Nothing Special   »   [go: up one dir, main page]

CN112014804A - 一种基于球覆盖的仿生模式识别算法的雷达信号分选方法 - Google Patents

一种基于球覆盖的仿生模式识别算法的雷达信号分选方法 Download PDF

Info

Publication number
CN112014804A
CN112014804A CN202011187495.5A CN202011187495A CN112014804A CN 112014804 A CN112014804 A CN 112014804A CN 202011187495 A CN202011187495 A CN 202011187495A CN 112014804 A CN112014804 A CN 112014804A
Authority
CN
China
Prior art keywords
sample
data
radar signal
ball
pattern recognition
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
Application number
CN202011187495.5A
Other languages
English (en)
Other versions
CN112014804B (zh
Inventor
余志斌
张莹
李永春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202011187495.5A priority Critical patent/CN112014804B/zh
Publication of CN112014804A publication Critical patent/CN112014804A/zh
Application granted granted Critical
Publication of CN112014804B publication Critical patent/CN112014804B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S7/28—Details of pulse systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于球覆盖的仿生模式识别算法的雷达信号分选方法。该方法包括获取雷达信号数据作为样本，对样本数据进行预处理；将预处理后的样本数据进行升维处理，并将样本数据划分为训练集和测试集；利用训练集对基于球覆盖的仿生模式识别算法进行训练，得到分类覆盖模型；将测试集输入到训练好的分类覆盖模型，根据测试集在分类覆盖模型中的覆盖情况，确定测试集的类别，实现雷达信号分选。本发明为了解决现有技术中实际提取的雷达信号数据存在虚假数据、缺失值，传统仿生模式识别受低维数条件限制等问题，在低维数条件下，对传统的仿生模式识别算法进行改进，利用数据清洗、缺失值填充、数据升维、构造球覆盖等实现了算法识别率的提高。

Description

一种基于球覆盖的仿生模式识别算法的雷达信号分选方法
技术领域
本发明涉及雷达信号分选技术领域，特别涉及一种基于球覆盖的仿生模式识别算法的雷达信号分选方法。
背景技术
传统的仿生模式识别以“同源连续性”思想为基础，基于“认识”，通过对一类类事物的“学习”，进而达到“认识”的目的。具体实施方法是在特征空间内构造流形进行覆盖，即构造一个个的“超香肠神经元”，完成对训练样本的“认识”，但是该方法受到低维数的限制。另一方面，实际提取的雷达信号数据存在虚假数据、缺失值的情况。
发明内容
针对现有技术中的上述不足，本发明提供了一种基于球覆盖的仿生模式识别算法的雷达信号分选方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于球覆盖的仿生模式识别算法的雷达信号分选方法，包括以下步骤：
S1、获取雷达信号数据作为样本，对样本数据进行预处理；
S2、将预处理后的样本数据进行升维处理，并将样本数据划分为训练集和测试集；
S3、利用训练集对基于球覆盖的仿生模式识别算法进行训练，得到分类覆盖模型；
S4、将测试集输入到训练好的分类覆盖模型，根据测试集在分类覆盖模型中的覆盖情况，确定测试集的类别，实现雷达信号分选。
本发明具有以下有益效果：本发明在低维数条件下，对传统的仿生模式识别算法进行改进，利用了数据清洗、缺失值填充、数据升维、构造球覆盖等来实现算法识别率的提高。
优选地，步骤S1具体包括首先获取各种类型的雷达脉冲信号数据作为样本数据，然后对样本数据中的虚假数据进行数据清洗，再对数据清洗后的样本数据中的缺失值进行填充，最后对样本数据进行归一化处理。
该优选方案具有以下有益效果：在数据预处理阶段，通过对虚假数据的数据清洗、缺失值的数据填充，得到较为干净的数据，使得数据受干扰噪声的影响减小。
优选地，步骤S2具体包括将预处理后的样本数据进行n维到n+1维的升维处理，使得所有样本点在n+1维空间内到坐标轴原点的欧式距离都相等，并将样本数据按照预设比例划分为训练集和测试集。
该优选方案具有以下有益效果：突破了传统仿生模式识别受低维数下识别率不佳的限制，通过升维使样本点变得可分，进而在低维数下达到提升识别率的效果。
优选地，步骤S3包括以下分步骤：
S31、随机选取一个样本点作为球心
Figure 209561DEST_PATH_IMAGE001
；
其中，i为球心的类别，i=1,2,…,m，m为样本集的类别总数；j为当前类球心的标记，j=1,2,…,q，q为当前类球心个数总数；
S32、遍历训练集样本点，当训练集样本点与该球心不是同一类时，计算当前球心与训练集样本点之间的欧式距离，确定当前球心对应的球半径
Figure 48072DEST_PATH_IMAGE002
，由此构成一个球
Figure 922750DEST_PATH_IMAGE003
；
S33、遍历训练集样本点，将其中被球
Figure 52380DEST_PATH_IMAGE003
所覆盖的样本点从训练集样本点中删除；
S34、重复所述步骤S31到步骤S33，将处理所有训练集样本点得到的球作为仿生识别算法中所有覆盖体的组合，即训练好的分类覆盖模型
Figure 788124DEST_PATH_IMAGE004
。
该优选方案具有以下有益效果：引入仿生模式识别的思想构建新的改进算法，通过分析数据的分布特性，采用“球覆盖”的方式完成对各类样本的流形覆盖，即完成“认识”的过程。
优选地，步骤S32中，球半径
Figure 968176DEST_PATH_IMAGE002
的计算公式如下：
Figure 907313DEST_PATH_IMAGE005
其中，
Figure 89901DEST_PATH_IMAGE006
为训练集样本点
Figure 430884DEST_PATH_IMAGE007
和球心坐标
Figure 519188DEST_PATH_IMAGE008
之间的欧式距离，且是球心与训练集样本点的最小距离；
Figure 663730DEST_PATH_IMAGE009
为所有训练集样本点的个数。
该优选方案具有以下有益效果：计算出球半径
Figure 826508DEST_PATH_IMAGE002
用以构成球形覆盖。
优选地，步骤S32中，构成的球
Figure 84314DEST_PATH_IMAGE003
表达式如下：
Figure 107634DEST_PATH_IMAGE010
其中，
Figure 772096DEST_PATH_IMAGE011
表示相较于雷达信号原维度升维过后的n+1维空间。
该优选方案具有以下有益效果：在构造流形的过程中，依据样本点的分布情况来选择覆盖流形的形状，以期能达到最佳覆盖。
优选地，步骤S34中得到的分类覆盖模型
Figure 781640DEST_PATH_IMAGE004
表达式如下：
Figure 346482DEST_PATH_IMAGE012
其中，
Figure 39239DEST_PATH_IMAGE013
表示
Figure 440264DEST_PATH_IMAGE014
的并集。
该优选方案具有以下有益效果：构造的流形是由一系列“球串”组成，该分类模型覆盖范围大，且对于识别过程来说具有计算复杂度低的优点。
优选地，步骤S4具体包括将所有测试集输入到分类覆盖模型中，根据样本落入的球形区域的类别来判断该测试样本的类别；
若样本落入单个类别球形覆盖区域时，该样本类别判断为该球形覆盖区域的类别；
若样本落入多个类别球形覆盖区域的重叠部分时，计算该样本点到重叠区域各球心的距离，根据最小球心距离，判断该样本类别；
若样本落入球形覆盖区域外，则拒绝识别该样本。
该优选方案具有以下有益效果：区别于传统模式识别，本发明对于未知样本点的识别，具有“拒绝识别”的功能，而不会将其划分为已知类别。
优选地，步骤S4中计算样本点到重叠区域各球心的距离的计算公式如下：
Figure 706029DEST_PATH_IMAGE015
其中，
Figure 672848DEST_PATH_IMAGE016
表示测试集样本点
Figure 805014DEST_PATH_IMAGE007
所属类别的标签，
Figure 677024DEST_PATH_IMAGE017
,
Figure 293951DEST_PATH_IMAGE018
,…,
Figure 60482DEST_PATH_IMAGE019
表示重叠区域各球心。
该优选方案具有以下有益效果：根据样本点到重叠区域各球心的距离即可判断出其所属类别，判断方式简单高效。
附图说明
图1为本发明一种基于球覆盖的仿生模式识别算法的雷达信号分选方法的流程示意图；
图2为本发明提供的三种类型的雷达信号原始数据的散点分布示意图；
图3为本发明提供的将n维数据升维到n+1维后的数据空间分布示意图；
图4为本发明提供的三维分类覆盖示意图；
图5为本发明提供的基于球覆盖的仿生模式识别算法下获得的识别混淆矩阵。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参照图1，本发明提供了一种基于球覆盖的仿生模式识别算法的雷达信号分选方法，包括以下步骤：
S1、获取雷达信号数据作为样本，对样本数据进行预处理；
步骤S1具体包括首先获取各种类型的雷达脉冲信号数据作为样本数据，然后对样本数据中的虚假数据进行数据清洗，再对数据清洗后的样本数据中的缺失值进行填充，最后对样本数据进行归一化处理。归一化后的所有样本数据均为
Figure 862085DEST_PATH_IMAGE020
。
S2、将预处理后的样本数据进行升维处理，并将样本数据划分为训练集和测试集；
步骤S2具体包括将预处理后的样本数据进行n维到n+1维的升维处理，使得所有样本点在n+1维空间内到坐标轴原点的欧式距离都相等，并将样本按照预设比例划分为训练集和测试集。
其中，升维后的数据在n+1维空间内，到原点距离都相等，此步骤即为将数据都映射到球面
Figure 972123DEST_PATH_IMAGE011
上。如图2为包括三种类型的雷达信号原始数据的散点分布图，图3对应的是将n维数据升维到n+1维后的数据空间分布图，后续的球形覆盖实际上就是在这个球面
Figure 877893DEST_PATH_IMAGE011
上找出覆盖中心以及覆盖半径，形成的“球形领域”。
S3、利用训练集对基于球覆盖的仿生模式识别算法进行训练，得到分类覆盖模型；
步骤S3运用利用训练集对基于球覆盖的仿生模式识别算法进行训练，就是在球面
Figure 22567DEST_PATH_IMAGE011
上，找出覆盖中心和覆盖半径，构造一个个的球形覆盖，直到将所有训练集样本点训练完成，得到分类覆盖模型，进而利用分类覆盖模型进行雷达信号的分选。
步骤S3具体包括以下分步骤：
S31、随机选取一个样本点作为球心
Figure 995071DEST_PATH_IMAGE001
；
其中，i为球心的类别，i=1,2,…,m，m为样本集的类别总数；j为当前类球心的标记，j=1,2,…,q，q为当前类球心个数总数；每类的q值都不一定一样，由于每类构造的球覆盖总数不一样，故每类的球心个数也不一样；
步骤S31中，随机选取一个样本点作为球心
Figure 340208DEST_PATH_IMAGE001
，在将样本数据从n维升维到n+1维后，所有样本向量到原点的距离都相等，即在投射后的球面
Figure 298937DEST_PATH_IMAGE011
上随机选取一个样本点作为覆盖中心，即当前球形覆盖的球心
Figure 953909DEST_PATH_IMAGE001
。
S32、遍历训练集样本点，当训练集样本点与该球心不是同一类时，计算当前球心与训练集样本点之间的欧式距离，确定当前球心对应的球半径
Figure 661096DEST_PATH_IMAGE002
，由此构成一个球
Figure 808044DEST_PATH_IMAGE003
；
步骤S32中，在找出覆盖中心后，只有找出合适的覆盖半径才能构成球形覆盖。即利用最大半径法，在确定当前覆盖中心后，计算出当前覆盖中心与训练集样本点之间的最小欧式距离，即可作为当前球形覆盖的覆盖半径。
步骤S32中，球半径
Figure 757414DEST_PATH_IMAGE002
的计算公式如下：
Figure 302446DEST_PATH_IMAGE005
其中，
Figure 164223DEST_PATH_IMAGE006
为训练集样本点
Figure 47734DEST_PATH_IMAGE007
和球心坐标
Figure 285948DEST_PATH_IMAGE008
之间的欧式距离，且是球心与训练集样本点的最小距离；
Figure 948136DEST_PATH_IMAGE009
为所有训练集样本点的个数；又
Figure 230082DEST_PATH_IMAGE022
和内积公式
Figure DEST_PATH_IMAGE023
在样本数据经过归一化和升维后，所有样本向量等长，所以求最小半径和最大内积是等价的。
步骤S32中，构成的球
Figure 771528DEST_PATH_IMAGE003
表达式如下：
Figure 384DEST_PATH_IMAGE010
其中，其中，
Figure 828663DEST_PATH_IMAGE011
表示相较于雷达信号原维度升维过后的n+1维空间。
Figure 48554DEST_PATH_IMAGE001
为球心，该球心属于n+1维空间；
Figure 126231DEST_PATH_IMAGE002
是由球心与训练集样本点求得的最大内积，即为球半径。
S33、遍历训练集样本点，将其中被球
Figure 158778DEST_PATH_IMAGE003
所覆盖的样本点从训练集样本点中删除；
S34、重复步骤S31到步骤S33，将处理所有训练集样本点得到的球形作为仿生识别算法中所有覆盖体的组合，即训练好的分类覆盖模型
Figure 403682DEST_PATH_IMAGE004
。
步骤S34中得到的分类覆盖模型
Figure 43742DEST_PATH_IMAGE004
表达式如下：
Figure 998928DEST_PATH_IMAGE012
其中，
Figure 133369DEST_PATH_IMAGE013
表示
Figure 732977DEST_PATH_IMAGE014
的并集。
S4、将测试集输入到训练好的分类覆盖模型，根据测试集在分类覆盖模型中的覆盖情况，确定测试集的类别，实现雷达信号分选。
请参照图4，图4为本发明算法的三维分类覆盖图，三种覆盖流形分别代表三种雷达信号样本点覆盖流形，根据该训练模型识别测试集样本点的所属类别，如果样本点落在流形区域内，就将其归为该流形代表的类别，否则就拒识。
步骤S4具体包括将所有测试集输入到分类覆盖模型中，根据样本落入的球形区域的类别来判断该测试样本的类别；
若样本落入单个类别球形覆盖区域时，该样本类别判断为该球形覆盖区域的类别；
若样本落入多个类别球形覆盖区域的重叠部分时，计算该样本点到重叠区域各球心的距离，根据最小球心距离，判断该样本类别；
若样本落入球形覆盖区域外，则拒绝识别该样本。
步骤S4中计算样本点到重叠区域各球心的距离的计算公式如下：
Figure 465310DEST_PATH_IMAGE015
其中，
Figure 265382DEST_PATH_IMAGE016
表示测试集样本点
Figure 187202DEST_PATH_IMAGE007
所属类别的标签，
Figure 31530DEST_PATH_IMAGE017
,
Figure 764125DEST_PATH_IMAGE018
,…,
Figure 569270DEST_PATH_IMAGE019
表示重叠区域各球心，式子右边即表示该样本点到重叠区域各球心距离最小的球心的类别的标签。
请参照图5，图5为本发明基于球覆盖的仿生模式识别算法下获得的识别混淆矩阵，可以看出本算法有较高的识别率。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.一种基于球覆盖的仿生模式识别算法的雷达信号分选方法，其特征在于，包括以下步骤：
S1、获取雷达信号数据作为样本，对样本数据进行预处理；
S2、将预处理后的样本数据进行升维处理，并将样本数据划分为训练集和测试集；
S3、利用训练集对基于球覆盖的仿生模式识别算法进行训练，得到分类覆盖模型；
S4、将测试集输入到训练好的分类覆盖模型，根据测试集在分类覆盖模型中的覆盖情况，确定测试集的类别，实现雷达信号分选。
2.根据权利要求1所述的一种基于球覆盖的仿生模式识别算法的雷达信号分选方法，其特征在于：所述步骤S1具体包括首先获取各种类型的雷达脉冲信号数据作为样本数据，然后对样本数据中的虚假数据进行数据清洗，再对数据清洗后的样本数据中的缺失值进行填充，最后对样本数据进行归一化处理。
3.根据权利要求2所述的一种基于球覆盖的仿生模式识别算法的雷达信号分选方法，其特征在于：所述步骤S2具体包括将预处理后的样本数据进行n维到n+1维的升维处理，使得所有样本点在n+1维空间内到坐标轴原点的欧式距离都相等，并将样本数据按照预设比例划分为训练集和测试集。
4.根据权利要求3所述的一种基于球覆盖的仿生模式识别算法的雷达信号分选方法，其特征在于，所述步骤S3包括以下分步骤：
S31、随机选取一个样本点作为球心
Figure 311154DEST_PATH_IMAGE001
；
其中，i为球心的类别，i=1,2,…,m，m为样本集的类别总数；j为当前类球心的标记，j=1,2,…,q，q为当前类球心个数总数；
S32、遍历训练集样本点，当训练集样本点与该球心不是同一类时，计算当前球心与训练集样本点之间的欧式距离，确定当前球心对应的球半径
Figure 493873DEST_PATH_IMAGE002
，由此构成一个球
Figure 607366DEST_PATH_IMAGE003
；
S33、遍历训练集样本点，将其中被球
Figure 268154DEST_PATH_IMAGE003
所覆盖的样本点从训练集样本点中删除；
S34、重复所述步骤S31到步骤S33，将处理所有训练集样本点得到的球作为仿生识别算法中所有覆盖体的组合，即训练好的分类覆盖模型
Figure 613685DEST_PATH_IMAGE004
。
5.根据权利要求4所述的一种基于球覆盖的仿生模式识别算法的雷达信号分选方法，其特征在于，所述步骤S32中，球半径
Figure 764044DEST_PATH_IMAGE002
的计算公式如下：
Figure 296656DEST_PATH_IMAGE005
其中，
Figure 26715DEST_PATH_IMAGE006
为训练集样本点
Figure 23490DEST_PATH_IMAGE007
和球心坐标
Figure 282433DEST_PATH_IMAGE008
之间的欧式距离，且是球心与训练集样本点的最小距离；
Figure 567921DEST_PATH_IMAGE009
为所有训练集样本点的个数。
6.根据权利要求5所述的一种基于球覆盖的仿生模式识别算法的雷达信号分选方法，其特征在于，所述步骤S32中，构成的球
Figure 632828DEST_PATH_IMAGE003
表达式如下：
Figure 421793DEST_PATH_IMAGE010
其中，
Figure 382796DEST_PATH_IMAGE011
表示相较于雷达信号原维度升维过后的n+1维空间。
7.根据权利要求6所述的一种基于球覆盖的仿生模式识别算法的雷达信号分选方法，其特征在于，所述步骤S34中得到的分类覆盖模型
Figure 952317DEST_PATH_IMAGE004
表达式如下：
Figure 493020DEST_PATH_IMAGE012
其中，
Figure 464387DEST_PATH_IMAGE013
表示
Figure 330712DEST_PATH_IMAGE014
的并集。
8.根据权利要求7所述的一种基于球覆盖的仿生模式识别算法的雷达信号分选方法，其特征在于：所述步骤S4具体包括将所有测试集输入到分类覆盖模型中，根据样本落入的球形区域的类别来判断该测试样本的类别；
若样本落入单个类别球形覆盖区域时，该样本类别判断为该球形覆盖区域的类别；
若样本落入多个类别球形覆盖区域的重叠部分时，计算该样本点到重叠区域各球心的距离，根据最小球心距离，判断该样本类别；
若样本落入球形覆盖区域外，则拒绝识别该样本。
9.根据权利要求8所述的一种基于球覆盖的仿生模式识别算法的雷达信号分选方法，其特征在于，所述步骤S4中计算样本点到重叠区域各球心的距离的计算公式如下：
Figure 325213DEST_PATH_IMAGE015
其中，
Figure 731923DEST_PATH_IMAGE016
表示测试集样本点
Figure 495480DEST_PATH_IMAGE007
所属类别的标签，
Figure 798285DEST_PATH_IMAGE017
,
Figure 76820DEST_PATH_IMAGE018
,…,
Figure 224905DEST_PATH_IMAGE019
表示重叠区域各球心。
CN202011187495.5A 2020-10-30 2020-10-30 一种基于球覆盖的仿生模式识别算法的雷达信号分选方法 Active CN112014804B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011187495.5A CN112014804B (zh) 2020-10-30 2020-10-30 一种基于球覆盖的仿生模式识别算法的雷达信号分选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011187495.5A CN112014804B (zh) 2020-10-30 2020-10-30 一种基于球覆盖的仿生模式识别算法的雷达信号分选方法

Publications (2)

Publication Number Publication Date
CN112014804A true CN112014804A (zh) 2020-12-01
CN112014804B CN112014804B (zh) 2021-01-26

Family

ID=73528387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011187495.5A Active CN112014804B (zh) 2020-10-30 2020-10-30 一种基于球覆盖的仿生模式识别算法的雷达信号分选方法

Country Status (1)

Country Link
CN (1) CN112014804B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949699A (zh) * 2021-02-09 2021-06-11 国家卫星气象中心(国家空间天气监测预警中心) 一种遥感图像分类模型建立与验证方法、系统及电子设备
CN113255548A (zh) * 2021-06-03 2021-08-13 西南交通大学 基于胶囊神经元的无线网络设备个体识别方法与应用

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246543A (zh) * 2008-03-18 2008-08-20 苏州纳米技术与纳米仿生研究所 基于仿生与生物特征识别的考试者身份鉴定系统
CN101540170A (zh) * 2008-03-19 2009-09-23 中国科学院半导体研究所 一种基于仿生模式识别的声纹识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246543A (zh) * 2008-03-18 2008-08-20 苏州纳米技术与纳米仿生研究所 基于仿生与生物特征识别的考试者身份鉴定系统
CN101540170A (zh) * 2008-03-19 2009-09-23 中国科学院半导体研究所 一种基于仿生模式识别的声纹识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949699A (zh) * 2021-02-09 2021-06-11 国家卫星气象中心(国家空间天气监测预警中心) 一种遥感图像分类模型建立与验证方法、系统及电子设备
CN112949699B (zh) * 2021-02-09 2024-05-14 国家卫星气象中心(国家空间天气监测预警中心) 一种遥感图像分类模型建立与验证方法、系统及电子设备
CN113255548A (zh) * 2021-06-03 2021-08-13 西南交通大学 基于胶囊神经元的无线网络设备个体识别方法与应用
CN113255548B (zh) * 2021-06-03 2023-04-07 西南交通大学 基于胶囊神经元的无线网络设备个体识别方法与应用

Also Published As

Publication number Publication date
CN112014804B (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN106599854B (zh) 基于多特征融合的人脸表情自动识别方法
CN110298280B (zh) 一种基于mkl多特征融合的海洋涡旋识别方法
CN104715254B (zh) 一种基于2d和3d sift特征融合的一般物体识别方法
CN110569905B (zh) 基于生成对抗网络和注意力网络的细粒度图像分类方法
CN109784204B (zh) 一种用于并联机器人的堆叠串类水果主果梗识别和提取方法
CN104881671B (zh) 一种基于2D‑Gabor的高分遥感影像局部特征提取方法
CN111861103B (zh) 一种基于多特征与多分类器的鲜茶叶分类方法
CN104268602A (zh) 一种基于二进制特征匹配的遮挡工件识别方法及装置
CN108846831B (zh) 基于统计特征和图像特征相结合的带钢表面缺陷分类方法
CN112014804B (zh) 一种基于球覆盖的仿生模式识别算法的雷达信号分选方法
CN109165658B (zh) 一种基于Faster-RCNN的强负样本水下目标检测方法
CN111709430B (zh) 基于高斯过程回归的室外场景三维点云的地面提取方法
CN104751475B (zh) 一种面向静态图像对象识别的特征点优选匹配方法
CN107818299A (zh) 基于融合hog特征和深度信念网络的人脸识别算法
CN106203373B (zh) 一种基于深度视觉词袋模型的人脸活体检测方法
CN111968124B (zh) 基于半监督语义分割的肩部肌骨超声结构分割方法
CN105608443B (zh) 一种多特征描述及局部决策加权的人脸识别方法
CN108460390A (zh) 一种基于特征学习的敏感图像识别方法
Kuo et al. Improving defect inspection quality of deep-learning network in dense beans by using hough circle transform for coffee industry
CN109993070A (zh) 一种基于全局距离尺度损失函数的行人再识别方法
CN108073940A (zh) 一种非结构化环境中的3d目标实例物体检测的方法
CN106650798A (zh) 一种结合深度学习与稀疏表示的室内场景识别方法
Ye et al. The image data and backbone in weakly supervised fine-grained visual categorization: A revisit and further thinking
CN112329798B (zh) 一种基于优化视觉词袋模型的图像场景分类方法
Gao et al. Design of an efficient multi-objective recognition approach for 8-ball billiards vision system

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