CN112881987A - 一种基于lstm模型的机载相控阵雷达行为预测方法 - Google Patents
一种基于lstm模型的机载相控阵雷达行为预测方法 Download PDFInfo
- Publication number
- CN112881987A CN112881987A CN202110175926.4A CN202110175926A CN112881987A CN 112881987 A CN112881987 A CN 112881987A CN 202110175926 A CN202110175926 A CN 202110175926A CN 112881987 A CN112881987 A CN 112881987A
- Authority
- CN
- China
- Prior art keywords
- lstm
- radar
- phased array
- array radar
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 24
- 230000006399 behavior Effects 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 16
- 210000004027 cell Anatomy 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 238000005065 mining Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于LSTM模型的机载相控阵雷达行为推理方法,包括以下步骤:数据采集,获取机载相控阵雷达的工作模式下对应的若干雷达信号,所述一个工作模式对应至少一个雷达信号;构建初级LSTM网络模型;将所述若干雷达信号进行预处理后,导入构建的LSTM网络模型中并进行多次训练,以获得终级LSTM模型;将测试集数据输入到终级LSTM模型,输出网络所预测出的机载相控阵雷达的工作模式,并同时计算出预测准确率。在充分挖掘相控阵雷达不同工作模式下发射信号的差异性的基础上,提取出不同工作模式下信号的特征,并将提取到的特征作为雷达工作模式的识别依据,大大提高了识别准确率。
Description
技术领域
本发明属于雷达对抗技术领域,特别涉及一种基于LSTM模型的行为预测方法,可用于电子情报侦察、电子支援和威胁告警系统中。
背景技术
相控阵雷达技术的发展日新月异,多平台、多体制、多功能的相控阵雷达造就了极为复杂的空间电磁环境,这使得空间电磁对抗任务愈为艰巨,智能化过程道阻且长。
就机载相控阵雷达而言,因其本身运动速度快,加之其工作模式多样且模式间切换迅速,这对己方防御带来极大挑战--因为不同的工作模式对应着不同的威胁等级,因此对敌方雷达的工作模式切换进行预测的重要性不言而喻。
而现如今尚未有针对机载相控阵雷达行为进行智能化预测的相关研究,因此本文试图将神经网络应用到机载相控阵雷达的行为预测中,实现智能化行为预测。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于LSTM模型的机载相控阵雷达行为预测方法,以实现智能行为预测;通过深入分析机载相控阵雷达工作模式切换规律,对获得的相控阵雷达在一段时间内的工作模式进行编码,将编码后的模式序列注入到训练过的LSTM网络模型中并获得预测结果,其实现步骤包括如下:
一种基于LSTM模型的机载相控阵雷达行为预测方法,包括以下步骤:
数据采集,获取机载相控阵雷达的工作模式下对应的若干雷达信号,所述一个工作模式对应至少一个雷达信号;
构建初级LSTM网络模型;
将所述若干雷达信号进行预处理后,导入构建的LSTM网络模型中并进行多次训练,以获得终级LSTM模型;
将测试集数据输入到终级LSTM模型,输出网络所预测出的机载相控阵雷达的工作模式,并同时计算出预测准确率。
在本发明的一个优选实施中,数据采集具体包括:在雷达模拟器上采集机载相控阵雷达所发射信号,该雷达模拟器生成的相控阵雷达信号包括7种:速度搜索模式信号、高重频边测距边搜索模式信号、中重频边测距边搜索模式信号、边搜索边跟踪模式信号、搜索加跟踪模式信号、单目标跟踪模式信号和态势感知模式信号,所述每个信号的采样时长均为0.5ms,采样频率为5GHz。
在本发明的一个优选实施中,所述预处理具体包括:对上述采集的雷达信号分别计算平滑度和离散度,以确定工作模式切换顺序;每个雷达信号的工作模式切换进行自定义编码,从而获得模式切换序列串,利用随机数进行划分,生成若干数据集,所述数据集包括训练数据集和测试数据集,所述训练数据集大于测试数据集。
在本发明的一个优选实施中,将获得的训练数据集和测试数据集分别导入到所述初级LSTM网络模型。
在本发明的一个优选实施中,初级LSTM网络模型包括输入层、隐层、输出层三个部分:
输入层:接收样本输入,输入样本维度为60;
隐层:由6个LSTM单元和一个Flatten层组成,相邻的两个LSTM单元间进行dropout操作;Flatten层由7个神经元构成;每个LSTM单元由3个输入和3个输出构成:输入包括:当前状态的数据输入、上一时刻的细胞状态、上一时刻的隐层输出,输出包括:当前状态的数据输出、该时刻的细胞状态、该时刻的隐层输出;每个LSTM单元内部采用的激活函数是Sigmoid函数,相邻的两个LSTM单元间采用的激活函数是tanh函数;
输出层:由Flatten层的7个神经元经过激活函数得到,激活函数采用softmax,输出代表了网络所预测的下一时刻工作模式的序号。
在本发明的一个优选实施中,利用数据集训练初级LSTM网络模型,包含了如下过程:将训练集中的输入数据注入网络,经过LSTM网络的前向传播过程得到预测的下一时刻雷达工作模式序号,计算其与正确的工作模式序号之间的误差,对该误差进行反向传播,反复训练,逐步提高模型的预测精度,以最终获得终级LSTM网络模型。
在本发明的一个优选实施中,初级LSTM模型的计算公式如下:
it=σ(Wi·[ht-1,xt]+bi)
ft=σ(Wf·[ht-1,xt]+bf)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,σ为Sigmoid激活函数;it为输入衰减系数,ft为遗忘衰减系数,ot为输出衰减系数;为当前时刻新记忆,Wf、Wi、WC、Wo为权重矩阵;bi、bC、bf、bo为偏置项;Ct-1为历史记忆,为当前时刻新记忆,Ct为更新后的记忆;tanh为双曲正切激活函数。
在本发明的一个优选实施中,其中平滑度C和离散度D,计算如下:
其中,ai为脉冲幅度序列,N为脉冲总数;
其中,N为脉冲幅度序列ai中脉冲的总数。
在本发明的一个优选实施中,误差的计算公式如下:
在本发明的一个优选实施中,预测准确率,通过如下公式求得:
其中,η即为预测准确率,A为预测正确的样本数,Z为中测试数据集的样本总数。
本发明与现有技术相比具有如下优点:
第一,本发明针对现有相控阵雷达工作模式识别技术多需要大量人工参与的不足,将多层感知机MLP网络应用到相控阵雷达工作模式识别中,提高了识别效率。
第二,本发明通过对参数的轮训,在大量实验的基础上,找到了将多层感知机MLP网络应用到雷达工作模式识别中时,能使识别率达到最高的网络参数。
第三,本发明在充分挖掘相控阵雷达不同工作模式下发射信号的差异性的基础上,提取出不同工作模式下信号的特征,并将提取到的特征作为雷达工作模式的识别依据,大大提高了识别准确率。
附图说明
图1是本发明的整体实现流程图;
图2是本发明的实验结果图;
具体实施方式
以下结合附图,对本发明的实施例和效果进行详细描述。
一种基于LSTM模型的机载相控阵雷达行为预测方法,包括以下步骤:数据采集,获取机载相控阵雷达的工作模式下对应的若干雷达信号,所述一个工作模式对应至少一个雷达信号;
构建初级LSTM网络模型;
将所述若干雷达信号进行预处理后,导入构建的LSTM网络模型中并进行多次训练,以获得终级LSTM模型;
将测试集数据输入到终级LSTM模型,输出网络所预测出的机载相控阵雷达的工作模式,并同时计算出预测准确率。
第三,本发明针对现有相控阵雷达工作模式识别技术多需要大量人工参与的不足,将多层感知机MLP网络应用到相控阵雷达工作模式识别中,提高了识别效率。
第四,本发明通过对参数的轮训,在大量实验的基础上,找到了将多层感知机MLP网络应用到雷达工作模式识别中时,能使识别率达到最高的网络参数。
第三,本发明在充分挖掘相控阵雷达不同工作模式下发射信号的差异性的基础上,提取出不同工作模式下信号的特征,并将提取到的特征作为雷达工作模式的识别依据,大大提高了识别准确率。
具体地参照图1,本实施例的实现步骤如下:
步骤1:采集机载相控阵雷达空域信号。
在雷达模拟器上采集机载相控阵雷达所发射信号,该雷达模拟器生成的相控阵雷达信号包括7种:速度搜索模式信号、高重频边测距边搜索模式信号、中重频边测距边搜索模式信号、边搜索边跟踪模式信号、搜索加跟踪模式信号、单目标跟踪模式信号和态势感知模式信号;共采集10000条样本;每条样本的采样时长均为0.5ms,采样频率为5GHz;
步骤2:对原始数据集进行预处理。
2a)对1)中10000条样本计算平滑度和离散度,确定工作模式切换顺序;
2a1)计算平滑度C:
其中,ai为脉冲幅度序列,N为脉冲总数;
2a2)计算离散度D:
其中,N为脉冲幅度序列ai中脉冲的总数。
2b)对2a)中每条样本的工作模式切换进行编码,从而获得模式切换序列串,即将速度搜索编码为“1”,高重频边搜索边测距编码为“2”,中重频边搜索边测距编码为“3”,边搜索边跟踪编码为“4”,搜索加跟踪编码为“5”,单目标跟踪编码为“6”,态势感知编码为“7”,至此便获得了10000条模式切换序列串;
2c)对1)中10000条模式切换序列串利用随机数进行划分,生成训练数据集和测试数据集,训练数据集包含7000条样本,测试数据集包含3000条样本;
步骤3:搭建LSTM网络模型。
LSTM网络模型包括输入层、隐层、输出层三个部分:
输入层:接收样本输入,输入样本维度为60;
隐层:由6个LSTM单元和一个Flatten层组成,相邻的两个LSTM单元间进行dropout操作,以获得更好的泛化性,Flatten层由7个神经元构成;每个LSTM单元由3个输入和3个输出构成:输入包括:当前状态的数据输入、上一时刻的细胞状态、上一时刻的隐层输出,输出包括:当前状态的数据输出、该时刻的细胞状态、该时刻的隐层输出;每个LSTM单元内部采用的激活函数是Sigmoid函数,相邻的两个LSTM单元间采用的激活函数是tanh函数;
输出层:由Flatten层的7个神经元经过激活函数得到,激活函数采用Softmax,输出代表了网络所预测的下一时刻工作模式的序号;
步骤4:训练LSTM网络模型,并保存模型参数,得到基于LSTM模型的机载相控阵雷达行为预测方法;
4a)改变LSTM网络模型中相关参数,并利用如下公式求出模型在每次实验时的识别准确率:
其中,η即为识别准确率,A为将2c)中测试集送入5)中网络后预测正确的样本数,Z为2c)中测试集的样本总数,其值为3000;
4b)通过编程,保存网络参数。
步骤5:将测试集数据输入到LSTM网络模型中,输出网络所预测出的机载相控阵雷达的工作模式。
本发明的效果可通过以下仿真进一步阐述。
1.仿真条件:
硬件工具为:商用计算机、芯片为Intel Core i5-6500处理器、主频3.20GHz、内存4GB、硬盘为250GB;操作系统:Windows 7;开发工具:PyCharm;开发语言:Python 3.6。
2.仿真内容:
仿真1:在上述仿真条件下,通过编程,将测试集数据注入到到本发明所提的LSTM网络模型中,得到的识别准确率如图1所示。
3.仿真分析:
从图1可以看到,在迭代次数达到50以后,本发明对于相控阵雷达行为预测的准确率稳定在90%以上,该效果可满足实际场景中的识别需求。
以上描述仅是本发明的一个具体实例,并未构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解本发明的内容和原理后,都可能在不背离发明原理、结构的情况下,进行形式和细节上的修改和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于LSTM模型的机载相控阵雷达行为预测方法,其特征在于,包括以下步骤:
数据采集,获取机载相控阵雷达的工作模式下对应的若干雷达信号,所述一个工作模式对应至少一个雷达信号;
构建初级LSTM网络模型;
将所述若干雷达信号进行预处理后,导入构建的LSTM网络模型中并进行多次训练,以获得终级LSTM模型;
将测试集数据输入到终级LSTM模型,输出网络所预测出的机载相控阵雷达的工作模式,并同时计算出预测准确率。
2.根据权利要求1所述的一种基于LSTM模型的机载相控阵雷达行为预测方法,其特征在于,所述数据采集具体包括:在雷达模拟器上采集机载相控阵雷达所发射信号,该雷达模拟器生成的相控阵雷达信号包括7种:速度搜索模式信号、高重频边测距边搜索模式信号、中重频边测距边搜索模式信号、边搜索边跟踪模式信号、搜索加跟踪模式信号、单目标跟踪模式信号和态势感知模式信号,所述每个信号的采样时长均为0.5ms,采样频率为5GHz。
3.根据权利要求2所述的一种基于LSTM模型的机载相控阵雷达行为预测方法,其特征在于,所述预处理具体包括:对上述采集的雷达信号分别计算平滑度和离散度,以确定工作模式切换顺序;
每个雷达信号的工作模式切换进行自定义编码,从而获得模式切换序列串,利用随机数进行划分,生成若干数据集,所述数据集包括训练数据集和测试数据集,所述训练数据集大于测试数据集。
4.根据权利要求3所述的一种基于LSTM模型的机载相控阵雷达行为预测方法,将获得的训练数据集和测试数据集分别导入到所述初级LSTM网络模型。
5.根据权利要求3所述的基于LSTM模型的机载相控阵雷达行为预测方法,其特征在于:所述初级LSTM网络模型包括输入层、隐层、输出层三个部分:
输入层:接收样本输入,输入样本维度为60;
隐层:由6个LSTM单元和一个Flatten层组成,相邻的两个LSTM单元间进行dropout操作;Flatten层由7个神经元构成;每个LSTM单元由3个输入和3个输出构成:输入包括:当前状态的数据输入、上一时刻的细胞状态、上一时刻的隐层输出,输出包括:当前状态的数据输出、该时刻的细胞状态、该时刻的隐层输出;每个LSTM单元内部采用的激活函数是Sigmoid函数,相邻的两个LSTM单元间采用的激活函数是tanh函数;
输出层:由Flatten层的7个神经元经过激活函数得到,激活函数采用softmax,输出代表了网络所预测的下一时刻工作模式的序号。
6.根据权利要求5所述的基于LSTM模型的机载相控阵雷达行为预测方法,其特征在于:利用数据集训练初级LSTM网络模型,包含了如下过程:将训练集中的输入数据注入网络,经过LSTM网络的前向传播过程得到预测的下一时刻雷达工作模式序号,计算其与正确的工作模式序号之间的误差,对该误差进行反向传播,反复训练,逐步提高模型的预测精度,以最终获得终级LSTM网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175926.4A CN112881987A (zh) | 2021-02-06 | 2021-02-06 | 一种基于lstm模型的机载相控阵雷达行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175926.4A CN112881987A (zh) | 2021-02-06 | 2021-02-06 | 一种基于lstm模型的机载相控阵雷达行为预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112881987A true CN112881987A (zh) | 2021-06-01 |
Family
ID=76056193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110175926.4A Pending CN112881987A (zh) | 2021-02-06 | 2021-02-06 | 一种基于lstm模型的机载相控阵雷达行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112881987A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492583A (zh) * | 2021-12-28 | 2022-05-13 | 中国电子科技集团公司第二十九研究所 | 一种基于lstm的雷达搜索模式识别方法 |
CN116243252A (zh) * | 2023-03-14 | 2023-06-09 | 电子科技大学 | 一种基于lstm的多功能雷达工作模式预测方法 |
CN117554919A (zh) * | 2024-01-11 | 2024-02-13 | 成都金支点科技有限公司 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110954872A (zh) * | 2019-12-17 | 2020-04-03 | 西安电子科技大学 | 基于多层感知机mlp的相控阵雷达工作模式识别方法 |
CN111444790A (zh) * | 2020-03-13 | 2020-07-24 | 北京理工大学 | 一种对多功能雷达工作模式序列的脉冲级智能识别方法 |
CN111880159A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于lstm的雷达序列信号检测方法及系统 |
-
2021
- 2021-02-06 CN CN202110175926.4A patent/CN112881987A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110954872A (zh) * | 2019-12-17 | 2020-04-03 | 西安电子科技大学 | 基于多层感知机mlp的相控阵雷达工作模式识别方法 |
CN111444790A (zh) * | 2020-03-13 | 2020-07-24 | 北京理工大学 | 一种对多功能雷达工作模式序列的脉冲级智能识别方法 |
CN111880159A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于lstm的雷达序列信号检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
YUNJIE LI1 等: "Work modes recognition and boundary identification of MFR pulse sequences with a hierarchical seq2seq LSTM", 《IET RADAR, SONAR & NAVIGATION》, 24 July 2020 (2020-07-24), pages 1343 - 1353 * |
张朝阳: "《深入浅出 工业机器学习算法详解与实战》", 31 January 2020, 机械工业出版社, pages: 174 - 175 * |
李辉: "机载相控阵雷达工作模式分析与识别研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 07, 15 July 2017 (2017-07-15) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492583A (zh) * | 2021-12-28 | 2022-05-13 | 中国电子科技集团公司第二十九研究所 | 一种基于lstm的雷达搜索模式识别方法 |
CN116243252A (zh) * | 2023-03-14 | 2023-06-09 | 电子科技大学 | 一种基于lstm的多功能雷达工作模式预测方法 |
CN116243252B (zh) * | 2023-03-14 | 2023-09-19 | 电子科技大学 | 一种基于lstm的多功能雷达工作模式预测方法 |
CN117554919A (zh) * | 2024-01-11 | 2024-02-13 | 成都金支点科技有限公司 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
CN117554919B (zh) * | 2024-01-11 | 2024-03-29 | 成都金支点科技有限公司 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510741B (zh) | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 | |
CN112881987A (zh) | 一种基于lstm模型的机载相控阵雷达行为预测方法 | |
CN110133599B (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
CN110954872B (zh) | 基于多层感知机mlp的相控阵雷达工作模式识别方法 | |
CN108268935A (zh) | 一种基于时序循环神经网络的pm2.5浓度值预测方法及系统 | |
CN111144552B (zh) | 一种粮食品质多指标预测方法及装置 | |
CN109259764B (zh) | 一种确定动态脑功能网络阈值方法 | |
CN112949383B (zh) | 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法 | |
CN113759323B (zh) | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 | |
CN110443419A (zh) | 基于iceemdan与极限学习机的中长期径流预测方法 | |
CN112686372A (zh) | 基于深度残差gru神经网络的产品性能预测方法 | |
CN113076686A (zh) | 一种基于社会长短期记忆网络的航空器轨迹预测方法 | |
CN114169645A (zh) | 一种智能电网短期负荷预测方法 | |
CN110297221B (zh) | 一种基于高斯混合模型的数据关联方法 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
CN110795522A (zh) | 一种移动用户轨迹位置的预测方法及装置 | |
CN113759326A (zh) | 一种结合稀疏自编码器和改进lstm的雷达信号干扰预测方法 | |
CN113109782A (zh) | 一种直接应用于雷达辐射源幅度序列的新型分类方法 | |
CN112881869A (zh) | 一种电缆接头局部放电超声波序列预测方法 | |
CN116502672A (zh) | 一种神经网络量化部署方法、系统、设备和介质 | |
CN112667763B (zh) | 一种基于自适应时间戳与多尺度特征提取的轨迹预测方法 | |
CN112231925A (zh) | 一种考虑状态依赖时滞的剩余寿命预测方法 | |
CN111931412A (zh) | 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法 | |
CN111523090B (zh) | 基于高斯混合概率假设密度的数目时变多目标跟踪方法 |
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 |