CN116296243B - 一种基于大尺寸核稠密块的气动识别方法 - Google Patents
一种基于大尺寸核稠密块的气动识别方法 Download PDFInfo
- Publication number
- CN116296243B CN116296243B CN202310273825.XA CN202310273825A CN116296243B CN 116296243 B CN116296243 B CN 116296243B CN 202310273825 A CN202310273825 A CN 202310273825A CN 116296243 B CN116296243 B CN 116296243B
- Authority
- CN
- China
- Prior art keywords
- imf
- connotation
- component
- pneumatic
- modal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000013139 quantization Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 abstract description 9
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/08—Aerodynamic models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种基于大尺寸核稠密块的气动识别方法,包括:从FMS中的有效测试阶段获取信号作为训练样本;通过大卷积核去除气动载荷信号中的量化噪声,输出具有平滑趋势特征的源样本信号;利用自适应EMD密集快FMS输出信号中的特定噪声分量进行处理,输出预测的气动信号。本方案提出的密集块结构使得特征在模型的每一层都能平滑流动,从而提高了收敛速度,保证了识别精度。通过在密集块结构中引入自适应EMD,在模型提取的特征中加入一些约束。这种改进可以大大降低模型的可训练参数,从而减轻深度学习模型对样本量的依赖,为模型在高超声速风洞气动识别领域落地带来可能。
Description
技术领域
本发明涉及空气动力技术领域,具体涉及一种基于大尺寸核稠密块的气动识别方法。
背景技术
风洞测力试验是高超声速飞行器研发的重要环节,随着这项技术的发展,试验模型的大尺度化成为高超声速风洞试验的趋势,在几百毫秒的有效测试时间内,大尺度测力系统刚度减弱等问题会严重导致气动力辨识精度变差,试验模型大尺度化对短时脉冲燃烧风洞精确气动力辨识带来了挑战。现有技术的气动识别包括第一:基于滤波或基于时频变换的气动力辨识,气动力辨识精度不够;第二:深度学习气动力辨识,需要大量训练样本以保证模型的性能。
发明内容
针对现有技术的上述不足,本发明提供了一种识别精度高的基于大尺寸核稠密块的气动识别方法。
为达到上述发明目的,本发明所采用的技术方案为:
提供一种基于大尺寸核稠密块的气动识别方法,其包括以下步骤:
S1:从气动测力系统FMS中的有效测试阶段获取信号作为训练样本,训练样本包括若干数量不同的气动载荷信号数据组;
S2:将若干气动载荷信号数据组输入到大尺寸卷积的卷积层中,通过大卷积核去除气动载荷信号中的量化噪声,输出具有平滑趋势特征的源样本信号;
S3:将源样本信号输入卷积神经网络,利用经验模态分解EMD区分源样本信号中的中频分量和低频分量:
HEMD(t)=H(t)+L(t)
其中,H(t)为中频分量中内涵模态分量IMF的组合,L(t)为低频分量中内涵模态分量IMF和残差分量的组合,k为内涵模态分量IMF在中频分量和低频分量边界处的标签,IMFi(t)为经验模态分解EMD得到的不同频率分量的内涵模态分量IMF,i为标签的成分从高到低的频率,r(t)为残差分量,残差分量是输入源样本信号的平均趋势,n为满足经验模态分解的最后一阶内涵模态分量IMF的阶数;
S4:建立两个内涵模态分量IMF之间的统计相关性模型:
其中,X和Y分别为不同的内涵模态分量IMF,P(IMFi(t))和P(IMFj(t))分别是两个内涵模态分量IMF的边际概率分布,P(IMFi(t),IMFj(t))为联合概率分布,r和s分别为两个内涵模态分量IMF的符号个数,j为与i相邻的频率;
S5:利用统计相关性模型计算相邻两个内涵模态分量IMF的相关性I(IMFi,IMFj);
S6:建立搜索目标函数,根据两个内涵模态分量IMF的相关性判断内涵模态分量IMF是否为低频部分:
S7:根据判断结果,若内涵模态分量IMF为中频部分,采用自适应阈值法抑制内涵模态分量IMF中频部分的噪声,进行滤波;
S8:将低频内涵模态分量IMF与滤波后的中频内涵模态分量IMF进行信号重构,输出预测的气动信号。
进一步地,步骤S7中对内涵模态分量IMF高频部分进行滤波的方法为:
其中,N为内涵模态分量IMF中频部分的信号长度,σ为噪声分量的标准差,median(·)是中值函数,T为给内涵模态分量IMF高频部分加入的白噪声的自适应阈值。
进一步地,卷积神经网络的输入、输出关系模型为:
tl=Hl(tl-1)+(HEMD(t1)+...+HEMD(tl-1))/(l-1)
其中,l为卷积神经网络的层索引,Hl(·)是第l层的非线性变换,tl和tl-1分别是第l层和第l-1层的输出。
本发明的有益效果为:本发明通过大尺寸卷积核和自适应的经验模态分解EMD的密集块的结构设计,各模块对气动测力系统FMS的输出信号中的特定噪声分量进行处理。这使得提出的基于大卷积核和密集块的气动识别模型(AI-LSK&DB)中的每个组件(特定噪声组件的学习、识别和过滤)都具有物理意义,实现了深度学习模型的一定程度的可解释性。这是对力识别中可解释深度学习模型的首次探索。
本方案提出的密集块结构使得特征在模型的每一层都能平滑流动,从而提高了收敛速度,保证了识别精度。通过在密集块结构中引入自适应的经验模态分解EMD,在模型提取的特征中加入一些约束。这种改进可以大大降低模型的可训练参数,从而减轻深度学习模型对样本量的依赖,为模型在高超声速风洞气动识别领域落地带来可能。
气动识别精度是决定高超声速飞行器研制成败的关键因素之一。但是激波流产生的惯性力(低频)和采集设备引入的量化噪声(高频)会严重影响识别精度。为了解决这一问题,本发明首先引入卷积神经网络来过滤高频噪声,并讨论了核大小对特征提取能力的影响;然后,提出了一种具有自适应的经验模态分解EMD密集块,滤除低频噪声,减轻了模型对样本数量的依赖,并使每层输出具有明确的物理意义,在气动识别精度上较频域模型和深度学习模型有显著提高,且具有良好的鲁棒性和稳定性。
附图说明
图1为基于大尺寸核稠密块的气动识别方法的流程图。
图2为第一层卷积核的权值可视化图。
图3为第一层卷积核的频域可视化图。
图4为信号重构流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1和图4所示,一种基于大尺寸核稠密块的气动识别方法包括以下步骤:
S1:从气动测力系统FMS中的有效测试阶段获取信号作为训练样本,训练样本包括若干数量不同的气动载荷信号数据组;
S2:将若干气动载荷信号数据组输入到大尺寸卷积的卷积层中,通过大卷积核去除气动载荷信号中的量化噪声,输出具有平滑趋势特征的源样本信号。
为了讨论卷积核尺寸对气动识别的影响,本实施例构建一个简单的三层卷积神经网络作为研究的基础,第一层分别作为64x1的大尺寸内核和3x1的小尺寸内核。该模型使用20组实际气动载荷训练100个周期。通过可视化第一卷积层的输出,分析了核大小对气动载荷信号的影响,如图2所示。
本实施例可视化了基于大卷积核和密集块的气动识别模型(AI-LSK&DB)第一层的4个卷积核。图2为第一层卷积核的权值可视化图,图3为第一层卷积核的频域图(采用快速傅里叶变换)。分析可视化后,可以得出两个结论:
1、如图3所示,4个卷积核可以看作是低通滤波器,即对低频特征敏感,抑制高频特征;并且卷积核的权值可以随着AI-LSK&DB的训练而自适应调整,与常用的气动力识别频域方法相比,大大减少了设置滤波器频带的专家经验。其中,第1、2、4个卷积核对5.8Hz的特征比较敏感,气动力分量的频率为5.37Hz;可以推断,这三种卷积核都能自适应地提取气动力特征,第三卷积核对17Hz的特征比较敏感,而一阶惯性力额定值为19.82Hz,可以推断,卷积核可以自适应地提取一阶惯性力特征。
2、频域图表明,AI-LSK&DB的第一层卷积核几乎全部提取低频特征,只有少数卷积核同时提取中低频特征。值得注意的是,卷积核1和4提取的第一和第二共振频率的位置几乎相同,但从对应的时域图观察,这些卷积核的相位明显不同。考虑到气动力信号的相位不确定性,AI-LSK&DB使用多个卷积核提取相同频率的特征,可以理解为提取位置无关特征。
S3:将源样本信号输入卷积神经网络,利用经验模态分解EMD区分源样本信号中的中频分量和低频分量:
HEMD(t)=H(t)+L(t)
其中,H(t)为中频分量中内涵模态分量IMF的组合,L(t)为低频分量中内涵模态分量IMF和残差分量的组合,k为内涵模态分量IMF在中频分量和低频分量边界处的标签,IMFi(t)为经验模态分解EMD得到的不同频率分量的内涵模态分量IMF,i为标签的成分从高到低的频率,r(t)为残差分量,残差分量是输入源样本信号的平均趋势,n为满足经验模态分解的最后一阶内涵模态分量IMF的阶数;
卷积神经网络的输入、输出关系模型为:
tl=Hl(tl-1)+(HEMD(t1)+...+HEMD(tl-1))/(l-1)
其中,l为卷积神经网络的层索引,Hl(·)是第l层的非线性变换,tl和tl-1分别是第l层和第l-1层的输出。不难发现,基于上述卷积神经网络,卷积层可以对自适应的经验模态分解EMD的输出进行逐层校正。
S4:建立两个内涵模态分量IMF之间的统计相关性模型:
其中,X和Y分别为不同的内涵模态分量IMF,P(IMFi(t))和P(IMFj(t))分别是两个内涵模态分量IMF的边际概率分布,P(IMFi(t),IMFj(t))为联合概率分布,r和s分别为两个内涵模态分量IMF的符号个数,j为与i相邻的频率;
S5:利用统计相关性模型计算相邻两个内涵模态分量IMF的相关性I(IMFi,IMFj);
S6:建立搜索目标函数,根据两个内涵模态分量IMF的相关性判断内涵模态分量IMF是否为低频部分:
S7:根据判断结果,若内涵模态分量IMF为中频部分,采用自适应阈值法抑制内涵模态分量IMF中频部分的噪声,进行滤波;对内涵模态分量IMF高频部分进行滤波的方法为:
其中,N为内涵模态分量IMF中频部分的信号长度,σ为噪声分量的标准差,median(·)是中值函数,T为给内涵模态分量IMF高频部分加入的白噪声的自适应阈值。
S8:将低频内涵模态分量IMF与滤波后的中频内涵模态分量IMF进行信号重构,输出预测的气动信号。
本发明通过大尺寸卷积核和自适应的内涵模态分量EMD的密集块的结构设计,各模块对气动测力系统FMS的输出信号中的特定噪声分量进行处理。这使得AI-LSK&DB中的每个组件(特定噪声组件的学习、识别和过滤)都具有物理意义,实现了深度学习模型的一定程度的可解释性。这是对力识别中可解释深度学习模型的首次探索。
本方案提出的密集块结构使得特征在模型的每一层都能平滑流动,从而提高了收敛速度,保证了识别精度。通过在密集块结构中引入自适应的内涵模态分量EMD,在模型提取的特征中加入一些约束。这种改进可以大大降低模型的可训练参数,从而减轻深度学习模型对样本量的依赖,为模型在高超声速风洞气动识别领域落地带来可能。
气动识别精度是决定高超声速飞行器研制成败的关键因素之一。但是激波流产生的惯性力(低频)和采集设备引入的量化噪声(高频)会严重影响识别精度。为了解决这一问题,本发明首先引入卷积神经网络来过滤高频噪声,并讨论了核大小对特征提取能力的影响;然后,提出了一种具有自适应的内涵模态分量EMD的密集块,滤除低频噪声,减轻了模型对样本数量的依赖,并使每层输出具有明确的物理意义,在气动识别精度上较频域模型和深度学习模型有显著提高,且具有良好的鲁棒性和稳定性。
Claims (2)
1.一种基于大尺寸核稠密块的气动识别方法,其特征在于,包括以下步骤:
S1:从气动测力系统FMS中的有效测试阶段获取信号作为训练样本,训练样本包括若干数量不同的气动载荷信号数据组;
S2:将若干气动载荷信号数据组输入到大尺寸卷积的卷积层中,通过大卷积核去除气动载荷信号中的量化噪声,输出具有平滑趋势特征的源样本信号;
S3:将源样本信号输入卷积神经网络,利用经验模态分解EMD区分源样本信号中的中频分量和低频分量:
HEMD(t)=H(t)+L(t)
其中,H(t)为中频分量中内涵模态分量IMF,L(t)为低频分量中内涵模态分量IMF和残差分量的组合,k为内涵模态分量IMF在中频分量和低频分量边界处的标签,IMFi(t)为经验模态分解EMD得到的不同频率分量的内涵模态分量IMF,i为标签的成分从高到低的频率,r(t)为残差分量,残差分量是输入源样本信号的平均趋势,n为满足经验模态分解的最后一阶内涵模态分量IMF的阶数;
S4:建立两个内涵模态分量IMF之间的统计相关性模型:
其中,X和Y分别为不同的内涵模态分量IMF,P(IMFi(t))和P(IMFj(t))分别是两个内涵模态分量IMF的边际概率分布,P(IMFi(t),IMFj(t))为联合概率分布,r和s分别为两个内涵模态分量IMF的符号个数,j为与i相邻的频率;
S5:利用统计相关性模型计算相邻两个内涵模态分量IMF的相关性I(IMFi,IMFj);
S6:建立搜索目标函数,根据两个内涵模态分量IMF的相关性判断内涵模态分量IMF是否为低频部分:
S7:根据判断结果,若内涵模态分量IMF为中频部分,采用自适应阈值法抑制内涵模态分量IMF中频部分的噪声,进行滤波;
S8:将低频内涵模态分量IMF与滤波后的中频内涵模态分量IMF进行信号重构,输出预测的气动信号;
所述步骤S7中对内涵模态分量IMF高频部分进行滤波的方法为:
其中,N为内涵模态分量IMF中频部分的信号长度,σ为噪声分量的标准差,median(·)是中值函数,T为给内涵模态分量IMF高频部分加入的白噪声的自适应阈值。
2.根据权利要求1所述的基于大尺寸核稠密块的气动识别方法,其特征在于,所述卷积神经网络的输入、输出关系模型为:
tl=Hl(tl-1)+(HEMD(t1)+...+HEMD(tl-1))/(l-1)
其中,l为卷积神经网络的层索引,Hl(·)是第l层的非线性变换,tl和tl-1分别是第l层和第l-1层的输出。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2023102007998 | 2023-03-03 | ||
CN202310200799 | 2023-03-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116296243A CN116296243A (zh) | 2023-06-23 |
CN116296243B true CN116296243B (zh) | 2024-02-23 |
Family
ID=86835760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310273825.XA Active CN116296243B (zh) | 2023-03-03 | 2023-03-20 | 一种基于大尺寸核稠密块的气动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116296243B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909659B (zh) * | 2024-03-20 | 2024-05-14 | 中国空气动力研究与发展中心超高速空气动力研究所 | 变体飞行器风洞动态试验天平气动力信号处理方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103940575A (zh) * | 2014-04-21 | 2014-07-23 | 西南交通大学 | 一种基于应变信号能量的风洞试验天平的评估方法 |
CN113869556A (zh) * | 2021-05-19 | 2021-12-31 | 国家电网有限公司 | 一种用电量预测方法、装置及设备 |
CN115051358A (zh) * | 2022-06-13 | 2022-09-13 | 苏州禾望电气有限公司 | 一种风力发电短期负荷功率预测方法及风力发电系统 |
-
2023
- 2023-03-20 CN CN202310273825.XA patent/CN116296243B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103940575A (zh) * | 2014-04-21 | 2014-07-23 | 西南交通大学 | 一种基于应变信号能量的风洞试验天平的评估方法 |
CN113869556A (zh) * | 2021-05-19 | 2021-12-31 | 国家电网有限公司 | 一种用电量预测方法、装置及设备 |
CN115051358A (zh) * | 2022-06-13 | 2022-09-13 | 苏州禾望电气有限公司 | 一种风力发电短期负荷功率预测方法及风力发电系统 |
Non-Patent Citations (3)
Title |
---|
A new dynamic modelling methodology of a force measuring system for hypersonic impulse wind tunnel;Shichao Li等;Measurement;1-15 * |
基于EMD-CNN-LSTM混合模型的短期电力负荷预测;徐岩等;华北电力大学学报;第49卷(第2期);81-89 * |
基于GA-VMD-RESTNET-LSTM网络的短期 电力负荷预测;简定辉等;理论与方法;15-22 * |
Also Published As
Publication number | Publication date |
---|---|
CN116296243A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen | Fast dictionary learning for noise attenuation of multidimensional seismic data | |
CN110287969B (zh) | 基于图残差注意力网络的摩尔文本图像二值化系统 | |
CN111160533B (zh) | 一种基于跨分辨率知识蒸馏的神经网络加速方法 | |
CN111238814A (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN111007566B (zh) | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 | |
CN116296243B (zh) | 一种基于大尺寸核稠密块的气动识别方法 | |
CN113723171B (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
CN104538035A (zh) | 一种基于Fisher超向量的说话人识别方法及系统 | |
CN112906578A (zh) | 一种桥梁时间序列位移信号去噪的方法 | |
CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
CN106502850B (zh) | 一种稀疏紧框架字典学习模型的多故障辨识方法与装置 | |
Bao et al. | Learning a discriminative dictionary for single-channel speech separation | |
CN109798920A (zh) | 基于改进emd的mems陀螺随机误差建模滤波方法 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN115758082A (zh) | 一种轨道交通变压器故障诊断方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN111108554A (zh) | 一种基于语音降噪的声纹识别方法和相关装置 | |
CN113409213A (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
CN116594061B (zh) | 一种基于多尺度u形注意网络的地震数据去噪方法 | |
CN111464468A (zh) | 信号调制模式识别方法、装置、设备和可读存储介质 | |
CN116772122A (zh) | 一种天然气管道泄漏故障诊断方法、系统、设备及介质 | |
CN116484176A (zh) | 一种基于超小波的轴承故障诊断方法、系统和存储介质 | |
CN115691535A (zh) | 基于rnn的高信噪比语音降噪方法、装置、设备及介质 | |
CN112652321B (zh) | 一种基于深度学习相位更加友好的语音降噪系统及方法 | |
CN112614483B (zh) | 基于残差卷积网络的建模方法、语音识别方法及电子设备 |
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 |