一种基于RTN的高分辨一维像目标识别方法与流程

一种基于rtn的高分辨一维像目标识别方法
技术领域
1.本发明属于信号处理领域，尤其涉及一种基于rtn的高分辨一维像目标识别方法。


背景技术：

2.随着雷达分辨率的提高和宽带雷达技术的发展，雷达回波可以提供更加可靠的目标特征。高分辨距离像（hrrp）作为宽带高分辨雷达成像技术的一大类，近年来成为研究的热点。卷积神经网络（convolutional neural network, cnn），是计算机视觉研究和应用领域中最具影响力的模型之一。同样，如果将时间看作一个空间维度，类似于二维图像的高度或宽度，cnn也可以对时间序列处理产生令人惊喜的效果。
3.基于卷积神经网络（cnn）的深度学习模型在目标识别领域表现优异, 但是当杂波、噪声对回波数据产生影响时，数据原有的分布被破坏，从而导致深度学习模型识别率大幅下降。


技术实现要素：

4.为了解决上述问题，本发明提出了一种基于rtn的高分辨一维像目标识别方法，包括以下步骤：
5.步骤1：建立回波信号模型；根据回波信号模型生成目标回波数据，并对目标回波数据进行预处理，生成源域数据和目标域数据，将源域数据中的一部分数据和目标域数据中的一部分数据作为训练集，将源域数据中的另一部分数据和目标域数据中的另一部分数据作为测试集；所述源域数据带有标签信息，目标域数据没有标签信息；
6.步骤2：基于一维cnn模型构造改进的rtn模型；
7.步骤3：利用训练集对改进的rtn模型进行训练得到最终改进的rtn模型；
8.步骤4：将测试集输入最终改进的rtn模型，得到最终的目标识别结果。
9.进一步地，步骤2所述改进的rtn模型包括输入层、卷积层、全连接层、残差层、分类层和输出层；其中，输入层、卷积层基于一维cnn模型实现，输入层、卷积层和全连接层串行连接，卷积层得到的卷积结果输入全连接层；
10.在所述步骤3中，通过 sgd更新改进的rtn模型的参数，直到模型收敛，得到最终改进的rtn模型。
11.进一步地，所述步骤3具体包括：
12.使用交叉熵损失函数计算源域数据在输出层的交叉熵损失，计算目标域数据经过残差层后的残差层输出和源域数据输出的mk-mmd距离，使用熵损失函数计算目标域数据在分类层的熵损失，将上述计算结果汇总形成总损失值，使用sgd更新改进的rtn模型的参数。
13.进一步地，源域数据在输出层的交叉熵损失的计算公式为：
[0014][0015]
[0016]
其中，表示源域数据的总个数，是输出层预测的关于源域数据的结果向量，是源域数据对应的真值向量，表示交叉熵损失函数。
[0017]
进一步地，目标域数据经过残差层后的残差层输出和源域数据输出的mk-mmd距离的计算公式为：
[0018][0019][0020]
其中，l= {fc1, fc2, output layer}，output layer表示输出层，输出层的数据是未激活状态；为第层的重要性权重；表示输入第层的数据的个数，为第n个数据对应的高斯核，为源域数据在第层的特征向量，为目标域数据在第层的特征向量；表示第层的mk-mmd距离。
[0021]
进一步地，目标域数据在分类层的熵损失的计算公式为：
[0022][0023][0024]
其中，表示目标域数据的总个数，源域数据和目标域数据一一对应，h表示熵损失函数。
[0025]
进一步地，总损失值的计算公式为：
[0026][0027]
其中，为总损失值，为距离的惩罚系数，为目标域数据在分类层的熵损失的惩罚系数。
[0028]
进一步地，目标域数据中包括服从瑞利分布的海杂波。
[0029]
本发明与现有技术相比，具备的优点在于：
[0030]
本发明构建了基于残差迁移网络的hrrp目标识别模型；创新性地把联合分布自适应应用在了基于残差迁移网络的目标识别模型中，改善了基于cnn的雷达目标识别模型的泛化能力，增强模型在受杂波、噪声干扰背景下的识别能力，相对于传统方法的识别率提高了20%-30%。
附图说明
[0031]
图1为传统二维cnn模型的cnn结构示意图。
[0032]
图2 为传统二维cnn模型的卷积过程示意图。
[0033]
图3 为一维cnn模型的一维cnn结构示意图。
[0034]
图4 为一维cnn模型的卷积过程示意图。
[0035]
图5 为本发明实施例的改进的rtn模型的示意图。
[0036]
图6 为传统方法的加入scr=30db海杂波时熵损失变化图。
[0037]
图7 为本发明实施例方法的加入scr=30db海杂波时熵损失变化图。
具体实施方式
[0038]
为了便于理解本技术，下面将参照相关附图对本技术进行更全面的描述。附图中给出了本技术的实施例。但是，本技术可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本技术的公开内容更加透彻全面。
[0039]
除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。
[0040]
本发明提供了一种基于rtn (residual transfer networks，残差迁移网络)的高分辨一维像目标识别方法，下面介绍具体的实施方式。
[0041]
（1）建立回波信号模型和卷积神经网络模型
[0042]
雷达的载频为，这里为一个相参处理间隔内的脉冲个数，设第个脉冲的发射信号为
[0043]
ꢀꢀꢀ
（1）
[0044]
ꢀꢀꢀꢀ
（2）
[0045]
式中：为发射信号的幅度，为快时间，为慢时间，为全时间，为脉冲重复周期，为脉冲宽度，为矩形函数，，j表示虚部。
[0046]
对于远处的一个点目标，其回波信号表示为
[0047]
ꢀꢀ
（3）
[0048]
式中：为回波幅度，为衰减因子，为回波时延，为目标的初始距离，为目标的速度，为光速， 为雷达载频。b/t，其中b为工作带宽。雷达的距离分辨率是由带宽决定的，可表示为：
[0049]
ꢀꢀꢀ
（4）
[0050]
当高分辨率雷达探测到飞机、舰船等大型目标时，由于目标尺寸远大于分辨率，此时可将目标回波（hrrp）看作是多个散射中心的集合，包含了丰富的目标结构信息，通过提取这些结构特征，可以完成目标识别任务。现有的卷积神经网络（cnn）的应用场景中大多被用来处理二维图像等。但是hrrp属于一维结构信息，因此可以提出两种模型对hrrp进行目标识别。
[0051]
在使用传统的二维cnn结构时（图1和图2），需要对原来的hrrp数据变成二维数据，然后对其进行卷积等操作。图3和图4是直接把原始的一维像数据作为输入，无需改变数据结构。模型对卷积结果进行批次归一化（bn层）、非线性激活（激活层）和池化（池化层），如图4所示。全连接层同样使用bn层和激活层。代价函数（交叉熵损失）为下式：
[0052]
ꢀꢀ
（5）
[0053]
其中是输出层预测关于数据的结果向量（归一化后），是对应的真值向量（独热编码），表示交叉熵损失函数。模型的训练过程中代价函数会不断减小。每层的参
数设置如表1所示。
[0054]
表1 两个模型中各层参数设置
[0055]
层数传统二维cnn模型一维cnn模型输入层16
×
16256卷积层1卷积核：3
×
3、通道数64、步长：1卷积后特征大小：14
×
14卷积核：1
×
5、通道数64、步长：1卷积后特征大小：252最大池化7
×
7、步长：2126、步长：2卷积层2卷积核：2
×
2、通道数50、步长：1卷积后特征大小：6
×
6卷积核：1
×
5、通道数50、步长：1卷积后特征大小：122最大池化3
×
3、步长：261、步长：2全连接层1128（dropout）128（dropout）全连接层2100100全连接层35050输出层10（softmax）10（softmax）
[0056]
实验数据采用仿真的常规海情下的10类舰船的hrrp，每一类有10000帧数据，每帧数据有256个距离单元。实验中训练集总数据量是60000帧，测试集工40000帧。训练时批次大小是150，因此一共有400个批次。整个训练集中所有数据迭代一遍需要训练400次，训练时设置的大的迭代次数为5次。模型中卷积过程不使用填充，非线性映射均选择relu激活函数，在激活函数之前使用bn进行特征的归一化，池化方式均使用最大池化，二维cnn模型使用2
×
2的池化，一维cnn使用2
×
1的池化，步长都为2。学习率设置为0.001，学习率衰减率为0.99，在全连接层1使用dropout，随机失活率为0.2，动量因子（momentum）设置为0.9。模型训练过程中同时对测试集进行识别，识别率如表2所示。从表 2的数据中可以看出，一维cnn的收敛速度要明显快于二维cnn，且识别率更高，因此使用一维cnn模型作为后续方法的基本模型。
[0057]
表 2 测试集识别率（%）
[0058]
迭代次数012345二维cnn10.3481.5592.6694.996.3198.52一维cnn9.1291.2797.1698.7599.2399.7
[0059]
为了探究杂波、噪声对模型识别率的影响，采用对现有数据加噪声的方式构造测试集。实验中对测试集加不同强度的服从瑞利分布的海杂波（或服从高斯分布的噪声）构造出不同外部环境下的hrrp数据。加入的强度根据信杂比（或信噪比）计算，信杂比（或信噪比）分别为20db、25db 、30db。使用已保存的一维cnn模型对破坏后的测试集进行识别，识别率见表3。对比表中数据可以看出，因噪声和海杂波的影响，模型在测试集上的识别率大大降低。随着加入的噪声和海杂波强度不断增大，模型识别性能急速下降，为了减少这些外在因素对识别的影响需要对现有的模型进行改进。
[0060]
表 3加入不同强度海杂波、噪声后的识别率（%）
[0061]
参数原测试集30db25db20db海杂波99.4366.4746.8333.4噪声99.278.463.340.29
[0062]
（二）基于联合分布的残差迁移网络
[0063]
从上节可知，由于加入的噪声和海杂波的强度不断增大，模型识别率大大降低。识别率下降的主要原因是噪声、海杂波的加入破坏了数据原来的分布。此时测试集与训练集已经不属于具有相同分布的数据集，因此模型最后提取的特征空间也存在差异，模型对这
种差异比较敏感，所以识别性能下降。此时可以使用残差迁移网络来改善模型的范化能力，提高模型在噪声或海杂波背景下的识别能力。
[0064]
表4 网络模型参数设置
[0065]
层数一维cnn模型输入层256卷积层1卷积核：1
×
5、通道数64、步长：1；卷积后特征大小：252最大池化126、步长：2卷积层2卷积核：1
×
5、通道数50、步长：1卷积后特征大小：122最大池化61、步长：2全连接层1128（dropout）全连接层2100全连接层350残差层110残差层210输出层10（softmax）
[0066]
为了训练出泛化性和鲁棒性更好的识别模型，根据深度残差迁移网络以及域自适应的思想，把rtn网络应用在hrrp目标识别中，并对rtn模型进行一定的改变，创新性的将联合分布自适应与残差网络结合起来，来优化迁移网络模型，得到改进的rtn模型，如图5和表4所示。该模型中有输入层（input）、卷积层（卷积层1和2，分别用conv1和conv2表示）、全连接层（全连接层1、2和3，分别用fc1、fc2和fc3表示）、残差层（残差层1和2，分别用fc4和fc5表示）、分类层（softmax）和输出层（output），图5中下半部深灰色部分是添加的自适应层（属于全连接层，用以区分源域数据和目标域数据的经过），上半部深灰色部分是残差块。改进的rtn模型中的目标域数据输出层未采用虚线是因为在该模型中使用了目标域数据的伪标签。改进的rtn模型继续采用一维cnn方法提取数据的特征，源域和目标域数据共享模型的参数。因为深层特征最终会沿着网络从一般过渡到特定，原rtn只使用了条件分布自适应，本发明提出的改进的rtn模型在源域和目标域的输出层添加了自适应层来达到联合分布自适应的效果，这里提到的联合分布并不是传统意义上的联合分布，而是指同时对边缘分布和条件分布进行自适应处理。同时使用mk-mmd度量不同分布之间的距离作为损失函数更新网络。
[0067]
ꢀꢀꢀꢀ
（6）
[0068]
ꢀꢀ
（7）
[0069]
其中，l= {fc1, fc2, output layer}，output layer表示输出层，输出层的数据是未激活状态；为第层的重要性权重；表示输入第层的数据的个数，为第n个数据对应的高斯核，可取多个值，为源域数据在第层的特征向量，为目标域数据在第层的特征向量；表示第层的mk-mmd距离。
[0070]
在迁移学习中数据分为源域数据（）和目标域数据（）。源域数据通常情况下具有完整的标注信息，是需要迁移的对象；目标域数据是指那些缺乏标注，是要被赋予某些知
识的对象。迁移学习主要就是借助和的知识，提高预测模型或函数对的分类效果。在图5提出的模型中，因为源域数据不经过身份映射，所以直接通过fc4、fc5，在fc5层的输出定义为。而目标域数据在经过残差层，残差层的输出可表示为：
[0071]
ꢀꢀ
（8）
[0072]
其中为目标域数据在fc3得到的特征，是非线性映射前的结果，这样才能确保不影响最终的softmax分类器。模型中使用mk-mmd表征源域输出和目标域残差层输出间差异的大小。通过不断的训练让慢慢接近，从而减少ds和d
t
之间的差异，提高识别模型的迁移性能。
[0073]
再利用在ds训练出的模型对d
t
打上伪标签，将伪标签的熵损失也加入到损失函数中。因此该识别模型最终的代价函数为：
[0074]
ꢀꢀ
（9）
[0075]
ꢀꢀ
（10）
[0076]
ꢀꢀ
（11）
[0077]
其中，loss等式右边第一部分代表的是的分类损失（交叉熵损失），占主导作用；第二部分代表的是混合核mmd距离，用来衡量间的联合分布差异；第三部分是模型对d
t
预测的伪标签的熵损失也加入到损失函数中。，为损失函数中不同组成分子的惩罚系数。和分别表示源域数据和目标域数据的总个数，h表示熵损失函数；是源域数据对应的真值向量。
[0078]
通过不断的训练，最小化代价函数，进而较少分布间的差异，提高识别模型在d
t
上的识别性能。
[0079]
模型训练时学习率设置为0.002，学习率衰减率为0.99，dropout为0.2，批次大小是150。实验中往d
t
中加了不同信杂比（scr=15db、20db、25db、30db）强度的服从瑞利分布的海杂波，然后再对d
t
进行数据的预处理，实验中需针对每种scr背景下的hrrp数据各训练一个模型。在训练过程中ds和d
t
共享模型的参数，加入d
t
是为了使模型能通过迁移学习自适应地学习ds和d
t
的差异，从而提高模型对含杂波背景下目标的识别效果。实验中mk-mmd的高斯核中 的设置为：10-6
、10-5
、10-4
、10-3
、10-2
、10-1
、1、5、10、15、20、25、30、35、100、103、104、105和106。
[0080]
（三）实验检验。
[0081]
实验中按照4:6的比例将仿真的舰船hrrp数据分为源域数据ds和目标域数据d
t
。从中随机挑选一批数据构成训练集和测试集，如下表所示。实验中通过对d
t
加海杂波的方式构造不同信噪比（信干比）下的hrrp数据，d
t
训练集没有标签。
[0082]
表5 数据集划分（帧）
[0083]
数据集训练集测试集数据总数ds2000040000128000d
t
2000040000192000
[0084]
训练伪代码如下所示：
[0085]
网络模型优化
[0086]
input: 预处理后的ds训练集 (带有标签信息) 和 dt 训练集(没有标签信息)
[0087]
output: 模型的参数（权重、偏置项），ds和 dt测试集的准确率
[0088]
begin:
[0089]
1: 根据设置的批次大小，将ds和 dt同时送入模型中
[0090]
repeat:
[0091]
2: 计算ds和 dt在fc1和 fc2 层的mk-mmd距离，ds在输出层的交叉熵损失，提取的dt特征继续经过残差模块，计算残差层输出和ds输出（未激活状态）的mk-mmd距离；
[0092]
3: 使用正在训练的模型预测dt，然后计算dt在分类层的熵损失，
[0093]
4: 汇总所有损失值，使用sgd（最快梯度下降法）更新模型参数，
[0094]
until: 模型收敛
[0095]
end: 测试ds和 dt测试集的准确率（该准确率由目标的识别率进一步汇总得到），保存模型
[0096]
图6和图7（图6和图7中，loss表示损失，class loss表示分类损失， mmd loss表示mk-mmd损失，entropy loss表示熵损失，纵坐标epoch表示迭代次数）显示了使用不同方法训练网络模型时的损失曲线图。传统的方法是在训练模型时不使用分布自适应方法，直接进行模型的迁移。从图6中可以看出，采用传统方法时，mmd损失在训练过程中呈现上升的趋势。那是因为加入的海杂波改变了数据原有分布，此时使用源域数据训练出的模型对加杂波后的数据提取有效特征的能力降低。在使用传统方法时，熵损失也出现了下降的趋势，但是下降不明显，这是因为通过不断的训练模型对破坏后的数据有一定的识别能力，但效果很差。图6中只有分类损失呈现明显下降的趋势，这是因为传统方法中只有交叉熵分类损失起了作用。如图7所示，当采用rtn方法后，mmd损失较小，仅为0.25左右，比传统方法低了1左右。这表明在mk-mmd损失约束下，提取的特征分布差异较小。对比图6和图7两图中的熵损失变化可以看出，熵损失也随着迭代次数的增加而减少。对比分类损失下降曲线可以看出，在使用传统方式时，分类损失下降更快一些。
[0097]
表6给出了在两种模型所测得的识别率。在相同噪声强度下，rtn法（改进的rtn模型进行一维像目标识别的方法）比传统方法提高了10%。在scr=25db和30db时，性能改善最为明显，识别率提高了15%左右。
[0098]
表 6 不同信杂比下模型的识别率（%）
[0099][0100]
以下以一应用例对本发明进行阐述。
[0101]
所述基于rtn的高分辨一维像目标识别方法具体包括以下步骤：
[0102]
步骤1：建立回波信号模型；根据回波信号模型生成目标回波数据，并对目标回波数据进行预处理，生成源域数据和目标域数据，将源域数据中的一部分数据和目标域数据中的一部分数据作为训练集，将源域数据中的另一部分数据和目标域数据中的另一部分数据作为测试集；所述源域数据带有标签信息，目标域数据没有标签信息。目标域数据中包括服从瑞利分布的海杂波。
[0103]
步骤2：基于一维cnn模型构造改进的rtn模型；所述改进的rtn模型包括输入层、卷积层、全连接层、残差层、分类层和输出层；其中，输入层、卷积层基于一维cnn模型实现，输入层、卷积层和全连接层串行连接，卷积层得到的卷积结果输入全连接层；所述全连接层包括全连接层1、2和3，分别用fc1、fc2和fc3表示；残差层包括残差层1和2，分别用fc4和fc5表示。
[0104]
步骤3：利用训练集对改进的rtn模型进行训练得到最终改进的rtn模型；在所述步骤3中，通过 sgd更新改进的rtn模型的参数，直到模型收敛，得到最终改进的rtn模型，具体为：使用交叉熵损失函数计算源域数据在输出层的交叉熵损失，计算目标域数据经过残差层后的残差层输出和源域数据输出的mk-mmd距离，使用熵损失函数计算目标域数据在分类层的熵损失，将上述计算结果汇总形成总损失值，使用sgd更新改进的rtn模型的参数。
[0105]
源域数据在输出层的交叉熵损失的计算公式为：
[0106][0107][0108]
其中，表示源域数据的总个数，是输出层预测的关于源域数据的结果向量，是源域数据对应的真值向量，表示交叉熵损失函数。
[0109]
目标域数据经过残差层后的残差层输出和源域数据输出的mk-mmd距离的计算公式为：
[0110][0111]
[0112]
其中，l= {fc1, fc2, output layer}，output layer表示输出层，输出层的数据是未激活状态；为第层的重要性权重；表示输入第层的数据的个数，为第n个数据对应的高斯核；表示第层的mk-mmd距离。
[0113]
目标域数据在分类层的熵损失的计算公式为：
[0114][0115][0116]
其中，表示目标域数据的总个数，源域数据和目标域数据一一对应，h表示熵损失函数。
[0117]
总损失值的计算公式为：
[0118][0119]
其中，为总损失值，为距离的惩罚系数，为目标域数据在分类层的熵损失的惩罚系数。
[0120]
步骤4：将测试集输入最终改进的rtn模型，得到最终的目标识别结果。
[0121]
综上所述，本发明提供了一种基于rtn的高分辨一维像目标识别方法，构建了基于残差迁移网络的hrrp目标识别模型；创新性地把联合分布自适应应用在了基于残差迁移网络的目标识别模型中，改善了基于cnn的雷达目标识别模型的泛化能力，增强模型在受杂波、噪声干扰背景下的识别能力，相对于传统方法的识别率提高了20%-30%。
[0122]
以上所述仅为本发明的较佳实施例、并不用以限制本发明、凡在本发明的精神和原则之内、所作的任何修改、等同替换、改进等、均应包含在本发明的保护范围之内。

技术特征：
1.一种基于rtn的高分辨一维像目标识别方法，其特征在于，包括以下步骤：步骤1：建立回波信号模型；根据回波信号模型生成目标回波数据，并对目标回波数据进行预处理，生成源域数据和目标域数据，将源域数据中的一部分数据和目标域数据中的一部分数据作为训练集，将源域数据中的另一部分数据和目标域数据中的另一部分数据作为测试集；所述源域数据带有标签信息，目标域数据没有标签信息；步骤2：基于一维cnn模型构造改进的rtn模型；步骤3：利用训练集对改进的rtn模型进行训练得到最终改进的rtn模型；步骤4：将测试集输入最终改进的rtn模型，得到最终的目标识别结果。2.根据权利要求1所述的基于rtn的高分辨一维像目标识别方法，其特征在于，步骤2所述改进的rtn模型包括输入层、卷积层、全连接层、残差层、分类层和输出层；其中，输入层、卷积层基于一维cnn模型实现，输入层、卷积层和全连接层串行连接，卷积层得到的卷积结果输入全连接层；在所述步骤3中，通过sgd更新改进的rtn模型的参数，直到模型收敛，得到最终改进的rtn模型。3.根据权利要求2所述的基于rtn的高分辨一维像目标识别方法，其特征在于，所述步骤3具体包括：使用交叉熵损失函数计算源域数据在输出层的交叉熵损失，计算目标域数据经过残差层后的残差层输出和源域数据输出的mk-mmd距离，使用熵损失函数计算目标域数据在分类层的熵损失，将上述计算结果汇总形成总损失值，使用sgd更新改进的rtn模型的参数。4.根据权利要求3所述的基于rtn的高分辨一维像目标识别方法，其特征在于，源域数据在输出层的交叉熵损失的计算公式为：，其中，表示源域数据的总个数，是输出层预测的关于源域数据的结果向量，是源域数据对应的真值向量，表示交叉熵损失函数。5.根据权利要求4所述的基于rtn的高分辨一维像目标识别方法，其特征在于，目标域数据经过残差层后的残差层输出和源域数据输出的mk-mmd距离的计算公式为：,其中，l={fc1,fc2,outputlayer}，fc1、fc2分别表示全连接层1、全连接层2，outputlayer表示输出层，输出层的数据是未激活状态；为第层的重要性权重；表示输入第层的数据的个数，为第n个数据对应的高斯核，为源域数据在第层的特征向量，为目标域数据在第层的特征向量；表示第层的mk-mmd距离。6.根据权利要求5所述的基于rtn的高分辨一维像目标识别方法，其特征在于，目标域数据在分类层的熵损失的计算公式为：
，其中，表示目标域数据的总个数，源域数据和目标域数据一一对应，h表示熵损失函数。7.根据权利要求6所述的基于rtn的高分辨一维像目标识别方法，其特征在于，总损失值的计算公式为：其中，为总损失值，为距离的惩罚系数，为目标域数据在分类层的熵损失的惩罚系数。8.根据权利要求7所述的基于rtn的高分辨一维像目标识别方法，其特征在于，目标域数据中包括服从瑞利分布的海杂波。

技术总结
本发明公开了一种基于RTN的高分辨一维像目标识别方法，包括：建立回波信号模型；生成训练集和测试集；基于一维CNN模型构造改进的RTN模型；利用训练集对改进的RTN模型进行训练得到最终改进的RTN模型；将测试集输入最终改进的RTN模型，得到最终的目标识别结果。本发明改善了基于CNN的雷达目标识别模型的泛化能力，增强模型在受杂波、噪声干扰背景下的识别能力。力。力。


技术研发人员：王国帅 刘云申 张弘 敖呈欢 陈帅 卢建
受保护的技术使用者：南京国睿防务系统有限公司
技术研发日：2023.09.13
技术公布日：2023/10/20