CN108871342A - 基于纹理特征的水下重力辅助惯性导航适配区选取方法 - Google Patents
基于纹理特征的水下重力辅助惯性导航适配区选取方法 Download PDFInfo
- Publication number
- CN108871342A CN108871342A CN201810739260.9A CN201810739260A CN108871342A CN 108871342 A CN108871342 A CN 108871342A CN 201810739260 A CN201810739260 A CN 201810739260A CN 108871342 A CN108871342 A CN 108871342A
- Authority
- CN
- China
- Prior art keywords
- gravity
- textural characteristics
- gravity anomaly
- anomaly
- area
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明提出一种基于纹理特征的水下重力辅助惯性导航适配区选取方法,能够覆盖全部重力异常变化明显的区域,有利于提升水下重力导航的精度和效率。本发明通过构建重力异常共生矩阵(GACM),计算重力异常纹理特征参数,选取其中不同种类且不相关的纹理特征,利用熵权法对所述纹理特征进行权重确定,经过加权求和得到重力异常综合纹理特征参数,再利用最大类间方差法计算综合纹理特征参数的最佳阈值,最终确定适配区。
Description
技术领域
本发明涉及一种基于纹理特征的水下重力辅助惯性导航适配区选取方法,属于惯性导航***与重力导航***交叉领域。
背景技术
惯性导航***是水下航行器广泛使用的导航技术,但其主要缺点是误差会随着时间推移而变大,不能满足水下运载体长航时的导航要求,必须通过其他导航方法来纠正,抑制位置误差的增长。重力场是一个稳定的物理场,具有良好的空间分布特征,近些年随着卫星测高和重力测量技术发展,提高了水下重力场的分辨率和精度。因此人们提出了水下重力辅助惯性导航方法,利用重力场匹配所得的导航定位信息,校正惯导误差,提升导航精度,进而实现水下运载体的长航时、高精度自主导航。
水下重力辅助惯性导航***的一个关键技术是重力匹配算法。匹配算法精度与水下运载体所处区域的重力异常变化特征密切相关,会直接影响定位效果。重力异常数据变化越大,匹配效率越好,因此有必要对航行区域事先做出重力匹配的适配性分析,选择出满足匹配需求的适配区。
传统适配区选取方法为多特征参数阈值法,仅对重力场进行简单的统计分析,特征参数包括标准偏差、经纬度相关性、重力异常变化系数、峰度系数和偏度系数等。并且,传统方法利用多重力场特征参数的阈值来选择适配区,往往需要经验判断,缺乏客观性。其他一些改进方法,如基于层次分析法、基于信息熵法、基于模糊决策理论方法,重点考虑了各个重力场特征参数对适配区选取的重要程度。虽然改进方法弥补了传统多特征参数阈值法缺乏客观性的缺点,可以做出综合评价。但这些方法都没有考虑重力场的空间分布特性。因此需要找到新的方法拟补目前方法的局限性,充分利用重力场的空间分布特征,为水下辅助惯性导航提供丰富的参考。
发明内容
本发明提出一种基于纹理特征的水下重力辅助惯性导航适配区选取方法,不仅可以选出更多有效适配区,而且所选出的适配区覆盖面更大、连续性更好,能够覆盖全部重力异常变化明显的区域,有利于提升水下重力导航的精度和效率。
本发明通过以下技术方案实现:
一种基于纹理特征的水下重力辅助惯性导航适配区选取方法,通过构建重力异常共生矩阵(GACM),计算重力异常纹理特征参数,选取其中不同种类且不相关的纹理特征,利用熵权法对所述纹理特征进行权重确定,经过加权求和得到重力异常综合纹理特征参数,再利用最大类间方差法计算综合纹理特征参数的最佳阈值,最终确定适配区。
进一步地,所述构建重力异常共生矩阵采用以下方式:首先将重力异常数据映射为灰度图像,重力异常值映射为灰度值,重力异常值的经纬度映射为其所在网格的横纵坐标,然后根据共生矩阵公式构建重力异常共生矩阵。
进一步地,所述选取其中不同种类且不相关的纹理特征选取方式如下:选取其中重力异常能量、重力异常对比度、重力异常相关性和重力异常逆差矩这四个参数。
进一步地,所述利用熵权法对所述纹理特征进行权重确定,经过加权求和得到重力异常综合纹理特征参数,具体包括以下步骤:
步骤一、由选取的纹理特征参数构建评价矩阵;
步骤二、将评价矩阵归一化处理;
步骤三、计算归一化后的评价矩阵中每个重力异常纹理特征参数的熵值;
步骤四、通过所述熵值确定每个纹理特征参数的熵权;
步骤五、计算综合纹理特征参数,即每个纹理特征参数加权求和。
进一步地,在确定适配区后进行仿真实验,具体采用以下方式:利用真实惯导数据,模拟水下导航实验,利用平均绝对差算法(MAD)和均方误差算法(MSD)作为匹配算法,通过实验得到的水下导航的匹配率,检验所确定的适配区的有效性。
本发明与现有技术相比具有以下优点:
为了更综合的选择适配区,本发明利用熵权法对重力异常能量、重力异常变化对比度、重力异常变化相关度、重力异常逆差矩四个纹理特征参数进行权重确定,加权求和得到综合纹理特征参数,再利用最大类间方差法计算综合纹理特征参数的最佳阈值,最终确定适配区的选择标准,与传统特征参数方法相比,本发明的综合纹理特征参数方法更具有优越性。
附图说明
图1是本发明适配区选取方法具体实施例流程图。
具体实施方式
本发明提出了基于重力场纹理特征的的适配区选取方法,通过构建重力异常共生矩阵(GACM),对重力异常纹理特征进行适配区分析,如图1所示,本实施例选取4种典型、不相关的4种纹理特征,利用熵权法对4种纹理特征进行权重确定,经过加权求和得到综合纹理特征参数,再利用最大类间方差法计算综合纹理特征参数的最佳阈值,最终确定适配区的选取标准。并通过仿真实验,证明方法的优越性和有效性。
一、构建重力异常共生矩阵
以重力场数据构建重力异常共生矩阵,是建立在重力场数据所表达三维空间曲面上的。以XOY作为重力图的坐标平面,假设水平方向(X轴方向)的栅格总数为Nx,则重力异常数据的水平空间域为假设垂直方向(Y轴方向)的栅格总数为Ny,则重力异常数据的垂直空间域为Z轴为重力异常值,由于重力异常数据值域范围与灰度图像的值域范围不同,因此,以重力异常数据构建共生矩阵,还需要对重力异常数据进行值域映射。假设重力异常量化最大级数为Ng,则重力异常的量化集为基于以上假设与定义,重力异常数据所表达的重力异常灰度图像函数f可表示为
f=Lx×Ly→G (1)
重力异常共生矩阵反映了重力异常分布关于方向、变化幅度和局部领域的综合信息。其定义为在θ方向上,相隔距离d的一对基元分别具有重力级数i和j出现的概率,记为:
Pc=p(i,j,d,θ) (2)
重力异常共生矩阵算法中,主要有4个变量影响计算复杂度和分类性能,分别是滑动窗口大小M×N、重力异常级数L、距离d、方向θ。本发明在多处计算中都采用滑动窗口方法,从一致性角度综合考虑,滑动窗口统一采用M×N=5×5。重力异常级数L决定了计算规模,一般在图像处理领域L取16,即可以保持纹理的完整性,又降低了共生矩阵的计算规模。因此本发明将重力异常级数压缩到16级。对于距离d的选择,经量化研究分析,当点间距等于1时,各纹理特征参数取得最大值,从突出纹理特征角度考虑,本实施例选用d=1,θ取0°,45°,90°,135°。
设f(k,l)=i,f(m,n)=j为重力场背景图坐标在(k,l),(m,n)的点所对应的重力异常量化级数为i、j。则其在0°,45°,90°,135°四个方向的共生矩阵分别定义如下:
p(i,i,d,0°)=π{(k,l)(m,n)∈(Lx*Ly)*(Lx*Ly)|k-m=0,|l-n|=d;f(k,l)=i,f(m,n)=j} (3)
p(i,j,d,45°)=π{(k,l)(m,n)∈(Lx*Ly)*(Lx*Ly)|(k-m=d,l-n=d)or(k-m=-d,l-n=-d);f(k,l)=i,f(m,n)=j} (4)
p(i,j,d,90°)=π{(k,l)(m,n)∈(Lx*Ly)*(Lx*Ly)||k-m=d|,l-n=0;f(k,l)=i,f(m,n)=j} (5)
p(i,j,d,135°)=π{(k,l)(m,n)∈(Lx*Ly)*(Lx*Ly)|(k-m=d,l-n=-d)or(k-m=-d,l-n=d);f(k,l)=i,f(m,n)=j} (6)
上式中,π{x}表示集合x中所含的元素个数。
得到的四个方向的共生矩阵还无法直接进行使用,而是在共生矩阵的基础上再提取纹理特征量,为了分析方便,应对p(i,j,d,θ)共生矩阵进行正规化:
式中,R为正规化参数.
二、分析重力异常纹理特征参数
本实施例样区选为北纬25°-30°,东经125°-130°,分辨率为1′的重力背景图,即可看作为300×300的栅格图,此重力背景图重力场信息丰富,既有重力异常变化剧烈地区,又有重力异常变化起伏地区,也有变化平缓地区,有利于验证本方法在不同类型区域中提取重力纹理特征的效果。重力异常共生矩阵共有14个纹理特征参数,其中仅有重力异常能量、重力异常变化对比度、重力异常变化相关度、重力异常逆差矩4个纹理特征参数是不相关的,本实施例主要分析这4个纹理特征参数的适配性。
1)重力异常能量
能量energy是重力异常共生矩阵各元素的平方和,它度量纹理变化的均一性,反映变量分布均匀程度和纹理粗细度。
2)重力异常对比度
对比度contrast是共生矩阵主对角线附近的惯性矩,它度量共生矩阵的值是如何分布和局部变化的多少,反映了纹理的沟纹深浅,对比值大,则纹理的沟纹深,效果清晰;反之,对比值小,则沟纹浅,效果模糊。
3)重力异常变化相关性
式中μx,μy,的定义如下:
相关性correlation度量共生矩阵元素在行或列方向上的相似程度,反映了局部重力异常变化相关性。
4)重力异常逆差矩
逆差矩homogeneity度量重力异常纹理局部变化的多少,反映纹理的同质性,其值越大则说明重力异常纹理的不同区域间缺少变化,局部非常均匀。
通过对4个重力异常纹理特征的分析可知,重力异常纹理特征可以很好的反映出重力异常变化明显的区域,适合用来做适配区的选取。
三、构建重力异常综合纹理特征参数
为了更综合的选择适配区,本发明利用熵权法对重力异常能量、重力异常变化对比度、重力异常变化相关度、重力异常逆差矩四个纹理特征参数进行权重确定,加权求和得到综合纹理特征参数,具体步骤如下:
1)构建评价矩阵
由重力异常能量、重力异常变化对比度、重力异常变化相关度、重力异常逆差矩4个特征参数构建评价矩阵,则评价矩阵中有m=4个评价指标x1,x2,x3,x4,特征参数均为M*N的矩阵,则评价矩阵中有n=M*N个评价对象。评价矩阵可表示为A=[xij]n×m。
2)数据规范化、标准化
将纹理特征参数归一化处理,其中重力异常能量与重力异常逆差矩为负向指标,归一化公式为:
其中重力异常变化对比度与重力异常变化相关度为正向指标,归一化公式为:
归一化后的评价矩阵为A′=[x′ij]n×m。
3)计算熵值
在归一化后的评价矩阵A′=[x′ij]n×m中,第i个评价指标的熵值,计算公式如下:
式中,ei表示纹理特征参数的熵值,k是系数因子,且有k=1/ln(n)。
当某个纹理特征参数归一化后的值为0时,会出现pij=0的情况,这里令pijlnpij=0代入计算,最终得到每个重力异常纹理特征参数的熵值。
4)计算熵权
通过熵值来确定每个纹理特征参数的熵权,计算公式如下:
5)计算综合纹理特征参数
综合纹理特征参数为4个纹理特征参数的加权求和,其表达式如下:
四、确定适配区选取标准
本发明采用最大类间方差法求取综合纹理特征参数的自适应最佳阈值作为适配区的选择标准,设综合纹理特征参数的最佳阈值为t*,适配区选取标准为T≥t*。
重力异常背景图的大小为M×N,综合特征参数总平均值记为类间方差记为σ。适配区的网格数为N0,适配区的网格数占重力异常背景图的比例记为k0,适配区综合纹理特征参数平均值为t0;非适配区的网格数为N1,非适配区的网格数占重力异常背景图的比例为k1,其综合纹理特征参数平均值为t1。则有:
其中,
根据公式(24)可知,当类间方差σ取最大值时,综合特征参数t为最佳阈值,适配区选取标准为T≥t*。
五、仿真实验
在仿真测试中,使用实际惯导数据进行计算,实际惯导数据是从双轴旋转光纤惯导***采集而来,惯导参数如下:
1)三个方向惯导的陀螺漂移为0.02°/h,所有随机漂移为0.01°/h。
2)三个方向加速度计偏差为1×10-4g,所有随机偏差为5×10-4g。
3)重力仪测量噪声是高斯白噪声,方差为2mgal。
通过仿真实验对比可知,综合纹理特征方法选出的适配区覆盖面积更大,并且连续性好,几乎覆盖了整个重力异常背景图内重力异常变化明显区域。并且在选出的适配区中,水下航行器航行过程中的匹配结果即匹配率均在95%以上,经验证综合纹理特征方法选出的适配区是有效的。仿真结果表明综合纹理特征方法的优越性和有效性,不仅可以选出潜在的适配区,而且适配区的覆盖面积大、连续性好,匹配率搞,更有利于重力匹配。
Claims (5)
1.一种基于纹理特征的水下重力辅助惯性导航适配区选取方法,其特征在于,通过构建重力异常共生矩阵,计算重力异常纹理特征参数,选取其中不同种类且不相关的纹理特征,利用熵权法对所述纹理特征进行权重确定,经过加权求和得到重力异常综合纹理特征参数,再利用最大类间方差法计算综合纹理特征参数的最佳阈值,最终确定适配区。
2.如权利要求1所述的一种基于纹理特征的水下重力辅助惯性导航适配区选取方法,其特征在于,所述构建重力异常共生矩阵采用以下方式:首先将重力异常数据映射为灰度图像,重力异常值映射为灰度值,重力异常值的经纬度映射为其所在网格的横纵坐标,然后根据共生矩阵公式构建重力异常共生矩阵。
3.如权利要求1所述的一种基于纹理特征的水下重力辅助惯性导航适配区选取方法,其特征在于,所述选取其中不同种类且不相关的纹理特征选取方式如下:选取其中重力异常能量、重力异常对比度、重力异常相关性和重力异常逆差矩这四个参数。
4.如权利要求1或2或3所述的一种基于纹理特征的水下重力辅助惯性导航适配区选取方法,其特征在于,所述利用熵权法对所述纹理特征进行权重确定,经过加权求和得到重力异常综合纹理特征参数,具体包括以下步骤:
步骤一、由选取的纹理特征参数构建评价矩阵;
步骤二、将所述评价矩阵进行归一化处理;
步骤三、计算归一化后的评价矩阵中每个重力异常纹理特征参数的熵值;
步骤四、通过所述熵值确定每个纹理特征参数的熵权;
步骤五、计算综合纹理特征参数,即每个纹理特征参数加权求和。
5.如权利要求1或2或3所述的一种基于纹理特征的水下重力辅助惯性导航适配区选取方法,其特征在于,在确定适配区后进行仿真实验,具体采用以下方式:利用真实惯导数据,模拟水下导航实验,利用平均绝对差算法(MAD)和均方误差算法(MSD)作为匹配算法,通过实验得到的水下导航的匹配率,检验所确定的适配区的有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810739260.9A CN108871342A (zh) | 2018-07-06 | 2018-07-06 | 基于纹理特征的水下重力辅助惯性导航适配区选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810739260.9A CN108871342A (zh) | 2018-07-06 | 2018-07-06 | 基于纹理特征的水下重力辅助惯性导航适配区选取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108871342A true CN108871342A (zh) | 2018-11-23 |
Family
ID=64299853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810739260.9A Pending CN108871342A (zh) | 2018-07-06 | 2018-07-06 | 基于纹理特征的水下重力辅助惯性导航适配区选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108871342A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460366A (zh) * | 2020-03-13 | 2020-07-28 | 广州海洋地质调查局 | 一种基于重力曲率的地质体分布判断方法及处理终端 |
CN111473790A (zh) * | 2020-04-26 | 2020-07-31 | 中国人民解放军61540部队 | 一种沿航迹的重力灯塔的潜艇的导航方法及*** |
CN111649763A (zh) * | 2020-04-26 | 2020-09-11 | 中国人民解放军61540部队 | 一种基于重力灯塔建立的潜艇导航方法及*** |
US11268813B2 (en) | 2020-01-13 | 2022-03-08 | Honeywell International Inc. | Integrated inertial gravitational anomaly navigation system |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2495530A1 (fr) * | 2011-03-03 | 2012-09-05 | Thales | Procédé et système de détermination de l'attitude d'un aéronef par mesures accélérométriques multi-axes |
CN103246894A (zh) * | 2013-04-23 | 2013-08-14 | 南京信息工程大学 | 一种解决光照不敏感问题的地基云图识别方法 |
CN103440488A (zh) * | 2013-09-03 | 2013-12-11 | 江苏物联网研究发展中心 | 一种虫害识别的方法 |
CN103616027A (zh) * | 2013-12-17 | 2014-03-05 | 哈尔滨工程大学 | 一种基于改进msd的重力匹配方法 |
CN104484891A (zh) * | 2014-10-22 | 2015-04-01 | 哈尔滨工程大学 | 一种基于纹理特征和地形特征参数的水下地形匹配方法 |
CN105021182A (zh) * | 2015-06-03 | 2015-11-04 | 北京理工大学 | 一种重力辅助惯性导航适配区的选择方法 |
CN105953799A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于熵值法的重力场适配区内水下运载体航迹规划方法 |
CN107229917A (zh) * | 2017-05-31 | 2017-10-03 | 北京师范大学 | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 |
-
2018
- 2018-07-06 CN CN201810739260.9A patent/CN108871342A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2495530A1 (fr) * | 2011-03-03 | 2012-09-05 | Thales | Procédé et système de détermination de l'attitude d'un aéronef par mesures accélérométriques multi-axes |
CN103246894A (zh) * | 2013-04-23 | 2013-08-14 | 南京信息工程大学 | 一种解决光照不敏感问题的地基云图识别方法 |
CN103440488A (zh) * | 2013-09-03 | 2013-12-11 | 江苏物联网研究发展中心 | 一种虫害识别的方法 |
CN103616027A (zh) * | 2013-12-17 | 2014-03-05 | 哈尔滨工程大学 | 一种基于改进msd的重力匹配方法 |
CN104484891A (zh) * | 2014-10-22 | 2015-04-01 | 哈尔滨工程大学 | 一种基于纹理特征和地形特征参数的水下地形匹配方法 |
CN105021182A (zh) * | 2015-06-03 | 2015-11-04 | 北京理工大学 | 一种重力辅助惯性导航适配区的选择方法 |
CN105953799A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于熵值法的重力场适配区内水下运载体航迹规划方法 |
CN107229917A (zh) * | 2017-05-31 | 2017-10-03 | 北京师范大学 | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 |
Non-Patent Citations (2)
Title |
---|
刘繁明等: "一种骨架提取的海洋重力适配区域局部分析方法", 《武汉大学学报(信息科学版)》 * |
吴远峰: "基于水下地形图像匹配的辅助导航技术研究", 《中国优秀硕士学位论文 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11268813B2 (en) | 2020-01-13 | 2022-03-08 | Honeywell International Inc. | Integrated inertial gravitational anomaly navigation system |
CN111460366A (zh) * | 2020-03-13 | 2020-07-28 | 广州海洋地质调查局 | 一种基于重力曲率的地质体分布判断方法及处理终端 |
CN111473790A (zh) * | 2020-04-26 | 2020-07-31 | 中国人民解放军61540部队 | 一种沿航迹的重力灯塔的潜艇的导航方法及*** |
CN111649763A (zh) * | 2020-04-26 | 2020-09-11 | 中国人民解放军61540部队 | 一种基于重力灯塔建立的潜艇导航方法及*** |
CN111649763B (zh) * | 2020-04-26 | 2021-08-27 | 中国人民解放军61540部队 | 一种基于重力灯塔建立的潜艇导航方法及*** |
CN111473790B (zh) * | 2020-04-26 | 2021-08-31 | 中国人民解放军61540部队 | 一种沿航迹的重力灯塔的潜艇的导航方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108871342A (zh) | 基于纹理特征的水下重力辅助惯性导航适配区选取方法 | |
Wang et al. | Mapping multiple variables for predicting soil loss by geostatistical methods with TM images and a slope map | |
CN101354253B (zh) | 一种基于匹配度的地磁辅助导航方法 | |
CN109543356B (zh) | 考虑空间非平稳性的海洋内部温盐结构遥感反演方法 | |
CN109141426B (zh) | 一种水下重力匹配导航适配区的方法 | |
CN106067172B (zh) | 一种基于适配性分析的水下地形图像粗匹配与精匹配结合的方法 | |
Wang et al. | The gravity matching area selection criteria for underwater gravity-aided navigation application based on the comprehensive characteristic parameter | |
CN108959794A (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
CN106845559A (zh) | 顾及poi数据空间异质性的地表覆盖验证方法及*** | |
CN113360587B (zh) | 一种基于gis技术的土地测绘设备及测绘方法 | |
CN117197596B (zh) | 基于小样本迁移学习的混合底质声学分类方法 | |
CN110031001B (zh) | 一种重力辅助惯性导航的适配区选取方法 | |
CN113267822B (zh) | 基于地形约束因子权重优化提高海底地形反演精度的方法 | |
CN109002792B (zh) | 基于分层多模型度量学习的sar图像变化检测方法 | |
Wang et al. | A Delaunay triangulation-based matching area selection algorithm for underwater gravity-aided inertial navigation | |
Yang et al. | Linking persistent scatterers to the built environment using ray tracing on urban models | |
Habib | Quantifying topographic ruggedness using principal component analysis | |
Wang et al. | Sum vector-difference-based matching area selection method for underwater gravity-aided navigation | |
Maze et al. | Profile classification models | |
CN114821322A (zh) | 基于注意力机制的小样本遥感影像分类方法及*** | |
CN113553708A (zh) | 一种溯源仿真模型关键影响因素的方法和装置 | |
Shi et al. | Application and comparing of IDW and Kriging interpolation in spatial rainfall information | |
CN114152258B (zh) | 基于地球物理/几何特征的海洋多场多参数定位融合方法 | |
Gui et al. | Unsupervised PolSAR change detection based on polarimetric distance measurements and ConvLSTM Network | |
Yuan et al. | Intelligent identification of ocean parameters based on RBF neural networks |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181123 |
|
WD01 | Invention patent application deemed withdrawn after publication |