CN112180369B - 基于深度学习的一维综合孔径辐射计海面风速反演方法 - Google Patents
基于深度学习的一维综合孔径辐射计海面风速反演方法 Download PDFInfo
- Publication number
- CN112180369B CN112180369B CN202011013771.6A CN202011013771A CN112180369B CN 112180369 B CN112180369 B CN 112180369B CN 202011013771 A CN202011013771 A CN 202011013771A CN 112180369 B CN112180369 B CN 112180369B
- Authority
- CN
- China
- Prior art keywords
- sea surface
- layer
- inversion
- wind speed
- model
- 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
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- 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
- G01S7/285—Receivers
- G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers
- G01S7/2955—Means for determining the position of the radar coordinate system for evaluating the position data of the target in another coordinate system
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于深度学习的一维综合孔径辐射计海面风速反演方法,包括如下步骤:获取海面温度、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量;将所述海面温度、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量输入至辐射传输正演模型,得到仿真亮温;将所述海面温度、海水盐度、海面相对风向、入射角、大气水汽含量、云液态水含量和仿真亮温输入至基于卷积神经网络构建的深度学习反演模型,得到海面风速。提高了反演精度,为一维综合成孔径微波辐射计反演海面风速提供了方法。
Description
技术领域
本发明涉及遥感技术领域,具体涉及一种基于深度学习的一维综合孔径辐射计海面风速反演方法。
背景技术
海面风速影响着海气相互作用,是海洋环境探测的重要物理量。微波遥感器具有全天时、全天候的观测能力和一定的次表层探测能力,是探测海面风速的主要手段之一。但对于星载平台,天线的尺寸和重量都受到严格的限制,空间分辨率低。综合孔径微波辐射计是干涉技术应用于对地观测的产物,它采用小孔径天线阵列,解决了微波辐射计高分辨率与庞大天线的矛盾,显著地提高了分辨率。但是,综合孔径微波辐射计的成像方式与实孔径微波辐射计截然不同,导致已有的实孔径微波辐射计海面风速反演算法无法适用于一维综合孔径微波辐射计。
综合孔径微波辐射计的海面风速反演算法需在多入射角条件下完成,并且海面与大气辐射传输受多因素影响,导致,其物理反演方法复杂,不适合星载运算需求。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于深度学习的一维综合孔径辐射计海面风速反演方法,以解决现有技术中存在的反演海面风速困难的的问题。
为实现上述目的,本发明提供如下技术方案:
一种海面风速反演方法,包括如下步骤:
获取海面温度、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量,构成反演数据;
将反演数据依次输入至辐射传输正演模型与一维综合孔径微波辐射计模型中,得到仿真亮温;
将所述海面温度、海水盐度、海面相对风向、入射角、大气水汽含量、云液态水含量和仿真亮温输入至基于卷积神经网络构建的深度学习反演模型,得到海面风速。
进一步的,所述深度学习反演模型的构建方法如下:
获取历史反演数据及对应的海面风速,构建初始数据集;
将初始数据集随机分为初始训练集和初始验证集;
将初始训练集中的历史反演数据、初始验证集中的历史反演数据分别依次输入到辐射传输正演模型与一维综合孔径微波辐射计模型中,得到对应的仿真亮温;
将对应的仿真亮温分别放回初始训练集与初始验证集;
通过带有仿真亮温的初始训练集对深度学习反演模型进行训练,通过带有仿真亮温的初始验证集对学习反演模型进行验证,得到最终的深度学习反演模型。
进一步的,所述深度学***均池化层,第四层至第九层为卷积层,第十层为全连接层。
进一步的,所述卷积神经网络的第二层的激活函数为tanh函数;所述卷积神经网络的第四层至第九层的激活函数为Sigmoid函数。
进一步的,所述tanh函数的表达式为:
所述Sigmoid函数的表达式为:
进一步的,所述验证过程中通过反演结果与真实值之间的均方根误差作为评判模型反演精度的标准,所述均方根误差的计算公式如下:
MSE=∑∑(Ws-Ws′)/N
其中,MSE为均方根误差,WS为海面真实风速,Ws′为反演风速,N为样本点的总个数。
进一步的,通过带有仿真亮温数据的初始训练集对深度学习反演模型进行训练时,所述初始训练集中的数据输入到自编码器采用如下算法:
X″=s(w×X′+b)
X″′=s(w′×X″+b′)
其中,X′为初始训练集中的数据,X″是X′编码后的特征表达,w代表输入层到隐层的权重,b是隐层偏置,s是激活函数,w′是解码权重,b′是解码偏置,X″′是X″解码后的结果。
一种海面风速反演***,所述***包括:
第一获取模块:用于获取海面温度、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量,构成反演数据;
第二获取模块:用于将反演数据依次输入至辐射传输正演模型与一维综合孔径微波辐射计模型中,得到仿真亮温;
第三获取模块:用于将所述海面温度、海水盐度、海面相对风向、入射角、大气水汽含量、云液态水含量和仿真亮温输入至基于卷积神经网络构建的深度学习反演模型,得到海面风速。
一种海面风速反演***,所述***包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述所述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述方法的步骤。
与现有技术相比,本发明的有益效果是:
本发明打破传统实孔径微波辐射计的思路,利用深度学习强大的非线性拟合性与卷积网络的运算量小的特点,解决了一维综合孔径微波辐射计多入射角反演海面风速困难的问题,能够快速、高精度地反演出海面风速,为后续星载一维综合孔径微波辐射计的载荷研制及应用提供技术支撑。
附图说明
图1为本发明中深度学习卷积神经网络模型结构图。
图2为本发明中检验结果图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
如图1、图2所示,一种基于深度学习的一维综合孔径辐射计海面风速反演方法,包括如下步骤:
获取海面温度、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量,构成反演数据;
将反演数据依次输入至辐射传输正演模型与一维综合孔径微波辐射计模型中,得到仿真亮温;
将所述海面温度、海水盐度、海面相对风向、入射角、大气水汽含量、云液态水含量和仿真亮温输入至基于卷积神经网络构建的深度学习反演模型,得到海面风速。
具体为:
步骤1:获取海面温度、海面风速、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量的历史数据,作为初始数据集C,将C随机分为初始训练集A与初始验证集B两部分,初始训练集与初始验证集分别占初始数据集C的80%和20%。将A与B分别依次输入到辐射传输正演模型与一维综合孔径微波辐射计模型中,输出仿真亮温并放回到A与B中得到训练集A′与验证集B′。
生成仿真亮温过程已将入射角这一变量考虑其中,解决了一维综合孔径微波辐射计多入射角反演亮温的问题。
步骤2:基于卷积神经网络构建深度学***均池化层,第四层至第九层为卷积层,第四层至第九层的激活函数为Sigmoid函数,第十层为全连接层。
深度学习反演模型中选取多个激活函数可以提高神经网络模型非线性拟合效果,各激活函数对应的表达式:
步骤2的整个训练的过程中,通过输出结果与真值比较以及对输入数据的预测来优化算法,如改变卷积层中卷积核个数、卷积核尺寸等。
值得注意的是,所述步骤2中将训练集中的数据X′输入到自编码器,采用如下算法:
X″=s(w×X′+b)
X″′=s(w′×X″+b′)
其中,X′为初始训练集中的数据,X″是X′编码后的特征表达,w代表输入层到隐层的权重,b是隐层偏置,s是激活函数,w′是解码权重,b′是解码偏置,X″′是X″解码后的结果。
步骤3:将训练集A′中仿真亮温、海面温度、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量作为深度学习反演模型的训练样本,海面风速作为真值输入到模型中,对模型进行训练,最终输出海面风速。整个网络的权值迭代优化器算法采用的是深度学习优化方法,即AdaGrad算法。
步骤4,将验证集B′中的仿真亮温输入训练后的深度学习反演模型,计算对应的输出,并与验证集中的海面风速进行误差比较,检验方法的准确度。通过反演结果与真实值之间的均方根误差MSE作为评判模型反演精度的标准,其计算公式如下:
MSE=∑∑(Ws-Ws′)/N
其中,WS为海面真实风速,Ws′为反演风速,N为样本点的总个数。
实施例
1、数据集获取
从欧洲中期天气预报中心(ECMWF)获取2016年1月1日至12月31日每天的1°×1°海平面模式数据,包括海面风速、海面温度、海面风向、海水盐度、云液态水含量和大气水汽含量等要素,筛选出含80740组数据的数据集C。将C随机分为初始训练集A与初始验证集B两部分,训练集与验证集分别占初始数据集C的80%和20%。将A与B输入到辐射传输正演模型与一维综合孔径微波辐射计模型中,输出仿真亮温并放回到A与B中得到训练集A′与验证集B′。
2、深度学习卷积神经网络的构建
在本步骤中权值迭代优化器算法采用的是深度学***方值总和的平方根。
在本步骤中自卷积层的输出作为全连接层的输入,将训练集A′中的海面风速作为全连接层输出的理想值,进行海面风速反演。
在本步骤中,所述海面风速反演主要包括:使用训练完成的卷积网络消除亮温传输噪音与仪器***噪音后,将训练完成的数据输入到全连接层中,反演海面风速用到的数据为:一维综合孔径微波辐射计仿真亮温、海面盐度、海面温度、海面相对风向、大气水含量、云液态水含量和入射角。一共7个气象海洋要素,所以在批量归一化层设7个神经元加1个偏置,输出层神经元数为1个(海面风速),各层内神经元之间互不连接,各层间神经元通过不同权值相互连接。然后按照设定好的激活函数,逐层向后传递,通过比较输出数据和输入数据的期望产生误差信号,将误差信号逐层反向传递,并不断修正各层的权值,得到海面风速。
在本实施例中,所述反向传递阶段采用Levenberg-Marquardt最小化算法,通过大量的训练,得到精确的海面风速。
3、深度学习反演模型的训练
将训练集A′中仿真亮温、海面温度、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量作为深度学习反演模型的训练样本X′,海面风速作为真值输入到模型中,对模型进行训练,最终输出海面风速。整个网络的权值迭代优化器算法采用的是深度学习优化方法,即AdaGrad算法,通过训练输出海面风速。
4、深度学习反演模型效果检验
将验证集B′中的仿真亮温、入射角输入训练后的深度学习反演模型,计算对应的输出,并与验证集中的海面风速进行误差比较,检验方法的准确度。
本发明基于深度学习的一维综合孔径微波辐射计海面风速反演方法,不需要深究微波发射和传输过程中的深层物理机制,具有强大的非线性拟合能力,能够高精度地反演出海面风速,为后续星载一维综合孔径微波辐射计的载荷研制及应用提供技术支撑。
本发明打破传统实孔径微波辐射计的思路,利用深度学习强大的非线性拟合性与卷积网络的运算量小的特点,解决了一维综合孔径微波辐射计多入射角反演海面风速困难的问题,能够快速、高精度地反演出海面风速。
一种基于深度学习的一维综合孔径微波辐射计海面风速反演***,所述***包括:
第一获取模块:用于获取海面温度、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量;
第二获取模块:用于将所述海面温度、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量输入至辐射传输正演模型,得到仿真亮温;
第三获取模块:用于将所述海面温度、海水盐度、海面相对风向、入射角、大气水汽含量、云液态水含量和仿真亮温输入至基于卷积神经网络构建的深度学习反演模型,得到海面风速。
一种基于深度学习的一维综合孔径微波辐射计海面风速反演***,所述***包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述所述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (5)
1.一种海面风速反演方法,其特征在于,包括如下步骤:
获取海面温度、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量,构成反演数据;
将反演数据依次输入至辐射传输正演模型与一维综合孔径微波辐射计模型中,得到仿真亮温;
将所述海面温度、海水盐度、海面相对风向、入射角、大气水汽含量、云液态水含量和仿真亮温输入至基于卷积神经网络构建的深度学习反演模型,得到海面风速;
所述深度学***均池化层,第四层至第九层为卷积层,第十层为全连接层;
所述卷积神经网络的第二层的激活函数为tanh函数;所述卷积神经网络的第四层至第九层的激活函数为Sigmoid函数;
所述tanh函数的表达式为:
所述Sigmoid函数的表达式为:
2.根据权利要求1所述的一种海面风速反演方法,其特征在于,所述深度学习反演模型的构建方法如下:
获取历史反演数据及对应的海面风速,构建初始数据集;
将初始数据集随机分为初始训练集和初始验证集;
将初始训练集中的历史反演数据、初始验证集中的历史反演数据分别依次输入到辐射传输正演模型与一维综合孔径微波辐射计模型中,得到对应的仿真亮温;
将对应的仿真亮温分别放回初始训练集与初始验证集;
通过带有仿真亮温的初始训练集对深度学习反演模型进行训练,通过带有仿真亮温的初始验证集对学习反演模型进行验证,得到最终的深度学习反演模型。
3.一种海面风速反演***,其特征在于,所述***包括:
第一获取模块:用于获取海面温度、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量,构成反演数据;
第二获取模块:用于将反演数据依次输入至辐射传输正演模型与一维综合孔径微波辐射计模型中,得到仿真亮温;
第三获取模块:用于将所述海面温度、海水盐度、海面相对风向、入射角、大气水汽含量、云液态水含量和仿真亮温输入至基于卷积神经网络构建的深度学习反演模型,得到海面风速;
其中,所述深度学***均池化层,第四层至第九层为卷积层,第十层为全连接层;
所述卷积神经网络的第二层的激活函数为tanh函数;所述卷积神经网络的第四层至第九层的激活函数为Sigmoid函数;
所述tanh函数的表达式为:
所述Sigmoid函数的表达式为:
4.一种海面风速反演***,其特征在于,所述***包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-2任一项所述方法的步骤。
5.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-2任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011013771.6A CN112180369B (zh) | 2020-09-23 | 2020-09-23 | 基于深度学习的一维综合孔径辐射计海面风速反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011013771.6A CN112180369B (zh) | 2020-09-23 | 2020-09-23 | 基于深度学习的一维综合孔径辐射计海面风速反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112180369A CN112180369A (zh) | 2021-01-05 |
CN112180369B true CN112180369B (zh) | 2021-09-10 |
Family
ID=73955392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011013771.6A Active CN112180369B (zh) | 2020-09-23 | 2020-09-23 | 基于深度学习的一维综合孔径辐射计海面风速反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112180369B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156439B (zh) * | 2021-05-08 | 2022-08-30 | 中国石油大学(华东) | 一种基于数据驱动的sar风场海浪联合反演方法及*** |
CN113408742B (zh) * | 2021-06-24 | 2023-06-02 | 桂林理工大学 | 一种基于机器学习的高精度海表温度反演方法 |
CN114265087A (zh) * | 2021-12-24 | 2022-04-01 | 青岛镭测创芯科技有限公司 | 一种海浪参数反演方法及相关组件 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0822468D0 (en) * | 2008-12-10 | 2009-01-14 | Qinetiq Ltd | Method for mitigating the effects of clutter and interference on a radar system |
CN108596380B (zh) * | 2018-04-18 | 2022-11-08 | 中国科学院国家空间科学中心 | 一种海面台风风场的定量探测方法 |
CN109655828B (zh) * | 2018-12-18 | 2020-06-26 | 中国人民解放军国防科技大学 | 一种多频一维综合孔径微波辐射计sst深度学习反演方法 |
CN109829547B (zh) * | 2018-12-18 | 2020-10-09 | 中国人民解放军国防科技大学 | 一种基于深度学习的一维综合孔径微波辐射计sst反演方法 |
CN109725316B (zh) * | 2018-12-18 | 2020-10-20 | 中国人民解放军国防科技大学 | 一种基于一维综合孔径微波辐射计海面温度物理反演方法 |
CN111639746B (zh) * | 2020-05-14 | 2023-10-20 | 中国科学院国家空间科学中心 | 一种基于cnn神经网络的gnss-r海面风速反演方法及*** |
CN111638521B (zh) * | 2020-06-17 | 2021-09-24 | 中国人民解放军海军潜艇学院 | 一种成像高度计遥感数据的海面风速反演方法 |
-
2020
- 2020-09-23 CN CN202011013771.6A patent/CN112180369B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112180369A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112180369B (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
CN111639747B (zh) | 一种基于bp神经网络的gnss-r海面风速反演方法及*** | |
CN111639746B (zh) | 一种基于cnn神经网络的gnss-r海面风速反演方法及*** | |
CN111161218A (zh) | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 | |
CN110427818B (zh) | 高光谱数据支持的深度学习卫星数据云检测方法 | |
CN113568055B (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
CN113568056B (zh) | 一种基于卷积神经网络的航空瞬变电磁数据反演方法 | |
CN113255972B (zh) | 基于Attention机制的短临降水预测方法 | |
CN109583412A (zh) | 一种利用卷积神经网络进行船舶检测的训练方法及其船舶检测方法 | |
CN114117886A (zh) | 一种用于多光谱遥感水深反演方法 | |
CN109829547B (zh) | 一种基于深度学习的一维综合孔径微波辐射计sst反演方法 | |
CN116977311B (zh) | 一种洪涝灾害区域检测方法、***、电子设备及存储介质 | |
CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
CN115859789A (zh) | 一种提高极地大气温度廓线反演精度的方法 | |
CN116879192B (zh) | 基于卫星遥感数据的水华预测方法、装置、设备及介质 | |
CN111951204B (zh) | 一种基于深度学习的天宫二号探测数据海面风速反演方法 | |
CN116628442B (zh) | 一种基于人工神经网络的地下水储量变化空间降尺度方法 | |
CN117371303A (zh) | 一种海浪下有效波高的预测方法 | |
CN114169646B (zh) | 水华预测方法、装置、电子设备及计算机可读存储介质 | |
CN117037450A (zh) | 一种智能化打桩船的环境预警方法、装置、设备及介质 | |
CN115062526B (zh) | 基于深度学习的三维电离层电子浓度分布模型训练方法 | |
CN110852415A (zh) | 基于神经网络算法的植被指数预测方法、***及设备 | |
Turgeon-Pelchat et al. | Deep Learning-Based Classification of Large-Scale Airborne LiDAR Point Cloud | |
CN110851789B (zh) | 基于极端梯度提升的岛礁浅海水深预测方法 | |
CN113657416B (zh) | 一种基于改进的深度神经网络的深海声源测距方法及*** |
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 |