CN112967357A - 一种基于卷积神经网络的频谱地图构建方法 - Google Patents
一种基于卷积神经网络的频谱地图构建方法 Download PDFInfo
- Publication number
- CN112967357A CN112967357A CN202110189656.2A CN202110189656A CN112967357A CN 112967357 A CN112967357 A CN 112967357A CN 202110189656 A CN202110189656 A CN 202110189656A CN 112967357 A CN112967357 A CN 112967357A
- Authority
- CN
- China
- Prior art keywords
- frequency spectrum
- resolution
- spectrum map
- image
- map image
- 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.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 164
- 238000010276 construction Methods 0.000 title claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 230000007812 deficiency Effects 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于卷积神经网络的频谱地图构建方法,包括:通过感知节点获取空间内不同位置处的频谱数据;采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像;将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像进行字典稀疏构建,并进行图像特征提取;将提取的图像特征通过稀疏矩阵表示,得到训练样本集;将训练样本集输入至预先设定的卷积神经网络中进行离线训练,采用最小二乘法构建最佳训练模型;将低分辨率频谱地图图像输入至所述最佳训练模型中,输出高分辨率频谱地图。该方法在降低计算复杂度的同时,有效提升了频谱地图精度。
Description
技术领域
本申请涉及无线通信技术领域,特别是涉及一种基于卷积神经网络的频谱地图构建方法、装置、计算机设备和存储介质。
背景技术
频谱地图可以直观化地显示空间频谱态势,可用于解决无线通信中的发射源定位、资源管理和干扰控制等问题。在使用频谱地图时,提高频谱地图精度和降低地图构建成本至关重要。频谱地图精度影响了相关环境内用户对频谱环境的理解能力。在构建频谱地图时,可预先部署的频谱感知节点,然后通过空间插值方法构建频谱地图。部署的较多的感知节点虽然在一定程度上提高了插值精度以及空间分辨率,但是部署成本以及维护成本较高。除此之外,目前使用的各种插值方法进行频谱地图构建时,计算复杂度较高,时间开销较大,难以满足各类用户的实时获取高精度频谱地图的需求。因此,实现频谱地图插值精度与插值效率之间的折中是很有必要的。
发明内容
基于此,有必要针对上述技术问题,提供一种基于卷积神经网络的频谱地图构建插值方法,解决了构建频谱地图时的计算效率与插值精度折中问题,该方法在降低计算复杂度以及计算时间的同时,可有效保证了频谱地图的精度。
本发明的技术方案是:一种基于卷积神经网络的频谱地图构建方法,所述方法包括:
通过感知节点获取空间内不同位置处的频谱数据;
采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像;
将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像进行字典稀疏构建,并进行图像特征提取;将提取的图像特征通过稀疏矩阵表示,得到训练样本集;
将训练样本集输入至预先设定的卷积神经网络中进行离线训练,得到低分辨率图像以及高分辨率图像对应矩阵之间的映射关系,采用最小二乘法构建最佳训练模型;
将通过感知节点得到的低分辨率频谱地图图像输入至所述最佳训练模型中,输出高分辨率频谱地图图像。
进一步的,通过感知节点获取空间内不同位置处的频谱数据,包括:
在感兴趣地理范围内部署具有感知能力的设备充作感知节点;
所述感知节点进行频谱感知获取环境内不同位置处的信号接受强度;
各个感知节点将采集到的信号接受强度数据汇集到采集区域内统一的中心计算节点处,得到空间内不同位置处的频谱数据。
进一步的,采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像,包括:
采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,通过改变分布式簇克里金插值法插值过程中的插值点之间的插值间隔,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像。
进一步的,将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像进行字典稀疏构建,并进行图像特征提取;将提取的图像特征通过稀疏矩阵表示,得到训练样本集,包括:
将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像的图像信息采用字典矩阵与系数矩阵来表示;
通过主成分分析法或者奇异值分解法得到所述字典矩阵中的元素,
减少所述系数矩阵中的非零元素,以稀疏表示图像信息,得到训练样本集。
本发明还提供了一种基于卷积神经网络的频谱地图构建装置,所述装置包括:
频谱数据获取模块,用于通过感知节点获取空间内不同位置处的频谱数据;
图像获取模块,用于采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像;
图像处理模块,用于将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像进行字典稀疏构建,并进行图像特征提取;将提取的图像特征通过稀疏矩阵表示,得到训练样本集;
训练模型构建模块,用于将训练样本集输入至预先设定的卷积神经网络中进行离线训练,得到低分辨率图像以及高分辨率图像对应矩阵之间的映射关系,采用最小二乘法构建最佳训练模型;
频谱地图输出模块,用于将通过感知节点得到的低分辨率频谱地图图像输入至所述最佳训练模型中,输出高分辨率频谱地图。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述一种结合超分辨率技术和克里金插值技术构建频谱地图的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种结合超分辨率技术和克里金插值技术构建频谱地图的方法的步骤。
本发明的有益效果是:
本发明提出一种基于卷积神经网络的频谱地图构建方法,首先使用传统的分布式簇克里金插值法,通过插值点附近具有较少感知节点的局部感知节点集群进行空间缺值估计,相较于使用全局感知节点,在一定程度上降低了计算复杂度以及计算时间开销,进行具有不同空间分辨率的初步频谱地图的构建,并将生成的低、高分辨率频谱地图图像通过字典学习,对频谱地图图像进行降维表示,进行图像特征提取。同时通过稀疏矩阵表示,尽可能地减少基本特征的线性组合来表达尽可能多的或者全部的图像特征,减少训练时间。将上述生成的图像特征作为进行学习的训练样本,通过离线训练模块,基于卷积神经网络学习模型,对不同分辨率的频谱地图进行学习,实现动态网络环境下的增量学习,建立低分辨率以及高分辨率频谱地图图像之间的映射关系。当实时使用频谱地图时,只需向训练好的模型输入对应的低分辨率图像,即可得到更高分辨率的频谱地图图像。该方法在降低计算复杂度的同时,有效提升了频谱地图精度。
附图说明
图1为本发明一种基于卷积神经网络的频谱地图构建方法的流程示意图;
图2为基于卷积神经网络的频谱地图构建算法的离线训练阶段流程图;
图3为基于卷积神经网络的频谱地图构建算法的在线构建阶段流程图;
图4为通过空间插值获取的空间内低分辨率的频谱地图图像;
图5为将图4输入通过离线训练得到的最佳训练模型后输出得到的高分辨率的频谱地图图像。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,提供了一种基于卷积神经网络的频谱地图构建方法,包括以下步骤:
步骤101、通过感知节点获取空间内不同位置处的频谱数据;
步骤102、采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像;
步骤103、将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像进行字典稀疏构建,并进行图像特征提取;将提取的图像特征通过稀疏矩阵表示,得到训练样本集;
步骤104、将训练样本集输入至预先设定的卷积神经网络中进行离线训练,得到低分辨率图像以及高分辨率图像对应矩阵之间的映射关系,即二者之间转化的系数矩阵,以最小化损失函数(最小二乘法误差)采用最小二乘法构建最佳训练模型;
步骤105、将通过感知节点得到的低分辨率频谱地图图像输入至所述最佳训练模型中,输出高分辨率频谱地图图像。
本发明提出一种基于卷积神经网络的频谱地图构建方法,所设计的方法将分布式簇克里金插值与超分辨率技术进行结合,通过对不同分辨率频谱地图图像的离线训练,建立低分辨率以及高分辨率频谱地图图像之间的转化模型,在降低计算复杂度的同时,有效提升了频谱地图精度。
在一个实施例中,通过感知节点获取空间内不同位置处的频谱数据,包括:
在感兴趣地理范围内部署具有感知能力的设备充作感知节点;
所述感知节点进行频谱感知获取环境内不同位置处的信号接受强度;
各个感知节点将采集到的信号接受强度数据汇集到采集区域内统一的中心计算节点处,得到多空间内不同位置处的频谱数据。
在一个实施例中,采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像,包括:
采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,通过改变分布式簇克里金插值法插值过程中的插值点之间的插值间隔,得到插值区域内插值点数的数量,根据插值区域内插值点数的数量得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像。
在一个实施例中,将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像进行字典稀疏构建,并进行图像特征提取;将提取的图像特征通过稀疏矩阵表示,得到训练样本集,包括:
将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像的图像信息采用字典矩阵与系数矩阵来表示;
通过主成分分析法或者奇异值分解法得到所述字典矩阵中的元素,
减少所述系数矩阵中的非零元素,以稀疏表示图像信息,得到训练样本集。
将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像进行字典稀疏构建,即图像信息使用字典矩阵与(稀疏表示)系数矩阵来表示,通过目前常用的主成分分析法或者奇异值分解法得到字典矩阵中的元素,系数矩阵中非零元素尽可能地减少,以稀疏表示图像信息,可以降低图像的冗余而不失真。
在一个具体实施例中,图2为基于卷积神经网络的频谱地图构建算法的离线训练阶段流程图。图3为基于卷积神经网络的频谱地图构建算法的在线构建阶段流程图,经过训练之后,将通过空间插值获取的空间内低分辨率的频谱地图图像(如图4所示)输入通过离线训练得到的最佳训练模型中,输出得到高分辨率的频谱地图图像(如图5所示)。
本发明还提供了一种基于卷积神经网络的频谱地图构建的装置,所述装置包括:
频谱数据获取模块,用于通过感知节点获取空间内不同位置处的频谱数据;
图像获取模块,用于采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像;
图像处理模块,用于将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像进行字典稀疏构建,并进行图像特征提取;将提取的图像特征通过稀疏矩阵表示,得到训练样本集;
训练模型构建模块,用于将训练样本集输入至预先设定的卷积神经网络中进行离线训练,得到低分辨率图像以及高分辨率图像对应矩阵之间的映射关系,采用最小二乘法构建最佳训练模型;
频谱地图输出模块,用于将通过感知节点得到的低分辨率频谱地图图像输入至所述最佳训练模型中,输出高分辨率频谱地图。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤101、通过感知节点获取空间内不同位置处的频谱数据;
步骤102、采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像;
步骤103、将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像进行字典稀疏构建,并进行图像特征提取;将提取的图像特征通过稀疏矩阵表示,得到训练样本集;
步骤104、将训练样本集输入至预先设定的卷积神经网络中进行离线训练,得到低分辨率图像以及高分辨率图像对应矩阵之间的映射关系,即二者之间转化的系数矩阵,以最小化损失函数(最小二乘法误差)采用最小二乘法构建最佳训练模型;
步骤105、将通过感知节点得到的低分辨率频谱地图图像输入至所述最佳训练模型中,输出高分辨率频谱地图图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤101、通过感知节点获取空间内不同位置处的频谱数据;
步骤102、采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像;
步骤103、将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像进行字典稀疏构建,并进行图像特征提取;将提取的图像特征通过稀疏矩阵表示,得到训练样本集;
步骤104、将训练样本集输入至预先设定的卷积神经网络中进行离线训练,得到低分辨率图像以及高分辨率图像对应矩阵之间的映射关系,即二者之间转化的系数矩阵,以最小化损失函数(最小二乘法误差)采用最小二乘法构建最佳训练模型;
步骤105、将通过感知节点得到的低分辨率频谱地图图像输入至所述最佳训练模型中,输出高分辨率频谱地图图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于卷积神经网络的频谱地图构建方法,其特征在于,所述方法包括:
通过感知节点获取空间内不同位置处的频谱数据;
采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像;
将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像进行字典稀疏构建,并进行图像特征提取;将提取的图像特征通过稀疏矩阵表示,得到训练样本集;
将训练样本集输入至预先设定的卷积神经网络中进行离线训练,得到低分辨率图像以及高分辨率图像对应矩阵之间的映射关系,采用最小二乘法构建最佳训练模型;
将通过感知节点得到的低分辨率频谱地图图像输入至所述最佳训练模型中,输出高分辨率频谱地图图像。
2.根据权利要求1所述的方法,其特征在于,通过感知节点获取空间内不同位置处的频谱数据,包括:
在感兴趣地理范围内部署具有感知能力的设备充作感知节点;
所述感知节点进行频谱感知获取环境内不同位置处的信号接受强度;
各个感知节点将采集到的信号接受强度数据汇集到采集区域内统一的中心计算节点处,得到空间内不同位置处的频谱数据。
3.根据权利要求1所述的方法,其特征在于,采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像,包括:
采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,通过改变分布式簇克里金插值法插值过程中的插值点之间的插值间隔,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像。
4.根据权利要求1所述的方法,其特征在于,将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像进行字典稀疏构建,并进行图像特征提取;将提取的图像特征通过稀疏矩阵表示,得到训练样本集,包括:
将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像的图像信息采用字典矩阵与系数矩阵来表示;
通过主成分分析法或者奇异值分解法得到所述字典矩阵中的元素;
减少所述系数矩阵中的非零元素,以稀疏表示图像信息,得到训练样本集。
5.一种基于卷积神经网络的频谱地图构建装置,其特征在于,所述装置包括:
频谱数据获取模块,用于通过感知节点获取空间内不同位置处的频谱数据;
图像获取模块,用于采用克里金插值法将所述频谱数据按照空间分辨率需求进行空间缺值估计,得到低分辨率的频谱地图图像以及高分辨率的频谱地图图像;
图像处理模块,用于将所述低分辨率的频谱地图图像以及高分辨率的频谱地图图像进行字典稀疏构建,并进行图像特征提取;将提取的图像特征通过稀疏矩阵表示,得到训练样本集;
训练模型构建模块,用于将训练样本集输入至预先设定的卷积神经网络中进行离线训练,得到低分辨率图像以及高分辨率图像对应矩阵之间的映射关系,采用最小二乘法构建最佳训练模型;
频谱地图输出模块,用于将通过感知节点得到的低分辨率频谱地图图像输入至所述最佳训练模型中,输出高分辨率频谱地图。
6.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189656.2A CN112967357B (zh) | 2021-02-19 | 2021-02-19 | 一种基于卷积神经网络的频谱地图构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189656.2A CN112967357B (zh) | 2021-02-19 | 2021-02-19 | 一种基于卷积神经网络的频谱地图构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967357A true CN112967357A (zh) | 2021-06-15 |
CN112967357B CN112967357B (zh) | 2023-05-23 |
Family
ID=76285102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110189656.2A Active CN112967357B (zh) | 2021-02-19 | 2021-02-19 | 一种基于卷积神经网络的频谱地图构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967357B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114116209A (zh) * | 2021-11-12 | 2022-03-01 | 中国人民解放军国防科技大学 | 基于深度强化学习的频谱地图构建与分发方法及系统 |
CN114520954A (zh) * | 2022-01-21 | 2022-05-20 | 上海维智卓新信息科技有限公司 | 特种设备定位方法、系统、特种设备及服务器 |
CN114900234A (zh) * | 2022-07-14 | 2022-08-12 | 四川太赫兹通信有限公司 | 一种太赫兹频谱环境地图构建方法及设备 |
CN115082727A (zh) * | 2022-05-25 | 2022-09-20 | 江苏大学 | 基于多层局部感知深度字典学习的场景分类方法及系统 |
CN115129088A (zh) * | 2022-08-26 | 2022-09-30 | 中国人民解放军国防科技大学 | 基于频谱地图的无人机轨迹规划和避障方法及系统 |
CN117147966A (zh) * | 2023-08-30 | 2023-12-01 | 中国人民解放军军事科学院系统工程研究院 | 一种电磁频谱信号能量异常检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006047700A (ja) * | 2004-08-05 | 2006-02-16 | Hitachi Ltd | 3次元海底地形図表示装置及び方法 |
CN103745489A (zh) * | 2014-01-07 | 2014-04-23 | 电子科技大学 | 一种基于压缩感知建立基站信号场强地图的方法 |
CN104714257A (zh) * | 2015-01-29 | 2015-06-17 | 哈尔滨工程大学 | 一种基于逐步插值校正的多重分形克里金插值的局部地磁图构建方法 |
CN104778671A (zh) * | 2015-04-21 | 2015-07-15 | 重庆大学 | 一种基于sae和稀疏表示的图像超分辨率方法 |
CN106709872A (zh) * | 2016-12-08 | 2017-05-24 | 中国人民解放军国防科学技术大学 | 一种快速图像超分辨率重构方法 |
US20180188415A1 (en) * | 2016-12-29 | 2018-07-05 | Matthias Imhof | Method and System for Interpolating Discontinuous Functions in a Subsurface Model |
JP2018138873A (ja) * | 2017-02-24 | 2018-09-06 | 国立大学法人東北大学 | マッピング方法および測定装置 |
US20190287216A1 (en) * | 2018-03-19 | 2019-09-19 | Mitsubishi Electric Research Laboratories, Inc. | Systems and Methods for Multi-Spectral Image Super-Resolution |
CN110310227A (zh) * | 2019-06-27 | 2019-10-08 | 电子科技大学 | 一种基于高低频信息分解的图像超分辨率重建方法 |
CN110346654A (zh) * | 2019-07-19 | 2019-10-18 | 中国人民解放军国防科技大学 | 基于普通克里金插值的电磁频谱地图构建方法 |
CN110445567A (zh) * | 2019-08-06 | 2019-11-12 | 中国人民解放军国防科技大学 | 一种电磁频谱地图的构建方法 |
CN111242849A (zh) * | 2020-01-16 | 2020-06-05 | 南京邮电大学 | 一种基于深度卷积神经网络的频谱超分辨率在线重建方法 |
CN112084280A (zh) * | 2020-09-04 | 2020-12-15 | 广州南方智能技术有限公司 | 一种多尺度地形的裁剪及拼接方法 |
CN112308112A (zh) * | 2020-09-23 | 2021-02-02 | 中国人民解放军火箭军工程大学 | 一种基于稀疏表示和字典学习的地磁基准图构建方法 |
-
2021
- 2021-02-19 CN CN202110189656.2A patent/CN112967357B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006047700A (ja) * | 2004-08-05 | 2006-02-16 | Hitachi Ltd | 3次元海底地形図表示装置及び方法 |
CN103745489A (zh) * | 2014-01-07 | 2014-04-23 | 电子科技大学 | 一种基于压缩感知建立基站信号场强地图的方法 |
CN104714257A (zh) * | 2015-01-29 | 2015-06-17 | 哈尔滨工程大学 | 一种基于逐步插值校正的多重分形克里金插值的局部地磁图构建方法 |
CN104778671A (zh) * | 2015-04-21 | 2015-07-15 | 重庆大学 | 一种基于sae和稀疏表示的图像超分辨率方法 |
CN106709872A (zh) * | 2016-12-08 | 2017-05-24 | 中国人民解放军国防科学技术大学 | 一种快速图像超分辨率重构方法 |
US20180188415A1 (en) * | 2016-12-29 | 2018-07-05 | Matthias Imhof | Method and System for Interpolating Discontinuous Functions in a Subsurface Model |
JP2018138873A (ja) * | 2017-02-24 | 2018-09-06 | 国立大学法人東北大学 | マッピング方法および測定装置 |
US20190287216A1 (en) * | 2018-03-19 | 2019-09-19 | Mitsubishi Electric Research Laboratories, Inc. | Systems and Methods for Multi-Spectral Image Super-Resolution |
CN110310227A (zh) * | 2019-06-27 | 2019-10-08 | 电子科技大学 | 一种基于高低频信息分解的图像超分辨率重建方法 |
CN110346654A (zh) * | 2019-07-19 | 2019-10-18 | 中国人民解放军国防科技大学 | 基于普通克里金插值的电磁频谱地图构建方法 |
CN110445567A (zh) * | 2019-08-06 | 2019-11-12 | 中国人民解放军国防科技大学 | 一种电磁频谱地图的构建方法 |
CN111242849A (zh) * | 2020-01-16 | 2020-06-05 | 南京邮电大学 | 一种基于深度卷积神经网络的频谱超分辨率在线重建方法 |
CN112084280A (zh) * | 2020-09-04 | 2020-12-15 | 广州南方智能技术有限公司 | 一种多尺度地形的裁剪及拼接方法 |
CN112308112A (zh) * | 2020-09-23 | 2021-02-02 | 中国人民解放军火箭军工程大学 | 一种基于稀疏表示和字典学习的地磁基准图构建方法 |
Non-Patent Citations (9)
Title |
---|
V.-P. CHOWDAPPA 等: "Distributed clustering algorithm for spatial field reconstruction in wireless sensor networks", 《IEEE》 * |
YUBING DENG 等: "Radio Environment Map Construction Using Super-Resolution Imaging for Intelligent Transportation Systems", 《IEEE》 * |
余付平等: "基于主成分分析的字典学习", 《控制与决策》 * |
周宇;王红军;邵福才;沙文浩;: "无线通信网络电磁态势生成中的信号覆盖探测算法", 浙江大学学报(工学版) * |
平博;苏奋振;周成虎;高义;: "局部SVT算法的遥感反演场数据恢复实验分析", 地球信息科学学报 * |
张文秀等: "基于稀疏表示和图像融合的高光谱图像超分辨率重建", 《计算机应用研究》 * |
李任君;高懋芳;李强;李百寿;: "基于ANUSPLIN的降水空间插值方法研究", 中国农业信息 * |
李海涛 等: "空间插值分析算法综述", 《计算机系统应用》 * |
胡晓辉等: "基于改进卷积神经网络的图像超分辨率算法研究", 《计算机应用研究》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114116209A (zh) * | 2021-11-12 | 2022-03-01 | 中国人民解放军国防科技大学 | 基于深度强化学习的频谱地图构建与分发方法及系统 |
CN114520954A (zh) * | 2022-01-21 | 2022-05-20 | 上海维智卓新信息科技有限公司 | 特种设备定位方法、系统、特种设备及服务器 |
CN115082727A (zh) * | 2022-05-25 | 2022-09-20 | 江苏大学 | 基于多层局部感知深度字典学习的场景分类方法及系统 |
CN114900234A (zh) * | 2022-07-14 | 2022-08-12 | 四川太赫兹通信有限公司 | 一种太赫兹频谱环境地图构建方法及设备 |
CN114900234B (zh) * | 2022-07-14 | 2022-10-21 | 四川太赫兹通信有限公司 | 一种太赫兹频谱环境地图构建方法及设备 |
CN115129088A (zh) * | 2022-08-26 | 2022-09-30 | 中国人民解放军国防科技大学 | 基于频谱地图的无人机轨迹规划和避障方法及系统 |
CN115129088B (zh) * | 2022-08-26 | 2022-11-15 | 中国人民解放军国防科技大学 | 基于频谱地图的无人机轨迹规划和避障方法及系统 |
CN117147966A (zh) * | 2023-08-30 | 2023-12-01 | 中国人民解放军军事科学院系统工程研究院 | 一种电磁频谱信号能量异常检测方法 |
CN117147966B (zh) * | 2023-08-30 | 2024-05-07 | 中国人民解放军军事科学院系统工程研究院 | 一种电磁频谱信号能量异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112967357B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112967357B (zh) | 一种基于卷积神经网络的频谱地图构建方法 | |
Ibarra-Berastegi et al. | Short-term forecasting of the wave energy flux: Analogues, random forests, and physics-based models | |
US20170200274A1 (en) | Human-Shape Image Segmentation Method | |
Arcomano et al. | A hybrid approach to atmospheric modeling that combines machine learning with a physics‐based numerical model | |
US20150269708A1 (en) | Method for Generating High-Resolution Images using Regression Patterns | |
US20210193113A1 (en) | Speech synthesis method and apparatus and computer readable storage medium using the same | |
US10247853B2 (en) | Adaptive ecosystem climatology | |
CN110300370B (zh) | 一种重建wifi指纹地图室内定位方法 | |
Hamilton et al. | Predicting chaotic time series with a partial model | |
CN110956677A (zh) | 雷达图的预测方法、装置、计算机设备和存储介质 | |
Bédard et al. | A practical assimilation approach to extract smaller‐scale information from observations with spatially correlated errors: an idealized study | |
CN113341434B (zh) | 一种红外波段在轨传递定标方法及装置 | |
CN112988606B (zh) | 测试用例生成方法、装置、设备及存储介质 | |
EP4310745A1 (en) | Methods and systems for high resolution and scalable crop yield forecasting | |
CN110674324A (zh) | 雷达数据存储方法、装置、计算机设备和存储介质 | |
CN111583166A (zh) | 一种影像融合网络模型构建及训练方法、装置 | |
CN111026938A (zh) | 时空大数据整合分析方法、装置、设备及存储介质 | |
CN113344846A (zh) | 基于生成对抗网络和压缩感知的遥感图像融合方法及系统 | |
CN115718937A (zh) | 基于神经网络的户型改造设计方法、装置、设备 | |
CN116050554A (zh) | 一种景区客流量预测方法、装置、计算设备和存储介质 | |
CN112329912A (zh) | 卷积神经网络训练方法、图像重建方法、装置和介质 | |
CN111275790A (zh) | 一种河流χ图的自动生成方法 | |
CN112328584B (zh) | 多维时空谱数据融合方法、装置、电子设备和存储介质 | |
Lu et al. | Structured model selection via optimization | |
CN115840761B (zh) | 一种卫星影像像元值修改方法、系统、设备及介质 |
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 |