CN113033615B - 一种基于在线微簇聚类的雷达信号目标实时关联方法 - Google Patents
一种基于在线微簇聚类的雷达信号目标实时关联方法 Download PDFInfo
- Publication number
- CN113033615B CN113033615B CN202110225274.0A CN202110225274A CN113033615B CN 113033615 B CN113033615 B CN 113033615B CN 202110225274 A CN202110225274 A CN 202110225274A CN 113033615 B CN113033615 B CN 113033615B
- Authority
- CN
- China
- Prior art keywords
- micro
- cluster
- data
- new
- encoder
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000005855 radiation Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了了一种基于在线微簇聚类的雷达信号目标实时关联方法,使用已有的数据训练出自编码器,使得低维数据在聚类空间上有较好的表现,使用约束K‑Means对这些数据进行聚类。新的雷达辐射源到来之后,首先提取出雷达个体目标,使用自编码器将其映射到低维空间上,基于已有微簇对其进行聚类,之后使用K最近邻算法最终实现对雷达信号目标的关联。本发明基于在线微簇聚类,利用自编码器学习数据的低维表征,使得数据在聚类空间能够有更好的表现,并且能够大大提高系统的运行速度,最终实现雷达信号的目标实时关联。
Description
技术领域
本发明属于雷达信号检测技术领域,更为具体地讲,涉及一种基于在线微簇聚类技术的雷达信号目标实时关联方法。
背景技术
随着现代战场上应用技术的日益发展,各种新式雷达在战场上的使用频次也在日益增加,因此战场的电磁环境变得复杂,固定窗口的脉冲信号内会存在多种雷达信号交错的情况。为了能够实现对敌方雷达信号的识别,就必须将截获的雷达混合信号按照其所属的雷达辐射源目标进行划分,才能够对截获信号进行后续的处理。
传统基于聚类技术的雷达目标关联技术是基于距离法来实现对信号中的噪声和孤立点的去除,并实现对目标信号的聚类关联。基于距离的聚类技术认为两个点之间的距离近,则它们的相似性就强,而如果多个目标的雷达信号在特征空间上距离比较近,那么传统方法对于它们的识别效果就会比较差,无法实现对目标信号的准确关联。同时,基于距离的方式对于信号中包含的噪声数据也较为敏感,进而影响最终的结果。因此为了能够实现对于雷达信号目标的高效关联,就需要克服如上的问题,这是当前相关领域需要解决的核心问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于在线微簇聚类的雷达信号目标实时关联方法,以实现对雷达信号数据的准确、快速的目标关联。
为了实现上述发明目的,本发明基于在线微簇聚类技术,其特征在于、包括以下步骤:
(1)、基于已有的包含有目标标签的数据,使用自编码器(Auto-Encoder)将原有的信号数据映射到一个低维的特征空间中。为了使得低维表征在聚类空间中有较好的表现,需要多次迭代训练自编码器,直至得到满意的模型;
(2)、基于从自编码器中获得低维表征数据,利用约束K-Means(Constrained K-Means)算法初始化建立q个微簇C1,…,Cq,使得每一个微簇中只包含有一个目标的数据。同时计算每一个微簇的统计信息,包括微簇中所有数据点的个数、线性和、平方和、线性时间戳和、平方时间戳和等统计信息,这些统计信息可进一步计算簇中心、半径、平均时间戳等信息,同时为微簇赋予一个独立的编号,并按照当前时间存储整个微簇的时间快照;
(3)、新的雷达辐射源数据到达后,按照固定长度的节拍,提取分离窗口内的个体目标的信号数据;
(4)、新数据被提取出来之后,首先使用已训练过的自编码器将数据映射到低维空间获得低维表征。然后判断低维数据是否在任何一个已有的微簇的半径内,如果在某个微簇半径内的话,直接将该数据点划分到该簇中,更新该微簇的统计信息,否则,则创建一个新的微簇Cm,m>q,同时并为新创建的微簇启发式地赋予一个初始半径∈,并为其维护新的统计信息;
(5)、新数据完全到来并处理之后,对于所有新创建的微簇Cm,m>q,使用K最近邻(KNN)算法寻找找距离最近的微簇Ci,1≤i≤q,则认为Cm与Ci属于同一个目标,为Cj赋予相应的目标标签信息,即完成了目标关联;
同时,在(4)线上更新阶段,每隔固定时间,保存已有微簇的时间快照,快照中包含有微簇的相关信息,例如数据点个数、时间戳等信息。时间快照遵循金字塔时间模式,能够很好地权衡存储的要求以及能够依据不同的时间范围回顾微簇更新的历史信息。
本发明的目的是这样实现的。
本发明基于在线微簇聚类实现对雷达信号的目标实时关联。首先利用已有的数据,训练自编码器,获得数据在低维空间下的良好的表征,使用约束K-Means聚类成若干个微簇,保证每个微簇内只包含有一个目标的数据。然后使用获得的原始雷达信号数据,从中提取不同的样本信号,使用训练后的自编码器将样本数据映射到低维样本空间中,这样不仅能够提高后续聚类的效果,同时因为数据维度的降低,能够大大提高系统的运行处理速度,此外还引入降噪自编码器提高对于数据中的异常噪声数据的鲁棒性。在雷达信号不断到来的线上阶段,将新数据样本划分到合适的簇中,或者创建新的微簇,并且更新每个微簇的相关统计信息。在线下阶段,依据对雷达目标掌握的已有信息,使用K最近邻算法,将新样本数据从属的微簇的目标设置为距离其最近的已有微簇所从属的目标。最终实现对雷达信号的目标关联。同时,时间快照的使用,使得用户可以随机回顾历史时刻的微簇划分情况,根据实际情况利用历史信息提高系统的效率和准确性。
附图说明
图1是本发明基于在线微簇聚类的雷达信号目标实时关联的一种具体实施方式流程图;
图2是本发明中,对原始信号数据进行降维的自编码器结构示意图,输入层到隐藏层用来编码,隐藏层到输出层用来解码,层与层之间互相全连接;
图4是本发明基于在线微簇聚类的雷达信号目标实时关联的一种具体实施方式的目标检测过程的系统框架图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒的是,在以下描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里会被忽略。
图1是本发明基于在线微簇聚类的雷达信号目标实时关联的一种具体实施方式的流程图。
在本实施例中,如图1所示,本发明基于在线微簇聚类的雷达信号实时目标关联包括以下步骤:
S1:训练自编码器将数据映射到低维空间中:
图2即为自编码器的简单示意图,输入层到隐藏层用来编码,隐藏层到输出层用来解码,层与层之间互相全连接。
自编码器的结构分为两部分:
自编码器学习目标是最小化重构误差:
由于特征空间的维度M小于原始空间的维度D,自编码器就实现了对原始数据的特征降维操作,降低了信号数据的维度,使得能够在后续的聚类空间中能够有更好的聚类表现以及运行速度。
同时,由于原始雷达信号数据中存在着一些噪声数据,为了能够实现自编码器对数据更有效,且鲁棒的表示能力,通过引入噪声来增加编码的鲁棒性,称之为降噪自编码器(Denoising Auto-Encoder)。对于一个向量x,根据一个比例μ随机地将x的一些维度设置为0,得到一个被损坏的向量然后将损坏的向量输入给自编码器,得到编码z,并重构出无损的原始输入x。
使用已有的,包含有目标标签数据来训练自编码器,并且使得经过自编码器处理获得低维数据在后续的聚类中能够有较好的表现,即每一个微簇中仅包含有一个目标的数据。经过反复训练获得理想的自编码器。
S2:对已有数据的低维表征聚类:
使用已经获得的数据Z1,Z2,…,Zk以及其对应的时间戳T1,T2,…,Tk,包含有R个目标L={L1,…,LR}(R<k),使用约束K-Means算法进行聚类,初始化获得q个簇C1,…,Cq(q≥R)。约束K-Means能够使用领域内的先验知识以及从原始数据中所获得的一些边信息,获得哪些示例是应当被聚集在一起(必连)以及哪些示例是一定不能在同一个簇中的(勿连)。通过约束K-Means算法保证聚类获得的每一个微簇中都仅包含一个目标的数据。
对于聚类获得的每个簇,为其维护以下信息:
3、计算并维护时间戳的平方和ss_time;
4、计算并维护时间戳的和sum_time;
5、数据点的个数N;
此外,簇的半径radius与中心center可以通过以上数据计算出来。其中,半径使用该微簇中所有数据点的均方根计算获得,中心使用数据点的平均值计算获得:
即Ci=(N,ss,sum,ss_time,sum_time,radius,center),上式中的m为经过自编码器低维表征后的数据维数。
最终获得每个微簇需要仅包含有一个目标的数据,因此q会设置成大于等于目标个数的值,并且根据聚类的结果,修改q值。同时依据结果,重复训练S1中的自编码器,直至获得较好的结果。
S3:从雷达脉冲信号中分离提取出单个目标数据:
S4:线上处理新来的雷达目标信号:
新来的雷达目标信号首先使用经过训练的自编码器,将其映射到低维空间中,得到然后计算它和每个微簇中心C1,…,Cq的距离,表示为若距离最近的微簇为Cp,则将与微簇Cp的半径进行比较,如果在Cp的半径范围内,则将数据点赋予到该微簇中,如果在多个微簇的半径范围内,那么则选择距离最近的一个微簇;否则,则使用创建一个新的微簇,并为新微簇赋予一个新的、独特的编号,新微簇的半径启发的设置为∈=β·(d-r),其中0<β<1,是启发式设置的参数,d为该点到距离最近微簇中心的距离,r为最近的微簇的半径。
无论新数据点是加入到已有微簇,还是创建了新的微簇,这些过程中都需要维护与更新微簇的统计信息与时间快照。
S5:新微簇寻找最近目标:
对新创建的微簇Cm∈{Cq+1,Cq+2,…}使用K最近邻算法寻找距离最近的微簇Ci。Ci属于目标Lp,则Cm也从属于目标Lp。对所有新创建的微簇都执行以上的操作,直至确定了所有新微簇所从属的目标。
最终根据获得聚类结果,即可获得的从属于同一个目标的雷达信号目标,就可以为这些数据赋予相关目标信息,之后能够应用于下游任务的后续处理。
图4是本发明基于微簇聚类的雷达信号目标关联的一种具体实施方式的系统框架图。
在本实施例中,如图4所示,目标关联系统运行时,包括以下步骤(1)使用已有数据训练自编码器;(2)经过自编码器降维的数据使用约束K-Means算法进行聚类;(3)从新雷达辐射源中提取出新数据;(4)新数据经过训练好的自编码器处理,获得低维数据,并划分到合适的微簇中或者创建新的微簇;(5)使用K最近邻算法寻找新微簇所从属的目标,实现雷达信号的目标关联。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术邻域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范文内,这些变化是显而易见的,一切利用本方面构思的发明创造均在保护之列。
Claims (2)
1.一种基于在线微簇聚类的雷达信号目标实时关联方法,其特征在于,包括以下步骤:
(1)、基于已有的包含有目标标签的数据,使用自编码器(Auto-Encoder)将原有的信号数据映射到一个低维的特征空间中,获得低维表征,为了使得低维表征在聚类空间中有较好的表现,需要多次迭代训练自编码器,直至得到满意的模型;
(2)、基于从自编码器中获得低维表征数据,利用约束K-Means(Constrained K-Means)算法初始化建立q个微簇C1,…,Cq,使得每一个微簇中只包含有一个目标的数据,同时计算每一个微簇的统计信息,包括微簇中所有数据点的个数、线性和、平方和、线性时间戳和、平方时间戳和统计信息,这些统计信息可进一步计算簇中心、半径、平均时间戳信息,同时为微簇赋予一个独立的编号,并按照当前时间存储整个微簇的时间快照;
(3)、新的雷达辐射源数据到达后,按照固定长度的步长,提取分离窗口内的个体目标的信号数据;
(4)、新数据被提取出来之后,首先使用已训练过的自编码器将数据映射到低维空间中,判断低维数据是否在任何一个已有的微簇的半径内,如果在半径内的话,直接将该数据点划分到该簇中,更新该微簇的统计信息,否则,则创建一个新的微簇Cm,m>q,同时并为新创建的微簇启发式地赋予一个初始半径∈,并为其维护新的统计信息;
(5)、新数据完全到来并处理之后,对于所有新创建的微簇Cm,m>q,使用K最近邻(KNN)算法寻找距离最近的微簇Ci,1≤i≤q,则认为Cm与Ci属于同一个目标,即完成了目标关联;
同时,在(4)线上更新阶段,每隔固定时间,保存已有微簇的时间快照,快照中包含有微簇的相关信息,包括数据点个数、时间戳信息,时间快照遵循金字塔时间模式,能够很好地权衡存储的要求以及能够依据不同的时间范围回顾微簇更新的历史信息。
2.根据权利要求1所述的目标关联方法,其特征在于,步骤(4)中,对新数据点使用自编码器进行低维表征,并基于已有的微簇,对这些新数据进行聚类,更新信息:
新来的雷达目标信号首先使用经过训练的自编码器,将其映射到低维空间中,得到然后计算它和每个微簇中心C1,…,Cq的距离,表示为若距离最近的微簇为Cp,则将与微簇Cp的半径进行比较,如果在Cp的半径范围内,则将数据点赋予到该微簇中;否则,则使用创建一个新的微簇,并为新微簇赋予一个新的、独特的编号,新微簇的半径启发的设置为∈=β·(d-r),其中0<β<1,是启发式设置的参数,d为该点到距离最近微簇中心的距离,r为最近的微簇的半径;
无论新数据点是加入到已有微簇,还是创建了新的微簇,这些过程中都需要维护与更新微簇的统计信息与时间快照;
最终根据获得聚类结果,即可获得的从属于同一个目标的雷达信号目标,就可以为这些数据赋予相关标签信息,之后能够应用于下游任务的后续处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110225274.0A CN113033615B (zh) | 2021-03-01 | 2021-03-01 | 一种基于在线微簇聚类的雷达信号目标实时关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110225274.0A CN113033615B (zh) | 2021-03-01 | 2021-03-01 | 一种基于在线微簇聚类的雷达信号目标实时关联方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033615A CN113033615A (zh) | 2021-06-25 |
CN113033615B true CN113033615B (zh) | 2022-06-07 |
Family
ID=76464935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110225274.0A Expired - Fee Related CN113033615B (zh) | 2021-03-01 | 2021-03-01 | 一种基于在线微簇聚类的雷达信号目标实时关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033615B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090950A (zh) * | 2014-07-03 | 2014-10-08 | 浙江工商大学 | 融入簇存在强度的数据流聚类方法 |
CN107679558A (zh) * | 2017-09-19 | 2018-02-09 | 电子科技大学 | 一种基于度量学习的用户轨迹相似性度量方法 |
CN108764064A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 基于导向滤波器与自编码器的sar目标识别算法 |
CN108776806A (zh) * | 2018-05-08 | 2018-11-09 | 河海大学 | 基于变分自编码器和密度峰值的混合属性数据聚类方法 |
CN109086805A (zh) * | 2018-07-12 | 2018-12-25 | 华南理工大学 | 一种基于深度神经网络和成对约束的聚类方法 |
CN109635946A (zh) * | 2018-11-29 | 2019-04-16 | 华南理工大学 | 一种联合深度神经网络和成对约束的聚类方法 |
KR20190114166A (ko) * | 2018-03-29 | 2019-10-10 | (주)다음소프트 | 오토인코더를 이용한 산업분류 시스템 및 방법 |
WO2019216469A1 (ko) * | 2018-05-11 | 2019-11-14 | 서울대학교 산학협력단 | 자동차 레이더 시스템에서 탐지된 타겟들의 클러스터링 방법 및 이를 위한 장치 |
CN111340076A (zh) * | 2020-02-17 | 2020-06-26 | 中国人民解放军32802部队 | 一种对新体制雷达目标未知模式的零样本识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10018709B2 (en) * | 2014-09-19 | 2018-07-10 | GM Global Technology Operations LLC | Radar target detection via multi-dimensional cluster of reflectors |
CN107169089B (zh) * | 2017-05-12 | 2020-09-01 | 武汉理工大学 | 一种基于聚类的多维流数据可视分析方法 |
CN108344975A (zh) * | 2018-01-08 | 2018-07-31 | 哈尔滨工程大学 | 一种利用梯度下降和夹角余弦的联合簇标定方法 |
CN109507655B (zh) * | 2018-12-11 | 2022-09-02 | 西北工业大学 | 基于导向重构与范数约束dbn的sar目标识别算法 |
US20200217950A1 (en) * | 2019-01-07 | 2020-07-09 | Qualcomm Incorporated | Resolution of elevation ambiguity in one-dimensional radar processing |
-
2021
- 2021-03-01 CN CN202110225274.0A patent/CN113033615B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090950A (zh) * | 2014-07-03 | 2014-10-08 | 浙江工商大学 | 融入簇存在强度的数据流聚类方法 |
CN107679558A (zh) * | 2017-09-19 | 2018-02-09 | 电子科技大学 | 一种基于度量学习的用户轨迹相似性度量方法 |
KR20190114166A (ko) * | 2018-03-29 | 2019-10-10 | (주)다음소프트 | 오토인코더를 이용한 산업분류 시스템 및 방법 |
CN108764064A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 基于导向滤波器与自编码器的sar目标识别算法 |
CN108776806A (zh) * | 2018-05-08 | 2018-11-09 | 河海大学 | 基于变分自编码器和密度峰值的混合属性数据聚类方法 |
WO2019216469A1 (ko) * | 2018-05-11 | 2019-11-14 | 서울대학교 산학협력단 | 자동차 레이더 시스템에서 탐지된 타겟들의 클러스터링 방법 및 이를 위한 장치 |
CN109086805A (zh) * | 2018-07-12 | 2018-12-25 | 华南理工大学 | 一种基于深度神经网络和成对约束的聚类方法 |
CN109635946A (zh) * | 2018-11-29 | 2019-04-16 | 华南理工大学 | 一种联合深度神经网络和成对约束的聚类方法 |
CN111340076A (zh) * | 2020-02-17 | 2020-06-26 | 中国人民解放军32802部队 | 一种对新体制雷达目标未知模式的零样本识别方法 |
Non-Patent Citations (4)
Title |
---|
SemiSync: Semi-supervised Clustering by Synchronization;Zhong Zhang 等;《DASFAA 2019: Database Systems for Advanced Applications》;20190424;358-362 * |
Spatial Fuzzy Clustering and Deep Auto-encoder for Unsupervised Change Detection in Synthetic Aperture Radar Images;Yangyang Li 等;《IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium》;20181105;4479-4482 * |
基于深度学习的聚类个数确定及聚类方法的研究;王怡琦;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20210115(第(2021)01期);I138-769 * |
栈式降噪自编码器在辐射源信号识别中的应用;叶文强 等;《空军工程大学学报(自然科学版)》;20190630;第20卷(第6期);47-53 * |
Also Published As
Publication number | Publication date |
---|---|
CN113033615A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN113326731A (zh) | 一种基于动量网络指导的跨域行人重识别算法 | |
CN111291827B (zh) | 图像聚类方法、装置、设备及存储介质 | |
CN113393032B (zh) | 基于重采样下的航迹循环预测方法 | |
CN109871379B (zh) | 一种基于数据块学习的在线哈希最近邻查询方法 | |
CN113341919B (zh) | 一种基于时序数据长度优化的计算系统故障预测方法 | |
CN115131580B (zh) | 基于注意力机制的空间目标小样本识别方法 | |
CN113406623A (zh) | 基于雷达高分辨距离像的目标识别方法、装置及介质 | |
CN110751191A (zh) | 一种图像的分类方法及系统 | |
CN113759323A (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 | |
CN110347827B (zh) | 面向异构文本运维数据的事件提取方法 | |
CN117516937A (zh) | 基于多模态特征融合增强的滚动轴承未知故障检测方法 | |
Fonseca et al. | Model-agnostic approaches to handling noisy labels when training sound event classifiers | |
CN109388808B (zh) | 一种用于建立单词翻译模型的训练数据采样方法 | |
CN113033615B (zh) | 一种基于在线微簇聚类的雷达信号目标实时关联方法 | |
CN111950652A (zh) | 一种基于相似度的半监督学习数据分类算法 | |
Chen et al. | Application of Data‐Driven Iterative Learning Algorithm in Transmission Line Defect Detection | |
CN114301719B (zh) | 一种基于变分自编码器的恶意更新检测方法及系统 | |
US20140343944A1 (en) | Method of visual voice recognition with selection of groups of most relevant points of interest | |
US20140343945A1 (en) | Method of visual voice recognition by following-up the local deformations of a set of points of interest of the speaker's mouth | |
WO2022188574A1 (zh) | 一种回归任务的深度学习方法和装置 | |
CN115102868A (zh) | 一种基于SOM聚类与深度自编码器的web服务QoS预测方法 | |
CN113052219A (zh) | 一种异常轨迹检测方法及装置、电子设备 | |
CN114187487A (zh) | 一种大规模点云数据的处理方法、装置、设备及介质 | |
CN110647671A (zh) | 一种基于AAE-DWMIL-LearnNSE的数据流分类算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220607 |