CN113189595A - 一种基于神经网络的双路回声目标定位方法、设备及存储介质 - Google Patents
一种基于神经网络的双路回声目标定位方法、设备及存储介质 Download PDFInfo
- Publication number
- CN113189595A CN113189595A CN202110493344.0A CN202110493344A CN113189595A CN 113189595 A CN113189595 A CN 113189595A CN 202110493344 A CN202110493344 A CN 202110493344A CN 113189595 A CN113189595 A CN 113189595A
- Authority
- CN
- China
- Prior art keywords
- neural network
- way
- way echo
- echo data
- training
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/06—Systems determining the position data of a target
-
- 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
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于神经网络的双路回声目标定位方法、设备及存储介质,包括步骤如下:(1)采集不同角度双路回声数据;(2)制作双路回声数据集,并分为训练集、验证集和测试集;(3)利用PyTorch搭建神经网络模型,使用步骤(2)得到的训练集对该神经网络模型进行训练;(4)将测试集输入训练好的神经网络模型进行测试,检验神经网络的泛化能力和模型的准确率。本发明利用双路回声数据进行目标定位,大大减少了目标定位的成本和时间,提高了目标定位的效率。
Description
技术领域
本发明涉及一种基于神经网络的双路回声目标定位方法、设备及存储介质,属于人工智能技术领域。
背景技术
近年来,随着科技的进步,回声定位技术获得了广泛的关注。目前在回声数据目标定位方面,现有技术采用多路(大于两路)回声数据处理,同时使用传统的信号处理技术,计算过程复杂,而且由于需要进行多路回声数据处理,增加了目标定位计算的时间,影响了目标定位的效率。
现在人工智能发展迅速,特别是深度学习、神经网络的应用促进了很多领域的发展,双路回声数据的目标定位这一问题如果也利用神经网络技术来解决无疑会促进回声定位技术的发展,大大提高目标定位的效率,减少技术的成本。
现在技术中采用神经网络进行回声定位的方法缺乏具体的网络结构,且采用的网络结构比较传统单一,在进行实际的双路回声数据目标定位时,存在训练困难和识别不准确的问题。
发明内容
针对现有技术的不足,本发明提供一种基于神经网络的双路回声目标定位方法;
本发明还提供了一种计算机设备和存储介质。
术语解释
1、超声波脉冲发射器:超声波脉冲发射器可以用来实现超声波的发射,遇到障碍物的时候超声波就会进行反射,本发明发射信号频率范围为5~20kHz。
2、双路超声波脉冲接收器:由两路组成的超声波脉冲接受器,分为左路和右路,能够同时采集由目标反射而来的超声波反射信号,双路接收器的使用能够更好的进行目标定位,本发明中接收器系统采样率大于50kHz,反射信号的频带宽度与发射信号相同。
3、神经网络:人工神经网络(Artificial Neural Networks,简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。
4、PyTorch:PyTorch是一个开源的Python机器学习库,基于Torch,底层由C++实现,应用于人工智能领域,如计算机视觉、自然语言处理,PyTorch是由Facebook的人工智能研究团队开发。
5、BatchNormalization:批归一化,简称BatchNorm或BN,是神经网络中一种特殊的层,数据经过该层后可以加快梯度下降的求解速度,它使得可以使用更大的学习率更稳定地进行梯度传播,增加了网络的泛化能力。
6、ReLU:线性整流函数(Rectified Linear Unit,ReLU),又称修正线性单元,是一种人工神经网络中常用的激活函数(activation function)。
7、学习率:在神经网络相关训练中,学习速率作为一个超参数控制了权重更新的幅度,以及训练的速度和精度。
本发明的技术方案如下:
一种基于神经网络的双路回声目标定位方法,包括步骤如下:
(1)采集不同角度双路回声数据,双路回声数据是指利用双路超声波脉冲接收器获取的左路超声波反射信号和右路超声波反射信号;
(2)对步骤(1)采集的不同角度双路回声数据预处理后制作双路回声数据集,并分为训练集、验证集和测试集;
(3)利用PyTorch搭建神经网络模型,使用步骤(2)得到的训练集对该神经网络模型进行训练,使用步骤(2)得到的验证集进行验证,并保存训练好的神经网络模型;
(4)将测试集输入训练好的神经网络模型进行测试,检验训练好的神经网络模型的泛化能力和模型的准确率。测试集是没有训练过的数据,如果模型在测试集上方位角和俯仰角的识别准确率依然很高,那么证明该神经网络有着很好的泛化能力。
根据本发明优选的,步骤(1)中,通过超声波脉冲发射器来发射信号,利用双路超声波脉冲接收器来接收反射信号,从而采集不同角度双路回声数据。
根据本发明优选的,步骤(1)中,采集不同方位角和俯仰角的双路回声数据,其中方位角的取值范围是0°-180°,变化间隔为10°,俯仰角的变化范围是20°-70°,变化间隔为5°。
根据本发明优选的,步骤(2)中,对步骤(1)采集的不同角度双路回声数据预处理后制作双路回声数据集,是指:
将步骤(1)采集的双路回声数据制作成.csv文件,每个双路回声数据为一行;
对每个双路回声数据进行标注,每个双路回声数据的标签label是经过归一化每个双路回声数据后的方位角和俯仰角,标签label的方位角是α是步骤(1)中双路回声数据的方位角;标签label的俯仰角是β是步骤(1)中双路回声数据的俯仰角。将方位角和俯仰角进行归一化,便于后续神经网络模型的训练和网络的收敛。
根据本发明优选的,步骤(2)中,按照7:2:1的比例将双路回声数据集划分为训练集、验证集和测试集。验证集和测试集的存在能够更好的查看训练效果和检验模型的泛化能力。
根据本发明优选的,所述神经网络模型包括卷积层、BatchNormalization层和ReLU激活函数、两层全连接层。
卷积层有助于提取双路回声数据中的特征;使用BatchNormalization层,因为数据经过归一化和标准化后可以加快梯度下降的求解速度,它使得可以使用更大的学习率更稳定地进行梯度传播,增加了网络的泛化能力;使用ReLU激活函数可以有效避免梯度的消失,便于更好的训练。
进一步优选的,卷积层的卷积核大小采用的是2×2,步长是2。使用步长为2的卷积能够减少相应的参数量。
使用步骤(2)得到的训练集对该神经网络模型进行训练,是指:导入深度学习所需要的包;定义相应的超参数,这里使用的学习率是0.0001;实例化相应的数据类;实例化网络;定义优化器,这里使用的是Adam优化器,能够使得计算更加高效;定义损失函数;确定训练的迭代次数,然后开始训练即可。
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基于神经网络的双路回声目标定位方法的步骤。
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基于神经网络的双路回声目标定位方法的步骤。
本发明的有益效果在于:
1、本发明利用双路回声数据进行目标定位,在单GPU上测试进行一次目标定位所需时间仅为0.02s,大大减少了目标定位的成本和时间,提高了目标定位的效率。
2、本发明实现了人工智能领域和实际双路回声定位相结合,实现技术的实际应用,有利于推动产研结合和发展。
3、本发明实现思路清晰,采用的神经网络结构简单,泛化能力强,回声定位效果显著,具有良好的应用价值,值得推广应用。
附图说明
图1为本发明基于神经网络的双路回声目标定位方法流程示意图;
图2为本发明神经网络模型的网络结构示意图;
图3为本发明神经网络模型训练过程中训练损失变化示意图;
图4为本发明神经网络模型训练过程中验证集正确率示意图。
具体实施方式
下面通过实施例并结合附图对本发明做进一步说明,但不限于此。
实施例1
一种基于神经网络的双路回声目标定位方法,如图1所示,包括步骤如下:
(1)采集不同角度双路回声数据,双路回声数据是指利用双路超声波脉冲接收器获取的左路超声波反射信号和右路超声波反射信号;
步骤(1)中,通过超声波脉冲发射器来发射信号,利用双路超声波脉冲接收器来接收反射信号,从而采集不同角度双路回声数据。采集不同方位角和俯仰角的双路回声数据,其中方位角的取值范围是0°-180°,变化间隔为10°,俯仰角的变化范围是20°-70°,变化间隔为5°。每个方位角和俯仰角需要采集100次数据,这样就会获得19×11×100=20900个双路回声数据。
(2)对步骤(1)采集的不同角度双路回声数据预处理后制作双路回声数据集,按照7:2:1的比例将双路回声数据集划分为训练集、验证集和测试集;验证集和测试集的存在能够更好的查看训练效果和检验模型的泛化能力。是指:
将步骤(1)采集的双路回声数据制作成.csv文件,该csv文件共有20900个数据,每个双路回声数据为一行;
对每个双路回声数据进行标注,每个双路回声数据的标签label是经过归一化每个双路回声数据后的方位角和俯仰角,标签label的方位角是α是步骤(1)中双路回声数据的方位角;标签label的俯仰角是β是步骤(1)中双路回声数据的俯仰角。将方位角和俯仰角进行归一化,便于后续神经网络模型的训练和网络的收敛。
(3)利用PyTorch搭建神经网络模型,使用步骤(2)得到的训练集对该神经网络模型进行训练,使用步骤(2)得到的验证集进行验证,并保存训练好的神经网络模型;如图2所示,神经网络模型包括卷积层、BatchNormalization层和ReLU激活函数、两层全连接层。
卷积层有助于提取双路回声数据中的特征;使用BatchNormalization层,因为数据经过归一化和标准化后可以加快梯度下降的求解速度,它使得可以使用更大的学习率更稳定地进行梯度传播,增加了网络的泛化能力;使用ReLU激活函数可以有效避免梯度的消失,便于更好的训练。
卷积层的卷积核大小采用的是2×2,步长是2。使用步长为2的卷积能够减少相应的参数量。
使用步骤(2)得到的训练集对该神经网络模型进行训练,是指:导入深度学习所需要的包;定义相应的超参数,这里使用的学习率是0.0001;实例化相应的数据类;实例化网络;定义优化器,这里使用的是Adam优化器,能够使得计算更加高效;定义损失函数;确定训练的迭代次数,然后开始训练即可。
训练1000个epoch之后训练集上损失的变化情况如图3所示,其中,横轴代表epoch数,即训练的迭代次数,纵轴代表训练的损失值,从图3中可以看出,随着epoch不断增加,损失不断减小;验证集准确率变化情况如图4所示,其中,横轴代表epoch数,即训练的迭代次数,纵轴代表神经网络模型在验证集上的准确率,从图4中可以看出,随着epoch不断增加,准确率不断增加,最终可以达到94.26%的准确率;在测试集上达到90%以上的准确率,可以看出模型具有较好的泛化能力。在实际应用中可以根据实际需要增加相应的数据集从而进一步提高模型的泛化能力和相应的准确率。
(4)将测试集输入训练好的神经网络模型进行测试,检验训练好的神经网络模型的泛化能力和模型的准确率。测试集是没有训练过的数据,如果模型在测试集上方位角和俯仰角的识别准确率依然很高,那么证明该神经网络有着很好的泛化能力。
实施例2
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现实施例1所述的基于神经网络的双路回声目标定位方法的步骤。
实施例3
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实施例1所述的基于神经网络的双路回声目标定位方法的步骤。
Claims (9)
1.一种基于神经网络的双路回声目标定位方法,其特征在于,包括步骤如下:
(1)采集不同角度双路回声数据,双路回声数据是指利用双路超声波脉冲接收器获取的左路超声波反射信号和右路超声波反射信号;
(2)对步骤(1)采集的不同角度双路回声数据预处理后制作双路回声数据集,并分为训练集、验证集和测试集;
(3)利用PyTorch搭建神经网络模型,使用步骤(2)得到的训练集对该神经网络模型进行训练,使用步骤(2)得到的验证集进行验证,并保存训练好的神经网络模型;
(4)将测试集输入训练好的神经网络模型进行测试,检验训练好的神经网络模型的泛化能力和模型的准确率。
2.根据权利要求1所述的一种基于神经网络的双路回声目标定位方法,其特征在于,步骤(1)中,通过超声波脉冲发射器来发射信号,利用双路超声波脉冲接收器来接收反射信号,从而采集不同角度双路回声数据。
3.根据权利要求1所述的一种基于神经网络的双路回声目标定位方法,其特征在于,步骤(1)中,采集不同方位角和俯仰角的双路回声数据,其中方位角的取值范围是0°-180°,变化间隔为10°,俯仰角的变化范围是20°-70°,变化间隔为5°。
5.根据权利要求1所述的一种基于神经网络的双路回声目标定位方法,其特征在于,步骤(2)中,按照7:2:1的比例将双路回声数据集划分为训练集、验证集和测试集。
6.根据权利要求1-5任一所述的一种基于神经网络的双路回声目标定位方法,其特征在于,所述神经网络模型包括卷积层、BatchNormalization层和ReLU激活函数、两层全连接层。
7.根据权利要求6所述的一种基于神经网络的双路回声目标定位方法,其特征在于,卷积层的卷积核大小采用的是2×2,步长是2。
8.一种计算机设备,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1-7任一所述的基于神经网络的双路回声目标定位方法的步骤。
9.一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1-7任一所述的基于神经网络的双路回声目标定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493344.0A CN113189595A (zh) | 2021-05-07 | 2021-05-07 | 一种基于神经网络的双路回声目标定位方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493344.0A CN113189595A (zh) | 2021-05-07 | 2021-05-07 | 一种基于神经网络的双路回声目标定位方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113189595A true CN113189595A (zh) | 2021-07-30 |
Family
ID=76984196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110493344.0A Pending CN113189595A (zh) | 2021-05-07 | 2021-05-07 | 一种基于神经网络的双路回声目标定位方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113189595A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116626685A (zh) * | 2023-07-20 | 2023-08-22 | 山东大禹水务建设集团有限公司 | 基于机器学习的河道底泥实时监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508741A (zh) * | 2018-11-09 | 2019-03-22 | 哈尔滨工业大学 | 基于深度学习筛选训练集的方法 |
CN110245608A (zh) * | 2019-06-14 | 2019-09-17 | 西北工业大学 | 一种基于半张量积神经网络的水下目标识别方法 |
WO2019204824A1 (en) * | 2018-04-20 | 2019-10-24 | XNOR.ai, Inc. | Improving image classification through label progression |
CN112131981A (zh) * | 2020-09-10 | 2020-12-25 | 山东大学 | 一种基于骨架数据行为识别的司机疲劳检测方法 |
CN112285203A (zh) * | 2020-10-22 | 2021-01-29 | 杭州道森科技有限公司 | 一种双声道超声波缺陷定位方法及系统 |
US20210081789A1 (en) * | 2019-09-13 | 2021-03-18 | Latent AI, Inc. | Optimizing execution of a neural network based on operational performance parameters |
-
2021
- 2021-05-07 CN CN202110493344.0A patent/CN113189595A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019204824A1 (en) * | 2018-04-20 | 2019-10-24 | XNOR.ai, Inc. | Improving image classification through label progression |
CN109508741A (zh) * | 2018-11-09 | 2019-03-22 | 哈尔滨工业大学 | 基于深度学习筛选训练集的方法 |
CN110245608A (zh) * | 2019-06-14 | 2019-09-17 | 西北工业大学 | 一种基于半张量积神经网络的水下目标识别方法 |
US20210081789A1 (en) * | 2019-09-13 | 2021-03-18 | Latent AI, Inc. | Optimizing execution of a neural network based on operational performance parameters |
CN112131981A (zh) * | 2020-09-10 | 2020-12-25 | 山东大学 | 一种基于骨架数据行为识别的司机疲劳检测方法 |
CN112285203A (zh) * | 2020-10-22 | 2021-01-29 | 杭州道森科技有限公司 | 一种双声道超声波缺陷定位方法及系统 |
Non-Patent Citations (3)
Title |
---|
孙惠斌: "《高品质切削过程的智能感知与预测技术》", 28 February 2019, 西安工业大学出版社, pages: 112 - 115 * |
张森: "严格仿大耳蝠空间目标定位", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》, 15 September 2019 (2019-09-15), pages 31 - 50 * |
李公法: "《人工智能与计算智能及其应用》", 30 June 2020, 华中科技大学出版社, pages: 151 - 152 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116626685A (zh) * | 2023-07-20 | 2023-08-22 | 山东大禹水务建设集团有限公司 | 基于机器学习的河道底泥实时监测方法及系统 |
CN116626685B (zh) * | 2023-07-20 | 2023-09-29 | 山东大禹水务建设集团有限公司 | 基于机器学习的河道底泥实时监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN112001270B (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN107529222A (zh) | 一种基于深度学习的WiFi室内定位系统 | |
CN103945533A (zh) | 基于大数据的无线实时位置定位方法 | |
CN106772352B (zh) | 一种基于Hough和粒子滤波的PD雷达扩展微弱目标检测方法 | |
CN104820993A (zh) | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 | |
CN112748397A (zh) | 一种非视距条件下基于自适应bp神经网络的uwb定位方法 | |
CN112001433A (zh) | 一种航迹关联方法、系统、设备及可读取存储介质 | |
CN109753874A (zh) | 一种基于机器学习的低慢小雷达目标分类方法 | |
CN110490229A (zh) | 一种基于spark和聚类算法的电能表检定误差诊断方法 | |
CN111368930B (zh) | 基于多类谱图融合与分级学习的雷达人体姿态识别方法及系统 | |
CN109655826A (zh) | 一种低慢小目标轨迹滤波方法及装置 | |
CN107202976A (zh) | 低复杂度的分布式麦克风阵列声源定位系统 | |
CN104897248A (zh) | 一种噪声背景下准确估计超声流量计传播时间方法 | |
CN110969194A (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
CN113189595A (zh) | 一种基于神经网络的双路回声目标定位方法、设备及存储介质 | |
CN104880227A (zh) | 一种噪声背景下超声流量测量方法 | |
CN108491931A (zh) | 一种基于机器学习提高无损检测精度的方法 | |
CN111505649B (zh) | 一种拖曳式被动阵列声呐低信噪比舰船运动目标检测方法 | |
Diao et al. | Navigation line extraction algorithm for corn spraying robot based on improved YOLOv8s network | |
US11948079B2 (en) | Multi-agent coordination method and apparatus | |
CN112257735A (zh) | 一种基于人工智能的内部缺陷雷达检测系统 | |
CN113759362B (zh) | 雷达目标数据关联的方法、装置、设备和存储介质 | |
CN114814776A (zh) | 基于图注意力网络和迁移学习的pd雷达目标检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |
|
RJ01 | Rejection of invention patent application after publication |