JP2947977B2 - 特性の相異なる多数の物体を含む集まりの一部を成す傾向のある物体の高速認識方法 - Google Patents
特性の相異なる多数の物体を含む集まりの一部を成す傾向のある物体の高速認識方法Info
- Publication number
- JP2947977B2 JP2947977B2 JP3146797A JP14679791A JP2947977B2 JP 2947977 B2 JP2947977 B2 JP 2947977B2 JP 3146797 A JP3146797 A JP 3146797A JP 14679791 A JP14679791 A JP 14679791A JP 2947977 B2 JP2947977 B2 JP 2947977B2
- Authority
- JP
- Japan
- Prior art keywords
- parameter
- likelihood
- objects
- parameters
- library
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
Description
【０００１】
【産業上の利用分野】本発明は、特性の相異なる多数の
物体を含む集まりの一部を成す傾向のある物体の高速認
識方法に関するものである。
物体を含む集まりの一部を成す傾向のある物体の高速認
識方法に関するものである。
【０００２】
【従来の技術】コントロールステーションを大量に高速
で通過する同一型の物体をつぎにソーティングするため
に識別しなければならない場合、識別タスクは一般にオ
ペレータによって実施される。この型の識別オペレーシ
ョンを自動化するためには、これらの物体は予めマーク
付けされなければならない。このマーク付けは例えば郵
便物のソーティングについてすでに実施されているよう
に、バーコードによって実施することができる。このバ
ーコードマーク付けを高速で実施するためには、言い替
えればソーティングオペレーションの自動化を可能にす
るためには、手紙の上に記載されたアドレスの文字に対
して光学認識オペレーションを実施しなければならな
い。アドレスが手書きの場合、この光学認識は高いエラ
ー率を生じる。識別される物体に「電子ラベル」を付け
ることもできるが、これは常に実施可能ではなく、また
多数の物体をソーティングしなければならない場合に
は、経費がかかりすぎる。
で通過する同一型の物体をつぎにソーティングするため
に識別しなければならない場合、識別タスクは一般にオ
ペレータによって実施される。この型の識別オペレーシ
ョンを自動化するためには、これらの物体は予めマーク
付けされなければならない。このマーク付けは例えば郵
便物のソーティングについてすでに実施されているよう
に、バーコードによって実施することができる。このバ
ーコードマーク付けを高速で実施するためには、言い替
えればソーティングオペレーションの自動化を可能にす
るためには、手紙の上に記載されたアドレスの文字に対
して光学認識オペレーションを実施しなければならな
い。アドレスが手書きの場合、この光学認識は高いエラ
ー率を生じる。識別される物体に「電子ラベル」を付け
ることもできるが、これは常に実施可能ではなく、また
多数の物体をソーティングしなければならない場合に
は、経費がかかりすぎる。
【０００３】識別される物体が物理特性（例えばサイ
ズ、色、重量）、電気特性（例えば誘電率）、磁気特性
（例えばパーミアンス）または光学パラメータ（例えば
反射率、不透明度など）によって区別される場合、専用
認識システムを使用することができるが、これらの物理
特性がわずかしか変動せず、また／あるいはこれらの物
体ファイルが多量に高速で通過する際には、これらの専
用システムは非常に複雑になりまた高価になる。
ズ、色、重量）、電気特性（例えば誘電率）、磁気特性
（例えばパーミアンス）または光学パラメータ（例えば
反射率、不透明度など）によって区別される場合、専用
認識システムを使用することができるが、これらの物理
特性がわずかしか変動せず、また／あるいはこれらの物
体ファイルが多量に高速で通過する際には、これらの専
用システムは非常に複雑になりまた高価になる。
【０００４】これらの物体がレーダである場合、その技
術的パラメータの一部（電送周波数、パルス幅、走査特
性など）を測定した後に、測定結果とこれらのパラメー
タの分析結果とを特性ライブラリと比較しなければなら
ない。このライブラリは、すでに識別されたレーダの記
述（この記述は他の手段によって知られる）とこれらの
レーダのオペレーションモードとを含む。
術的パラメータの一部（電送周波数、パルス幅、走査特
性など）を測定した後に、測定結果とこれらのパラメー
タの分析結果とを特性ライブラリと比較しなければなら
ない。このライブラリは、すでに識別されたレーダの記
述（この記述は他の手段によって知られる）とこれらの
レーダのオペレーションモードとを含む。
【０００５】公知のレーダ識別法は大体に２主要カテゴ
リーに分類することができる。第１のカテゴリーは、測
定された変数をライブラリの中に記憶されたレンジ（極
小値および極大値）と比較し、また離散型パラメータと
比較する方法である。このような方法を実施するには、
測定変数を与えたセンサのパフォーマンスとレーダパラ
メータの変動レンジとを考慮して予めライブラリを設定
する必要があり、さらにこれらの方法は、ライブラリの
値との比較が満足でない場合に、きわめて厳格なモード
排除を必要とする。これは主として二次パラメータ特に
離散型パラメータの場合である。さらに、これらの方法
は相異なるパラメータの識別特性の重み付けの柔軟性を
ほとんど示さない。さらに結果のデジタル化が困難であ
る。これはそのパフォーマンス特性にとって不利であ
る。また結果に対する信頼度の解釈が不可能である。
リーに分類することができる。第１のカテゴリーは、測
定された変数をライブラリの中に記憶されたレンジ（極
小値および極大値）と比較し、また離散型パラメータと
比較する方法である。このような方法を実施するには、
測定変数を与えたセンサのパフォーマンスとレーダパラ
メータの変動レンジとを考慮して予めライブラリを設定
する必要があり、さらにこれらの方法は、ライブラリの
値との比較が満足でない場合に、きわめて厳格なモード
排除を必要とする。これは主として二次パラメータ特に
離散型パラメータの場合である。さらに、これらの方法
は相異なるパラメータの識別特性の重み付けの柔軟性を
ほとんど示さない。さらに結果のデジタル化が困難であ
る。これはそのパフォーマンス特性にとって不利であ
る。また結果に対する信頼度の解釈が不可能である。
【０００６】第２カテゴリーに属する公知のシステム
は、測定結果が得られるに従ってライブラリの富化原理
に基づく強力な専用システムを使用する。この方法は実
行速度が非常に低く、またその実施には非常に大型のメ
モリを必要とするので、この方法を機上識別システムの
場合に使用することができない。
は、測定結果が得られるに従ってライブラリの富化原理
に基づく強力な専用システムを使用する。この方法は実
行速度が非常に低く、またその実施には非常に大型のメ
モリを必要とするので、この方法を機上識別システムの
場合に使用することができない。
【０００７】
【課題を解決するための手段】本発明の目的は、簡単迅
速に実施することができ、測定センサの精度とは無関係
の結果を生じ、あらゆる場合に容易に適合しまた多量の
メモリを必要としない物体識別方法を提供するにある。
速に実施することができ、測定センサの精度とは無関係
の結果を生じ、あらゆる場合に容易に適合しまた多量の
メモリを必要としない物体識別方法を提供するにある。
【０００８】本発明は、特性の相異なる多数の物体を含
む集まりの一部を成す傾向のある物体の高速認識方法に
おいて、これらの目的の主要特性を示すパラメータを測
定し、プロセッサによって下記の段階、すなわちこれら
の物体の主要特性を示す測定されたパラメータを数クラ
スに分配する段階と、主要クラスの主要パラメータの大
きさの順序を考慮して第１概略ソーティングオペレーシ
ョンを実施する段階と、各クラスにおける少なくとも最
低尤度解の除去段階と、最高尤度解（単数または複数）
を選定するため残存解を尤度順序に従って分類する段階
とを実施し、ここに尤度は各クラスに関する部分尤度の
積に等しい全体尤度とし、部分尤度（Ｖｐ）は下記の式
によって与えられ： Ｖｐ ＝πｊ （Ｃ（ｊ）Ｋ（ｊ））Ｎ（ｊ） ここに「ｊ」は、Ｖｐを尤度とするクラスに関連したパ
ラメータの探求インデックス、Ｃ（ｊ）は、この値が１
に近づく際に、ライブラリ中に記憶されたモードのパラ
メータに対するパラメータの近接度の増大を示す変数、
Ｎ（ｊ）は、識別におけるパラメータ「ｊ」の重みを固
定することのできる係数とし、Ｋ（ｊ）は、パーセント
として既知の精度を有するパラメータ値に対して１に等
しく、絶対値として既知の精度を有するパラメータ値に
比例する係数とする。
む集まりの一部を成す傾向のある物体の高速認識方法に
おいて、これらの目的の主要特性を示すパラメータを測
定し、プロセッサによって下記の段階、すなわちこれら
の物体の主要特性を示す測定されたパラメータを数クラ
スに分配する段階と、主要クラスの主要パラメータの大
きさの順序を考慮して第１概略ソーティングオペレーシ
ョンを実施する段階と、各クラスにおける少なくとも最
低尤度解の除去段階と、最高尤度解（単数または複数）
を選定するため残存解を尤度順序に従って分類する段階
とを実施し、ここに尤度は各クラスに関する部分尤度の
積に等しい全体尤度とし、部分尤度（Ｖｐ）は下記の式
によって与えられ： Ｖｐ ＝πｊ （Ｃ（ｊ）Ｋ（ｊ））Ｎ（ｊ） ここに「ｊ」は、Ｖｐを尤度とするクラスに関連したパ
ラメータの探求インデックス、Ｃ（ｊ）は、この値が１
に近づく際に、ライブラリ中に記憶されたモードのパラ
メータに対するパラメータの近接度の増大を示す変数、
Ｎ（ｊ）は、識別におけるパラメータ「ｊ」の重みを固
定することのできる係数とし、Ｋ（ｊ）は、パーセント
として既知の精度を有するパラメータ値に対して１に等
しく、絶対値として既知の精度を有するパラメータ値に
比例する係数とする。
【０００９】
【実施例】以下において、本発明の識別方法をパルスレ
ーダについて説明するが、本発明の方法は一般に識別し
やすいＣＷレーダにも応用可能であり、また本発明の方
法は適当センサによって測定されうる特性を有する非常
に広範な物体について応用可能であることは明白であ
る。
ーダについて説明するが、本発明の方法は一般に識別し
やすいＣＷレーダにも応用可能であり、また本発明の方
法は適当センサによって測定されうる特性を有する非常
に広範な物体について応用可能であることは明白であ
る。
【００１０】この方法はまず、測定された技術パラメー
タを数クラスに分類するにある。望ましくは４クラスが
存在する。この場合、これらのクラスはそれぞれレーダ
伝送周波数、パルス幅、入力時間の変調、および走査に
関連する。最初の２クラスはレーダによって放出された
パルスに関連するので「一次」クラスと呼ばれる。他の
２クラスは数パルスに関連するので、「二次」クラスと
呼ばれる。例えば「変調」パラメータのクラスは、観察
された最低値および最高値、最も頻繁に生じる値、およ
び観察された値の数によって形成される。
タを数クラスに分類するにある。望ましくは４クラスが
存在する。この場合、これらのクラスはそれぞれレーダ
伝送周波数、パルス幅、入力時間の変調、および走査に
関連する。最初の２クラスはレーダによって放出された
パルスに関連するので「一次」クラスと呼ばれる。他の
２クラスは数パルスに関連するので、「二次」クラスと
呼ばれる。例えば「変調」パラメータのクラスは、観察
された最低値および最高値、最も頻繁に生じる値、およ
び観察された値の数によって形成される。
【００１１】パラメータの各クラスについて、探求され
なければならない測定品質の評価を示すグレード、従っ
てそのクラスに対する信頼度を与える。グレードは一次
パラメータ（定量パラメータ）の正確な値と、二次パラ
メータ（定性特性）に対する主観的信頼感を代表する。
なければならない測定品質の評価を示すグレード、従っ
てそのクラスに対する信頼度を与える。グレードは一次
パラメータ（定量パラメータ）の正確な値と、二次パラ
メータ（定性特性）に対する主観的信頼感を代表する。
【００１２】技術的パラメータは離散型特性あるいは物
理的変数である。例えば、走査に関するパラメータクラ
スは、第１に走査の型（円形走査、扇形走査など）によ
って、第２にアンテナ回転周期およびローブの幅によっ
て形成される。
理的変数である。例えば、走査に関するパラメータクラ
スは、第１に走査の型（円形走査、扇形走査など）によ
って、第２にアンテナ回転周期およびローブの幅によっ
て形成される。
【００１３】本発明の識別法の第１段階は、スクリーニ
ングオペレーションに相当する概略ソーティングオペレ
ーションである。このソーティングオペレーションは、
一次パラメータの大きさ、すなわちパルス幅パラメータ
および周波数パラメータの大きさ順序を考慮する。これ
らのパラメータは常に既知の精度をもって測定され、信
頼できる大きさを有する。これらは、容易に識別できる
パラメータである。
ングオペレーションに相当する概略ソーティングオペレ
ーションである。このソーティングオペレーションは、
一次パラメータの大きさ、すなわちパルス幅パラメータ
および周波数パラメータの大きさ順序を考慮する。これ
らのパラメータは常に既知の精度をもって測定され、信
頼できる大きさを有する。これらは、容易に識別できる
パラメータである。
【００１４】このようにして、可能なレーダ（パルス幅
と周波数が一定の値レンジにおいて、測定された特性に
対応するレーダ）の第１リストが選定される。これは
「探索フィールド」と呼ばれる。このリストは調査に値
するレーダモードを含み、その後のすべてのオペレーシ
ョンはこの探索フィールドのみに関連する。一例とし
て、約4000レーダモードを含むライブラリの場合、この
探索フィールドは一般に最高80〜100 モードを有し、最
も望ましくない場合に最高約200 モードを有する。
と周波数が一定の値レンジにおいて、測定された特性に
対応するレーダ）の第１リストが選定される。これは
「探索フィールド」と呼ばれる。このリストは調査に値
するレーダモードを含み、その後のすべてのオペレーシ
ョンはこの探索フィールドのみに関連する。一例とし
て、約4000レーダモードを含むライブラリの場合、この
探索フィールドは一般に最高80〜100 モードを有し、最
も望ましくない場合に最高約200 モードを有する。
【００１５】次の段階において、測定されたレーダの二
次技術パラメータを調査し、レーダ信号を特徴付ける標
識が配置される。レーダの特性が準確実度をもって確定
された時にこれらの標識が配置される。例えば走査にお
いて、２ＡＲＰ（アンテナ回転周期）の円形型の場合、
一定値Ａに標識が配置され、走査が２停止点を有する扇
形型の場合には、他の値Ｂに標識が配置され、走査が１
ＡＲＰを含む円形型の場合には第３値Ｃに標識が配置さ
れる。
次技術パラメータを調査し、レーダ信号を特徴付ける標
識が配置される。レーダの特性が準確実度をもって確定
された時にこれらの標識が配置される。例えば走査にお
いて、２ＡＲＰ（アンテナ回転周期）の円形型の場合、
一定値Ａに標識が配置され、走査が２停止点を有する扇
形型の場合には、他の値Ｂに標識が配置され、走査が１
ＡＲＰを含む円形型の場合には第３値Ｃに標識が配置さ
れる。
【００１６】配置されうるすべての標識が配置された
時、識別プロセスは探索フィールド全体の調査に対して
共通になる。従って例えば「変調」クラスのパラメータ
を観察すれば、測定されたパルス間のラグの値とこれら
の値の散布度との差異の評価が可能となり、従って変調
が単純変調であるか、ウォブレーション、「スタッガ
ー」型または「ジッター」型であるか、あるいはパルス
列、マルチプル変調であるかなどを評価することができ
る。
時、識別プロセスは探索フィールド全体の調査に対して
共通になる。従って例えば「変調」クラスのパラメータ
を観察すれば、測定されたパルス間のラグの値とこれら
の値の散布度との差異の評価が可能となり、従って変調
が単純変調であるか、ウォブレーション、「スタッガ
ー」型または「ジッター」型であるか、あるいはパルス
列、マルチプル変調であるかなどを評価することができ
る。
【００１７】つぎに、探索フィールドの各モードについ
て前記の種々の標識に依存して、「尤度」として公知の
変数を計算する。これらの変数は、調査されるモード
（探索フィールドの一部を形成するモード）と識別され
る測定値との距離を認定する。
て前記の種々の標識に依存して、「尤度」として公知の
変数を計算する。これらの変数は、調査されるモード
（探索フィールドの一部を形成するモード）と識別され
る測定値との距離を認定する。
【００１８】計算された尤度は２つの型がある。すなわ
ち、それぞれ特定のパラメータクラスに関する部分的尤
度、およびすべてのパラメータクラスに関する全体尤
度。これらのパラメータクラスはそれぞれ周波数、パル
ス幅、変調および走査に関するものである。
ち、それぞれ特定のパラメータクラスに関する部分的尤
度、およびすべてのパラメータクラスに関する全体尤
度。これらのパラメータクラスはそれぞれ周波数、パル
ス幅、変調および走査に関するものである。
【００１９】各尤度について、４（この場合）最低レベ
ルが下記の一般原則に従って特定される。すなわち、誤
って格付けされた測定値を有するパラメータクラスにつ
いては、より高い要件（より高い必要最高レベル）を他
のクラスについて生じるとしても、より大きなインダル
ジェンス（低い必要最低限レベル）を与える。
ルが下記の一般原則に従って特定される。すなわち、誤
って格付けされた測定値を有するパラメータクラスにつ
いては、より高い要件（より高い必要最高レベル）を他
のクラスについて生じるとしても、より大きなインダル
ジェンス（低い必要最低限レベル）を与える。
【００２０】従って、探索フィールドの各モードについ
て、相異なるクラスのパラメータの部分的尤度と、つぎ
に全体尤度とが決定される。最終的に選定されたモード
が存在すれば、これは最良全体尤度を有する探索フィー
ルドから来て、そのすべての部分的尤度が必要最低限レ
ベルより高いモード（実際上４モード）である。
て、相異なるクラスのパラメータの部分的尤度と、つぎ
に全体尤度とが決定される。最終的に選定されたモード
が存在すれば、これは最良全体尤度を有する探索フィー
ルドから来て、そのすべての部分的尤度が必要最低限レ
ベルより高いモード（実際上４モード）である。
【００２１】識別される測定に関するレーダモード
（ｉ）の全体尤度（Ｖ（ｉ））は下記の式によって求め
られる： Ｖ（ｉ）＝Ｖｌｉ（ｉ）・Ｖｆ（ｉ）・Ｖmod （ｉ）・Ｖｂ（ｉ） ここに、Ｖｌｉ（ｉ）、Ｖｆ（ｉ）、Ｖmod （ｉ）、Ｖ
ｂ（ｉ）はそれぞれパルス幅、周波数、変調および走査
に関する各技術的パラメータクラスの部分的尤度であ
る。
（ｉ）の全体尤度（Ｖ（ｉ））は下記の式によって求め
られる： Ｖ（ｉ）＝Ｖｌｉ（ｉ）・Ｖｆ（ｉ）・Ｖmod （ｉ）・Ｖｂ（ｉ） ここに、Ｖｌｉ（ｉ）、Ｖｆ（ｉ）、Ｖmod （ｉ）、Ｖ
ｂ（ｉ）はそれぞれパルス幅、周波数、変調および走査
に関する各技術的パラメータクラスの部分的尤度であ
る。
【００２２】部分的尤度Ｖｐは実数０乃至１であって、
下記の一般式によって表される： Ｖｐ ＝πｊ（Ｃ（ｊ）Ｋ（ｊ））Ｎ（ｊ） ここに「ｊ」は、Ｖｐを尤度とするクラスに関連したパ
ラメータの探求インデックスである。例えば、「周波
数」パラメータクラスは、最も頻繁に生起する測定値、
観察された値の数および周波数の最低値と最高値によっ
て形成される（従ってｊはこの場合は１〜４の間にあ
る）。
下記の一般式によって表される： Ｖｐ ＝πｊ（Ｃ（ｊ）Ｋ（ｊ））Ｎ（ｊ） ここに「ｊ」は、Ｖｐを尤度とするクラスに関連したパ
ラメータの探求インデックスである。例えば、「周波
数」パラメータクラスは、最も頻繁に生起する測定値、
観察された値の数および周波数の最低値と最高値によっ
て形成される（従ってｊはこの場合は１〜４の間にあ
る）。
【００２３】Ｃ（ｊ）は、この値が１に近づく際に、ラ
イブラリ中に記憶されたモードのパラメータに対する分
析パラメータの近接度の増大を示す。
イブラリ中に記憶されたモードのパラメータに対する分
析パラメータの近接度の増大を示す。
【００２４】Ｎ（ｊ）は、識別におけるパラメータ
「ｊ」の重みを固定することのできる係数とし、この重
みはＮ（ｊ）が増大するに従って増大し、またＮ（ｊ）
は測定の識別特性に依存する。
「ｊ」の重みを固定することのできる係数とし、この重
みはＮ（ｊ）が増大するに従って増大し、またＮ（ｊ）
は測定の識別特性に依存する。
【００２５】Ｋ（ｊ）は、パーセントとして既知の精度
を有するパラメータ値に対して１に等しく、絶対値とし
て既知の精度を有するパラメータ値に比例する係数であ
る。従って例えば、5000ＭＨｚの周波数Ｆが測定され、
ライブラリのモードの最も近い周波数が5020ＭＨｚであ
るとすれば、
を有するパラメータ値に対して１に等しく、絶対値とし
て既知の精度を有するパラメータ値に比例する係数であ
る。従って例えば、5000ＭＨｚの周波数Ｆが測定され、
ライブラリのモードの最も近い周波数が5020ＭＨｚであ
るとすれば、
【００２６】
【数４】 Ｃ（ｊ）は下記のように求められる： Ｋ（ｊ）＝Ｆ（ＦはＧＨｚ）＝５ 故に、Ｃ（ｊ）Ｋ（ｊ）＝0.996 5 ＝0.98 また測定された周波数が10,000ＭＨｚでありライブラリ
の周波数が10,020ＭＨｚであるとすれば、下記の値が得
られる： Ｃ（ｊ）Ｋ（ｊ）＝0.998 10 ＝0.98 この実施例から、20ＭＨｚの差異は10,000MHz において
も5000MHz の場合と同様に識別可能であると結論され
る。これは、周波数が絶対精度を特徴とすることと一致
している。
の周波数が10,020ＭＨｚであるとすれば、下記の値が得
られる： Ｃ（ｊ）Ｋ（ｊ）＝0.998 10 ＝0.98 この実施例から、20ＭＨｚの差異は10,000MHz において
も5000MHz の場合と同様に識別可能であると結論され
る。これは、周波数が絶対精度を特徴とすることと一致
している。
【００２７】下記に示すＶｐの式、および特にパラメー
タ（ｊ）のリストは、二次パラメータに関する限り測定
値の事前の調査に依存している。従って例えば、変調の
場合に、Ｖmod （変調に対するＶｐ）の式はそれぞれの
場合（「スタッガー」、「ジッター」、ウォビュレーシ
ョン）に、このクラスに属する種々のパラメータの特定
に関する意味と信頼度に対応して相違する。さらにこの
型の変調は、それ自体、ライブラリの各モードに対して
明示的にまたは暗示的に与えられるパラメータとなる。
タ（ｊ）のリストは、二次パラメータに関する限り測定
値の事前の調査に依存している。従って例えば、変調の
場合に、Ｖmod （変調に対するＶｐ）の式はそれぞれの
場合（「スタッガー」、「ジッター」、ウォビュレーシ
ョン）に、このクラスに属する種々のパラメータの特定
に関する意味と信頼度に対応して相違する。さらにこの
型の変調は、それ自体、ライブラリの各モードに対して
明示的にまたは暗示的に与えられるパラメータとなる。
【００２８】またＶｐの式は測定に依存する。例えば走
査に関しては、走査が扇形であるか円形であるかに従っ
て、それぞれ下記のファクタが作用する。すなわち、走
査の型のみ、走査とアンテナ回転周期の型、または走
査、回転周期、およびローブ幅の型。
査に関しては、走査が扇形であるか円形であるかに従っ
て、それぞれ下記のファクタが作用する。すなわち、走
査の型のみ、走査とアンテナ回転周期の型、または走
査、回転周期、およびローブ幅の型。
【００２９】係数Ｃ（ｊ）は、処理される変数ｊの型に
対応して、下記のようにして得られる。
対応して、下記のようにして得られる。
【００３０】ａ）定性的または離散的パラメータの比
較： 対応が存在すればＣqual（ｊ）＝１、対応が存在しなけ
れば、 Ｃqual（ｊ）＜１． ｂ）ライブラリ中の値（ＬＶ）に対するパラメータ測定
値（Ｍ）の近接の場合：
較： 対応が存在すればＣqual（ｊ）＝１、対応が存在しなけ
れば、 Ｃqual（ｊ）＜１． ｂ）ライブラリ中の値（ＬＶ）に対するパラメータ測定
値（Ｍ）の近接の場合：
【００３１】
【数５】 ｃ）ライブラリの可能レンジ（ＬＶmin ，ＬＶmax ）へ
のパラメータ測定値（Ｍ）の近接の場合：
のパラメータ測定値（Ｍ）の近接の場合：
【００３２】
【数６】 ｄ）ライブラリの可能レンジ（ＬＶmin ，ＬＶmax ）へ
の測定されたパラメータ極値（Ｍmin ，Ｍmax ）の近接
の場合：
の測定されたパラメータ極値（Ｍmin ，Ｍmax ）の近接
の場合：
【００３３】
【数７】 実行時間を最適化する必要があれば、（ＣｊＫ（ｊ））
Ｎ（ｊ）の代わりに、１−Ｋ（ｊ）・Ｎ（ｊ）＋Ｃ
（ｊ）・Ｋ（ｊ）・Ｎ（ｊ）を使用して、ａ．Ｃ（ｊ）
＋ｂを得ることができる。Ｋ（ｊ）とＮ（ｊ）は観察さ
れたモードとは無関係だからである。最も望ましくない
場合に、Ｋ（ｊ）は１に等しくないまでも測定値に比例
する。このような近似が可能なのは、Ｃ（ｊ）の最も有
望な値が１（最良尤度）に近いからである。これは、最
低識別性のパラメータ（低Ｎ（ｊ））の場合に、ゼロに
向かう傾向がないので望ましい。
Ｎ（ｊ）の代わりに、１−Ｋ（ｊ）・Ｎ（ｊ）＋Ｃ
（ｊ）・Ｋ（ｊ）・Ｎ（ｊ）を使用して、ａ．Ｃ（ｊ）
＋ｂを得ることができる。Ｋ（ｊ）とＮ（ｊ）は観察さ
れたモードとは無関係だからである。最も望ましくない
場合に、Ｋ（ｊ）は１に等しくないまでも測定値に比例
する。このような近似が可能なのは、Ｃ（ｊ）の最も有
望な値が１（最良尤度）に近いからである。これは、最
低識別性のパラメータ（低Ｎ（ｊ））の場合に、ゼロに
向かう傾向がないので望ましい。
【００３４】探索フィールドの各モードについて部分的
尤度、つぎに全体尤度を計算し、必要とされる最低尤度
と比較する。全体的に調査することなく、これらの最低
レベルに対応しないモードを破棄する。本発明の望まし
い特徴によれば、１つのモードが全体尤度の最低閾値を
著しく越える場合、次のモードの調査のためにこの閾値
を再評価するからである。このような特徴は、統計学的
に、これらの次のモードが破棄されるべき際に、より急
速に破棄されるので、実質的な時間利得を与える。
尤度、つぎに全体尤度を計算し、必要とされる最低尤度
と比較する。全体的に調査することなく、これらの最低
レベルに対応しないモードを破棄する。本発明の望まし
い特徴によれば、１つのモードが全体尤度の最低閾値を
著しく越える場合、次のモードの調査のためにこの閾値
を再評価するからである。このような特徴は、統計学的
に、これらの次のモードが破棄されるべき際に、より急
速に破棄されるので、実質的な時間利得を与える。
【００３５】つぎに、最高全体尤度を有するモードを求
めるための最終分類が実施される。数モード（最高４モ
ード）が相互に非常に近接した全体尤度を有すれば、結
果はこれらの相異なるモードによって形成される。
めるための最終分類が実施される。数モード（最高４モ
ード）が相互に非常に近接した全体尤度を有すれば、結
果はこれらの相異なるモードによって形成される。
【００３６】前記の方法は、プロセッサの作業プログラ
ムを構成するアルゴリズムに翻訳することによって認識
システム中で実施される。このプログラムは、Ｃ言語な
どの言語、またはＣ言語でコンパイルされたＸＲＥＴ言
語（エキスパートシステム用）、またはその他の適当言
語で書かれる。もちろん認識システムが終了されている
時、すべての係数Ｎ（ｊ）について、従って各パラメー
タについて識別文字を正確に設定し、同時に４部分的尤
度の相対「重み」を均等化する必要がある。望ましく
は、これらの４部分的尤度について予め尤度値（この場
合パーセント）と尤度の直感的観念との対応関係を設定
することができる。
ムを構成するアルゴリズムに翻訳することによって認識
システム中で実施される。このプログラムは、Ｃ言語な
どの言語、またはＣ言語でコンパイルされたＸＲＥＴ言
語（エキスパートシステム用）、またはその他の適当言
語で書かれる。もちろん認識システムが終了されている
時、すべての係数Ｎ（ｊ）について、従って各パラメー
タについて識別文字を正確に設定し、同時に４部分的尤
度の相対「重み」を均等化する必要がある。望ましく
は、これらの４部分的尤度について予め尤度値（この場
合パーセント）と尤度の直感的観念との対応関係を設定
することができる。
【００３７】 ９５％〜１００％：確実 ８９％〜９５％： 可能 ８３％〜８９％： 疑わしい この場合、最も簡単なパラメータクラス、すなわちパラ
メータ幅についてこれらの対応関係を特定し、これを他
のクラスに適用した。すなわち、これらのクラスのパラ
メータのすべての係数Ｎ（ｊ）は前記の値を考慮して特
定された。
メータ幅についてこれらの対応関係を特定し、これを他
のクラスに適用した。すなわち、これらのクラスのパラ
メータのすべての係数Ｎ（ｊ）は前記の値を考慮して特
定された。
【００３８】探索フィールドを特定するために採用され
た手順は、予め決定された「スクリーン」セットの合併
と交わりを使用する。第１スクリーンは周波数が同一オ
ーダの大きさを有するセットを代表する。第２スクリー
ンは、パルス幅が同一オーダの大きさを有するモードに
関するものである。
た手順は、予め決定された「スクリーン」セットの合併
と交わりを使用する。第１スクリーンは周波数が同一オ
ーダの大きさを有するセットを代表する。第２スクリー
ンは、パルス幅が同一オーダの大きさを有するモードに
関するものである。
【００３９】従って例えば、周波数の全体レンジを約20
の「等密度」セグメントに分割し（各セグメントが実質
的に同数の可能周波数を含む）、またパルス幅レンジを
約15の「等密度」セグメントに分割する。これらのいず
れの場合にも、測定されたモードは場合に応じて数セグ
メントに所属する。もちろん、これらのセグメント分割
オペレーションはランダムに実施されるのでなく、レー
ダの確実な先験的知識に基づく。
の「等密度」セグメントに分割し（各セグメントが実質
的に同数の可能周波数を含む）、またパルス幅レンジを
約15の「等密度」セグメントに分割する。これらのいず
れの場合にも、測定されたモードは場合に応じて数セグ
メントに所属する。もちろん、これらのセグメント分割
オペレーションはランダムに実施されるのでなく、レー
ダの確実な先験的知識に基づく。
【００４０】２つの主要パラメータ、すなわち周波数と
パルス幅については、測定は間隔を成す単数または複数
の値を含む。場合によっては（単一値の場合）、間隔の
最低値は最高値に等しい。その場合には、測定精度を考
慮して、すなわちセンサの固有精度あるいは低グレード
の場合には特定の局所的精度を考慮して、この間隔を拡
大しなければならない。つぎにこれら２つの主要パラメ
ータについて、この間隔とのノンエンプティ交わりを有
するスクリーンの合併を実施する。周波数に関する結果
とパルス幅に関する結果との交わりが探索フィールドを
与える。一般に、測定から誘導された間隔は１スクリー
ンのみをカバ−する。これは当然に本発明の方法の目的
である。
パルス幅については、測定は間隔を成す単数または複数
の値を含む。場合によっては（単一値の場合）、間隔の
最低値は最高値に等しい。その場合には、測定精度を考
慮して、すなわちセンサの固有精度あるいは低グレード
の場合には特定の局所的精度を考慮して、この間隔を拡
大しなければならない。つぎにこれら２つの主要パラメ
ータについて、この間隔とのノンエンプティ交わりを有
するスクリーンの合併を実施する。周波数に関する結果
とパルス幅に関する結果との交わりが探索フィールドを
与える。一般に、測定から誘導された間隔は１スクリー
ンのみをカバ−する。これは当然に本発明の方法の目的
である。
【００４１】実際上、スクリーンは、セットの合併と交
わりのオペレーション中にプロセッサのＡＮＤおよびＯ
Ｒ論理命令によって大きなパケット（例えば３２ビット
プロセッサの場合には３２ビットのパケット）でモード
処理を可能とするバイナリ情報リストである。このよう
にして非常に短時間（例えば数ミリ秒）で探索フィール
ドを確定することが可能である。一般に探索フィールド
は、ライブラリのモードセットに対して調査すべき単一
の限られたモードサブセットを含み（一般に0.5 ％〜１
０％）、従って次の尤度確定オペレーションの実施時間
を短縮させる。
わりのオペレーション中にプロセッサのＡＮＤおよびＯ
Ｒ論理命令によって大きなパケット（例えば３２ビット
プロセッサの場合には３２ビットのパケット）でモード
処理を可能とするバイナリ情報リストである。このよう
にして非常に短時間（例えば数ミリ秒）で探索フィール
ドを確定することが可能である。一般に探索フィールド
は、ライブラリのモードセットに対して調査すべき単一
の限られたモードサブセットを含み（一般に0.5 ％〜１
０％）、従って次の尤度確定オペレーションの実施時間
を短縮させる。
【００４２】本発明の方法は最低尤度レベルを固定する
ことを可能にし、また特に全体尤度の閾値中の動的シフ
トを可能とするので、実質的な時間利得を与える。閾値
を上昇させるに従って、多数のモードを完全に調査する
前にこれを放棄することができる。若干の場合には、こ
の時間利得は50％に達する。
ことを可能にし、また特に全体尤度の閾値中の動的シフ
トを可能とするので、実質的な時間利得を与える。閾値
を上昇させるに従って、多数のモードを完全に調査する
前にこれを放棄することができる。若干の場合には、こ
の時間利得は50％に達する。
【００４３】パラメータＣ（ｊ）は近接度を示し、遠隔
度を示すものではない。定義上、このパラメータは０〜
１の範囲内にある。故にこのパラメータはオーバフロー
の恐れなく整数変数によってプログラミングすることが
できる。
度を示すものではない。定義上、このパラメータは０〜
１の範囲内にある。故にこのパラメータはオーバフロー
の恐れなく整数変数によってプログラミングすることが
できる。
【００４４】例えば、計数Ｃvv（ライブラリの値への測
定値の近接度に対応する係数Ｃ（ｊ））はＣ言語で下記
のようにプログラミングされる。
定値の近接度に対応する係数Ｃ（ｊ））はＣ言語で下記
のようにプログラミングされる。
【００４５】 # define Cvv(a,b) ((a>b) ? (b<<14)/a : ((a<<14/b)) その結果は０から０×4000まで変動する。プログラミン
グは「固定10進小数点」を有するプログラミング言語で
簡単化することができる。このような計算は現存の標準
型マイクロコンピュータにより数マイクロ秒で実施でき
る（386 または68,020型マイクロプロセッサ）。
グは「固定10進小数点」を有するプログラミング言語で
簡単化することができる。このような計算は現存の標準
型マイクロコンピュータにより数マイクロ秒で実施でき
る（386 または68,020型マイクロプロセッサ）。
【００４６】4,000 レーダモードを記載したライブラリ
の場合、完全測定（すなわち４クラスの有効に測定され
たパラメータの得られる測定）の識別は、一般に、測定
されたパラメータの大きさ順序に従って約15〜100ミリ
秒の時間をとり、これはＣ言語でプログラミングされた
68020 プロセッサベースマイクロコンピュータによって
達成される。もちろん、処理を加速するために、数個の
プロセッサを並列作業させることができる。
の場合、完全測定（すなわち４クラスの有効に測定され
たパラメータの得られる測定）の識別は、一般に、測定
されたパラメータの大きさ順序に従って約15〜100ミリ
秒の時間をとり、これはＣ言語でプログラミングされた
68020 プロセッサベースマイクロコンピュータによって
達成される。もちろん、処理を加速するために、数個の
プロセッサを並列作業させることができる。
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平２−28705（ＪＰ，Ａ) 特開 平２−28704（ＪＰ，Ａ) 特開 昭63−250698（ＪＰ，Ａ) 特開 昭63−49928（ＪＰ，Ａ) 特開 昭63−96510（ＪＰ，Ａ) 特開 昭59−65780（ＪＰ，Ａ) (58)調査した分野(Int.Cl.6，ＤＢ名) G01S 7/00 - 7/42 G01S 13/00 - 13/95 G06K 9/62
Claims (7)
- 【請求項１】特性の相異なる多数の物体を含む集まりの
一部を成す傾向のある物体の高速認識方法において、こ
れらの物体の主要特性を示すパラメータを測定し、プロ
セッサによって下記の段階、すなわちこれらの物体の主
要特性を示す測定されたパラメータを数クラスに分配す
る段階と、主要クラスの主要パラメータの大きさの順序
を考慮して第１概略ソーティングオペレーションを実施
する段階と、各クラスにおける少なくとも最低尤度解の
除去段階と、最高尤度解（単数または複数）を選定する
ため残存解を尤度順序に従って分類する段階とを実施
し、ここに尤度は各クラスに関する部分尤度の積に等し
い全体尤度とし、部分尤度（Ｖｐ）は下記の式によって
与えられ： Ｖｐ ＝πｊ（Ｃ（ｊ）Ｋ（ｊ））Ｎ（ｊ） ここに「ｊ」は、Ｖｐを尤度とするクラスに関連したパ
ラメータの探求インデックス、Ｃ（ｊ）は、この値が１
に近づく際に、ライブラリ中に記憶されたモードのパラ
メータに対するパラメータの近接度の増大を示す変数、
Ｎ（ｊ）は、識別におけるパラメータ「ｊ」の重みを固
定することのできる係数、Ｋ（ｊ）は、パーセントとし
て既知の精度を有するパラメータ値に対して１に等し
く、絶対値として既知の精度を有するパラメータ値に比
例する係数とすることを特徴とする特性の相異なる多数
の物体を含む集まりの一部を成す傾向のある物体の高速
認識方法。 - 【請求項２】定性的パラメータまたは離散型パラメータ
を比較するため、対応が存在すれば係数Ｃ（ｊ）が１に
等しく、対応が存在しなければ１以下とすることを特徴
とする請求項１に記載の方法。 - 【請求項３】ライブラリ中の値（ＬＶ）に対するパラメ
ータ測定値（Ｍ）の近接の場合、係数Ｃ（ｊ）は下記に
等しいことを特徴とする請求項１に記載の方法。 【数１】 - 【請求項４】ライブラリの可能レンジ（ＬＶmin ，ＬＶ
max ）へのパラメータ測定値（Ｍ）の近接の場合に、パ
ラメータＣ（ｊ）は下記に等しいことを特徴とする請求
項１に記載の方法： 【数２】 - 【請求項５】ライブラリの可能レンジ（ＬＶmin ，ＬＶ
max ）への測定されたパラメータ極値（Ｍｍｉｎ，Ｍｍ
ａｘ）の近接の場合に、パラメータＣ（ｊ）は下記に等
しいことを特徴とする請求項１に記載の方法： 【数３】 - 【請求項６】調査されたモードが全体尤度の閾値を著し
く超える場合に、この閾値が次のモードの調査のために
上昇されることを特徴とする請求項１に記載の方法。 - 【請求項７】レーダの認識のために、パラメータクラス
の数が４であり、これらのパラメータクラスがそれぞれ
周波数、パルス幅、入力時間の変調および走査に関連す
ることを特徴とする請求項１に記載の方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR9006386A FR2662526B1 (fr) | 1990-05-22 | 1990-05-22 | Procede de reconnaissance rapide d'objets susceptibles de faire partie d'une collection comportant un grand nombre d'objets a caracteristiques differentes. |
| FR9006386 | 1990-05-22 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04231888A JPH04231888A (ja) | 1992-08-20 |
| JP2947977B2 true JP2947977B2 (ja) | 1999-09-13 |
Family
ID=9396845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3146797A Expired - Fee Related JP2947977B2 (ja) | 1990-05-22 | 1991-05-22 | 特性の相異なる多数の物体を含む集まりの一部を成す傾向のある物体の高速認識方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US5907633A (ja) |
| EP (1) | EP0458669B1 (ja) |
| JP (1) | JP2947977B2 (ja) |
| DE (1) | DE69126567T2 (ja) |
| FR (1) | FR2662526B1 (ja) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7305612B2 (en) * | 2003-03-31 | 2007-12-04 | Siemens Corporate Research, Inc. | Systems and methods for automatic form segmentation for raster-based passive electronic documents |
| US7748623B2 (en) * | 2006-11-08 | 2010-07-06 | Battelle Memorial Institute | Container screener |
| US9483344B2 (en) * | 2012-04-05 | 2016-11-01 | Assurant, Inc. | System, method, apparatus, and computer program product for providing mobile device support services |
| US9413893B2 (en) | 2012-04-05 | 2016-08-09 | Assurant, Inc. | System, method, apparatus, and computer program product for providing mobile device support services |
| US9117100B2 (en) | 2013-09-11 | 2015-08-25 | Qualcomm Incorporated | Dynamic learning for object tracking |
| CN109669353B (zh) * | 2018-11-16 | 2021-09-07 | 台州旭日环境科技有限公司 | 一种基于参数范围匹配的产品鲁棒性分析方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE2456210C2 (de) * | 1974-11-28 | 1982-04-15 | Licentia Patent-Verwaltungs-Gmbh, 6000 Frankfurt | Verfahren und Einrichtungen zur Erkennung von Mustern |
| US4040011A (en) * | 1976-08-20 | 1977-08-02 | Stanford Research Institute | Identification based on handwriting samples |
| US4241329A (en) * | 1978-04-27 | 1980-12-23 | Dialog Systems, Inc. | Continuous speech recognition method for improving false alarm rates |
| EP0092381B1 (en) * | 1982-04-15 | 1989-04-12 | Kabushiki Kaisha Toshiba | Pattern features extracting apparatus and method and pattern recognition system |
| US4658429A (en) * | 1983-12-29 | 1987-04-14 | Hitachi, Ltd. | System and method for preparing a recognition dictionary |
| US5133023A (en) * | 1985-10-15 | 1992-07-21 | The Palantir Corporation | Means for resolving ambiguities in text based upon character context |
| US5060276A (en) * | 1989-05-31 | 1991-10-22 | At&T Bell Laboratories | Technique for object orientation detection using a feed-forward neural network |
| US5058180A (en) * | 1990-04-30 | 1991-10-15 | National Semiconductor Corporation | Neural network apparatus and method for pattern recognition |
-
1990
- 1990-05-22 FR FR9006386A patent/FR2662526B1/fr not_active Expired - Fee Related
-
1991
- 1991-05-03 DE DE69126567T patent/DE69126567T2/de not_active Expired - Fee Related
- 1991-05-03 EP EP91401171A patent/EP0458669B1/fr not_active Expired - Lifetime
- 1991-05-22 JP JP3146797A patent/JP2947977B2/ja not_active Expired - Fee Related
-
1994
- 1994-06-23 US US08/264,766 patent/US5907633A/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| EP0458669A1 (fr) | 1991-11-27 |
| EP0458669B1 (fr) | 1997-06-18 |
| JPH04231888A (ja) | 1992-08-20 |
| FR2662526B1 (fr) | 1994-12-09 |
| US5907633A (en) | 1999-05-25 |
| DE69126567D1 (de) | 1997-07-24 |
| DE69126567T2 (de) | 1997-12-04 |
| FR2662526A1 (fr) | 1991-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
| CN113269073B (zh) | 一种基于yolo v5算法的船舶多目标追踪方法 | |
| CN110020647B (zh) | 一种违禁品目标检测方法、装置及计算机设备 | |
| US7283937B2 (en) | Method, apparatus, and program product for distinguishing valid data from noise data in a data set | |
| US5128684A (en) | Method and apparatus for correlating sensor detections in space and time | |
| CN113721219B (zh) | 一种基于多参数聚类的雷达信号分选方法和系统 | |
| GB2396406A (en) | Image analysis | |
| CN107818298A (zh) | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 | |
| EP4099012A1 (en) | Metal structure phase classification method, metal structure phase classification device, metal structure phase learning method, metal structure phase learning device, material property prediction method for metal material, and material property prediction device for metal material | |
| CN111142085B (zh) | 一种基于航迹特征提取的外辐射源雷达目标分类识别方法 | |
| CN108414991A (zh) | 高分辨雷达非均匀杂波场景微小目标恒虚警检测方法 | |
| JP2947977B2 (ja) | 特性の相異なる多数の物体を含む集まりの一部を成す傾向のある物体の高速認識方法 | |
| CN111060878B (zh) | 适用于单脉冲的lfm雷达工作模式实时分类方法及装置 | |
| Tu et al. | Airport detection in SAR images via salient line segment detector and edge-oriented region growing | |
| CN116977230B (zh) | 一种扫描电子显微镜图像优化增强方法 | |
| CN113128584A (zh) | 一种多功能雷达脉冲序列的模式级无监督分选方法 | |
| CN115375675B (zh) | 一种基于图像数据的煤炭质量检测方法 | |
| CN115564776B (zh) | 基于机器学习的异常细胞样本检测方法和装置 | |
| CN109376619B (zh) | 一种细胞检测方法 | |
| CN110927195A (zh) | 一种微量物相定量分析方法 | |
| CN110109063A (zh) | 一种基于深度信念网络的辐射源重频调制类型识别方法 | |
| JP2002024251A (ja) | 時系列データの分類方法及び装置並びに時系列データの分類プログラムを記録した記録媒体 | |
| Nolte et al. | Detecting ice artefacts in processed macromolecular diffraction data with machine learning | |
| CN113380318A (zh) | 人工智能辅助流式细胞术40cd免疫表型检测方法及系统 | |
| EP3623965A1 (en) | Fabricated data detection method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |