CN114861705A - 一种基于多特征异构融合的电磁目标智能感知识别方法 - Google Patents
一种基于多特征异构融合的电磁目标智能感知识别方法 Download PDFInfo
- Publication number
- CN114861705A CN114861705A CN202210344871.XA CN202210344871A CN114861705A CN 114861705 A CN114861705 A CN 114861705A CN 202210344871 A CN202210344871 A CN 202210344871A CN 114861705 A CN114861705 A CN 114861705A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic
- target
- data
- feature
- electromagnetic target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000008447 perception Effects 0.000 title claims abstract description 37
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000013526 transfer learning Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000013075 data extraction Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 230000005855 radiation Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/045—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于多特征异构融合的电磁目标智能感知识别方法，该方法首先通过传感器获取电磁目标信号源数据信息，之后通过异构数据提取与多特征融合对数据进行预处理，通过数据样本构造目标模板建立目标知识库，然后利用基于机器学习策略的电磁目标感知识别完成辐射源识别，通过迁移学习策略得到的识别结果存入目标知识库，而通过在线学习策略得到的结果则用于更新知识库。本发明所公开的方法通过更加准确地描述电磁目标的特征来提高电磁目标的辨识能力，将在线学习、迁移学习与卷积神经网络相结合提高了电磁目标识别的速度和系统对场景、感知设备变换的鲁棒性。
Description
技术领域
本发明属于目标识别领域，具体涉及一种基于多特征异构融合的电磁目标智能感知识别方法。
背景技术
我们每时每刻都处在无形的电磁环境之中，通过对采集到的电磁目标信号进行特征提取与识别分析，可以得出对应的电磁目标的类型、具体位置以及其相关属性等，从而对研究复杂电磁环境的构设、电磁目标的判别都有极大的意义，同时也有助于研究人员更好的理解、把握复杂的电磁态势，更加科学、快速的做出决策。
然而，随着电气、电子设备的普及应用，导致电磁环境日益复杂多变，研究人员需要了解的信息也越来越多，这就对电磁信号的识别能力、识别速度提出了更高的要求，传统的电磁目标识别方法已经不能精准辨识电磁目标且耗时较长，难以适应复杂多变的电磁环境。
随着机器学习技术的发展与进步，结合特征提取的机器学习技术在电磁目标智能感知识别领域得到越来越广泛的应用。但目前已有的电磁目标感知识别模型多采用单一特征进行目标辨识，往往很难实现电磁目标的精准辨识。此外，鉴于复杂环境下，电磁目标往往切换频繁，这就对电磁目标的辨识提出了新的要求，感知识别模型不仅要能够对电磁目标进行辨识，而且还应该具有适应性，可以应对不同的场景以及感知设备的变换。
发明内容
为解决以上技术问题，本发明提供了一种基于多特征异构融合的电磁目标智能感知识别方法。为了充分利用电磁目标的异构特征，将电磁目标的多属性特征进行融合以提高电磁目标的辨识率。此外，将在线学习、基于迁移学习的卷积神经网络相结合应用于复杂环境下电磁目标智能感知识别领域，提高了电磁目标识别的速度和系统对场景、感知设备变换的鲁棒性。
本发明的目的是这样实现的：其步骤包括：
步骤1：电磁目标信号源数据采集，利用采集设备获取电磁目标信号源数据信息；
步骤2：数据预处理，异构数据提取与多特征融合对数据进行预处理；
步骤3：建立目标知识库，通过数据样本构造目标模板建立目标知识库；
步骤4：基于迁移学习的卷积神经网络电磁目标感知识别方法将迁移学习策略得到的识别结果存入步骤3中建立的目标知识库；
步骤5：基于在线学习的电磁目标感知识别方法将在线学习策略得到的识别结果更新步骤3中建立的目标知识库。
进一步的，所述步骤1中的采集设备为全向天线。
进一步的，所述步骤2中异构数据具体为极大值、均值、标准差、标准均差、变异系数、标准偏度系数、标准峰度系数和线性相关系数八个特征参数。
进一步的，所述步骤2中的多特征融合的方法如下：对上述八个异构特征进行自适应线性加权，融合后的特征为
其中yn和ωn分别表示第n个特征对应的特征向量和权重，权重大小代表特征在识别过程中的贡献程度，八个特征的权重之和为1，八个特征所对应的权重在训练过程中通过迭代自动得到最优值。
进一步的，所述步骤3中的目标知识库，通过将电磁目标样本的八个特征及其所属电磁目标的类别构造目标模板建立。
进一步的，所述步骤4中的迁移学习策略如下：考虑到电磁目标特征提取中训练样本数据量大，应对不同场景的自适应能力差，引入迁移学习，对预训练模型进行调整，首先不改变预训练模型中卷积层的结构，向卷积层载入锁定的权值和参数，针对新的训练任务设计一个新的全连接层，取代原有的全连接层，最后输入新的电磁数据，冻结卷积层，训练新的全连接层，对新的电磁数据进行分类。
进一步的，所述步骤5中的在线学习策略如下：
首先对每类电磁目标的训练样本数据作对齐、归一化的预处理，并进行分帧，然后通过均值和方差的更新公式构建每一帧对应的模板，当新增电磁训练数据时通过判断其所对应的帧模板是否存在来选择更新模板或构建新的模板。均值和方差的更新公式为：
其中，
表示t-1时刻第g类电磁目标的第n帧对应的模板的均值，
表示t-1时刻第g类电磁目标的第n帧对应的模板的方差，
表示t-1时刻，第g类电磁目标的第n帧的训练数据的总数，
表示t时刻，第g类电磁目标的第n帧的样本总数，ΣYt表示新增电磁训练数据的方差，Yi为对齐和归一化处理后的t时刻，第g类电磁目标的第n帧新增数据。
与现有技术相比，本发明的有益效果是：本发明专利提供的一种基于多特征异构融合的电磁目标智能感知识别方法，将多特征异构提取技术与智能决策分离方法相结合，避免了分类过程中对电磁目标异构特征按照其重要性加权的主观性，多特征异构提取技术的应用，最大限度的提高了电磁目标智能感知的精度。此外基于迁移学习和在线学习的卷积神经网络电磁目标智能感知识别方法，具有自适应性和强鲁棒性，可以根据应对不同的场景，并且所需的样本更少，训练速度和识别精度相对于传统的识别算法，更能满足复杂环境下电磁目标感知与识别的需求。
附图说明
图1为本发明一种基于多特征异构融合的电磁目标智能感知识别方法的整体结构图；
图2为本发明复杂环境电磁目标智能感知识别流程图；
图3为本发明模板在线更新和扩展流程图；
图1为本发明一种基于多特征异构融合的电磁目标智能感知识别方法的整体结构图。图2针对图1中的复杂环境下的电磁目标智能感知识别的具体流程进行了详细的说明。图3针对图1中的基于在线学习的电磁目标感知识别方法中的模板在线更新和扩展的具体流程进行了详细的说明。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明专利提供的一种基于多特征异构融合的电磁目标智能感知识别方法，如图2所示，具体步骤如下：
步骤1电磁目标信号源数据采集：利用采集设备获取电磁目标信号源数据信息；
利用全向天线对电磁目标数据进行采集。
步骤2数据预处理：异构特征提取与多特征融合对数据进行预处理；
在对电磁目标进行识别之前，首先提取电磁目标的异构特征，同时引入多特征信息融合技术，对同一电磁目标的不同特征进行融合，可以得到更加全面的特征信息，有利于提高后续识别的效果。
1)异构特征提取
综合利用电磁目标位置特征参数、散布特征参数、分布特征参数以及相关特征参数等不同量纲的目标属性，建立并提取异构特征，具体包括极大值、均值、标准差、标准均差、变异系数、标准偏度系数、标准峰度系数和线性相关系数，这八个特征量定义如下：
极大值MAX＝max(xn)
均值
标准差
标准均差
变异系数
标准偏度系数
标准峰度系数
线性相关系数
2)多特征融合
样本的异构特征代表样本的不同属性，因此，在多特征融合时不能直接将样本的多个特征拼接起来。为充分利用上述八个特征，对该八个特征进行自适应线性加权，在保持维度的同时实现特征融合，融合后的特征为
其中yn和ωn分别表示第n个特征对应的特征向量和权重，权重大小代表特征在识别过程中的贡献程度，八个特征的权重之和为1，八个特征所对应的权重在训练过程中通过迭代自动得到最优值。
步骤3建立目标知识库：通过数据样本(电磁目标的八个特征及其所属电磁目标的类别)构造目标模板建立目标知识库。后续迁移学习策略得到的识别结果存入目标知识库，在线学习策略得到的结果则用于更新知识库。
步骤4基于迁移学习的卷积神经网络电磁目标感知识别方法
1)预训练模型
预训练模型包含6个卷积层、6个池化层和2个全连接层，激活函数选择ReLU。训练过程中采用基于梯度下降算法的反向传播，损失函数采用加权交叉熵损失函数。
在训练过程中获得了最优权重
即可计算融合后的特征F，F通过2个全连接层输入至Softmax函数分类器中，当电磁目标一共有G个类别时，输出一个G维向量，为该电磁目标样本所属各个类别的概率：
其中，pi＝P(y＝i|x),i＝1,2,…G，Oi (l)为第i个节点的输出值，选取概率数值最高的类别作为电磁目标的分类结果。
2)迁移学习策略
考虑到电磁目标特征提取中训练样本数据量大，应对不同场景的自适应能力差，引入迁移学习，对预训练模型进行调整，首先不改变预训练模型中卷积层的结构，向卷积层载入锁定的权值和参数，针对新的训练任务设计一个新的全连接层，取代原有的全连接层，最后输入新的样本数据，冻结卷积层，训练新的全连接层，对新的样本数据进行分类。
新的预训练模型其只需较小的训练样本稍加训练既可获得新的电磁目标分类识别结果，将通过迁移学习策略得到的识别结果存入目标知识库。
步骤5基于在线学习的电磁目标感知识别方法；
实际上，在对电磁目标进行识别时会不断新增电磁训练数据，这就需要实时的对电磁目标进行分类，通过在线更新和扩展的方式只需要使用新增电磁目标数据对之前学习得到的模型参数更新即可，不必重新学习全部的训练数据。
下面对在线智能识别算法的在线更新和扩展方法进行说明。
假设t-1时刻第g类电磁目标的第n帧对应的模板的均值
与方差
分别为：
其中，
表示t-1时刻，第g类电磁目标的第n帧的训练数据的总数。
Yi t为t时刻，第g类电磁目标的第n帧的新增电磁数据，则首先对新增电磁数据进行预处理得到Yi，然后将Yi带入到模板的更新公式中，更新公式如下：
其中，
表示t时刻，第g类电磁目标的第n帧的样本总数，
表示新增电磁训练数据的方差。
如果第g类电磁目标的第n帧的模板不存在，则对该类模板进行扩展，即利用新增数据Yt通过更新公式构建该帧的模板。
在线电磁目标识别方法具体步骤如下：
(1)对每类电磁目标的训练样本数据作对齐、归一化的预处理，并进行分帧；
(2)通过均值和方差的更新公式构建每一帧对应的模板；
(3)当出现新增的电磁训练数据时，首先对新增电磁数据分帧，然后通过判断其所对应的帧模板是否存在来选择更新模板或构建新模板，该步骤的具体流程如图3所示。
(4)对测试样本对齐、归一化预处理后输入至自适应高斯分类器，判别式公式如下：
其中，x为测试样本，Dg,n为测试样本与每帧模板马氏距离。
判定Dg,n取最小时，所对应帧模板的类别为测试样本x所属的类别，之后将通过在线学习策略得到的结果用于更新知识库。
以上所述，对本发明所提出的一种基于多特征异构融合的电磁目标智能感知识别方法的具体实施方式进行了完整、清晰的阐述，应当指出，本技术领域内的一般技术人员，在本发明的启示下，所做出的任何替换和改进，都应涵盖在本发明的保护范围之内。
综上，本发明公开了一种基于多特征异构融合的电磁目标智能感知识别方法。该方法首先通过传感器获取电磁目标信号源数据信息，之后通过异构数据提取与多特征融合对数据进行预处理，通过数据样本构造目标模板建立目标知识库，然后利用基于机器学习策略的电磁目标感知识别完成辐射源识别，通过迁移学习策略得到的识别结果存入目标知识库，而通过在线学习策略得到的结果则用于更新知识库。本发明所公开的方法通过更加准确地描述电磁目标的特征来提高电磁目标的辨识能力，将在线学习、迁移学习与卷积神经网络相结合提高了电磁目标识别的速度和系统对场景、感知设备变换的鲁棒性。
Claims (8)
1.一种基于多特征异构融合的电磁目标智能感知识别方法，其特征在于，包括以下步骤：
步骤1：电磁目标信号源数据采集，利用采集设备获取电磁目标信号源数据信息；
步骤2：数据预处理，异构数据提取与多特征融合对数据进行预处理；
步骤3：建立目标知识库，通过数据样本构造目标模板建立目标知识库；
步骤4：基于迁移学习的卷积神经网络电磁目标感知识别方法将迁移学习策略得到的识别结果存入步骤3中建立的目标知识库；
步骤5：基于在线学习的电磁目标感知识别方法将在线学习策略得到的识别结果更新目标知识库。
2.根据权利要求1所述的一种基于多特征异构融合的电磁目标智能感知识别方法，其特征在于，所述步骤1中的采集设备为全向天线。
3.根据权利要求1所述的一种基于多特征异构融合的电磁目标智能感知识别方法，其特征在于：所述步骤2中的异构数据具体为极大值、均值、标准差、标准均差、变异系数、标准偏度系数、标准峰度系数和线性相关系数八个异构特征参数。
4.根据权利要求1所述的一种基于多特征异构融合的电磁目标智能感知识别方法，其特征在于：所述步骤2中的多特征融合的方法如下：对八个异构特征进行自适应线性加权，融合后的特征为
其中yn和ωn分别表示第n个特征对应的特征向量和权重，权重大小代表特征在识别过程中的贡献程度，八个特征的权重之和为1，八个特征所对应的权重在训练过程中通过迭代自动得到最优值。
5.根据权利要求1所述的一种基于多特征异构融合的电磁目标智能感知识别方法，其特征在于：所述步骤3中构造相应的目标知识库，通过将电磁目标样本的八个特征及其所属电磁目标的类别构造目标模板建立。
6.根据权利要求1所述的一种基于多特征异构融合的电磁目标智能感知识别方法，其特征在于：所述步骤4中的迁移学习策略如下：考虑到电磁目标特征提取中训练样本数据量大，应对不同场景的自适应能力差，引入迁移学习，对预训练模型进行调整，首先不改变预训练模型中卷积层的结构，向卷积层载入锁定的权值和参数，针对新的训练任务设计一个新的全连接层，取代原有的全连接层，最后输入新的电磁数据，冻结卷积层，训练新的全连接层，对新的电磁数据进行分类。
7.根据权利要求1所述的一种基于多特征异构融合的电磁目标智能感知识别方法，其特征在于：所述步骤5中的在线学习策略如下：首先对每类电磁目标的训练样本数据作对齐、归一化的预处理，并进行分帧，然后通过均值和方差的更新公式构建每一帧对应的模板，当新增电磁训练数据时通过判断其所对应的帧模板是否存在来选择更新模板或构建新的模板。
8.根据权利要求7所述的一种基于多特征异构融合的电磁目标智能感知识别方法，其特征在于：所述均值和方差的更新公式为：
其中：
表示t-1时刻第g类电磁目标的第n帧对应的模板的均值，
表示t-1时刻第g类电磁目标的第n帧对应的模板的方差，
表示t-1时刻，第g类电磁目标的第n帧的训练数据的总数，
表示t时刻，第g类电磁目标的第n帧的样本总数，ΣYt表示新增电磁训练数据的方差，Yi为对齐和归一化处理后的t时刻，第g类电磁目标的第n帧新增数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210344871.XA CN114861705A (zh) | 2022-03-31 | 2022-03-31 | 一种基于多特征异构融合的电磁目标智能感知识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210344871.XA CN114861705A (zh) | 2022-03-31 | 2022-03-31 | 一种基于多特征异构融合的电磁目标智能感知识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114861705A true CN114861705A (zh) | 2022-08-05 |
Family
ID=82629076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210344871.XA Pending CN114861705A (zh) | 2022-03-31 | 2022-03-31 | 一种基于多特征异构融合的电磁目标智能感知识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114861705A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115604768A (zh) * | 2022-11-30 | 2023-01-13 | 成都中星世通电子科技有限公司（Cn） | 基于资源状态的电磁感知任务动态迁移方法、系统及终端 |
| CN115630288A (zh) * | 2022-12-20 | 2023-01-20 | 中国电子科技集团公司第十四研究所 | 一种多源特征多层次综合识别处理架构 |
| CN117647581A (zh) * | 2023-11-29 | 2024-03-05 | 深圳市大满包装有限公司 | 一种基于数字化制造的金属包装无损感知方法及系统 |
-
2022
- 2022-03-31 CN CN202210344871.XA patent/CN114861705A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115604768A (zh) * | 2022-11-30 | 2023-01-13 | 成都中星世通电子科技有限公司（Cn） | 基于资源状态的电磁感知任务动态迁移方法、系统及终端 |
| CN115604768B (zh) * | 2022-11-30 | 2023-03-07 | 成都中星世通电子科技有限公司 | 基于资源状态的电磁感知任务动态迁移方法、系统及终端 |
| CN115630288A (zh) * | 2022-12-20 | 2023-01-20 | 中国电子科技集团公司第十四研究所 | 一种多源特征多层次综合识别处理架构 |
| CN117647581A (zh) * | 2023-11-29 | 2024-03-05 | 深圳市大满包装有限公司 | 一种基于数字化制造的金属包装无损感知方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114861705A (zh) | 一种基于多特征异构融合的电磁目标智能感知识别方法 | |
| CN111583263B (zh) | 一种基于联合动态图卷积的点云分割方法 | |
| CN111461038B (zh) | 一种基于分层多模式注意力机制的行人再识别方法 | |
| CN107194336B (zh) | 基于半监督深度距离度量网络的极化sar图像分类方法 | |
| CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN112200211B (zh) | 一种基于残差网络和迁移学习的小样本鱼识别方法及系统 | |
| CN111079847A (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
| CN113837238A (zh) | 一种基于自监督和自蒸馏的长尾图像识别方法 | |
| CN111353379A (zh) | 基于权重聚类的信号测量特征匹配标注方法 | |
| CN111160389A (zh) | 一种基于融合vgg的岩性识别方法 | |
| CN113920472A (zh) | 一种基于注意力机制的无监督目标重识别方法及系统 | |
| CN111580058A (zh) | 基于多尺度卷积神经网络的雷达hrrp目标识别方法 | |
| CN110751209A (zh) | 一种融合深度图像分类和检索的智能台风定强方法 | |
| CN105654136A (zh) | 一种基于深度学习的大规模遥感影像目标自动识别方法 | |
| CN110161480A (zh) | 基于半监督深度概率模型的雷达目标识别方法 | |
| CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
| CN118294455A (zh) | 钕铁硼电镀毛坯的智能检测系统及方法 | |
| CN117993282A (zh) | 一种面向智能制造故障诊断的域适应性信息瓶颈联邦学习方法 | |
| CN117315556A (zh) | 改进的Vision Transformer昆虫细粒度识别方法 | |
| CN109872319B (zh) | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 | |
| CN116386042A (zh) | 一种基于三维池化空间注意力机制的点云语义分割模型 | |
| CN114417938B (zh) | 一种利用知识向量嵌入的电磁目标分类方法 | |
| CN116311357A (zh) | 基于MBN-Transformer模型的不平衡牛身数据的双边识别方法 | |
| CN114037866B (zh) | 一种基于可辨伪特征合成的广义零样本图像分类方法 | |
| CN113450321B (zh) | 基于边缘检测的单阶段目标检测方法 |
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 |