结论。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (1)
1.一种基于长短时记忆法的电机故障检测系统,其特征在于:它的检测步骤如下:
步骤一:选用现有振动数据,测试台由电机,扭矩传感器/编码器,测力计和控制电子设备组成;测试轴承支撑电机轴;使用加速度计收集振动数据,加速度计连接到具有磁性基座的壳体;故障诊断流程为:原始数据信号、LSTM神经网络、Softmax多分类器、故障识别;
步骤二:归一化振动信号,通过长短时记忆神经网络来进行特征的提取;长短时记忆神经网络主要是通过控制几个相应的门来进一步了解信息存在的状态,由于控制门的存在使得网络能够长时间的存储网络所传递的信息;
输入门的作用是在忘记部分之前的状态以后再从当前的输入信息补充更新的记忆,如式(1.1)所示:
i(t)=fg(Wxi(t)x(t)+Whi(t-1)h(t-1)+bi) (1.1)
遗忘门控制信息从前一时间转移的程度,并且忘记传递过程中没有用的信息,新的记忆单元生成的状态信息主要来源于两个部分,第一,通过遗忘门的输出结果与在上一个时刻状态下记忆块状态c(t1)的乘积,这一部分的作用主要是决定要遗忘的信息,第二,通过输入门的输出结果i与tanh层两者的乘积能够生成一个新的候选数值信息,最后,把这两部分的和用作新的记忆单元的新的状态信息;输出门的功能是决定是否通过当前记忆状态输出结果Ot,并将sigmoid的输出乘以tanh层;最后,输出网络所需要的结果,如式(1.2)和式(1.3)所示:
Ot(t)=fg(Wxo(t)x(t)+Who(t-1)h(t-1)+b0) (1.2)
h(t)=Ot·tanh(c(t)) (1.3)
式中,fg表示sigmoid激活函数;Wxi、Wxf、Wxo和Wxc表示输入门到输入门、遗忘门、输出门和记忆单元的权重矩阵;Whi、Whf、Who和Whc则表示隐层单分别元到输入门、遗忘门、输出门和记忆单元的权重矩阵;对长短时记忆神经网络的层数进行设置,以此得到最优网络结构同时确定学习率,迭代次数,神经元数量;
选用学习率自适应的Adam优化算法,Adam算法即自适应时刻估计方法,能计算每个参数的自适应学习率;
mt为梯度的第一时刻平均值,vt为梯度的第二时刻非中心方差值;
参数更新的最终公式为:
其中,β1设为0.9,β2设为0.9999,ε设为10-8;
步骤三:根据步骤二提取的深层特征,通过最后一层的Softmax多分类器对故障执行分类;
步骤四:将LSTM神经网络和Softmax多分类器结合起来构建故障诊断模型:Softmax多分类器根据LSTM神经网络提取的深度特征开始进行分类,通过Softmax多分类器计算在最后一层输出的每个故障类型的概率值从而达到分类目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010422066.5A CN111476212A (zh) | 2020-05-18 | 2020-05-18 | 一种基于长短时记忆法的电机故障检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010422066.5A CN111476212A (zh) | 2020-05-18 | 2020-05-18 | 一种基于长短时记忆法的电机故障检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476212A true CN111476212A (zh) | 2020-07-31 |
Family
ID=71762442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010422066.5A Pending CN111476212A (zh) | 2020-05-18 | 2020-05-18 | 一种基于长短时记忆法的电机故障检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476212A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112146879A (zh) * | 2020-08-21 | 2020-12-29 | 江苏大学 | 一种滚动轴承故障智能诊断方法及其系统 |
CN113075546A (zh) * | 2021-03-24 | 2021-07-06 | 河南中烟工业有限责任公司 | 电机振动信号的特征提取方法及系统 |
CN113139817A (zh) * | 2021-04-28 | 2021-07-20 | 北京沃东天骏信息技术有限公司 | 数据分类方法、数据分类装置、介质及电子设备 |
CN113566948A (zh) * | 2021-07-09 | 2021-10-29 | 中煤科工集团沈阳研究院有限公司 | 机器人化煤机故障音频识别及诊断方法 |
CN113609932A (zh) * | 2021-07-21 | 2021-11-05 | 广州大学 | 基于长短期记忆网络的故障检测方法、系统、装置及介质 |
CN113821974A (zh) * | 2021-09-07 | 2021-12-21 | 北京大学 | 基于多故障模式的发动机剩余寿命预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409253A (zh) * | 2018-10-09 | 2019-03-01 | 哈尔滨理工大学 | 一种基于图像识别技术的故障检测系统 |
CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
US20200065651A1 (en) * | 2016-09-22 | 2020-02-27 | Salesforce.Com, Inc. | Pointer sentinel mixture architecture |
-
2020
- 2020-05-18 CN CN202010422066.5A patent/CN111476212A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200065651A1 (en) * | 2016-09-22 | 2020-02-27 | Salesforce.Com, Inc. | Pointer sentinel mixture architecture |
CN109409253A (zh) * | 2018-10-09 | 2019-03-01 | 哈尔滨理工大学 | 一种基于图像识别技术的故障检测系统 |
CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
乔林翰: "基于卷积神经网络的电机故障诊断方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑(月刊)》 * |
李奇: "基于深度神经网络的面部表情识别研究与发现", 《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》 * |
贺珂珂: "基于深度学习理论的电机故障诊断方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑(月刊)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112146879A (zh) * | 2020-08-21 | 2020-12-29 | 江苏大学 | 一种滚动轴承故障智能诊断方法及其系统 |
CN113075546A (zh) * | 2021-03-24 | 2021-07-06 | 河南中烟工业有限责任公司 | 电机振动信号的特征提取方法及系统 |
CN113139817A (zh) * | 2021-04-28 | 2021-07-20 | 北京沃东天骏信息技术有限公司 | 数据分类方法、数据分类装置、介质及电子设备 |
CN113566948A (zh) * | 2021-07-09 | 2021-10-29 | 中煤科工集团沈阳研究院有限公司 | 机器人化煤机故障音频识别及诊断方法 |
CN113609932A (zh) * | 2021-07-21 | 2021-11-05 | 广州大学 | 基于长短期记忆网络的故障检测方法、系统、装置及介质 |
CN113821974A (zh) * | 2021-09-07 | 2021-12-21 | 北京大学 | 基于多故障模式的发动机剩余寿命预测方法 |
CN113821974B (zh) * | 2021-09-07 | 2023-11-24 | 北京大学 | 基于多故障模式的发动机剩余寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476212A (zh) | 一种基于长短时记忆法的电机故障检测系统 | |
Feng et al. | Semi-supervised meta-learning networks with squeeze-and-excitation attention for few-shot fault diagnosis | |
Wu et al. | An adaptive deep transfer learning method for bearing fault diagnosis | |
CN111105008A (zh) | 模型训练方法、数据识别方法和数据识别装置 | |
CN112183368B (zh) | 基于lstm的电力系统低频振荡模态特征的快速辨识方法 | |
CN111598167B (zh) | 基于图学习的小样本图像识别方法及系统 | |
CN112926728B (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
CN116304905B (zh) | 一种在多负载工况下的永磁同步电机退磁故障诊断方法 | |
Saffari et al. | Fuzzy Grasshopper Optimization Algorithm: A Hybrid Technique for Tuning the Control Parameters of GOA Using Fuzzy System for Big Data Sonar Classification. | |
CN112146879A (zh) | 一种滚动轴承故障智能诊断方法及其系统 | |
CN113821724A (zh) | 一种基于时间间隔增强的图神经网络推荐方法 | |
CN113744237A (zh) | 一种基于深度学习的渣土流塑性自动检测方法及系统 | |
An et al. | Generalized Gaussian noise distribution enabled sparse representation model for bearing fault diagnosis | |
CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
CN113742638B (zh) | 基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法 | |
CN113420870B (zh) | 用于水声目标识别的U-Net结构生成对抗网络及方法 | |
CN112598065B (zh) | 一种基于记忆的门控卷积神经网络语义处理系统及方法 | |
CN114723049A (zh) | 一种基于梯度优化的类激活映射方法及装置 | |
CN115032682A (zh) | 一种基于图论的多站台地震震源参数估计方法 | |
CN116934603A (zh) | 测井曲线缺失段补全方法、装置、存储介质及电子设备 | |
Wang et al. | A novel multiscale deep health indicator with bidirectional LSTM network for bearing performance degradation trend prognosis | |
Hu et al. | An improved metalearning framework to optimize bearing fault diagnosis under data imbalance | |
Li et al. | Fault diagnosis method of motor bearing based on deep transfer learning | |
CN116561528B (zh) | 一种旋转机械的rul预测方法 | |
CN116310463B (zh) | 一种无监督学习的遥感目标分类方法 |
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: 20200731 |