集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘柼卣魈崛∧Ｐ?/h1>
2022-09-01 02:29:32李彬丁國斌
微型電腦應(yīng)用 2022年8期
李彬, 丁國斌
(1.南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司，廣東，廣州 510663；2.廣州致訊信息科技有限責(zé)任公司，廣東，廣州 510700)
0 引言
無人機(jī)需求數(shù)量增長迅猛，集群無人機(jī)的區(qū)域?qū)Ш揭殉蔀闊狳c[1]。因此，傳統(tǒng)的信號提取方法已經(jīng)無法解決無人機(jī)在區(qū)域?qū)Ш竭^程中面臨的復(fù)雜問題[2]。目前國內(nèi)研究人員著重于研究簡單高效的信號特征提取模型。
其中，胡橋等[3]提出基于提升小波包變換集成特征提取模型構(gòu)建方法。該方法構(gòu)建了適于在線提取的信號特征參數(shù)體系。依據(jù)小波包變換的性質(zhì)對特征提取與消除波動進(jìn)行分解重構(gòu)，建立信號的集成特征提取模型。但由于在獲取定位信號時沒有對集群無人機(jī)區(qū)域?qū)Ш降碾S機(jī)噪聲與濾波進(jìn)行改善所以導(dǎo)致構(gòu)建模型時花費時間長、構(gòu)建效率低。雷良金等[4]提出基于徑向基函數(shù)的定位信號特征提取模型構(gòu)建方法。該方法對信號進(jìn)行檢測分析，建立二維有限模型采集不同速度下的信號，將信號輸入RBI網(wǎng)絡(luò)內(nèi)，構(gòu)建信號的特征提取模型。該模型在獲取定位信號時沒有運用算法對區(qū)域?qū)Ш街卸嗄繕?biāo)和概率的密度進(jìn)行計算，導(dǎo)致構(gòu)建特征提取模型的構(gòu)建時間長，特征提取不準(zhǔn)確率。丘愷彬等[5]提出基于梅爾頻率倒普系數(shù)的特征提取模型構(gòu)建方法。該方法根據(jù)梅爾頻率的倒普系數(shù)對信號進(jìn)行提取，依據(jù)主成分分析法對特征集進(jìn)行融合，利用分類器構(gòu)建信號特征提取模型。由于在獲取定位信號時沒有運用GM-CBMeMBer算法進(jìn)行高斯項的剪枝合并，導(dǎo)致該模型在進(jìn)行特征提取時的識別率差。
為解決集群無人機(jī)區(qū)域?qū)Ш街须S機(jī)干擾與統(tǒng)計特性未知、查找信號困難等問題[6]，研究利用GM-CBMeMBer算法特征提取模型集群，利用高斯項剪枝合并，高效提取特征提取模型，有效解決提取時間長，提取不準(zhǔn)確的問題。
1 獲取定位信號
1.1 GM-CBMeMBer算法
利用GM-CBMeMBer算法的衰減因子對Kalman濾波器進(jìn)行改善，對無人機(jī)區(qū)域?qū)Ш街械脑肼曌兓M(jìn)行實時動態(tài)調(diào)整，抑制濾波器發(fā)散。采用高斯項的剪枝合并技術(shù)精確獲取集群無人機(jī)區(qū)域?qū)Ш街械亩ㄎ恍盘枴?/p>
圖1 GM-CBMeMBer算法流程圖
1.2 具體獲取信號過程
利用GM-CBMeMBer算法計算區(qū)域?qū)Ш街须S機(jī)噪聲的大小，聯(lián)合剪枝合并技術(shù)，精準(zhǔn)獲取區(qū)域?qū)Ш街械亩ㄎ恍盘朳7]。
具體過程如下。
根據(jù)誤差協(xié)方差與新息協(xié)方差，可知：
(1)
(2)
其中，Yi為區(qū)域?qū)Ш街械男孪⑾蛄浚薻-1為導(dǎo)航中時刻k-1的衰減因子。導(dǎo)航中αk的值如下式表示：
(3)
(4)
由結(jié)果可知，αk的新息協(xié)方差變化由λk的誤差協(xié)方差的影響造成的。集群無人機(jī)區(qū)域?qū)Ш街腥笔У男畔⒖梢酝ㄟ^對誤差協(xié)方差的擴(kuò)大來實現(xiàn)。過程如下式:
(5)
根據(jù)最終獲取的新息協(xié)方差以及衰減因子對濾波進(jìn)行簡單計算獲得集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘枴?/p>
1.3 剪枝處理
將高斯項數(shù)目加以限制，控制導(dǎo)航過程中濾波數(shù)目的無限制增加，在更新流程之后對計算結(jié)果進(jìn)行剪枝合并處理，過程如下。
(1)設(shè)定高斯項數(shù)目的最大限值Tmax，去掉多余高斯項數(shù)目，以此限制高斯項的無限制增加。
(2)設(shè)定集群無人機(jī)區(qū)域?qū)Ш降暮桔E門限值T_threshold并刪除導(dǎo)航過程中存在概率小于T_threshold的假設(shè)航跡。
(3)設(shè)定構(gòu)建集群無人機(jī)區(qū)域?qū)Ш降母咚鬼楅T限elim_threshold，保留大權(quán)值的高斯項，相近或相同的高斯項取平均值。對改善后的濾波進(jìn)行簡單計算，以此獲取集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘枴?/p>
2 獲取特征提取模型
2.1 Fisher準(zhǔn)則
利用Fisher準(zhǔn)則中的Foley-Sammon鑒別變換準(zhǔn)則對無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘栠M(jìn)行特征提取模型。
觀察獲取的無人機(jī)區(qū)域?qū)Ш蕉ㄎ恍盘柌⑵渑帕袨橐粚捚椒€(wěn)的隨機(jī)時間序列，用下式來擬合:
(6)
其中，N為定位信號的樣本點數(shù)，ai為定位信號的待定參數(shù)模型,p為定位信號模型階數(shù),αt為殘差,且測定的定位信號樣本數(shù)據(jù)xt均已作為均值歸零處理。
獲取區(qū)域?qū)Ш街卸ㄎ恍盘栃蛄械墓β首V。
2.2 特征壓縮
將特征矢量從高維投影到鑒別矢量上，以此構(gòu)建低維特征空間，讓集群無人機(jī)區(qū)域?qū)Ш蕉ㄎ恍盘柕奶卣髯R別在低維中進(jìn)行。利用Fisher準(zhǔn)則對集群無人機(jī)區(qū)域?qū)Ш蕉ㄎ恍盘柕奶卣鬟M(jìn)行降維、壓縮，最終得到集群無人機(jī)區(qū)域?qū)Ш蕉ㄎ恍盘柕奶卣魈崛∧Ｐ汀?/p>
具體過程如下。
設(shè)SB為無人機(jī)區(qū)域?qū)Ш蕉ㄎ恍盘柕哪繕?biāo)項散射矩陣，SW則為總目標(biāo)中的類別散射矩陣。Ami為AR模型中i類目標(biāo)，在集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘栠M(jìn)行模型提取中，分別為
(7)
2.3 提取模型
運用Rayleigh的商，Lagrange乘子法求解極大值點，使其分母等于一個非零常數(shù)α，Lagrange函數(shù)則為
L(W,λ)=WTSBW-λ(WTSWW-α)
(8)
其中，λ是Lagrange函數(shù)的乘子。
求解L(W,λ)的極值問題，在偏導(dǎo)為零的情況下，W偏導(dǎo)為
SBW=λSWW
(9)
通過預(yù)期中定位信號的c-1個最佳鑒別矢量，對應(yīng)較大的c-1特征值的特征向量進(jìn)行求解，過程如下式:
(SB-λiSW)Wi=0
(10)
求解后，獲取的構(gòu)成定位信號中c-1維的最佳辨識矢量空間W，則：
W={W1,W2,…,Wc-1}
(11)
將W空間中的每個Wi軸與Ami作正交投影，得到定位信號的特征提取模型:
Tmi=WTAmi
(12)
由c-1維的列矢量構(gòu)成Tmi，最終得到低維的有效特征矢量，以此構(gòu)建集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘柼卣魈崛∧Ｐ汀?/p>
3 實驗
為了驗證集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘柼卣魈崛∧Ｐ蜆?gòu)建方法的整體有效性，對此方法進(jìn)行測試。實驗環(huán)境：采用的操作系統(tǒng)為Windows7，CPU為Pentium(R)Dual-Core，無人機(jī)型號為大疆精靈phantom3。
分別采用基于GM-CBMeMBer算法的集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘柼卣魈崛∧Ｐ蜆?gòu)建方法(方法1)、基于提升小波包變換集成特征提取模型構(gòu)建方法(方法2)以及基于徑向基函數(shù)的定位信號特征提取模型構(gòu)建方法(方法3)進(jìn)行測試。
(1)利用同一型號的無人機(jī)進(jìn)行測試，測試結(jié)果如圖2所示。
圖2 信號特征提取模型構(gòu)建時間測試結(jié)果
由圖2可知，方法1雖然在測試初期構(gòu)建模型時間高于方法3，但是隨著測試次數(shù)的增多模型構(gòu)建時間逐漸低于方法2和方法3。主要由于方法1利用了GM-CBMeMBer算法，在集群無人機(jī)區(qū)域?qū)Ш竭^程中通過計算獲取更新后的新息協(xié)方差與衰減因子，并及時對信號進(jìn)行查找，以此獲取定位信號。該算法簡化了算法過程、縮短了模型的構(gòu)建時間。
(2)依據(jù)相同的無人機(jī)型號，對三種特征提取模型的精準(zhǔn)度進(jìn)行測試，測試結(jié)果如圖3所示。
圖3 特征提取方法的精準(zhǔn)度測試結(jié)果
由圖3可知，方法1的精準(zhǔn)度測試更穩(wěn)定。因為方法1在集群無人機(jī)區(qū)域?qū)Ш綍r對濾波進(jìn)行了高斯項剪枝合并處理，抑制了濾波發(fā)散，提高了濾波精度，獲取的信號精度也隨之提高。所以在構(gòu)建定位信號特征提取模型時使用的時間短，特征提取的精準(zhǔn)度高。
(3)依據(jù)上述測試結(jié)果對三種方法的識別率進(jìn)行測試，測試結(jié)果如圖4所示。
圖4 特征提取模型的識別率測試結(jié)果
由圖4可知，方法1的識別率優(yōu)于方法2與方法3，使模型的識別率平穩(wěn)保持在75%。方法2的識別率在測試前期要高于方法1，但隨著測試的次數(shù)增加方法2的識別率快速下降，測試效果較差。利用方法1可以獲得高精度的定位信號，再以此為基礎(chǔ)進(jìn)行特征壓縮獲得特征提取模型，縮減構(gòu)建模型時間的同時提高模型的識別率，提高效率。
4 總結(jié)
本文提出基于GM-CBMeMBer算法的集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘柼卣魈崛∧Ｐ蜆?gòu)建方法，該方法在集群無人機(jī)區(qū)域?qū)Ш綍r以GM-CBMeMBer算法為基礎(chǔ)對導(dǎo)航中的濾波進(jìn)行改善，計算衰減因子與新息協(xié)方差并對結(jié)果進(jìn)行高斯項的剪枝合并處理，獲取定位信號進(jìn)行特征壓縮，以此構(gòu)建集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘柼卣魈崛∧Ｐ汀？s短構(gòu)建模型的時間，增加特征提取的精準(zhǔn)度和定位信號的識別率。
猜你喜歡
信號鴨綠江(2021年35期)2021-04-19 12:24:18 完形填空二則考試與評價·高一版(2020年6期)2020-11-02 02:45:24 基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究電子制作(2019年15期)2019-08-27 01:12:00 基于FPGA的多功能信號發(fā)生器的設(shè)計電子制作(2018年11期)2018-08-04 03:25:42 一種基于LBP 特征提取和稀疏表示的肝病識別算法中國生物醫(yī)學(xué)工程學(xué)報(2017年6期)2017-02-10 05:11:45 關(guān)于四色猜想中國科技博覽(2016年2期)2016-04-25 20:32:39 分區(qū)域小學(xué)生導(dǎo)刊(2016年34期)2016-04-11 00:49:44 基于LabVIEW的力加載信號采集與PID控制鑿巖機(jī)械氣動工具(2016年3期)2016-03-01 04:00:25 基于嚴(yán)重區(qū)域的多PCC點暫降頻次估計電測與儀表(2015年5期)2015-04-09 11:30:52 基于MED和循環(huán)域解調(diào)的多故障特征提取噪聲與振動控制(2015年4期)2015-01-01 07:08:21
李彬, 丁國斌
(1.南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司，廣東，廣州 510663；2.廣州致訊信息科技有限責(zé)任公司，廣東，廣州 510700)
0 引言
無人機(jī)需求數(shù)量增長迅猛，集群無人機(jī)的區(qū)域?qū)Ш揭殉蔀闊狳c[1]。因此，傳統(tǒng)的信號提取方法已經(jīng)無法解決無人機(jī)在區(qū)域?qū)Ш竭^程中面臨的復(fù)雜問題[2]。目前國內(nèi)研究人員著重于研究簡單高效的信號特征提取模型。
其中，胡橋等[3]提出基于提升小波包變換集成特征提取模型構(gòu)建方法。該方法構(gòu)建了適于在線提取的信號特征參數(shù)體系。依據(jù)小波包變換的性質(zhì)對特征提取與消除波動進(jìn)行分解重構(gòu)，建立信號的集成特征提取模型。但由于在獲取定位信號時沒有對集群無人機(jī)區(qū)域?qū)Ш降碾S機(jī)噪聲與濾波進(jìn)行改善所以導(dǎo)致構(gòu)建模型時花費時間長、構(gòu)建效率低。雷良金等[4]提出基于徑向基函數(shù)的定位信號特征提取模型構(gòu)建方法。該方法對信號進(jìn)行檢測分析，建立二維有限模型采集不同速度下的信號，將信號輸入RBI網(wǎng)絡(luò)內(nèi)，構(gòu)建信號的特征提取模型。該模型在獲取定位信號時沒有運用算法對區(qū)域?qū)Ш街卸嗄繕?biāo)和概率的密度進(jìn)行計算，導(dǎo)致構(gòu)建特征提取模型的構(gòu)建時間長，特征提取不準(zhǔn)確率。丘愷彬等[5]提出基于梅爾頻率倒普系數(shù)的特征提取模型構(gòu)建方法。該方法根據(jù)梅爾頻率的倒普系數(shù)對信號進(jìn)行提取，依據(jù)主成分分析法對特征集進(jìn)行融合，利用分類器構(gòu)建信號特征提取模型。由于在獲取定位信號時沒有運用GM-CBMeMBer算法進(jìn)行高斯項的剪枝合并，導(dǎo)致該模型在進(jìn)行特征提取時的識別率差。
為解決集群無人機(jī)區(qū)域?qū)Ш街须S機(jī)干擾與統(tǒng)計特性未知、查找信號困難等問題[6]，研究利用GM-CBMeMBer算法特征提取模型集群，利用高斯項剪枝合并，高效提取特征提取模型，有效解決提取時間長，提取不準(zhǔn)確的問題。
1 獲取定位信號
1.1 GM-CBMeMBer算法
利用GM-CBMeMBer算法的衰減因子對Kalman濾波器進(jìn)行改善，對無人機(jī)區(qū)域?qū)Ш街械脑肼曌兓M(jìn)行實時動態(tài)調(diào)整，抑制濾波器發(fā)散。采用高斯項的剪枝合并技術(shù)精確獲取集群無人機(jī)區(qū)域?qū)Ш街械亩ㄎ恍盘枴?/p>
圖1 GM-CBMeMBer算法流程圖
1.2 具體獲取信號過程
利用GM-CBMeMBer算法計算區(qū)域?qū)Ш街须S機(jī)噪聲的大小，聯(lián)合剪枝合并技術(shù)，精準(zhǔn)獲取區(qū)域?qū)Ш街械亩ㄎ恍盘朳7]。
具體過程如下。
根據(jù)誤差協(xié)方差與新息協(xié)方差，可知：
(1)
(2)
其中，Yi為區(qū)域?qū)Ш街械男孪⑾蛄浚薻-1為導(dǎo)航中時刻k-1的衰減因子。導(dǎo)航中αk的值如下式表示：
(3)
(4)
由結(jié)果可知，αk的新息協(xié)方差變化由λk的誤差協(xié)方差的影響造成的。集群無人機(jī)區(qū)域?qū)Ш街腥笔У男畔⒖梢酝ㄟ^對誤差協(xié)方差的擴(kuò)大來實現(xiàn)。過程如下式:
(5)
根據(jù)最終獲取的新息協(xié)方差以及衰減因子對濾波進(jìn)行簡單計算獲得集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘枴?/p>
1.3 剪枝處理
將高斯項數(shù)目加以限制，控制導(dǎo)航過程中濾波數(shù)目的無限制增加，在更新流程之后對計算結(jié)果進(jìn)行剪枝合并處理，過程如下。
(1)設(shè)定高斯項數(shù)目的最大限值Tmax，去掉多余高斯項數(shù)目，以此限制高斯項的無限制增加。
(2)設(shè)定集群無人機(jī)區(qū)域?qū)Ш降暮桔E門限值T_threshold并刪除導(dǎo)航過程中存在概率小于T_threshold的假設(shè)航跡。
(3)設(shè)定構(gòu)建集群無人機(jī)區(qū)域?qū)Ш降母咚鬼楅T限elim_threshold，保留大權(quán)值的高斯項，相近或相同的高斯項取平均值。對改善后的濾波進(jìn)行簡單計算，以此獲取集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘枴?/p>
2 獲取特征提取模型
2.1 Fisher準(zhǔn)則
利用Fisher準(zhǔn)則中的Foley-Sammon鑒別變換準(zhǔn)則對無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘栠M(jìn)行特征提取模型。
觀察獲取的無人機(jī)區(qū)域?qū)Ш蕉ㄎ恍盘柌⑵渑帕袨橐粚捚椒€(wěn)的隨機(jī)時間序列，用下式來擬合:
(6)
其中，N為定位信號的樣本點數(shù)，ai為定位信號的待定參數(shù)模型,p為定位信號模型階數(shù),αt為殘差,且測定的定位信號樣本數(shù)據(jù)xt均已作為均值歸零處理。
獲取區(qū)域?qū)Ш街卸ㄎ恍盘栃蛄械墓β首V。
2.2 特征壓縮
將特征矢量從高維投影到鑒別矢量上，以此構(gòu)建低維特征空間，讓集群無人機(jī)區(qū)域?qū)Ш蕉ㄎ恍盘柕奶卣髯R別在低維中進(jìn)行。利用Fisher準(zhǔn)則對集群無人機(jī)區(qū)域?qū)Ш蕉ㄎ恍盘柕奶卣鬟M(jìn)行降維、壓縮，最終得到集群無人機(jī)區(qū)域?qū)Ш蕉ㄎ恍盘柕奶卣魈崛∧Ｐ汀?/p>
具體過程如下。
設(shè)SB為無人機(jī)區(qū)域?qū)Ш蕉ㄎ恍盘柕哪繕?biāo)項散射矩陣，SW則為總目標(biāo)中的類別散射矩陣。Ami為AR模型中i類目標(biāo)，在集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘栠M(jìn)行模型提取中，分別為
(7)
2.3 提取模型
運用Rayleigh的商，Lagrange乘子法求解極大值點，使其分母等于一個非零常數(shù)α，Lagrange函數(shù)則為
L(W,λ)=WTSBW-λ(WTSWW-α)
(8)
其中，λ是Lagrange函數(shù)的乘子。
求解L(W,λ)的極值問題，在偏導(dǎo)為零的情況下，W偏導(dǎo)為
SBW=λSWW
(9)
通過預(yù)期中定位信號的c-1個最佳鑒別矢量，對應(yīng)較大的c-1特征值的特征向量進(jìn)行求解，過程如下式:
(SB-λiSW)Wi=0
(10)
求解后，獲取的構(gòu)成定位信號中c-1維的最佳辨識矢量空間W，則：
W={W1,W2,…,Wc-1}
(11)
將W空間中的每個Wi軸與Ami作正交投影，得到定位信號的特征提取模型:
Tmi=WTAmi
(12)
由c-1維的列矢量構(gòu)成Tmi，最終得到低維的有效特征矢量，以此構(gòu)建集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘柼卣魈崛∧Ｐ汀?/p>
3 實驗
為了驗證集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘柼卣魈崛∧Ｐ蜆?gòu)建方法的整體有效性，對此方法進(jìn)行測試。實驗環(huán)境：采用的操作系統(tǒng)為Windows7，CPU為Pentium(R)Dual-Core，無人機(jī)型號為大疆精靈phantom3。
分別采用基于GM-CBMeMBer算法的集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘柼卣魈崛∧Ｐ蜆?gòu)建方法(方法1)、基于提升小波包變換集成特征提取模型構(gòu)建方法(方法2)以及基于徑向基函數(shù)的定位信號特征提取模型構(gòu)建方法(方法3)進(jìn)行測試。
(1)利用同一型號的無人機(jī)進(jìn)行測試，測試結(jié)果如圖2所示。
圖2 信號特征提取模型構(gòu)建時間測試結(jié)果
由圖2可知，方法1雖然在測試初期構(gòu)建模型時間高于方法3，但是隨著測試次數(shù)的增多模型構(gòu)建時間逐漸低于方法2和方法3。主要由于方法1利用了GM-CBMeMBer算法，在集群無人機(jī)區(qū)域?qū)Ш竭^程中通過計算獲取更新后的新息協(xié)方差與衰減因子，并及時對信號進(jìn)行查找，以此獲取定位信號。該算法簡化了算法過程、縮短了模型的構(gòu)建時間。
(2)依據(jù)相同的無人機(jī)型號，對三種特征提取模型的精準(zhǔn)度進(jìn)行測試，測試結(jié)果如圖3所示。
圖3 特征提取方法的精準(zhǔn)度測試結(jié)果
由圖3可知，方法1的精準(zhǔn)度測試更穩(wěn)定。因為方法1在集群無人機(jī)區(qū)域?qū)Ш綍r對濾波進(jìn)行了高斯項剪枝合并處理，抑制了濾波發(fā)散，提高了濾波精度，獲取的信號精度也隨之提高。所以在構(gòu)建定位信號特征提取模型時使用的時間短，特征提取的精準(zhǔn)度高。
(3)依據(jù)上述測試結(jié)果對三種方法的識別率進(jìn)行測試，測試結(jié)果如圖4所示。
圖4 特征提取模型的識別率測試結(jié)果
由圖4可知，方法1的識別率優(yōu)于方法2與方法3，使模型的識別率平穩(wěn)保持在75%。方法2的識別率在測試前期要高于方法1，但隨著測試的次數(shù)增加方法2的識別率快速下降，測試效果較差。利用方法1可以獲得高精度的定位信號，再以此為基礎(chǔ)進(jìn)行特征壓縮獲得特征提取模型，縮減構(gòu)建模型時間的同時提高模型的識別率，提高效率。
4 總結(jié)
本文提出基于GM-CBMeMBer算法的集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘柼卣魈崛∧Ｐ蜆?gòu)建方法，該方法在集群無人機(jī)區(qū)域?qū)Ш綍r以GM-CBMeMBer算法為基礎(chǔ)對導(dǎo)航中的濾波進(jìn)行改善，計算衰減因子與新息協(xié)方差并對結(jié)果進(jìn)行高斯項的剪枝合并處理，獲取定位信號進(jìn)行特征壓縮，以此構(gòu)建集群無人機(jī)區(qū)域?qū)Ш降亩ㄎ恍盘柼卣魈崛∧Ｐ汀？s短構(gòu)建模型的時間，增加特征提取的精準(zhǔn)度和定位信號的識別率。
猜你喜歡
鴨綠江(2021年35期)2021-04-19 12:24:18
考試與評價·高一版(2020年6期)2020-11-02 02:45:24
電子制作(2019年15期)2019-08-27 01:12:00
電子制作(2018年11期)2018-08-04 03:25:42
中國生物醫(yī)學(xué)工程學(xué)報(2017年6期)2017-02-10 05:11:45
中國科技博覽(2016年2期)2016-04-25 20:32:39
小學(xué)生導(dǎo)刊(2016年34期)2016-04-11 00:49:44
鑿巖機(jī)械氣動工具(2016年3期)2016-03-01 04:00:25
電測與儀表(2015年5期)2015-04-09 11:30:52
噪聲與振動控制(2015年4期)2015-01-01 07:08:21
