CN115114859A - 一种基于双向门控循环单元的高时间分辨率流场重构方法 - Google Patents
一种基于双向门控循环单元的高时间分辨率流场重构方法 Download PDFInfo
- Publication number
- CN115114859A CN115114859A CN202210833876.9A CN202210833876A CN115114859A CN 115114859 A CN115114859 A CN 115114859A CN 202210833876 A CN202210833876 A CN 202210833876A CN 115114859 A CN115114859 A CN 115114859A
- Authority
- CN
- China
- Prior art keywords
- flow field
- time
- resolution
- circulation unit
- encoder
- 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
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于双向门控循环单元的高时间分辨率流场重构方法。该方法使用粒子图像测速技术(PIV)测量的高空间分辨率流场数据和局部测量点处高频风速传感器测量的高时间分辨率数据,通过深度卷积自编码器的提取流场空间特征,将局部测点处的高时间分辨率数据输入双向门控循环单元,重构出整个流场的高时间分辨率的特征时程系数,最后将该系数输入卷积自编码器中即可重构出高时间分辨率的流场。本发明无需采用昂贵的高频PIV设备,采用普通低频PIV和高频风速传感器即可较好地重构出高时间分辨率流场。
Description
技术领域
本发明属于桥梁风工程技术领域,特别是涉及一种基于双向门控循环单元的高时间分辨率流场重构方法。
背景技术
获取具有高时间分辨率和高空间分辨率的流场特征对于深入理解非定常流动的物理机制和有效捕捉相干结构至关重要。目前,粒子图像测速技术(PIV)被广泛应用于风洞试验流场测量,PIV具有较高的空间分辨率,但是由于其相机的采样频率较低,难以获取高频流场数据。尽管现在已经有了高频PIV测量方法,但是由于高速激光能量和相机储存空间的限制,导致PIV测量区域大小有限,且高频PIV价格昂贵。
风洞实验中,使用具有高空间分辨率的PIV测量流场的同时,可以在流场离散位置布置高频风速传感器来获取固定位置处的高频特征。通过PIV测量到的流场可以通过深度卷积自编码器进行降维,有效提取流场的非线性特征。
发明内容
本发明目的是为了解决现有的技术问题,提出了一种基于双向门控循环单元的高时间分辨率流场重构方法。本发明所述方法利用高空间分辨率的PIV测量结果和局部测量点的高时间分辨率的速度时程,来重构整个流场的高时间分辨率结果。
本发明是通过以下技术方案实现的,本发明提出一种基于双向门控循环单元的高时间分辨率流场重构方法,所述方法具体包括:
步骤一、获得流场数据,采用粒子图像测速技术PIV进行流场测量,同时在下游处布置眼镜蛇传感器获取局部测量点位置的高时间分辨率流速;
步骤二、搭建深度卷积自编码器模型,将PIV测量到的流场结果输入深度卷积自编码器模型中进行特征提取;
步骤三、搭建双向门控循环单元,将眼镜蛇传感器获取的局部测量点的速度输入双向门控循环单元中,重构高时间分辨率的特征时程系数;
步骤四、将双向门控循环单元重构的高时间分辨率的特征时程系数放入深度卷积自编码器模型中,重构出高时间分辨率的流场。
进一步地,在步骤一中,采用风洞试验方式获取流场数据;风洞试验采用粒子图像测速技术测量流场;风洞试验的工况为雷诺数Re=2.7×104,PIV采样频率为10Hz,眼镜蛇传感器采样频率为5000Hz。
进一步地,所述深度卷积自编码器模型采用对称结构,编码器由三个卷积层加三个池化层组成,解码器由三个上采样层加三个卷积层以及中间的隐向量层组成;上采样层选用最邻近插值替代反卷积层。
进一步地,卷积核大小均选取为3×3,池化层选用平均池化,所有的激活函数均采用ReLU函数,如式(1):
f(x)=max(0,x) (1)
卷积层的操作过程如式(2):
进一步地,步骤三中,采用了一个双向门控循环单元,双向门控循环单元的输入是眼镜蛇传感器测量的局部位置处的高时间分辨率速度,输出是深度卷积自编码器模型高空间分辨率的时间系数:
进一步地,所述双向门控循环单元的损失函数为:
进一步地,在步骤四中,将双向门控循环单元学习到的高时间分辨率的时程系数放入深度卷积自编码器模型中进行解码,即可得到流场,对比原始流场的差异,定义相对误差ε(t),利用式(11)来刻画时间域上的误差,定义相对重构误差利用式(12)来刻画空间域上的误差:
本发明提出一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述一种基于双向门控循环单元的高时间分辨率流场重构方法的步骤。
本发明提出一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现所述一种基于双向门控循环单元的高时间分辨率流场重构方法的步骤。
本发明的有益效果为:
本发明针对高频响高空间分辨率流场难以同时测量的问题,建立了深度卷积自编码器进行流场特征提取,使用双向门控循环单元对高空间分辨率流场特征进行学习,得到其高时间分辨率特征系数,以此重构出高时间分辨率流场。
附图说明
图1为基于双向门控循环单元的流场重构流程图;
图2为双向门控循环单元图;
图3为双向门控循环单元重构结果示意图,其中(a)为重构值,(b)为真实值。
具体实施方式
下面将结合本发明实施例中的附图对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
结合图1-图3,本发明提出一种基于双向门控循环单元的高时间分辨率流场重构方法,所述方法具体包括:
步骤一、获得流场数据,采用粒子图像测速技术PIV进行流场测量,同时在下游处布置眼镜蛇传感器获取局部测量点位置的高时间分辨率流速;
在步骤一中,采用风洞试验方式获取流场数据;风洞试验采用粒子图像测速技术测量流场;风洞试验的工况为雷诺数Re=2.7×104,PIV采样频率为10Hz,眼镜蛇传感器采样频率为5000Hz。
步骤二、搭建深度卷积自编码器模型,将PIV测量到的流场结果输入深度卷积自编码器模型中进行特征提取;
所述深度卷积自编码器模型采用对称结构,编码器由三个卷积层加三个池化层组成,解码器由三个上采样层加三个卷积层以及中间的隐向量层组成;上采样层选用最邻近插值替代反卷积层,这样可以有效避免出现“棋盘效应”。
卷积核大小均选取为3×3,池化层选用平均池化,所有的激活函数均采用ReLU函数,如式(1):
f(x)=max(0,x) (1)
卷积层的操作过程如式(2):
步骤三、搭建双向门控循环单元,将眼镜蛇传感器获取的局部测量点的速度输入双向门控循环单元中,重构高时间分辨率的特征时程系数;
步骤三中,采用了一个双向门控循环单元,双向门控循环单元的输入是眼镜蛇传感器测量的局部位置处的高时间分辨率速度,输出是深度卷积自编码器模型高空间分辨率的时间系数:
所述双向门控循环单元的损失函数为:
步骤四、将双向门控循环单元重构的高时间分辨率的特征时程系数放入深度卷积自编码器模型中,重构出高时间分辨率的流场。
在步骤四中,将双向门控循环单元学习到的高时间分辨率的时程系数放入深度卷积自编码器模型中进行解码,即可得到流场,对比原始流场的差异,定义相对误差ε(t),利用式(11)来刻画时间域上的误差,定义相对重构误差利用式(12)来刻画空间域上的误差:
实施例二:
如图1所示,本发明提出一种基于双向门控循环单元的高时间分辨率流场重构方法,所述方法具体为:
第一步,通过PIV测量得到高时空分辨率流场数据,通过眼镜蛇传感器得到局部测量的高时间分辨率速度信息。
第二步,将PIV得到的流场数据输入深度卷积自编码器模型中,构造一个13层的深度卷积自编码器模型,编码器由三个卷积层加三个池化层组成,解码器由三个上采样层加三个卷积层组成,以及中间的隐向量层。整个模型卷积层的卷积核大小均选取为3×3,池化层选用平均池化,所有的激活函数均采用ReLU函数。按照公式(3)所采用的损失函数对深度卷积自编码器模型进行训练。
第三步,双向门控循环单元的输入是眼镜蛇传感器测量的局部位置处的高时间分辨率速度,输出是卷积自编码器高空间分辨率的时间系数。
第四步,将双向门控循环单元重构的高时间分辨率的特征时程系数放入深度卷积自编码器模型中,通过解码器重构出高时间分辨率的流场。根据图3可以看出,基于双向门控循环单元的方法能够重构出高空间分辨率流场的高时间分辨率数据。
本发明使用tensorflow深度学习框架搭建模型,可用于进行流场的高时间分辨率重构,无需采用昂贵的高频PIV设备,采用普通低频PIV和高频风速传感器即可较好地重构出高时间分辨率流场。
本发明提出了一种基于双向门控循环单元的高时间分辨率流场重构方法,该方法使用粒子图像测速技术(PIV)测量的高空间分辨率流场数据和局部测量点处高频风速传感器测量的高时间分辨率数据,通过卷积自编码器的提取流场空间特征,将局部测点处的高时间分辨率数据输入双向门控循环单元,重构出整个流场的高时间分辨率的特征时程系数,最后将该系数输入卷积自编码器中即可重构出高时间分辨率的流场。本发明无需采用昂贵的高频PIV设备,采用普通低频PIV和高频风速传感器即可较好地重构出高时间分辨率流场。
本发明提出一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述一种基于双向门控循环单元的高时间分辨率流场重构方法的步骤。
本发明提出一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现所述一种基于双向门控循环单元的高时间分辨率流场重构方法的步骤。
本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasablePROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambusRAM,DR RAM)。应注意,本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(digital video disc,DVD))、或者半导体介质(例如,固态硬盘(solid state disc,SSD))等。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应注意,本申请实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
以上对本发明所提出的一种基于双向门控循环单元的高时间分辨率流场重构方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于双向门控循环单元的高时间分辨率流场重构方法,其特征在于,所述方法具体包括:
步骤一、获得流场数据,采用粒子图像测速技术PIV进行流场测量,同时在下游处布置眼镜蛇传感器获取局部测量点位置的高时间分辨率流速;
步骤二、搭建深度卷积自编码器模型,将PIV测量到的流场结果输入深度卷积自编码器模型中进行特征提取;
步骤三、搭建双向门控循环单元,将眼镜蛇传感器获取的局部测量点的速度输入双向门控循环单元中,重构高时间分辨率的特征时程系数;
步骤四、将双向门控循环单元重构的高时间分辨率的特征时程系数放入深度卷积自编码器模型中,重构出高时间分辨率的流场。
2.根据权利要求1所述的方法,其特征在于,在步骤一中,采用风洞试验方式获取流场数据;风洞试验采用粒子图像测速技术测量流场;风洞试验的工况为雷诺数Re=2.7×104,PIV采样频率为10Hz,眼镜蛇传感器采样频率为5000Hz。
3.根据权利要求2所述的方法,其特征在于,所述深度卷积自编码器模型采用对称结构,编码器由三个卷积层加三个池化层组成,解码器由三个上采样层加三个卷积层以及中间的隐向量层组成;上采样层选用最邻近插值替代反卷积层。
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8任一项所述方法的步骤。
10.一种计算机可读存储介质,用于存储计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210833876.9A CN115114859B (zh) | 2022-07-15 | 2022-07-15 | 一种基于双向门控循环单元的高时间分辨率流场重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210833876.9A CN115114859B (zh) | 2022-07-15 | 2022-07-15 | 一种基于双向门控循环单元的高时间分辨率流场重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115114859A true CN115114859A (zh) | 2022-09-27 |
CN115114859B CN115114859B (zh) | 2023-03-24 |
Family
ID=83332073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210833876.9A Active CN115114859B (zh) | 2022-07-15 | 2022-07-15 | 一种基于双向门控循环单元的高时间分辨率流场重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115114859B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187143A (zh) * | 2019-05-28 | 2019-08-30 | 浙江大学 | 一种基于深度神经网络的层析piv重构方法和装置 |
US20210097648A1 (en) * | 2019-09-30 | 2021-04-01 | Tsinghua University | Multi-image-based image enhancement method and device |
CN112836434A (zh) * | 2021-02-22 | 2021-05-25 | 中国电建集团华东勘测设计研究院有限公司 | 融合时序特征和统计特征的风电超短期功率预测方法 |
CN113139989A (zh) * | 2021-06-22 | 2021-07-20 | 浙江大学 | 一种基于深度学习的粒子图像测速方法与装置 |
CN114329826A (zh) * | 2021-12-22 | 2022-04-12 | 大连理工大学 | 一种基于生成式对抗网络的平面叶栅定常流动预测方法 |
-
2022
- 2022-07-15 CN CN202210833876.9A patent/CN115114859B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187143A (zh) * | 2019-05-28 | 2019-08-30 | 浙江大学 | 一种基于深度神经网络的层析piv重构方法和装置 |
US20210097648A1 (en) * | 2019-09-30 | 2021-04-01 | Tsinghua University | Multi-image-based image enhancement method and device |
CN112836434A (zh) * | 2021-02-22 | 2021-05-25 | 中国电建集团华东勘测设计研究院有限公司 | 融合时序特征和统计特征的风电超短期功率预测方法 |
CN113139989A (zh) * | 2021-06-22 | 2021-07-20 | 浙江大学 | 一种基于深度学习的粒子图像测速方法与装置 |
CN114329826A (zh) * | 2021-12-22 | 2022-04-12 | 大连理工大学 | 一种基于生成式对抗网络的平面叶栅定常流动预测方法 |
Non-Patent Citations (1)
Title |
---|
吴海滨等: "八度卷积和双向门控循环单元结合的X光安检图像分类", 《中国光学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115114859B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255755B (zh) | 基于多列卷积神经网络的图像超分辨率重建方法 | |
Tan et al. | Compressive imaging via approximate message passing with image denoising | |
CN106970343B (zh) | 一种磁共振成像方法及装置 | |
CN115292780A (zh) | 基于深度学习的大跨度桥梁抖振响应预测方法 | |
CN113674172B (zh) | 一种图像处理方法、系统、装置及存储介质 | |
CN115114859B (zh) | 一种基于双向门控循环单元的高时间分辨率流场重构方法 | |
Han et al. | MR image reconstruction using cosupport constraints and group sparsity regularisation | |
Wen et al. | A self-attention multi-scale convolutional neural network method for SAR image despeckling | |
CN117437697A (zh) | 卧姿人体检测模型的训练方法、卧姿人体检测方法及系统 | |
Yu et al. | SKND-TSACNN: A novel time-scale adaptive CNN framework for fault diagnosis of rotating machinery | |
CN116778176B (zh) | 基于频域注意力的sar图像舰船尾迹检测方法 | |
CN109697695B (zh) | 可见光图像引导的超低分辨率热红外图像插值算法 | |
CN117173182A (zh) | 基于编码解码网络的缺陷检测方法、系统、设备及介质 | |
CN110631499B (zh) | 基于无网格方法的数字图像变形测量方法及电子设备 | |
CN110728732A (zh) | 一种图像重建方法、装置、设备及介质 | |
CN115311530B (zh) | 一种基于深度卷积自编码器的流场特征提取方法 | |
Xiao et al. | Image reconstruction based on fused features and perceptual loss encoder-decoder residual network for space optical remote sensing images compressive sensing | |
TWI659396B (zh) | 用以抑制多模雜訊的影像重建方法及其影像處理裝置 | |
CN115310176A (zh) | 基于OpenFOAM和导数矩变换的二维流场气动力重构方法 | |
CN115311532A (zh) | 一种基于ResNet网络模型的探地雷达地下空洞目标自动识别方法 | |
Liang et al. | Super‐resolution reconstruction based on multisource bidirectional similarity and non‐local similarity matching | |
CN115757386B (zh) | 海洋空间观测数据的异常检测方法、系统、设备与介质 | |
CN112329925B (zh) | 模型生成方法、特征提取方法、装置及电子设备 | |
Zeng et al. | Multi-scale adaptive learning network with double connection mechanism for super-resolution on agricultural pest images | |
CN115760670B (zh) | 基于网络隐式先验的无监督高光谱融合方法及装置 |
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 |