CN112949142A - 一种基于深度神经网络的ect图像重建方法 - Google Patents
一种基于深度神经网络的ect图像重建方法 Download PDFInfo
- Publication number
- CN112949142A CN112949142A CN202110331794.XA CN202110331794A CN112949142A CN 112949142 A CN112949142 A CN 112949142A CN 202110331794 A CN202110331794 A CN 202110331794A CN 112949142 A CN112949142 A CN 112949142A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- image reconstruction
- ect
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Abstract
本发明涉及一种基于深度神经网络的ECT图像重建方法,属于电容层析成像(ECT)技术领域。包括以下步骤:S1、利用数值分析法计算得到ECT图像重建的数学模型;S2、通过改进AdaBoost集合算法对数据进行流型分类;S3、建立深度神经网络模型;S4、对搭建好的深度神经网络模型进行训练;S5、使用深度神经网络完成ECT图像重建。使用深度神经网络提高网络的泛化能力,神经网络收敛速度快,降低了运算量的难度。本发明可以有效的解决重建速度慢和图像重建精度不高的问题,为今后的研究提出了新方向。
Description
技术领域:
本发明涉及一种基于深度神经网络的ECT图像重建方法,属于电容层析成像(ECT)技术领域。
背景技术:
电容层析成像(Electrical Capacitance Tomography,ECT)技术是目前被研究最广泛的过程层析成像技术,其利用多电极阵列式电容传感器,测量激励电极与检测电极的电容值,并采用算法重建出被测区域内流动介质的分布图像。ECT技术具有成本低廉、非侵入式和安全性高等优点,工业前景广阔。
图像重建是ECT检测技术中最关键的一部,作为ECT系统中不可缺少的关键模块,它需要选择不同的算法来实现。目前来说主要有LBP法、Landweber法、正则化法以及神经网络法。而且随着现代工业的不断发展,现在的工业生产生活对重建图像的质量以及重建速度有了更高要求,因此探索行之有效的重建算法是许多学者以及研究人员努力的目标。
目前神经网络法进行图像重建拥有更强的学习能力以及识别能力,具有成像速度快、质量高以及实时性强等特点,神经网络法作为一种新的图像处理技术在ECT系统图像重建中优势明显,因此将深度神经网络法与ECT系统相结合,来对图像进行重建。
发明内容:
本发明的目的是提出一种基于深度神经网络的ECT图像重建方法,其为了解决传统重建算法图像重建精度低和重建速度慢等问题。
实现本发明目的的技术解决方案为:一种基于深度神经网络的ECT图像重建方法,其特征在于,包括以下步骤:
S1、利用数值分析法计算得到ECT图像重建的数学模型;
S2、通过改进的AdaBoost集合算法对数据进行流型分类;
S3、建立深度神经网络模型;
S4、对搭建好的深度神经网络模型进行训练;
S5、使用深度神经网络完成ECT图像重建。
所述S1中的利用数值分析法计算得到ECT图像重建的数学模型的求解过程为:
流型的分布是随机的影响着介电常数,导致介电常数分布无固定的表达式,使用有限元法进行数值计算;再经过处理后的被测区域内的介电常数分布后,采用数值分析法计算出相应的电容值和灵敏度值;最后根据各值的联系建立出ECT图像重建的数学模型。
所述S2中的通过改进的AdaBoost集合算法对数据进行流型分类的过程为:
将获取到的电容样本进行电容值的计算并对计算结果进行归一化处理;利用电容值计算得出被测管道内的空隙率分布;根据流型和空隙率之间的关系采用改进的AdaBoost算法对流型进行分类。
所述S3中的建立深度神经网络模型的步骤为:
将电容进行归一化处理后变成图像灰度矩阵作为网络的输入;使用卷积层中的卷积操作对图像进行降维,便于特征提取;将激活函数引入到网络中,给网络提供非线性处理问题能力;使用池化层对特征区域进行聚合处理,缩小计算量;全连接层将数据进行降低维度,压缩成1维数据;将数据进行整合成灰度矩阵作为输出。
所述S4中的对搭建好的深度神经网络模型进行训练的过程为:
将电容值矩阵按1:4随机分成测试集和训练集送到网络模型中;使用损失函数来计算标准值和经过神经网络训练后的实际输出值两者之间的误差;利用神经网络的正向传播计算出输出值,再经过反向传播对权重值进行调整达到最接近的拟合值。
所述S5中的使用深度神经网络完成ECT图像重建的步骤为:
首先收集大量的电容样本数据;然后利用改进的AdaBoost算法对数据流型进行分类;接下来对深度神经网络进行训练;最后将数据样本输入到网络中进行操作得到灰度图像,该图像就是重建出来的管道内两相流流动状态的真实分布图像。
本发明的主要优点是:通过改进的AdaBoost算法对电容样本按照流型进行分类,使网络的输入样本类型统一化,消除ECT系统的软场问题。使用深度神经网络对ECT图像进行重建,其神经网络具有很强的学习能力,优化网络结构并简化网络模型使网络的训练时间减少,加快网络的收敛同时降低计算的复杂度,神经网络的实时性强。该方法重建后的图像精度和速度都优于LBP算法、Landweber算法,重建后的图像和原始流型更相近,为今后的研究提供出一个有效方法。
附图说明:
图1为基于深度神经网络的ECT图像重建方法流程图;
图2为改进AdaBoost集合算法对流型进行分类流程图;
图3为深度神经网络训练流程图;
图4为本发明模型的网络结构图;
图5为本发明算法重建结果示意图。
具体实施方式:
下面将结合本发明实例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图1-5和实施例对本发明做进一步说明:
本发明一种基于深度神经网络的ECT图像重建方法,包括以下步骤:
S1、利用数值分析法计算得到ECT图像重建的数学模型;
S2、通过改进的AdaBoost集合算法对数据进行流型分类;
S3、建立深度神经网络模型;
S4、对搭建好的深度神经网络模型进行训练;
S5、使用深度神经网络完成ECT图像重建。
由于ECT技术具有软场特性,该问题属于病态问题的求解,导致测量出的数值具有误差影响图像重建结果,故本发明使用数值分析法得出数学模型。
所述S1中的利用数值分析法计算得到ECT图像重建的数学模型的求解过程为:
流型的分布是随机的影响着介电常数,导致介电常数分布无固定的表达式,使用有限元法进行数值计算;再经过处理后的被测区域内的介电常数分布后,采用数值分析法计算出相应的电容值和灵敏度值;最后根据各值的联系建立出ECT图像重建的数学模型。
忽略介电常数对灵敏度分布的影响管道内某电极板间的电容值Cj表示为:式中,D代表管道的截面,ε(x,y)是管道截面在点(x,y)的介电常数,Sj(x,y,ε(x,y))是灵敏度函数,代表截面内介电常数分布为ε(x,y)时对点(x,y)的灵敏度;采用有限元法对将积分区域剖分成多个微小的单元,则电容值计算公式改写为: 式中,δi是微元的面积,Sj(i)是微元内的灵敏度,ε(i)是微元内的介电常数;当只有第K个微元是水,其他微元是油时求得灵敏度表达式为:
所述S2中的通过改进的AdaBoost集合算法对数据进行流型分类的步骤为:
将获取到的电容样本进行电容值的计算并对计算结果进行归一化处理;利用电容值计算得出被测管道内的空隙率分布;根据流型和空隙率之间的关系采用改进的AdaBoost算法对流型进行分类。
通过上述数值计算建立ECT图像重建数学模型,测量得出电容值把其作为网络的训练数据,空隙率分布计算公式: 式中:ε0为真空介电常数、ε1、ε2分别为第一种和第二种流动介质的相对介电常数、β为空隙、Kk为单元体对应的结构系数、Ci,j为电容、Ωk为第k个单元体的体积、dv为体积微分。根据空隙率和对应流型之间的关系,使用改进的AdaBoost集合算法对流型进行分类流程图如图2所示。具体为:实验采用12极板传感器结构,稀相介质介电常数设置为1,密相介质介电常数设置为3,依次对各极板施加电压激励共获取66组电容数据,用1维向量[C1,C2,...,C66]表示所测量的电容值,大小为40×40的矩阵为输入图像的大小。总共有数据3000组,全相流、核心流、分层流、环状流四种流型作为研究对象。其中深度神经网络训练流程图如图3所示。
所述S3建立深度神经网络模型的具体步骤为:
将电容进行归一化处理后变成图像灰度矩阵作为网络的输入;使用卷积层中的卷积操作对图像进行降维,便于特征提取;将激活函数引入到网络中,给网络提供非线性处理问题能力;使用池化层对特征区域进行聚合处理,缩小计算量;全连接层将数据进行降低维度,压缩成1维数据;将数据进行整合成灰度矩阵作为输出。
本发明根据两相流分布的特点,设计的深度神经网络结构如图3所示。将网络模型分为个阶段。第一阶段电容数据进行预处理操作,保证向量的大小和输入图像的大小保持一致。为了减少网络中的过拟合现象,在训练网络时使用了小批量训练。第二阶段网络的第一层使用较大尺寸的卷积核可以提取较大视野的整体特征信息,后面的几层采用小卷积核可以提取图中较小的局部特征信息,也可以减少网络中需要训练的参数。第三阶段为了解决常用池化层的缺点采用步长为2,激活函数为ReLU的小尺度卷积层来代替最大池化层对图片进行池化。这种池化方式可以使卷积核通过学习调整自身的权重挑选有用的信息,使输出结果中蕴含着更多有用的信息。这种池化方式因含有激活函数增加了整个网络的非线性,提高了深度卷积神经网络的学习与表示能力。第四阶段经过全连接层的加权偏置输出一个一维数据同时使用Dropout技巧,使神经网络具有多种形态减少过拟合现象。第五阶段使用Softmax分类器对输出结果进行整理。
所述S4对搭建好的深度神经网络模型进行训练的具体过程为:
实验平台是计算机,其主要硬件是intel i7-7700HQ,主频2.8GHz,内存16G,GPU为NVDIA GeForce RTX2070。采用ANSYS有限元分析软件建立12极板电容测量传感器模型,运用有限元分析方法建立ECT系统数学模型。根据电容值求解出的空隙率矩阵作为图像重建的数据样本。
管道的内径和外径分别为50mm和60mm,水的相对介电常数为3.0,气的相对介电常数为1.0。
神经网络的训练次数超过2500次时,图像重建精度趋于稳定。每一次训练时随机的抽取电容数据样本进行输入到网络模型中,保证数据集中即有测试集还有训练集。经网络的正向传播后输出重建像素矩阵。使用损失函数来计算标准值和经过神经网络训练后的实际输出值两者之间的误差,来更好的接近像素的真实值。反向传播采用Adam自适应学习率算法,不同的参数具有不同的学习率,学习率是算法根据参数梯度的一阶和二阶矩估计自动选取的,算法整体计算效率高且容易实现。如表1为4种流型电容测量值图像重建平均时间与精度结果。
表1
所述S5使用深度神经网络完成ECT图像重建的具体过程为:
首先收集大量的电容样本数据;然后利用改进的AdaBoost算法对数据流型进行分类;接下来对深度神经网络进行训练;最后将数据样本输入到网络中进行操作得到灰度图像,该图像就是重建出来的管道内两相流流动状态的真实分布图像。
采用LBP、Landweber和深度神经网络模型进行ECT图像重建对比。如图5所示为不同算法的重建结果,可以看出,LBP算法对全相流、核心流、分层流以及环状流均容易出现介质分布边缘模糊现象,重建获得的颗粒分布失真较为明显;Landweber算法成像效果总体要优于LBP算法,但对核心流而言,在边界位置与原图相比仍存在较大误差。此外Landweber算法多次迭代后会在管壁附近产生少量噪声;LBP算法和Landweber算法在在管壁附近成像效果较好,而对中心区域的成像效果较差。相比较而言,使用深度神经网络方法重建时,尽管气固两相边界处仍有部分噪声,但其总体的介质分布形状大小均与原图非常接近,图像重建效果最好。
使用图像相对误差(Er)和相关系数(Cc)作为图像重建质量的评价指标。
如表2和表3所示,使用深度神经网路方法的重建质量优于LBP和Landweber算法。如表4和表5所示,通过成像结果比较,相比LBP和Landweber,深度神经网络方法在图像重建的精度更高,重建时间更短,进一步提高了ECT系统三维图像重建能力。
表2--图像相对误差评价指标表
表3--相关系数评价指标表
表4--重建精度对比表
表5--重建时间对比表
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (6)
1.一种基于深度神经网络的ECT图像重建方法,其特征在于,包括以下步骤:
S1、利用数值分析法计算得到ECT图像重建的数学模型;
S2、通过改进的AdaBoost集合算法对数据进行流型分类;
S3、建立深度神经网络模型;
S4、对搭建好的深度神经网络模型进行训练;
S5、使用深度神经网络完成ECT图像重建。
2.根据权利要求1所述的基于深度神经网络的ECT图像重建方法,其特征在于,所述S1中,数值分析的计算过程,具体步骤如下:
流型的分布是随机的影响着介电常数,导致介电常数分布无固定的表达式,使用有限元法进行数值计算;再经过处理后的被测区域内的介电常数分布后,采用数值分析法计算出相应的电容值和灵敏度值;最后根据各值的联系建立出ECT图像重建的数学模型。
3.根据权利要求1所述的基于深度神经网络的ECT图像重建方法,其特征在于,所述S2中,通过改进的AdaBoost集合算法对数据进行流型分类,具体步骤如下:
将获取到的电容样本进行电容值的计算并对计算结果进行归一化处理;利用电容值计算得出被测管道内的空隙率分布;根据流型和空隙率之间的关系采用改进的AdaBoost算法对流型进行分类。
4.根据权利要求1所述的基于深度神经网络的ECT图像重建方法,其特征在于,所述S3中,建立深度神经网络模型,具体步骤如下:
将电容进行归一化处理后变成图像灰度矩阵作为网络的输入;使用卷积层中的卷积操作对图像进行降维,便于特征提取;将激活函数引入到网络中,给网络提供非线性处理问题能力;使用池化层对特征区域进行聚合处理,缩小计算量;全连接层将数据进行降低维度,压缩成1维数据;将数据进行整合成灰度矩阵作为输出。
5.根据权利要求1所述的基于深度神经网络的ECT图像重建方法,其特征在于,所述S4中,对搭建好的深度神经网络模型进行训练,具体步骤如下:
将电容值矩阵按1:4随机分成测试集和训练集送到网络模型中;使用损失函数来计算标准值和经过神经网络训练后的实际输出值两者之间的误差;利用神经网络的正向传播计算出输出值,再经过反向传播对权重值进行调整达到最接近的拟合值。
6.根据权利要求1所述的基于深度神经网络的ECT图像重建方法,其特征在于,所述S5中,使用深度神经网络完成ECT图像重建,具体步骤如下:
首先收集大量的电容样本数据;然后利用改进的AdaBoost算法对数据流型进行分类;接下来对深度神经网络进行训练;最后将数据样本输入到网络中进行操作得到灰度图像,该图像就是重建出来的管道内两相流流动状态的真实分布图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110331794.XA CN112949142A (zh) | 2021-03-29 | 2021-03-29 | 一种基于深度神经网络的ect图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110331794.XA CN112949142A (zh) | 2021-03-29 | 2021-03-29 | 一种基于深度神经网络的ect图像重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949142A true CN112949142A (zh) | 2021-06-11 |
Family
ID=76227138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110331794.XA Pending CN112949142A (zh) | 2021-03-29 | 2021-03-29 | 一种基于深度神经网络的ect图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949142A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724352A (zh) * | 2021-08-24 | 2021-11-30 | 沈阳工业大学 | 一种基于降维处理的电容层析成像图像重建方法 |
CN113887135A (zh) * | 2021-09-30 | 2022-01-04 | 江苏如清智造科技有限公司 | 电导率与流型背景预测方法、图像重建方法、设备及介质 |
CN114155354A (zh) * | 2021-12-02 | 2022-03-08 | 湖南工商大学 | 基于图卷积网络的电容层析成像重建方法与装置 |
CN114187378A (zh) * | 2021-12-17 | 2022-03-15 | 哈尔滨理工大学 | 一种基于一维卷积神经网络的电容层析图像重建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598768A (zh) * | 2018-10-11 | 2019-04-09 | 天津大学 | 基于卷积神经网络的电学层析成像图像重建方法 |
CN110580727A (zh) * | 2019-08-27 | 2019-12-17 | 天津大学 | 信息流与梯度流增加的深度v型密集网络成像方法 |
-
2021
- 2021-03-29 CN CN202110331794.XA patent/CN112949142A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598768A (zh) * | 2018-10-11 | 2019-04-09 | 天津大学 | 基于卷积神经网络的电学层析成像图像重建方法 |
CN110580727A (zh) * | 2019-08-27 | 2019-12-17 | 天津大学 | 信息流与梯度流增加的深度v型密集网络成像方法 |
Non-Patent Citations (2)
Title |
---|
王璐: ""基于AlexNet卷积神经网络的电容层析成像三维图像重建"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
高健: ""基于ECT的气液两相流空隙率测量"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724352A (zh) * | 2021-08-24 | 2021-11-30 | 沈阳工业大学 | 一种基于降维处理的电容层析成像图像重建方法 |
CN113724352B (zh) * | 2021-08-24 | 2023-07-04 | 沈阳工业大学 | 一种基于降维处理的电容层析成像图像重建方法 |
CN113887135A (zh) * | 2021-09-30 | 2022-01-04 | 江苏如清智造科技有限公司 | 电导率与流型背景预测方法、图像重建方法、设备及介质 |
CN114155354A (zh) * | 2021-12-02 | 2022-03-08 | 湖南工商大学 | 基于图卷积网络的电容层析成像重建方法与装置 |
CN114155354B (zh) * | 2021-12-02 | 2023-12-15 | 湖南工商大学 | 基于图卷积网络的电容层析成像重建方法与装置 |
CN114187378A (zh) * | 2021-12-17 | 2022-03-15 | 哈尔滨理工大学 | 一种基于一维卷积神经网络的电容层析图像重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949142A (zh) | 一种基于深度神经网络的ect图像重建方法 | |
CN112329800B (zh) | 一种基于全局信息引导残差注意力的显著性目标检测方法 | |
CN107977932B (zh) | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 | |
CN109598768B (zh) | 基于卷积神经网络的电学层析成像图像重建方法 | |
Zheng et al. | A deep learning compensated back projection for image reconstruction of electrical capacitance tomography | |
CN110188774B (zh) | 一种基于深度学习的电涡流扫描图像分类识别方法 | |
CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
CN107240136B (zh) | 一种基于深度学习模型的静态图像压缩方法 | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
Li et al. | One-dimensional convolutional neural network (1D-CNN) image reconstruction for electrical impedance tomography | |
CN110223231A (zh) | 一种含噪图像的快速超分辨重建算法 | |
CN111402138A (zh) | 一种基于多尺度特征提取融合的监督卷积神经网络的图像超分辨率重建方法 | |
CN107301643A (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
Wu et al. | Research on image reconstruction algorithms based on autoencoder neural network of Restricted Boltzmann Machine (RBM) | |
CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
Zhu et al. | Deep image refinement method by hybrid training with images of varied quality in electrical capacitance tomography | |
CN111340187A (zh) | 基于对抗注意力机制的网络表征方法 | |
CN114997506A (zh) | 一种基于链路预测的大气污染传播路径预测方法 | |
CN111462262B (zh) | 一种基于反卷积网络的ect图像重建方法 | |
CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
CN116405100B (zh) | 一种基于先验知识的失真信号还原方法 | |
CN111553426A (zh) | 一种基于密集卷积网络的低开销生活垃圾分类方法 | |
CN110569889A (zh) | 一种基于l2归一化的卷积神经网络图象分类方法 |
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 |
Application publication date: 20210611 |
|
WD01 | Invention patent application deemed withdrawn after publication |