CN106056098A - 一种基于类别合并的脉冲信号聚类分选方法 - Google Patents
一种基于类别合并的脉冲信号聚类分选方法 Download PDFInfo
- Publication number
- CN106056098A CN106056098A CN201610464712.8A CN201610464712A CN106056098A CN 106056098 A CN106056098 A CN 106056098A CN 201610464712 A CN201610464712 A CN 201610464712A CN 106056098 A CN106056098 A CN 106056098A
- Authority
- CN
- China
- Prior art keywords
- cluster
- signal
- cluster centre
- center
- classification
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于类别合并的脉冲信号聚类分选方法,本发明涉及基于类别合并的脉冲信号聚类分选方法。本发明的目的是为了解决现有聚类结果中的类别数正确率低,类并合并后的聚类数目与真实信号数目不符的缺点。一种基于类别合并的脉冲信号聚类分选方法具体是按照以下步骤进行的:步骤一、确定初始聚类中心和分类距离;步骤二、得到新的聚类中心;步骤三、计算新的聚类中心之间是否满足信号特征;步骤四、将满足信号特征的聚类中心合并,完成类别合并的信号聚类分选。本发明用于信号处理领域。
Description
技术领域
本发明涉及基于类别合并的脉冲信号聚类分选方法。
背景技术
经典的信号聚类分选算法是基于K均值聚类算法,而传统的K均值算法是用给定的聚类中心完成信号的分选,那么聚类中心的选取很大程度决定了分类的类数和正确与否。因此信号聚类算法一般采用的是改进的聚类算法,即选取先截获的脉冲信号参数为聚类中心,根据欧几里德定理,判断后续脉冲信号应该单独成为新的聚类中心,还是应该划归到已有的类里。但是存在的问题是这种聚类方法无法根据脉冲信号调制类型的不同而聚类,比如:抖动信号的聚类中心的范围相较于常规信号的聚类中心范围要大,滑变信号的聚类中心应该呈线性变化,导致聚类结果中的类别数正确率低,类并合并后的聚类数目与真实信号数目不符。
发明内容
本发明的目的是为了解决现有聚类结果中的类别数正确率低,类并合并后的聚类数目与真实信号数目不符的缺点,而提出一种基于类别合并的脉冲信号聚类分选方法。
一种基于类别合并的脉冲信号聚类分选方法具体是按照以下步骤进行的:
步骤一、确定初始聚类中心d1,d2…dn和分类距离D1,D2…Dn,d1为第一个类别的初始聚类中心,d2为第二个类别的初始聚类中心,dn为第n个类别的初始聚类中心,D1为第一个类别的分类距离,D2为第二个类别的分类距离,Dn为第n个类别的分类距离,n为正整数;
步骤二、将雷达接收机接收到的数据点a1,a2…am分别依次与初始聚类中心d1,d2…dn计算欧几里德聚类距离,得到|ai-dj|,其中,1≤i≤m,1≤j≤n,m为正整数;
如果|ai-dj|≤Dj,则将数据点ai归为第dj个初始聚类中心,每个聚类中心对应一个类别;
如果|ai-dj|>Dj,则数据点ai不属于第dj个初始聚类中心,继续与大于dj并小于等于dn的初始聚类中心相比较,如果数据点ai不属于大于dj并小于等于dn的初始聚类中心,则将数据点ai视为一个新的聚类中心;
直到所有数据点a1,a2…am完成聚类分选,得到新的聚类中心d1′,d2′…dn′;
步骤三、计算新的聚类中心之间是否满足信号特征;
步骤四、将满足信号特征的聚类中心合并,完成类别合并的信号聚类分选。
本发明的有益效果为:
本发明提出一种基于类别合并的脉冲信号聚类分选算法,相比于传统算法,本发明利用类别合并的信号聚类分选算法将正常聚类后的信号进行类别合并,对聚类结束的各个小类的聚类中心进行计算,如果符合一定的规律,则可以合并为同一个类别,这样做的好处是可以提高聚类结果中的类别数正确率,使聚类结果中的类别数正确率从85%提高到95%,从而使实际聚类中小类特点更加符合信号的变化规律,类并合并后的聚类数目与真实信号数目相一致,使实际的聚类数目更接近于信号的真实数目,有利于后续信号的参数提取和处理,解决了可能错误聚类及聚类数目多于实际信号数目的问题。
输入数据为表1中的数据,分别用无合并的多参数聚类和有合并的多参数聚类对其蒙特卡洛仿真,仿真结果如表3所示:仿真中除了本身信号的五对参数外,还混入了12对虚假脉冲,因此理应得到的分类数为17类,考虑到存在噪声干扰和抖动问题,可以将容差扩为16-18类之间。从表3中可以看出有合并的多参数聚类法在1000次仿真中,有849次聚类数目落在16-18之间,而无合并的多参数聚类法却有950次落在20-22之间,与正确类别数相差很多,因此将相关的类别进行合并可以将聚类结果中的类别数正确率有效提高,证明了该发明方法的优越性。
附图说明
图1为本发明流程图;
图2为RF与PW联合聚类分选抖动脉冲信号结果图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式的一种基于类别合并的脉冲信号聚类分选方法具体是按照以下步骤进行的:
步骤一、确定初始聚类中心d1,d2…dn和分类距离D1,D2…Dn,d1为第一个类别的初始聚类中心,d2为第二个类别的初始聚类中心,dn为第n个类别的初始聚类中心,D1为第一个类别的分类距离,D2为第二个类别的分类距离,Dn为第n个类别的分类距离,n为正整数;
步骤二、将雷达接收机接收到的数据点a1,a2…am分别依次与初始聚类中心d1,d2…dn计算欧几里德聚类距离,得到|ai-dj|,其中,1≤i≤m,1≤j≤n,
如果|ai-dj|≤Dj,则将数据点ai归为第dj个初始聚类中心,每个聚类中心对应一个类别;
如果|ai-dj|>Dj,则数据点ai不属于第dj个初始聚类中心,继续与大于dj并小于等于dn的初始聚类中心相比较,如果不属于大于dj并小于等于dn的初始聚类中心,则将数据点ai视为一个新的聚类中心,即dn+1;
直到所有数据点a1,a2…am完成聚类分选,m为正整数,得到新的聚类中心d1′,d2′…dn′;
步骤三、计算新的聚类中心之间是否满足信号特征;
步骤四、将满足信号特征的聚类中心合并后,最后聚类的数目和范围更加接近真实环境中信号的类别和实际数量,完成类别合并的信号聚类分选。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤二中其中k为每个聚类中心的数据点个数,ac为每个聚类中心包含的数据点,1≤c≤k,k为正整数。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤三中计算新的聚类中心之间是否满足信号特征;具体过称为:
对于抖动信号,如果新的聚类中心满足关系:|di'-dj'|≤(1+Δδ)D0,则di'、dj'两个聚类中心应合并为同一类别;
其中,1≤i≤n,1≤j≤n,其中di',dj'分别为d1′,d2′…dn′中任意两个聚类中心,D0为阈值参数,Δδ为抖动量取0.01-0.03;阈值参数为人为设置,经验值。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤三中计算新的聚类中心之间是否满足信号特征;具体过称为:
对于滑变信号,如果新的聚类中心满足关系:则di'、dj'、dl'三个聚类中心应该合并为同一类别;
其中,1≤i≤n,1≤j≤n,1≤l≤n,其中di',dj',dl'分别为d1′,d2′…dn′中任意三个聚类中心,λ为任意实数。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤三中计算新的聚类中心之间是否满足信号特征;具体过称为:
对于参差信号,如果新的聚类中心满足关系:则di'、dj'两个聚类中心应合并为同一类别;
其中,1≤i≤n,1≤j≤n,di',dj'分别为d1′,d2′…dn′中任意两个聚类中心,D1为检测参数,所述检测参数D1为人为设置,经验值。
其它步骤及参数与具体实施方式一至四之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例一种基于类别合并的脉冲信号聚类分选方法具体是按照以下步骤制备的:
实验中采用的数据如表1所示:每部雷达二十组数据共一百组数据随机混合在一起,分别对脉冲宽度PW加1.8μs的抖动和射频RF加1.8MHz的抖动量。在此基础上,又在信号加入了多个虚假脉冲信号仿真出真实的信号环境。在最后的雷达脉冲数据上PW值加上均值为0μs,方差为0.8μs的正态分布的测量误差,RF值加上均值为0MHz,方差为0.4MHz的正态分布的测量误差。表2为聚类后参数中心值。
表1雷达参数
步骤一、取雷达数据的头两个数据为初始聚类中心(20,25)和(62,38)以及分类距离15和16,(20,25)是第一个类别的初始聚类中心,(62,38)是第二个类别的初始聚类中心,15为第一个类别的分类距离,16为第二个类别的分类距离;
步骤二、将雷达接收机接收到的数据点分别依次与初始聚类中心(20,25)和(62,38)计算欧几里德聚类距离,得到|ai-dj|,其中,3≤i≤112,1≤j≤2,
如果|ai-dj|≤Dj,则将数据点ai归为第dj个初始聚类中心,每个聚类中心对应一个类别;
如果|ai-dj|>Dj,则数据点ai不属于第dj个初始聚类中心,继续与大于dj并小于等于dn的初始聚类中心相比较,如果不属于大于dj并小于等于dn的初始聚类中心,则将数据点ai视为一个新的聚类中心,即dn+1,直到所有数据点a1,a2…am完成聚类分选,m为正整数,得到新的聚类中心d1′,d2′…dn′;
所述其中k为每个聚类中心的数据点个数,ac为每个聚类中心包含的数据点,1≤c≤k,k为正整数;
步骤四、计算新的聚类中心之间是否满足某种信号特征,
对于抖动信号,如果新的聚类中心满足关系:|di'-dj'|≤(1+Δδ)D0,1≤i≤n,1≤j≤n,其中Δδ取0.3,D0取16,其中di',dj'分别为d1′,d2′…dn′中任意两个聚类中心,则di'、dj'两个聚类中心应该合并为同一类别;
表2聚类后参数中心值
从图2中可以看出脉冲信号大致主要分为五类,‘o’代表脉冲信号,‘+’代表聚类中心,其他的一些是干扰信号和虚假脉冲。对于仿真中的抖动脉冲信号,从图2中可以看出在聚类中心附近脉冲信号有较大的抖动,表2中聚类后的中心值相比于初始聚类中心存在一定的偏差,如果虚假脉冲距离信号距离较近有可能会错分为一类或者信号抖动范围过大导致信号中个别子脉冲被误为另一类,分选结果的精确程度和信号本身的变化形式有关,即信号的调制形式会影响到聚类中心从而影响聚类结果。
输入数据为表1中的数据,分别用无合并的多参数聚类和有合并的多参数聚类对其蒙特卡洛仿真,仿真结果如表3所示:
表3两种聚类方法结果的对比表
仿真分析:仿真中除了本身信号的五对参数外,还混入了12对虚假脉冲,因此理应得到的分类数为17类,考虑到存在噪声干扰和抖动问题,可以将容差扩为16-18类之间。从表3中可以看出有合并的多参数聚类法在1000次仿真中,有849次聚类数目落在16-18之间,而无合并的多参数聚类法却有950次落在20-22之间,与正确类别数相差很多,因此将相关的类别进行合并可以将聚类结果中的类别数正确率有效提高,证明了该发明方法的优越性。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (5)
1.一种基于类别合并的脉冲信号聚类分选方法,其特征在于:一种基于类别合并的脉冲信号聚类分选方法具体是按照以下步骤进行的:
步骤一、确定初始聚类中心d1,d2…dn和分类距离D1,D2…Dn,d1为第一个类别的初始聚类中心,d2为第二个类别的初始聚类中心,dn为第n个类别的初始聚类中心,D1为第一个类别的分类距离,D2为第二个类别的分类距离,Dn为第n个类别的分类距离,n为正整数;
步骤二、将雷达接收机接收到的数据点a1,a2…am分别依次与初始聚类中心d1,d2…dn计算欧几里德聚类距离,得到|ai-dj|,其中,1≤i≤m,1≤j≤n,m为正整数;
如果|ai-dj|≤Dj,则将数据点ai归为第dj个初始聚类中心,每个聚类中心对应一个类别;
如果|ai-dj|>Dj,则数据点ai不属于第dj个初始聚类中心,继续与大于dj并小于等于dn的初始聚类中心相比较,如果数据点ai不属于大于dj并小于等于dn的初始聚类中心,则将数据点ai视为一个新的聚类中心;
直到所有数据点a1,a2…am完成聚类分选,得到新的聚类中心d1′,d2′…dn′;
步骤三、计算新的聚类中心之间是否满足信号特征;
步骤四、将满足信号特征的聚类中心合并,完成类别合并的信号聚类分选。
2.根据权利要求1所述一种基于类别合并的脉冲信号聚类分选方法,其特征在于:所述步骤二中其中k为每个聚类中心的数据点个数,ac为每个聚类中心包含的数据点,1≤c≤k,k为正整数。
3.根据权利要求2所述一种基于类别合并的脉冲信号聚类分选方法,其特征在于:所述步骤三中计算新的聚类中心之间是否满足信号特征;具体过称为:
对于抖动信号,如果新的聚类中心满足关系:|di'-dj'|≤(1+Δδ)D0,则di'、dj'两个聚类中心应合并为同一类别;
其中,1≤i≤n,1≤j≤n,其中di',dj'分别为d1′,d2′…dn′中任意两个聚类中心,D0为阈值参数,Δδ为抖动量取0.01-0.03。
4.根据权利要求3所述一种基于类别合并的脉冲信号聚类分选方法,其特征在于:所述步骤三中计算新的聚类中心之间是否满足信号特征;具体过称为:
对于滑变信号,如果新的聚类中心满足关系:则di'、dj'、dl'三个聚类中心应合并为同一类别;
其中,1≤i≤n,1≤j≤n,1≤l≤n,其中di',dj',dl'分别为d1′,d2′…dn′中任意三个聚类中心,λ为任意实数。
5.根据权利要求4所述一种基于类别合并的脉冲信号聚类分选方法,其特征在于:所述步骤三中计算新的聚类中心之间是否满足信号特征;具体过称为:
对于参差信号,如果新的聚类中心满足关系:|di'-dj'|=D1,则di'、dj'两个聚类中心应合并为同一类别;
其中,1≤i≤n,1≤j≤n,di',dj'分别为d1′,d2′…dn′中任意两个聚类中心,D1为检测参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610464712.8A CN106056098B (zh) | 2016-06-23 | 2016-06-23 | 一种基于类别合并的脉冲信号聚类分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610464712.8A CN106056098B (zh) | 2016-06-23 | 2016-06-23 | 一种基于类别合并的脉冲信号聚类分选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106056098A true CN106056098A (zh) | 2016-10-26 |
CN106056098B CN106056098B (zh) | 2019-07-02 |
Family
ID=57166327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610464712.8A Active CN106056098B (zh) | 2016-06-23 | 2016-06-23 | 一种基于类别合并的脉冲信号聚类分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056098B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815605A (zh) * | 2017-01-23 | 2017-06-09 | 上海上讯信息技术股份有限公司 | 一种基于机器学习的数据分类方法及设备 |
CN108345864A (zh) * | 2018-03-06 | 2018-07-31 | 中国电子科技集团公司第二十八研究所 | 基于加权聚类的随机集合型雷达辐射源信号参数高频模式挖掘方法 |
CN108535704A (zh) * | 2018-04-10 | 2018-09-14 | 贵州理工学院 | 一种基于自适应二维聚类的信号预分选方法 |
CN108957420A (zh) * | 2018-07-24 | 2018-12-07 | 杭州岸达科技有限公司 | 一种基于数据点合并的调频连续波雷达目标参数估计方法 |
CN114114199A (zh) * | 2022-01-27 | 2022-03-01 | 北京宏锐星通科技有限公司 | 对合成孔径雷达信号参数的分选方法及分选装置 |
CN115664902A (zh) * | 2022-12-12 | 2023-01-31 | 南京莱芯科技有限公司 | 脉冲信号同步获取方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893704A (zh) * | 2010-07-20 | 2010-11-24 | 哈尔滨工业大学 | 一种基于粗糙集的雷达辐射源信号识别方法 |
CN102749616A (zh) * | 2012-06-29 | 2012-10-24 | 北京市遥感信息研究所 | 一种基于模糊聚类的宙斯盾***信号分选方法 |
CN102879765A (zh) * | 2012-09-27 | 2013-01-16 | 哈尔滨工程大学 | 基于聚类统计分析的快速信号分选方法 |
US20130268476A1 (en) * | 2010-12-24 | 2013-10-10 | Hewlett-Packard Development Company, L.P. | Method and system for classification of moving objects and user authoring of new object classes |
CN105259538A (zh) * | 2015-10-28 | 2016-01-20 | 中国电子科技集团公司第二十九研究所 | 一种基于信号特征收敛的信号质量评估方法及装置 |
-
2016
- 2016-06-23 CN CN201610464712.8A patent/CN106056098B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893704A (zh) * | 2010-07-20 | 2010-11-24 | 哈尔滨工业大学 | 一种基于粗糙集的雷达辐射源信号识别方法 |
US20130268476A1 (en) * | 2010-12-24 | 2013-10-10 | Hewlett-Packard Development Company, L.P. | Method and system for classification of moving objects and user authoring of new object classes |
CN102749616A (zh) * | 2012-06-29 | 2012-10-24 | 北京市遥感信息研究所 | 一种基于模糊聚类的宙斯盾***信号分选方法 |
CN102879765A (zh) * | 2012-09-27 | 2013-01-16 | 哈尔滨工程大学 | 基于聚类统计分析的快速信号分选方法 |
CN105259538A (zh) * | 2015-10-28 | 2016-01-20 | 中国电子科技集团公司第二十九研究所 | 一种基于信号特征收敛的信号质量评估方法及装置 |
Non-Patent Citations (3)
Title |
---|
ZHANLING WANG ET AL.: "Multiple-Parameter Radar Signal Sorting Using Support Vector Clustering and Similitude Entropy Index", 《CIRCUITS SYSTEM & SIGNAL PROCESSING》 * |
向娴: "未知雷达信号分选算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
詹磊 等: "基于多维加权聚类的雷达信号分选方法", 《遥测遥控》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815605A (zh) * | 2017-01-23 | 2017-06-09 | 上海上讯信息技术股份有限公司 | 一种基于机器学习的数据分类方法及设备 |
CN106815605B (zh) * | 2017-01-23 | 2021-04-13 | 上海上讯信息技术股份有限公司 | 一种基于机器学习的数据分类方法及设备 |
CN108345864A (zh) * | 2018-03-06 | 2018-07-31 | 中国电子科技集团公司第二十八研究所 | 基于加权聚类的随机集合型雷达辐射源信号参数高频模式挖掘方法 |
CN108345864B (zh) * | 2018-03-06 | 2020-09-08 | 中国电子科技集团公司第二十八研究所 | 基于加权聚类的随机集合型雷达辐射源信号参数高频模式挖掘方法 |
CN108535704A (zh) * | 2018-04-10 | 2018-09-14 | 贵州理工学院 | 一种基于自适应二维聚类的信号预分选方法 |
CN108535704B (zh) * | 2018-04-10 | 2022-01-21 | 贵州理工学院 | 一种基于自适应二维聚类的信号预分选方法 |
CN108957420A (zh) * | 2018-07-24 | 2018-12-07 | 杭州岸达科技有限公司 | 一种基于数据点合并的调频连续波雷达目标参数估计方法 |
CN114114199A (zh) * | 2022-01-27 | 2022-03-01 | 北京宏锐星通科技有限公司 | 对合成孔径雷达信号参数的分选方法及分选装置 |
CN115664902A (zh) * | 2022-12-12 | 2023-01-31 | 南京莱芯科技有限公司 | 脉冲信号同步获取方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106056098B (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056098B (zh) | 一种基于类别合并的脉冲信号聚类分选方法 | |
Traag | Faster unfolding of communities: Speeding up the Louvain algorithm | |
Artyushenko et al. | Statistical characteristics of envelope outliers duration of non-Gaussian information processes | |
CN106156791A (zh) | 业务数据分类方法和装置 | |
WO2016101628A1 (zh) | 一种数据建模中的数据处理方法及装置 | |
CN105488770A (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
CN103675610A (zh) | 局部放电在线检测中的特征因子提取方法 | |
CN110209551B (zh) | 一种异常设备的识别方法、装置、电子设备及存储介质 | |
CN103487788A (zh) | 一种序列脉冲信号快速自动提取方法 | |
Stratigopoulos et al. | Efficient Monte Carlo-based analog parametric fault modelling | |
CN106896348A (zh) | 一种基于概率数据关联的雷达信号分选方法 | |
CN110376290A (zh) | 基于多维核密度估计的声发射源定位方法 | |
CN111709775A (zh) | 一种房产价格评估方法、装置、电子设备及存储介质 | |
US20190138925A1 (en) | Terminal device for generating user behavior data, method for generating user behavior data and recording medium | |
CN109426655A (zh) | 数据分析方法、装置、电子设备及计算机可读存储介质 | |
CN107861873B (zh) | 基于两属性分级调整的测试用例优先级调整方法 | |
CN102081799A (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN109828275B (zh) | 一种零度层亮带的识别方法和*** | |
CN110334104A (zh) | 一种榜单更新方法、装置、电子设备及存储介质 | |
CN104198998A (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN115794570A (zh) | 压力测试方法、装置、设备及计算机可读存储介质 | |
CN111325255B (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
CN107728121B (zh) | 一种基于可变窗的局部拟合优度检验方法 | |
CN103714385B (zh) | 一种基于改进型克隆选择算法的模拟电路故障诊断方法 | |
CN110488259A (zh) | 一种基于gdbscan的雷达目标分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |