CN111783750B - 一种数据处理方法和装置 - Google Patents
一种数据处理方法和装置 Download PDFInfo
- Publication number
- CN111783750B CN111783750B CN202010824770.3A CN202010824770A CN111783750B CN 111783750 B CN111783750 B CN 111783750B CN 202010824770 A CN202010824770 A CN 202010824770A CN 111783750 B CN111783750 B CN 111783750B
- Authority
- CN
- China
- Prior art keywords
- data
- signal data
- signal
- preset
- processing
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种数据处理方法和装置,通过获取入射粒子经GEM探测器生成的信号数据;对信号数据进行降维处理;利用神经网络对降维处理后的数据进行径迹重建。能够简化径迹重建算法的难度,最终提高成像质量。
Description
技术领域
本申请粒子径迹重建领域,具体而言,涉及一种数据处理方法。
背景技术
无损成像技术可以采用中子成像方式,避免被检测物本身的放射性的影响,能对强辐射物质形成高质量的图像。
相关技术中,径迹重建算法在针对单个电子学时钟周期内有多个质子或X射线产生信号时,需要重建模块预先判断并相应处理,由于数据量庞大,导致重建算法效率低。
发明内容
本申请的主要目的在于提供一种数据处理方法,以解决径迹重建算法重建算法效率低技术问题。
为了实现上述目的,第一方面,本申请提供了一种数据处理方法。
根据本申请的数据处理方法包括:获取入射粒子经GEM探测器生成的信号数据;对所述信号数据进行降维处理;利用神经网络对所述降维处理后的数据进行径迹重建。
在一些实施例中,对所述信号数据进行降维处理包括:对所述信号数据进行降维处理,得到初始信号数据;对所述初始信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据。
在一些实施例中,对信号数据进行降维处理包括对所述信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据;对所述预设数据类型的信号数据进行降维处理。
在一些实施例中,利用神经网络对所述降维处理后的数据进行径迹重建之后还包括:将所述重建后的粒子径迹信息发送至上位机存储。
第二方面,本申请还提供了一种数据处理装置,包括获取单元,被配置为获取入射粒子经GEM探测器生成的信号数据;处理单元,被配置为对所述信号数据进行降维处理;重建单元,被配置为利用神经网络对所述降维处理后的数据进行径迹重建。
在一些实施例中,处理单元包括第一处理模块,被配置成对所述信号数据进行降维处理,得到初始信号数据;第一甄选模块,被配置成对所述初始信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据。
在一些实施例中,处理单元包括第二甄选模块,被配置成对所述信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据;第二处理模块,被配置成对所述预设数据类型的信号数据进行降维处理。
在一些实施例中,装置还包括发送单元,被配置成将所述重建后的粒子径迹信息发送至上位机存储。
第三方面,本申请提供了一种电子设备,包括一个或多个处理器;存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面中任一所述的方法。
第四方面,本申请提供了一种计算机存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如第一方面任一实施例中的方法
在本申请实施例中,提供一种数据处理方法和装置,通过获取入射粒子经GEM探测器生成的信号数据;对信号数据进行降维处理;利用神经网络对降维处理后的数据进行径迹重建。通过对数据进行降维,能够简化径迹重建算法的难度,最终提高成像质量。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的一种数据处理方法的流程图;
图2是根据本申请实施例提供的一种数据处理方法中甄选流程图。
图3是根据本申请实施例提供的一种数据处理方法中径迹重建后符合程度效果图。
图4是根据本申请实施例提供的一种数据处理方法中获得实验数据集的原理图。
图5是根据本申请实施例提供的一种数据处理装置结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
另外,术语“多个”的含义应为两个以及两个以上。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了数据处理方法的一种实施例,包括:
步骤101,获取入射粒子经GEM探测器生成的信号数据。
步骤102,对信号数据进行降维处理。
在本实施例中,降维处理可以利用稀疏编码器对信号数据进行降维。可以通过将至少一个周期数据作为数据集进行归一化;基于归一化后的数据集、预设定的学习率、预设定最大迭代次数、预设定的网络结构和数据压缩对未训练的稀疏自动编码器进行训练,得到训练后的稀疏自动编码器。稀疏自动编码器可以由GEM探测器(气体电子倍增器(GasElectron Multiplier))的输出的至少一个周期数据进行训练得到。例如,可以使用30000个周期数据训练稀疏自编码器,在进行训练稀疏自编码网络前,需要将网络输入数据集的归一化到(0.1,0.9)范围,训练的学习率为0.0001,最大迭代次数为1000,训练的网络结构为400-40-400,数据压缩比为10:1。网络训练973个周期后停止迭代,损失函数收敛。
在本实施例一些可选的实现方式中,对信号数据进行降维处理包括:对信号数据进行降维处理,得到初始信号数据;对初始信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据。
在本实施例中,信号数据包括至少一种数据类型的信号数据,例如,噪音数据类型、单个粒子数据类型,和/或多个粒子数据类型。
可以对至少一种数据类型的信号数据进行甄选(例如利用甄选算法筛选捕获出符合要求的事件数据),得到用于重建粒子径迹信息的单个粒子数据,预设数据类型的信号数据即为单个粒子数据。甄选过程可以通过网络模型(例如分类算法模型)对信号数据的数据类型进行分类,而后对分类后的信号数据进行甄选,得到单个粒子数据。
在本实施例一些可选的实现方式中,对信号数据进行降维处理包括:对信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据;对预设数据类型的信号数据进行降维处理。
在本实施例中,可以首先对信号数据进行甄选(例如利用甄选算法甄选算法筛选捕获出符合要求的事件数据),得到用于降维前的单个粒子数据,而后对单个粒子数据进行降维,得到用于径迹重建的信号数据。
甄选过程可以通过网络模型(例如,可以是神经网络模型如分类算法模型)对信号数据的数据类型进行分类,而后对分类后的信号数据进行甄选,得到单个粒子数据。
在分类时,可以使用大量事件做网络模型输入数据进行分类,网络的输出为数据的标签三个节点,噪音数据的a标签为1 0 0,单个粒子数据b为0 1 0,多个粒子数据c为0 01。训练好该分类算法,使用该分类算法对串行输入的数据进行类别判定,当判定为a类数据时输出标识符0,判定为b类型时输出标识符1,判定为c类型时输出标识符2。然后进入甄选的过程。
参考图2,图2示出了根据本实施例提供的数据处理方法中甄选流程图,在图2中,Buffer:将编码的数据和被替换的数据,移位缓存,根据事件捕获队列的判别结果向Workspace中传递数据。
Workspace:每收到Buffer传递的一次数据后进行一次重建算法,然后清空。
事件捕获队列:输入端输入分类算法的判定结果,0只含噪音,1包含一个事件的数据,2包含两个事件的数据。
当队列右侧内有:(以捕获8周期事件为例)
**********0111111110表示捕获到一个8周期的事件,将1对应buffer中的8组数据传到Workspace,并队列里该事件的1清为0,下一周期来后继续向右移。
简易流程:识别区:
*********01111111100->**********0111111110–>识别8个周期并使能传递数据–>******000000000
此时将Buffer内8-18组数据传入Workspace对用的区域,并给重建算法一个使能,同时将右侧的1置0。这样就完成一个事件数据的捕获和数据重建。
其他周期类似,**********0111111110捕获到8周期的数据
*********01111111110捕获到9周期的数据
********011111111110捕获到10周期的数据
*******0111111111110捕获到11周期的数据
******01111111111110捕获到12周期的数据
*****011111111111110捕获到13周期的数据
****0111111111111110捕获到14周期的数据
其他周期类似。
首先可以通过分类算法对信号数据实现分类功能,甄选方法实现了从探测器采集的数据中筛选适合重建算法工作的周期数据,过滤了探测器采集过多的空噪音周期数据和多个粒子重叠造成的复杂数据。通过周期数的限制,去除了数据中掺杂的γ信号。
步骤103,利用神经网络对所述降维处理后的数据进行径迹重建。
在本实施例中,可以预先经过预设的方式对神经网络进行训练,经过训练得到的神经网络可用于不同持续周期的事件的径迹重建,重建算法运行可靠,可实现良好的位置重建。可以使用Verilog HDL实现了径迹重建算法。训练神经网络进行径迹重建时,输入数据使用这些事件的数据分别持续8-20个周期,训练时并不直接使用原始数据,而是将原始数据通过以上训练完成的稀疏自编码器,使用稀疏自编码器隐藏层的输出作为神经网络(例如,前馈网络)的输入。当某个事件持续的周期不足20时,用0来替代空余周期降维后的结果,前馈网络的输出是模拟中入射粒子的位置。图3示出了数据处理方法中的径迹重建后符合程度效果图。
在本实施例一些可选的实现方式中,在本实施例中,利用神经网络对降维处理后的数据进行径迹重建之后还包括将所述重建后的粒子径迹信息发送至上位机存储。
在本实施例中,当完成径迹重建后还可以包括:对重建后的径迹进行修正。
因为模拟软件精度的限制,模拟数据不能完全代替真实数据作开发。可以将模拟数据和探测器的刻度数据以一定比例混合作为数据集进行修正。由于模拟数据和真实实验有误差但范围有限,在前馈网络均方差降低到2左右将训练暂停并保存网络,之后再以模拟数据和刻度数据混合的数据集继续训练网络。这样可以加快网络的训练速度。获得实验数据集的过程如图4:
准备一个和探测器灵敏区形状相同(30mm*30mm)的1mm厚环氧板,上面有间距1.5mm的10个1mm宽的狭缝。使用另外两块无狭缝的环氧板对其进行遮盖如图4a。
将挡板置于探测器灵敏区上部,使用两个无狭缝挡板对其进行遮盖并留下一个需要的狭缝。将Am241置于狭缝上方。在每个狭缝处辐照1小时,收集探测器采集的数据,以狭缝中间位置作为入射位置,如图4b。
基于获得的10个入射位置的径迹数据,直接使用这些数据进行算法的训练缺陷在与数据集不具代表性。由于探测器具有平移不变性,接下来使用平移来进行数据增强。将以上数据中粒子入射位置和其对应的径迹数据同时向左或向右平移(确保入射位置和数据的范围仍在探测器内部),这样就获取了大量入射位置的径迹数据
实验数据采集结束并进行数据增强后,将模拟数据和实验数据按2:8的比例混合,继续训练前馈网络至损失函数收敛。至此我们完成了算法层面的开发,当探测器工作条件发生变化时,重新进行刻度,并重复上述工作,无需重新训练稀疏自编码器。
在本实施例中,完成事件甄选和质子径迹重建后将重建的结果使用通信接口协议(例如,USB,Ethernet)将计算得到的数据上传给计算机,这些数据将用来存储或成像。
图5示出了数据处理装置的一种实施例,包括:获取单元501,被配置为获取入射粒子经GEM探测器生成的信号数据;
处理单元502,被配置为对所述信号数据进行降维处理;
重建单元503,被配置为利用神经网络对所述降维处理后的数据进行径迹重建。
作为本实施例一种可选的实现方式,处理单元包括第一处理模块,被配置成对所述信号数据进行降维处理,得到初始信号数据;第一甄选模块,被配置成对所述初始信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据。
作为本实施例一种可选的实现方式,处理单元包括第二甄选模块,被配置成对所述信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据;第二处理模块,被配置成对所述预设数据类型的信号数据进行降维处理。
作为本实施例一种可选的实现方式,装置还包括:发送单元,被配置成将所述重建后的粒子径迹信息发送至上位机存储。
电子设备的一种实施例包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如数据处理方法中实施例中任一所述的方法。
计算机可读介质的一种实施例包括,该存储介质存储有计算机程序,该计算机程序被处理器执行时实现如数据处理方法实施例中任一所述的方法。
在本实施例中,可以在FPGA平台实现将数据处理方法包含的程序移植到FPGA平台,使用大量组合逻辑完成了算法中的运算部分,利用FPGA的强大并行能力,将探测器传来的数据分析处理,甄选算法通过周期信息过滤掉gamma信号和质子重叠质子或其他粒子的信号。
可以采用工业级的FPGA实现数据处理方法,其主频可以达到1GHz,这样的处理速度可以赶上GEM探测器的信号传输速度,克服了传统重建算法依赖于模拟精度的缺陷,实现了在线重建。
ADC以每25ns一个周期向FPGA输入数据,FPGA以相应的速率进行编码运算,然后将压缩后的数据存储在片上ROM,存储量为一个事件的数据即30个周期,存储满一个周期的数据数据进入下一模块进行运算,然后将运算结果通过USB通讯协议传输到计算机。设计中将算法所用的参数都存储在ROM中,运算中需要进行大量向量点乘运算,持续调用ROM中存储的算法参数,使用查找表方式完成算法中激励函数的运算。
由于FPGA很难实现浮点数运算,其主要实现的定点数运算,需要将PC端实现的算法定点化处理。
定点化:PC端通过程序得到的算法是浮点数运算的结果,获取的参数包含数十位的小数位,以此保证算法的可行性和准确性。需要将这些数十位的小数用适当的定点数表示,损失一定的计算精度以求硬件实现的可能性。
定点数:约定二进制位数,然后首位为符号位表示数值的正负,然后约定小数点的位置来表达小数。例如fixdt(1.16.12)表示16位定点数,有1位符号位,12位小数位。fixdt(0.32,16)表示32位定点数,含16位小数位,无符号位。
将算法得到的参数选用合适的定点数表示,损失一定的精度。使用软件进行定点数仿真,对比浮点数运算和各种格式定点数运算结果,选取了合适的定点数格式。首先32的定点数精度高,和浮点数运算误差很小,但是32位运算在FPGA实现难度较大,12位定点数计算损失较大,失去了算法意义。最终确定将算法的参数使用fixdt(1,18,15)的表达形式,这是由于算法的参数范围都在(-1,1),因此只使用2位整数位以最大化利用硬件资源。
向量点乘模块:使用乘累加器完成需要的向量点乘模块,将向量的每个维度和其对应的参数分别传入,计算其乘积并累加。参数被单独存放在一个文件中,当探测改变需要重新开发时,只需要再改文件中修改参数即可,不需要更改算法架构。最后将计算结果输出。
激励函数的实现:算法中使用到激励函数,其中自编码模块和前馈网络需要使用链两个不同的Sigmoid函数,分别是:
明显激励函数需要进行大量指数运算,除法运算。这在FPGA层面直接实现是极其困难的,可以使用查找表的方法替代激励函数,其路线是在计算机上计算出该激励函数某一定义域内的函数值,点对点的将函数值写在FPGA的ROM上,每当需要计算时,直接从ROM中找到该点的函数值输出,该方法可最大程度减小在FPGA上实现非线性函数引起的误差,提高重建精度。
在Matlab平台进行算法开发,并保留径迹重建算法相应的参数。
在Quartus II平台进行硬件开发,使用Verilog HDL将上述算法步骤实现后,将开发好的代码通过电脑的USB端口和嵌入式导线下载到FLASH内,在开发板上电后,FPGA从FLASH内读取程序代码,并开始运行该代码。ADC传输数据进入FPGA,FPGA执行算法操作后,将计算所得重建后粒子的信息直接传输到计算机。
本申请实施例提供的数据处理方法和装置中径迹重建算法相较于传统的重建算法可以获得更高的精确度,因此可以实现灵敏区更大的探测器或精度更高的位置测量。实现了探测器径迹信号的在线处理,省去了传输记录处理大量数据的步骤,节省了繁琐的数据处理过程。对于同样的数据获取系统,使其实现了更多的功能,可以应用于复杂的需求领域。由于使用特定的算法进行了径迹重建,并在计算机上进行验证,最大化的减少硬件计算损失,在硬件层面实现了径迹信号的实时重建,所以在同样的工作条件下,用于探测成像时,可以获得更高质量的成像。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (6)
1.一种数据处理方法,包括:
获取入射粒子经GEM探测器生成的信号数据;
对所述信号数据进行降维处理;
利用神经网络对所述降维处理后的数据进行径迹重建;
其中,对所述信号数据进行降维处理包括:
对所述信号数据进行降维处理,得到初始信号数据;
对所述初始信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据;
或者,对所述信号数据进行降维处理包括:
对所述信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据;
对所述预设数据类型的信号数据进行降维处理;
其中,所述信号数据的预设数据类型包括噪音数据类型、单个粒子数据类型、多个粒子数据类型,所述信号数据中包括至少一种预设数据类型;以及
对所述初始信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据,或者对所述信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据,均包括:
通过分类算法对信号数据实现分类,再从GEM探测器采集的数据中筛选适合重建算法工作的周期数据,过滤GEM探测器采集过多的空噪音周期数据和多个粒子重叠造成的复杂数据。
2.根据权利要求1所述的数据处理方法,其中,利用神经网络对所述降维处理后的数据进行径迹重建之后还包括:
将所述重建后的粒子径迹信息发送至上位机存储。
3.一种数据处理装置,包括:
获取单元,被配置为获取入射粒子经GEM探测器生成的信号数据;
处理单元,被配置为对所述信号数据进行降维处理;
重建单元,被配置为利用神经网络对所述降维处理后的数据进行径迹重建;
其中,所述处理单元包括:
第一处理模块,被配置成对所述信号数据进行降维处理,得到初始信号数据;
第一甄选模块,被配置成对所述初始信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据;
或者,所述处理单元包括:
第二甄选模块,被配置成对所述信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据;
第二处理模块,被配置成对所述预设数据类型的信号数据进行降维处理;
其中,所述信号数据的预设数据类型包括噪音数据类型、单个粒子数据类型、多个粒子数据类型,所述信号数据中包括至少一种预设数据类型;以及
对所述初始信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据,或者对所述信号数据所包含的数据类型进行甄选,得到预设数据类型的信号数据,均包括:
通过分类算法对信号数据实现分类,再从GEM探测器采集的数据中筛选适合重建算法工作的周期数据,过滤GEM探测器采集过多的空噪音周期数据和多个粒子重叠造成的复杂数据。
4.根据权利要求3所述的数据处理装置,其中,所述装置还包括:
发送单元,被配置成将所述重建后的粒子径迹信息发送至上位机存储。
5.一种电子设备,包括一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1或2所述的方法。
6.一种计算机存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1或2所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010824770.3A CN111783750B (zh) | 2020-08-17 | 2020-08-17 | 一种数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010824770.3A CN111783750B (zh) | 2020-08-17 | 2020-08-17 | 一种数据处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783750A CN111783750A (zh) | 2020-10-16 |
CN111783750B true CN111783750B (zh) | 2021-09-03 |
Family
ID=72762129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010824770.3A Active CN111783750B (zh) | 2020-08-17 | 2020-08-17 | 一种数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783750B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104749609A (zh) * | 2015-03-16 | 2015-07-01 | 兰州大学 | 基于气体探测器的在线径迹重建数据获取系统及重建方法 |
CN111488973A (zh) * | 2020-04-09 | 2020-08-04 | 陕西师范大学 | 一种面向神经网络数据的预处理方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001037278A1 (fr) * | 1999-11-16 | 2001-05-25 | Sony Corporation | Support d'enregistrement, procede et appareil d'enregistrement de donnees, procede et appareil de reproduction de donnees et procede de commande de copies |
CN109283588B (zh) * | 2018-11-01 | 2024-04-19 | 同方威视技术股份有限公司 | 重建粒子径迹的方法和设备、以及检查方法和检查设备 |
-
2020
- 2020-08-17 CN CN202010824770.3A patent/CN111783750B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104749609A (zh) * | 2015-03-16 | 2015-07-01 | 兰州大学 | 基于气体探测器的在线径迹重建数据获取系统及重建方法 |
CN111488973A (zh) * | 2020-04-09 | 2020-08-04 | 陕西师范大学 | 一种面向神经网络数据的预处理方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于改进的BP算法在高能粒子鉴别中的应用与研究;王树旺;《中国优秀硕士学位论文全文数据库基础科学辑》;20141015(第10期);第A005-205页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111783750A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117354467A (zh) | 图像数据智能优化传输系统 | |
CN102073060B (zh) | 核信号随机特性模拟方法 | |
CN114676830B (zh) | 一种基于神经网络编译器的仿真实现方法 | |
IL270811A (en) | Method and devices for image recovery | |
CN113392973A (zh) | 一种基于fpga的ai芯片神经网络加速方法 | |
CN104394411A (zh) | 中值滤波装置及方法 | |
CN116189172B (zh) | 一种3d目标检测方法、设备、存储介质和芯片 | |
CN104978749A (zh) | 一种基于fpga的sift图像特征提取系统 | |
CN117033981A (zh) | 一种海缆故障检测方法、装置、设备和介质 | |
CN111783750B (zh) | 一种数据处理方法和装置 | |
Lin et al. | Integrated circuit board object detection and image augmentation fusion model based on YOLO | |
CN110795165A (zh) | 一种神经网络模型数据的加载方法及相关装置 | |
CN113010469B (zh) | 图像特征提取方法、装置以及计算机可读存储介质 | |
CN110988673B (zh) | 电机转子故障检测方法、装置及终端设备 | |
Narasimhamurthy et al. | Fast architecture for low level vision and image enhancement for reconfigurable platform | |
CN115409195B (zh) | 一种基于qasm编程架构的量子程序可视化推演方法及装置 | |
US11507803B2 (en) | System for generating synthetic digital data for data multiplication | |
CN113362292B (zh) | 一种基于可编程逻辑门阵列的骨龄评估方法及系统 | |
CN113469090B (zh) | 水质污染预警方法、装置及存储介质 | |
CN112613521B (zh) | 基于数据转换的多层次数据分析系统及方法 | |
CN104749609B (zh) | 基于气体探测器的在线径迹重建数据获取系统及重建方法 | |
CN114155252A (zh) | 面向移动端应用的人体目标分割方法及系统 | |
CN107103090B (zh) | 栅格数据局部奇异性迭代分析方法及装置 | |
CN113467761A (zh) | 一种基于Java反射原理的接口测试模板生成方法 | |
CN110247666A (zh) | 一种硬件并行压缩的系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |