[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： | 本发明提出了一种现场可编程深度学习的微波成像与目标识别方法。本发明提出的现场可编程深度学习的微波成像与目标识别方法将可编程超表面材料与深度学习网络相结合，实现实时数据获取与数据处理，进而实现实时微波成像及目标识别。在本发明的数据获取过程中采用FPGA控制切换不同的Metasurface编码，相比于机械切换，速度极大提高；采用固定位置的单个接收机接收数据，系统结构简单，成本较低。在本发明的数据处理过程中，采用的深度学习网络包括DeepNIS网络和CNN网络；该深度学习网络基于样本驱动，能够很好地捕捉图像特征，成像质量好，目标识别分类准确率高；该深度学习网络抗噪声能力较强；该深度学习网络一经训练完毕，即可用于实时微波成像及目标识别。 | ||
| 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 | ||
【主权项】：
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；(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。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
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/patent/201811324605.0/，转载请声明来源钻瓜专利网。
