CN113761797A - 一种基于计算机视觉的无线信道路径损耗模型预测方法 - Google Patents
一种基于计算机视觉的无线信道路径损耗模型预测方法 Download PDFInfo
- Publication number
- CN113761797A CN113761797A CN202110992946.0A CN202110992946A CN113761797A CN 113761797 A CN113761797 A CN 113761797A CN 202110992946 A CN202110992946 A CN 202110992946A CN 113761797 A CN113761797 A CN 113761797A
- Authority
- CN
- China
- Prior art keywords
- path loss
- network
- points
- value
- map
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开一种基于计算机视觉的无线信道路径损耗模型预测方法,通过CV中的卷积神经网络方式,对地图进行处理预测收发信机之间位置距离不同引起的路径损耗变化,弹并不将衰落信道的时频特性构建为图像进行处理。本发明也与即时定位与建图技术不同,不是去识别三维空间的结构再去基于射线跟踪等方法生成快衰信道模型,而是基于CV中的卷积神经网络,选用计算机视觉组网络,处理含有地形信息或地物信息的图像,以ITU‑R P.1546信道模型或实测数据作为参照,训练后得出某类地形图中收发信机两点间路径损耗网络,直接预测两点间的路损,最终体现为路损与距离的关系。
Description
技术领域
本发明涉及一种无线信道路径损耗模型预测方法,特别是一种基于计算机视觉的无线信道路径损耗模型预测方法。
背景技术
传统的方法是基于地形简单分类进行预测,得到的模型比较简化,精度有限。而更精细的电磁场建模,例如基于射线跟踪或射线发射的方法,在射线数量非常庞大的情况下,复杂度较高。相关研究有:M.M.Taygur,et al,"A Ray-Tracing Algorithm Based on theComputation of(Exact)Ray Paths With Bidirectional Ray-Tracing,"inIEEETransactions on Antennas and Propagation,vol.68,no.8,pp.6277-6286,Aug.2020;K.H.Ng,et al,"A New Heuristic Geometrical Approach for Finding Non-Coplanar Multiple Edge Diffraction Ray Paths,"in IEEE Transactions onAntennas and Propagation,vol.54,no.9,pp.2669-2672,Sept.2006。
传统人工神经网络即ANN用于预测规律,输入的是随时间或位置变化的一组数据,比如距离和信号强度的路径损耗,输出是一个路损或快衰的变化趋势,并没有直接考虑影响路径损耗的地形、障碍物等因素。这类研究有:Run-Fa Liao,et al,"The RayleighFading Channel Prediction via Deep Learning,"in Hindawi WirelessCommunications and Mobile Computing,2018;T.Ding,et al,"Fading ChannelPrediction Based on Combination of Complex-Valued Neural Networks and ChirpZ-Transform,"in IEEE Transactions on Neural Networks and Learning Systems,vol.25,no.9,pp.1686-1695,Sept.2014;W.Jiang,et al,"Neural Network-Based FadingChannel Prediction:A Comprehensive Overview,"in IEEE Access,vol.7,pp.118112-118124,2019。
已有的CV在通信有关的应用中,有时频谱的信号特征提取,比如用生成对抗网络将快衰信道的时频特性构建为图像生成统计特征相近的快衰信道,例如:ShirinSeyedsalehi,et al;Propagation Channel Modeling by Deep learning Techniques;arXiv:1908.06767v1[eess.SP]19 Aug 2019。以及SLAM基于环境、物体识别和三维空间重构生成较精细的快衰模型,这些也都未用于研究复杂地形的路径损耗模型预测,与我们技术目标和实施步骤不同。相关研究有:张建华,马占宇,贺文锐,张宇翔。利用三维视觉重建技术的信道建模方法和装置[P]。北京市:CN107705359B,2020-07-07。
发明内容
本发明目的在于提供一种基于计算机视觉的无线信道路径损耗模型预测方法,解决不能进行复杂地形的路径损耗模型预测的问题。
一种基于计算机视觉的无线信道路径损耗模型预测方法的具体步骤为:
第一步 将带有地形信息或地物信息的图像转化为可以供CV处理的矩阵
将地图转化为可以供CV处理的矩阵H
矩阵中的一个元素hij代表地图中的一个小的面积元,一个面积元相当于一个网格,取中心点的地形高度,这个面积元所取的大小与待研究的传播模型对应的电磁波波长相关,波长越大,面积元越大。这个矩阵包含对应收发信机位置的两个点,这两个点的元素取值体现其高度,矩阵对应的面积范围至少包含收发信机两点确定的全部第一菲涅尔区,这两个点为所对应菲涅尔区椭球的焦点。矩阵中元素的取值当代表高度时,则其精度也与待研究传播模型的波长相关,波长越大,精度越粗。地图一个像素最小代表半个波长*半个波长,最多代表10个波长*10个波长,在这个范围内精度不够时内插像素。
第二步 根据地图矩阵的大小和要预测的无线信号传播耗损的精度要求,对CNN的网络结构及参数(X、Y、Z)进行初始化并进行优化
确定CNN网络结构及超参数。使用VGG网络基础结构,网络包含若干卷积池化层,紧随若干全连接层,每个卷积池化层包括两层卷积和一层最大池化。依据地图大小设定卷积核大小以保证足够的感知野,VGG网络默认输入224x224大小图片时卷积核设定为3x3大小,对于512x512地图卷积核设定为5x5。设定卷积通道数规则,初始卷积通道为8,每经过一个卷积池化层通道数翻倍。
使用基于python的tensorflow架构工具包构建网络结构,配置网络参数以及训练。网络训练时将数据集中的样本作为网络输入,得到预测值,并根据预测值和标签真实值得到损失函数值,采用反向传播法更新网络各节点权值,实现一次训练,该过程迭代多次达到收敛。设数据集高度地形图矩阵为Hk,k为数据集序号,w为所有网络权值,Fw(H)为神经网络的损耗均值输出,K为数据集总样本数,Lk为第k个样本的点对点损耗值,训练目标用公式(4)表示为:
公式(4)中,w*为收敛后网络权值。
优化部分CNN网络参数,即:X、Y、Z和X对应卷积池化层深度,Y对应全连接层深度,Z对应神经元节点数相对于初始节点数的倍增量。基本原则,先设置较小的X、Y和Z值,进而按顺序依次增加X、Y和Z值直至误差性能改善不明显。具体的,根据收发信机连线间地形起伏特征的复杂程度确定卷积池化层深度X,越复杂的地形需要的深度越大,根据需学习的信道模型或实际环境绕射的复杂程度确定全连接层的深度Y和神经元数量,越复杂的模型或环境需要越深的全连接层和更多神经元,单刃时,设置X=3,Y=4,Z=1,按此参数进行训练和测试得出误差性能。
保持Y=4,Z=1,增加X的值,直至误差性能不再改善甚至反而恶化或者训练难以收敛,例如得到X增加到4时误差性能不再改善。
保持X=4,Z=1,增加Y的值,每增加一层,新增加层的神经元节点数按比例缩小,直至误差性能不再改善甚至反而恶化或者训练难以收敛;当发现增加Y的值反而引起误差恶化时则减小Y的值直至误差性能不再改善,得到Y增加到5时误差性能不再改善。
保持X=4,Y=5,增加Z的值,所有全连接层的神经元节点数以Z为倍数成比例增加,直至误差性能不再改善甚至反而恶化或者训练难以收敛,得到Z增加到2时误差性能不再改善;得到误差性能最好的X、Y和Z取值分别为4、5和2。
第三步 基于已经训练好的CNN模型,对于更复杂的地形或更远的传播距离,对传播路径进行分段后预测各段路径损耗后再叠加
在初始化并优化的基础上,对于地形特别复杂或收发信机之间距离特别大的情况,将收发信机之间的路径分段,分段的位置选路径中的距离相对较远且比周围环境较高障碍物顶端作为临时收发信机;当没有这样的位置时,则选择两个较高的障碍物之间连线中一点作为临时收发信机,每段对应一个地图范围,计算每段中收发信机即临时收发信机之间的路径损耗,最后叠加得到总的路径损耗。即选一个长图片上两个距离较远的点,把图裁成两个,以及对应矩阵拆为两个,分别计算。设初始收发信机分别位于左上半区和右下半区,利用两个矩阵分别处理,用公式(5)表示:
设路径分段点为(a0,b0),其中,a2≤a0≤a1,b2≤b0≤b1。a1,b1,a2,b2的取值保证临时收发信机与初始收发信机所在位置位于第一菲涅尔区。
第四步 设置预定频率间隔,利用已有CNN模型获得一系列特定频点的路径损耗,进而推算出其他频点的路径损耗
对于不同频点的路径损耗的确定,在初始化并优化以及叠加的基础上,先对给定的具有预定间隔的频率进行训练,得到相应的路径损耗模型,然后通过在频域的基于多项式的内插或外推得到其他邻近频点对应的路径损耗值。即a频点经网络预测得到的路径损耗为La,b频点预测的路径损耗为Lb,使用一维内插,c频点的路径损耗Lc计算用公式(6)表示为:
至此,完成基于计算机视觉的无线信道路径损耗模型预测。
本发明充分利用了计算机视觉神经网络提取图形特征和构造复杂映射的两方面优势,经过训练后的神经网络可以在微型处理器支持的系统上快速识别地形图得出较为精确的传播损耗预测值,在精度和复杂度以及适应不同场景的变化上,取得了更好的平衡。而且随着在实际使用中获得更多的实际数据,该神经网络可以日益完善,性能随着使用更加优化。
具体实施方式
一种基于计算机视觉的无线信道路径损耗模型预测方法的具体步骤为:
第一步 将带有地形信息或地物信息的图像转化为可以供CV处理的矩阵
将地图转化为可以供CV处理的矩阵H
矩阵中的一个元素hij代表地图中的一个小的面积元,一个面积元相当于一个网格,取中心点的地形高度,这个面积元所取的大小与待研究的传播模型对应的电磁波波长相关,波长越大,面积元越大。这个矩阵包含对应收发信机位置的两个点,这两个点的元素取值体现其高度,矩阵对应的面积范围至少包含收发信机两点确定的全部第一菲涅尔区,这两个点为所对应菲涅尔区椭球的焦点。矩阵中元素的取值当代表高度时,则其精度也与待研究传播模型的波长相关,波长越大,精度越粗。地图一个像素最小代表半个波长*半个波长,最多代表10个波长*10个波长,在这个范围内精度不够时内插像素。
第二步 根据地图矩阵的大小和要预测的无线信号传播耗损的精度要求,对CNN的网络结构及参数(X、Y、Z)进行初始化并进行优化
确定CNN网络结构及超参数。使用VGG网络基础结构,网络包含若干卷积池化层,紧随若干全连接层,每个卷积池化层包括两层卷积和一层最大池化。依据地图大小设定卷积核大小以保证足够的感知野,VGG网络默认输入224x224大小图片时卷积核设定为3x3大小,对于512x512地图卷积核设定为5x5。设定卷积通道数规则,初始卷积通道为8,每经过一个卷积池化层通道数翻倍。
使用基于python的tensorflow架构工具包构建网络结构,配置网络参数以及训练。网络训练时将数据集中的样本作为网络输入,得到预测值,并根据预测值和标签真实值得到损失函数值,采用反向传播法更新网络各节点权值,实现一次训练,该过程迭代多次达到收敛。设数据集高度地形图矩阵为Hk,k为数据集序号,w为所有网络权值,Fw(H)为神经网络的损耗均值输出,K为数据集总样本数,Lk为第k个样本的点对点损耗值,训练目标用公式(4)表示为:
公式(4)中,w*为收敛后网络权值。
优化部分CNN网络参数,即:X、Y、Z和X对应卷积池化层深度,Y对应全连接层深度,Z对应神经元节点数相对于初始节点数的倍增量。基本原则,先设置较小的X、Y和Z值,进而按顺序依次增加X、Y和Z值直至误差性能改善不明显。具体的,根据收发信机连线间地形起伏特征的复杂程度确定卷积池化层深度X,越复杂的地形需要的深度越大,根据需学习的信道模型或实际环境绕射的复杂程度确定全连接层的深度Y和神经元数量,越复杂的模型或环境需要越深的全连接层和更多神经元,单刃时,设置X=3,Y=4,Z=1,按此参数进行训练和测试得出误差性能。
保持Y=4,Z=1,增加X的值,直至误差性能不再改善甚至反而恶化或者训练难以收敛,例如得到X增加到4时误差性能不再改善。
保持X=4,Z=1,增加Y的值,每增加一层,新增加层的神经元节点数按比例缩小,直至误差性能不再改善甚至反而恶化或者训练难以收敛;当发现增加Y的值反而引起误差恶化时则减小Y的值直至误差性能不再改善,得到Y增加到5时误差性能不再改善。
保持X=4,Y=5,增加Z的值,所有全连接层的神经元节点数以Z为倍数成比例增加,直至误差性能不再改善甚至反而恶化或者训练难以收敛,得到Z增加到2时误差性能不再改善;得到误差性能最好的X、Y和Z取值分别为4、5和2。
第三步 基于已经训练好的CNN模型,对于更复杂的地形或更远的传播距离,对传播路径进行分段后预测各段路径损耗后再叠加
在初始化并优化的基础上,对于地形特别复杂或收发信机之间距离特别大的情况,将收发信机之间的路径分段,分段的位置选路径中的距离相对较远且比周围环境较高障碍物顶端作为临时收发信机;当没有这样的位置时,则选择两个较高的障碍物之间连线中一点作为临时收发信机,每段对应一个地图范围,计算每段中收发信机即临时收发信机之间的路径损耗,最后叠加得到总的路径损耗。即选一个长图片上两个距离较远的点,把图裁成两个,以及对应矩阵拆为两个,分别计算。设初始收发信机分别位于左上半区和右下半区,利用两个矩阵分别处理,用公式(5)表示:
设路径分段点为(a0,b0),其中,a2≤a0≤a1,b2≤b0≤b1。a1,b1,a2,b2的取值保证临时收发信机与初始收发信机所在位置位于第一菲涅尔区。
第四步 设置预定频率间隔,利用已有CNN模型获得一系列特定频点的路径损耗,进而推算出其他频点的路径损耗
对于不同频点的路径损耗的确定,在初始化并优化以及叠加的基础上,先对给定的具有预定间隔的频率进行训练,得到相应的路径损耗模型,然后通过在频域的基于多项式的内插或外推得到其他邻近频点对应的路径损耗值。即a频点经网络预测得到的路径损耗为La,b频点预测的路径损耗为Lb,使用一维内插,c频点的路径损耗Lc计算用公式(6)表示为:
至此,完成基于计算机视觉的无线信道路径损耗模型预测。
Claims (2)
1.一种基于计算机视觉的无线信道路径损耗模型预测方法,其特征在于具体步骤为:
第一步 将带有地形信息或地物信息的图像转化为供CV处理的矩阵
将地图转化为可以供CV处理的矩阵H
矩阵中的一个元素hij代表地图中的一个小的面积元,一个面积元相当于一个网格,取中心点的地形高度,这个面积元所取的大小与待研究的传播模型对应的电磁波波长相关,波长越大,面积元越大;这个矩阵包含对应收发信机位置的两个点,这两个点的元素取值体现其高度,矩阵对应的面积范围至少包含收发信机两点确定的全部第一菲涅尔区,这两个点为所对应菲涅尔区椭球的焦点;矩阵中元素的取值当代表高度时,则其精度也与待研究传播模型的波长相关,波长越大,精度越粗;地图一个像素最小代表半个波长*半个波长,最多代表10个波长*10个波长,在这个范围内精度不够时内插像素;
第二步 根据地图矩阵的大小和要预测的无线信号传播耗损的精度要求,对CNN的网络结构及参数(X、Y、Z)进行初始化并进行优化
确定CNN网络结构及超参数;使用VGG网络基础结构,网络包含若干卷积池化层,紧随若干全连接层,每个卷积池化层包括两层卷积和一层最大池化;依据地图大小设定卷积核大小以保证足够的感知野,VGG网络默认输入224x224大小图片时卷积核设定为3x3大小,对于512x512地图卷积核设定为5x5;设定卷积通道数规则,初始卷积通道为8,每经过一个卷积池化层通道数翻倍;
使用基于python的tensorflow架构工具包构建网络结构,配置网络参数以及训练;网络训练时将数据集中的样本作为网络输入,得到预测值,并根据预测值和标签真实值得到损失函数值,采用反向传播法更新网络各节点权值,实现一次训练,该过程迭代多次达到收敛;设数据集高度地形图矩阵为Hk,k为数据集序号,w为所有网络权值,Fw(H)为神经网络的损耗均值输出,K为数据集总样本数,Lk为第k个样本的点对点损耗值,训练目标用公式(4)表示为:
优化部分CNN网络参数,即:X、Y、Z和X对应卷积池化层深度,Y对应全连接层深度,Z对应神经元节点数相对于初始节点数的倍增量;基本原则,先设置较小的X、Y和Z值,进而按顺序依次增加X、Y和Z值直至误差性能改善不明显;具体的,根据收发信机连线间地形起伏特征的复杂程度确定卷积池化层深度X,越复杂的地形需要的深度越大,根据需学习的信道模型或实际环境绕射的复杂程度确定全连接层的深度Y和神经元数量,越复杂的模型或环境需要越深的全连接层和更多神经元,单刃时,设置X=3,Y=4,Z=1,按此参数进行训练和测试得出误差性能;
保持Y=4,Z=1,增加X的值,直至误差性能不再改善甚至反而恶化或者训练难以收敛,例如得到X增加到4时误差性能不再改善;
保持X=4,Z=1,增加Y的值,每增加一层,新增加层的神经元节点数按比例缩小,直至误差性能不再改善甚至反而恶化或者训练难以收敛;当发现增加Y的值反而引起误差恶化时则减小Y的值直至误差性能不再改善,得到Y增加到5时误差性能不再改善;
保持X=4,Y=5,增加Z的值,所有全连接层的神经元节点数以Z为倍数成比例增加,直至误差性能不再改善甚至反而恶化或者训练难以收敛,得到Z增加到2时误差性能不再改善;得到误差性能最好的X、Y和Z取值分别为4、5和2;
第三步 基于已经训练好的CNN模型,对于更复杂的地形或更远的传播距离,对传播路径进行分段后预测各段路径损耗后再叠加
在初始化并优化的基础上,对于地形特别复杂或收发信机之间距离特别大的情况,将收发信机之间的路径分段,分段的位置选路径中的距离相对较远且比周围环境较高障碍物顶端作为临时收发信机;当没有这样的位置时,则选择两个较高的障碍物之间连线中一点作为临时收发信机,每段对应一个地图范围,计算每段中收发信机即临时收发信机之间的路径损耗,最后叠加得到总的路径损耗;即选一个长图片上两个距离较远的点,把图裁成两个,以及对应矩阵拆为两个,分别计算;设初始收发信机分别位于左上半区和右下半区,利用两个矩阵分别处理,用公式(5)表示:
设路径分段点为(a0,b0),其中,a2≤a0≤a1,b2≤b0≤b1;a1,b1,a2,b2的取值保证临时收发信机与初始收发信机所在位置位于第一菲涅尔区;
第四步 设置预定频率间隔,利用已有CNN模型获得一系列特定频点的路径损耗,进而推算出其他频点的路径损耗
对于不同频点的路径损耗的确定,在初始化并优化以及叠加的基础上,先对给定的具有预定间隔的频率进行训练,得到相应的路径损耗模型,然后通过在频域的基于多项式的内插或外推得到其他邻近频点对应的路径损耗值;即a频点经网络预测得到的路径损耗为La,b频点预测的路径损耗为Lb,使用一维内插,c频点的路径损耗Lc计算用公式(6)表示为:
至此,完成基于计算机视觉的无线信道路径损耗模型预测。
2.根据权利要求1所述的一种基于计算机视觉的无线信道路径损耗模型预测方法,其特征在于所述公式(4)中,w*为收敛后网络权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110992946.0A CN113761797B (zh) | 2021-08-27 | 2021-08-27 | 一种基于计算机视觉的无线信道路径损耗模型预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110992946.0A CN113761797B (zh) | 2021-08-27 | 2021-08-27 | 一种基于计算机视觉的无线信道路径损耗模型预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113761797A true CN113761797A (zh) | 2021-12-07 |
CN113761797B CN113761797B (zh) | 2023-05-23 |
Family
ID=78791559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110992946.0A Active CN113761797B (zh) | 2021-08-27 | 2021-08-27 | 一种基于计算机视觉的无线信道路径损耗模型预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761797B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310372A (zh) * | 2022-10-10 | 2022-11-08 | 香港中文大学(深圳) | 一种基于高精度电磁传播模型的路径损耗预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070010204A1 (en) * | 2004-01-15 | 2007-01-11 | Johannes Hubner | Method and device for adapting a radio network model to the conditions of a real radio network |
US20130051255A1 (en) * | 2011-08-29 | 2013-02-28 | Leonardo William Estevez | Dynamic channel estimation apparatus, systems and methods |
CN110213003A (zh) * | 2019-05-21 | 2019-09-06 | 北京科技大学 | 一种无线信道大尺度衰落建模方法及装置 |
CN110210555A (zh) * | 2019-05-29 | 2019-09-06 | 西南交通大学 | 基于深度学习的钢轨鱼鳞伤损检测方法 |
-
2021
- 2021-08-27 CN CN202110992946.0A patent/CN113761797B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070010204A1 (en) * | 2004-01-15 | 2007-01-11 | Johannes Hubner | Method and device for adapting a radio network model to the conditions of a real radio network |
US20130051255A1 (en) * | 2011-08-29 | 2013-02-28 | Leonardo William Estevez | Dynamic channel estimation apparatus, systems and methods |
CN110213003A (zh) * | 2019-05-21 | 2019-09-06 | 北京科技大学 | 一种无线信道大尺度衰落建模方法及装置 |
CN110210555A (zh) * | 2019-05-29 | 2019-09-06 | 西南交通大学 | 基于深度学习的钢轨鱼鳞伤损检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310372A (zh) * | 2022-10-10 | 2022-11-08 | 香港中文大学(深圳) | 一种基于高精度电磁传播模型的路径损耗预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113761797B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675423A (zh) | 一种基于孪生神经网络和注意力模型的无人机跟踪方法 | |
Olague et al. | Evolutionary-computer-assisted design of image operators that detect interest points using genetic programming | |
CN112766279B (zh) | 一种基于联合注意力机制的图像特征提取方法 | |
CN109151727B (zh) | 基于改进的dbn的wlan指纹定位数据库构建方法 | |
CN111968138B (zh) | 基于3d动态边缘不敏感性损失函数的医学图像分割方法 | |
Rufaida et al. | Construction of an indoor radio environment map using gradient boosting decision tree | |
CN111401468A (zh) | 一种基于共享近邻的权重自更新多视角谱聚类方法 | |
CN116538996B (zh) | 基于激光雷达的地形测绘系统及方法 | |
CN110956601B (zh) | 一种基于多传感器样态系数的红外图像融合方法和装置以及计算机可读存储介质 | |
CN112750137A (zh) | 基于深度学习的肝脏肿瘤分割方法及系统 | |
CN111832228A (zh) | 基于cnn-lstm的振动传递系统 | |
CN113761797B (zh) | 一种基于计算机视觉的无线信道路径损耗模型预测方法 | |
JP3881510B2 (ja) | 曲面モデルの同定方法及びプログラム | |
Chaves-Villota et al. | DeepREM: Deep-Learning-Based Radio Environment Map Estimation from Sparse Measurements | |
KR102110316B1 (ko) | 뉴럴 네트워크를 이용한 변분 추론 방법 및 장치 | |
CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 | |
CN111239685A (zh) | 基于均匀设计和自组织特征映射神经网络的声源定位方法 | |
CN113852433B (zh) | 一种基于计算机视觉的无线信道阴影衰落模型预测方法 | |
CN115731382A (zh) | 点云目标检测方法、装置、计算机设备和存储介质 | |
Trejo-Caballero et al. | Automatic curve fitting based on radial basis functions and a hierarchical genetic algorithm | |
CN113365298A (zh) | 基于高阶模糊认知图的mr网络信号强度预测方法及系统 | |
Liu et al. | Multi-focus image fusion algorithm based on unsupervised deep learning | |
Zach et al. | Graph signal interpolation and extrapolation over manifold of Gaussian mixture | |
Wang et al. | Scattered data points fitting using ball B-spline curves based on particle swarm optimization | |
CN116740410B (zh) | 双模态目标检测模型构建方法、检测方法及计算机设备 |
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 |