[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110751201B - 基于纹理特征变换的sar装备任务失效成因推理方法 - Google Patents

基于纹理特征变换的sar装备任务失效成因推理方法 Download PDF

Info

Publication number
CN110751201B
CN110751201B CN201910982271.4A CN201910982271A CN110751201B CN 110751201 B CN110751201 B CN 110751201B CN 201910982271 A CN201910982271 A CN 201910982271A CN 110751201 B CN110751201 B CN 110751201B
Authority
CN
China
Prior art keywords
abnormal
sar
image
texture feature
texture
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
Application number
CN201910982271.4A
Other languages
English (en)
Other versions
CN110751201A (zh
Inventor
邹见效
唐健雄
凡时财
徐红兵
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910982271.4A priority Critical patent/CN110751201B/zh
Publication of CN110751201A publication Critical patent/CN110751201A/zh
Application granted granted Critical
Publication of CN110751201B publication Critical patent/CN110751201B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于纹理特征变换的SAR装备任务失效成因推理方法，采用基于最优分类决策树模型，并采用纹理特征变换的方式，将异常图像纹理特征变换为其与正常图像纹理特征变换的差值并归一化，从而增强了最优分类决策树模型对于异常图像分类的精度。同时，基于图像纹理特征变换和最优分类决策树进行建模，克服了利用不同地形SAR图像数据训练模型效果不佳的难题，有效地提高了SAR装备任务失效成因推理的准确度。

Description

基于纹理特征变换的SAR装备任务失效成因推理方法
技术领域
本发明属于SAR装备保障技术领域，更为具体地讲，涉及一种基于纹理特征变换的SAR装备任务失效成因推理方法。
背景技术
近年来，随着机载SAR装备的不断更新和高端科技技术的不断注入，机载SAR装备趋向于复杂化、高度集成化和高智能化。同时，机载SAR装备在使用过程中反映出任务失败却未检测出明显的硬件故障的情况，因此目前迫切地需要一种面向任务完成度的失效成因推理方法。
目前的任务失效成因推理方法大多是基于故障诊断的推理方法，其主要针对SAR装备的硬件故障进行定位，并不适用于面向任务完成度的失效成因推理需求。同时，大多数故障诊断方法总是尝试对方法进行调整和优化，而忽视了特征的重要性，使得算法偏向于复杂化和实测准确率较低。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于纹理特征变换的SAR装备任务失效成因推理方法，提高SAR装备任务失效成因推理的精度。
为实现上述发明目的，本发明基于纹理特征变换的SAR装备任务失效成因推理方法，其特征在于，包括以下步骤：
(1)、收集K种地形的SAR图像数据，每类地形SAR图像数据包括一幅正常图像以及M幅异常图像，M幅异常图像包括相同数量的P种异常图像(即每种异常图像的数量为M/P幅)；
(2)、对于第k种地形的SAR图像数据，对每一张SAR图像计算其N种纹理特征，得到第k种地形下N幅异常图像的纹理特征数据集为：
Figure BDA0002235577680000011
单个正常图像的纹理特征为：
Figure BDA0002235577680000021
其中，
Figure BDA0002235577680000022
n＝1,2,…N，Xk表示异常图像的纹理特征数据集(即纹理特征矩阵)，
Figure BDA0002235577680000023
为M异常图像的第n个纹理特征对应的纹理特征构成的列向量，Yk表示M幅异常图像对应的异常类型构成的列向量，
Figure BDA0002235577680000024
m＝1,2,...,M，
Figure BDA0002235577680000025
为异常类型的类标记；
(3)、对纹理特征数据集进行纹理特征变换，即异常图像的纹理特征变换与对应地形下正常图像的纹理特征进行差值运算：
Figure BDA0002235577680000026
其中，X′k为纹理特征变换后的纹理特征矩阵；
(4)、对纹理特征矩阵X′k按列进行归一化操作，得到归一化后的特征矩阵
Figure BDA0002235577680000027
Figure BDA0002235577680000028
(5)、将归一化后的特征矩阵
Figure BDA0002235577680000029
与类标记列向量Yk进行合并，得到第k种地形下的N幅异常图像的纹理特征数据集
Figure BDA00022355776800000210
Figure BDA00022355776800000211
(6)、将K种地形的纹理特征数据集
Figure BDA0002235577680000031
整合为训练数据集Dtrain：
Figure BDA0002235577680000032
(为了便于表述)重新表示为：
Figure BDA0002235577680000033
其中，G＝M×K；
(7)、使用CART生成算法构建最优分类决策树模型，构建过程中使用基尼指数来选择特征属性；用训练数据集Dtrain对最优分类决策树模型进行训练，得到训练好的最优分类决策树模型；
(8)、对于K种地形的未知异常类型的Q幅异常SAR图像，按照步骤(2)、(3)、(4)的方法进行处理，得到归一化后的特征矩阵
Figure BDA0002235577680000034
k＝1,2,...K；然后将K种地形的特征矩阵
Figure BDA0002235577680000035
整合为输入数据集Dde:
Figure BDA0002235577680000036
(为了便于表述)重新表示为：
Figure BDA0002235577680000037
(9)、将输入样本数据集Dde输入到训练好的最优分类决策树模型进行分类，得到Q幅异常SAR图像每一幅对应的异常类型。
本发明的发明目的是这样实现的：
本发明基于纹理特征变换的SAR装备任务失效成因推理方法，采用基于最优分类决策树模型，并采用纹理特征变换的方式，将异常图像纹理特征变换为其与正常图像纹理特征变换的差值并归一化，从而增强了最优分类决策树模型对于异常图像分类的精度。同时，基于图像纹理特征变换和最优分类决策树进行建模，克服了利用不同地形SAR图像数据训练模型效果不佳的难题，有效地提高了SAR装备任务失效成因推理的准确度。
附图说明
图1是本发明基于纹理特征变换的SAR装备任务失效成因推理方法一种具体实施方式的流程图；
图2本发明进行训练和测试所使用的SAR图像示例。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
图1是本发明基于纹理特征变换的SAR装备任务失效成因推理方法一种具体实施方式的流程图。
在本实施例中，如图1所示，本发明基于纹理特征变换的SAR装备任务失效成因推理方法，其特征在于，包括以下步骤：
步骤S1：收集已知异常类型的SAR图像数据以及正常图像数据
收集K种地形的SAR图像数据，每类地形SAR图像数据包括一幅正常图像以及M幅异常图像，M幅异常图像包括相同数量的P种异常图像，即每种异常图像的数量为M/P幅。
在本实施例中，以某型机载SAR雷达的SAR图像数据为例，地形种类为K＝5，包括山区、典型建筑、湖泊、岛屿和小机场)，每种地形下收集M＝50幅异常图像和一幅正常图像，如图2所示。这样，用于训练的异常图像共计为250幅，异常类型设置为P＝5，包括信号IQ失衡、天线功率损失、GPS错误、平台震动和主波误差，每一种地形每种异常图像的数量为M/P＝10幅。
步骤S2：计算图像纹理特征
对于第k种地形的SAR图像数据，对每一张SAR图像计算其N种纹理特征，得到第k种地形下N幅异常图像的纹理特征数据集为：
Figure BDA0002235577680000051
单个正常图像的纹理特征为：
Figure BDA0002235577680000052
其中，
Figure BDA0002235577680000053
n＝1,2,…N，Xk表示异常图像的纹理特征数据集(即纹理特征矩阵)，
Figure BDA0002235577680000054
为M异常图像的第n个纹理特征对应的纹理特征构成的列向量，Yk表示M幅异常图像对应的异常类型构成的列向量，
Figure BDA0002235577680000055
m＝1,2,...,M，
Figure BDA0002235577680000056
为异常类型的类标记。
在本实施例中，纹理特征设置为N＝7，包括相关性、差异、对比度、和平均、中值、阴暗聚类和突出聚类。
步骤S3：图像纹理特征变换
对纹理特征数据集进行纹理特征变换，即异常图像的纹理特征变换与对应地形下正常图像的纹理特征进行差值运算：
Figure BDA0002235577680000057
其中，X′k为纹理特征变换后的纹理特征矩阵。
步骤S4：数据归一化
对纹理特征矩阵X′k按列进行归一化操作，得到归一化后的特征矩阵
Figure BDA0002235577680000061
Figure BDA0002235577680000062
其中，按列进行归一化操作为：
Figure BDA0002235577680000063
其中，maxn为第n维特征下即纹理特征矩阵X′k第n列元素最大值，minn为第n维特征下即纹理特征矩阵X′k第n列元素最小值；
步骤S5：与类标记列向量合并为纹理特征数据集
将归一化后的特征矩阵
Figure BDA0002235577680000064
与类标记列向量Yk进行合并，得到第k种地形下的N幅异常图像的纹理特征数据集
Figure BDA0002235577680000065
Figure BDA0002235577680000066
步骤S6：将K种地形的纹理特征数据集整合为训练数据集
将K种地形的纹理特征数据集
Figure BDA0002235577680000067
整合为训练数据集Dtrain：
Figure BDA0002235577680000068
(为了便于表述)重新表示为：
Figure BDA0002235577680000069
其中，G＝M×K。
步骤S7：构建最优分类决策树模型并训练
使用CART生成算法构建最优分类决策树模型，构建过程中使用基尼指数来选择特征属性；用训练数据集Dtrain对最优分类决策树模型进行训练即输入最优分类决策树模型进行交叉验证选取最优参数下的模型，得到训练好的最优分类决策树模型。其中，使用CART生成算法构建最优分类决策树模型的步骤为：
(1)、设结点的训练数据集为Dtrain，计算现有特征对该数据集的基尼指数，此时，对每一个纹理特征对应的列向量Xi，对其可能取的每个值a，根据样本点对Xi＝a的测试为“是”或“否”，将训练数据集Dtrain分割成D1和D2两部分，并计算Xi＝a时的基尼指数。
(2)、在所有可能的特征列向量Xi以及它们所有可能的切分点a中，选择基尼指数最小的特征及其对应的切分点作为最优特征与最优切分点。依最优特征与最优切分点，从现节点生成两个子结点，将训练数据集依纹理特征分配到两个子结点中去。
(3)、对两个子结点递归地调用(1)，(2)，直到满足停止条件：结点中的样本个数小于预定阈值或没有更多纹理特征。
其中，主要可调参数msl(叶子节点最少样本数)，mid(节点划分最小不纯度)通过网格法确定最优取值：设置参数msl与mid的取值范围和寻优步长构成网格；对网格上每一组参数(msl,mid)建立决策树模型并进行交叉验证，选择交叉验证检验中准确率最高的一组参数(msl,mid)作为参数msl与mid的最优取值。
网格法的原理为：给出参数msl与mid的寻优范围与寻优步长，然后在寻优范围内根据msl与mid的寻优步长制定网格，对网络上每一组(msl,mid)参数取值建立模型，做交叉验证，得到交叉验证准确率最高的一组参数取值。
在本实施例中，将训练数据集Dtrain输入最优分类决策树模型进行模型交叉验证训练，采用网格法确定模型的参数msl与mid时，msl与mid的寻优范围分别为(2,4,8,16,20,25)和(0,0.001,0.01,0.1,0.5,0.8)。经交叉验证选取精确率最高的一组参数为msl＝8和mid＝0.001。
步骤S8：未知异常类型的异常SAR图像处理为输入样本数据集
对于K种地形的未知异常类型的Q幅异常SAR图像，按照步骤S2、S3、S4的方法进行处理，得到归一化后的特征矩阵
Figure BDA0002235577680000081
k＝1,2,...K；然后将K种地形的特征矩阵
Figure BDA0002235577680000082
整合为输入样本数据集Dde:
Figure BDA0002235577680000083
(为了便于表述)重新表示为：
Figure BDA0002235577680000084
在本实施例中，图像纹理特征变换过程中，采用的各种地形对应的正常图像为训练时各种地形对应的正常图像。
在本实施例中，对K＝5种地形，每种地形选10个幅异常SAR图像进行验证，这样，有Q＝50幅异常SAR图像作为未知异常类型的Q幅异常SAR图像进行验证。
步骤S9：SAR装备任务失效成因推理
将输入样本Dde输入到训练好的最优分类决策树模型进行分类，得到Q幅异常SAR图像每一幅对应的异常类型，可表示为矩阵Yde＝{yde_1，yde_2，...，yde_Q}，其中，每个元素代表对应编号异常SAR图像的异常类型。
本实施例中，采用准确率(ACC)和ROC曲线下面积(AUC)，其中ROC曲线下面积用于评估模型的推广能力。
Figure BDA0002235577680000085
其中，TN，TP，FN和FP分别代表真阴性，真阳性，假阴性和假阳性的数量。
表1是本实施例中基于纹理特征变换的SAR装备任务失效成因推理方法推理的准确率指标结果。
Figure BDA0002235577680000086
Figure BDA0002235577680000091
表1
从表1可以看出，进行了图像纹理特征变换的SAR装备任务失效成因推理的准确率远大于直接用原始图像纹理特征进行的SAR装备任务失效成因推理的准确率，实现了本发明的发明目的。
尽管上面对本发明说明性的具体实施方式进行了描述，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。

Claims (3)

1.一种基于纹理特征变换的SAR装备任务失效成因推理方法，其特征在于，包括以下步骤：
(1)、收集K种地形的SAR图像数据，每类地形SAR图像数据包括一幅正常图像以及M幅异常图像，M幅异常图像包括相同数量的P种异常图像(即每种异常图像的数量为M/P幅)；
(2)、对于第k种地形的SAR图像数据，对每一张SAR图像计算其N种纹理特征，得到第k种地形下N幅异常图像的纹理特征数据集为：
Figure FDA0002235577670000011
单个正常图像的纹理特征为：
Figure FDA0002235577670000012
其中，
Figure FDA0002235577670000013
Xk表示异常图像的纹理特征数据集(即纹理特征矩阵)，
Figure FDA0002235577670000014
为M异常图像的第n个纹理特征对应的纹理特征构成的列向量，Yk表示M幅异常图像对应的异常类型构成的列向量，
Figure FDA0002235577670000015
Figure FDA0002235577670000016
为异常类型的类标记；
(3)、对纹理特征数据集进行纹理特征变换，即异常图像的纹理特征变换与对应地形下正常图像的纹理特征进行差值运算：
Figure FDA0002235577670000017
其中，X′k为纹理特征变换后的纹理特征矩阵；
(4)、对纹理特征矩阵X′k按列进行归一化操作，得到归一化后的特征矩阵
Figure FDA0002235577670000021
Figure FDA0002235577670000022
(5)、将归一化后的特征矩阵
Figure FDA0002235577670000023
与类标记列向量Yk进行合并，得到第k种地形下的N幅异常图像的纹理特征数据集
Figure FDA0002235577670000024
Figure FDA0002235577670000025
(6)、将K种地形的纹理特征数据集
Figure FDA0002235577670000026
整合为训练数据集Dtrain：
Figure FDA0002235577670000027
(为了便于表述)重新表示为：
Figure FDA0002235577670000028
其中，G＝M×K；
(7)、使用CART生成算法构建最优分类决策树模型，构建过程中使用基尼指数来选择特征属性；用训练数据集Dtrain对最优分类决策树模型进行训练，得到训练好的最优分类决策树模型；
(8)、对于K种地形的未知异常类型的Q幅异常SAR图像，按照步骤(2)、(3)、(4)的方法进行处理，得到归一化后的特征矩阵
Figure FDA0002235577670000029
然后将K种地形的特征矩阵
Figure FDA0002235577670000031
整合为输入数据集Dde:
Figure FDA0002235577670000032
(为了便于表述)重新表示为：
Figure FDA0002235577670000033
(9)、将输入样本数据集Dde输入到训练好的最优分类决策树模型进行分类，得到Q幅异常SAR图像每一幅对应的异常类型。
2.根据权利要求1所述的基于纹理特征变换的SAR装备任务失效成因推理方法，其特征在于，所述的最优分类决策树模型的可调参数msl(叶子节点最少样本数)，mid(节点划分最小不纯度)通过网格法确定最优取值，msl＝8和mid＝0.001。
3.根据权利要求1所述的基于纹理特征变换的SAR装备任务失效成因推理方法，其特征在于，所述N种纹理特征为：相关性、差异、对比度、和平均、中值、阴暗聚类和突出聚类。
CN201910982271.4A 2019-10-16 2019-10-16 基于纹理特征变换的sar装备任务失效成因推理方法 Expired - Fee Related CN110751201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910982271.4A CN110751201B (zh) 2019-10-16 2019-10-16 基于纹理特征变换的sar装备任务失效成因推理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910982271.4A CN110751201B (zh) 2019-10-16 2019-10-16 基于纹理特征变换的sar装备任务失效成因推理方法

Publications (2)

Publication Number Publication Date
CN110751201A CN110751201A (zh) 2020-02-04
CN110751201B true CN110751201B (zh) 2022-03-25

Family

ID=69278535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910982271.4A Expired - Fee Related CN110751201B (zh) 2019-10-16 2019-10-16 基于纹理特征变换的sar装备任务失效成因推理方法

Country Status (1)

Country Link
CN (1) CN110751201B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553421B (zh) * 2020-04-28 2022-03-08 电子科技大学 基于双层嵌套结构的sar装备任务失效成因推理方法
CN112819075B (zh) * 2021-02-02 2021-10-22 电子科技大学 一种基于转导式推理的均衡小样本任务分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9092691B1 (en) * 2014-07-18 2015-07-28 Median Technologies System for computing quantitative biomarkers of texture features in tomographic images
CN108021920A (zh) * 2017-11-09 2018-05-11 华南理工大学 一种图像对象协同发现的方法
CN108090507A (zh) * 2017-10-19 2018-05-29 电子科技大学 一种基于集成方法的医疗影像纹理特征处理方法
CN108122008A (zh) * 2017-12-22 2018-06-05 杭州电子科技大学 基于稀疏表示和多特征决策级融合的sar图像识别方法
CN109409438A (zh) * 2018-11-07 2019-03-01 重庆市勘测院 基于ifcm聚类与变分推断的遥感影像分类方法
CN110232390A (zh) * 2019-06-13 2019-09-13 长安大学 一种变化光照下图像特征提取方法
CN110321847A (zh) * 2019-07-04 2019-10-11 电子科技大学 一种基于极端决策树的sar图像目标识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9092691B1 (en) * 2014-07-18 2015-07-28 Median Technologies System for computing quantitative biomarkers of texture features in tomographic images
CN108090507A (zh) * 2017-10-19 2018-05-29 电子科技大学 一种基于集成方法的医疗影像纹理特征处理方法
CN108021920A (zh) * 2017-11-09 2018-05-11 华南理工大学 一种图像对象协同发现的方法
CN108122008A (zh) * 2017-12-22 2018-06-05 杭州电子科技大学 基于稀疏表示和多特征决策级融合的sar图像识别方法
CN109409438A (zh) * 2018-11-07 2019-03-01 重庆市勘测院 基于ifcm聚类与变分推断的遥感影像分类方法
CN110232390A (zh) * 2019-06-13 2019-09-13 长安大学 一种变化光照下图像特征提取方法
CN110321847A (zh) * 2019-07-04 2019-10-11 电子科技大学 一种基于极端决策树的sar图像目标识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Decision Tree and SVM-Based Data Analytics for Theft Detection in Smart Grid";Anish Jindal;《IEEE Transactions on Industrial Informatics》;20160630;第12卷(第3期);第1005-1016页 *
"一种基于集成学习和特征融合的遥感影像分类新方法";刘培;《红外与毫米波学报》;20140615;第33卷(第03期);第311-317页 *

Also Published As

Publication number Publication date
CN110751201A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
CN112232476B (zh) 更新测试样本集的方法及装置
CN110555841B (zh) 基于自注意图像融合和dec的sar图像变化检测方法
CN110533631A (zh) 基于金字塔池化孪生网络的sar图像变化检测方法
CN110532932B (zh) 一种多分量雷达信号脉内调制方式识别方法
CN114564982B (zh) 雷达信号调制类型的自动识别方法
CN108446616B (zh) 基于全卷积神经网络集成学习的道路提取方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN110751201B (zh) 基于纹理特征变换的sar装备任务失效成因推理方法
CN109618288B (zh) 基于深度卷积神经网络的无线传感网距离测量系统及方法
CN117725448A (zh) 气象导航信号特征的聚类分析方法
CN107194917A (zh) 基于dap和arelm的在轨sar图像变化检测方法
CN115565019A (zh) 基于深度自监督生成对抗的单通道高分辨sar图像地物分类方法
CN115915226A (zh) 一种基于残差比较的异常节点检测与迭代定位方法
CN112966656A (zh) 数据处理方法及装置
CN115879034B (zh) 基于机器学习的热带气旋强度监测方法、装置和设备
CN116860562B (zh) 一种用于数据中台数据质量的监控方法及系统
CN116405100B (zh) 一种基于先验知识的失真信号还原方法
CN109657907B (zh) 地理国情监测数据的质量控制方法、装置和终端设备
JP6950647B2 (ja) データ判定装置、方法、及びプログラム
CN111626324A (zh) 基于边缘计算的海底观测网数据异构解析集成方法
CN114239759B (zh) 电动汽车的故障诊断方法、装置、电子设备及存储介质
Ebert-Uphoff et al. Evaluation, tuning and interpretation of neural networks for meteorological applications
CN116170874A (zh) 一种鲁棒性WiFi指纹室内定位方法及系统
CN109272534B (zh) 基于多粒度级联森林模型的sar图像变化检测方法
CN115757365A (zh) 多维时序数据异常检测方法、模型训练方法及装置

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220325