CN113361819A - 一种线性预测方法及装置 - Google Patents
一种线性预测方法及装置 Download PDFInfo
- Publication number
- CN113361819A CN113361819A CN202110772592.9A CN202110772592A CN113361819A CN 113361819 A CN113361819 A CN 113361819A CN 202110772592 A CN202110772592 A CN 202110772592A CN 113361819 A CN113361819 A CN 113361819A
- Authority
- CN
- China
- Prior art keywords
- data
- time domain
- domain data
- predicted
- linear prediction
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种线性预测方法及装置,该方法包括获取核磁共振的待预测时域数据,对待预测时域数据进行数据填充,直到待预测时域数据的数据长度达到期望的目标长度,并对填充处理后的待预测时域数据进行傅里叶变换处理,得到待预测频域数据,最后将待预测频域数据输入至训练好的核磁共振数据线性预测模型中,生成数据长度为目标长度的预测数据。采用本发明提供的实施例,将待预测时域数据的数据长度填充至期望的目标长度,并对填充后的数据进行傅里叶变换,以将进行傅里叶变换后的数据输入至训练好的核磁共振数据线性预测模型中,供模型输出预测数据,从而能够快速预测出待预测时域数据的填充部分的核磁共振数据,解决现有的预测效率慢的问题。
Description
技术领域
本发明涉及核磁共振数据处理领域,具体涉及一种线性预测方法及装置。
背景技术
核磁共振作为一种原子尺度的化学分析手段,已经在生物大分子、代谢组学、药物研发等领域取得了重要应用。随着被测物质分子量的增大,核磁共振谱图重叠严重,分辨率降低,使核磁共振谱图难以辨认。核磁共振多维谱是提高谱图分辨率的重要手段,但多维谱数据采集时间比较长,典型的三维谱的数据采集时间通常需要几天的时间,且射频信号反复激发产生的样品升温使蛋白质等生物样品变性,造成样品损坏。为解决核磁共振多维谱数据采集时间长的问题,当前多采用对间接维数据线性预测的方法,将没有采集的数据采用数据处理算法预测出来,进而增加时域信号的数字分辨率。
现有的核磁共振线性预测方法主要分为两种类型:1.利用核磁共振时域数据之间的线性关系,将时域数据上连续的n个点进行线性组合,预测其后的若干点,典型方法如LPSVD(Lu Y,Joshi S,Morris J M.Noise reduction for NMR FID signals via Gaborexpansion[J].IEEE transactions on bio-medical engineering,1997,44(6):512.);2.利用核磁共振时域信号指数线形的特点,从已经采得的信号中分析提取指数模型的参数,然后根据该参数计算得到未采部分的数据。该类型典型的算法有Matrix Pencil(Hua Y,Sarkar T K.Matrix pencil method for estimating parameters of exponentiallydamped/undamped sinusoids in noise[J].IEEE Trans Assp,1990,38(5):814-824.)。由于多维谱线性预测方法普遍需要执行1000次以上,这就要求一次预测的时间最多在毫秒级别,故对算法效率提出了很高的要求,以上这两类方法普遍存在算法效率低的问题。虽然科研界发展了Tapelize矩阵正交化(Cybenko G V.Fast toeplitz orthogonalizationusing inner decompositions[J].SIAM Journal on Scientific and StatisticalComputing,1987.)等方法以加快算法效率,但算法的稳定性在某些情况下仍然难以得到保证。
发明内容
本申请实施例提供了一种线性预测方法及装置,能够提升线性预测的计算效率。
为解决现有技术存在的问题,本发明实施例提供了一种线性预测方法,用于对核磁共振数据进行线性预测,所述方法包括:
获取核磁共振的待预测时域数据;
对所述待预测时域数据进行数据填充,直到所述待预测时域数据的数据长度达到期望的目标长度;
对进行填充处理后的待预测时域数据进行傅里叶变换处理,得到待预测频域数据;
将所述待预测频域数据输入至训练好的核磁共振数据线性预测模型中,生成数据长度为所述目标长度的预测数据。
进一步的,所述对所述待预测时域数据进行数据填充,直到所述待预测时域数据的数据长度达到期望的目标长度的步骤,包括:
将所述待预测时域数据的数据长度填充至期望的目标长度;
将所填充的数据对应的数值设为0。
进一步的,所述核磁共振数据线性预测模型通过以下方法得到:
获取多个第一时域数据;
提取每个所述第一时域数据中的部分数据,分别构建与多个所述第一时域数据对应的多个第二时域数据,每个所述第二时域数据的数据长度与对应的第一时域数据的数据长度相同;
对多个所述第一时域数据进行傅里叶变换处理得到多个第一频域数据,并对多个所述第二时域数据进行傅里叶变换处理得到多个第二频域数据;
将多个所述第二频域数据作为输入数据,将多个所述第一频域数据作为输出数据,对预设的卷积神经网络模型进行训练直至收敛,得到所述核磁共振数据线性预测模型。
进一步的,所述提取每个所述第一时域数据中的部分数据,分别构建与多个所述第一时域数据对应的多个第二时域数据,每个所述第二时域数据的数据长度与对应的第一时域数据的数据长度相同的步骤,包括:
按照预设的阈值范围,分别从每个所述第一时域数据中提取对应的数据,得到多个提取数据,所述预设的阈值范围为从时域数据首位开始的范围;
对多个所述提取数据进行数据填充,使每个所述提取数据的数据长度达到对应的第一时域数据的数据长度,得到多个第二时域数据;
其中,所述数据填充为填充数值为0的数据。
进一步的,所述对预设的卷积神经网络模型进行训练直至收敛的步骤,包括:
将多个所述第二频域数据、多个所述第一频域数据作为预设的卷积神经网络模型的训练集,对所述预设的卷积神经网络模型进行训练;
当所述预设的卷积神经网络模型的训练次数超过预设的次数阈值时,停止训练;
通过所述训练集对停止训练后的卷积神经网络模型进行校验;
当校验成功后,确定所述停止训练后的卷积神经网络模型收敛。
进一步的,所述通过所述训练集对所述停止训练后的卷积神经网络模型进行校验的步骤,包括:
将所述训练集中的第二频域数据输入至所述停止训练后的卷积神经网络模型,得到输出的第三频域数据;
对所述第三频域数据进行逆傅里叶变换处理,得到第三时域数据;
将所述第三时域数据的第一有效数据,与对应的第二时域数据的第二有效数据进行对比,以确定二者是否满足预设的校验条件;
其中,所述有效数据为从对应第一时域数据中提取的部分数据中的数据。
进一步的,所述确定二者是否满足预设的校验条件的步骤,包括:
当所述第一有效数据的数据长度,大于所述第二有效数据的数据长度时,则确定二者的数据长度满足预设的校验条件;
当所述第一有效数据的数据长度,小于或者等于所述第二有效数据的数据长度时,则确定二者的数据长度不满足预设的校验条件。
进一步的,当确定所述第一有效数据和所述第二有效数据的数据长度不满足预设的校验条件时,所述线性预测方法的方法,还包括:
将所述第三频域数据作为输入数据,将所述第三频域数据对应的第一频域数据作为输出数据,对所述停止训练后的卷积神经网络模型进行再训练直至收敛。
进一步的,所述对所述停止训练后的卷积神经网络模型进行再训练直至收敛的步骤,包括:
所述通过所述损失函数再训练所述停止训练后的卷积神经网络模型直至收敛的步骤,包括:
将所述第三频域数据作为输入数据,将所述第三频域数据对应的第一频域数据作为输出数据,对所述停止训练后的卷积神经网络模型进行多次再训练;
获取每次再训练后的模型对应的损失函数值;
当获取到损失函数值小于预设的阈值时,停止进行再训练,并确定所述卷积神经网络模型收敛。
作为本发明的优选实施例,本发明实施例还提供了一种线性预测装置,包括:获取模块、第一处理模块、第二处理模块,以及预测模块;
所述获取模块,用于获取核磁共振的待预测时域数据;
所述第一处理模块,用于对所述待预测时域数据进行数据填充,直到所述待预测时域数据的数据长度达到期望的目标长度;
所述第二处理模块,用于对进行填充处理后的待预测时域数据进行傅里叶变换处理,得到待预测频域数据;
所述预测模块,用于将所述待预测频域数据输入至训练好的核磁共振数据线性预测模型中,生成数据长度为所述目标长度的预测数据。
为了解决相同的技术问题,本发明实施例还提供了一种设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述存储器与所述处理器耦接,且所述处理器执行所述计算机程序时,实现任一项所述的线性预测方法。
为了解决相同的技术问题,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行任一项所述的线性预测方法。
本发明实施例提供了一种线性预测方法及装置,该方法包括获取核磁共振的待预测时域数据,对待预测时域数据进行数据填充,直到待预测时域数据的数据长度达到期望的目标长度,然后对进行填充处理后的待预测时域数据进行傅里叶变换处理,得到待预测频域数据,最后将待预测频域数据输入至训练好的核磁共振数据线性预测模型中,生成数据长度为目标长度的预测数据。采用本发明提供的实施例,通过将待预测时域数据的数据长度填充至期望的目标长度,并对填充后的待预测时域数据进行傅里叶变换,以将进行傅里叶变换后的数据输入至训练好的核磁共振数据线性预测模型中,供模型输出预测数据,从而能够快速预测出待预测时域数据的填充部分的核磁共振数据,解决现有的预测效率慢的问题。此外,采用本发明实施例提供的线性预测方法对核磁共振数据进行预测,还能够避免现有的预测过程较长,使样本温度升高,最终影响预测结果的现象发生。
附图说明
下面结合附图,通过对本申请的具体实施方式详细描述,将使本申请的技术方案及其它有益效果显而易见。
图1为本发明实施例提供的一种线性预测方法的流程示意图。
图2为本发明实施例提供的构建核磁共振数据线性预测模型的构建方法的流程示意图。
图3为本发明实施例提供的核磁共振数据线性预测模型的一种训练过程的示意图。
图4为本发明实施例提供的进行线性预测前后的HSQC二维谱的数据对比图。
图5为本发明实施例提供的进行线性预测前的HSQC二维谱。
图6为本发明实施例提供的通过预测模型进行线性预测后的HSQC二维谱。
图7为本发明实施例提供的进行线性预测前的TOCSY二维谱。
图8为本发明实施例提供的通过预测模型进行线性预测后的TOCSY二维谱。
图9为本发明实施例提供的一种线性预测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本发明实施例提供的线性预测方法主要是用于对核磁共振数据的线性预测,通过对含有部分数据的核磁共振数据进行预测,即对核磁共振谱图进行预测处理,以快速得到线性预测后的、完整的核磁共振数据,以下将对该处理过程进行展开说明。
请参阅图1,图1为本发明实施例提供的一种线性预测方法的流程示意图,如图1所示,该线性预测方法,包括:步骤S101至步骤S104;
步骤S101,获取核磁共振的待预测时域数据。
在本实施例中,待预测时域数据为数据长度为L1的核磁共振一维时域数据。
步骤S102,对待预测时域数据进行数据填充,直到待预测时域数据的数据长度达到期望的目标长度。
作为可选的实施例,步骤S102包括:将待预测时域数据的数据长度填充至期望的目标长度,将所填充的数据对应的数值设为0。
在本实施例中,期望的目标长度为用户想要预测的数据长度。通过对待预测数据进行数据填充,使待预测数据的数据长度达到用户想要预测的数据长度,并将填充部分的数据的数值设为0,从而能够限定用户想要得到的预测数据的数据长度,避免预测过多的数据,浪费不必要的时间资源。另外,待预测时域数据的数据长度无需太长,同样能够节省对数据进行线性预测的时间。
步骤S103,对进行填充处理后的待预测时域数据进行傅里叶变换处理,得到待预测频域数据。
为了解决核磁共振一维时域信号难以处理的问题,本实施例通过将核磁共振一维时域信号进行傅里叶变换处理,使其变换为易于分析的频域数据,从而能够对频域数据进行处理或加工。
步骤S104,将待预测频域数据输入至训练好的核磁共振数据线性预测模型中,生成数据长度为目标长度的预测数据。
在本实施例中,在将核磁共振一维时域信号变换为频域数据后,本实施例对频域数据进行处理或加工的方式为:将频域数据输入至训练好的核磁共振数据线性预测模型中,通过该训练好的核磁共振数据线性预测模型中对频域数据进行预测处理,最终输出用户想要预测的预测数据,从而能够对核磁共振数据进行快速的线性预测并输出对应的预测数据,不仅提高了核磁共振数据的预测效率,解决了现有的预测效率慢的问题,还可避免现有的预测过程较长,使样本温度升高,最终影响预测结果的现象发生。
作为可选的实施例,请参阅图2和图3,图2为本发明实施例提供的构建核磁共振数据线性预测模型的构建方法的流程示意图,图3为本发明实施例提供的核磁共振数据线性预测模型的一种训练过程的示意图,如图2所示,该构建方法,包括步骤S201至步骤S204;
步骤S201,获取多个第一时域数据。
在本实施例中,第一时域数据是通过指数函数生成的,且为了提高模型的精准度,本实施例中的多个指的是大量。
在本实施例中,多个第一时域数据的数据长度相同且为L,并定义第一时域数据为FID1,FID1的表达式如下:
其中,N表示谱图共振峰的个数,An表示第n个共振峰的幅度,Tn表示第n个共振峰的弛豫时间,t表示采样时刻,wn表示第n个共振峰的频率。
步骤S202,提取每个第一时域数据中的部分数据,分别构建与多个第一时域数据对应的多个第二时域数据。
在本实施例中,根据图3可知,每个第二时域数据的数据长度与对应的第一时域数据的数据长度相同。另外,提取的部分数据为连续的数据,且该连续的数据是从第一时域数据的首位数据开始提取的,并且该连续的数据的数据长度小于对应第一时域数据的数据长度,如图3所示第二时域数据的数据长度与第一时域数据的数据长度是相同的,本实施例提取第一时域数据中的部分数据是该第一时域数据一半的数据,即第二时域数据只含有所述第一时域数据前半段的数据。
可选的,步骤S202包括:按照预设的阈值范围,分别从每个第一时域数据中提取对应的数据,得到多个提取数据,对多个提取数据进行数据填充,使每个提取数据的数据长度达到对应的第一时域数据的数据长度,得到多个第二时域数据;其中,预设的阈值范围是从时域数据首位开始的范围,数据填充的过程是增加数值为0的过程。
请继续参见图3,如图3所示,第二时域数据中的前半段数据是从第一时域数据中提取而来的数据,其与对应的第一时域数据的前半段数据的幅值是相同的,而为了控制线性预测的范围和提高模型训练的精准性,则将该第二时域数据的数据长度增加至与对应的第一时域数据的数据长度相同,并将增加的部分的数据值设为0,如图3的输入第二时域数据所示。
例如,第一时域数据的数据长度为10,第一时域数据包括(1,2,3,4,5,6,7,8,9,10),预设的阈值范围为1-5,则提取数据为(1,2,3,4,5),然后对该提取数据填充数值为0的数据,使该提取数据的数据长度达到对应的第一时域数据的数据长度10,得到第二时域数据,则第二时域数据为(1,2,3,4,5,0,0,0,0,0)。
通过将填充数据的数值设为0,能够使模型在训练时主要对该数值为0的部分的数据进行预测,使模型具备将数值为0部分的数据转换为预测数据的能力。
可选的,构建第二时域数据的方式还包括:将第一时域数据FID1的前m个点保持不变,m点之后的点均设置为0,并将其标记为FID2,FID2的表达式如下:
FID2=FID1
ID2(m+1:l)=0
其中,l表示FID2末尾元素的索引。
步骤S203,对多个第一时域数据进行傅里叶变换处理得到多个第一频域数据,并对多个第二时域数据进行傅里叶变换处理得到多个第二频域数据。
通过对多个第一时域数据和多个第二时域数据进行傅里叶变换处理,能够将难以处理的时域数据变换为易于分析的频域数据,从而能够直接对易于分析的频域数据进行处理或加工,进而加快对核磁共振数据的预测效率。
步骤S204,将多个第二频域数据作为输入数据,将多个第一频域数据作为输出数据,对预设的卷积神经网络模型进行训练直至收敛,得到核磁共振数据线性预测模型。
作为可选的实施例,预设的卷积神经网络模型包含K个卷积层,每个卷积层带有P个池化层,每一卷积层的输入是该卷积层前面所有其它层的输出,每个卷积核大小均为R,卷积神经网络模型的输入输出关系可定义为:
y=f(x,θ)
其中,x为卷积神经网络的输入层,y为卷积神经网络的输出层,x和y均为频域数据,θ为卷积神经网络模型的参数,f(x,θ)表示卷积神经网络的非线性映射关系。
采用大量易于分析的频域数据作为预设的卷积神经网络模型的输入和输出,对预设的卷积神经网络模型进行训练,可提高模型训练的速率。在该模型达到收敛条件时停止训练,同时得到训练好的核磁共振数据线性预测模型。
在一种实施方式中,卷积神经网络模型的收敛条件包括模型的精准度达到一定的数值,如当模型的输出精准度达到98%时,则确定该模型达到了收敛的条件,此时即可停止训练,并将输出精准度达到98%的模型作为训练好的核磁共振数据线性预测模型。
在另一种实施方式中,卷积神经网络模型的收敛条件还包括对模型训练的次数达到预设的次数阈值,且满足校验条件,则步骤S204包括:将多个第二频域数据、多个第一频域数据作为预设的卷积神经网络模型的训练集,对预设的卷积神经网络模型进行训练,当预设的卷积神经网络模型的训练次数超过预设的次数阈值时,停止训练,通过训练集对停止训练后的卷积神经网络模型进行校验,当校验成功后,确定停止训练后的卷积神经网络模型收敛。譬如,当模型的训练次数达到了50000次时,停止训练,采用训练集对该模型进行校验,当模型通过校验后,则可确定该模型满足收敛条件,此时即可得到训练好的核磁共振数据线性预测模型。
在第三种实施方式中,收敛条件包括还包括对模型进行校验,对模型进行校验的具体方式包括:将训练集中的第二频域数据输入至停止训练后的卷积神经网络模型,得到输出的第三频域数据,对第三频域数据进行逆傅里叶变换处理,得到第三时域数据,将第三时域数据的第一有效数据,与对应的第二时域数据的第二有效数据进行对比,以确定二者是否满足预设的校验条件。其中,有效数据为从对应第一时域数据中提取的部分数据中的数据。
例如,第二时域数据为(1,2,3,4,5,0,0,0,0,0),经过傅里叶变换处理得到的第二频域数据为(1`,2`,3`,4`,5`,0,0,0,0,0)。此时将第二频域数据输入至停止训练后的卷积神经网络模型,得到输出的第三频域数据,然后对第三频域数据进行逆傅里叶变换处理,得到第三时域数据,由于模型输出的第三时域数据的数据长度可能为1,也可能为10,此时假设第三时域数据为(a,b,c,d,e,f,g),则将第三时域数据作为第一有效数据;再获取第二频域数据对应的第二时域数据(1,2,3,4,5,0,0,0,0,0),由于数据(1,2,3,4,5)是提取第一时域数据中的第1-第5位数据(第一时域数据的数据包括(1,2,3,4,5,6,7,8,9,10),提取数据为(1,2,3,4,5)),则将第二时域数据中的第1-第5位数据(1,2,3,4,5)作为第二有效数据,通过将第一有效数据与第二有效数据进行对比,从而可确定停止训练后的卷积神经网络模型是否收敛。
在本实施例中,通过预设的校验条件确定停止训练后的卷积神经网络模型是否收敛的方式包括:当第一有效数据的数据长度,大于第二有效数据的数据长度时,则确定二者的数据长度满足预设的校验条件,此时确定停止训练后的卷积神经网络模型收敛;当第一有效数据的数据长度,小于或者等于第二有效数据的数据长度时,则确定二者的数据长度不满足预设的校验条件,此时确定停止训练后的卷积神经网络模型未达到收敛条件。
在一种实施方式中,请继续参见图3,如图3所示,数据校验层在模型训练中主要完成数据校验功能,通过构建数据校验层实现上述校验过程,具体的,将卷积神经网络的输出y作为本校验层的输入,通过校验层对y进行数据校验,从而使得校验层输出校验结果,其中,该校验过程为:对数据y进行逆傅里叶变换处理,得到时域数据s,并对数据s进行校验,在本实施例中,数据校验的表达式如下:
其中,Sn表示s的第n个点,n表示的数据长度,m表示有效数据长度,zn为FID2的第n个点,为经过校验以后的数据,λ为校验的正则化参数。当的数据长度n大于有效数据长度m时,表示模型满足校验条件,校验层输出逆傅里叶变换后的数据;当的数据长度n小于或等于有效数据长度m时,标识模型不满足校验条件,校验层输出为原始采集数据zn与逆傅里叶变换后数据的线性组合。
譬如,当第一有效数据(a,b,c,d,e,f,g)的数据长度为7,第二有效数据(1,2,3,4,5)的数据长度为5,此时第一有效数据的数据长度7大于第二有效数据的数据长度5,则确定二者的数据长度满足校验条件,即确定停止训练后的卷积神经网络模型收敛;当第一有效数据(a,b,c)的数据长度为3,第二有效数据(1,2,3,4,5)的数据长度为5,此时第一有效数据的数据长度3小于第二有效数据的数据长度5,则确定二者的数据长度不满足校验条件,即确定停止训练后的卷积神经网络模型未达到收敛条件。
作为可选的实施例,当确定停止训练后的卷积神经网络模型未达到收敛条件时,还可执行本实施例提供的再训练方式:将第三频域数据作为输入数据,将第三频域数据对应的第一频域数据作为输出数据,对停止训练后的卷积神经网络模型进行再训练直至收敛。
例如,当第一有效数据(a,b,c)的数据长度为3,第二有效数据(1,2,3,4,5)的数据长度为5,由于第一有效数据的数据长度3小于第二有效数据的数据长度5,则可确定二者的数据长度不满足校验条件,即确定停止训练后的卷积神经网络模型未达到收敛条件,此时将第三频域数据(a`,b`,c`)作为模型的输入数据,将第三频域数据对应的第一频域数据(1`,2`,3`,4`,5`,6`,7`,8`,9`,10`)作为模型的输出数据,对停止训练后的卷积神经网络模型进行再训练直至收敛,该再训练过程,可采用上述实施例提及的多种收敛条件,以判定模型是否满足收敛条件,具体的收敛过程请参照上述实施例,在此不再赘述。
请继续参见图3,如图3所示,通过完成n次迭代过程且经过校验层的校验后得到的收敛的预测模型,对输入的第二频域数据进行线性预测,得到进行线性预测后的第一频域数据,如图3所示,进行线性预测后的第一频域数据对应的频率曲线图,明显不存在进行线性预测前的第二频域数据的频率曲线图中的噪音部分,也即通过本实施例提供的预测模型进行的线性预测后得到的数据图更加的清晰,分辨率更高。
为了进一步的提高模型对数据预测的精准性,本发明实施例还提供了一种可选的方式:构建损失函数,通过损失函数再训练停止训练后的卷积神经网络模型直至收敛。
在本实施例中的损失函数的表达式如下:
具体的,通过损失函数再训练停止后的卷积神经网络模型直至收敛所采用的方式,包括:将第三频域数据作为输入数据,将第三频域数据对应的第一频域数据作为输出数据,对停止训练后的卷积神经网络模型进行多次再训练;获取每次再训练后的模型对应的损失函数值;当获取到损失函数值小于预设的阈值时,停止进行再训练,并确定卷积神经网络模型收敛。
在本实施例中,预设的阈值通常设置得越小越好,预设的阈值越小,则模型预测与实际数据的差距程度越低,模型预测的精准性越高。
通过上述实施例提供的方法步骤,能够构建用于对核磁共振数据进行线性预测的预测模型,并采用该预测模型对待预测频域数据进行预测,可预测得到用户期望的数据长度的预测数据,从而能够快速对核磁共振数据进行预测,相对于现有的核磁共振数据的预测方法,本申请能够提高预测效率,从而能够解决现有的预测效率慢的问题。
此外,采用本实施例提供的预测模型,对待预测频域数据进行预测,由于预测速度快,无需长时间对样本执行预测操作,从而能够避免对样本的长时间预测,导致样本温度升高,最终影响预测结果的现象发生。
进一步的,采用本实施例提供的预测模型,对待预测频域数据进行预测,能够显著的提高预测数据的分辨率,请参见图4,图4为本发明实施例提供的进行线性预测前后的HSQC二维谱的数据对比图,如图4所示,在15-25ppm区间中能够明显的确定线性预测前的曲线具有3个波峰,但在15-25ppm区间之外,该曲线几乎呈直线形,无法确定是否还存在波峰。
请继续参见图4,线性预测后的曲线表示通过本实施例提供的预测模型输出的数据,在15-25ppm区间中能够明显的确定线性预测后的曲线具有4个波峰,且在15-25ppm区间之外,仍能够确定线性预测后的曲线还存在一些波峰,即相比于线性预测前的曲线,通过本实施例提供的预测模型进行线性预测后得到的曲线的波峰数量,要明显多于线性预测前的曲线的波峰数量,也即进行线性预测后的曲线的分辨率要明显高于进行线性预测前的曲线,因此,通过本实施例提供的预测模型对数据进行线性预测,能够明显提高谱图的分辨率。
在一种实施例中,请参见图5,图5为本发明实施例提供的进行线性预测前的HSQC二维谱,被测数据为13C-1H相关的HSQC二维谱,如图5所示,所有共振峰均为正峰,采集得到的时域数据的点数为1024*128(复数),根据图5的圈内数据对应的纵轴曲线可知,根据图5对应的谱图无法明确的确定圈内数据对应的纵轴曲线具体有多少个波峰,也即图5对应的谱图的分辨率低。
由于图5对应的谱图的分辨率过低,导致无法确定具体波峰的峰数,因此,将在HSQC二维谱中采集得到的时域数据进行傅里叶变换处理,并将处理后的频域数据输入至本实施例提供的预测模型中,得到线性预测后的预测数据,然后对该预测数据进行逆傅里叶变换处理,该预测数据的二维谱的点数为1024*256(复数),该线性预测后的谱数据如图6所示,请参见图6,图6为本发明实施例提供的通过预测模型进行线性预测后的HSQC二维谱,显然,根据图6的圈内数据对应的纵轴曲线可知,图6对应的谱图能够明确的确定圈内数据对应的纵轴曲线具体有多少个波峰,即采用本实施例提供的预测模型进行线性预测得到的二维谱数据的分辨率得到了明显的提升。
在另一种实施例中,请参见图7,图7为本发明实施例提供的进行线性预测前的TOCSY二维谱,被测数据为1H-1H同核相关的TOCSY二维谱,如图7所示,所有共振峰均为正峰,采集得到的时域数据的点数为1024*128(复数),根据图7的横轴曲线和纵轴曲线可知,根据图7对应的谱图能确定横轴曲线和纵轴曲线具体波峰的峰数较少。
将在TOCSY二维谱中采集得到的时域数据进行傅里叶变换处理,并将处理后的频域数据输入至本实施例提供的预测模型中,得到线性预测后的预测数据,然后对该预测数据进行逆傅里叶变换处理,该预测数据的二维谱的点数为1024*256(复数),该线性预测后的谱数据如图8所示,请参见图8,图8为本发明实施例提供的通过预测模型进行线性预测后的TOCSY二维谱,显然,根据图8的横轴曲线和纵轴曲线可知,根据图8对应的谱图能够确定横轴曲线和纵轴曲线具体波峰的峰数较多,即采用本实施例提供的预测模型进行线性预测得到的二维谱数据的分辨率得到了明显的提升。
综上所述,本发明公开了一种线性预测方法,该方法包括获取核磁共振的待预测时域数据,对待预测时域数据进行数据填充,直到待预测时域数据的数据长度达到期望的目标长度,并对进行填充处理后的待预测时域数据进行傅里叶变换处理,得到待预测频域数据,最后将待预测频域数据输入至训练好的核磁共振数据线性预测模型中,生成数据长度为目标长度的预测数据。采用本发明提供的实施例,将待预测时域数据的数据长度填充至期望的目标长度,并对填充后的数据进行傅里叶变换,以将进行傅里叶变换后的数据输入至训练好的核磁共振数据线性预测模型中,供模型输出预测数据,从而不仅能够快速预测出待预测时域数据的填充部分的核磁共振数据,解决现有的预测效率慢的问题,还能够避免对样本的长时间预测,导致样本温度升高,最终影响预测结果的现象发生,进一步的,还能提高预测后数据的分辨率。
上面主要对线性预测方法进行描述,下面将对线性预测装置进行详细的描述,请参阅图9,图9为本发明实施例提供的一种线性预测装置的结构示意图,如图9所示,本发明实施例提供的线性预测装置包括:获取模块901,用于获取核磁共振的待预测时域数据;第一处理模块902,用于对待预测时域数据进行数据填充,直到待预测时域数据的数据长度达到期望的目标长度;第二处理模块903,用于对进行填充处理后的待预测时域数据进行傅里叶变换处理,得到待预测频域数据;预测模块904,用于将待预测频域数据输入至训练好的核磁共振数据线性预测模型中,生成数据长度为目标长度的预测数据。
在一种实施方式中,第一处理模块902包括填充单元和设置单元,填充单元,用于将所述待预测时域数据的数据长度填充至期望的目标长度,设置单元,用于将所填充的数据对应的数值设为0。
在本发明实施例中,核磁共振数据线性预测模型的构建方法请参照上述方法实施例,在此不再赘述。
具体实施时,以上各个模块和/或单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个模块和/或单元的具体实施可参见前面的方法实施例,具体可以达到的有益效果也请参看前面的方法实施例中的有益效果,在此不再赘述。
本发明实施例还提供了一种电子设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个步骤。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
示例性的,所述计算机程序可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在电子设备中的执行过程。
所述电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是电子设备的示例,并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述电子设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述电子设备集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种线性预测方法,其特征在于,用于对核磁共振数据进行线性预测,所述方法包括:
获取核磁共振的待预测时域数据;
对所述待预测时域数据进行数据填充,直到所述待预测时域数据的数据长度达到期望的目标长度;
对进行填充处理后的待预测时域数据进行傅里叶变换处理,得到待预测频域数据;
将所述待预测频域数据输入至训练好的核磁共振数据线性预测模型中,生成数据长度为所述目标长度的预测数据。
2.如权利要求1所述的线性预测方法,其特征在于,所述对所述待预测时域数据进行数据填充,直到所述待预测时域数据的数据长度达到期望的目标长度的步骤,包括:
将所述待预测时域数据的数据长度填充至期望的目标长度;
将所填充的数据对应的数值设为0。
3.如权利要求1所述的线性预测方法,其特征在于,所述核磁共振数据线性预测模型通过以下方法得到:
获取多个第一时域数据;
提取每个所述第一时域数据中的部分数据,分别构建与多个所述第一时域数据对应的多个第二时域数据,每个所述第二时域数据的数据长度与对应的第一时域数据的数据长度相同;
对多个所述第一时域数据进行傅里叶变换处理得到多个第一频域数据,并对多个所述第二时域数据进行傅里叶变换处理得到多个第二频域数据;
将多个所述第二频域数据作为输入数据,将多个所述第一频域数据作为输出数据,对预设的卷积神经网络模型进行训练直至收敛,得到所述核磁共振数据线性预测模型。
4.如权利要求3所述的线性预测方法,其特征在于,所述提取每个所述第一时域数据中的部分数据,分别构建与多个所述第一时域数据对应的多个第二时域数据,每个所述第二时域数据的数据长度与对应的第一时域数据的数据长度相同的步骤,包括:
按照预设的阈值范围,分别从每个所述第一时域数据中提取对应的数据,得到多个提取数据,所述预设的阈值范围为从时域数据首位开始的范围;
对多个所述提取数据进行数据填充,使每个所述提取数据的数据长度达到对应的第一时域数据的数据长度,得到多个第二时域数据;
其中,所述数据填充为填充数值为0的数据。
5.如权利要求3所述的线性预测方法,其特征在于,所述对预设的卷积神经网络模型进行训练直至收敛的步骤,包括:
将多个所述第二频域数据、多个所述第一频域数据作为预设的卷积神经网络模型的训练集,对所述预设的卷积神经网络模型进行训练;
当所述预设的卷积神经网络模型的训练次数超过预设的次数阈值时,停止训练;
通过所述训练集对停止训练后的卷积神经网络模型进行校验;
当校验成功后,确定所述停止训练后的卷积神经网络模型收敛。
6.如权利要求5所述的线性预测方法,其特征在于,所述通过所述训练集对所述停止训练后的卷积神经网络模型进行校验的步骤,包括:
将所述训练集中的第二频域数据输入至所述停止训练后的卷积神经网络模型,得到输出的第三频域数据;
对所述第三频域数据进行逆傅里叶变换处理,得到第三时域数据;
将所述第三时域数据的第一有效数据,与对应的第二时域数据的第二有效数据进行对比,以确定二者是否满足预设的校验条件;
其中,所述有效数据为从对应第一时域数据中提取的部分数据中的数据。
7.如权利要求6所述的线性预测方法,其特征在于,所述确定二者是否满足预设的校验条件的步骤,包括:
当所述第一有效数据的数据长度,大于所述第二有效数据的数据长度时,则确定二者的数据长度满足预设的校验条件;
当所述第一有效数据的数据长度,小于或者等于所述第二有效数据的数据长度时,则确定二者的数据长度不满足预设的校验条件。
8.如权利要求7所述的线性预测方法,其特征在于,当确定所述第一有效数据和所述第二有效数据的数据长度不满足预设的校验条件时,所述线性预测方法的方法还包括:
将所述第三频域数据作为输入数据,将所述第三频域数据对应的第一频域数据作为输出数据,对所述停止训练后的卷积神经网络模型进行再训练直至收敛。
9.如权利要求8所述的线性预测方法,其特征在于,所述对所述停止训练后的卷积神经网络模型进行再训练直至收敛的步骤,包括:
所述通过所述损失函数再训练所述停止训练后的卷积神经网络模型直至收敛的步骤,包括:
将所述第三频域数据作为输入数据,将所述第三频域数据对应的第一频域数据作为输出数据,对所述停止训练后的卷积神经网络模型进行多次再训练;
获取每次再训练后的模型对应的损失函数值;
当获取到损失函数值小于预设的阈值时,停止进行再训练,并确定所述卷积神经网络模型收敛。
10.一种线性预测装置,其特征在于,所述线性预测装置包括:获取模块、第一处理模块、第二处理模块,以及预测模块;
所述获取模块,用于获取核磁共振的待预测时域数据;
所述第一处理模块,用于对所述待预测时域数据进行数据填充,直到所述待预测时域数据的数据长度达到期望的目标长度;
所述第二处理模块,用于对进行填充处理后的待预测时域数据进行傅里叶变换处理,得到待预测频域数据;
所述预测模块,用于将所述待预测频域数据输入至训练好的核磁共振数据线性预测模型中,生成数据长度为所述目标长度的预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772592.9A CN113361819B (zh) | 2021-07-08 | 2021-07-08 | 一种线性预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772592.9A CN113361819B (zh) | 2021-07-08 | 2021-07-08 | 一种线性预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361819A true CN113361819A (zh) | 2021-09-07 |
CN113361819B CN113361819B (zh) | 2023-04-07 |
Family
ID=77538929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110772592.9A Active CN113361819B (zh) | 2021-07-08 | 2021-07-08 | 一种线性预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361819B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903259A (zh) * | 2019-01-25 | 2019-06-18 | 厦门大学 | 一种基于深度学习的磁共振波谱重建方法 |
CN110807481A (zh) * | 2019-10-29 | 2020-02-18 | 东北大学 | 一种基于多源数据的针对起重机械的故障预测方法 |
CN111811617A (zh) * | 2020-07-10 | 2020-10-23 | 杭州电子科技大学 | 一种基于短时傅里叶变换和卷积神经网络的液位预测方法 |
CN111915007A (zh) * | 2020-07-29 | 2020-11-10 | 厦门大学 | 一种基于神经网络的磁共振谱降噪方法 |
CN112561135A (zh) * | 2020-11-30 | 2021-03-26 | 西安科锐盛创新科技有限公司 | 一种基于机器学习的水流量预测方法、装置和电子设备 |
-
2021
- 2021-07-08 CN CN202110772592.9A patent/CN113361819B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903259A (zh) * | 2019-01-25 | 2019-06-18 | 厦门大学 | 一种基于深度学习的磁共振波谱重建方法 |
WO2020151355A1 (zh) * | 2019-01-25 | 2020-07-30 | 厦门大学 | 一种基于深度学习的磁共振波谱重建方法 |
CN110807481A (zh) * | 2019-10-29 | 2020-02-18 | 东北大学 | 一种基于多源数据的针对起重机械的故障预测方法 |
CN111811617A (zh) * | 2020-07-10 | 2020-10-23 | 杭州电子科技大学 | 一种基于短时傅里叶变换和卷积神经网络的液位预测方法 |
CN111915007A (zh) * | 2020-07-29 | 2020-11-10 | 厦门大学 | 一种基于神经网络的磁共振谱降噪方法 |
CN112561135A (zh) * | 2020-11-30 | 2021-03-26 | 西安科锐盛创新科技有限公司 | 一种基于机器学习的水流量预测方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
徐启伟等: "基于深度卷积神经网络的大气湍流相位提取", 《物理学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113361819B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | A globally convergent algorithm for nonconvex optimization based on block coordinate update | |
CN110287961B (zh) | 中文分词方法、电子装置及可读存储介质 | |
CN111091603B (zh) | 一种超声成像方法、装置、可读存储介质及终端设备 | |
Fercoq et al. | Optimization in high dimensions via accelerated, parallel, and proximal coordinate descent | |
Rajaratnam et al. | Influence diagnostics for high-dimensional lasso regression | |
CN113743650B (zh) | 电力负荷预测方法、装置、设备与存储介质 | |
Wu et al. | Compiler-aware neural architecture search for on-mobile real-time super-resolution | |
CN111580654A (zh) | 一种基于emd的脑电信号的短时特征提取方法 | |
CN114444668A (zh) | 网络量化方法及系统及装置及介质及图像处理方法 | |
CN113361819B (zh) | 一种线性预测方法及装置 | |
CN116150594B (zh) | 一种频谱测试数据中开关类要素特征的识别方法 | |
KR20210143460A (ko) | 특징 추천 장치 및 그것의 특징 추천 방법 | |
CN116628600A (zh) | 基于随机森林的不平衡数据采样方法及装置 | |
Feng et al. | Spatiotemporal prediction based on feature classification for multivariate floating-point time series lossy compression | |
CN116580702A (zh) | 基于人工智能的语音识别方法、装置、计算机设备及介质 | |
CN113779498B (zh) | 离散傅里叶矩阵重构方法、装置、设备和存储介质 | |
CN115994565A (zh) | 离散傅立叶相关变换的硬件实施 | |
CN107491417A (zh) | 一种基于特定划分的主题模型下的文档生成方法 | |
CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
CN110441746B (zh) | 一种时域门变换方法和装置 | |
Vyas et al. | Empirical limitations of the NTK for understanding scaling laws in deep learning | |
CN117891760B (zh) | 一种dma稀疏化访存方法、智能计算子系统及智能计算平台 | |
CN106776598B (zh) | 一种信息处理方法及装置 | |
CN114238583B (zh) | 自然语言处理方法、装置、计算机设备及存储介质 | |
CN110363078B (zh) | 一种基于ADMM-Net的高光谱图像分类方法及装置 |
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 |