CN111582485A - 基于神经网络的航迹融合办法 - Google Patents
基于神经网络的航迹融合办法 Download PDFInfo
- Publication number
- CN111582485A CN111582485A CN202010463021.2A CN202010463021A CN111582485A CN 111582485 A CN111582485 A CN 111582485A CN 202010463021 A CN202010463021 A CN 202010463021A CN 111582485 A CN111582485 A CN 111582485A
- Authority
- CN
- China
- Prior art keywords
- model
- neural network
- flight path
- data
- sample data
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 14
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 230000002452 interceptive effect Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/60—Velocity or trajectory determination systems; Sense-of-movement determination systems wherein the transmitter and receiver are mounted on the moving object, e.g. for determining ground speed, drift angle, ground track
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于神经网络的航迹融合办法,利用多个传感器获取对应的航迹数据,进行预处理后得到样本数据,随所述样本数据进行交互式多模型滤波,得到对应的状态估计,根据输入层、三个隐藏层和输出层,构建神经网络模型,并将划分为训练集、测试集和验证集的样本数据依次输入搜索神经网络模型中进行模型训练、测试和验证,然后将任意所述航迹数据输入训练后的所述神经网络模型,得到加权融合结果,同时再次进行交互式多模型滤波,并对任意时刻任意所述单模型进行一步预测,直至所有所述航迹数据融合完成,提升系统融合效果。
Description
技术领域
本发明涉及神经网络技术领域,尤其涉及一种基于神经网络的航迹融合办法。
背景技术
随着科学技术不断进步,雷达在地面、空中、海洋和太空等各个方面都发挥着巨大的作用。尤其在空中和太空,由于雷达发射和接收的电磁波在空气/真空中传播具有相对于其他介质更大的优势,因而雷达起着不可替代的作用。在军用方面,预警雷达、搜索警戒雷达、火控雷达、制导雷达以及机载雷达在各种环境下应用广泛,尤其是机载雷达分类最为细致应用最为广泛,发展也更为迅速。研究机载雷达、星载雷达和临近空间目标探测雷达对目标的探测跟踪,经过多雷达航迹数据融合达到较高精度的目标跟踪能力。但是由于各种雷达自身所处的工作环境差异大,复杂环境对雷达探测的准确性也有不同程度的干扰,使得多雷达探测到的目标数据都有不同程度的污染,这样的数据对后期的航迹融合也会产生较大影响。分步式航迹融合算法作为航迹融合技术的研究热点,可分为分层融合、加权融合和基于分步式滤波的融合三大类,其中加权融合算法因具有较好的性能和较低的计算量而受到广大专家和学者的重视。加权融合的基本思想是,基于多传感器局部跟踪航迹,根据一定的规则分配权值,对局部跟踪航迹进行加权平均,得到全局融合航迹。在加权融合系统中,权值的确定是关键,但目前的权值分配方案使系统融合效果不理想。
发明内容
本发明的目的在于提供一种基于神经网络的航迹融合办法,提升系统融合效果。
为实现上述目的,本发明提供了一种基于神经网络的航迹融合办法,包括:
获取航迹数据并进行预处理,得到样本数据;
根据所述样本数据进行交互式多模型滤波,得到对应的状态估计;
构建神经网络模型,并输入划分后的所述样本数据进行模型训练;
将任意所述航迹数据输入训练后的所述神经网络模型,得到加权融合结果;
对所述加权融合结果再次进行交互式多模型滤波后进行信息反馈,完成航迹融合。
其中,所述获取航迹数据并进行预处理,得到样本数据,包括:
基于多个传感器采集得到对应的航迹数据,并对所述航迹数据进行预处理后,存入数据库中,得到样本数据。
其中,根据所述样本数据进行交互式多模型滤波,得到对应的状态估计,包括:
基于所述传感器的数量,选择对应数量的单模型进行模型状态及其估计误差协方差的交互,并根据设定的转移概率矩阵进行模型之间的转移,然后更新模型概率,对子滤波器的状态估计及其误差协方差进行加权平均,得到所述样本数据基于多个所述单模型的状态估计。
其中,所述构建神经网络模型,并输入划分后的所述样本数据进行模型训练,包括:
利用输入层、三个隐藏层和输出层构建神经网络模型,并将所述样本数据划分为训练集、测试集和验证集,同时将所述训练集输入所述神经网络模型中进行模型训练,并利用所述测试集和所述验证集输入训练后的所述神经网络模型中进行测试和验证,得到权重矩阵,其中,所述输入层的节点数和所述传感器数量相同,所述输出层的节点数为1。
其中,将任意所述航迹数据输入训练后的所述神经网络模型,得到加权融合结果,包括:
将获取的任意时刻的所述传感器采集的所述航迹数据输入训练后的所述神经网络模型,得到加权融合结果。
其中,对所述加权融合结果再次进行交互式多模型滤波后进行信息反馈,完成航迹融合,包括:
根据所述加权融合结果,再次进行所述交互式多模型滤波,并对任意时刻任意所述单模型进行一步预测,直至所有所述航迹数据融合完成。
本发明的一种基于神经网络的航迹融合办法,利用多个传感器获取对应的航迹数据,进行预处理后得到样本数据,随所述样本数据进行交互式多模型滤波,得到对应的状态估计,根据输入层、三个隐藏层和输出层,构建神经网络模型,并将划分为训练集、测试集和验证集的样本数据依次输入搜索神经网络模型中进行模型训练、测试和验证,然后将任意所述航迹数据输入训练后的所述神经网络模型,得到加权融合结果,同时再次进行交互式多模型滤波,并对任意时刻任意所述单模型进行一步预测,直至所有所述航迹数据融合完成,使权值分配合理,提升系统融合效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于神经网络的航迹融合办法的步骤示意图。
图2是本发明提供的基于神经网络的航迹融合办法的流程图。
图3是本发明提供的交互式多模型滤波原理图。
图4是本发明提供的数据获取示意图。
图5是本发明提供的神经网络模型结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1和图2,本发明提供一种基于神经网络的航迹融合办法,包括:
S101、获取航迹数据并进行预处理,得到样本数据。
具体的,如图4所提供的数据获取示意图所示,利用多个传感器采集得到对应的航迹数据,并对所述航迹数据进行预处理后,存入数据库中,得到足够多的样本数据,方便后续的对构建的神经网络模型进行训练。
S102、根据所述样本数据进行交互式多模型滤波,得到对应的状态估计。
具体的,基于所述传感器的数量,选择对应数量的单模型进行模型状态及其估计误差协方差的交互,并根据设定的转移概率矩阵进行模型之间的转移,然后更新模型概率,对子滤波器的状态估计及其误差协方差进行加权平均,得到所述样本数据基于多个所述单模型的状态估计混合,所述交互式多模型滤波原理如图3所示,其中,为k时刻经过N个滤波器Mj(k)之后的混合状态估计,为k时刻第j个滤波器的状态估计,Λ(k)为模型的可能性向量,u(k)为模型的概率向量,为第j个滤波器在k-1时刻的状态估计,为k-1时刻交互后第j个滤波器的状态输出,Z(k)为k时刻的量测值。
S103、构建神经网络模型,并输入划分后的所述样本数据进行模型训练。
具体的,利用输入层、三个隐藏层和输出层构建神经网络模型,并将所述样本数据划分为训练集、测试集和验证集,优化目标为某一时刻真实值与预测值之间的均方差,同时将所述训练集输入所述神经网络模型中进行模型训练,并利用所述测试集和所述验证集输入训练后的所述神经网络模型中进行测试和验证,得到最终模型和权重矩阵,如图5所提供的神经网络模型所示,由所述输入层接收数据后传输至所述隐藏层1,再传给隐藏层2,最后通过隐藏层3传输至所述输出层后,输出唯一结果,其中,所述输入层的节点数和所述传感器数量相同为N,所述输出层的节点数为1,所述输入层、三个所述隐藏层和所述输出层不带激活函数,可以理解为只有数据的线性组合,而没有非线性运算。
S104、将任意所述航迹数据输入训练后的所述神经网络模型,得到加权融合结果。
具体的,将获取的任意时刻的所有的所述传感器采集的所述航迹数据输入训练后的所述神经网络模型,由所述输出层输出,得到加权融合结果,提升系统融合效果。
S105、对所述加权融合结果再次进行交互式多模型滤波后进行信息反馈,完成航迹融合。
具体的,根据所述加权融合结果,再次进行所述交互式多模型滤波,并对任意时刻任意所述单模型进行一步预测,直至所有所述航迹数据融合完成,并对融合航迹进行平滑滤波,获得数据在时间上的平滑性和相关性,提高融合精度。其中,对k时刻系统航迹的第j(j=1,2,······,N)个模型状态的一步预测,其状态向量及其协方差分别为:
Pj(k+1|k)=Fj(k)Pj(k|k)Fj(k)T+Qj(k)
本发明的一种利用多个传感器获取对应的航迹数据,进行预处理后得到样本数据,随所述样本数据进行交互式多模型滤波,得到对应的状态估计,根据输入层、三个隐藏层和输出层,构建神经网络模型,并将划分为训练集、测试集和验证集的样本数据依次输入搜索神经网络模型中进行模型训练、测试和验证,然后将任意所述航迹数据输入训练后的所述神经网络模型,得到加权融合结果,同时再次进行交互式多模型滤波,并对任意时刻任意所述单模型进行一步预测,直至所有所述航迹数据融合完成,提升系统融合效果。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (6)
1.一种基于神经网络的航迹融合办法,其特征在于,包括:
获取航迹数据并进行预处理,得到样本数据;
根据所述样本数据进行交互式多模型滤波,得到对应的状态估计;
构建神经网络模型,并输入划分后的所述样本数据进行模型训练;
将任意所述航迹数据输入训练后的所述神经网络模型,得到加权融合结果;
对所述加权融合结果再次进行交互式多模型滤波后进行信息反馈,完成航迹融合。
2.如权利要求1所述的基于神经网络的航迹融合办法,其特征在于,所述获取航迹数据并进行预处理,得到样本数据,包括:
基于多个传感器采集得到对应的航迹数据,并对所述航迹数据进行预处理后,存入数据库中,得到样本数据。
3.如权利要求2所述的基于神经网络的航迹融合办法,其特征在于,根据所述样本数据进行交互式多模型滤波,得到对应的状态估计,包括:
基于所述传感器的数量,选择对应数量的单模型进行模型状态及其估计误差协方差的交互,并根据设定的转移概率矩阵进行模型之间的转移,然后更新模型概率,对子滤波器的状态估计及其误差协方差进行加权平均,得到所述样本数据基于多个所述单模型的状态估计。
4.如权利要求3所述的基于神经网络的航迹融合办法,其特征在于,所述构建神经网络模型,并输入划分后的所述样本数据进行模型训练,包括:
利用输入层、三个隐藏层和输出层构建神经网络模型,并将所述样本数据划分为训练集、测试集和验证集,同时将所述训练集输入所述神经网络模型中进行模型训练,并利用所述测试集和所述验证集输入训练后的所述神经网络模型中进行测试和验证,得到权重矩阵,其中,所述输入层的节点数和所述传感器数量相同,所述输出层的节点数为1。
5.如权利要求4所述的基于神经网络的航迹融合办法,其特征在于,将任意所述航迹数据输入训练后的所述神经网络模型,得到加权融合结果,包括:
将获取的任意时刻的所述传感器采集的所述航迹数据输入训练后的所述神经网络模型,得到加权融合结果。
6.如权利要求5所述的基于神经网络的航迹融合办法,其特征在于,对所述加权融合结果再次进行交互式多模型滤波后进行信息反馈,完成航迹融合,包括:
根据所述加权融合结果,再次进行所述交互式多模型滤波,并对任意时刻任意所述单模型进行一步预测,直至所有所述航迹数据融合完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010463021.2A CN111582485A (zh) | 2020-05-27 | 2020-05-27 | 基于神经网络的航迹融合办法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010463021.2A CN111582485A (zh) | 2020-05-27 | 2020-05-27 | 基于神经网络的航迹融合办法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582485A true CN111582485A (zh) | 2020-08-25 |
Family
ID=72127136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010463021.2A Pending CN111582485A (zh) | 2020-05-27 | 2020-05-27 | 基于神经网络的航迹融合办法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582485A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112083457A (zh) * | 2020-09-17 | 2020-12-15 | 哈尔滨工程大学 | 一种神经网络优化的imm卫星定位导航方法 |
CN112529070A (zh) * | 2020-12-08 | 2021-03-19 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种提高机载目标航迹融合精度的方法 |
CN112613532A (zh) * | 2020-11-26 | 2021-04-06 | 西安电子科技大学 | 基于雷达与循环神经网络补全红外融合的动目标跟踪方法 |
CN115204479A (zh) * | 2022-07-01 | 2022-10-18 | 南京信息工程大学 | 基于多源遥感数据的作物适生区预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102322861A (zh) * | 2011-05-31 | 2012-01-18 | 电子科技大学 | 一种航迹融合方法 |
CN102853836A (zh) * | 2012-09-10 | 2013-01-02 | 电子科技大学 | 一种基于航迹质量的反馈加权融合方法 |
CN103743401A (zh) * | 2013-12-31 | 2014-04-23 | 电子科技大学 | 基于多模型航迹质量的异步融合方法 |
CN105467382A (zh) * | 2015-12-31 | 2016-04-06 | 南京信息工程大学 | 基于svm的多传感器的目标跟踪数据融合算法及其系统 |
US20180267544A1 (en) * | 2017-03-14 | 2018-09-20 | Toyota Research Institute, Inc. | Systems and methods for multi-sensor fusion using permutation matrix track association |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
-
2020
- 2020-05-27 CN CN202010463021.2A patent/CN111582485A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102322861A (zh) * | 2011-05-31 | 2012-01-18 | 电子科技大学 | 一种航迹融合方法 |
CN102853836A (zh) * | 2012-09-10 | 2013-01-02 | 电子科技大学 | 一种基于航迹质量的反馈加权融合方法 |
CN103743401A (zh) * | 2013-12-31 | 2014-04-23 | 电子科技大学 | 基于多模型航迹质量的异步融合方法 |
CN105467382A (zh) * | 2015-12-31 | 2016-04-06 | 南京信息工程大学 | 基于svm的多传感器的目标跟踪数据融合算法及其系统 |
US20180267544A1 (en) * | 2017-03-14 | 2018-09-20 | Toyota Research Institute, Inc. | Systems and methods for multi-sensor fusion using permutation matrix track association |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
Non-Patent Citations (2)
Title |
---|
O_MMMM_O: "交互式多模型 IMM的原理及代码实现(matlab)", 《HTTPS://BLOG.CSDN.NET/O_MMMM_O/ARTICLE/DETAILS/88094994》 * |
张伟 等: "基于多模型航迹质量的融合算法", 《计算机科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112083457A (zh) * | 2020-09-17 | 2020-12-15 | 哈尔滨工程大学 | 一种神经网络优化的imm卫星定位导航方法 |
CN112083457B (zh) * | 2020-09-17 | 2023-08-15 | 哈尔滨工程大学 | 一种神经网络优化的imm卫星定位导航方法 |
CN112613532A (zh) * | 2020-11-26 | 2021-04-06 | 西安电子科技大学 | 基于雷达与循环神经网络补全红外融合的动目标跟踪方法 |
CN112613532B (zh) * | 2020-11-26 | 2023-08-01 | 西安电子科技大学 | 基于雷达与循环神经网络补全红外融合的动目标跟踪方法 |
CN112529070A (zh) * | 2020-12-08 | 2021-03-19 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种提高机载目标航迹融合精度的方法 |
CN115204479A (zh) * | 2022-07-01 | 2022-10-18 | 南京信息工程大学 | 基于多源遥感数据的作物适生区预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582485A (zh) | 基于神经网络的航迹融合办法 | |
CN112613532B (zh) | 基于雷达与循环神经网络补全红外融合的动目标跟踪方法 | |
Kamrani et al. | Using on-line simulation for adaptive path planning of UAVs | |
CN112862171B (zh) | 一种基于时空神经网络的航班到达时间预测方法 | |
Nicola et al. | A LSTM neural network applied to mobile robots path planning | |
Feng et al. | Target tracking based on improved square root cubature particle filter via underwater wireless sensor networks | |
CN113569465B (zh) | 一种基于深度学习的航迹矢量和目标类型联合估计系统及估计方法 | |
CN110532665A (zh) | 一种固定航线任务下的移动对象动态轨迹预测方法 | |
Bermingham et al. | Mining place-matching patterns from spatio-temporal trajectories using complex real-world places | |
Wang et al. | A compensation method for gyroscope random drift based on unscented Kalman filter and support vector regression optimized by adaptive beetle antennae search algorithm | |
Hou et al. | An end-to-end LSTM-MDN network for projectile trajectory prediction | |
Gao et al. | Cultural quantum-inspired shuffled frog leaping algorithm for direction finding of non-circular signals | |
Georgiou et al. | Future location and trajectory prediction | |
Ahmed et al. | Multitarget localization on road networks with hidden markov rao–blackwellized particle filters | |
Liu et al. | Evaluation of nonlinear filtering for radar data tracking | |
He et al. | Research on an Obstacle Avoidance Method for UAV | |
Zhen et al. | Intelligent fusion algorithm for multi-sensor information in integrated power grid operation system | |
Xiao et al. | Adaptive Fault-tolerant Federated Filter with Fault Detection Method Based on Combination of LSTM and Chi-square Test | |
Bordón-Ruiz et al. | DEVS-based evaluation of UAVs-based target-search strategies in realistically-modeled missions | |
Ping et al. | Particle filter based time series prediction of daily sales of an online retailer | |
Mosavi | An effective method for GPS GDOP clustering using ant colony optimization algorithm | |
Yang et al. | Received signal strength indicator‐based set‐membership filtering indoor localization under multipath effect | |
Kamrani et al. | Simulation-aided path planning of UAV | |
Yang | Optimization of Aircraft Flight Trajectory Combined with Thinking Navigation Algorithm | |
Zhu et al. | A novel hybrid algorithm of sea object classification based on multi-sensor and multi-level track |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |