一种基于全波形激光雷达数据的隐蔽目标提取方法
阅读：1014发布：2020-07-19
专利汇可以提供一种基于全波形激光雷达数据的隐蔽目标提取方法专利检索，专利查询，专利分析的服务。并且一种基于全 波形 激光雷达 数据的隐蔽目标提取方法，包括：对全波形激光雷达的回波波形进行顾及遗失组分的波形分解，获得组分参数；根据所述波形分解得到的各组分参数分别提取波形特征；基于 深度学习 的方式对提取的波形特征进行选择；根据选择的波形特征，采用空间统计分析对隐蔽目标区域进行探测和分割，得到疑似隐蔽目标；以及对所述疑似隐蔽目标进行识别。，下面是一种基于全波形激光雷达数据的隐蔽目标提取方法专利的具体信息内容。
1.一种基于全波形激光雷达数据的隐蔽目标提取方法，其特征在于，包括：
对全波形激光雷达的回波波形进行顾及遗失组分的波形分解，获得组分参数；
根据所述波形分解得到的各组分参数分别提取波形特征；
基于深度学习的方式对提取的波形特征进行选择；
根据选择的波形特征，采用空间统计分析对隐蔽目标区域进行探测和分割，得到疑似隐蔽目标；以及
对所述疑似隐蔽目标进行识别。
2.根据权利要求1所述的隐蔽目标提取方法，其特征在于，所述对全波形激光雷达的回波波形进行顾及遗失组分的波形分解，获得组分参数的步骤包括：
将回波波形建模为广义高斯函数，获取广义高斯函数的初始参数值；
基于所述初始参数值对回波波形进行广义高斯分解；以及
基于广义高斯分解的结果判断是否存在遗失组分，如果有遗失组分，估计新的组分数，重新执行获取广义高斯函数的初始参数值及广义高斯分解步骤，否则波形分解完成，得到组分参数。
3.根据权利要求2所述的隐蔽目标提取方法，其特征在于，利用期望最大化算法及广义高斯有限混合模型对回波波形进行广义高斯分解。
4.根据权利要求1所述的隐蔽目标提取方法，其特征在于，所述根据选择的波形特征，采用空间统计分析对隐蔽目标区域进行探测和分割，得到疑似隐蔽目标的步骤包括：
根据所述选择的波形特征，利用空间统计分析，基于自相关G系数及回波率探测隐蔽目标区域；以及
采用对点云数据进行聚类的方式对隐蔽目标区域进行分割，得到疑似隐蔽目标。
5.根据权利要求4所述的隐蔽目标提取方法，第i个点的自相关G系数为：
其中，xj表示第j个点的组分数索引，d为距离，Wij(d)是i，j点之间的距离权值。
6.根据权利要求1所述隐蔽目标提取方法，其特征在于，对全波形激光雷达的回波波形进行顾及遗失组分的波形分解之前还包括：
对全波形激光雷达的回波波形进行去噪。
7.根据权利要求1至6中任一所述的隐蔽目标提取方法，其特征在于，对所述疑似隐蔽目标进行识别包括：
识别过程的训练阶段，用于实现对疑似隐蔽目标的训练；
识别过程的识别阶段，用于对疑似隐蔽目标进行识别。
8.根据权利要求7所述的隐蔽目标提取方法，其特征在于，所述识别过程的训练阶段包括：
收集各类已知隐蔽目标的全波形点云数据，统计其波形特征的均值、方差和最大最小值，计算VFH描述子，作为样本；
保存各样本的全波形点云数据为点云特征文件，并建立样本库；
遍历样本库中样本的点云特征文件，建立KD-tree并将其保存，实现对所述疑似隐蔽目标的训练，完成训练过程。
9.根据权利要求8所述的隐蔽目标提取方法，其特征在于，所述识别过程的识别阶段包括：
加载所述样本库，读取KD-tree并重建索引；
基于步骤E得到的目标分割结果，将每个分割得到的点云数据子集作为待识别目标，统计相应波形特征的均值、方差和最大最小值，计算VFH描述子；
利用待识别目标的波形特征和VFH描述子在所述KD-tree进行近邻搜索，计算样本与待识别目标之间的距离；
判断样本与待识别目标之间距离的最小值是否小于给定的距离阈值，如果小于阈值，则识别其为所要提取的隐蔽目标；否则，识别其非隐蔽目标，输出识别结果。
10.根据权利要求1至6中任一所述的隐蔽目标提取方法，其特征在于，所述提取的波形特征为距离、强度、波形宽度、后向散射截面、波形起点位置和波形终点位置、波形长度、波形质心位置、波形能量高度的四分量中的一个或多个。
11.根据权利要求6所述的隐蔽目标提取方法，其特征在于，采用λ/μ滤波算法对全波形激光雷达的回波波形进行去噪。
一种基于全波形激光雷达数据的隐蔽目标提取方法
技术领域
[0001] 本发明涉及激光雷达探测技术领域，具体涉及一种基于全波形激光雷达数据的隐蔽目标提取方法。
背景技术
[0002] 对隐蔽目标的信息提取长久以来一直是目标探测和识别领域中重点关注的方向，无论是在民用还是军用上都具有广阔的应用前景，尤以植被覆盖条件下的隐蔽目标提取是亟待解决的研究课题。探测并提取隐蔽在植被下的汽车类目标、道路、管道等人工地物，能为应急减灾、环境监测、城市安全管理等社会生活领域提供及时可靠的决策支持。
[0003] 传统基于二维成像探测手段在一定条件下可实现对部分隐蔽目标的提取，但仍存在许多不足，比如受到其探测机理的局限性，传统光学成像不易获取遮蔽条件下的目标，而超宽带合成孔径雷达(SAR，Synthetic Aperture Radar)受杂波干扰大带来数据处理难度大等。激光雷达(LiDAR，Light Detection And Ranging)技术是近年来飞速发展的一项快速获取地表三维空间信息的遥感技术，能够穿透树林植被、伪装网等遮蔽物，进一步获取隐蔽目标的回波信息，对隐蔽目标的信息提取有其独特的优势。
[0004] 目前基于激光雷达进行隐蔽目标提取主要是使用了多回波激光雷达和偏振激光雷达等。多回波激光雷达采用单视角或多角度激光雷达数据融合来实现隐蔽目标提取，多回波激光雷达的不足之处在于仅顾及了点云的距离信息，采用多角度观测融合数据虽然可以有效避免单视角观测条件下的数据缺失问题，但需对目标进行多次观测、耗时较长，通过数据配准、检测算法才能识别出遮蔽目标。偏振激光雷达将对比度较高偏振度图像与强度图像、距离图像等融合来提取隐蔽目标，但需对激光雷达系统进行特殊设计，并测量一定数量目标的偏振度作为先验知识。
发明内容
[0005] 鉴于上述技术问题，为了克服上述现有技术的不足，本发明提出了一种基于全波形激光雷达数据的隐蔽目标提取方法。
[0006] 根据本发明的一个方面，提供了一种基于全波形激光雷达数据的隐蔽目标提取方法，包括：对全波形激光雷达的回波波形进行顾及遗失组分的波形分解，获得组分参数；根据所述波形分解得到的各组分参数分别提取波形特征；基于深度学习的方式对提取的波形特征进行选择；根据选择的波形特征，采用空间统计分析对隐蔽目标区域进行探测和分割，得到疑似隐蔽目标；以及对所述疑似隐蔽目标进行识别。
[0007] 从上述技术方案可以看出，本发明具有以下有益效果：
[0008] (1)采用全波形激光雷达回波数据进行波形分解，提取波形特征，再基于深度学习进行波形特征选择，结合空间统计分析等算法实现植被覆盖条件下的隐蔽目标探测与信息提取；
[0009] (2)采用改进的λ/μ滤波算法对回波波形进行去噪，滤波效果好；
[0012] 图2为图1中步骤B的具体流程图；
[0013] 图3为图1中步骤E的具体流程图。
具体实施方式
[0014] 相比于上述多回波激光雷达和偏振激光雷达，全波形激光雷达回波数据是将后向散射回波强度值按一定量化级别数字化后并以较小采样时间间隔记录的一维时序信号，本质上是激光束传播方向上地物的各次回波信息的叠加，包含的信息量丰富，尤其是在植被覆盖条件下的隐蔽目标提取等方面的优势明显。通过对全波形激光雷达回波波形进行处理，能获得不同目标反射的回波组分，一方面在一定程度上增加了原始点云数量，另一方面可进一步获得目标回波强度、波宽、后向散射截面等组分的波形特征，用于实现对不同目标的探测和信息提取。全波形激光雷达是一种有望解决植被覆盖条件下的隐蔽目标提取难题的更为有利的技术手段。基于上述，本发明提供了一种基于全波形激光雷达数据的隐蔽目标提取方法。
[0015] 本发明某些实施例于后方将参照所附附图做更全面性地描述，其中一些但并非全部的实施例将被示出。实际上，本发明的各种实施例可以许多不同形式实现，而不应被解释为限于此处所阐述的实施例；相对地，提供这些实施例使得本发明满足适用的法律要求。
[0016] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
[0017] 本发明基于全波形激光雷达数据，提供一种多波形特征融合的隐蔽目标提取方法，解决现有技术中植被覆盖条件下的弱信息量隐蔽目标难以提取的瓶颈问题。该方法有望在城市安全管理、应急减灾、环境监测、森林垂直结构探测等领域得到广泛的发展与应用。
[0018] 本发明实施例是基于全波形激光雷达回波数据进行波形分解，提取波形特征，再基于深度学习挖掘利于典型隐蔽目标提取的波形特征，进一步结合空间统计分析、空间索引、机器学习等算法实现植被覆盖条件下的隐蔽目标探测与信息提取。如图1所示，包括以下步骤：
[0019] 步骤A：对全波形激光雷达的回波波形进行去噪；
[0020] 全波形激光雷达回波数据包含有随机噪声，在波形分解前需要对每个回波波形进行噪声的估计和滤除。
[0021] 本发明采用改进的λ/μ滤波算法对回波波形进行去噪，考虑不同地物目标对激光雷达发射脉冲反射的回波波形信号各有特点，结合全波形激光雷达发射脉冲的波形宽度、幅值等，并针对改进的λ/μ滤波算法优化设计合理的滤波模型，以此取得较好的滤波效果，具体地：
[0022] 当迭代次数是奇数时，
[0023]
[0024] 当迭代次数是偶数时，
[0025]
[0026] 式中，xi表示滤波前的波形数据，x′i表示滤波后的波形数据，i*表示点i的邻域，与发射脉冲的宽度有关，j是i邻域内的点，λ和μ表示比例因子，0＜λ＜1，μ＜0，μ＜-λ；wij表示xj对xi的影响系数，可以直接取邻域内点数的倒数。
[0027] 当奇数次迭代时用式(1)，当偶数次迭代时用式(2)，当达到设定的迭代次数时，停止迭代，通过这种收缩扩展的方式，在滤除噪声点的同时有效保持了原始数据的特征信息。
[0028] 步骤B：对去噪后的回波波形进行顾及遗失组分的分解，得到组分参数；
[0029] 如图2所示，将去噪后的全波形回波建模为广义高斯函数，并对波形进行分解，具体地，包括以下步骤：
[0030] 子步骤B1：获取广义高斯函数的初始参数值。
[0031] 在波形分解过程中，需要用初始参数值对波形分解算法进行驱动。初始参数值的获取主要包括回波波形中的组分数估计和组分探测。组分数估计完成回波中的组分个数的确定，组分探测则完成各个组分的模型参数的初始确定。将高斯拐点匹配法与一阶导数零交叉法结合，在确定高斯分量的拐点和零点后，可以反推出高斯分量的位置参数、尺度参数以及幅值，从而确定高斯分量的初始参数值，具体地：
[0032] 由高斯函数性质可知，一个高斯函数由两个拐点唯一确定，基于此，通过判断回波波形中拐点个数，可以确定回波波形中所含的高斯分量的个数，当波形数据上的点满足F(xk)＝(xk-2+xk-2xk-1)(xk-1+xk+1-2xk)＜0时，该点就是拐点。其中，F(xk)为判别函数，xk为波形数据上点的值，k＝1，2，3......n，n为波形总点数。
[0033] 计算检测出的拐点及其右边第一个点的直线的斜率，如果直线斜率大于零，则该拐点为左拐点，如果直线斜率小于零，则该拐点为右拐点。由于噪声和波形叠加的影响，所以实测波形数据并不是标准高斯函数，其左右拐点也就不可能对称，因此本发明结合一阶倒数零交叉法来求取高斯分量的初始值。高斯分量的峰值处倒数为0，求取回波的一阶倒数，倒数为0的点的位置即为高斯分量峰值处的位置，再结合峰值位置处最近的左右拐点，可以估计初始参数值。
[0034] 将峰值作为高斯分量的峰值A。峰值点位置作为高斯分量的位置信息μ，尺度参数σ可以表示为：
[0035] σ＝max(μ-μ左，μ右-μ) (3)
[0036] 其中，μ左为左拐点位置，μ右为右拐点位置。
[0037] 子步骤B2：基于所述初始参数值，对去噪后的回波波形进行广义高斯分解；
[0038] 利用期望最大化算法(EM，Expectation Maximum algorithm)思想并结合广义高斯有限混合模型(FMM，Finite Mixed Method)实现增强组分探测的波形分解。对于回波波形中的组分探测，采用将回波波形中的各组分建模为以广义高斯函数为核函数的有限混合模型。假设X＝[X1，X2，…，Xd]T为d维空间中的独立同分布随机变量，包括了M个有限组分。如果x＝[x1，x2，…，xn]T是X的一个样本，则X的概率密度函数为：
[0039]
[0040] 且有： 其中(π1，π2，…πM，θ1，θ2，...θM)是参数向量，θj是密度函数fj的参数，M是组分数，πj是各组分的权。
[0041] 利用初始化的广义高斯有限混合模型，基于EM算法自迭代对广义高斯混合模型中的各个参数进行更新。
[0042] 子步骤B3：基于广义高斯分解的结果判断是否存在遗失组分，如果有遗失组分，估计新的组分数，重新执行步骤B1和B2，否则波形分解完成，得到组分参数；
[0043] 由于未被探测到的组分将不会被分解以至带来弱信息丢失，进一步联合列文伯格-马夸尔特算法(LM，Levenberg-Marquart algorithm)和最小惩罚距离匹配(PMMD，Penalized Minimum Matching Distance)综合进行自迭代判断波形拟合结果，确定是否有遗失组分。
[0044] 当混合模型中的组分数目过大，即出现“过拟合”时，某些混合分量的权πj就变小，这时π1π2…πM也就变小。可定义惩罚项 相似距离项其中Pem(x(i))是用期望最大化算法估计的样
本x(i)的混合概率密度，Pparzen(x(i))是用Parzen窗口法估计的样本x(i)的概率密度。且有：
其中核函数为广义高斯函数，即有：
本x(i)的混合概率密度，Pparzen(x(i))是用Parzen窗口法估计的样本x(i)的概率密度。且有：
其中核函数为广义高斯函数，即有：
[0045]
[0046] 得到的惩罚性最小匹配距离：
[0047] Ψ＝δ+λpen (6)
[0048] 当过拟合时，λpen会显著变大；当欠拟合时，Pem和Pparzen欠匹配，δ也会很大，二者都会导致距离Ψ变大。在通过选择最小的距离Ψ值来确定混合模型中组分数M时，过大值M和*过小的M都会被惩罚，从而估计出正确的组分数M。
[0049] (1)用parzen窗方法估计单次脉冲中各采样点处强度的概率密度；
[0050] (2)基于概率密度，计算最优的单分量混合模型h1；
[0051] (3)寻找最优新分量φ(x；θ*)和相应的混合权重α*；
[0052]
[0053] (4)计算hm+1(x)＝(1-α*)hm(x)+α*φ(x；θ*)，m＝m+1；
[0054] (5)采用期望最大化算法更新hm直到收敛；
[0055] (6)计算δ，λpenalty，ψ；
[0056] (7)如果Ψ(m)＞Ψ(m-1)，且m大于设定阈值时停止，否则回到第(3)步。
[0057] 若存在遗失部分，则判断遗失组分的数目和位置，再次输入组分探测中获取模型初始参数值，基于已经分解得到的参数和对遗失组分的判断，将这些参数和遗失组分信息作为下一次分解的初始参数，并重新进行波形分解步骤，直到再次分解结束，判定没有遗失组分后为止。
[0058] 若不存在遗失部分，则得到顾及遗失组分探测的波形分解后的组分参数{Ak，μk，σk}k＝1，2，3......M，M为组分个数。
[0059] 步骤C：根据所述波形分解得到的各组分参数分别提取波形特征；
[0060] 由步骤B中确定的各组分参数，根据波形特征定义可以求得相应的波形特征，提取的波形特征包括距离、强度、波形宽度、后向散射截面、波形起点位置和波形终点位置、波形长度(波形起始点到结束点的距离)、波形质心位置、波形能量高度的四分量(25％、50％、75％和100％)、波形起始角度、波形偏态、波形峰态和组分数等。
[0061] 为了保障波形特征参数在后续应用中的精度，必须消除激光发射脉冲、激光发射角、扫描几何以及植被区域的地形坡度等因素的影响，并对激光雷达回波的特征参数进行综合校正。
[0062] 步骤D：基于深度学习对步骤C提取的波形特征进行选择，得到适用于隐蔽目标提取的波形特征；
[0063] 各个回波的波形特征对不同的地物目标区分能力不同，而且各个特征之间会存在一定的相关性，导致特征冗余，影响植被覆盖条件下隐蔽目标的识别精度，所以在进行隐蔽目标识别之前需要对不同的提取得到的波形特征进行选择。
[0064] 本发明实施例借鉴现有图像处理领域热点研究的深度学习方法，创新性引入深度学习进行波形特征的选取，构建多维特征向量从而实现高精度隐蔽目标识别。相比于费时费力的人工选取特征方式，深度学习通过构建具有多个隐层的机器学习模型，能从海量的训练数据中学习更有用的特征，从而最终提升分类或识别的精度。
[0065] 典型的深度学习模型有卷积神经网络(convolutional neural network)、深度信任网络(deep belief network，DBN)和堆栈自编码网络(stack auto-encoder network)。本发明实施例将基于卷积神经网络来进行特征的选择。
[0066] 步骤E：基于步骤D选择的波形特征，采用空间统计分析对隐蔽目标区域进行探测和分割，获得疑似隐蔽目标；
[0067] 相比于可以直接观察到的裸露目标，隐藏于植被覆盖条件下的地物目标需要细分到小区域才能判断观察，本发明实施例采用空间统计分析进行隐蔽目标区域探测，如图3所示，具体包括以下步骤：
[0068] 子步骤E1：基于选择的波形特征，利用空间统计分析探测隐蔽目标区域；
[0069] 利用植被覆盖条件下隐蔽目标的组分数高值聚集的特点，引入空间统计分析的自相关G系数并结合回波率，探测隐蔽目标区域，第i点的G系数的计算公式如下：
[0070]
[0071] 式中，xj表示第j个点的组分数索引，d为距离，Wij(d)是i，j点之间的距离权值。对G系数进行标准化：
[0072]
[0073] 当Z(Gi)值为显著的正值时表示在该区域单元周围，高观测值的区域单元趋于空间集聚，而显著的负值表示低观测值的区域单元趋于空间集聚。
[0074] 回波率的计算公式为：ER＝n3D/n2D·100％
[0075] 其中，n3D就是以某一点云为中心，半径为R的球体内的点云数量，n2D是半径为R的柱体内的点云。R的值根据经验值并结合点云密度来进行确定，植被区域的回波率值比较低。
[0076] G系数可以用来提取出较大面积的树木区域，回波率则能对树木边缘进行良好的提取。
[0077] 子步骤E2：对隐蔽目标区域进行分割，获得疑似隐蔽目标。
[0078] 联合隐蔽目标所在区域的高程分布情况，对隐蔽目标高程区域数据进行聚类分割，实现单个隐蔽目标的探测，得到疑似隐蔽目标的点云数据，为后续目标识别提供数据基础。
[0079] 为了将点云数据中的目标进行分割，将波形特征组合设置成特征向量，计算不同点之间特征向量的距离，将特征空间中一定距离范围内的点归为一类，从而将点云数据中的不同类的地物目标进行聚类分割。本专利使用最近邻查询进行目标分割，即给定点p以及查询范围d(d取1.5倍平均点间距)，报告以p为中心，d为半径的球体范围内的所有点。
[0080] 利用KD-tree按照点的特征向量的距离对候选点进行聚类，具体过程是：
[0081] 1)将隐蔽目标所在高程范围内点云数据作为待聚类的点云数据集Point；
[0082] 2)从点云数据集Point中取出一点p，建立新的点集class，并将p放入其中；
[0083] 3)搜索点p的邻域点并放入class中；
[0084] 4)对class中新出现的点，逐一搜索其邻域点，将不重复的都放入class中；
[0085] 5)重复4)直到class中没有新的点出现；
[0086] 6)如果class中的点个数超过一定的阈值，则从点集Point将这些点取出并另存为一类点；
[0087] 7)重复2)到6)直到Point为空。
[0088] 聚类完成即实现对隐蔽目标区域内目标的分割，得到疑似隐蔽目标的点云数据，即获得疑似隐蔽目标。
[0089] 步骤F：对步骤E得到的疑似隐蔽目标进行识别。
[0090] 为了更有效地识别隐蔽目标，使用基于深度学习选择的波形特征进行多元信息融合，鉴于视点特征直方图(Viewpoint Feature Histogram，VFH)描述子是非常强大的三维点云特征描述子之一，本发明实施例结合波形特征和VFH描述子进行隐蔽目标的识别。
[0091] 识别过程可以分为训练阶段和识别阶段。具体包括：
[0092] 子步骤F1：识别过程的训练阶段；
[0093] (1)收集各类隐蔽目标的全波形点云数据，统计其波形特征的均值、方差、最大最小值，计算VFH描述子，作为样本；
[0094] (2)保存各样本的全波形点云数据为点云特征文件，并加入样本库；
[0095] (3)遍历样本库中样本的点云特征文件，基于此建立KD-tree并将其保存方便后续使用。
[0096] 子步骤F2：识别过程的识别阶段；
[0097] 基于隐蔽目标区域探测和聚类分割得到的结果，将每个疑似隐蔽目标点云子集作为待识别隐蔽目标，计算其波形特征和VFH描述子并构建多维特征向量，基于建立的KD-tree索引结构和特征向量距离阈值法识别隐蔽目标，具体地步骤如下所示：
[0098] (1)加载样本库，读取KD-tree并重建索引；
[0099] (2)基于前述目标分割结果，将每个分割得到的点云子集作为待识别目标，统计波形特征的均值、方差和最大最小值，计算VFH描述子；
[0100] (3)利用待识别目标的波形特征和VFH描述子在上面建立的KD树进行近邻搜索，计算样本与待识别目标之间的距离；
[0101] 具体的，对待识别的目标也计算波形特征的均值，方差、最大值和最小值，VFH描述子，计算样本的这些值与待识别目标的这些值之间的距离。
[0102] (4)判断样本数据特征与待识别目标的特征之间距离的最小值是否小于给定的距离阈值，如果小于阈值，则识别其为所要提取的隐蔽目标；否则，识别其为非隐蔽目标，最后输出识别结果。
[0103] 至此，本发明实施例介绍完毕。
[0104] 需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对方法的定义并不仅限于实施例中提到的各种具体方式，本领域普通技术人员可对其进行简单地更改或替换，例如：
[0105] (1)除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。
[0106] (2)深度学习所使用的卷积神经网络也可以用深度信任网络等其他深度学习方式进行替换。
[0107] 以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，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，均应包含在本发明的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于主动采样和高斯混合模型的图像超分辨重建方法 | 2020-05-08 | 533 |
| 一种多重不确定性的水库调度规则提取方法及系统 | 2020-05-11 | 735 |
| 一种基于WiFi多维参数特征的室内目标被动跟踪方法 | 2020-05-12 | 542 |
| 非临床环境下对高血压进行非干预式的监测和评估方法 | 2020-05-08 | 179 |
| 一种基于贝叶斯模型的SRAM电路良率分析方法 | 2020-05-15 | 910 |
| 具有透镜天线阵的MIMO系统的稀疏信道估计方法 | 2020-05-18 | 260 |
| 毫米波大规模MIMO系统的波束空间信道估计方法 | 2020-05-20 | 395 |
| 基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法 | 2020-05-17 | 342 |
| 基于关键点检测网络和空间约束混合模型的海水区域检测方法 | 2020-05-20 | 73 |
| 基于先验估计网络和空间约束混合模型的海面障碍物检测方法 | 2020-05-21 | 762 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈