一种基于混合模型融合的宽带雷达目标HRRP识别方法

一种基于混合模型融合的宽带雷达目标hrrp识别方法
技术领域
1.本发明涉及一种基于混合模型融合的宽带雷达目标hrrp识别方法，属于雷达目标识别技术领域。


背景技术：

2.高分辨宽带雷达的距离分辨率远小于目标尺寸，其回波中包含了对分类和识别极有价值的结构信息，如目标强散射中心数目、目标散射重心、目标宽度以及散射中心分布熵，具有广阔的工程应用前景。因此，基于高分辨率宽带雷达获取雷达目标高分辨距离像(high range resolution profile，hrrp)的雷达目标识别方法逐步成为雷达目标识别技术领域的研究热点。
3.近年来，基于深度学习的方法被引入到了雷达目标识别技术领域之中。基于监督学习的深度学习方法可提取样本的可分性特征，极大提升了特征提取的效率与准确率。现有的基于深度学习的hrrp识别方法大致可分为以下三类：(1)基于编码器-解码器结构的深度学习方法。(2)基于卷积神经网络(convolutional neural networks,cnn)结构的深度学习方法。(3)基于循环神经网络(recurrent neural network，rnn)的深度学习方法。这三种方法各有所长，各有所短。基于cnn的深度学习方法相较传统方法而言已经提升了相当的准确率，但仍存在以下问题：1)hrrp信号通常是在非合作环境下获得，由于目标的非合作性或目标距离较远等问题，存在噪声干扰，现有模型在多种信噪比条件下的hrrp信号的识别分类准确率均有提升空间；2)现有模型存在网络深度过深，参数过多的缺点，复杂度较高。


技术实现要素：

4.本发明的目的在于针对hrrp所依托的模型结构复杂、网络深度较深以及识别准确率有待提升的技术现状，提出了一种基于混合模型融合的宽带雷达目标hrrp识别方法，该方法将cnn模型与提取人工特征后的分类器lightgbm(light gradient boosting machine)进行模型融合得模型fusion-cnn(f-cnn)。
5.为了达到上述目的，本发明采取如下技术方案。
6.所述雷达目标hrrp识别方法，包括如下步骤：
7.步骤1：采集hrrp数据并处理得到数据集，再划分测试集与训练集；
8.其中，所采集的数据集中包含多个hrrp数据样本，每个hrrp数据样本的获取过程为：通过高分辨率宽带雷达获取，先得到hrrp数据，再将hrrp数据进行功率归一化，得到hrrp数据样本；
9.将数据集划分得到测试集与训练集，具体为：训练集包含的hrrp数据样本数目多于测试集中的hrrp数据样本数目，训练集与测试集中的hrrp数据样本比例为x:y且x+y＝10；训练集内样本数据按照目标类别进行分组，得到其对应的类别标签信息；
10.步骤2：将标志位l_done、c_done初始化为0；
11.步骤3：利用训练集分别对f-cnn模型的两个子模型，cnn与lightgbm模型进行训
练；通过不断调整参数获得适用于雷达目标识别的最优模型；
12.其中，lightgbm模型包括人工特征提取单元、特征组合形成单元以及lightgbm分类器；cnn模型基本网络结构由多个层组成，每一个层具有多个相互独立的神经元；
13.利用训练集中的hrrp数据样本对lightgbm模型进行训练，具体包括如下子步骤：
14.步骤3.a1)人工特征提取单元提取人工特征；
15.其中，人工特征包括：目标强散射中心数目、目标散射重心、目标宽度、散射中心分布熵和二阶中心矩；
16.且目标强散射中心数目是指距离像包络中峰值的数目，该特征通过阈值判决法获得；
17.目标散射重心是指衡量样本形态偏斜程度的统计量，该特征通过距离像的加权比获得；
18.目标宽度是指目标hrrp最左侧强散射点与最右侧强散射点之间的宽度，该特征通过左右两侧强散射点的索引下标之差获得；
19.散射中心分布熵是指反映散射中心分布的集中情况，该特征通过用hrrp的幅值代替熵函数中的概率值获得；
20.二阶中心距是指目标hrrp最左侧强散射点与最右侧强散射点之间的宽度，该特征通过以为离散概率分布函数加权获得；
21.步骤3.a2)特征组合形成单元判断各特征的数据分布及hrrp数据样本之间的关系，形成特征组合，并绘制散布矩阵图；
22.其中，根据步骤3.a1)提取的目标强散射中心数目、目标散射重心、目标宽度、散射中心分布熵和二阶中心矩的数值，形成特征组合并绘制各类特征间的散布矩阵图，具体为：同一特征间采用直方图，不同特征间采用散点分布；
23.步骤3.a3)构建lightgbm分类器并基于该分类器进行训练得到决策树，再将人工特征输入决策树进行目标分类与识别，输出目标类别；
24.其中，基于lightgbm分类器进行训练，具体为：每次训练均拟合模型的负梯度，用加权损失函数的负梯度拟合本轮损失的近似值，进而拟合一个回归树；再针对回归树上的叶子节点，求加权损失函数值并使函数值最小，得到决策树；训练完成后，再将人工特征输入决策树，得到目标类别；
25.步骤3.a4)经步骤3.a3)输出目标类别后，设置标志位l_done为1；
26.利用训练集中的hrrp数据样本对cnn模型进行训练，得到目标类别以及最优cnn模型参数，具体包括cnn模型构建与参数优化两个阶段；
27.步骤3.b1)构建cnn模型,输出目标类别；具体包括以下子步骤：
28.①
将训练集hrrp数据样本作为输入放入cnn模型；
29.②
使用卷积核与可加偏置对输入进行卷积，经过卷积层得到特征映射；
30.③
对卷积层输出的特征映射进行池化，即对卷积层输出中的邻域进行加权求和，加偏置再经过激励函数在池化层得到特征映射；
31.其中，池化方式与激励函数具体要求为：池化层的池化方式选择最大值池化，每一个卷积层和池化层均采用有效填充的方式，且步长均设为1；激活函数为relu；
32.④
重复步骤
②
与步骤
③
过程再得到一个卷积层与一个池化层，直至输出的特征映
射已变为一维数组；
33.⑤
将步骤
④
的结果输入至两层全连接层，且在每一个全连接层之前加入dropout层；
34.⑥
将步骤
⑤
的结果输入至分类器层得到cnn模型的分类结果，并将c_done置1，具体为：分类器层采用softmax分类器，得到每一个类别的概率值并输出，将c_done置为1；
35.步骤3.b2)对cnn模型进行参数优化；使用划分的训练集对cnn模型进行训练，得到最优cnn模型参数；
36.参数优化，具体为：将训练数据集和对应的类别标签信息输入至cnn中，cnn开始前向传播；结束后将输出的类别和输入的类别比较，若二者不一致，则开始后向传播阶段，使用梯度下降的方法调整cnn各层权值，之后重新进行前向传播，直至结果类别与输入类别相同；
37.步骤4：使用步骤1划分的测试集作为f-cnn模型的输入，输出测试集样本对应的目标类别；f-cnn模型进行目标识别包括以下子步骤：
38.步骤4.1)将测试集数据分别输入经步骤3训练后得出的两个子模型，cnn模型与light_gbm模型中；
39.步骤4.2)两子模型输出的分类结果分别记为结果a与结果b，判断两个标志位l_done与c_done是否均为1。若不是，则继续等待；若是，则将结果a与b输入决策树合并，输出f-cnn模型的分类结果；
40.步骤4.3)将l_done与c_done置为0；
41.至此，从步骤1到步骤4，实现了基于混合模型融合的宽带雷达目标hrrp识别方法。
42.有益效果
43.本发明提出的基于混合模型融合的宽带雷达目标hrrp识别方法，与现有技术相比，具有如下有益效果：
44.1.所述方法能根据hrrp信号对探测目标进行有效分类，提升了模型的可解释性与鲁棒性；
45.2.所述方法应用模型融合，相较于单个模型的识别精确率、召回率均有所提升；
46.3.所述方法在不同信噪比环境下对于识别的准确率均有明显提升；
47.4.所述方法能有效减少cnn的网络深度，显著降低了模型复杂度，提升了推理速度。
附图说明
48.图1是基于混合模型融合的宽带雷达目标hrrp识别方法的流程图；
49.图2是目标强散射点示意图；
50.图3是特征散布矩阵图；
51.图4是cnn模型整体结构；
52.图5是f-cnn与各算法识别准确率对比图。
具体实施方式
53.下面结合附图及具体实施例对本发明所述的基于混合模型融合的宽带雷达目标
hrrp识别方法进行详细阐述。
54.实施例1
55.本发明所提方法理论上能应用于任何hrrp回波雷达识别，如舰船识别，人体识别，角反射器阵列等。在不同的应用场景中，只需要改变分类目标的种类即可。
56.本实施例阐述了采用本发明所述的基于混合模型融合的宽带雷达目标hrrp识别方法的具体实施，其流程如图1所示。
57.本实施例描述了应用本发明所述的基于混合模型融合的宽带雷达目标hrrp识别方法在舰船与角反射器阵列的具体实施。
58.(1)将雷达采集到的hrrp数据集样本依据目标为舰船、反射角阵列、组合反射器的类别进行合并，每种种类的样本分别在不同的数据段里随机挑选作为训练样本，剩余作为测试样本，具体的，训练集样本数和测试集样本数的比例为9:1；
59.(2)为合理地构建特征子集并将其送入分类器有效提升模型识别性能。对样本中的特征进行了排序和筛选，选择目标强散射中心数目、目标散射重心、目标宽度、散射中心分布熵和高阶中心矩特征作为人工特征分类器的输入。
60.其中，五种特征具体计算方法如下：目标强散射中心数目：是指距离像包络中峰值的数目，可以通过阈值判决法或峰值搜索方法获得，如图2所示；
61.散射重心：在统计学理论中，散射重心是衡量样本形态偏斜程度的统计量，设{x(n),n＝1,2,...,n}为距离像，n为距离单元数。则距离像的散射重心可表示为：
[0062][0063]
散射中心分布熵：其熵值大小反映散射中心分布的集中情况。记n个强散射中心为其中，为hrrp序列中第i个强散射中心的幅值；下标mi为散射中心对应的单元序列号，则散射中心分布熵(ea)计算公式为：
[0064][0065]
目标宽度：指的是目标hrrp最左侧强散射点与最右侧强散射点之间的宽度。记距离像表示为{x(n),n＝1,2,...,n}，其中n代表距离单元数，l表示最左侧强散射点的索引下标，r表示最右侧强散射点的索引下标，目标宽度计算公式为：
[0066]
width＝r-l
[0067]
高阶中心矩：设距离像表示为{x(n),n＝1,2,...,n}，其中n代表距离单元数，则归一化距离像计算公式为：
[0068][0069]
注意到因此可看作一维离散概率分布函数。距离像
的p阶中心矩μ
(p)
公式为：
[0070][0071]
其中，p
max
代表中心矩的最高阶数。由于二阶矩及高阶矩具有平移不变性，因此考察2～p
max
范围。采用距离像的二阶中心矩特征；
[0072]
(3)根据上一步的计算结果，绘制得出各类特征间的散布矩阵图。其中同一特征之间采用直方图的形式表示，不同特征之间分别得出散点分布情况。如图3所示，散布矩阵以图形的形式给出了各特征之间的关系，对于三类目标通过不同的特征组合，使得目标在高维度可分离。不同特征对目标的识别重要性不同，如强散射中心数目与其它特征组合，三类目标并未达到良好的线性可分，而散射重心对各类目标的分离起到了良好的效果；
[0073]
(4)结合上步结论，设计采用以gbdt(gradient boosting decision tree，梯度提升树)模型为核心的lightgbm进行分类，约定f
t
(x)表示第t轮的模型，h
t
(t)表示第t棵决策树，模型定义如下：
[0074][0075]
提升树采用前向分布算法。第t步的模型由第t-1步的模型形成，写成：
[0076]ft
(x)＝f
t-1
(x)+h
t
(x)
[0077]
损失函数定义为：
[0078]
l(f
t
(x),y)＝l(f
t-1
+h
t
(x),y)
[0079]
用损失函数的负梯度来拟合本轮损失的近似值，进而拟合一个cart回归树。即每次需要拟合的模型的负梯度，第t轮的第i个样本的损失函数的负梯度表示为：
[0080][0081]
利用(xi,r
ti
)(i＝1,2,...,m)，拟合一棵cart树，得到了第t棵回归树，其对应的叶节点区域r
tj
，j＝1,2,...,j。其中j为叶子节点的个数。针对每一个叶子节点的样本，求出使损失函数最小，也就是拟合叶子节点最好的输出值c
tj
如下：
[0082][0083]
这样就得到了本轮的决策树拟合函数如下：
[0084][0085]
通过损失函数的负梯度拟合，使得无论是分类问题还是回归问题都采用一种通用的拟合损失误差的方法解决分类回归问题；
[0086]
(5)采用网格搜索的方式，通过不断的迭代训练，得到一组最优参数集合，如下表所示；
[0087]
表1 lightgbm超参数集合
[0088][0089][0090]
由表1可知，lightgbm的boosting type为gbdt算法，学习率设为0.1，由于gbdt的基分类器选用cart树模型，所以设置树的最大深度为10，同时基分类器的个数为15。num_leaves代表每棵树上的叶子数，设为220，min_child_samples代表一个叶子上数据的最少数量设为40。其余参数均采用默认值；
[0091]
(6)设计cnn模型；输入层是hrrp数据，输入大小为1
×
256。经过两个卷积层和池化层，其中卷积的大小均为1
×
4，卷积核个数为8个，池化层的池化掩码大小为1
×
4，池化方式选择最大值池化，每一个卷积层和池化层均采用有效填充的方式，且步长均设为1。随后将卷积得到的特征映射图进行平铺，得到一维数据，送入两层全连接层，其中第一个全连接层的神经元个数设为64，第二个全连接层的神经元个数设为32，为了降低网络的过拟合现象，在每一个全连接层之前加入dropout层，经过对参数进行优选，设定其中dropout率均为0.1。该网络的激活函数统一使用relu激活函数，避免神经网络训练过程中的梯度消失现象。最后进入到节点为3的分类器层，采用softmax分类器，得到每一个类别的概率值。具体网络结构如图4所示；
[0092]
(7)使用训练集对cnn模型进行训练，固定参数得到最优模型。具体方法为：将训练数据集和对应的类别标签信息输入至cnn中，cnn开始前向传播。结束后将输出的类别和输入的类别比较，若二者不一致，则开始后向传播阶段，使用梯度下降的方法调整cnn各层权值，之后重新进行前向传播，直至结果类别与输入类别相同。
[0093]
(8)判断标志位均为1后，将cnn模型输出结果与lightgbm输出结果输入简单决策树分类器，得到最终分类结果；
[0094]
(9)对算法进行评估，分别对f-cnn中各个子模型的识别性能以及其整体识别性能进行仿真实验分析，然后采用不同信噪比条件下的测试数据对所提f-cnn算法与其它算法的识别准确率做对比分析，从而验证该算法的可行性及优势。
[0095]
由于f-cnn中两个单独模型均是一个完整的分类器算法模型，因此首先采用不同的评价指标对lightgbm和cnn模型的识别性能分别进行测试，结果如表2，表3所示。
[0096]
表2 lightgbm模块各评价指标对比
[0097][0098][0099]
表3 cnn模块各评价指标对比
[0100][0101]
对进行模型融合之后的f-cnn整体模型的识别性能进行测试，结果如表4所示。
[0102]
表4 f-cnn模块各评价指标对比
[0103][0104]
对比表2、3、4可知，采用lightgbm模型的识别准确率为83.85％，采用单cnn模型的识别准确率为94.52％。将其二者进行模型融合后得到的f-cnn模型的识别准确率为98.80％。通过其它评价指标可以看到，lightgbm对组合角反射器的识别性能较优，而对于角反射器阵列和舰船的识别性能一般。采用lightgbm模型组合角反射器的识别精确率为97.10％，召回率为100％，f1-score为94.04％；角反射器阵列的精确率为92.60％，召回率
为67.92％，f1-score为78.37％；舰船目标的精确率为68.51％，召回率为91.16％，f1-score为81.31％。而采用cnn模型对舰船以及角反射器阵列的识别性能较优，其中角反射器阵列的识别精确率为89.85％，召回率为98.11％，f1-score为93.80％；舰船目标的识别精确率、召回率和f1-score均为100％；组合角反射器的识别精确率为96.86％，召回率为84.01％，f1-score为89.98％。二者进行模型融合得到的f-cnn模型的各评价指标如表4所示，可见相比于两个单模型，经过模型融合后的f-cnn模型的各个评价指标均有所提升，其中角反射器阵列的识别精确率为99.52％，召回率为97.64％，f1-score为98.57％，舰船目标的三个评价指标均为100％，组合角反射器的识别精确率为96.69％，召回率为99.32％，f1-score为97.99％。由于lightgbm模型与cnn模型具有异质性以及弱相关性，且二者对不同目标的识别性能具有互补性，因此，f-cnn具有了更优异的识别性能。
[0105]
除了采用不同的评价指标对f-cnn模型及其各模型进行验证分析外，本实例还采用相同的测试集数据在不同信噪比下对f-cnn算法与其它算法的识别性能进行对比分析，不同信噪比条件下各算法的识别准确率对比结果如图5所示。由结果可知，f-cnn算法模型在0-15db信噪比情况下的识别准确率均高于其它算法模型，且相对第三章所提cnn算法模型有明显提升。f-cnn在信噪比为0db时的识别准确率为61.42％，与cnn的识别准确率相等；在信噪比为5db时的识别准确率为82.25％，比cnn高了0.79％；在信噪比为10db时的识别准确率为92.72％，比cnn高了3.79％，信噪比为15db时的平均识别准确率为97.51％，比cnn高了2.40％。f-cnn的识别准确率相比cnn有着明显的提高。且f-cnn有着更浅的网络深度和更少的参数量，降低了模型的复杂度，从而提升了推理速度。
[0106]
至此，即完成了本技术所述的基于混合模型融合的宽带雷达目标hrrp识别方法在舰船与角反射器阵列的具体实施。
[0107]
以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

技术特征：
1.一种基于混合模型融合的宽带雷达目标hrrp识别方法，依托于cnn和lightgbm模型；lightgbm模型包括人工特征提取单元、特征组合形成单元以及lightgbm分类器；cnn模型基本网络结构由多个层组成，每一层具有多个相互独立的神经元，其特征在于：包括如下步骤：步骤1：采集hrrp数据并处理得到数据集，再划分测试集与训练集；其中，所采集的数据集中包含多个hrrp数据样本，将数据集划分得到测试集与训练集，训练集内样本数据按照目标类别进行分组，得到其对应的类别标签信息；步骤2：将标志位l_done、c_done初始化为0；步骤3：利用训练集分别对f-cnn模型的两个子模型，cnn与lightgbm模型进行训练；通过不断调整参数获得适用于雷达目标识别的最优模型；其中，利用训练集对lightgbm模型进行训练，具体包括如下子步骤：步骤3.a1)人工特征提取单元提取人工特征；其中，人工特征包括：目标强散射中心数目、目标散射重心、目标宽度、散射中心分布熵和二阶中心矩；步骤3.a2)判断各特征的数据分布及hrrp数据之间的关系，形成特征组合，绘制散布矩阵图；步骤3.a3)构建lightgbm分类器并基于该分类器进行训练得到决策树，再将人工特征输入决策树进行目标分类与识别，输出目标类别，并设置标志位l_done为1；利用步骤1所分的训练集对cnn模型进行训练，得到目标类别具体包括cnn模型构建与参数优化两个阶段；步骤3.b1)构建cnn模型,输出目标类别，具体包括以下子步骤：
①
将训练集hrrp数据样本作为输入放入cnn模型；
②
使用卷积核与可加偏置对输入进行卷积，经过卷积层得到特征映射；
③
对卷积层输出的特征映射进行池化，即对卷积层输出中的邻域进行加权求和，加偏置再经过激励函数在池化层得到特征映射；
④
重复步骤
②
与步骤
③
过程再得到一个卷积层与一个池化层，直至输出的特征映射已变为一维数组；
⑤
将步骤
④
的结果输入至两层全连接层，且在每一个全连接层之前加入dropout层；
⑥
将步骤
⑤
的结果输入至分类器层得到cnn模型的分类结果，并将c_done置1；步骤3.b2)对cnn模型进行参数优化；使用划分的训练集对cnn模型进行训练，得到最优cnn模型参数；步骤4：使用步骤1划分的测试集作为f-cnn模型的输入，输出测试集样本对应的目标类别，具体包括以下子步骤：步骤4.1)将测试集数据分别输入经步骤3训练后得出的两个子模型，cnn模型与light_gbm模型中；步骤4.2)两子模型输出的分类结果分别记为结果a与结果b，判断两个标志位l_done与c_done是否均为1；若不是，则继续等待；若是，则将结果a与b输入决策树合并，输出f-cnn模型的分类结果；步骤4.3)将l_done与c_done置为0。
2.依据权利要求1所述的宽带雷达目标hrrp识别方法，其特征在于：步骤1中每个hrrp数据样本的获取过程为：通过高分辨率宽带雷达获取，先得到hrrp数据，再将hrrp数据进行功率归一化，得到hrrp数据样本。3.依据权利要求1所述的宽带雷达目标hrrp识别方法，其特征在于：步骤1中将数据集划分得到测试集与训练集，具体为：训练集包含的hrrp数据样本数目多于测试集中的hrrp数据样本数目。4.依据权利要求1或3所述的宽带雷达目标hrrp识别方法，其特征在于：步骤1中训练集与测试集中的hrrp数据样本比例为x:y且x+y＝10。5.依据权利要求1所述的宽带雷达目标hrrp识别方法，其特征在于：步骤3.a1)中的目标强散射中心数目是指距离像包络中峰值的数目，该特征通过阈值判决法获得；目标散射重心是指衡量样本形态偏斜程度的统计量，该特征通过距离像的加权比获得；目标宽度是指目标hrrp最左侧强散射点与最右侧强散射点之间的宽度，该特征通过左右两侧强散射点的索引下标之差获得；散射中心分布熵是指反映散射中心分布的集中情况，该特征通过用hrrp的幅值代替熵函数中的概率值获得；二阶中心距是指目标hrrp最左侧强散射点与最右侧强散射点之间的宽度，该特征通过以为离散概率分布函数加权获得。6.依据权利要求1所述的宽带雷达目标hrrp识别方法，其特征在于：步骤3.a2)中，根据步骤3.a1)提取的目标强散射中心数目、目标散射重心、目标宽度、散射中心分布熵和高阶中心矩的数值，形成特征组合，并绘制各类特征间的散布矩阵图；同一特征间采用直方图，不同特征间采用散点分布。7.依据权利要求1所述的宽带雷达目标hrrp识别方法，其特征在于：步骤3.a3)中，基于lightgbm分类器进行训练，具体为：每次训练均拟合模型的负梯度，用加权损失函数的负梯度拟合本轮损失的近似值，进而拟合一个回归树；再针对回归树上的叶子节点，求加权损失函数值并使函数值最小，得到决策树；训练完成后，再将人工特征输入决策树，得到目标类别。8.依据权利要求1所述的宽带雷达目标hrrp识别方法，其特征在于：
③
中，池化方式与激励函数具体要求为：池化层的池化方式选择最大值池化，每一个卷积层和池化层均采用有效填充的方式，且步长均设为1；激活函数为relu。9.依据权利要求1所述的宽带雷达目标hrrp识别方法，其特征在于：
⑥
具体为：分类器层采用softmax分类器，得到每一个类别的概率值并输出，将c_done置为1。10.依据权利要求1所述的宽带雷达目标hrrp识别方法，其特征在于：步骤3.b2)中的参数优化，具体为：将训练数据集和对应的类别标签信息输入至cnn中，cnn开始前向传播；结束后将输出的类别和输入的类别比较，若二者不一致，则开始后向传播阶段，使用梯度下降的方法调整cnn各层权值，之后重新进行前向传播，直至结果类别与输入类别相同。

技术总结
本发明涉及一种基于混合模型融合的宽带雷达目标HRRP识别方法，属于雷达目标识别技术领域。包括：1)采集数据集并划分测试集与训练集；2)将标志位L_done、C_done置0；3)利用训练集分别对F-CNN模型的两个子模型CNN与LightGBM模型进行训练；4)利用F-CNN模型识别测试集种类，具体为：经训练后子模型处理，得到分类结果A与B。判断标志位是否均为1；若不是，则等待；若是，则将结果A与B输入决策树合并，输出即为F-CNN模型识别结果；所述方法可根据HRRP信号对探测目标进行有效分类；在不同信噪比下的识别准确率均有明显提升；显著降低了模型的复杂度，提升了推理速度。提升了推理速度。提升了推理速度。


技术研发人员：傅雄军 郎平 常世博 杜慧茜 马志峰 袁浩东
受保护的技术使用者：北京理工大学
技术研发日：2021.11.08
技术公布日：2022/3/7