CN115510597A - Gnn框架下基于广义s维分配的多传感器数据互联方法 - Google Patents
Gnn框架下基于广义s维分配的多传感器数据互联方法 Download PDFInfo
- Publication number
- CN115510597A CN115510597A CN202211157580.6A CN202211157580A CN115510597A CN 115510597 A CN115510597 A CN 115510597A CN 202211157580 A CN202211157580 A CN 202211157580A CN 115510597 A CN115510597 A CN 115510597A
- Authority
- CN
- China
- Prior art keywords
- gnn
- sensor
- node
- generalized
- framework
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 77
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 28
- 230000004913 activation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了GNN框架下基于广义S维分配的多传感器数据互联方法,包括以下步骤:获取传感器量测值,每个传感器量测值对应一个节点建立图网络结构,多个传感器会对应得到多个图网络结构;利用GNN模型提取节点的深层隐藏特征信息;利用广义S维分配互联算法进行最优化匹配,输出数据互联结果。基本形成了利用图神经网络进行数据互联算法的框架结构,有利于实现目标量测深层拓扑结构信息及其协方差矩阵的准确提取,优化量测间的组合分配问题,改善了在随机噪声、系统偏差条件下数据互联的性能,进一步提高广义S维分配算法数据关联的正确率。
Description
技术领域
本发明属于数据处理技术领域,具体涉及GNN框架下基于广义S维分配的多传感器数据互联方法。
背景技术
随着现代科学技术的飞速发展,武器装备的性能越来越先进,使得战场中电磁信号环境日益复杂,单一传感器提供的孤立信息已经不能满足不断变化的应用需求,需要充分利用各种主动、被动式传感器的综合性能,提高系统可靠性和可信度,获取更加准确而完整的信息进行综合处理和分析。
近年来,多传感器多目标数据互联问题越来越受到重视,现代高科技战争要求及时提供精确、易于理解的判断信息代替大量原始的信息。随着深度神经网络的快速发展,深度学习技术正逐渐成为复杂环境海上目标跟踪领域的研究热点。在这种背景下,开展基于深度学习的多源异构海上目标智能跟踪技术研究,为此,提出一种GNN框架下GNN框架下基于广义S维分配的多传感器数据互联方法。
发明内容
为了克服现有技术中的问题,本发明提出GNN框架下基于广义S维分配的多传感器数据互联方法。
本发明解决上述技术问题的技术方案如下:
GNN框架下基于广义S维分配的多传感器数据互联方法,包括以下步骤:
步骤1.获取传感器量测值,每个传感器量测值对应一个节点建立图网络结构,多个传感器会对应得到多个图网络结构;
步骤2.利用GNN模型提取节点的深层隐藏特征信息;
步骤3.利用广义S维分配互联算法进行最优化匹配,输出数据互联结果。
进一步地,所述步骤1包括以下步骤:
获取传感器量测值,每个传感器量测值对应一个节点,计算任意两传感器量测值之间的关系,即节点之间的关系,并根据节点的关系构建关系边;
进一步地,计算任意两传感器量测值之间的关系,即节点之间的关系,并根据节点的关系构建关系边,包括以下步骤:
计算任意两量测值之间距离dn,ij:
dn,ij=(zn,i-zn,j)T(zn,i-zn,j)≤γ,n=1,2
式中,dn,ij表示第n个传感器的第i个量测值和第j个量测值之间的距离;zn,i、zn,j分别表示第n个传感器的第i个量测值和第j个量测值;T表示转置;γ为建边的阈值,大于该阈值,则建立边,否则,不建立边。
进一步地,所述步骤2中利用GNN模型提取节点的深层隐藏特征信息,包括以下步骤:
构建基于GNN框架的特征提取模型和基于GNN框架的协方差映射模型;所述基于GNN框架的特征提取模型,共两层,用于提取节点的深层隐藏特征信息;所述基于GNN框架的协方差映射模型,共两层,用于将目标量测的协方差矩阵映射为隐藏特征信息的协方差矩阵;
进一步地,步骤3.利用广义S维分配互联算法进行最优化匹配,包括以下步骤:
求解S元测量中目标数据互联的代价函数;求解极小化负对数似然比,进行最优分配组合。
进一步地,所述求解S元测量中目标数据互联的代价函数,包括以下步骤:
定义隐藏特征的S元测量(i1,i2,...is)数据互联的代价函数:
其中,是互联S元(i1,i2,...is)的代价函数,is=1,2,...,ms;为传感器s的第is个测量的深层特征信息,为传感器s的第is个测量深层特征信息的的协方差向量;Ψs是传感器s观测空间的体积;为传感器s的检测概率;u(is)为指标函数,当is=0时,u(is)=0,否则u(is)=1;上式中使用融合的深层特征信息作为真实深层特征信息,融合的深层特征信息为:
式中,
进一步地,所述求解极小化负对数似然比,进行最优分配组合,包括以下步骤:
所述极小化负对数似然比为:
进一步地,对于GCN预测模型的训练,包括以下步骤:
将求得的输出结果与目标真实的数据互联结果做差,取矩阵范数建立损失函数,通过反向传播,训练GCN预测模型。
与现有技术相比,本发明具有如下技术效果:
基本形成了利用图神经网络进行数据互联算法的框架结构,有利于实现目标量测深层拓扑结构信息及其协方差矩阵的准确提取,优化量测间的组合分配问题,改善了在随机噪声、系统偏差条件下数据互联的性能,进一步提高广义S维分配算法数据关联的正确率。
附图说明
图1为本发明的系统整体结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
针对密集目标场景下,多个传感器在杂波环境中对多个目标进行的数据互联问题的求解是利用广义S维分配互联算法,描述为多维观测数据集合之间的最优组合优化问题。多数情况下该算法需要在复杂而庞大的搜索空间中寻找最优解或次优解,并且目标数据互联是来自多扫描的量测(S≥3),在随机噪声、系统偏差条件下算法的性能变差。
为了进一步优化量测间的组合分配问题,提高目标量测深层隐藏特征信息提取的准确性,本实施例发展了一种新的GNN(Graph Neural Network,图神经网络)框架下GNN框架下基于广义S维分配的多传感器数据互联方法,基本形成了利用图神经网络进行数据互联算法的框架结构,有利于实现目标量测深层拓扑结构信息的准确提取,进一步改善广义S维分配算法数据关联的正确率。
图1为本发明的系统整体结构示意图。参照图1,GNN框架下基于广义S维分配的多传感器数据互联方法,包括以下步骤:步骤1.获取传感器量测值,每个传感器量测值对应一个节点建立图网络结构,多个传感器会对应得到多个图网络结构;步骤2.利用GNN框架构建节点状态更新函数,提取节点的深层隐藏特征信息;步骤3.利用广义S维分配互联算法进行最优化匹配。
下面对上述各个步骤进行详细展开:
步骤1.获取传感器量测值,每个传感器量测值对应一个节点建立图网络结构,多个传感器会对应得到多个图网络结构。
在一个多传感器多目标的环境中,有S个同步传感器在Tsis时刻获得了S列量测值,每列各ms个量测值,其中s=1,2,...,S,is=1,2,…,ms。令当前时刻的量测值和上一时刻的航迹头作为节点,连接一定范围的其他节点,从而获得量测之间的局部拓扑信息。
具体的,计算任意两量测值之间距离ds,ij,如果距离大小满足(1)式关系,则这两个量测对应的两个节点之间可以建边,否则不建边。
ds,ij=(zs,i-zs,j)T(zs,i-zs,j)≤γ,s=1,2,…,S (1)
其中,ds,ij表示第s个传感器的第i个量测值和第j个量测值之间的距离;zs,i、zs,j分别表示第s个传感器的第i个量测值和第j个量测值;T表示转置;γ为建边的阈值,大于该阈值,则建立边,否则,不建立边。
根据节点与其相关联节点及关系边构建图网络结构。图(Graph)结构表示为G=(V,E),其中,V代表节点(Node),E代表边(Edge),从而获得量测之间的局部拓扑信息。以此方法,S个传感器会对应得到S个图网络。
步骤2.利用GNN框架构建节点状态更新函数,提取节点的深层隐藏特征信息。
在GNN框架下,构建节点状态更新函数,通过迭代更新的方式获取所有节点的隐藏信息。
其中,k为层数,值为0,1;为在第k层的第s个传感器中第v个节点的特征信息,为在第k层的第s个传感器中与第v个节点相连边的特征;为在第k层的第s个传感器中第v个节点的邻居节点的隐藏层特征;为在第k层的结点v的邻居节点的特征;f为非线性激活函数。
随着图神经网络技术的应用发展,GNN框架下已经演变了多种算法,因此状态更新函数的构建不局限于上述形式,比如还有以下几种形式:
(1)GCN(Graph Convolutional Network,图卷积网络)状态更新函数
其中:h表示节点的特征信息;下标v或u表示节点的索引;上标k表示层数;f为非线性激活函数;W(k)表示第k层的权重矩阵;N(u)、N(v)分别表示节点u和节点v的邻居节点的集合。由u∈N(v)∪v可知,收集的输入特征信息不仅仅包括节点v的邻居节点的特征信息,还包括节点v自身的特征信息。
(2)GraphSAGE(Graph Neural Network,网络表示学习)状态更新函数
其中:h表示节点的特征信息;下标v或u表示节点的索引;上标k表示层数;f为非线性激活函数;W(k)表示第k层的权重矩阵;N(u)、N(v)分别表示节点u和节点v的邻居节点的集合。
在GNN框架下,GCN状态更新函数、GCN状态更新函数,还有其它状态更新函数。
在GNN框架下,采用多层GNN模型更新节点的状态信息,首先,利用一层GNN通过状态更新函数聚合节点v的邻居节点的特征信息,表示节点v的特征信息;然后,对聚合结果进行一个非线性变换;通过堆叠多个层,最终可以提取出节点v的更深层特征信息。
在本实施例中,总共用到两个GNN模型,具体如下:
第一个为基于GNN框架的特征提取模型,共两层,用于提取节点的深层隐藏特征信息。
以第s个传感器中第v个节点为例,状态更新函数是以初始信息为输入,把节点v的每个邻居节点的特征、隐藏状态、每条相连边的特征以及节点v自身特征经过两层GNN聚合更新后,输出第s个传感器中节点v的深层特征信息这时节点v掌握了所有邻居节点的信息,系统趋于稳定。
第二个为基于GNN框架的协方差映射模型,共两层,用于将目标量测的协方差矩阵映射为隐藏特征信息的协方差矩阵。
以第s个传感器中第v个节点为例,考虑到传感器的目标量测中存在统计误差服从高斯分布N(0,Rs,v),其中,Rs,v表示节点v的初始协方差矩阵。由于目标量测信息经过非线性变换时,误差会进行相应的非线性变换,此时统计误差不再服从高斯分布,因此本实施例引入一个GNN模型求解深层隐藏特征信息的协方差矩阵。
步骤3.利用广义S维分配互联算法进行最优化匹配。
利用广义S维分配互联算法对S维量测进行互联,通过求解广义似然比用来给每个可行的S元测量分配代价,然后全局极小化该代价以实现最优分配。
步骤3.1:求解S元测量中目标数据互联的代价函数。
定义隐藏特征的S元测量(i1,i2,…is)数据互联的代价函数:
其中,是互联S元(i1,i2,…is)的代价函数,is=1,2,...,ms;为传感器s的第is个测量的深层特征信息,为传感器s的第is个测量深层特征信息的的协方差向量;Ψs是传感器s观测空间的体积;为传感器s的检测概率;u(is)为指标函数,当is=0时,u(is)=0,否则u(is)=1。因为这是一个广义分配问题,所以上式对虚假量测没有约束。上式中使用融合的深层特征信息作为真实深层特征信息,融合的深层特征信息为:
式中,
步骤3.2:求解极小化负对数似然比,进行最优分配组合。
寻找S元的最可能组合,以便使每个测量只分配给一个目标或判决虚警,并且每个目标最多收到来自每维量测的一个测量值。因此广义S维分配问题可以利用极小化负对数似然比进行描述:
步骤4:计算损失函数。
将求得的最优分配模型的输出结果ρ与目标真实的数据互联结果ρ*做差,取矩阵范数建立损失函数如下:
Loss=||ρ-ρ*|| (9)
计算Loss后,通过反向传播,训练GNN网络模型。
本发明主要解决目标量测深层拓扑结构信息及其协方差矩阵的准确提取问题,基本形成了利用图神经网络进行数据互联算法的框架结构,通过在目标隐藏特征信息上计算融合特征、数据互联代价函数,并结合S维分配方法,有效弥补原方法缺少拓扑特征提取的问题,有效提高目标数据关联的正确率,改善了在随机噪声、系统偏差条件下数据互联的性能。
本发明首次将GNN框架引入到广义S维分配算法中,实现最优组合优化;基于GNN框架聚合临近目标量测信息,更新目标量测的特征信息,实现目标量测深层隐藏特征信息的提取;使用融合的深层特征信息作为真实深层特征信息,使目标量测信息更接近真实值,以提高数据关联的准确率;改进S元测量中目标数据互联的代价函数的求解计算,以优化量测间的组合分配问题。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.GNN框架下基于广义S维分配的多传感器数据互联方法,其特征在于,包括以下步骤:
步骤1.获取传感器量测值,每个传感器量测值对应一个节点建立图网络结构,多个传感器会对应得到多个图网络结构;
步骤2.利用GNN模型提取节点的深层隐藏特征信息;
步骤3.利用广义S维分配互联算法进行最优化匹配,输出数据互联结果。
2.根据权利要求1所述的GNN框架下基于广义S维分配的多传感器数据互联方法,其特征在于,所述步骤1包括以下步骤:
获取传感器量测值,每个传感器量测值对应一个节点,计算任意两传感器量测值之间的关系,即节点之间的关系,并根据节点的关系构建关系边;
根据节点与其相关联节点及关系边构建图网络结构。
3.根据权利要求2所述的GNN框架下基于广义S维分配的多传感器数据互联方法,其特征在于,计算任意两传感器量测值之间的关系,即节点之间的关系,并根据节点的关系构建关系边,包括以下步骤:
计算任意两量测值之间距离dn,ij:
dn,ij=(zn,i-zn,j)T(zn,i-zn,j)≤γ,n=1,2
式中,dn,ij表示第n个传感器的第i个量测值和第j个量测值之间的距离;zn,i、zn,j分别表示第n个传感器的第i个量测值和第j个量测值;T表示转置;γ为建边的阈值,大于该阈值,则建立边,否则,不建立边。
4.根据权利要求1所述的GNN框架下基于广义S维分配的多传感器数据互联方法,其特征在于,所述步骤2中利用GNN模型提取节点的深层隐藏特征信息,包括以下步骤:
构建基于GNN框架的特征提取模型和基于GNN框架的协方差映射模型;所述基于GNN框架的特征提取模型,共两层,用于提取节点的深层隐藏特征信息;所述基于GNN框架的协方差映射模型,共两层,用于将目标量测的协方差矩阵映射为隐藏特征信息的协方差矩阵;
5.根据权利要求1所述的GNN框架下基于广义S维分配的多传感器数据互联方法,其特征在于,步骤3.利用广义S维分配互联算法进行最优化匹配,包括以下步骤:
求解S元测量中目标数据互联的代价函数;求解极小化负对数似然比,进行最优分配组合。
8.根据权利要求5所述的GNN框架下基于广义S维分配的多传感器数据互联方法,其特征在于,对于GCN预测模型的训练,包括以下步骤:
将求得的输出结果与目标真实的数据互联结果做差,取矩阵范数建立损失函数,通过反向传播,训练GCN预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211157580.6A CN115510597B (zh) | 2022-09-22 | 2022-09-22 | Gnn框架下基于广义s维分配的多传感器数据互联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211157580.6A CN115510597B (zh) | 2022-09-22 | 2022-09-22 | Gnn框架下基于广义s维分配的多传感器数据互联方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115510597A true CN115510597A (zh) | 2022-12-23 |
CN115510597B CN115510597B (zh) | 2024-02-02 |
Family
ID=84525335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211157580.6A Active CN115510597B (zh) | 2022-09-22 | 2022-09-22 | Gnn框架下基于广义s维分配的多传感器数据互联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510597B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150356402A1 (en) * | 2014-06-04 | 2015-12-10 | GM Global Technology Operations LLC | Quick analysis of residual stress and distortion in cast aluminum components |
CN111079931A (zh) * | 2019-12-27 | 2020-04-28 | 浙江大学 | 一种基于图神经网络的状态空间概率性多时间序列预测方法 |
CN112465006A (zh) * | 2020-11-24 | 2021-03-09 | 中国人民解放军海军航空大学 | 一种图神经网络目标跟踪方法及装置 |
US20220004865A1 (en) * | 2020-07-02 | 2022-01-06 | Dell Products L.P. | Network fabric analysis |
US20220076432A1 (en) * | 2020-05-06 | 2022-03-10 | Luminar, Llc | Neural network for object detection and tracking |
CN114913206A (zh) * | 2022-05-16 | 2022-08-16 | 广东工业大学 | 一种基于多模态融合的多目标跟踪的方法和系统 |
-
2022
- 2022-09-22 CN CN202211157580.6A patent/CN115510597B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150356402A1 (en) * | 2014-06-04 | 2015-12-10 | GM Global Technology Operations LLC | Quick analysis of residual stress and distortion in cast aluminum components |
CN111079931A (zh) * | 2019-12-27 | 2020-04-28 | 浙江大学 | 一种基于图神经网络的状态空间概率性多时间序列预测方法 |
US20220076432A1 (en) * | 2020-05-06 | 2022-03-10 | Luminar, Llc | Neural network for object detection and tracking |
US20220004865A1 (en) * | 2020-07-02 | 2022-01-06 | Dell Products L.P. | Network fabric analysis |
CN112465006A (zh) * | 2020-11-24 | 2021-03-09 | 中国人民解放军海军航空大学 | 一种图神经网络目标跟踪方法及装置 |
CN114913206A (zh) * | 2022-05-16 | 2022-08-16 | 广东工业大学 | 一种基于多模态融合的多目标跟踪的方法和系统 |
Non-Patent Citations (3)
Title |
---|
TANG TIANTIAN等: "Generating Radar Track Using Cycle-consistent Generative Adversarial Network", 《IEEE XPLORE》 * |
胡炜薇等: "基于粒子群算法的广义S维分配算法", 《弹箭与制导学报》, vol. 25, no. 4, pages 791 - 795 * |
衣晓等: "多目标跟踪的动态多维分配算法", 《电子学报》, no. 6, pages 1120 - 1123 * |
Also Published As
Publication number | Publication date |
---|---|
CN115510597B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919108B (zh) | 基于深度哈希辅助网络的遥感图像快速目标检测方法 | |
Yuan et al. | A method for estimating the number of hidden neurons in feed-forward neural networks based on information entropy | |
CN112668804B (zh) | 一种地波雷达船只断裂航迹预测方法 | |
CN111340076B (zh) | 一种对新体制雷达目标未知模式的零样本识别方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN112765415A (zh) | 基于关系内容联合嵌入卷积神经网络的链路预测方法 | |
CN110849372A (zh) | 一种基于em聚类的水下多目标轨迹关联方法 | |
CN111291760A (zh) | 图像的语义分割方法、装置及电子设备 | |
CN106707272A (zh) | 一种基于随机集理论的多目标跟踪方法 | |
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 | |
CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
CN110110628A (zh) | 一种频率综合器劣化的检测方法及检测设备 | |
CN112149556B (zh) | 一种基于深度互学习和知识传递的人脸属性识别方法 | |
CN115761654B (zh) | 一种车辆重识别方法 | |
CN114814776B (zh) | 基于图注意力网络和迁移学习的pd雷达目标检测方法 | |
CN117077041A (zh) | 基于物联网的智慧社区管理方法及系统 | |
CN113064133A (zh) | 一种基于时频域深度网络的海面小目标特征检测方法 | |
CN115510597A (zh) | Gnn框架下基于广义s维分配的多传感器数据互联方法 | |
CN111353525A (zh) | 一种不均衡不完整数据集的建模及缺失值填补方法 | |
Zhang et al. | Tree-shaped multiobjective evolutionary CNN for hyperspectral image classification | |
Dai et al. | Clustering of DOA data in radar pulse based on SOFM and CDbw | |
Cui et al. | A new adaptive track correlation method for multiple scenarios | |
Feng et al. | Optimization algorithm improvement of association rule mining based on particle swarm optimization | |
Wang et al. | FCM algorithm and index CS for the signal sorting of radiant points | |
CN113836818A (zh) | 一种基于bp神经网络预测模型的洋流运动预测算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |