CN107169469A - 一种基于机器学习的mimo雷达的材料识别方法 - Google Patents

一种基于机器学习的mimo雷达的材料识别方法 Download PDF

Info

Publication number
CN107169469A
CN107169469A CN201710408596.2A CN201710408596A CN107169469A CN 107169469 A CN107169469 A CN 107169469A CN 201710408596 A CN201710408596 A CN 201710408596A CN 107169469 A CN107169469 A CN 107169469A
Authority
CN
China
Prior art keywords
num
signal
echo
material identification
mean
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.)
Granted
Application number
CN201710408596.2A
Other languages
English (en)
Other versions
CN107169469B (zh
Inventor
李彧晟
刘茜
顾陈
洪弘
孙理
朱晓华
张力
高茜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201710408596.2A priority Critical patent/CN107169469B/zh
Publication of CN107169469A publication Critical patent/CN107169469A/zh
Application granted granted Critical
Publication of CN107169469B publication Critical patent/CN107169469B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于MIMO雷达的材料识别方法，首先用MIMO雷达采集样本材料回波信号，接着对回波进行特征提取，得出能够区分不同材料的特征参数，之后利用机器学习算法确定不同材料和特征参数之间的映射关系；最后根据所得到的映射关系，判决MIMO雷达探测的物体属于何种材料。本发明方法有效可行，性能可靠，可以准确地对材料进行识别。

Description

一种基于机器学习的MIMO雷达的材料识别方法
技术领域
本发明属于雷达领域，特别是一种基于机器学习的MIMO雷达的材料识别方法。
背景技术
传统的材料识别方法是利用破环性或者非破坏性方法对物体采样后进行识别分类。例如，克洛德·朗贝尔、让-米歇尔·阿尚所著的《回收来自报废物品的材料的方法》中提出“将物品(12)破碎成颗粒(15)、远距离检测每个颗粒可能带有的标记物”；由于待识别物体是报废物品，该方法对待识别物体采用了破坏性的手段，不会影响后续对报废物品的操作；然而当待识别物体不能被破坏时，该方法会失效。
金宰完、金益载等人的专利《用于识别对象材料的方法和设备》中提出“所述设备包括：成像相机单元，用于捕捉包括空间中的各种对象的空间图像；探测雷达单元，用于将入射波发送到对象，并接收包括来自每个对象的表面的表面反射波和来自每个对象的内部反射波的空间雷达信息；信息存储单元，用于存储与每个对象的材料相应的参考物理性质信息；材料识别处理器，用于通过使用存储在信息存储单元中的参考物理性质信息、由成像相机单元提供的空间图像和由探测雷达单元提供的空间雷达信息来识别每个对象的材料信息”；该专利文献使用相机和雷达来记录待测物体信息，直接与参考物理性质信息进行比较，当物体所处环境发生变化时，该方法的判断结果与实际类别之间会出现很大的偏差。
破坏性的采样方法虽能精准地进行材料的分类与识别，但会对被检测物体造成破坏，因此在古董鉴别，珍贵物品识别等方面具有局限性。非破坏性采样的方法通常为利用相机对被测物体进行拍摄，由场景中的对象的反射的2维或3维的光谱信息进行材料识别，但这种方法无法得到被测对象的厚度，密度，介电系数等信息，这样会造成物体的误判。
发明内容
本发明的目的在于提供一种基于机器学习的MIMO雷达的材料识别方法。
实现本发明目的的技术解决方案为：一种基于机器学习的MIMO雷达材料识别方法，包括以下步骤：
步骤1、用MIMO雷达中的X个天线采集样本材料回波信号，从所采集到的回波信号中截取Y分钟回波信号进行特征提取，得出特征参数，所述特征参数包括：所有天线对的材料回波信号的平均包络chan_mean、每个天线对的材料回波信号包络平均值data_sel_mean、回波信号的全局最大值al_max、全局最小值al_min、全局平均值al_mean和全局均方根al_rms；之后按照所采集的材料对所提取的相应特征进行标记，建立MIMO雷达特征数据库D，具体为：
步骤1-1、提取MIMO雷达的X个天线对的信号回波的平均包络chan_mean，具体为：第at_i个天线对获得的回波信号为Sig(at_i，num_t)，at_i＝1，2，…，X，num_t为时间变量；对Sig(at_i，num_t)进行采样，得到的信号表示为Sig(at_i，num_i)，其中at_i＝1，2，…，X，num_i＝1，2，…num，其中num为信号采样点数；对Sig(at_i，num_i)进行希尔伯特变换，得到第at_i个天线对的信号回波包络Env(at_i，num_i)；得到所有天线对的信号回波包络后，将Env(at_i，num_i)对at_i求平均，得到回波信号平均包络chan_mean(num_i)，其中num_i＝1，2，…num,即chan_mean为num维向量；
步骤1-2、提取每个天线对的材料信号回波包络平均值data_sel_mean，具体为：第at_i个天线对获得的回波信号为Sig(at_i，num_t)，at_i＝1，2，…，X，num_t为时间变量；对Sig(at_i，num_t)进行采样，得到的信号表示为Sig(at_i，num_i)，其中at_i＝1，2，…，X，num_i＝1，2，…num，其中num为信号采样点数；对Sig(at_i，num_i)进行希尔伯特变换，得到第at_i个天线对的信号回波包络Env(at_i，num_i)；将第at_i个天线对的信号回波包络Env(at_i，num_i)对num_i进行平均，得到该天线对的回波信号包络平均值data_sel_mean(at_i)，其中at_i＝1，2，…，X，即data_sel_mean为X维向量；
步骤1-3、提取信号回波包络的全局最大值al_max，具体为：在MIMO雷达的所有天线对的信号回波包络Env(at_i，num_i)中寻找最大值，at_i＝1，2，…，X，num_i＝1，2，…num，得到信号回波包络全局最大值al_max；
步骤1-4、提取信号回波包络的全局最小值al_min，具体为：在MIMO雷达所有天线对的信号回波包络Env(at_i，num_i)中寻找最小值，at_i＝1，2，…，X，num_i＝1，2，…num，得到信号回波包络全局最小值al_min；
步骤1-5、提取信号回波包络的全局平均值al_mean，具体为：将data_sel_mean(at_i)对at_i求平均，得到信号回波包络全局平均值al_mean；
步骤1-6、提取信号回波包络的全局均方根al_rms，具体为：对MIMO雷达所有天线对信号回波包络Env(at_i，num_i)进行均方根运算，at_i＝1，2，…，X，num_i＝1，2，…num，得到所有天线对信号回波包络的全局均方根al_rms。
步骤2、在保证每个集中各个材料比例一致的前提下，将步骤1得到的MIMO雷达数据库D划分成两个互斥的集合，其中一个集合为训练集S，另一个为交叉检验集CV；
步骤3、使用训练集S通过训练监督型机器学习算法来建立不同材料和特征参数之间的材料识别映射模型M1，具体为：
步骤3-1、训练集S中，有m1种材料，每个材料各m2包数据，即共m＝m1*m2包数据，每包数据为由步骤1所得特征参数组成的n维向量，其中n＝num+X+4，num为步骤1-1中提取的特征参数chan_mean的维数，X为步骤1-2中提取的特征参数data_sel_mean的维数，4为步骤1-3、步骤1-4、步骤1-5、步骤1-6中提取的所有特征参数的总维数；由步骤1中提取的特征参数组成m*n材料识别特征矩阵输入机器学习算法中；
步骤3-2、从m*n材料识别特征矩阵中随机取一个样本放入采样矩阵中，经过sp_row次随机采样操作得到sp_row*n的采样矩阵，再对sp_row*n的采样矩阵进行n维特征上的采样，每个样本都在n个特征参数中选取同样sp_col个特征，重复T次，得T个sp_row*sp_col的采样矩阵；
步骤3-3、基于每个采样矩阵去训练出一个材料识别基学习器，得到T个材料识别基学习器；
步骤3-4、利用投票法将T个材料识别基学习器得到的结果进行综合，构成了模型M1的输出。
步骤4、使用交叉检验组CV对材料识别映射模型M1进行进一步调参优化，得到材料识别映射模型M，具体为：
步骤4-1、确定材料识别基学习器的参数，当材料识别基学习器为决策树时，参数包括决策数算法的分裂时参与判断的最大特征数max_feature、最大深度max_depth、分裂所需的最小样本数min_samples_split；当材料识别基学习器为多类别分类的SVM时，参数包括SVM算法的惩罚参数c、核函数参数gamma；
步骤4-2、对每个参数进行一次直线搜索，具体为，利用CV集对基学习器进行训练，计算模型性能与各个参数之间的梯度；
步骤4-3、根据模型性能与各个参数之间的梯度，选取梯度值最大的参数作为当前调优参数，利用梯度下降法对当前调优参数进行调优；
步骤4-4、重复步骤4-2、步骤4-3，直到所有参数的梯度小于阈值(例如，当所测物体为水果时，阈值为0.02)；
步骤4-5、调整材料识别基学习器个数T，具体为：计算模型性能与T之间的梯度，之后利用梯度下降法对基学习器个数T进行调整，得到最终的材料识别基学习器个数。
步骤5、在对待测材料进行判别时，截取Y分钟回波信号，进行特征提取，将提取到的特征输入到材料识别映射模型M中，即可得到判别结果。
本发明与现有技术相比，其显著优点在于：1)本发明利用MIMO材料识别雷达可以实行非接触式材料识别，操作更便利，能减少检测对象的破坏，能获得物质内部的信息和物理信息，能减少传统识别手段的局限性；2)利用本发明的方法，对多种常见的材料进行识别，识别结果准确；3)本发明的方法简单有效，性能可靠，便于实施。
下面结合说明书附图对本发明做进一步描述。
附图说明
图1为本发明基于机器学习的MIMO雷达的材料识别方法流程图。
图2为本发明中所使用机器学习的方法流程图。
图3为没有物体的两对天线时域波形图。其中图3(a)为没有物体时对应的天线对1所得到的一帧时域波形图，图3(b)为没有物体时对应的天线对2所得到的一帧时域波形图。
图4为物体A的两对天线时域波形图。其中图4(a)为放置物体A时对应的天线对1所得到的一帧时域波形图，图4(b)为放置物体A时对应的天线对2所得到的一帧时域波形图。
图5为物体B的两对天线时域波形图。其中图5(a)为放置物体B时对应的天线对1所得到的一帧时域波形图，图5(b)为放置物体B时对应的天线对2所得到的一帧时域波形图。
图6为利用本发明的方法对12种材料进行判别所得到的结果的混淆矩阵。
具体实施方式
结合附图，本发明的一种基于机器学习的MIMO雷达的材料识别方法，包括以下步骤：
步骤1、用MIMO雷达中的X个天线对采集m1种样本材料回波信号，从所采集到的回波信号中截取Y分钟回波信号Sig，对Sig进行特征提取，得出特征参数，所述特征参数包括：所有天线对的回波信号的平均包络chan_mean、每个天线对的回波信号包络平均值data_sel_mean、回波信号包络的全局最大值al_max、全局最小值al_min、全局平均值al_mean和全局均方根al_rms；之后按照所采集的材料对所提取的相应特征进行标记，建立MIMO雷达特征数据库D；
用MIMO雷达中的X个天线采集样本材料回波信号，从所采集到的回波信号中截取Y分钟回波信号进行特征提取，得出特征参数，具体为：
步骤1-1、提取MIMO雷达的X个天线对的信号回波的平均包络chan_mean，具体为：第at_i个天线对获得的回波信号为Sig(at_i，num_t)，at_i＝1，2，…，X，num_t为时间变量；对Sig(at_i，num_t)进行采样，得到的信号表示为Sig(at_i，num_i)，其中at_i＝1，2，…，X，num_i＝1，2，…num，其中num为信号采样点数；对Sig(at_i，num_i)进行希尔伯特变换，得到第at_i个天线对的信号回波包络Env(at_i，num_i)；得到所有天线对的信号回波包络后，将Env(at_i，num_i)对at_i求平均，得到回波信号平均包络chan_mean(num_i)，其中num_i＝1，2，…num,即chan_mean为num维向量；
步骤1-2、提取每个天线对的材料信号回波包络平均值data_sel_mean，具体为：第at_i个天线对获得的回波信号为Sig(at_i，num_t)，at_i＝1，2，…，X，num_t为时间变量；对Sig(at_i，num_t)进行采样，得到的信号表示为Sig(at_i，num_i)，其中at_i＝1，2，…，X，num_i＝1，2，…num，其中num为信号采样点数；对Sig(at_i，num_i)进行希尔伯特变换，得到第at_i个天线对的信号回波包络Env(at_i，num_i)；将第at_i个天线对的信号回波包络Env(at_i，num_i)对num_i进行平均，得到该天线对的回波信号包络平均值data_sel_mean(at_i)，其中at_i＝1，2，…，X，即data_sel_mean为X维向量；
步骤1-3、提取信号回波包络的全局最大值al_max，具体为：在MIMO雷达的所有天线对的信号回波包络Env(at_i，num_i)中寻找最大值，at_i＝1，2，…，X，num_i＝1，2，…num，得到信号回波包络全局最大值al_max；
步骤1-4、提取信号回波包络的全局最小值al_min，具体为：在MIMO雷达所有天线对的信号回波包络Env(at_i，num_i)中寻找最小值，at_i＝1，2，…，X，num_i＝1，2，…num，得到信号回波包络全局最小值al_min；
步骤1-5、提取信号回波包络的全局平均值al_mean，具体为：将data_sel_mean(at_i)对at_i求平均，得到信号回波包络全局平均值al_mean；
步骤1-6、提取信号回波包络的全局均方根al_rms，具体为：对MIMO雷达所有天线对信号回波包络Env(at_i，num_i)进行均方根运算，at_i＝1，2，…，X，num_i＝1，2，…num，得到所有天线对信号回波包络的全局均方根al_rms。
步骤2、在保证每个集中各个材料比例一致的前提下，将步骤1得到的MIMO雷达数据库D划分成两个互斥的集合，其中一个集合为训练集S，另一个为交叉检验集CV；
步骤3、使用训练集S通过训练监督型机器学习算法来建立不同材料和特征参数之间的材料识别映射模型M1；具体为：
步骤3-1、训练集S中，有m1种材料，每个材料各m2包数据，即共m＝m1*m2包数据，每包数据为由步骤1所得特征参数组成的n维向量，其中n＝num+X+4，num为步骤1-1中提取的特征参数chan_mean的维数，X为步骤1-2中提取的特征参数data_sel_mean的维数，4为步骤1-3、步骤1-4、步骤1-5、步骤1-6中提取的所有特征参数的总维数；由步骤1中提取的特征参数组成m*n材料识别特征矩阵输入机器学习算法中；
步骤3-2、从m*n材料识别特征矩阵中随机取一个样本放入采样矩阵中，经过sp_row次随机采样操作得到sp_row*n的采样矩阵，再对sp_row*n的采样矩阵进行n维特征上的采样，每个样本都在n个特征参数中选取同样sp_col个特征，重复T次，得T个sp_row*sp_col的采样矩阵；
步骤3-3、基于每个采样矩阵去训练出一个材料识别基学习器，得到T个材料识别基学习器；
所训练的材料识别基学习器可以为决策树，具体训练过程为：
步骤3-3-1、遍历各个特征，计算各个特征的基尼指数，其公式为：
△Gini(A)＝Gini(a)-GiniA(a)
第一个公式中，Gini(a)表示的是数据集a的基尼指数，a即为步骤3-2得到的sp_row*sp_col的采样矩阵，p表示数据集中有p类样本，pi表示第i类样本在数据集a中的比例；
第二个公式中，GiniA(a)表示的是按特征A划分后的基尼指数，A为步骤1中得到的六种特征参数，k表示数据集a在特征A下划分成k个部分，aj表示划分后的第j个数据集；
第三个公式中，△Gini(A)表示的是按特征A划分前后的基尼指数增益值；
之后，选取基尼指数增益值最大的特征作为节点的分裂条件，生成新的节点；
步骤3-3-2、以步骤3-3-1生成的节点作为根节点，重复3-3-1的过程，选取新的材料特征作为分裂条件，直至数据集a全部被划分完。
或者，所训练的材料识别基学习器为多类别分类的SVM，具体为：
步骤3-3-A、设sp_row*sp_col的采样矩阵中包含c个类别样本，对c个类别，做d次划分，这里d的取值大于类别数c，每次随机划分将一部分类别划分成正类，记为(+1)，另一部分类别划分为反类，记为(-1)，每一组对应的正类和负类即为一个训练集；共产生d个训练集；
步骤3-3-B、将3-3-A生成的d个训练集分别训练SVM，得到d个SVM学习器，将每一类的数据输入上述d个SVM学习器中得到相应的编码，组成c*d的编码矩阵；
步骤3-3-C、上述d个SVM分类器组成了基学习器；d个分类器分别对测试样本进行预测，预测标记组成一个编码，将这个编码与每个类别各自的编码进行比较，返回其中距离最小的类别作为最终预测的结果。
步骤3-4、利用投票法将T个材料识别基学习器得到的结果进行综合，构成了模型M1的输出。
步骤4、使用交叉检验组CV对材料识别映射模型M1进行进一步调参优化，得到材料识别映射模型M；所述调参优化，具体为：
步骤4-1、确定材料识别基学习器的参数，当材料识别基学习器为决策树时，参数包括决策数算法的分裂时参与判断的最大特征数max_feature、最大深度max_depth、分裂所需的最小样本数min_samples_split；当材料识别基学习器为多类别分类的SVM时，参数包括SVM算法的惩罚参数c、核函数参数gamma；
步骤4-2、对每个参数进行一次直线搜索，具体为，利用CV集对基学习器进行训练，计算模型性能与各个参数之间的梯度；
步骤4-3、根据模型性能与各个参数之间的梯度，选取梯度值最大的参数作为当前调优参数，利用梯度下降法对当前调优参数进行调优；
步骤4-4、重复步骤4-2、步骤4-3，直到所有参数的梯度小于阈值；
步骤4-5、调整材料识别基学习器个数T，具体为：计算模型性能与T之间的梯度，之后利用梯度下降法对基学习器个数T进行调整，得到最终的材料识别基学习器个数。
步骤5、对待测材料进行判别，具体是截取Y分钟回波信号，进行特征提取，将提取到的特征输入到材料识别映射模型M中，得到判别结果。
本发明利用MIMO材料识别雷达可以实行非接触式材料识别，操作更便利，能减少检测对象的破坏，能获得物质内部的信息和物理信息，能减少传统识别手段的局限性。
下面结合实施例对本发明做进一步详细的描述。
实施例
结合图1，2本具体实施方式采用以下技术方案：一种基于MIMO雷达的材料识别方法，包括无线收发机、数字信号处理、特征提取、机器学习算法，材料识别，MIMO雷达上设置有多对发送天线和接收天线，无线收发机将接收到的信号通过数字信号处理、特征提取后进行机器学习材料识别。
步骤1、用MIMO材料识别雷达采集信号，将所测得的回波信号进行解调，得到材料识别信息，部分材料识别波形如图2、图3和图4所示；
步骤2、为了减少运算量，提高运算速度，我们选取其中具有代表性的7对天线并截取1分钟材料判别回波信号，并进行特征提取，得出能够区分不同材料的特征参数：所有天线对的材料回波信号的平均包络chan_mean(4096个点)、每个天线对的材料回波信号包络平均值data_sel_mean_i(i＝1,2,3,…,7)、回波信号的全局最大值al_max、全局最小值al_min、全局平均值al_mean和全局均方根al_rms。其中部分特征如表1所示；
步骤3、建立MIMO雷达材料识别特征库，利用已有的材料识别数据训练机器学习模型来确定不同材料和特征参数之间的映射模型：
将MIMO雷达特征识别库库里的12种MIMO雷达材料回波信号，每个材料各5包数据作为训练集，通过步骤2进行特征提取，组成材料识别60*4107特征矩阵输入机器学习算法中.从材料识别特征矩阵中随机取一个样本放入采样矩阵中，经过60次随机采样操作得到60*4107的采样矩阵，重复329次，得329个60*4017的采样矩阵，然后基于每个采样矩阵去训练出一个材料识别基学习器，这里基学习器使用的是决策树，得到329个材料识别基学习器，利用投票法将329个学习器所得到的结果进行结合，当预测出材料种类收到同样的票数时，进一步考察基学习器在相关类别的置信度来确定最后的结果，得到材料识别映射模型M1；
步骤4、将MIMO雷达特征识别库库里的12种MIMO雷达材料回波信号，每个材料各2包数据(不包含训练集中的数据)作为交叉检验集CV，将CV中的数据输入材料识别映射模型M1中通过其他基学习器参数修改T的值和进一步优化材料识别映射模型的识别精度，得得到材料识别映射模型M，M的相关参数为：max_feature为28，max_depth为None，min_samples_split为2；
步骤5、利用MIMO雷达检测待测物体，记录对应7个天线的回波数据，经过特征提取，得出特征参数：chan_mean、data_sel_mean、al_max、al_min、al_mean和al_rms，根据步骤3的映射模型，判决材料识别雷达获取的材料识别信息属于何种材料。
结合图3(a)(b)，没有物体时，天线对1所接收到波形包络的第二个峰幅度为0.1左右，第四个峰幅度为0.13左右；天线对2所接收波形包络最大值为0.025左右，第一个峰值为0.02左右。
结合图4(a)(b)，物体A的雷达波形特点在于：天线对1所接收波形包络的第二个峰幅度为0.07左右，第四个峰幅度为0.1左右；天线对2所接收波形包络最大值为0.05左右，第一个峰值为0.04左右。
结合图5(a)(b)，物体B的雷达波形的特点在于：天线对1所接收波形包络与没有物体时较为相似，但总体幅度都较小一些；天线对2所接收波形包络最大值为0.03左右，第一个峰值为0.01左右。
结合表1，用MIMO材料识别雷达采集5种材料7个天线对的信号，列出这5种信号的部分特征参数，利用权利3中机器学习算法所得的材料识别，可以判决这5个信号属于何种材料。
表1
材料信号 al_max al_min al_mean al_rms
材料1 2.602971797 5.52E-05 6.79E-02 0.231412451
材料2 3.063706576 4.08E-06 9.31E-02 0.266611379
材料3 3.652992637 0.000166336 1.27E-01 0.36214977
材料4 1.610606446 9.59E-06 5.94E-02 0.130998203
材料5 4.630240964 2.53E-05 1.10E-01 0.466903712
根据所训练的材料识别机器学习判决模型，分类准确度能达到98％。由此说明本MIMO雷达的的材料识别、材料分类有很高的可实施性。
结合图6，样本材料包括12种材料，将12种材料、每种材料2包送入机器学习判决模型M中，得到混淆矩阵如图所示；图中1表示没有摆放物体，2表示空玻璃杯，3表示铁制茶叶盒，4表示装水的玻璃杯，5表示装水的塑料杯，6表示装水的纸杯，7表示空塑料杯，8表示空纸杯，9表示装油的纸杯，10表示装酱油的纸杯，11表示书，12表示装可乐的纸杯。图中显示，机器学习判决模型M只将一包类别为12的材料判决为10，其余判决均正确。
由上可知，本发明的方法简单有效，性能可靠，便于实施。

Claims (6)

1.一种基于机器学习的MIMO雷达的材料识别方法，其特征在于，包括以下步骤：
步骤1、用MIMO雷达中的X个天线对采集m1种样本材料回波信号，从所采集到的回波信号中截取Y分钟回波信号Sig，对Sig进行特征提取，得出特征参数，所述特征参数包括：所有天线对的回波信号的平均包络chan_mean、每个天线对的回波信号包络平均值data_sel_mean、回波信号包络的全局最大值al_max、全局最小值al_min、全局平均值al_mean和全局均方根al_rms；之后按照所采集的材料对所提取的相应特征进行标记，建立MIMO雷达特征数据库D；
步骤2、在保证每个集中各个材料比例一致的前提下，将步骤1得到的MIMO雷达数据库D划分成两个互斥的集合，其中一个集合为训练集S，另一个为交叉检验集CV；
步骤3、使用训练集S通过训练监督型机器学习算法来建立不同材料和特征参数之间的材料识别映射模型M1；
步骤4、使用交叉检验组CV对材料识别映射模型M1进行进一步调参优化，得到材料识别映射模型M；
步骤5、对待测材料进行判别，具体是截取Y分钟回波信号，进行特征提取，将提取到的特征输入到材料识别映射模型M中，得到判别结果。
2.根据权利要求1所述的基于机器学习的MIMO雷达的材料识别方法，其特征在于，步骤1用MIMO雷达中的X个天线采集样本材料回波信号，从所采集到的回波信号中截取Y分钟回波信号进行特征提取，得出特征参数，具体为：
步骤1-1、提取MIMO雷达的X个天线对的信号回波的平均包络chan_mean，具体为：第at_i个天线对获得的回波信号为Sig(at_i，num_t)，at_i＝1，2，…，X，num_t为时间变量；对其进行采样，得到的信号表示为Sig(at_i，num_i)，其中num_i＝1，2，…num，num为信号采样点数；对Sig(at_i，num_i)进行希尔伯特变换，得到第at_i个天线对的信号回波包络Env(at_i，num_i)；得到所有天线对的信号回波包络后，将Env(at_i，num_i)对at_i求平均，得到回波信号平均包络chan_mean(num_i)，其中num_i＝1，2，…num,即chan_mean为num维向量；
步骤1-2、提取每个天线对的材料信号回波包络平均值data_sel_mean，具体为：第at_i个天线对获得的回波信号为Sig(at_i，num_t)，at_i＝1，2，…，X，num_t为时间变量；对其进行采样，得到的信号表示为Sig(at_i，num_i)，其中num_i＝1，2，…num，num为信号采样点数；对Sig(at_i，num_i)进行希尔伯特变换，得到第at_i个天线对的信号回波包络Env(at_i，num_i)；将第at_i个天线对的信号回波包络Env(at_i，num_i)对num_i进行平均，得到该天线对的回波信号包络平均值data_sel_mean(at_i)，其中at_i＝1，2，…，X，即data_sel_mean为X维向量；
步骤1-3、提取信号回波包络的全局最大值al_max，具体为：在MIMO雷达的所有天线对的信号回波包络Env(at_i，num_i)中寻找最大值，at_i＝1，2，…，X，num_i＝1，2，…num，得到信号回波包络全局最大值al_max；
步骤1-4、提取信号回波包络的全局最小值al_min，具体为：在MIMO雷达所有天线对的信号回波包络Env(at_i，num_i)中寻找最小值，at_i＝1，2，…，X，num_i＝1，2，…num，得到信号回波包络全局最小值al_min；
步骤1-5、提取信号回波包络的全局平均值al_mean，具体为：将data_sel_mean(at_i)对at_i求平均，得到信号回波包络全局平均值al_mean；
步骤1-6、提取信号回波包络的全局均方根al_rms，具体为：对MIMO雷达所有天线对信号回波包络Env(at_i，num_i)进行均方根运算，at_i＝1，2，…，X，num_i＝1，2，…num，得到所有天线对信号回波包络的全局均方根al_rms。
3.根据权利要求1所述的基于机器学习的MIMO雷达的材料识别方法，其特征在于，步骤3通过训练监督型机器学习算法来确定不同材料和特征参数之间的映射模型，具体为：
步骤3-1、训练集S中，有m1种材料，每个材料各m2包数据，即共m＝m1*m2包数据，每包数据为由步骤1所得特征参数组成的n维向量，其中n＝num+X+4，num为步骤1-1中提取的特征参数chan_mean的维数，X为步骤1-2中提取的特征参数data_sel_mean的维数，4为步骤1-3、步骤1-4、步骤1-5、步骤1-6中提取的特征参数的维数和；由步骤1中提取的特征参数组成m*n材料识别特征矩阵输入机器学习算法中；
步骤3-2、从m*n材料识别特征矩阵中随机取一个样本放入采样矩阵中，经过sp_row次随机采样操作得到sp_row*n的采样矩阵，再对sp_row*n的采样矩阵进行n维特征上的采样，每个样本都在n个特征参数中选取同样sp_col个特征，重复T次，得T个sp_row*sp_col的采样矩阵；
步骤3-3、基于每个采样矩阵去训练出一个材料识别基学习器，得到T个材料识别基学习器；
步骤3-4、利用投票法将T个材料识别基学习器得到的结果进行综合，构成了模型M1的输出。
4.根据权利要求3所述的基于机器学习的MIMO雷达的材料识别方法，其特征在于，步骤3-3所训练的材料识别基学习器为决策树，具体训练过程为：
步骤3-3-1、遍历各个特征，计算各个特征的基尼指数，其公式为：
<mrow> <mi>G</mi> <mi>i</mi> <mi>n</mi> <mi>i</mi> <mrow> <mo>(</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <msup> <msub> <mi>p</mi> <mi>i</mi> </msub> <mn>2</mn> </msup> </mrow>
<mrow> <msub> <mi>Gini</mi> <mi>A</mi> </msub> <mrow> <mo>(</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <mfrac> <mrow> <mo>|</mo> <msub> <mi>a</mi> <mi>j</mi> </msub> <mo>|</mo> </mrow> <mrow> <mo>|</mo> <mi>a</mi> <mo>|</mo> </mrow> </mfrac> <mi>G</mi> <mi>i</mi> <mi>n</mi> <mi>i</mi> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow>
△Gini(A)＝Gini(a)-GiniA(a)
第一个公式中，Gini(a)表示的是数据集a的基尼指数，a即为步骤3-2得到的sp_row*sp_col的采样矩阵，p表示数据集中有p类样本，pi表示第i类样本在数据集a中的比例；
第二个公式中，GiniA(a)表示的是按特征A划分后的基尼指数，A为步骤1中得到的六种特征参数，k表示数据集a在特征A下划分成k个部分，aj表示划分后的第j个数据集；
第三个公式中，△Gini(A)表示的是按特征A划分前后的基尼指数增益值；
之后，选取基尼指数增益值最大的特征作为节点的分裂条件，生成新的节点；
步骤3-3-2、以步骤3-3-1生成的节点作为根节点，重复3-3-1的过程，选取新的材料特征作为分裂条件，直至数据集a全部被划分完。
5.根据权利要求3所述的基于机器学习的MIMO雷达的材料识别方法，其特征在于，步骤3-3所训练的材料识别基学习器为多类别分类的SVM，具体为：
步骤3-3-A、设sp_row*sp_col的采样矩阵中包含c个类别样本，对c个类别，做d次划分，这里d的取值大于类别数c，每次随机划分将一部分类别划分成正类，记为(+1)，另一部分类别划分为反类，记为(-1)，每一组对应的正类和负类即为一个训练集；共产生d个训练集；
步骤3-3-B、将3-3-A生成的d个训练集分别训练SVM，得到d个SVM学习器，将每一类的数据输入上述d个SVM学习器中得到相应的编码，组成c*d的编码矩阵；
步骤3-3-C、上述d个SVM分类器组成了基学习器；d个分类器分别对测试样本进行预测，预测标记组成一个编码，将这个编码与每个类别各自的编码进行比较，返回其中距离最小的类别作为最终预测的结果。
6.根据权利要求1所述的基于机器学习的MIMO雷达的材料识别方法，其特征在于，步骤4的调参优化，具体为：
步骤4-1、确定材料识别基学习器的参数，当材料识别基学习器为决策树时，参数包括决策数算法的分裂时参与判断的最大特征数max_feature、最大深度max_depth、分裂所需的最小样本数min_samples_split；当材料识别基学习器为多类别分类的SVM时，参数包括SVM算法的惩罚参数c、核函数参数gamma；
步骤4-2、对每个参数进行一次直线搜索，具体为，利用CV集对基学习器进行训练，计算模型性能与各个参数之间的梯度；
步骤4-3、根据模型性能与各个参数之间的梯度，选取梯度值最大的参数作为当前调优参数，利用梯度下降法对当前调优参数进行调优；
步骤4-4、重复步骤4-2、步骤4-3，直到所有参数的梯度小于阈值；
步骤4-5、调整材料识别基学习器个数T，具体为：计算模型性能与T之间的梯度，之后利用梯度下降法对基学习器个数T进行调整，得到最终的材料识别基学习器个数。
CN201710408596.2A 2017-06-02 2017-06-02 一种基于机器学习的mimo雷达的材料识别方法 Expired - Fee Related CN107169469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710408596.2A CN107169469B (zh) 2017-06-02 2017-06-02 一种基于机器学习的mimo雷达的材料识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710408596.2A CN107169469B (zh) 2017-06-02 2017-06-02 一种基于机器学习的mimo雷达的材料识别方法

Publications (2)

Publication Number Publication Date
CN107169469A true CN107169469A (zh) 2017-09-15
CN107169469B CN107169469B (zh) 2020-06-19

Family

ID=59824494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710408596.2A Expired - Fee Related CN107169469B (zh) 2017-06-02 2017-06-02 一种基于机器学习的mimo雷达的材料识别方法

Country Status (1)

Country Link
CN (1) CN107169469B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108845321A (zh) * 2018-04-19 2018-11-20 北京三快在线科技有限公司 目标对象的识别方法、装置及无人驾驶智能设备
CN109255377A (zh) * 2018-08-30 2019-01-22 北京信立方科技发展股份有限公司 仪器识别方法、装置、电子设备及存储介质
CN109975799A (zh) * 2019-03-13 2019-07-05 谭伟 一种雷达识别材料的方法及其系统
CN110766067A (zh) * 2019-10-21 2020-02-07 浙江工业大学之江学院 基于机器学习的毫米波雷达材质识别方法
CN111398968A (zh) * 2018-12-28 2020-07-10 浙江舜宇智能光学技术有限公司 Tof精度检测系统及其精度检测方法
US10871468B2 (en) 2018-11-05 2020-12-22 Tata Consultancy Services Limited Non-contact material inspection
CN112415486A (zh) * 2020-12-07 2021-02-26 爱沃泰科技(深圳)有限公司 一种基于雷达传感器的材料识别算法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1595195A (zh) * 2004-06-17 2005-03-16 上海交通大学 基于信息融合的超宽带探地雷达自动目标识别方法
CN103048356A (zh) * 2012-12-15 2013-04-17 华南理工大学 基于超宽带相控阵逐层聚焦的多材质联合识别方法及装置
US20130321620A1 (en) * 2012-05-31 2013-12-05 Korea Institute Of Science And Technology Method and apparatus for recognizing object material
CN104200087A (zh) * 2014-06-05 2014-12-10 清华大学 用于机器学习的参数寻优及特征调优的方法及系统
CN105137498A (zh) * 2015-09-17 2015-12-09 鲁东大学 一种基于特征融合的地下目标探测识别系统及方法
CN105469079A (zh) * 2015-12-31 2016-04-06 中国科学院上海高等研究院 基于多传感器信息融合的物体材质识别方法
CN105512635A (zh) * 2015-12-15 2016-04-20 鲁东大学 一种融合类别属性的深度网络地下目标识别方法及系统
CN105717514A (zh) * 2014-12-22 2016-06-29 通用汽车环球科技运作有限责任公司 利用激光雷达传感器的路面反射性检测
CN105929024A (zh) * 2016-04-21 2016-09-07 安徽省（水利部淮河水利委员会）水利科学研究院 混凝土缺陷智能化检测与定量识别方法
CN106059972A (zh) * 2016-05-25 2016-10-26 北京邮电大学 一种基于机器学习算法的mimo相关信道下的调制识别方法
CN106725486A (zh) * 2016-08-30 2017-05-31 南京理工大学 基于呼吸模式监测雷达的呼吸模式判决方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1595195A (zh) * 2004-06-17 2005-03-16 上海交通大学 基于信息融合的超宽带探地雷达自动目标识别方法
US20130321620A1 (en) * 2012-05-31 2013-12-05 Korea Institute Of Science And Technology Method and apparatus for recognizing object material
CN103048356A (zh) * 2012-12-15 2013-04-17 华南理工大学 基于超宽带相控阵逐层聚焦的多材质联合识别方法及装置
CN104200087A (zh) * 2014-06-05 2014-12-10 清华大学 用于机器学习的参数寻优及特征调优的方法及系统
CN105717514A (zh) * 2014-12-22 2016-06-29 通用汽车环球科技运作有限责任公司 利用激光雷达传感器的路面反射性检测
CN105137498A (zh) * 2015-09-17 2015-12-09 鲁东大学 一种基于特征融合的地下目标探测识别系统及方法
CN105512635A (zh) * 2015-12-15 2016-04-20 鲁东大学 一种融合类别属性的深度网络地下目标识别方法及系统
CN105469079A (zh) * 2015-12-31 2016-04-06 中国科学院上海高等研究院 基于多传感器信息融合的物体材质识别方法
CN105929024A (zh) * 2016-04-21 2016-09-07 安徽省（水利部淮河水利委员会）水利科学研究院 混凝土缺陷智能化检测与定量识别方法
CN106059972A (zh) * 2016-05-25 2016-10-26 北京邮电大学 一种基于机器学习算法的mimo相关信道下的调制识别方法
CN106725486A (zh) * 2016-08-30 2017-05-31 南京理工大学 基于呼吸模式监测雷达的呼吸模式判决方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ISHRAT BADAMI 等: "Material Recognition: Bayesian Inference or SVMs?", 《PROCEEDINGS OF CESCG 2012: THE 16TH CENTRAL EUROPEAN SEMINAR ON COMPUTER GRAPHICS》 *
QIANG LIU: "Efficient Radar Emitters Scheme Recognition based on a Novel SVM Algorithm", 《ADVANCED ENGINEERING FORUM》 *
李蒙 等: "基于机器学习的雷达辐射源识别研究综述", 《兵器装备工程学报》 *
胡可 等: "基于粗糙集的决策树雷达辐射源识别方法", 《计算机仿真》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108845321A (zh) * 2018-04-19 2018-11-20 北京三快在线科技有限公司 目标对象的识别方法、装置及无人驾驶智能设备
CN109255377A (zh) * 2018-08-30 2019-01-22 北京信立方科技发展股份有限公司 仪器识别方法、装置、电子设备及存储介质
US10871468B2 (en) 2018-11-05 2020-12-22 Tata Consultancy Services Limited Non-contact material inspection
CN111398968A (zh) * 2018-12-28 2020-07-10 浙江舜宇智能光学技术有限公司 Tof精度检测系统及其精度检测方法
CN111398968B (zh) * 2018-12-28 2022-10-18 浙江舜宇智能光学技术有限公司 Tof精度检测系统及其精度检测方法
CN109975799A (zh) * 2019-03-13 2019-07-05 谭伟 一种雷达识别材料的方法及其系统
CN110766067A (zh) * 2019-10-21 2020-02-07 浙江工业大学之江学院 基于机器学习的毫米波雷达材质识别方法
CN112415486A (zh) * 2020-12-07 2021-02-26 爱沃泰科技(深圳)有限公司 一种基于雷达传感器的材料识别算法

Also Published As

Publication number Publication date
CN107169469B (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN107169469A (zh) 一种基于机器学习的mimo雷达的材料识别方法
CN105260737B (zh) 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法
CN109063594A (zh) 基于YOLOv2的遥感图像快速目标检测方法
CN109284786B (zh) 基于分布和结构匹配生成对抗网络的sar图像地物分类方法
CN103971364B (zh) 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法
CN107909109B (zh) 基于显著性和多尺度深度网络模型的sar图像分类方法
CN110766067B (zh) 基于机器学习的毫米波雷达材质识别方法
CN102945378B (zh) 一种基于监督方法的遥感图像潜在目标区域检测方法
CN105930772A (zh) 基于sar影像与光学遥感影像融合的城市不透水面提取方法
CN105469079A (zh) 基于多传感器信息融合的物体材质识别方法
CN105844279A (zh) 基于深度学习和sift特征的sar图像变化检测方法
CN108257151B (zh) 基于显著性分析的PCANet图像变化检测方法
CN107274401A (zh) 一种基于视觉注意机制的高分辨率sar图像舰船检测方法
CN106250848B (zh) 一种基于多模型融合的单类水声目标识别方法
CN102129573A (zh) 基于字典学习和稀疏表示的sar图像分割方法
CN103886336A (zh) 基于稀疏自动编码器的极化sar图像分类方法
CN103824093B (zh) 一种基于kfda及svm的sar图像目标特征提取与识别方法
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN104867150A (zh) 遥感影像模糊聚类的波段修正变化检测方法及系统
CN103761743A (zh) 一种基于图像融合分割的实木地板表面缺陷检测方法
CN101738607A (zh) 基于聚类的高阶累量交叉熵的sar图像变化检测方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN104361351A (zh) 一种基于区域统计相似度的合成孔径雷达图像分类方法
CN108447057A (zh) 基于显著性和深度卷积网络的sar图像变化检测方法
CN107064177B (zh) 基于自适应模糊推理的超宽带土壤信号含水量识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200619

CF01 Termination of patent right due to non-payment of annual fee