一种流形上的智能目标识别方法

    公开(公告)号:CN112926361B

    公开(公告)日:2024-01-12

    申请号:CN201911239107.0

    申请日:2019-12-06

    摘要: 本发明公开了一种流形上的智能目标识别方法,方法流程包括:原始图像输入、流形特征建模、智能网络学习、网络更新优化、识别结果输出等五个部分。本发明首先利用协方差特征矩阵对原始图像进行流形特征建模,从而将提取的流形特征作为智能学习网络的输入;之后,基于黎曼流形理论与矩阵微分原理,对流形上的深度学习网络进行梯度模型推导,同时在模型训练过程中,使用基于矩阵链式法则的反向传播算法来更新模型,并将权值的优化过程转换为Grassmann流形上的优化问题,利用黎曼优化方法获得最优的参数值,最终学习到流形上的智能目标识别网络。本发明有效利用数据的几何结构,降低了计算复杂度,可以精确地、快速地识别目标,具有较高的识别准确率和学习效率。

    一种面向环境参数空间的流形建模方法

    公开(公告)号:CN114692232A

    公开(公告)日:2022-07-01

    申请号:CN202011576640.9

    申请日:2020-12-28

    摘要: 本发明涉及一种面向环境参数空间的流形建模方法,包括以下步骤:将候选地区的环境参数数据进行预处理,建立该地区环境参数的数值空间模型;利用黎曼流形的几何结构与空间特性,构建环境数值参数对应的流形空间表征;根据候选地区在不同时间下的流形空间位置,对仿真参数进行流形空间表征;对仿真参数进行流形空间表征并计算其对应的测地线距离,输出环境仿真参数与该地历史环境参数在流形空间中的测地线距离;结合环境仿真参数在流形空间中的测地线距离,最终对环境仿真参数的可靠性进行评估。本发明针对环境参数的大量历史数据,有效利用数据的几何结构,对环境参数的数值空间进行流形建模。

    一种基于测地线度量的流形网络建模可解释性方法

    公开(公告)号:CN114723956A

    公开(公告)日:2022-07-08

    申请号:CN202011502227.8

    申请日:2020-12-18

    摘要: 本发明公开了一种基于测地线度量的流形网络建模可解释性方法,本发明首先利用黎曼流形对原始图像进行流形特征建模,从而将提取的特征子空间作为深度学习网络的输入;之后,基于特征子空间的测地线距离与反向传播模型,对流形上的深度学习网络进行梯度模型推导,对流形弯曲程度指标进行定义,通过计算深度网络特征层间的测地线距离,最终输出各层特征空间的流形弯曲程度指标。本发明有效利用数据的几何结构,对深度特征的特征空间进行流形建模,从流形空间的几何角度对深度学习的有效性原理进行分析,通过计算深度学习网络特征空间的测地线距离,提供了一种深度学习网络的可解释性方法。

    一种面向仿真系统的环境参数空间一致性表征方法

    公开(公告)号:CN116305703A

    公开(公告)日:2023-06-23

    申请号:CN202111489762.9

    申请日:2021-12-08

    IPC分类号: G06F30/20 G06F113/08

    摘要: 本发明涉及一种面向仿真系统的环境参数空间一致性表征方法,包括:仿真系统环境参数输入、真实环境参数数值空间构建、流形空间表征、仿真环境参数空间计算、空间一致性表征共五个部分。本发明针对目标区域的大量历史气象数据,构建真实环境参数的数值子空间,建立目标地区在不同时间段的真实环境参数空间在黎曼流形上的几何分布,通过黎曼优化方法计算仿真环境参数的子空间模型,对仿真系统的环境输入参数向量与流形参数空间的一致性度量进行定义,提供了一种环境仿真参数与环境数值空间的一致性表征方法。

    一种流形上的智能目标识别方法
    5.
    发明公开

    公开(公告)号:CN112926361A

    公开(公告)日:2021-06-08

    申请号:CN201911239107.0

    申请日:2019-12-06

    摘要: 本发明公开了一种流形上的智能目标识别方法,方法流程包括:原始图像输入、流形特征建模、智能网络学习、网络更新优化、识别结果输出等五个部分。本发明首先利用协方差特征矩阵对原始图像进行流形特征建模,从而将提取的流形特征作为智能学习网络的输入;之后,基于黎曼流形理论与矩阵微分原理,对流形上的深度学习网络进行梯度模型推导,同时在模型训练过程中,使用基于矩阵链式法则的反向传播算法来更新模型,并将权值的优化过程转换为Grassmann流形上的优化问题,利用黎曼优化方法获得最优的参数值,最终学习到流形上的智能目标识别网络。本发明有效利用数据的几何结构,降低了计算复杂度,可以精确地、快速地识别目标,具有较高的识别准确率和学习效率。