[发明专利]一种现场可编程深度学习的微波成像与目标识别方法有效
| 申请号： | 201811324605.0 | 申请日： | 2018-11-08 |
| 公开（公告）号： | CN109344916B | 公开（公告）日： | 2021-09-28 |
| 发明（设计）人： | 阮恒心;双雅;王龙刚;李廉林 | 申请（专利权）人： | 北京大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04 |
| 代理公司： | 北京万象新悦知识产权代理有限公司 11360 | 代理人： | 苏爱华 |
| 地址： | 100871*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 现场 可编程 深度 学习 微波 成像 目标 识别 方法 | ||
1.一种现场可编程深度学习的微波成像与目标识别方法，其特征在于包括如下步骤：
(1)采用FPGA切换N次可编程Metasurface的编码，获得N组不同数据；
(2)用Tikhonov正则化算法处理接收到的数据，进行图像重构；
(3)训练深度学习网络中的DeepNIS网络；
(4)利用DeepNIS网络对重构的图像进行增强，DeepNIS网络由三个串联的复数域卷积神经网络模块构成，每个模块由三层复数域卷积神经网络层构成；
(5)训练深度学习网络中的CNN网络；
(6)利用CNN网络进行目标识别分类。
2.根据权利要求1所述的现场可编程深度学习的微波成像与目标识别方法，其特征在于，采用2比特可编程Metasurface。
3.根据权利要求1所述的现场可编程深度学习的微波成像与目标识别方法，其特征在于，采用FPGA控制可编程Metasurface的编码，可快速切换。
4.根据权利要求1所述的现场可编程深度学习的微波成像与目标识别方法，其特征在于，采用Tikhonov正则化算法进行初步的图像恢复。
5.根据权利要求1所述的现场可编程深度学习的微波成像与目标识别方法，其特征在于，DeepNIS网络由三个串联的复数域卷积神经网络模块构成，每个模块由三层复数域卷积神经网络层构成。
6.根据权利要求1所述的现场可编程深度学习的微波成像与目标识别方法，其特征在于，DeepNIS网络通过Adam优化算法进行训练。
7.根据权利要求1所述的现场可编程深度学习的微波成像与目标识别方法，其特征在于，CNN网络使用Adadelta优化算法进行训练。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京大学，未经北京大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201811324605.0/1.html，转载请声明来源钻瓜专利网。
