CN113313220A - 一种用于射频干扰的标记方法、系统和存储介质 - Google Patents
一种用于射频干扰的标记方法、系统和存储介质 Download PDFInfo
- Publication number
- CN113313220A CN113313220A CN202110527541.XA CN202110527541A CN113313220A CN 113313220 A CN113313220 A CN 113313220A CN 202110527541 A CN202110527541 A CN 202110527541A CN 113313220 A CN113313220 A CN 113313220A
- Authority
- CN
- China
- Prior art keywords
- data
- radio frequency
- frequency interference
- visibility
- marking
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于射频干扰的标记方法、系统和存储介质,方法包括:获取观测数据中的可见度数据;对所述可见度数据进行像素级别切分,得到可见度数据的像素值;根据所述像素值确定可见度数据矩阵;根据所述可见度数据矩阵,采用人工神经网络模型对所述观测数据进行射频干扰标记。本发明通过对观测数据中的可见度数据进行像素级别切分后,得到可见度数据的像素值;接着根据像素值确定可见度数据矩阵,并根据可见度数据矩阵结合人工神经网络模型对观测数据进行射频干扰标记,从而无需考虑位置因素即能完成射频干扰标记,以弥补目前标记方法存在的普适性差的缺点,提高射频标记的正确率。本发明可应用于射电天文技术领域。
Description
技术领域
本发明涉及射电天文技术领域,尤其是一种用于射频干扰的标记方法、系统和存储介质。
背景技术
随着射电天文领域的快速发展,越来越多的大型观测设备不断建造,国内外典型的大型射电干涉阵列都对天文观测数据的存储与交换提出了很高的要求。
射电干涉阵是利用干涉原理将很多射电望远镜或天线进行组合而成的阵列。与单天线的望远镜相比,射电干涉阵可以凭借极高的设备灵敏度以及分辨率来达到更好的成像效果。但是由于国际电联将射电波段的某些频段用于卫星通讯以及其他用途,导致了整个射电窗口能进行有效观测的频段被压缩了一部分。再加上生活中的各种频繁的无线电通讯活动以及对手机等电子设备的使用使得射频信号会受到各种复杂信号的干扰。同时大自然的一些现象如闪电,太阳活动爆发等一系列的情况也会对射电数据造成不同程度的射频干扰,严重时甚至会使得接收到的信号完全失真,从而无法进行后续的工作。
目前各大射电干涉阵对于受到射频干扰的数据一般采取的处理方法是将其中被污染的数据进行标记,然后直接丢弃。在整个处理过程中,对受到射频干扰的标记是其中很重要的一环,目前国内外对于射频干扰的标记处理方法大致分为两类:阈值法与机器学习。由于世界范围内各大望远镜所处的地理位置不同以及周围地区的人类活动的差异性较大,所以对于每个大型的望远镜的射频干扰标记技术都要考虑到当地的射电环境,使得目前的射频干扰标记方法需要根据望远镜的位置进行制定,从而大大限制了标记方法的使用范围。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种用于射频干扰的标记方法、系统和存储介质,无需考虑位置因素,即能有效完成射频干扰标记过程。
第一方面,本发明实施例提供了一种用于射频干扰的标记方法,包括以下步骤:
获取观测数据中的可见度数据;
对所述可见度数据进行像素级别切分,得到可见度数据的像素值;
根据所述像素值确定可见度数据矩阵;
根据所述可见度数据矩阵,采用人工神经网络模型对所述观测数据进行射频干扰标记。
本发明实施例提供的一种用于射频干扰的标记方法,具有如下有益效果:
本实施通过对观测数据中的可见度数据进行像素级别切分后,得到可见度数据的像素值;接着根据像素值确定可见度数据矩阵,并根据可见度数据矩阵结合人工神经网络模型对观测数据进行射频干扰标记,从而无需考虑位置因素即能完成射频干扰标记,以弥补目前标记方法存在的普适性差的缺点,提高射频标记的正确率。
可选地,所述根据所述像素值确定可见度数据矩阵,包括:
确定每个像素值的幅值和相位;
根据每个像素值的所述幅值和所述相位构建预设维度的矩阵;
保存每个像素值的矩阵,得到可见度数据矩阵。
可选地,所述确定每个像素值的幅值,包括:
获取每个像素值的实部和虚部;
根据每个像素值的所述实部和所述虚部计算每个像素值的幅值。
可选地,所述确定每个像素值的相位,其具体为:
根据每个像素值的所述实部和所述虚部计算每个像素值的相位。
可选地,所述人工神经网络模型为预先训练的网络模型,其中,训练步骤包括:
获取带有射频干扰的数据集;
对所述数据集进行标签标注,得到标签集;所述标签包括射频干扰标签和正常数据标签;
采用所述数据集和所述标签集对所述人工神经网络模型进行训练。
可选地,所述观测数据通过以下方式获取:
从射电干涉阵的射电信号中获取观测数据,所述射电信号为所述射电干涉阵采集并处理后的信号;
或者
从射电望远镜的历史数据中获取观测数据。
可选地,所述获取观测数据中的可见度数据,包括:
根据观测数据对应天文台内的数据读写方式获取可见度数据;
或者
根据预设软件从预设文件内获取可见度数据,所述预设文件内存储有所述观测数据。
第二方面,本发明实施例提供了一种用于射频干扰的标记系统,包括:
获取模块,用于获取观测数据中的可见度数据;
切分模块,用于对所述可见度数据进行像素级别切分,得到可见度数据的像素值;
确定模块,用于根据所述像素值确定可见度数据矩阵;
标记模块,用于根据所述可见度数据矩阵,采用人工神经网络模型对所述观测数据进行射频干扰标记。
第三方面,本发明实施例提供了一种用于射频干扰的标记系统,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行第一方面实施例提供的用于射频干扰的标记方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行第一方面实施例提供的用于射频干扰的标记方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明,其中:
图1为本发明实施例的一种用于射频干扰的标记方法的流程图;
图2为本发明实施例的可见度数据处理示意图;
图3为本发明实施例的可见度数据矩阵和标记示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
目前,各大干涉阵对于受到射频干扰的数据一般采取的处理方法是将其中被污染的数据进行标记,然后直接丢弃。在整个数据处理过程中,对受到干扰的标记是其中很重要的一个环节。目前的标记方法包括阈值法和机器学习。然而,望远镜所处的地理位置各不相同,且周围地区的人类活动的差异性较大,使得每个望远镜的射频干扰标记方式均要考虑望远镜所处的地理位置因素,也就导致每个望远镜的射频干扰标记需要单独的设计对应的方法。例如,阈值法,需要根据望远镜的地理位置因素设定不同的阈值大小,然后验证该设定的阈值是否符合当前望远镜的标记要求。又比例,机器学习方法,需要预先学习每个望远镜所处的位置因素带来的射频干扰。由此可知,目前的射频干扰标记由于需要考虑望远镜的位置因素带来的影响,从而大大限制的每射频标记方法的普适性,也降低的每个射频标记方法的标记效果。
基于此,如图1所示,本发明实施例提供了一种用于射频干扰的标记方法。该方法通过对望远镜的观察数据中的可见度数据进行像素切分,接着根据像素切分得到的像素值确定可见度数据矩阵,然后根据该可见度数据矩阵,采用人工神经网络模型来对观测数据进行射频干扰标记,从而无需考虑望远镜所处的位置因素造成的影响,以提高本实施例的普适性和标记结果的准确性。
具体地,本实施例的方法可应用于数据处理终端对应的处理器,也可以应用于服务器。
在应用过程中,本实施例包括步骤S11-S14:
S11、获取观测数据中的可见度数据。
在本申请实施例中,观测数据可以直接从射电干涉阵中的射电信号中获取,该射电信号为射电干涉阵中对采集的数据进行处理后得到的信号。观测数据也可以是从射电望远镜采集并按照特定格式保存后的数据中获取。其中,特定格式包括测量集文件格式、HDF5文件格式。测量集文件格式为天文数据处理软件常用的数据格式。每个天文台的数据处理方式都不相同,但是,为了天文数据可以流通,大多数天文台都会给出一个接口来将自己的观察数据保存为测量集文件格式。此外,观测数据还可以从射电望远镜的历史数据中直接获取。具体地,观测数据的获取方式,根据实际的需要进行适应性的选择。实际的获取方式包括但不限于上述获取方式。
在本申请实施例中,在获取到观测数据后,从观测数据中提取可见度数据。具体地,可以根据观测数据对应天文台内的数据读写方式获取可见度数据,或者根据预设软件从预设文件内获取可见度数据。其中,预设文件内存储有所述观测数据。在本实施例中,预设软件包括但不限于天文数据处理软件,预设文件包括但不限于测量集文件。根据预设软件从预设文件内获取可见度数据的方式包括但不限于以下步骤,其中,以RASCIL从测量集MS文件中读取可见度数据为例,RASCIL为SKA的算法参考库:
步骤1、在程序中调用RASCIL软件的create_blockvisibility_from_ms函数,读取MS文件内容并转化为RASCIL的BlockVisibility类。
步骤2、在BlockVisibility类中的属性data中,以键值对的形式保存着观测数据,其结构为[ntimes,nants,nants,nchan,npol],此处需要对ntimes、nchan进行切片,取得[ntimes,nchan]组成的二维复数矩阵,该矩阵即为可见度数据。
S12、对可见度数据进行像素级别切分,得到可见度数据的像素值。
在本申请实施例中,是对可见度数据中的每一个可见度数据分别进行像素级别切分,以得到每一个可见度数据的像素值。
S13、根据像素值确定可见度数据矩阵。
在本申请实施例中,采用复数形式表示每个可见度数据的像素值。因而可根据每个像素值的复数形式确定每个像素值对应的幅值和相位,接着根据幅值和相位构建每个可见度数据在预设维度上的矩阵,并保存每个矩阵,组成可见度数据矩阵。其中,幅值计算是根据每个像素值在复数形式上的实部和虚部计算得到每个像素的幅值大小。相位计算也是根据每个像素值在复数形式上的实部和虚部计算得到每个像素的相位大小。具体地,当已知该像素值的复数形式时,则通过公式1计算该像素值的幅值,以及通过公式2计算该像素值的相位大小:
An表示第n个像素点的幅值,an表示第n个像素点的实部,bn表示第n个像素点的虚部。
通过公式1计算每个像素值的幅值大小,即可得到每个像素点对应的幅值。
Wn表示第n个像素点的相位,an表示第n个像素点的实部,bn表示第n个像素点的虚部。
通过公式2对每个像素值进行相位计算,即可得到每个像素点对应的相位。
在计算得到每个像素点对应的幅值和相位后,构建预设维度的数组。例如,以该预设维度的大小为1*2维度为例,如图2所示。其中,矩形v为可见度数据矩阵;矩形S为单个像素点;虚线C1和C2为辅助线,用于体现该像素点的幅值与相位计算的对应关系。然后保存计算并重构得到对应的数据,最后由可见度数据矩阵组成数据集。
S14、根据可见度数据矩阵,采用人工神经网络模型对观测数据进行射频干扰标记。
在本申请实施例中,人工神经网络模型为预先训练的网路模型,该模型的训练过程是训练如何在像素级的数据集中对射频干扰进行标记。具体地,人工神经网络模型可采用卷积神经网络模型或者深度信念网络模型。该模型的训练过程包括以下步骤:
获取带有射频干扰的数据集。其中,带有射频干扰的数据集可以通过该图1所示方法的步骤S11至步骤S13进行处理,也可以直接采用模拟数据代替。
对数据集进行标签标注,得到标签集。其中,标签包括射频干扰标签和正常数据标签。射频干扰的标签对应于数据集中射频干扰像素的位置保存,正常数据的标签对应数据集中正常像素的位置保存,进而得到标签集。
采用数据集和标签集对人工神经网络模型进行训练。本步骤具体是将数据集和标签集输入人工神经网络模型中,以训练网络模型内的参数,从而得到识别射频干扰准确率最高的模型,作为最终的射频干扰的人工神经网络模型。
在本申请实施例中,在完成上述模型的训练过程之后,将步骤S13得到的数据集输入到最终的人工神经网络模型内,以通过人工神经网络模型标记出数据集中哪些数据为射频干扰数据,哪些数据为正常数据。如图3所示,其中V1与V2分别为原可见度矩阵及其对应的射频干扰标记矩阵,P1与P2分别为可见度矩阵的像素点及其标记,虚线L1和L2为体现其对应关系的辅助线,最后得到原可见度数据矩阵的对应标记矩阵,即可完成射频干扰标记。
综上可知,上述实施例通过将观测数据中的可见度数据进行处理,并利用神经网络进行射频干扰识别,以弥补基于阈值法、形态学法等的射频干扰标记方法的普适性差的缺点,从而极大提升射频干扰标记的正确率,此外,上述实施例由于没有基于经验调参的麻烦,从而使得使用过程更加的方便易用。
本发明实施例提供了一种用于射频干扰的标记系统,包括:
获取模块,用于获取观测数据中的可见度数据;
切分模块,用于对可见度数据进行像素级别切分,得到可见度数据的像素值;
确定模块,用于根据像素值确定可见度数据矩阵;
标记模块,用于根据可见度数据矩阵,采用人工神经网络模型对观测数据进行射频干扰标记。
本发明方法实施例的内容均适用于本系统实施例,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种用于射频干扰的标记系统,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载程序以执行图1所示的用于射频干扰的标记方法。
本发明方法实施例的内容均适用于本系统实施例,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,处理器可执行的程序在由处理器执行时用于执行图1所示的用于射频干扰的标记方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。此外,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
Claims (10)
1.一种用于射频干扰的标记方法,其特征在于,包括以下步骤:
获取观测数据中的可见度数据;
对所述可见度数据进行像素级别切分,得到可见度数据的像素值;
根据所述像素值确定可见度数据矩阵;
根据所述可见度数据矩阵,采用人工神经网络模型对所述观测数据进行射频干扰标记。
2.根据权利要求1所述的一种用于射频干扰的标记方法,其特征在于,所述根据所述像素值确定可见度数据矩阵,包括:
确定每个像素值的幅值和相位;
根据每个像素值的所述幅值和所述相位构建预设维度的矩阵;
保存每个像素值的矩阵,得到可见度数据矩阵。
3.根据权利要求2所述的一种用于射频干扰的标记方法,其特征在于,所述确定每个像素值的幅值,包括:
获取每个像素值的实部和虚部;
根据每个像素值的所述实部和所述虚部计算每个像素值的幅值。
4.根据权利要求3所述的一种用于射频干扰的标记方法,其特征在于,所述确定每个像素值的相位,其具体为:
根据每个像素值的所述实部和所述虚部计算每个像素值的相位。
5.根据权利要求1所述的一种用于射频干扰的标记方法,其特征在于,所述人工神经网络模型为预先训练的网络模型,其中,训练步骤包括:
获取带有射频干扰的数据集;
对所述数据集进行标签标注,得到标签集;所述标签包括射频干扰标签和正常数据标签;采用所述数据集和所述标签集对所述人工神经网络模型进行训练。
6.根据权利要求1所述的一种用于射频干扰的标记方法,其特征在于,所述观测数据通过以下方式获取:
从射电干涉阵的射电信号中获取观测数据,所述射电信号为所述射电干涉阵采集并处理后的信号;
或者
从射电望远镜的历史数据中获取观测数据。
7.根据权利要求1所述的一种用于射频干扰的标记方法,其特征在于,所述获取观测数据中的可见度数据,包括:
根据观测数据对应天文台内的数据读写方式获取可见度数据;
或者
根据预设软件从预设文件内获取可见度数据,所述预设文件内存储有所述观测数据。
8.一种用于射频干扰的标记系统,其特征在于,包括:
获取模块,用于获取观测数据中的可见度数据;
切分模块,用于对所述可见度数据进行像素级别切分,得到可见度数据的像素值;
确定模块,用于根据所述像素值确定可见度数据矩阵;
标记模块,用于根据所述可见度数据矩阵,采用人工神经网络模型对所述观测数据进行射频干扰标记。
9.一种用于射频干扰的标记系统,其特征在于,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行如权利要求1-7任一项所述的用于射频干扰的标记方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述的用于射频干扰的标记方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110527541.XA CN113313220B (zh) | 2021-05-14 | 2021-05-14 | 一种用于射频干扰的标记方法、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110527541.XA CN113313220B (zh) | 2021-05-14 | 2021-05-14 | 一种用于射频干扰的标记方法、系统和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313220A true CN113313220A (zh) | 2021-08-27 |
CN113313220B CN113313220B (zh) | 2023-06-23 |
Family
ID=77373010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110527541.XA Active CN113313220B (zh) | 2021-05-14 | 2021-05-14 | 一种用于射频干扰的标记方法、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313220B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886555A (zh) * | 2017-11-29 | 2018-04-06 | 中国科学院上海天文台 | 一种射电干涉阵列分布式图像重建方法 |
CN108111240A (zh) * | 2017-12-19 | 2018-06-01 | 中国科学院上海天文台 | 一种射频干扰的数据处理方法及装置 |
CN110298377A (zh) * | 2019-05-21 | 2019-10-01 | 武汉坤达安信息安全技术有限公司 | 基于深层人工神经网络的数字图像中烟火检测方法 |
CN112085748A (zh) * | 2020-09-08 | 2020-12-15 | 扬芯科技(深圳)有限公司 | 一种射频干扰自动化测试方法、系统、设备及存储介质 |
-
2021
- 2021-05-14 CN CN202110527541.XA patent/CN113313220B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886555A (zh) * | 2017-11-29 | 2018-04-06 | 中国科学院上海天文台 | 一种射电干涉阵列分布式图像重建方法 |
CN108111240A (zh) * | 2017-12-19 | 2018-06-01 | 中国科学院上海天文台 | 一种射频干扰的数据处理方法及装置 |
CN110298377A (zh) * | 2019-05-21 | 2019-10-01 | 武汉坤达安信息安全技术有限公司 | 基于深层人工神经网络的数字图像中烟火检测方法 |
CN112085748A (zh) * | 2020-09-08 | 2020-12-15 | 扬芯科技(深圳)有限公司 | 一种射频干扰自动化测试方法、系统、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
CHOJKA,A 等: "RFI Artefacts Detection in Sentinel-1 Level-1 SLC Data Based On Image Processing Techniques", SENSORS * |
梅盈: "明安图射电频谱日像仪海量数据处理方法研究", 中国博士学位论文全文数据库基础科学辑 * |
Also Published As
Publication number | Publication date |
---|---|
CN113313220B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292886B (zh) | 基于网格划分及神经网络的目标物入侵检测方法及装置 | |
CN113012265B (zh) | 针式打印字符图像生成方法、装置、计算机设备和介质 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN111241970A (zh) | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 | |
CN110866900A (zh) | 水体颜色识别方法及装置 | |
CN110399760A (zh) | 一种批量二维码定位方法、装置、电子设备及存储介质 | |
CN110619605A (zh) | 并行气象要素降尺度方法、装置、电子设备及存储介质 | |
CN115272887A (zh) | 基于无人机检测的海岸带垃圾识别方法、装置以及设备 | |
CN113486975A (zh) | 遥感图像的地物分类方法、装置、设备及存储介质 | |
CN104636743A (zh) | 文字图像校正的方法和装置 | |
CN114880730A (zh) | 确定目标设备的方法、装置及光伏系统 | |
CN107480580A (zh) | 图像识别方法和图像识别装置 | |
CN113313220B (zh) | 一种用于射频干扰的标记方法、系统和存储介质 | |
CN111724441A (zh) | 图像标注方法及装置、电子设备及存储介质 | |
CN112113638A (zh) | 水表功能自检装置及方法 | |
CN116091913A (zh) | 地块边界矢量识别方法、装置、设备及存储介质 | |
CN115188000A (zh) | 基于ocr的文本识别方法、装置、存储介质及电子设备 | |
CN115147469A (zh) | 配准方法、装置、设备及存储介质 | |
CN113721240A (zh) | 一种目标关联方法、装置、电子设备及存储介质 | |
CN109977710A (zh) | 一种精准定位图书所属书架的方法、电子设备及存储介质 | |
CN112183540A (zh) | 标签参数的提取方法和装置、存储介质、电子装置 | |
CN111435537A (zh) | 模型训练方法、装置及基于拼接图的位姿优化方法、装置 | |
LU504734B1 (en) | Self-supervised text recognition method, device and storage medium | |
CN115965582B (zh) | 一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法 | |
CN115169526B (zh) | 一种基于深度学习的基站表示学习方法、系统及存储介质 |
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 |