CN113657593A - 一种基于bp神经网络的等离子体参数诊断方法 - Google Patents

一种基于bp神经网络的等离子体参数诊断方法 Download PDF

Info

Publication number
CN113657593A
CN113657593A CN202110875984.8A CN202110875984A CN113657593A CN 113657593 A CN113657593 A CN 113657593A CN 202110875984 A CN202110875984 A CN 202110875984A CN 113657593 A CN113657593 A CN 113657593A
Authority
CN
China
Prior art keywords
neural network
data
model
electron density
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.)
Granted
Application number
CN202110875984.8A
Other languages
English (en)
Other versions
CN113657593B (zh
Inventor
刘江凡
蒋菁
焦子涵
白光辉
李铮
高世琦
席晓莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Beijing Institute of Near Space Vehicles System Engineering
Original Assignee
Xian University of Technology
Beijing Institute of Near Space Vehicles System Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology, Beijing Institute of Near Space Vehicles System Engineering filed Critical Xian University of Technology
Priority to CN202110875984.8A priority Critical patent/CN113657593B/zh
Publication of CN113657593A publication Critical patent/CN113657593A/zh
Application granted granted Critical
Publication of CN113657593B publication Critical patent/CN113657593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
    • H05H1/00—Generating plasma; Handling plasma
    • H05H1/0006—Investigating plasma, e.g. measuring the degree of ionisation or the electron temperature

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Plasma & Fusion (AREA)
  • Plasma Technology (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

一种基于BP神经网络的等离子体参数诊断方法，包括以下步骤：步骤1，数据采集；步骤2，数据预处理；步骤3，数据导入与划分；步骤4，构建网络模型；步骤5，模型训练；步骤6，模型测试及评估；通过Adam梯度下降优化算法，自适应学习率调整策略及交叉验证等方法，充分利用全部频点信息，将BP神经网络与等离子体电子密度相结合，通过反射系数幅度和相位对电子密度进行预估诊断。

Description

一种基于BP神经网络的等离子体参数诊断方法
技术领域
本发明属于电磁学技术领域，具体涉及一种基于BP神经网络的等离子体参数诊断方法。
背景技术
“黑障”现象会致使通信质量恶化，严重时导致通信中断，从而影响测控通信信号的传输质量和可靠性。研究表明，“黑障”现象产生的本质原因是等离子鞘套对电磁波的衰减及对天线性系统的影响，导致进入接收机信号的信噪比过低，接收机无法对信号进行检测和提取，造成信号传输的中断。要有效解决黑障问题，需要对等离子鞘套的电磁波传播特性进行研究,首先需要获得鞘套的参数分布，对等离子体电子密度诊断的研究是在此基础展开的。
由于等离子鞘套分布的非均匀性、动态性，在其中传播的平面波伴随着反射、吸收和透射等效应，反射系数的幅度和相位均与等离子体的电子密度及碰撞频率等有关，这就为等离子体参数诊断提供了可行性。
传统多频点微波反射方法利用电磁波在等离子体中传播的截止特性诊断电子密度，即不同频率处的电磁波会在不同电子密度临界面上发生全反射，通过测量不同频率处的电磁波被等离子体全反射的相位变化情况来确定等离子体的电子密度。该方法仅能获得双高斯分布上升沿的电子密度信息，对于完整的曲线无法拟合，具有一定的局限性。
发明内容
为克服上述现有技术的不足，本发明目的在于提供了一种基于BP神经网络的等离子体参数诊断方法，通过Adam梯度下降优化算法，自适应学习率调整策略及交叉验证等方法，充分利用全部频点信息，将BP神经网络与等离子体电子密度相结合，通过反射系数幅度和相位对电子密度进行预估诊断。
为实现上述目的，本发明采用的技术方案是：一种基于BP神经网络的等离子体参数诊断方法，包括以下步骤：
步骤1，数据采集；
步骤2，数据预处理；
步骤3，数据导入与划分；
步骤4，构建网络模型；本步骤又具体包括步骤：
步骤4-1：隐含层数及节点数的确定；
步骤4-2：定义损失函数；
步骤5，模型训练；
步骤6，模型测试及评估；
所述的步骤1，具体做法是：
首先，将等离子体双高斯电子密度分布模型均匀分为100层，利用混合矩阵法(HMM)对该模型进行分层及参数计算，通过发射0.1GHZ～4GHZ频率范围的电磁波信号，对不同电子密度分布下电磁波的幅频相频特性进行仿真，得到当电磁波垂直入射到等离子鞘套时，反射特性随频率的变化情况，并提取数值作为样本数据集；
将所有不同等离子体电子密度分布值及相应的反射系数幅度、相位数据导出制成样本数据集，将仿真所得的反射系数幅度、相位分别作为特征x1、x2输入神经网络；将分层等离子体模型按每层所对应的电子密度作为标签y输出，共计60余万组样本数据。
所述的步骤2，具体做法是：对样本数据集特征部分降维处理，并采用z-score数据标准化处理。
所述的步骤3，数据划分的具体做法是：
随机选取并划分80％的数据比例作为训练集，剩余的20％作为测试集进行训练。
所述的步骤4-1的隐含层数及节点数的确定，具体做法是：
构建3层BP神经网络模型，其中第一层到第三层分别由950，850，800个神经元构成，均采用tanh激活函数对输入输出进行非线性映射。
所述的步骤4-2的定义损失函数，具体做法是：采用均方误差定义损失函数。
所述的步骤5，具体做法是：
采用全部训练集对步骤4所构建的BP神经网络模型进行训练，使用步骤4-2定义的损失函数作为目标函数，采用Adam算法进行优化，通过自适应学习率调整策略来控制着迭代的次数和效果；使用测试集对每轮网络模型进行测试，并通过K折交叉验证的检验方法进行准确度的评估，保存多次训练中准确度最高的神经网络模型作为最优模型。
所述的步骤6，具体做法是：
使用步骤5训练出的最优模型最为最终电子密度参数诊断模型，对NASA宇航局RAM-C实验中采集到的71km、76km飞行高度处，垂直于飞行器表面方向鞘套电子密度分布曲线进行数据提取，并将其均匀分为100层，分别获得每层电子密度分布值，并利用HMM法获取相应的反射系数幅度和相位，将获取到的数据分别进行标准化处理，并将其导入最终的网络模型中进行测试，获取相应的预测及评估结果。
本发明的有益效果：
本发明是一种基于BP神经网络的等离子体参数诊断方法，通过电磁波入射等离子体所得的反射系数幅度及相位，对等离子鞘套电子密度分布进行预估诊断。网络训练所得的电子密度分布与通过HMM法仿真所得的原数据基本一致。相较传统微波反射法通过截止特性诊断电子密度，本发明能充分利用全部频点信息，可以较为精确拟合获得包括上升沿在内的完整电子密度分布曲线。
附图说明
图1是本发明的算法流程图。
图2是本发明的神经网络拓扑结构示意图。
图3是本发明的方法预测的电子密度分布结果与RAM-C实验71km高度处碰撞频率为1GHz时样本数据对比图。
图4是本发明的方法预测的电子密度分布结果与RAM-C实验71km高度处碰撞频率为0.1ωp时样本数据对比图。
图5是本发明的方法预测的电子密度分布结果与RAM-C实验76km高度处碰撞频率为1GHz时样本数据对比图。
图6是本发明的方法预测的电子密度分布结果与RAM-C实验76km高度处碰撞频率为0.1ωp时样本数据对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参见图1，本发明是一种基于BP神经网络对等离子鞘套电子密度进行预估诊断的方法，所依据的原理是：
首先，通过HMM法获取等离子体不同电子密度分布下所对应的反射系数幅度、相位，并按照采样频率0.1GHZ的间隔，即40个频点的反射系数幅度、相位为一组样本，分别作为神经网络的特征x1、x2；将15cm鞘套厚度的等离子体模型均分为100层，每层所对应的电子密度分布值作为标签y。以BP神经网络梯度下降法为基础，通过学习过程中使用Adam优化算法及自适应学习率调整策略，不断迭代计算找到损失函数的最小值，自动获取最优权重及偏置参数，使网络预测结果与样本标签之间的误差达到最小，最终获取损失函数最小时对应的模型参数，并通过交叉验证方法对模型进行评估。
步骤1，数据采集
首先采用混合矩阵法(Hybrid Matrix Method，HMM)对双高斯电子密度分布模型下的反射系数的幅频、相频曲线进行模拟仿真，
电子密度双高斯分布表达式为：
Figure BDA0003190300660000041
其中，ne(d)表示不同厚度处电子密度值；ne(peak)表示电子密度峰值，取值范围为5×1016～1×1019m-3；a1,a2为衰减常数，取值为100～2000随机整数；zt表示鞘套厚度，取值15cm；z0表示峰值所在中心位置，取值范围为0～15cm，
将所有不同等离子体电子密度分布值及相应的反射系数幅度、相位数据导出制成样本数据集，样本特征为反射系数幅度、相位，样本标签为电子密度分布值，共计60余万个样本数据；
步骤2，数据预处理
对样本数据集特征部分降维处理，并采用z-score数据标准化处理，转化公式为：
Figure BDA0003190300660000051
其中μ为所有样本数据的均值，σ为所有样本数据的标准差，
对数据进行预处理可用于消除量纲差异，避免异常值和极端值的影响，同时不改变原始数据的分布，并加快学习算法的收敛速度及精度；
步骤3，数据划分
随机选取80％的数据比例作为训练集，剩余的20％作为测试集进行训练；
步骤4，构建网络模型
步骤4-1：隐含层数及节点数的确定
构建3层BP神经网络模型，参见图2，其中第一层到第三层分别由950，850，800个神经元构成，均采用tanh激活函数对输入输出进行非线性映射，表达式为：
Figure BDA0003190300660000052
步骤4-2，定义损失函数
采用均方误差定义损失函数，表达式为:
Figure BDA0003190300660000053
其中，
Figure BDA0003190300660000061
表示该样本的预测值，yi表示该样本的真实值，N表示训练集总样本量，α是正则化系数，取值0.01，
Figure BDA0003190300660000062
表示在L2正则化中使用的系数的L2范式的平方，两者组成的正则项使用来减轻神经网络过拟合的；
步骤5，模型训练
采用全部训练集对步骤4所构建的BP神经网络模型进行训练，使用步骤4-2定义的损失函数作为目标函数，采用Adam算法进行优化，算法迭代更新表达式为：
Figure BDA0003190300660000063
其中，ω是待训练的网络参数，dω是原始梯度；υ表示指数加权平均计算出来的梯度，相当于对原始梯度进行了平滑处理；s表示对梯度的平方进行平滑处理；α为学习率或步长因子，控制了权重的更新比率，取值为0.0001；β1为一阶矩估计的指数衰减率，取值0.9；β2为二阶矩估计的指数衰减率，取值0.999；ε是非常小的数，防止在实现中除以零，取值为1×10-8；
其次，通过自适应学习率调整策略来控制着迭代的次数和效果，共迭代5000次；最后，使用测试集对每轮网络模型进行测试，并通过K折交叉验证的检验方法进行准确度的评估，交叉验证折数cv＝5，保存多次训练中准确度最高的神经网络模型作为最优模型；
步骤6，模型测试及评估
使用步骤5训练出的最优模型最为最终电子密度参数诊断模型，对NASA宇航局RAM-C实验中采集到的71km、76km飞行高度处，垂直于飞行器表面方向鞘套电子密度分布曲线进行数据提取，并将其均匀分为100层，分别获得每层电子密度分布值，并利用HMM法获取相应的反射系数幅度和相位，将获取到的数据分别进行标准化处理，并将其导入最终的网络模型中进行测试，获取相应的预测及评估结果。
参见图3，图3为本发明的方法预测的电子密度分布结果与RAM-C实验71km高度处碰撞频率为1GHz时样本数据对比图。网络训练所得的电子密度分布与通过HMM法仿真所得的原数据基本一致，计算所得标准化MSE误差约为0.02874，电子密度峰值所在中心位置z0附近拟合程度较高，下降沿存在一定误差，误差的引入主要有两方面，首先，样本训练集设置鞘套厚度为15cm，RAM-C实验所得71km飞行高度处数据作为测试集，鞘套厚度约为12cm，所差3cm数据使用鞘套最后一层电子密度值补全，导致一定误差；其次，样本训练采用理想双高斯分布模型，测试集所用为实验采集的真实值，同样引入微小误差。
参见图4，图4为本发明的方法预测的电子密度分布结果与RAM-C实验71km高度处碰撞频率为0.1ωp时样本数据对比图。网络训练所得的电子密度分布与通过HMM法仿真所得的原数据基本一致，计算所得标准化MSE误差约为0.01548，下降沿存在误差的原因同样主要由鞘套厚度差异所致。
参见图5，图5为本发明的方法预测的电子密度分布结果与RAM-C实验76km高度处碰撞频率为1GHz时样本数据对比图。网络训练所得的电子密度分布与通过HMM法仿真所得的原数据基本一致，计算所得标准化MSE误差约为0.00681，下降沿存在微小误差的原因由76km飞行高度处测试样本鞘套厚度约为14cm，与训练样本厚度存在1cm差异，使用鞘套最后一层电子密度值补全所致。
参见图6，图6为本发明的方法预测的电子密度分布结果与RAM-C实验76km高度处碰撞频率为0.1ωp时样本数据对比图。网络训练所得的电子密度分布与通过HMM法仿真所得的原数据基本一致，计算所得标准化MSE误差约为0.00953，下降沿存在微小误差的原因同样由测试集鞘套厚度差异所致。

Claims (8)

1.一种基于BP神经网络的等离子体参数诊断方法，其特征在于，包括以下步骤：
步骤1，数据采集；
步骤2，数据预处理；
步骤3，数据导入与划分；
步骤4，构建网络模型；本步骤又具体包括步骤：
步骤4-1：隐含层数及节点数的确定；
步骤4-2：定义损失函数；
步骤5，模型训练；
步骤6，模型测试及评估。
2.根据权利要求1所述的一种基于BP神经网络的等离子体参数诊断方法，其特征在于，所述的步骤1，具体做法是：
首先，将等离子体双高斯电子密度分布模型均匀分为100层，利用混合矩阵法对该模型进行分层及参数计算，通过发射0.1GHZ～4GHZ频率范围的电磁波信号，对不同电子密度分布下电磁波的幅频相频特性进行仿真，得到当电磁波垂直入射到等离子鞘套时，反射特性随频率的变化情况，并提取数值作为样本数据集；
将所有不同等离子体电子密度分布值及相应的反射系数幅度、相位数据导出制成样本数据集，将仿真所得的反射系数幅度、相位分别作为特征x1、x2输入神经网络；将分层等离子体模型按每层所对应的电子密度作为标签y输出，共计60余万组样本数据。
3.根据权利要求1所述的一种基于BP神经网络的等离子体参数诊断方法，其特征在于，所述的步骤2，具体做法是：对样本数据集特征部分降维处理，并采用z-score数据标准化处理。
4.根据权利要求1所述的一种基于BP神经网络的等离子体参数诊断方法，其特征在于，所述的步骤3，数据划分的具体做法是：
随机选取并划分80％的数据比例作为训练集，剩余的20％作为测试集进行训练。
5.根据权利要求1所述的一种基于BP神经网络的等离子体参数诊断方法，其特征在于，所述的步骤4-1的隐含层数及节点数的确定，具体做法是：
构建3层BP神经网络模型，其中第一层到第三层分别由950，850，800个神经元构成，均采用tanh激活函数对输入输出进行非线性映射。
6.根据权利要求1所述的一种基于BP神经网络的等离子体参数诊断方法，其特征在于，所述的步骤4-2的定义损失函数，具体做法是：采用均方误差定义损失函数。
7.根据权利要求1所述的一种基于BP神经网络的等离子体参数诊断方法，其特征在于，所述的步骤5，具体做法是：
采用全部训练集对步骤4所构建的BP神经网络模型进行训练，使用步骤4-2定义的损失函数作为目标函数，采用Adam算法进行优化，通过自适应学习率调整策略来控制着迭代的次数和效果；使用测试集对每轮网络模型进行测试，并通过K折交叉验证的检验方法进行准确度的评估，保存多次训练中准确度最高的神经网络模型作为最优模型。
8.根据权利要求1所述的一种基于BP神经网络的等离子体参数诊断方法，其特征在于，所述的步骤6，具体做法是：
使用步骤5训练出的最优模型最为最终电子密度参数诊断模型，对NASA宇航局RAM-C实验中采集到的71km、76km飞行高度处，垂直于飞行器表面方向鞘套电子密度分布曲线进行数据提取，并将其均匀分为100层，分别获得每层电子密度分布值，并利用HMM法获取相应的反射系数幅度和相位，将获取到的数据分别进行标准化处理，并将其导入最终的网络模型中进行测试，获取相应的预测及评估结果。
CN202110875984.8A 2021-07-30 2021-07-30 一种基于bp神经网络的等离子体参数诊断方法 Active CN113657593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110875984.8A CN113657593B (zh) 2021-07-30 2021-07-30 一种基于bp神经网络的等离子体参数诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110875984.8A CN113657593B (zh) 2021-07-30 2021-07-30 一种基于bp神经网络的等离子体参数诊断方法

Publications (2)

Publication Number Publication Date
CN113657593A true CN113657593A (zh) 2021-11-16
CN113657593B CN113657593B (zh) 2024-02-02

Family

ID=78478205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110875984.8A Active CN113657593B (zh) 2021-07-30 2021-07-30 一种基于bp神经网络的等离子体参数诊断方法

Country Status (1)

Country Link
CN (1) CN113657593B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117030683A (zh) * 2023-07-03 2023-11-10 盐城工学院 一种等离子体电子密度发射光谱诊断方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7286948B1 (en) * 2006-06-16 2007-10-23 Applied Materials, Inc. Method for determining plasma characteristics
JP2010232110A (ja) * 2009-03-29 2010-10-14 Chube Univ 高圧力プラズマの電子密度および／または電子衝突周波数測定が可能な測定方法及び測定装置
US20120084046A1 (en) * 2010-10-01 2012-04-05 The Government Of The United States Of America, As Represented By The Secretary Of The Navy LC Resonance Probe for Determining Local Plasma Density
CN109492287A (zh) * 2018-10-30 2019-03-19 成都云材智慧数据科技有限公司 一种基于bp神经网络的固态电解质离子电导率预测方法
CN111182705A (zh) * 2020-01-03 2020-05-19 西安电子科技大学 基于自动编码器的时变等离子体诊断方法及诊断系统
CN111200896A (zh) * 2020-01-14 2020-05-26 西安电子科技大学 基于宽带反射系数曲线曲率分析的等离子体参数诊断方法
CN113128050A (zh) * 2021-04-21 2021-07-16 西安电子科技大学 基于波阻抗不变点的等离子体电子密度和碰撞频率联合诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7286948B1 (en) * 2006-06-16 2007-10-23 Applied Materials, Inc. Method for determining plasma characteristics
JP2010232110A (ja) * 2009-03-29 2010-10-14 Chube Univ 高圧力プラズマの電子密度および／または電子衝突周波数測定が可能な測定方法及び測定装置
US20120084046A1 (en) * 2010-10-01 2012-04-05 The Government Of The United States Of America, As Represented By The Secretary Of The Navy LC Resonance Probe for Determining Local Plasma Density
CN109492287A (zh) * 2018-10-30 2019-03-19 成都云材智慧数据科技有限公司 一种基于bp神经网络的固态电解质离子电导率预测方法
CN111182705A (zh) * 2020-01-03 2020-05-19 西安电子科技大学 基于自动编码器的时变等离子体诊断方法及诊断系统
CN111200896A (zh) * 2020-01-14 2020-05-26 西安电子科技大学 基于宽带反射系数曲线曲率分析的等离子体参数诊断方法
CN113128050A (zh) * 2021-04-21 2021-07-16 西安电子科技大学 基于波阻抗不变点的等离子体电子密度和碰撞频率联合诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
凌云飞;陈长兴;蒋金;: "飞行器临近空间通信信号传输特性研究", 计算机仿真, no. 02 *
吴晓明;杨帆;解田;吴丽;朱铧丞;杨阳;黄卡玛;: "基于传输反射法的等离子体相对复介电系数测量", 太赫兹科学与电子信息学报, no. 02 *
宋向阳,韩申生,徐至展,黎忠,张令清,张正泉: "利用人工神经网络进行激光等离子体诊断", 光学学报, no. 04 *
蒲杨云: "等离子体参数的微波诊断技术研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117030683A (zh) * 2023-07-03 2023-11-10 盐城工学院 一种等离子体电子密度发射光谱诊断方法及系统
CN117030683B (zh) * 2023-07-03 2024-01-23 盐城工学院 一种等离子体电子密度发射光谱诊断方法及系统

Also Published As

Publication number Publication date
CN113657593B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN110222748B (zh) 基于1d-cnn多域特征融合的ofdm雷达信号识别方法
CN113568055B (zh) 一种基于lstm网络的航空瞬变电磁数据反演方法
CN111126471A (zh) 微地震事件检测方法及系统
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN113177356A (zh) 一种基于深度学习的目标电磁散射特性快速预测方法
CN110888105A (zh) 一种基于卷积神经网络和接收信号强度的doa估计方法
CN110207689A (zh) 一种基于小波熵的脉冲星信号去噪及辨识方法
CN113657593A (zh) 一种基于bp神经网络的等离子体参数诊断方法
CN111506868B (zh) 一种基于hht权值优化的超短期风速预测方法
CN114722502B (zh) 基于模拟退火的加权Kriging襟翼不对称的可靠性分析方法
CN113408200B (zh) 航空装备振动环境分析和预测方法
CN113486591B (zh) 一种卷积神经网络结果的重力多参量数据密度加权反演方法
CN105656577B (zh) 面向信道冲激响应的分簇方法和装置
CN114594440A (zh) 基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统
CN113472415A (zh) 信号到达角估计方法、装置、电子设备及存储介质
Wang et al. Multi‐harmonic sources location based on sparse component analysis and complex independent component analysis
CN113076686A (zh) 一种基于社会长短期记忆网络的航空器轨迹预测方法
CN110764084A (zh) 一种复杂地形下遮蔽目标的雷达探测方法
CN111859241A (zh) 一种基于声传递函数学习的非监督声源定向方法
CN116562118A (zh) 基于Elman神经网络的热障涂层陶瓷层厚度太赫兹测量方法
CN111610514B (zh) 一种蒸发波导传播特性的反演方法及装置
CN108446506A (zh) 一种基于区间反馈神经网络的不确定系统建模方法
Xu et al. The pattern recognition of multisource partial discharge in transformers based on parallel feature domain
Danilov et al. A classification of meteor radio echoes based on artificial neural network

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