CN111965639B - 基于双向长短时记忆神经网络的雷达信号分析方法 - Google Patents
基于双向长短时记忆神经网络的雷达信号分析方法 Download PDFInfo
- Publication number
- CN111965639B CN111965639B CN202010941509.1A CN202010941509A CN111965639B CN 111965639 B CN111965639 B CN 111965639B CN 202010941509 A CN202010941509 A CN 202010941509A CN 111965639 B CN111965639 B CN 111965639B
- Authority
- CN
- China
- Prior art keywords
- radar
- behavior
- target
- neural network
- model
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 16
- 230000006399 behavior Effects 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于双向长短时记忆神经网络的雷达信号分析方法,具体为:对雷达回波数据进行预处理以及特征提取;根据提取的特征构建雷达行为链,所述雷达行为链用于表示目标的运行轨迹;构建BLSTM模型并将雷达行为链输入BLSTM模型对其进行训练;对获取的雷达回波信号进行处理获取得到雷达行为链输入训练好的BLSTM模型,获得目标下一刻的位置信息。本发明在基于提出的雷达行为链的基础上,采用了处理时序数据的双向长短时记忆神经网络来构建雷达分析模型,一方面在雷达行为链上保留了数据之间的时序性,另一方面可以更好的挖掘时序数据间的关联关系,提高了雷达数据分析的准确率。
Description
技术领域
本发明属于雷达信号处理技术领域,具体为一种基于双向长短时记忆神经网络的雷达信号分析方法。
背景技术
随着人工智能和互联网等现代科学技术的飞速发展,信息化和数字化已经覆盖于我们生活中的方方面面,因此整个空间环境中充斥着各种各样繁冗复杂的信号——“大数据”。雷达信号就是其中之一,它是一种随机信号,具有非线性、非平稳的特征,所以无论是在军事领域还是其他雷达应用领域,如何能快速准确的从复杂的无线网络环境中找出我们所需要的信息,并能正确判断出其所包含的信息、下一步的计划及危险级别等仍是目前研究的热点问题。
雷达信号的分析一般主要包含两个方面,特征提取和目标分类,传统的分析流程如图1所示。其中特征提取主要是对收集到的雷达信号通过一定的方法,提取出比较重要的,具有唯一性的特征;然后将这些提取到的特征进行分类,通过选择不同的分类器,最后可以得到具体的类别。传统的较为成熟的方法有模板匹配法,将截获收集到的信息与原先收集整理存库的信息进行匹配对照,从而进行雷达的识别;基于特征提取的统计模式识别算法,通过统计各个特征的数量(向量),设计相应的分类器进行分类;基于最大似然比判决理论的识别算法,以概率统计的方式和最小代价函数值原则结合,以不同的阈值进行不同类别的划分。
现如今,随着机器学习的不断发展,许多学者已经将其应用于该领域并取得了相当可观的成绩,如有提出采用支持向量机(SVM,Support Vector Machine)和循环累计的识别算法,K-means和SVM相结合的地空通信干扰音频特征提取及识别算法,基于K-近邻(KNN,Nearest Neighbor)、随机森林(RF,Random Forest)的雷达信号识别算法等等。传统的机器学习算法中提取的特征大多是已经确定好的特定特征,只需要按部就班,提取出相应的特征就可以进行分析,这种方法不仅耗费的是人力上的资本,而且其准确率不一定就高,并且该方法无法完全利用信号的原始信息,不能对其进行更深层次信息的挖掘,更不能充分发挥大数据的样本信息,所以对于如今这种复杂多变的大数据时代环境,通过采用深度学习来进行挖掘分析其更深层次的信息,使得识别的准确率可以大大提升。
深度学习算法是目前各个领域的研究重点,其主要在图象识别、语音识别、机器翻译、字符识别等领域应用广泛。当然在雷达信号处理领域也已经有学者将深度学习应用于其中,如有基于受限玻尔兹曼机实现雷达辐射源的分类识别;有利用SAE模型提取深层特征,并用逻辑回归完成分类任务;有采用卷积神经网络实现辐射源识别;还有采用长短时记忆神经网络对雷达信号进行识别等等。正是由于雷达信号属于非稳定的、非线性的时序信号,而传统的分析方法都是未考虑到信号之间的时序性,所以如何构建一个既方便,又可以考虑到信号间的时序信息及其他重要关联信息,并能很好的处理该时序信息是一个重要的问题。
发明内容
本发明的目的在于提出了一种基于双向长短时记忆神经网络的雷达信号分析方法。
实现本发明目的的技术解决方案为:一种基于双向长短时记忆神经网络的雷达信号分析方法,具体步骤为:
步骤1:对雷达回波数据进行预处理以及特征提取;
步骤2:根据提取的特征构建雷达行为链,所述雷达行为链用于表示目标的运行轨迹;
步骤3:构建BLSTM模型并将雷达行为链输入BLSTM模型对其进行训练;
步骤4:将获取的雷达回波信号按照步骤1、2处理得到雷达行为链,将雷达行为链输入训练好的BLSTM模型,获得目标下一刻的位置信息。
优选地,提取的特征包括目标位移角、目标运动的曲率。
优选地,目标运动的曲率的计算方法为:获取当前行为点前一个行为点和后一个行为点的坐标,构建前一个行为点与当前行为点的向量,当前行为点与后一个行为点的向量,计算两向量的夹角θ,则目标运动的曲率为(cosθ,sinθ)。
优选地,所述雷达行为链包括每一时刻的行为点、位移以及行为。
优选地,行为用四元组B=(S,V,A,K)表示,其中,S表示目标的航迹,V表示目标的速度,A表示目标位移角K表示目标运动的曲率。
本发明与现有技术相比,其显著优点为:本发明提出了一种基于雷达行为链的数据构建方式,对原始数据进行进一步的加工处理,更好地保存了信息间的关联性即数据的完整性;本发明在基于提出的雷达行为链的基础上,采用了处理时序数据的双向长短时记忆神经网络来构建雷达分析模型,一方面在雷达行为链上保留了数据之间的时序性,另一方面采用此模型可以更好的挖掘时序数据间的关联关系,提高了雷达数据分析的准确率。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为传统的雷达信号处理流程图。
图2为本发明的雷达信号分析处理模型框架示意图。
图3为本发明的雷达行为数据链的构建示意图。
图4为本发明的流程图。
具体实施方式
如图2所示,一种基于双向长短时记忆神经网络的雷达信号分析方法,包括数据的特征提取、雷达行为链的构建和BLSTM模型构建,具体步骤为:
步骤1:对雷达回波数据进行预处理并提取特征;
对于雷达回波数据先进行归一化和清理等预处理操作,直接得到的数据有的会缺项,有某些无效值,这里清理就是指检查数据的一致性,无效值和却项等,使得数据格式、内容都要基本保持一致;然后为了要保留数据间的时序特性,重新将数据处理归整并提取相应的特征。在某些实施例中可以采用直接加窗函数或者采用深度学习中的卷积神经网络,用卷积核的方式都可以达到特征提取的目的。
在某些实施例中,提取的特征包括:目标位移角A、目标运动的曲率K。
具体地,目标位移角A的计算方法为:已知初始行为点(x1,y1,z1)和下一个行为点(x2,y2,z2)的坐标,r2d表示弧度和角度转换比,则位移角的计算公式为:
具体地,目标运动的曲率K的计算方法为:已知当前行为点的坐标A(xt,yt,zt),获取前一个和后一个行为点的坐标B(xt-1,yt-1,zt-1)和C(xt+1,yt+1,zt+1),构建前一个行为点与当前行为点的向量,当前行为点与后一个行为点的向量,计算两向量的夹角θ,则目标运动的曲率K为(cosθ,sinθ)。
在某些实施例中,构建向量AB和AC,即AB(xt-1xt,yt-1yt,zt1zt),AC=(xt+1-xt,yt+1-yt,zt+1-zt),因此可以计算角度:
其中,AB·AC是点乘,|AB|和|AC|分别为向量的模,具体计算如下:
根据上式计算出角度后,获得目标运动的曲率K(cosθ,sinθ)。
步骤2:根据提取的特征构建雷达行为链,所述雷达行为链用于表示目标的运行轨迹;
如图3所示,可以看到每一列即为一条雷达行为链,其中每一条链均由不同的行为组成,而组成这个链的每一个行为又包含不同的具有时序特性的行为点和其他信息。就该例来说,一条雷达行为链即为一个目标的运行轨迹,而构成这个雷达行为链的行为即为每一采样时刻的位移、速度、角度等信息组合而成,而每一时刻的位移是由每一个行为点构成即该时刻的位置构成。
结合图3中构建的雷达行为链,所述包含有行为点,位移,行为等相关概念。其中行为点用三元组Xi=(xi,yi,zi)表示,代表目标某一刻所在的位置;位移用S=((X1),(X2),...,(Xi))表示,代表一系列的行为点的组合;速度用V=(v1,v2,...,vi)表示,代表一系列行为点在i时刻的速度。行为用四元组B=(S,V,A,K)表示,其中S表示目标的航迹输入,V表示目标的速度输入,A表示目标位移角,即方向,K表示目标运动的曲率。
步骤3:构建BLSTM模型并对其进行训练;
将构建好的雷达行为链数据作为深度学习模型的输入,本发明采用的是双向长短时记忆神经网络(BLSTM)作为预测模型。当然也可以采用其他的深度学习模型,如CNN、DBN、RNN、GRU等等,其各模型有着不同的优缺点,这里采用BLSTM主要是因为要挖掘的信息具有时序特性,所以就必须寻找一种可以处理这种时序特性的模型,该模型必须具备记忆功能,而循环神经网络(RNN)正好具备这种条件,但是由于RNN是基于BP神经网络,所以其在每次反馈的时候都有信息损失,当时间过长时,就会出现梯度消失的问题,据此采用了它的改进版模型——长短时记忆神经网络(LSTM)。LSTM模型解决了RNN的梯度消失问题,其主要是引入了一种“门单元”结构,用来控制特征信息的流通或阻塞,所以其可以长时间的保存之前的信息,但LSTM的网络结构是单向的,虽然可以处理时序信息,可仅仅考虑的是从前往后一个方向上的信息序列,而在实际环境中,某一个时间点的信息不仅仅涉及到后面的信息,而且还有可能涉及到前面的信息,所以单方向考虑前后关系还是不够,因此采用了可以考虑双向信息的模型BLSTM。
BLSTM模型其可以自己学习训练数据的特征,在构建的雷达行为链的基础上,找寻信息点之间的关联关系,进一步挖掘数据的前后关系。正是由于该模型网络为双向的,所以对于单方向的模型网络而言,其数据间的信息挖掘更加彻底,关联性更加丰富,最终模型的输出结果也更加准确,其算法流程如图4所示。
将具有时序特性的雷达行为链数据输入BLSTM模型中进行训练,每次训练都会得到一个模型的预测输出,将预测输出与目标(相当于是标签,也就是实际结果,或者说是期望结果)进行比较,通过误差计算公式计算误差,通过不断的迭代,直到误差最小或者上一次和下一次的误差结果差异小于设定阈值,即这个模型训练结束,或者可以人为设定迭代次数,迭代次数结束即模型训练结束,也就得到所需要的模型。
步骤4:步骤4:将获取的雷达回波信号按照步骤1、2处理得到雷达行为链,将雷达行为链输入训练好的BLSTM模型,获得目标下一刻的位置信息。
本发明实施例提供的一种基于双向长短时记忆神经网络的雷达信号分析方法,能够预测移动中的目标下一刻的位置信息。
本发明提出了一种基于雷达行为链的数据构建方式,可以更好的保留原始数据的完整性以及时序性,并采用了双向长短时记忆神经网络来构建雷达分析模型,使其可以更好的挖掘雷达信号数据间的关联关系,训练更优的判别模型,得到更好的结果。
本发明采用处理时序信号较好的深度学习模型来构建雷达信号分析模型,使其在识别过程和结果上有更好的效果。
本发明采用深度学习相关技术对雷达信号的时序性进行深度挖掘,构建基于深度学习的雷达信号分析模型。
本发明考虑到雷达信号是一种带有时序特性的序列数据,所以结合现有处理时序问题的相关方法,提出了一种基于雷达行为链的构建方法,将原始数据进行预处理和特征提取,得到样本特征,然后对其进行构建雷达行为链,可以尽可能的保留原始数据的有用信息和其时序性,并提高了输入数据的质量。
针对目前信息环境的复杂性,本发明采用现阶段比较热门的深度学习技术来构建雷达信号的分析模型,同时也考虑了雷达信号的时序性,所以选用了处理时序信号较好的长短时记忆神经网络模型,其可以在建模的过程中考虑到数据的前后关系,找到更多隐藏的信息关联,提高最终识别分析的准确率。
本发明在保留数据时序特性的基础上挖掘数据间的更多关联性,并提高识别分析的准确率。
Claims (3)
1.一种基于双向长短时记忆神经网络的雷达信号分析方法,其特征在于,具体步骤为:
步骤1:对雷达回波数据进行预处理以及特征提取;
步骤2:根据提取的特征构建雷达行为链,所述雷达行为链用于表示目标的运行轨迹;所述雷达行为链包括每一时刻的行为点、位移以及行为;
行为用四元组B=(S,V,A,K)表示,其中,S表示目标的航迹,V表示目标的速度,A表示目标位移角K表示目标运动的曲率。
步骤3:构建BLSTM模型并将雷达行为链输入BLSTM模型对其进行训练;
步骤4:将获取的雷达回波信号按照步骤1、2处理得到雷达行为链,将雷达行为链输入训练好的BLSTM模型,获得目标下一刻的位置信息。
2.根据权利要求1所述的基于双向长短时记忆神经网络的雷达信号分析方法,其特征在于,提取的特征包括目标位移角、目标运动的曲率。
3.根据权利要求1所述的基于双向长短时记忆神经网络的雷达信号分析方法,其特征在于,目标运动的曲率的计算方法为:获取当前行为点前一个行为点和后一个行为点的坐标,构建前一个行为点与当前行为点的向量,当前行为点与后一个行为点的向量,计算两向量的夹角θ,则目标运动的曲率为(cosθ,sinθ)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010941509.1A CN111965639B (zh) | 2020-09-09 | 2020-09-09 | 基于双向长短时记忆神经网络的雷达信号分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010941509.1A CN111965639B (zh) | 2020-09-09 | 2020-09-09 | 基于双向长短时记忆神经网络的雷达信号分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111965639A CN111965639A (zh) | 2020-11-20 |
CN111965639B true CN111965639B (zh) | 2024-04-09 |
Family
ID=73392754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010941509.1A Active CN111965639B (zh) | 2020-09-09 | 2020-09-09 | 基于双向长短时记忆神经网络的雷达信号分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111965639B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598222A (zh) * | 2020-11-30 | 2021-04-02 | 河南汇祥通信设备有限公司 | 基于长短时记忆循环神经网络的综合管廊运维预测及方法 |
CN113720862B (zh) * | 2021-08-17 | 2023-01-13 | 珠海格力电器股份有限公司 | 零件异常检测方法、装置、设备及存储介质 |
CN113840231B (zh) * | 2021-10-11 | 2022-07-26 | 中山大学 | 一种用于分布式大规模多天线系统的多网络辅助定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN108764560A (zh) * | 2018-05-22 | 2018-11-06 | 电子科技大学 | 基于长短期记忆神经网络的航空器场面轨迹预测方法 |
CN110632572A (zh) * | 2019-09-30 | 2019-12-31 | 中国人民解放军战略支援部队信息工程大学 | 基于无意调相特性的雷达辐射源个体识别方法及装置 |
CN111596292A (zh) * | 2020-04-02 | 2020-08-28 | 杭州电子科技大学 | 基于重要性网络和双向堆叠循环神经网络的雷达目标识别方法 |
-
2020
- 2020-09-09 CN CN202010941509.1A patent/CN111965639B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN108764560A (zh) * | 2018-05-22 | 2018-11-06 | 电子科技大学 | 基于长短期记忆神经网络的航空器场面轨迹预测方法 |
CN110632572A (zh) * | 2019-09-30 | 2019-12-31 | 中国人民解放军战略支援部队信息工程大学 | 基于无意调相特性的雷达辐射源个体识别方法及装置 |
CN111596292A (zh) * | 2020-04-02 | 2020-08-28 | 杭州电子科技大学 | 基于重要性网络和双向堆叠循环神经网络的雷达目标识别方法 |
Non-Patent Citations (1)
Title |
---|
采用双向LSTM模型的雷达HRRP目标识别;徐彬 等;西安电子科技大学学报;第46卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111965639A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111965639B (zh) | 基于双向长短时记忆神经网络的雷达信号分析方法 | |
Zhang et al. | Human activity recognition based on motion sensor using u-net | |
Lu et al. | RGBT tracking via multi-adapter network with hierarchical divergence loss | |
CN111353076B (zh) | 训练跨模态检索模型的方法、跨模态检索的方法和相关装置 | |
CN111488773B (zh) | 一种动作识别方法、装置、设备及存储介质 | |
Lei et al. | Region-enhanced convolutional neural network for object detection in remote sensing images | |
US11783615B2 (en) | Systems and methods for language driven gesture understanding | |
Sun et al. | Deep LSTM networks for online Chinese handwriting recognition | |
CN106803098A (zh) | 一种基于语音、表情与姿态的三模态情感识别方法 | |
CN103984943A (zh) | 一种基于贝叶斯概率框架的场景文本识别方法 | |
CN111914555B (zh) | 基于Transformer结构的自动化关系抽取系统 | |
CN110727844B (zh) | 一种基于生成对抗网络的在线评论商品特征观点提取方法 | |
Tsai et al. | Adversarial domain separation and adaptation | |
US20230113643A1 (en) | Leveraging unsupervised meta-learning to boost few-shot action recognition | |
Liu et al. | Boosting semi-supervised face recognition with noise robustness | |
CN105354532A (zh) | 一种基于手部运动帧数据的手势识别方法 | |
Ma et al. | Visualizing and understanding patch interactions in vision transformer | |
Gajurel et al. | A fine-grained visual attention approach for fingerspelling recognition in the wild | |
Gao et al. | An object point set inductive tracker for multi-object tracking and segmentation | |
Ghoddoosian et al. | Action duration prediction for segment-level alignment of weakly-labeled videos | |
Ibrayim et al. | Unconstrained online handwritten Uyghur word recognition based on recurrent neural networks and connectionist temporal classification | |
Wang et al. | Writer code based adaptation of deep neural network for offline handwritten chinese text recognition | |
Xie et al. | Learning consistent global-local representation for cross-domain facial expression recognition | |
Suciati et al. | LONTAR_DETC: Dense and High Variance Balinese Character Detection Method in Lontar Manuscripts | |
CN116542254A (zh) | 风洞试验数据异常决策方法、装置、电子设备及存储介质 |
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 |