BG66598B1 - Метод за откриване и определяне на вещества или смеси и/или определяне на техни характеристики - Google Patents
Метод за откриване и определяне на вещества или смеси и/или определяне на техни характеристики Download PDFInfo
- Publication number
- BG66598B1 BG66598B1 BG110873A BG11087311A BG66598B1 BG 66598 B1 BG66598 B1 BG 66598B1 BG 110873 A BG110873 A BG 110873A BG 11087311 A BG11087311 A BG 11087311A BG 66598 B1 BG66598 B1 BG 66598B1
- Authority
- BG
- Bulgaria
- Prior art keywords
- coefficients
- wavelet
- output
- approximating
- controlled object
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4427—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with stored values, e.g. threshold values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4436—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a reference signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/024—Mixtures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/04—Wave modes and trajectories
- G01N2291/045—External reflections, e.g. on reflectors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Electromagnetism (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
Изобретението се отнася до метод за безконтактно откриване и определяне на вида на различни вещества и смеси, както и за определяне на техни характеристики като концентрация, твърдост и други и намира приложение във военната промишленост, в охранителна техника и пр. Методът включва облъчване на контролирания обект с вълнов импулс или поредица от такива импулси; приемане (1), усилване (2) и аналогово-цифрово преобразуване (3) на сигнала; формиране на изходни детайлизиращи уейвлитни коефициенти и на изходни апроксимиращи уейвлитни коефициенти посредством бързо дискретно уейвлитно преобразуване на дискретизиралия сигнал, реализирано с пирамидален алгоритъм на Малат и ортогонални базисни функции; филтриране (7) на изходните апроксимиращи и детайлизиращи уейвлитни коефициенти до предварително избрани; сравняване на филтрираните апроксимиращи и/или детайлизиращи уейвлитни коефициенти, в качеството им на признаци за разпознаване, с предварително подбрани съответни еталонни коефициенти от класифициращо устройство (8), като според резултата от сравняването се определя наличието и типа и/или се определя изследваната характеристика на контролирания обект.@
Description
(54) МЕТОД ЗА ОТКРИВАНЕ И ОПРЕДЕЛЯНЕ НА ВЕЩЕСТВА ИЛИ СМЕСИ И/ИЛИ ОПРЕДЕЛЯНЕ НА ТЕХНИ ХАРАКТЕРИСТИКИ
Област на техниката
Изобретението се отнася до метод за безконтактно откриване и определяне на вида на различни вещества и смеси, както и за определяне на техни характеристики, като концентрация, твърдост и други.
Методът може да намери приложение във военната промишленост, в охранителната техника, в изследователската и други сфери на дейност за откриване на взривни вещества, разпознаване на материали, определяне на тяхната твърдост или концентрация, откриване на недопустими съставки в храни и изделия, разделяне на отпадъци при преработването им и други.
Предшестващо състояние на техниката
Известен е метод за откриване и определяне на взривни вещества, който се състои в облъчване на контролирания обект с импулсни свръхвисокочестотни сигнали със зададени стойности на носещата честота на сондиращите импулси, на техните продължителности и амплитуди, приемане на отразения от контролируемия обект сигнал, усилване и аналогово-цифрово преобразуване на приетия сигнал, измерване стойностите на параметрите на преобразувания сигнал и сравнението им с предварително записани еталонни стойности на фазовите измествания, съответстващи на диелектрическите свойства на определени типове взривни вещества. Облъчването на контролирания обект се осъществява в диапазон на честотата 300 MHz до 150 GHz, при продължителност на сондиращите импулси непревишаваща 10 ms, измерва се големината на фазовото изместване на приетия сигнал спрямо излъчения и неговата интензивност, по която големина се определя коефициента на поглъщане на контролирания обект, сравнява се измерената големина на фазовото изместване на приетия сигнал спрямо излъчения с еталонните стойности, след което според резултатите от сравнението, с отчитане на определения коефициент на поглъщане на контролирания обект, се определя наличието на взривно вещество и неговия тип [1].
С известния метод не могат да се откриват и определят други вещества освен взривните. На лице са и някои технически трудности, свързани с получаването и използването на СВЧ сигнали, изисква се относително по-малко разстояние до изследвания обект, при една и съща мощност на облъчване на контролирания обект. От друга страна СВЧ сигналите влияят негативно върху човешкото здраве.
Техническа същност на изобретението
Задачата на изобретението е да се създаде метод за безконтактно откриване и определяне на вещества или смеси, както и/или за определяне на характеристики на вещества или смеси, който да е достатъчно бърз и точен, при относително по-ниска честота на вълните, с които се облъчват контролираните обекти и осигуряване на достатъчно безопасно разстояние до тях, когато това е необходимо.
Допълнителна задача на изобретението е да се намали себестойността и габаритните размери на апаратурата за подобен вид безконтактен контрол.
Поставените задачи са решени с предлагания метод, който включва:
1. Облъчване на контролирания обект с единичен вълнов импулс с честота от 20 kHz до 200 MHz и фиксирана продължителност или поредица от такива импулси;
2. Приемане на отразения от контролирания обект сигнал от поне един приемник;
3. Усилване и аналогово-цифрово преобразуване на приетия сигнал до поне 128 броя дискретни стойности;
4. Формиране на изходни детайлизиращи уейвлитни коефициенти Di,k, където i се изменя от 1 до N и на изходни апроксимиращи уейвлитни коефициенти AN,k посредством бързо дискретно уейвлитно преобразуване на дискретизирания сигнал, реализирано с пирамидален алгоритъм на Малат и ортогонални базисни функции (на Хаар, на Добеши, коифлети, симлети и други), при използване на подходящ брой нива на преобразуване N, включващи високочестотно и нискочестотно уейвлитно филтриране и двоична децимация след всяко филтриране на всяко ниво i, до получаване на поне един апроксимиращ и поне един детайлизиращ уейвлитни коефициенти след последното ниво на преобразуване, при което само апроксимиращите уейвлитни коефициенти Ai,k се подлагат на последователни
66598 Bl преобразувания c уейвлитен филтър на високи честоти и с уейвлитен филтър на ниски честоти и двоична децимация, до достигане на последното ниво N;
5. Филтриране на изходните апроксимиращи AN,k и детайлизиращи Di,k уейвлитни коефициенти до предварително избрани, според вида на контролирания обект;
6. Сравняване на филтрираните апроксимиращи и/или детайлизиращи уейвлйтни коефициенти, в качеството им на признаци за разпознаване, с предварително подбрани съответни еталонни коефициенти от класифициращо устройство, по предварително избран метод за разпознаване на образи (например: „к най-близки съседа”, невронни мрежи, сравнение с еталон и други известни методи), след което според резултата от сравняването се определя наличието и типа и/или се определя изследваната характеристика на контролирания обект;
7. Извеждане на резултантен изходен сигнал, за последваща визуализация, сигнализация или управление на процеси.
Като вариант на изпълнение на метода е предвидена възможност за ръчно или автоматично заменяне на еталонните коефициенти на класифициращото устройство и съответно сменяне на маската на филтриране (смяна на нивото и/ или поредния номер k на предварително избраните изходни уейвлитни коефициенти), според вида на контролирания обект, както и ръчно или автоматично сменяне на метода за разпознаване на образи, посредством управляващо устройство, при което изходните апроксимиращи Ai,k и детайлизиращи Di,k коефициенти се съхраняват в буфер преди да постъпят за филтриране, а резултантния изходен сигнал се извежда от управляващото устройство.
Друг вариант на метода, включва обучение и/ или самообучение на управляващото устройство, чрез въвеждане и натрупване в него на информация за изходните и филтрираните апроксимиращи и детайлизиращи коефициенти и изходна информация от класифициращото устройство.
Предимствата на изобретението са следните:
- Методът не е приложим само за експлозиви и има универсално приложение;
- Притежава добро бързодействие и точност;
- Осигурява се достатъчно разстояние от излъчвателите и приемникът до контролирания обект;
- Използваните вълни са с честота, която не оказва негативно влияние върху човешкото здраве или контролирания обект;
- Методът осигурява относително ниска себестойност и габаритни размери на апаратурата работеща по този метод.
Пояснение на приложените фигури
Фигура 1 представлява блок-схема на метод за откриване и определяне на вещества или смеси, и/или определяне на техни характеристики с уейвлитно формиране на признаците за разпознаване;
Фигура 2 - блок-схема на метода, съгласно изобретението с буфериране на изходните уейвлитни коефициенти и управляващо устройство;
Фигура 3 - диаграма на възбуждащия излъчвателя импулс и на отразения вълнови импулс.
Примери за изпълнение на изобретението
Разработени са примерни изпълнения на метода, описани по-долу, без същите да го ограничават само до представените примери.
Пример 1.
Създаден е метод за безконтактно откриване и определяне на взривни вещества (фигура 1), който включва:
- облъчване на контролирания обект с единичен вълнов импулс с честота 40 kHz, получен от пиезокерамичен ултразвуков излъчвател (непоказан), възбуждан от пакет от шест правоъгълни електрически импулси 1.1 с обща продължителност от 150 ps (фигура 3);
- приемане на отразения от контролирания обект сигнал 1.2 от пиезокерамичен ултразвуков приемник 1;
- усилване 2 и аналогово-цифрово преобразуване 3 на приетия сигнал до 2500 дискретни стойности, като сработването на аналогово-цифровия преобразувател е по зададено време, в зависимост от дистанцията до контролирания обект.
- формиране на изходни детайлизиращи уейвлитни коефициенти Di,k и на изходни апроксимиращи уейвлитни коефициенти А?,к посредством бързо дискретно уейвлитно преобразуване на дискретизирания сигнал, реализирано с пирамидален алгоритъм на Малат и ортогонални базисни функции на Хаар и Симлет 5, при използване на 7 броя нива на преобразуване N,
66598 Bl включващи високочестотно 4.i и нискочестотно
5,i уейвлитно филтриране и двоична децимация 6i (където i се изменя от 1 до N) след всяко филтриране на всяко ниво i, при което се получават 20, респ. 28 броя апроксимиращи коефициенти 3 на последното ниво на преобразуване, като само апроксимиращите уейвлитни коефициенти Ai,k се подлагат на последователни преобразувания с уейвлитен филтър на високи честоти 4.i и с jq уейвлитен филтър на ниски честоти 5.i и двоична децимация 6.Ϊ до достигане до последното 7-мо ниво;
- филтриране на изходните апроксимиращи А?,к и детайлизиращи Di,k уейвлитни коефици- 15 енти, до предварително избрани, като в случая се пропускат единствено изходните апроксимиращи коефициенти А7,к от последното ниво, където k е 5, 10, 13, 16, 17, 18 и 20-ти (пореден номер коефициент), при функция Хаар, и k е 7, 10, 11, 13, 14, 16, 24, 25, 26 и 27 при функция Симплет 5;
- сравняване на филтрираните апроксимиращи уейвлитни коефициенти А7,к , в качеството 25 им на признаци за разпознаване с предварително подбрани съответни еталонни коефициенти от класифициращо устройство 8, по предварително избран метод за разпознаване на образи - „к найблизки съседа”, след което според резултата от сравняването се определя наличието и типа на взривното вещество;
- извеждане на резултантен изходен сигнал 9, който може да послужи за последваща визуализация, сигнализация или управление на процеси.
Класифициращото устройство 8 (фигура 1) е предварително синтезирано посредством обучаваща извадка получена на базата на проведени експерименти върху идентични обекти (взривни вещества Амонит ZH-B-E, Амонит Е и тротил) и формиране на съответни еталонни коефициенти, представляващи подмножество от подбрани апроксимиращи коефициенти от множеството на всички изходни апроксимиращи и детайлизиращи коефициенти получени от обучаващата извадка, като подборът е осъществен по критерий минимум на общата грешка и посредством метод на последователно отхвърляне (метод за подбор на признаци от теорията за разпознаване на образи).
Извършени са общо 870 измервания, като обучаващата извадка (450 измервания) е формирана посредством случаен подбор на номерата на измерванията. Формирана е и контролната извадка (420 измервания), съставена от измерванията, които не участват в обучаващата извадка. Разпределението на типовете взривни вещества е поравно за всяка извадка.
Резултатите от подбирането на еталонни коефициенти и грешките на метода относно контролната извадка са посочени в Таблица 1.
Таблица 1
| Ниво на преобразуване | Използвана базисна функция | Подбрани апроксимиращи коефициенти (признаци) | Подбрани детайлизиращи коефициенти (признаци) | Тип на контролира ния обект | Действителна грешка, % | Основна грешка, % | Обща грешка, % |
| 7 | Хаар (Добеши 1) | А7,к, където: k = 5, 10, 13, 16, 17, 18 и 20 | няма подбрани | 1. Амонит ZH-B-E 2. Амонит Е 3. Тротил | 0,00 0,00 2,78 | 0,00 2,85 0,00 | 0,95 |
| 7 | Симлет 5 | А7,к, където: к = 7, 10. 11, 13, 14, 16, 24, 25,26 и 27 | няма подбрани | 1. Амонит ZH-B-E 2. Амонит Е 3. Тротил | 6,57 4,44 7,43 | 8,57 7.86 2,14 | 6,19 |
66598 Bl
Пример 2.
Създаден е метод за откриване и определяне на метали и/или техни сплави (фигура 1).
Методът включва посочените по-горе в пример 1 действия, като облъчването на контролирания обект е също с единичен вълнов импулс с честота 40 kHz, получен от пиезокерамичен ултразвуков излъчвател, възбуждан по аналогичен на пример 1 начин (фигура 3), след което следва приемане 1, усилване 2 и аналогово-цифрово преобразуване 3 на приетия сигнал до 2500 дискретни стойности, като сработването на аналогово-цифровия преобразувател е по зададено ниво.
Дискретизираният сигнал се обработва посредством бързо дискретно уейвлитно преобразуване, реализирано с пирамидален алгоритъм на Малат и ортогонални базисни функции на Хаар, при използване на 8 нива на преобразуване, включващи високочестотно 4.i и нискочестотно
5.1 уейвлитно филтриране и двоична децимация
6.1 след всяко филтриране на всяко ниво, при което се формират изходните детайлизиращи Di,k и апроксимиращи А8,к коефициенти (фигура 1 и фигура 2);
Изходните апроксимиращи и детайлизиращи коефициенти се филтрират до предварително избрани, като в този случай се пропускат единствено изходния апроксимиращ коефициент А8,к, където k е 4-я пореден коефициент при функция Хаар;
Сравняват се филтрирания апроксимиращ коефициент А8,к, в качеството му на признак за разпознаване с предварително подбран съот ветен еталонен коефициент от класифициращо устройство 8, по предварително избран метод за разпознаване на образи - „сравнение с еталон” след което според резултата от сравняването се определя наличието и типа на метала или сплавта и се извежда резултантен изходен сигнал 9, който може да послужи за последваща визуализация, сигнализация или управление на процеси.
Класифициращото устройство 8 е предварително синтезирано посредством обучаваща извадка получена на базата на проведени експеримента върху идентични метали и сплави и формиране на съответни еталонни коефициенти, представляващи подмножество от подбрани апроксимиращи коефициенти от множеството на всички изходни апроксимиращи и детайлизиращи коефициенти получени от обучаващата извадка, като подборът е осъществен по критерий минимум на общата грешка и посредством метода на последователния подбор (метод за подбор на признаци от теорията за разпознаване на образи).
Изследвани са алуминий, хром-никелова стомана, месинг, мед, конструкционна стомана и чугун като са направени общо 420 измервания (по 70 измервания на обект), от които на случаен принцип са формирани обучаваща (220 измервания) и контролна (200 измервания) извадки, като последната е съставена от измервания, които не участват в обучаващата извадка.
Резултатите от подбирането на еталонни коефициенти и грешките на метода относно контролната извадка са посочени в Таблица 2.
66598 Bl
Таблица 2
| Ниво на преобразуване | Използвана базисна функция | Подбрани апрокс. коефициенти (признаци) | Подбрани детайл, коефициенти (признаци) | Тип на контролирания обект | Действителна грешка | Основна грешка |
| % | % | |||||
| алуминий | 0 | 0 | ||||
| 8 | Хаар | As,k | Няма | |||
| (Добеши 1) | където: | подбрани | хром-никелова стомана | 0 | 0 | |
| к = 4 | месинг | 0 | 0 | |||
| мед | 0 | 0 | ||||
| констр. стомана | 0 | 0 | ||||
| чугун | 0 | 0 | ||||
| Обща грешка: | 0% |
Пример 3.
Създаден е метод съгласно изобретението, който е приложен за откриване и определяне на пластмаси (фигура 1).
Методът включва посочените по-горе в примери 1 и 2 действия, като облъчването на контролирания обект е също е единичен вълнов импулс е честота 40 kHz, получен от пиезокерамичен ултразвуков излъчвател, след което следва приемане 1, усилване 2 и аналогово-цифрово преобразуване 3 на приетия сигнал до 2500 дискретни стойности, като сработването на аналогово-цифровия преобразувател е по зададено ниво.
Дискретизираният сигнал се обработва посредством бързо дискретно уейвлитно преобразуване, реализирано е пирамидален алгоритъм на Малат и ортогонални базисни функции на Хаар, при използване на 8 нива на преобразуване, включващи високочестотно 4.i и нискочестотно
5.1 уейвлитно филтриране и двоична децимация
6.1 след всяко филтриране на всяко ниво, при което се формират изходните детайлизиращи Di,k и апроксимиращи А8,к коефициенти (фигура 1 и фигура 2);
Изходните апроксимиращи и детайлизиращи коефициенти се филтрират до предварително избрани, като в този случай се пропускат единствено изходния апроксимиращ коефициент А8,к, където k е 7-я пореден коефициент при функция Хаар;
Сравняват се филтрирания апроксимиращ коефициент А8,к, в качеството му на признак за разпознаване с предварително подбран съответен еталонен коефициент от класифициращо устройство 8, по предварително избран метод за разпознаване на образи - „к най-близки съседа” след което според резултата от сравняването се определя наличието и типа на пластмасата.
Изследвани са четири от най-често използваните термопластични пластмаси - полиетилен ниска плътност (LDPE), полиетилентерефталат (РЕТ), полистирен (PS), поливинилхлорид (PVC), като са направени 360 измервания. От получените данни за обектите са формирани обучаваща и контролна извадки, като обучаващата извадка е формирана по метода на собствено-случайните извадки с повторен избор. Тази извадка е използвана за синтез на класифициращото устройство 8 (фигура 1 и фигура 2), работещо по метода „к-най-близки съседа”,
66598 Bl а неговата работоспособност е тествана с по- В таблица 3 са обобщени резултатите от мощта на независима контролна извадка с обем определянето на пластмасите в контролната 240 измервания. извадка.
Таблица 3
| Тип на контролирания обект | Определени от класифициращото устройство при подбрани признаци: А8,к, където: k = 7 | Грешки | |||||
| LDPE | PET | PSI | PVC | Общо, бр. | Действителна, % | Основна, % | |
| LDPE | 77 | 0 | 0 | 0 | 77 | 0 | 0 |
| РЕТ | 0 | 53 | 0 | 0 | 53 | 0 | 0 |
| PS1 | 0 | 0 | 54 | 0 | 54 | 0 | 0 |
| PVC | 0 | 0 | 0 | 56 | 56 | 0 | 0 |
| Общо | 77 | 53 | 54 | 56 | 240 | Обща грешка - 0% |
Пример 4.
Създаден е метод за определяне на концентрацията на алкохолни разтвори, в частност на етанол.
Методът се отличава от примери 1, 2 и 3 със 25 следните особености:
- честота на единичния вълнов импулс -125 kHz;
- брой дискретни стойности след аналоговоцифрово преобразуване - 2500
- използвана ортогонална базисна функция за бързо дискретно уейвлитно преобразуване Хаар;
- нива на бързо дискретно уейвлитно прео- 35 бразуване - 8;
- предварително избрани признаци за разпознаване - само апроксимиращи уейвлитни коефициенти - А8,к, където k е 4, 5, 7, 8, и 10 (пореден номер коефициент);
- метод за сравнение на класифициращото устройство - „к най-близки съседа”.
Класифициращото устройство 8 (фигура 1 и фигура 2) е предварително синтезирано посредством обучаваща извадка получена на базата на проведени експерименти. Изследвани са чисти водни алкохолни разтвори със съдържание на еталон 20%, 40%, 60% и 80%, като са направени общо 498 измервания.
Обучаващата извадка е с обем 250 измервания и е формирана по метода на собствено- случайните извадки с повторен избор посредством случаен подбор.
Работоспособността на класифициращото устройство 8 е тествана с помощта на независима контролна извадка (248 измервания), в която са включени всички измервания извън обучаващата извадка. Резултатите са показани в Таблица 4.
Таблица 4
| Тип на контролирания обект | Определени от класифициращото устройство при подбрани признаци: А8,к , където: k = 4, 5, 7, 8, и 10 | Грешки | |||||
| Действителна, % | Основна, % | ||||||
| 20% | 40% | 60% | 80% | Общо, бр. | |||
| етанол | етанол | етанол | етанол | ||||
| 20% етанол | 58 | 2 | 0 | 0 | 60 | 3.33 | 3.33 |
| 40% етанол | 2 | 58 | 2 | 0 | 62 | 4.92 | 6.45 |
| 60% етанол | 0 | 1 | 61 | 2 | 64 | 7.58 | 4.69 |
| 80% етанол | 0 | 0 | 3 | 59 | 62 | 3.28 | 4.84 |
| Общо | 60 | 61 | 66 | 61 | 248 | Обща грешка - 4,84% |
66598 Bl
Пример 5.
Създаден е метод за определяне на маслеността на прясно мляко.
Методът се отличава от горните примери със следните особености:$
- честота на единичния вълнов импулс - 40 kHz;
- брой дискретни стойности след аналогово- цифрово преобразуване - 6000;|0
- използвана ортогонална базисна функция за бързо дискретно уейвлитно преобразуване Хаар;
- нива на бързо дискретно уейвлитно преобразуване - 9;15
- предварително избрани признаци за разпознаване - уейвлитни коефициенти - А9,к, където:
k = 2, 5, 7, 8, 9 и 12 и D9,k, където: k = 1, 2, 3, 5 (пореден номер коефициент);
- метод за сравнение на класифициращото устройство - „к най-близки съседа”.
Класифициращото устройство 8 (фигура 1 и фигура 2) е предварително синтезирано посредством обучаваща извадка получена на базата на проведени експерименти. Данните са получени при изследване на пресни млека с различна масленост, измерена с друг уред - „Екомилк” (производство на „Бултех 2000” ООД, гр. Стара Загора).
Оценката на точността на метода е направена след класификация на контролната извадка съдържаща 468 измервания. Резултатите са обобщени в Таблица 5.
Таблица 5
| Ниво на преобразуване | Използвана базисна функция | Подбрани апрокс. коефициенти (признаци) | Подбрани детайл, коефициенти (признаци) | Тип на контролирания обект (масленост, %) | Действителна грешка | Основна грешка |
| % | % | |||||
| 8 | Хаар | А9,к | D9,k | под 0,40 | 5.71 | 8.33 |
| (Добеши 1) | където: | където: | 0.7 | 8.33 | 8.33 | |
| k = 2, 5, 7, | k = 1,2, 3 и | 1.0 | 8.11 | 5.56 | ||
| 8, 9 и 12 | 5 | 1.2 | 2.86 | 5.56 | ||
| 1.6 | 5.41 | 2.78 | ||||
| 1.8 | 2.78 | 2.78 | ||||
| 2.0 | 5.71 | 8.33 | ||||
| 2.2 | 5.56 | 5.56 | ||||
| 2.4 | 5.41 | 2.78 | ||||
| 2.7 | 5.56 | 5.56 | ||||
| 2.9 | 8.33 | 8.33 | ||||
| 3.1 | 5.41 | 2.78 | ||||
| над 3,2 | 2.86 | 5.56 | ||||
| Обща грешка: | 5,56 % |
Пример 6.
Създаден е метод за определяне на маслеността на кисело мляко. 45
Методът се отличава от горните примери със следните особености:
- честота на единичния вълнов импулс - 40 kHz;
- брой дискретни стойности след аналоговоцифрово преобразуване - 2500;
- използвана ортогонална базисна функция за бързо дискретно уейвлитно преобразуване Коифлет 1;
- нива на бързо дискретно уейвлитно преобразуване - 8;
- предварително избрани признаци за разпознаване - уейвлитни коефициенти - А8,к, където: k = 7, 8,9 и D8,k, където: k = 3,4,6,7, 8 (пореден номер коефициент);
- метод за сравнение на класифициращото устройство - “к-най-близки съседа”.
66598 Bl
Класифициращото устройство 8 (фигура 1 и фигура 2) е синтезирано посредством обучаваща извадка получена на базата на проведени експерименти. Данните са получени при изследване на кисели млека с пет различни маслености (посочени от производителя).
От изходните данни са формирани обучаваща и контролна извадки. Обучаващата извадка е формирана по метода на собствено - случайните извадки е повторен избор, чрез случаен подбор на номерата на измерванията и има обем 300 измервания. Контролната извадка, с обем 435 измервания е съставена посредством подбор на измервания, които не са включени в обучаващата извадка.
Подборът на признаците за класификация е осъществен по метода на последователния подбор.
Резултатите относно контролната извадка са представени в Таблица 6.
Таблица 6
| Тип на контролирания обект (масленост) | Определени от класифициращото устройство | Грешки | ||||||
| при подбрани признаци: А8,к , където: k = 7, 8, 9 и D8,k , където: k = 3, 4, 6, 7, 8 | ||||||||
| Масленост: | Общо, бр. | Действителна, % | Основна, % | |||||
| 1% | 2% | 3% | 3.6% | 5% | ||||
| 1% | 54 | 1 | 0 | 0 | 0 | 55 | 5.26 | 1.82 |
| 2% | 2 | 150 | 3 | 0 | 0 | 155 | 4.46 | 3.23 |
| 3% | 0 | 4 | 78 | 3 | 0 - | 85 | 8.24 | 8.24 |
| 3.6% | 1 | 2 | 4 | 77 | 1 | 85 | 6.10 | 9.41 |
| 5% | 0 | 0 | 0 | 2 | 53 | 55 | 1.85 | 3.64 |
| Total | 57 | 157 | 85 | 82 | 54 | 435 | Обща грешка - 5,29% |
Пример 7.
Създаден е метод за определяне на твърдост на материали, в частност на метали.
Методът се отличава от горните примери със следните особености:
- честота на единичния вълнов импулс - 40 35 kHz;
- брой дискретни стойности след аналоговоцифрово преобразуване - 3500;
- използвана ортогонална базисна функция за бързо дискретно уейвлитно преобразуване Симлет 1;
- нива на бързо дискретно уейвлитно преобразуване - 9;
- предварително избрани признаци за разпознаване - не се подбират, използват се всички апроксимиращи и детайлизиращи уейвлитни коефициенти;
- метод за сравнение на класифициращото устройство - “изкуствена невронна мрежа”.
Класифициращото устройство 8 (фигура 1 и фигура 2) е синтезирано посредством изграждането на изкуствена невронна мрежа (ИНМ) и нейното обучение на базата на проведени експерименти.
За целта са изработени по 4 еднакви образци от стомана Х40 с размер Ф50тт, дебелина 1 Отт и твърдости по Роквел - HRc =34, HRc =36, HRc =40, HRc = 46 и HRc = 50.
Направени са по 100 измервания на образец, общо по 400 за образци с еднаква твърдост. От изходните данни са формирани обучаваща и контролна извадки. Обучаващата извадка е формирана по метода на собствено-случайните извадки с повторен избор, чрез случаен подбор на номерата на измерванията и има обем 300 измервания. Контролната извадка, с обем 100 измервания, е съставена посредством подбор на измерванията, които не са включени в обучаващата извадка, без повторен избор.
Получените от обучаващата извадка след уейвлитното преобразуване апроксимиращи А9,к и детайлизиращи D9,k коефициенти, в качеството им на признаци за разпознаване, са подадени за обучение на невронното класифициращо устройство 8.
С цел търсене на оптимално решение по точност и бързина на заключението, структурата
66598 Bl на ИНМ е разработена така, че позволява да бъде променяна.
В конкретния случай невронната мрежа е проектирана с 14 входа, един междинен слой и един изход. Броят на входовете се определя от броят на апроксимиращите А9,к и детайлизиращи D9,k коефициенти.
На входовете на ИНМ се подават стойностите на апроксимиращите и детайлизиращи коефи- | θ циенти. На изхода се получава число указващо принадлежността на разпознавания материал към даден тип. Диапазонът на разпознаване на един образец е ±0.5 единици от номиналната стойност за дадената твърдост. Например стомана Х40 с твърдост HRc = 46 се кодира с 4. Ако на изхода на невронната мрежа се получи сигнал в границите от 3.5 до 4.5 то се счита, че пробата е разпозната успешно и се причислява към този клас.
Обучаващите данни са подадени на ИНМ за разпознаване по 5 пъти, а контролните по 10 пъти всеки. В таблица 7 са показани получените резултати при разпознаване на образците.
Таблица 7
| Тип № | Твърдост HRc | Вид извадка | Брой правилни отговори | Грешка на разпознаване, % |
| 1 | 34 | обучаваща | 300/300 | 0 |
| контролна | 96/100 | 4 | ||
| 2 | 36 | обучаваща | 300/300 | 0 |
| контролна | 92/100 | 8 | ||
| 3 | 40 | обучаваща | 300/300 | 0 |
| контролна | 99/100 | 1 | ||
| 4 | 46 | обучаваща | 300/300 | 0 |
| контролна | 98/100 | 2 | ||
| 5 | 50 | обучаваща | 300/300 | 0 |
| контролна | 96/100 | 4 |
Пример 8.
Създаден е метод за откриване и определяне на вещества или смеси по групи (фигура 2).
За целта се прилага последователността от 35 операции описани в примерите от 1 до 7, като в случая допълнително е предвидена възможност за ръчно или автоматично заменяне на еталонните коефициенти на множествено класифициращо устройство 8 и съответно сменяне на маските на филтриране 7j (смяна на нивото N и поредния номер k на предварително подбраните изходни коефициенти), според видовете контролирани обекти, за които се разполага с еталони коефициенти (т.е. за които е обучено множественото класифициращо устройство 8, например - взривни вещества, алкохоли и твърди метали), както и ръчно или автоматично сменяне на метода за разпознаване на образи, посредством управляващо устройство 11, при което изходните апроксимиращи Ai,k и детайлизиращи Di,k коефициенти се съхраняват в буфер 10 преди да постъпят за 50 филтриране 7, а резултантния изходен сигнал 9 се извежда от управляващото устройство, след обработка на всички междинни резултантни сигнали 9j.
Според изпълнението на управляващото устройство възможно е обучение и/или самообучение на същото чрез въвеждане и натрупване в него на информация за изходните и филтрираните апроксимиращи и детайлизиращи коефициенти и изходна информация от класифициращото устройство.
Пример 9.
Създаден е метод за определяне на различни характеристики на един и същи контролиран обект (фигура 2), например - определяне на масленост, сухо вещество и недопустими примеси в прясно мляко.
Методът е аналогичен на пример 8, като особеността се състои в това, че отново на разположение е множествено класифициращо устройство 8 и буфер 10, който обаче последователно подава за филтриране 7 апроксимиращи и/или детайлизиращи коефициенти съответни
66598 Bl на изследваните поне две характеристики (за които има предварително подбрани еталонни коефициенти), като този процес се управлява ръчно или автоматично посредством управляващо устройство 11.
Приложение на изобретението
Приложението на метода съгласно изобретението е разкрит в представените примерни изпълнения, но те не го ограничават единствено и само до посочените области на използване. На практика с предлагания метод могат да се откриват и определят всякакви вещества или смеси, както и/или да се определят една или повече техни характеристики, като е достатъчно да се разполага с предварително синтезирано класифициращо устройство.
За да се достигне достатъчна точност на метода, от съществено значение е добрия подбор науейвлитна функция за преобразуване за всеки конкретен контролират обект, избора на ниво на преобразуване, както и правилния подбор на еталонните апроксимиращи и/или детайлизиращи коефициенти (признаците за разпознаване), както и доброто обучение на класифициращото устройство.
За да се прилага коректно и с по-висока точност методът, необходимо е да се изследват резултатите при използването на различни ортогонални базисни уейвлитни функции, при различни нива на преобразуване, различни методи за разпознаване на образи и методи за подбор на признаците и при различен брой използвани апроксимиращи и/или детайлизиращи коефициенти, докато се минимизира на грешката.
Подборът на еталонни апроксимиращи и/или детайлизиращи коефициенти се осъществява на базата на предварително получени данни от проведени измервания на известни конкретни обекти (обучаваща извадка) и посредством метод на последователното отхвърляне, метод на последователния подбор или друг познат метод за подбор на признаци за разпознаване.
За да се обучи коректно класифициращото устройство измерванията, от които се набират данните за обучението трябва да се провеждат с напълно и еднозначно определени обекти, характеристиките на които са измерени и посредством поне един друг точен метод.
Патентни претенции
Claims (6)
1. Метод за откриване и определяне на вещества или смеси и/или определяне на техни характеристики, включващ облъчване на контролирания обект с импулсни сигнали с фиксирана продължителност, приемане на отразения от контролируемия обект сигнал, усилване и аналогово-цифрово преобразуване на приетия сигнал и сравнение на параметри на преобразувания сигнал с предварително записани еталонни стойности, характеризиращ се с това, че контролираният обект се облъчва с единичен вълнов импулс с честота от 20 kHz до 200 MHz или поредица от такива импулси, аналогово - цифровото преобразуване на приетия сигнал е до поне 128 броя дискретни стойности и е последвано от следните етапи:
- формиране на изходни детайлизиращи уейвлитни коефициенти Di,k (където i се изменя от 1 до N) и на изходни апроксимиращи уейвлитни коефициенти AN,k посредством бързо дискретно уейвлитно преобразуване на дискретизирания сигнал, реализирано с пирамидален алгоритъм на Малат и ортогонални базисни функции, при използване на подходящ брой нива на преобразуване N, включващи високочестотно (4.i) и нискочестотно (5л) уейвлитно филтриране и двоична децимация (6.i) след всяко филтриране на всяко ниво i, до получаване на поне един апроксимиращ и поне един детайлизиращ уейвлитни коефициенти след последното ниво на преобразуване, при което само апроксимиращите уейвлитни коефициенти Ai,k се подлагат на последователни преобразувания с уейвлитен филтър на високи честоти (4.i) и с уейвлитен филтър на ниски честоти (5.i) и двоична децимация (6.i), до достигане на последното ниво N;
- филтриране (7) на изходните апроксимиращи AN,k и детайлизиращи Di,k уейвлитни коефициенти до предварително избрани, според вида на контролирания обект;
- сравняване на филтрираните апроксимиращи и/или детайлизиращи уейвлитни коефициенти, в качеството им на признаци за разпознаване, с предварително подбрани съответни еталонни коефициенти от класифициращо устройство (8), по предварително избран метод за разпознаване на образи, след което според резултата от сравняването се определя наличието и типа и/или се определя изследваната характеристика
66598 Bl на контролирания обект.
2. Метод съгласно претенция 1, характеризиращ се с това, че ръчно или автоматично се заменят еталонните коефициенти на класифициращото устройство (8) и съответно се сменя маската на филтриране, според вида на контролирания обект, както и ръчно или автоматично се заменя метода за разпознаване на образи, посредством управляващото устройство (11), при което изходните апроксимиращи Ai,k и детайлизиращи Di,k коефициенти се съхраняват в буфер (10) преди да постъпят за филтриране (7).
3. Метод съгласно претенция 2, характеризиращ се с това, че управляващото устройство (11) се обучава и/или самообучава, чрез въвеждане и натрупване в него на информация за изходните и филтрираните апроксимиращи и детайлизиращи коефициенти и изходна информация от класифициращото устройство (8).
4. Метод съгласно претенция 1, 2 или 3, характеризиращ се с това, че класифициращото устройство (8) е предварително синтезирано посредством обучаваща извадка получена на базата на проведени експерименти върху идентични обекти и формиране на съответни еталонни коефициенти, представляващи подмножество от подбрани апроксимиращи и/или детайлизиращи коефициенти от множеството на всички изходни апроксимиращи и детайлизиращи коефициенти получени от обучаващата извадка, като подборът е осъществен по критерий минимум на общата грешка и посредством известен метод за подбор на признаци от теорията за разпознаване на образи.
5. Метод съгласно претенции от 1 до 4, характеризиращ се с това, че след сравняването, от класифициращото устройство (8) или от управляващото устройство (11), се извежда резултантен изходен сигнал (9), който служи за последваща визуализация, сигнализация или управление на процеси.
6. Метод съгласно претенции от 1 до 5, характеризиращ се с това, че при аналогово-цифровото преобразуване (3) на приетия сигнал сработването на аналогово-цифровия преобразувател е по зададено време, в зависимост от дистанцията до контролирания обект или е по зададено ниво на сигнала.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| BG110873A BG66598B1 (bg) | 2011-02-25 | 2011-02-25 | Метод за откриване и определяне на вещества или смеси и/или определяне на техни характеристики |
| US13/985,325 US9147101B2 (en) | 2011-02-25 | 2012-02-24 | Method of detecting and identifying substances or mixtures and determining their characteristics |
| PCT/BG2012/000005 WO2012113041A1 (en) | 2011-02-25 | 2012-02-24 | Method of detecting and identifying substances or mixtures and determining their characteristics |
| EP12749137.1A EP2678667A4 (en) | 2011-02-25 | 2012-02-24 | Method of detecting and identifying substances or mixtures and determining their characteristics |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| BG110873A BG66598B1 (bg) | 2011-02-25 | 2011-02-25 | Метод за откриване и определяне на вещества или смеси и/или определяне на техни характеристики |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BG110873A BG110873A (bg) | 2012-08-31 |
| BG66598B1 true BG66598B1 (bg) | 2017-08-31 |
Family
ID=46720033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BG110873A BG66598B1 (bg) | 2011-02-25 | 2011-02-25 | Метод за откриване и определяне на вещества или смеси и/или определяне на техни характеристики |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US9147101B2 (bg) |
| EP (1) | EP2678667A4 (bg) |
| BG (1) | BG66598B1 (bg) |
| WO (1) | WO2012113041A1 (bg) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BG66598B1 (bg) * | 2011-02-25 | 2017-08-31 | Габрово, Технически Университет | Метод за откриване и определяне на вещества или смеси и/или определяне на техни характеристики |
| CN107356783A (zh) * | 2017-06-12 | 2017-11-17 | 西安理工大学 | 一种基于小波变换自适应滤波的气固两相流交流电信号处理方法 |
| CN107677640B (zh) * | 2017-09-29 | 2018-07-27 | 吉林大学 | 一种基于激光诱导击穿光谱的塑料样品元素识别方法 |
| CN113792675B (zh) * | 2021-09-17 | 2024-06-25 | 上海兰宝传感科技股份有限公司 | 基于离散小波变换模型的金属材质涡流分析方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5365171A (en) * | 1992-11-30 | 1994-11-15 | The United States Of America As Represented By The Secretary Of The Navy | Removing the effects of acoustic ringing and reducing temperature effects in the detection of explosives by NQR |
| US5815198A (en) * | 1996-05-31 | 1998-09-29 | Vachtsevanos; George J. | Method and apparatus for analyzing an image to detect and identify defects |
| RU2283485C2 (ru) * | 2004-09-09 | 2006-09-10 | Закрытое акционерное общество "Интеллектуальные сканирующие системы" | Способ обнаружения и идентификации взрывчатых веществ |
| US7409374B1 (en) * | 2004-12-06 | 2008-08-05 | The United States Of America As Represented By The Secretary Of The Army | Explosive event discrimination method |
| US8158377B2 (en) * | 2005-08-31 | 2012-04-17 | Ut-Battelle, Llc | Biosensor method and system based on feature vector extraction |
| RU2340913C2 (ru) * | 2006-09-05 | 2008-12-10 | Николай Николаевич Мусинский | Способ дистанционного обнаружения вещества |
| US20090167322A1 (en) * | 2007-12-28 | 2009-07-02 | Erik Edmund Magnuson | Systems and method for classifying a substance |
| GB0807473D0 (en) * | 2008-04-24 | 2008-12-03 | Durham Scient Crystals Ltd | Method and Apparatus for Inspection of Materials |
| JP5288462B2 (ja) * | 2008-10-06 | 2013-09-11 | 国立大学法人大阪大学 | 爆発物、不正薬物検査装置、アンテナコイルおよび爆発物、不正薬物検査方法 |
| JP5623061B2 (ja) * | 2008-12-12 | 2014-11-12 | キヤノン株式会社 | 検査装置及び検査方法 |
| RU2393464C1 (ru) * | 2009-02-20 | 2010-06-27 | Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования "Московский государственный университет леса" | Устройство идентификации делящихся материалов |
| CN101886977B (zh) * | 2010-06-12 | 2011-11-09 | 苏州大学 | 一种信号中周期瞬态成分的自适应检测方法 |
| BG66598B1 (bg) * | 2011-02-25 | 2017-08-31 | Габрово, Технически Университет | Метод за откриване и определяне на вещества или смеси и/или определяне на техни характеристики |
-
2011
- 2011-02-25 BG BG110873A patent/BG66598B1/bg unknown
-
2012
- 2012-02-24 US US13/985,325 patent/US9147101B2/en not_active Expired - Fee Related
- 2012-02-24 WO PCT/BG2012/000005 patent/WO2012113041A1/en active Application Filing
- 2012-02-24 EP EP12749137.1A patent/EP2678667A4/en not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| US20130322744A1 (en) | 2013-12-05 |
| BG110873A (bg) | 2012-08-31 |
| US9147101B2 (en) | 2015-09-29 |
| WO2012113041A1 (en) | 2012-08-30 |
| EP2678667A1 (en) | 2014-01-01 |
| EP2678667A4 (en) | 2017-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sambath et al. | Automatic detection of defects in ultrasonic testing using artificial neural network | |
| EP2960685B1 (en) | On-body concealed weapon detection system | |
| BG66598B1 (bg) | Метод за откриване и определяне на вещества или смеси и/или определяне на техни характеристики | |
| Nor et al. | Nitrate and sulfate estimations in water sources using a planar electromagnetic sensor array and artificial neural network method | |
| RU2007113185A (ru) | Система обнаружения многочисленных угроз | |
| CN108801971A (zh) | 基于高光谱成像技术的霉菌侵染板栗的检测方法 | |
| EP3117203A1 (en) | Substance or contamination detection | |
| DE102010013637A1 (de) | Verfahren zur Klassifizierung von Signalen nach der verwendeten Modulationsart | |
| CN108268902A (zh) | 基于递归图的高光谱图像变换及物质检测识别系统及方法 | |
| CN111487592B (zh) | 一种基于gpu和cpu平台漂移均值聚类的雷达信号分选方法 | |
| CN113988130A (zh) | 一种脉冲电流波形双时双频参数提取方法及系统 | |
| RU2671152C1 (ru) | Способ обработки сигнала акустической эмиссии | |
| Xie et al. | Acoustic feature extraction using perceptual wavelet packet decomposition for frog call classification | |
| CN113094933B (zh) | 基于注意力机制的超声波损伤检测分析方法及其应用 | |
| RU2405163C1 (ru) | Способ частотно-временного корреляционного анализа цифровых сигналов | |
| Miyano et al. | Detecting nonlinear determinism in voiced sounds of Japanese vowel/a | |
| Yang et al. | Classification of ship-radiated signals via chaotic features | |
| Harper et al. | Classification of plant species from CTFM ultrasonic range data using a neural network | |
| Yin et al. | Imaging and detection of cracks based on a multi-frequency electromagnetic scanning instrument and SVM | |
| Te et al. | Investigation of biomaterial classification using T-rays | |
| Al-Qubaa et al. | Automatic threat object classification based on extracted features from electromagnetic imaging system | |
| Yang et al. | High performance spike detection and sorting using neural waveform phase information and SOM clustering | |
| CN107203009A (zh) | 一种基于小波特征向量提取的手机检测方法 | |
| Chakraborty et al. | Computational techniques for classification of military vehicles using seismic signatures | |
| RU2269124C2 (ru) | Способ идентификации жидких и воздушных сред |