CN105067641A - 基于模板粒子群寻优的复杂体异物的微波检测系统 - Google Patents
基于模板粒子群寻优的复杂体异物的微波检测系统 Download PDFInfo
- Publication number
- CN105067641A CN105067641A CN201510418649.XA CN201510418649A CN105067641A CN 105067641 A CN105067641 A CN 105067641A CN 201510418649 A CN201510418649 A CN 201510418649A CN 105067641 A CN105067641 A CN 105067641A
- Authority
- CN
- China
- Prior art keywords
- template
- signal
- template particles
- foreign matter
- foreign
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
微波检测使用安全,便携性好,但在复杂物体的探测方面面临严峻的发展瓶颈。粒子群寻优是目前广泛使用的一种优化方法,其优势在于简单容易实现,采用实数求解并且需要调整的参数较少,是一种通用的全局搜索算法。但如果对被检测体的介电分布整体进行寻优,由于解空间过大,会导致计算复杂度过高。本发明基于模板粒子群寻优进行复杂体异物的微波检测,将被检测异物的位置和尺寸等性质参数作为检测的目标,建立异物模板粒子,从而达到异物检测的目标,使得在保证检测可靠性和检测精度的情况下,计算复杂度大大下降,为微波检测技术进一步拓宽应用领域走向实用化打下基础。
Description
技术领域
本发明涉及一种基于模板粒子群寻优的复杂体异物的微波检测系统及采用该系统的检测方法,尤其是在无辐射、无损伤情况下方便快速地判断复杂结构体内部是否含有异物以及判断异物的位置和大小,属于微波检测技术领域。
背景技术
微波波长范围为1000mm到1mm,选择合适的频率可以穿透到物体的内部,并且不同物体内部的材料体使其发生不同性质的反射、折射、衍射或散射,使得通过处理和分析穿过物体的微波信号,从而把握物体内部的特性成为可能。微波检测技术的优势在于:1)使用非电离辐射,系统安全性高,不对人体造成伤害,可以经常性使用;2)柔性天线和微型化检测器件使得微波检测设备的可穿戴设计具有可行性,从而保证了易用性,便携性,适合于移动医疗,家庭、社区等场合使用。
微波检测尤其是对材料内部的检测有很广泛的应用,近年来,生物领域的微波检测也逐渐引起关注,其中,人体微波检测是一个具有发展前景的领域,例如:人体组织中血块、肿块和肿瘤的探测。结构体内异物的介电性质与它们周围的正常组织不同,基于微波的检测方法利用不同组织中的介电性能差异引起的不同的电磁散射作为判别基础。
基于微波信号的物体内部异常检测方法,一般主要采用微波成像方法,对于复杂结构尤其是异物区域的信号反射无法清晰获取的情况下,难以达到检测效果;逆向重建方法采用优化方法重建被测区域的介电常数,对血块等异物位置和大小进行判断,存在算法复杂,易受干扰等缺点。总之目前的微波成像算法在复杂物体的探测方面面临严峻的发展瓶颈。
粒子群寻优是目前广泛使用的一种优化方法,在微波检测中也有所应用。粒子群(PSO)优化算法是一种基于群智能同遗传算法类似的启发式全局优化技术,系统初始化为一组随机解,通过迭代搜寻最优值,但是并没有遗传算法用的交叉以及变异操作,而是通过利用个体间的协作和竞争来实现对问题最优解的搜索。PSO的优势在于简单容易实现,采用实数求解并且需要调整的参数较少,是一种通用的全局搜索算法,同样也可尝试作为微波检测应用的寻优算法。但如果对被检测体的介电分布整体进行寻优,由于解空间过大,会导致计算复杂度过高。本专利基于微波应用中被测体的基本结构已知这一通常情形,将被检测异物的位置和尺寸等性质参数作为检测的目标,建立异物模板粒子,从而达到异物检测的目的,使得在保证检测可靠性和检测精度的情况下,计算复杂度大大下降,为微波检测技术进一步拓宽应用领域走向实用化打下基础。
发明内容
本发明的目的是提供一种基于模板粒子群寻优对复杂结构体内是否存在异物进行判定的装置。
为了达到上述目的,本发明的技术方案是提供了一种基于模板粒子群寻优的复杂体异物的微波检测系统,其特征在于,包括:
固定在被测物体周围的n个位置i=1,2,...,n,上的超宽带天线,通过射频电路依次使n个超宽带天线向被测物体发送超宽带脉冲信号,或由相同的超宽带天线接收自被测物体返回的回波信号或由其他超宽带天线接收散射信号;
基准信号与异物模板粒子生成模块,基于被测物体的无异物结构数据,利用电磁场仿真系统,生成无异物模板微波信号基于特定异物参数及被测物体结构数据,利用电磁场仿真系统,生成异物模板粒子;
信号相似度计算模块,基于信号差异性和互相关性计算回波信号与无异物模板微波信号的相似度Sim[i],并利用信号的自相关对信号相似度进行规范化;
异物存在判断模块,基于信号回波信号与无异物模板微波信号的相似度判断是否存在异物,如果存在异物则启动基于模板粒子群的异物定位检测,否则,判断为无异物,退出算法;
基于模板粒子群的异物定位检测模块,利用粒子群算法对异物进行定位寻优,
优选地,所述回波信号与所述无异物模板微波信号的相似度式中,αS0为和无异物模板微波信号相关的规范化系数,αp为和相关的规范化系数,运算.*表示信号向量的点乘运算。
优选地,所述回波信号与所述无异物模板微波信号的相似度 式中,αS0为和无异物模板微波信号相关的规范化系数,αp为和相关的规范化系数,运算.*表示信号向量的点乘运算。
优选地,所述基于模板粒子群的异物定位检测模块的具体实现步骤包括:
步骤1:异物模板粒子初始化:进行初始化,设定收敛条件、算法迭代最大次数,并生成m个待测体异物模板群,随机生成每个模板粒子的参数向量的更新速度和当前取值p=1,2,...,m,参数包括异物在被测体中的2D或3D位置和大小;
步骤2:模板信号生成:利用电磁场仿真工具生成各模板的各个天线的回波信号
步骤3:适应度值计算:对模板粒子p,计算其适应度值Sim(p);
步骤4:更新全局和局部最优值:对每个模板集,比较每个模板粒子的当前适应度值Sim(p)和当前全局最优的适应度值gBest,并对下一代全局最优适应度值及其模板粒子参数取值gx,进行更新;对每个模板粒子,比较当前适应度值Sim(p)和本模板粒子历史最优的适应度值lBest,并对此模板粒子的下一代局部最优适应度值及其模板粒子参数取值lxp,进行更新;
步骤5:更新粒子群参数:对于每个模板粒子,计算模板粒子p下一代的更新速度和参数向量值:
式中,为模板粒子p下一代的更新速度,为模板粒子p当前的更新速度,为模板粒子p下一代参数向量值,为模板粒子p当前参数向量值,w为惯性参数,r1和r2为随机影响参数,η1为局部跟随控制参数,η2为全局跟随控制参数;
步骤6:查验是否满足收敛条件或算法终止条件:收敛条件为gBest小于设定阈值,算法终止条件为迭代次数超过设定最大次数,如满足,则退出;否则,转到步骤2。
优选地,在所述步骤5中,惯性参数w小于1.0。
优选地,在所述步骤5中,r1∈[0,1],r2∈[0,1]。
优选地,在所述步骤5中,η1及η2取值为2。
本发明独创性地利用异物模板粒子群算法,对复杂结构体,例如脑组织中是否存在异物,如血块,进行检测和位置大小的判断。本系统计算复杂度低,可靠性高,系统配置灵活,具有可伸缩性,在微波检测和无损探测领域具有良好的应用前景。
本发明的有益效果是:能在无辐射危害情况下无损伤地以较低的计算复杂度判断复杂结构体内是否具有异物以及判断目标异物的位置和大小。
附图说明
图1是本发明算法流程图;
图2是被测带有异物(血块)的脑部结构图,图像区域分辨率为256×256,每个像素大小为1.1mm,异物极坐标为(105,14),异物大小为18mm;
图3是第一代异物模板粒子群分布结构图;
图4是收敛时异物模板粒子群分布结构图;
图5粒子群算法运行至收敛过程中全局最优适应度值随迭代次数的变化情况(粒子数为24)。
图中:1为天线,2为检测区域,3为目标血块,4为异物模板。。
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下。
本发明提供了一种基于粒子群寻优的复杂体异物的微波检测系统,如图1所示,包括:
微波测量装置,包括固定在被测物体周围的n个位置i=1,2,...,n,上的超宽带天线,通过射频电路依次使n个超宽带天线向被测物体发送超宽带脉冲信号,或由相同的超宽带天线接收自被测物体返回的回波信号或由其他超宽带天线接收散射信号;
基准信号与异物模板粒子生成模块,基于被测物体的无异物结构数据,利用电磁场仿真系统,生成无异物模板微波信号基于特定异物参数及被测物体结构数据,利用电磁场仿真系统,生成异物模板粒子;
信号相似度计算模块,基于信号差异性和互相关性计算回波信号与无异物模板微波信号的相似度Sim[i],并利用信号的自相关对信号相似度进行规范化;
异物存在判断模块,基于信号回波信号与无异物模板微波信号的相似度判断是否存在异物,如果存在异物则启动基于模板粒子群的异物定位检测,否则,判断为无异物,退出算法;
基于模板粒子群的异物定位检测模块,利用粒子群算法对异物进行定位寻优。
其中,信号相似度计算的计算方法为式中,αS0为和无异物模板微波信号相关的规范化系数,αp为和相关的规范化系数,运算.*表示信号向量的点乘运算;
基于模板粒子群的异物定位检测模块,用于判断异物的大小及位置,为了说明,现举一例,复杂体结构和血块位置和大小如图2所示,目标血块的极坐标(105,14),直径18mm。本实施例的步骤和参数的选择如下:
步骤1、异物模板粒子初始化:根据经验值设定收敛条件为Sim[i]<0.1、设定算法迭代最大次数为2000代,并随机在[-1,1]之间设置异物模板粒子的更新速度在复杂体异物可能产生范围随机产生粒子初始参数向量取值p=1,2,...,m,参数为三元组,包括异物在被测体中的2D极坐标位置 R∈[1,130]和异物直径D,D∈[1,40],并且R+D≤130,单位为mm。这里假设被测体半径小于130mm。经过比较粒子群粒子数量m取值为24。相关参数设置后,调用异物模板粒子生成模块,生成m个异物模板粒子,作为初始粒子群(如图3所示);
步骤2、模板信号生成:利用时域有限差分法电磁场仿真工具生成各模板粒子的各个天线的回波信号
步骤3、适应度值计算:对每个模板粒子p,调用信号相似度计算模块计算粒子适应度值Sim(p);
步骤4:更新全局和局部最优值:对每个模板,比较当前适应度值Sim(p),.和当前全局最优的适应度值gBest,对全局最优适应度值进行更新,并更新最优模板参数gx;对每个模板,比较当前适应度值Sim(p)和本模板历史最优的适应度值lBest,对局部最优适应度值进行更新,并更新局部最优模板参数lxp;
步骤5:更新粒子群参数:对于每个模板粒子,计算模板粒子p下一代的更新速度和参数向量值:
式中,为模板粒子p下一代的更新速度,为模板粒子p当前的更新速度,为模板粒子p下一代参数向量值,为模板粒子p当前参数向量值,w为惯性参数,w小于1.0,r1和r2为随机影响参数,r1∈[0,1],r2∈[0,1],η1为局部跟随控制参数,η2为全局跟随控制参数,η1及η2取值为2。
步骤6:查验是否满足收敛条件或算法终止条件:收敛条件为gBest小于设定阈值,算法终止条件为迭代次数超过设定最大次数。如满足,则退出;否则,转到步骤2。如图4所示,算法收敛时异物模板粒子的位置和大小,其具体极坐标和大小参数如下表1所示,其中适应度为零的粒子(粒子编号11)具有极坐标(105,15),大小为18mm,与实际目标血块(105,14),直径18mm,极坐标半径误差为1mm。
粒子 | 角度(度) | 极半径(mm) | 直径(mm) | 适应度值 |
1 | 120 | 14 | 15 | 5.3 |
2 | 124 | 15 | 15 | 6.23 |
3 | 92 | 16 | 15 | 4.02 |
4 | 243 | 17 | 15 | 10.64 |
5 | 90 | 16 | 15 | 4.02 |
6 | 162 | 14 | 16 | 13.09 |
7 | 136 | 9 | 16 | 7.87 |
8 | 77 | 22 | 17 | 17.58 |
9 | 104 | 14 | 17 | 0.16 |
10 | 195 | 6 | 18 | 22.65 |
11 | 105 | 15 | 18 | 0 |
12 | 145 | 16 | 18 | 16.5 |
13 | 159 | 15 | 18 | 18.85 |
14 | 217 | 13 | 18 | 14.96 |
15 | 145 | 16 | 18 | 16.5 |
16 | 153 | 8 | 18 | 7.66 |
17 | 117 | 9 | 19 | 12.7 |
18 | 171 | 10 | 20 | 11.92 |
19 | 124 | 21 | 21 | 32.86 |
20 | 192 | 7 | 21 | 16.38 |
21 | 250 | 5 | 21 | 20.61 |
22 | 107 | 9 | 21 | 11.38 |
23 | 163 | 8 | 21 | 11.2 |
24 | 111 | 9 | 22 | 12.4 |
表1
影响算法的重要参数之一是粒子群的粒子数量。图5为粒子数量为24时的算法收敛情况,在第17代,达到收敛条件。
经过改变粒子数量的实验,可以得出粒子数量对算法寻优性能的影响情况。表2为粒子数量为12,18,24,30,36,对于不同的血块,多次实验的结果分析,可以看出,当适应度阈值设为0.01时,平均迭代次数分别为42.25,45.25,38,24.75和28;当适应度阈值设为0.5时,迭代次数分别为19.25,9.5,26,21.75和15.25;当适应度阈值设为1时,迭代次数分别为19,11,25,12,8.25和6.25;当适应度阈值设为1.2时,迭代次数分别为16.75,8.5,10.25,6.75和5.25。因此可以得出结论:其一,当算法收敛条件相同的情况下,随着粒子数增加,迭代次数呈下降趋势;其二,当收敛条件放宽,即定位误差增加时,迭代次数呈下降趋势。
另一个算法计算复杂度的衡量指标是每次寻优时正向电磁场计算次数,即FDTD的运算次数,如表2所示,粒子数越小,FDTD运算次数降低,例如粒子数为12的FDTD次数比粒子数取36的FDTD次数少41%。根据以上分析,在实际应用中可以根据算法精度和效率对粒子数量和算法的适应度阈值进行选择,以获得满意的寻优性能。
表2。
Claims (7)
1.一种基于模板粒子群寻优的复杂体异物的微波检测系统,其特征在于,包括:
固定在被测物体周围的n个位置上的超宽带天线,通过射频电路依次使n个超宽带天线向被测物体发送超宽带脉冲信号,或由相同的超宽带天线接收自被测物体返回的回波信号或由其他超宽带天线接收散射信号;
基准信号与异物模板粒子生成模块,基于被测物体的无异物结构数据,利用电磁场仿真系统,生成无异物模板微波信号基于特定异物参数及被测物体结构数据,利用电磁场仿真系统,生成异物模板粒子;
信号相似度计算模块,基于信号差异性和互相关性计算回波信号与无异物模板微波信号的相似度Sim[i],并利用信号的自相关对信号相似度进行规范化;
异物存在判断模块,基于信号回波信号与无异物模板微波信号的相似度判断是否存在异物,如果存在异物则启动基于模板粒子群的异物定位检测,否则,判断为无异物,退出算法;
基于模板粒子群的异物定位检测模块,利用粒子群算法对异物进行定位寻优。
2.如权利要求1所述的一种基于模板粒子群寻优的复杂体异物的微波检测系统,其特征在于,所述回波信号与所述无异物模板微波信号的相似度式中,αS0为和无异物模板微波信号相关的规范化系数,αp为和相关的规范化系数,运算.*表示信号向量的点乘运算。
3.如权利要求1所述的一种基于模板粒子群寻优的复杂体异物的微波检测系统,其特征在于,所述回波信号与所述无异物模板微波信号的相似度式中,αS0为和无异物模板微波信号相关的规范化系数,αp为和相关的规范化系数,运算.*表示信号向量的点乘运算。
4.如权利要求1所述的一种基于模板粒子群寻优的复杂体异物的微波检测系统,其特征在于,所述基于模板粒子群的异物定位检测模块的具体实现步骤包括:
步骤1:异物模板粒子初始化:进行初始化,设定收敛条件、算法迭代最大次数,并生成m个待测体异物模板群,随机生成每个模板粒子的参数向量的更新速度和当前取值参数包括异物在被测体中的2D或3D位置和大小;
步骤2:模板信号生成:利用电磁场仿真工具生成各模板的各个天线的回波信号
步骤3:适应度值计算:对模板粒子p,计算其适应度值Sim(p);
步骤4:更新全局和局部最优值:对每个模板集,比较每个模板粒子的当前适应度值Sim(p)和当前全局最优的适应度值gBest,并对下一代全局最优适应度值及其模板粒子参数取值gx,进行更新;对每个模板粒子,比较当前适应度值Sim(p)和本模板粒子历史最优的适应度值lBest,并对此模板粒子的下一代局部最优适应度值及其模板粒子参数取值lxp,进行更新;
步骤5:更新粒子群参数:对于每个模板粒子,计算模板粒子p下一代的更新速度和参数向量值:
式中,为模板粒子p下一代的更新速度,为模板粒子p当前的更新速度,为模板粒子p下一代参数向量值,为模板粒子p当前参数向量值,w为惯性参数,r1和r2为随机影响参数,η1为局部跟随控制参数,η2为全局跟随控制参数;
步骤6:查验是否满足收敛条件或算法终止条件:收敛条件为gBest小于设定阈值,算法终止条件为迭代次数超过设定最大次数,如满足,则退出;否则,转到步骤2。
5.如权利要求4所述的一种基于模板粒子群寻优的复杂体异物的微波检测系统,其特征在于:在所述步骤5中,惯性参数w小于1.0。
6.如权利要求4所述的一种基于模板粒子群寻优的复杂体异物的微波检测系统,其特征在于:在所述步骤5中,r1∈[0,1],r2∈[0,1]。
7.如权利要求4所述的一种基于模板粒子群寻优的复杂体异物的微波检测系统,其特征在于:在所述步骤5中,η1及η2取值为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510418649.XA CN105067641A (zh) | 2015-07-16 | 2015-07-16 | 基于模板粒子群寻优的复杂体异物的微波检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510418649.XA CN105067641A (zh) | 2015-07-16 | 2015-07-16 | 基于模板粒子群寻优的复杂体异物的微波检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105067641A true CN105067641A (zh) | 2015-11-18 |
Family
ID=54497064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510418649.XA Pending CN105067641A (zh) | 2015-07-16 | 2015-07-16 | 基于模板粒子群寻优的复杂体异物的微波检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105067641A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654145A (zh) * | 2016-03-14 | 2016-06-08 | 东华大学 | 基于交叉点的复杂体异物微波检测定位方法 |
CN110892272A (zh) * | 2017-07-31 | 2020-03-17 | 株式会社日立高新技术 | 装置、试料的状态的判别方法以及分析系统 |
CN112219450A (zh) * | 2017-08-23 | 2021-01-12 | Bsh家用电器有限公司 | 微波-家用设备的运行 |
CN113468793A (zh) * | 2021-07-21 | 2021-10-01 | 中海石油(中国)有限公司 | 一种丛式井平台位置优选方法、系统及存储介质 |
CN113720862A (zh) * | 2021-08-17 | 2021-11-30 | 珠海格力电器股份有限公司 | 零件异常检测方法、装置、设备及存储介质 |
CN114027854A (zh) * | 2021-12-01 | 2022-02-11 | 杭州电子科技大学 | 基于最优模板匹配和形态特征提取的bect棘波检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101234022A (zh) * | 2006-12-19 | 2008-08-06 | 华东师范大学 | 一种微波近场医学体检测方法及其应用 |
US20120190977A1 (en) * | 2009-07-23 | 2012-07-26 | Medfield Diagnostics Ab | Classification of microwave scattering data |
CN102824163A (zh) * | 2012-08-22 | 2012-12-19 | 天津大学 | 一种用于早期乳腺肿瘤超宽带微波检测的天线阵列 |
CN103431841A (zh) * | 2013-06-06 | 2013-12-11 | 天津大学 | 一种早期乳腺肿瘤的特征极点识别方法 |
-
2015
- 2015-07-16 CN CN201510418649.XA patent/CN105067641A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101234022A (zh) * | 2006-12-19 | 2008-08-06 | 华东师范大学 | 一种微波近场医学体检测方法及其应用 |
US20120190977A1 (en) * | 2009-07-23 | 2012-07-26 | Medfield Diagnostics Ab | Classification of microwave scattering data |
CN102824163A (zh) * | 2012-08-22 | 2012-12-19 | 天津大学 | 一种用于早期乳腺肿瘤超宽带微波检测的天线阵列 |
CN103431841A (zh) * | 2013-06-06 | 2013-12-11 | 天津大学 | 一种早期乳腺肿瘤的特征极点识别方法 |
Non-Patent Citations (3)
Title |
---|
李涛等编著: "《数据挖掘的应用与实践 大数据时代的案例分析》", 31 October 2013, 厦门:厦门大学出版社 * |
汤楠等: "基于超声检测的管道内腐蚀缺陷识别研究", 《石油机械》 * |
陈志奎等: "传感器网络的粒子群优化定位算法", 《通信技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654145A (zh) * | 2016-03-14 | 2016-06-08 | 东华大学 | 基于交叉点的复杂体异物微波检测定位方法 |
CN110892272A (zh) * | 2017-07-31 | 2020-03-17 | 株式会社日立高新技术 | 装置、试料的状态的判别方法以及分析系统 |
CN110892272B (zh) * | 2017-07-31 | 2023-09-26 | 株式会社日立高新技术 | 装置、试料的状态的判别方法以及分析系统 |
CN112219450A (zh) * | 2017-08-23 | 2021-01-12 | Bsh家用电器有限公司 | 微波-家用设备的运行 |
CN112219450B (zh) * | 2017-08-23 | 2023-02-28 | Bsh家用电器有限公司 | 微波-家用设备的运行 |
CN113468793A (zh) * | 2021-07-21 | 2021-10-01 | 中海石油(中国)有限公司 | 一种丛式井平台位置优选方法、系统及存储介质 |
CN113720862A (zh) * | 2021-08-17 | 2021-11-30 | 珠海格力电器股份有限公司 | 零件异常检测方法、装置、设备及存储介质 |
CN114027854A (zh) * | 2021-12-01 | 2022-02-11 | 杭州电子科技大学 | 基于最优模板匹配和形态特征提取的bect棘波检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105067641A (zh) | 基于模板粒子群寻优的复杂体异物的微波检测系统 | |
CN104856678B (zh) | 基于模板信号相似度的复杂体内部异物的微波检测系统 | |
CN103617344B (zh) | 基于雷达后向散射实测数据对单层地表介电参数与粗糙度参数快速反演的联合优化算法 | |
CN106772352B (zh) | 一种基于Hough和粒子滤波的PD雷达扩展微弱目标检测方法 | |
CN109100692B (zh) | 基于迭代物理光学的粗糙面与多个目标复合散射仿真方法 | |
CN107607942B (zh) | 基于深度学习模型的大尺度电磁散射与逆散射的预测方法 | |
CN103530469B (zh) | 一种角反射器雷达截面积的计算方法 | |
CN113009447B (zh) | 基于深度学习和探地雷达的道路地下空洞检测预警方法 | |
CN105607045A (zh) | 一种欺骗式干扰下组网雷达的优化布站方法 | |
CN109374986A (zh) | 一种基于聚类分析与网格搜索的雷电定位方法及系统 | |
CN105974412A (zh) | 一种用于合成孔径雷达的目标特征提取方法 | |
CN115438571B (zh) | 一种基于机器学习的地波雷达波浪场计算方法及装置 | |
Liu et al. | Surface defect detection of solar cells based on feature pyramid network and GA-faster-RCNN | |
CN112462355B (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN113158485B (zh) | 近场条件下电大尺寸目标的电磁散射仿真方法 | |
CN108154173A (zh) | 一种原油储罐油水界面测量装置及方法 | |
CN105654145A (zh) | 基于交叉点的复杂体异物微波检测定位方法 | |
CN103383353B (zh) | 一种基于光学涡旋的动态散斑测试方法 | |
CN116430126B (zh) | 一种基于电磁背景认知的电磁静默目标检测方法、装置及计算机设备 | |
CN109615007A (zh) | 基于粒子滤波的深度学习网络目标检测方法 | |
CN104850856A (zh) | 近邻传播观测聚类的多扩展目标跟踪方法 | |
CN106294283B (zh) | 基于泰勒级数展开的时域积分方程快速方法 | |
Eskandari et al. | Simultaneous microwave imaging and parameter estimation using modified level-set method | |
Li et al. | Time domain inverse scattering for a homogenous dielectric cylinder by asynchronous particle swarm optimization | |
CN111368398B (zh) | 一种不确定结构电大目标电磁散射特性分析方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151118 |