CN107273615A - 一种基于机器学习的超宽带微波湿度检测方法 - Google Patents
一种基于机器学习的超宽带微波湿度检测方法 Download PDFInfo
- Publication number
- CN107273615A CN107273615A CN201710454284.5A CN201710454284A CN107273615A CN 107273615 A CN107273615 A CN 107273615A CN 201710454284 A CN201710454284 A CN 201710454284A CN 107273615 A CN107273615 A CN 107273615A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- humidity
- msubsup
- microwave
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
微波检测无损伤、快速,而且便携性好,但在湿度范围检测方面面临严峻的发展瓶颈。现有微波水分检测系统大多采用单频点进行湿度测量,其测量范围不高,很难在实际中运用。本发明利用微波衰减原理,通过使用超宽带天线获取不同湿度的被测物在宽带频率下的微波散射信号,作为被测物湿度回归训练样本集,从而利用有监督的机器学习方法来建立被测物湿度回归模型。本发明采用回归型机器学习算法对数据进行建模,利用交叉验证的方式获取最优的训练参数,从而使获得的模型最优化,回归误差最小。本发明使得能够检测到的织物湿度范围大大增加,为微波检测系统的进一步走向应用领域打下基础。
Description
技术领域
本发明涉及一种基于机器学习的超宽带微波湿度检测方法,尤其适合于在无辐射、无损伤、宽湿度范围下方便快速地判断织物的含水量,属于微波检测技术领域。
背景技术
目前,国内外常用物质含水率测试方法有烘箱法、直流电阻法、电容法和红外线法。烘箱法结果虽然精确,但是在实际工作中使用麻烦,非实时在线,且属于有损检测;直流电阻测湿法却因为被测物的直流电阻很大、极板在直流电场中易于极化等缺陷而存在测试稳定性差、误差大、通用性低等缺点;而电容和红外线法尽管比较方便,但易受被测物形态、密度和环境等条件影响,而且都属于接触式检测,难以实时在线便捷地进行测量。
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纱筒湿度设备的设计具有可行性,从而保证了易用性,便携性,适合于纺纱、服装,印染等行业使用。
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,物质含水量微波检测也逐渐引起关注。基于微波信号的物体内部含水量检测方法,一般主要采用微波透射方法,主要根据单一频点的微波衰减进行物质水分测量,在实际运用中单频点容易受到外界干扰,从而导致湿度测量误差增大。另外,目前物质水分微波检测中还存在着检测湿度范围很窄的问题。总之目前的水分微波检测技术在探测范围方面面临严峻的发展瓶颈。
超宽带天线已在微波检测领域得到广泛应用。UWB天线作为微波发送接收设备,具有抗干扰能力强、结构简单、成本低、带宽宽、数据传输速率高、功耗低等优点。超宽带天线发射和接收微波信号,通过机器学习方法处理接收到的超宽带微波散射信号数据,来判定被测物的含水量。天线的超宽带特性决定了系统的抗干扰能力、接收到微波功率的衰减效果比普通天线具有优势。另外,超宽带天线紧凑性和定向性等特点为下一步进行便携式系统的开发设计打下基础。
机器学习是人工智能的一个分支,而在很多时候,几乎成为人工智能的代名词。简单来说,机器学习就是通过机器学习算法模型,使得系统能从大量训练样本中学习数据分类或回归模型,从而对新的样本做智能识别或对未来做预测。机器学习涉及可以从经验中自动地进行学习的各种算法。这些算法的基础是建立在数学和统计学上的,可以采用这些算法来对事件进行预测、对实体进行分类、对问题进行诊断、以及对函数近似进行建模等。
发明内容
本发明的目的是提供一种能够在宽湿度范围进行物质实时在线湿度检测的方法。
为了达到上述目的,本发明的技术方案是提供了一种基于机器学习的超宽带微波湿度检测方法,其特征在于,包括以下步骤:
步骤1、在被测物体中轴线上侧相对地固定一对超宽带天线,通过矢量网络分析仪经由一个超宽带天线向被测物体发送超宽带脉冲信号,由相对的超宽带天线接收透过被测物体的超宽带微波信号;
步骤2、利用步骤1的方法获得l个不同湿度下的被测物体的超宽带微波信号,将其归一化处理后作为湿度回归训练样本;
步骤3、使用机器学习算法对湿度回归训练样本进行有监督的学习生成湿度回归模型;
步骤4、利用步骤1的方法获得湿度未知的待测物体的待测散射信号,采用湿度回归模型对待测散射信号进行回归,得到待测物体的目标湿度。
优选地,所述步骤2包括:
获取被测物体在l个不同湿度下对特定频率微波的幅度衰减,在测量被测物体在第i个湿度xi下对特定频率微波的幅度衰减yi时,i=1,2,…,l,使得被测物体转动,分别测量被测物体转动至N个不同位置时的微波幅度变化值,取其平均值作为被测物体在第i个湿度xi下对特定频率微波的幅度衰减yi,则得到l组数据组成的点集{(x1,y1),…,(xl,yl)}。
优选地,所述步骤3包括:
步骤3.1、依据步骤2得到的点集{(x1,y1),…,(xl,yl)},支持向量回归问题的标准形式定义为:
式中,WTW为与模型复杂度相关的因素;C>0为惩罚系数;ε为不敏感损失区域;δi、为松弛变量,表示样本偏离不敏感区域ε的程度;w为平面法向量;f(w,xi)为模型输出项;b为位移项;
步骤3.2、支持向量回归问题的对偶问题定义为:
式中,Pij=K(xi,xj)≡f(w,xi);α=[α1,α2,...,αl],α*=[α1 *,α2 *,...,αl *];αi、为拉格朗日乘子;
步骤3.3、求解对偶问题获得原问题的最优解,即为回归函数f(x):
式中,K(xi,xj)为核函数,本文采用径向基核函数,则有:
K(xi,xj)=exp(-γ||xi-x||2)
式中,γ为控制高斯宽度的参数;
步骤3.4、利用步骤2得到的点集{(x1,y1),…,(xl,yl)}通过交叉验证的方式对惩罚参数C和核函数中的参数γ行寻优,使回归的均方误差MSE最小,通过获取的最优的参数得到回归函数f(x)。
优选地,所述步骤4包括:
利用步骤1的方法获得湿度未知的待测物体的待测散射信号,采用所述步骤3.4得到的回归函数f(x)对待测散射信号进行回归,得到待测物体的目标湿度。
本发明基于超宽带天线,利用透过不同湿度的被测物的微波散射信号不同这一特点,对不同湿度的被测物进行超宽带微波散射信号数据的采集,获得其在超宽频带下微波透过纱卷的微波功率衰减,借助于机器学习方法,进行特征提取,通过使用诸如支持向量机等机器学习对纱卷湿度的特征向量进行学习训练生成学习模型,使用测试集进行学习模型的获取和回归效果的验证,经实验验证湿度回归值的准确性较高,满足一般精度要求环境中的需求。
本发明独创性地在微波探测系统中利用超宽带天线作为发送接收微波信号的工具,从而获取在宽频带范围内,不同纱筒湿度对不同频率下微波信号的衰减,利用机器学习算法对被测物湿度回归训练进行训练,获得湿度回归模型后,将被测物测试样本回归,进行纱卷湿度的判定。超宽带的利用是本系统的湿度测量范围得到了显著的提高。本发明计算复杂度低,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:能在宽湿度范围内无损伤的、快速的、有效的用微波检测判断纱卷的湿度。
附图说明
图1是本发明系统的结构框图;
图2a及图2b是使用天线的结构图;
图3是支持向量机处理数据的流程图;
图4 CST仿真模型图;
图5仿真数据SVR训练参数选择图;
图6原始数据与回归预测数据对比(仿真);
图7回归误差(仿真);
图8实验数据SVR训练参数选择图;
图9原始数据与回归预测数据对比(实验);
图10回归误差(实验)。
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。
本发明基于如图1所示的微波测量装置,包括固定在被测物体中轴线上侧相对的一对超宽带天线,通过矢量网络分析仪向被测物体发送超宽带脉冲信号,由相对的超宽带天线接收透过被测物体的信号;微波信号的中心频率和带宽可以根据具体检测物进行设置,例如本发明针对不同湿度纱卷的检测,微波信号中心频率为3GHz,带宽为4GHz。发射和接收天线。
本发明提供的一种基于机器学习的超宽带微波湿度检测方法包括以下步骤:
首先,使用电磁仿真软件CST Microwave Studio建立了天线纱线模型,如图4所示。仿真中使用天线结构如如图2a及图2b所示,w为天线宽度,L为天线渐变长度,Lf为天线馈线长度,h为天线厚度,wm为馈线宽度,r1为外椭圆短半轴,a为外椭圆长半轴控制因子,rs1为外椭圆长半轴,b为内椭圆短半轴控制因子,rs2为内椭圆长半轴,r2为内椭圆短半轴。
仿真中使用的求解器微时域求解器,微波频段为1.8GHz-5GHz。根据不同的湿度设置介电常数和电导率后进行仿真,共采集数据40组。
然后,获取被测物体在l个不同湿度下对1.8-5GHz微波的幅度衰减,在测量被测物体在第i个湿度xi下对特定频率微波的幅度衰减yi时,i=1,2,…,l,使得被测物体转动,分别测量被测物体转动至16个不同位置时的微波幅度变化值,取其平均值作为被测物体在第i个湿度xi下对特定频率微波的幅度衰减yi,则得到l组数据组成的点集{(x1,y1),…,(xl,yl)};
再使用机器学习算法对湿度回归训练样本进行有监督的学习生成湿度回归模型,包括以下步骤:
步骤1、依据上一步得到的点集{(x1,y1),…,(xl,yl)},支持向量回归问题的标准形式定义为:
式中,WTW为与模型复杂度相关的因素;C>0为惩罚系数;ε为不敏感损失区域;δi、为松弛变量,表示样本偏离不敏感区域ε的程度;w为平面法向量;f(w,xi)为模型输出项;b为位移项;
步骤2、支持向量回归问题的对偶问题定义为:
式中,Pij=K(xi,xj)为核函数;α=[α1,α2,...,αl],α*=[α1 *,α2 *,...,αl *];αi、为拉格朗日乘子;
步骤3、求解对偶问题获得原问题的最优解,即为回归函数f(x):
式中,K(xi+xj)为核函数,采用径向基核函数,则有:
K(xi,xj)=exp(-γ||xi-x||2)
式中,γ为控制高斯宽度的参数;
步骤4、利用上一步得到的点集{(x1,y1),…,(xl,yl)}通过交叉验证的方式对惩罚参数C和核函数中的参数γ进行寻优,使回归的均方误差MSE最小,通过获取的最优的参数得到回归函数f(x)。
最后,获得湿度未知的待测物体的待测散射信号,采用所述步骤4得到的回归函数f(x)对待测散射信号进行回归,得到待测物体的目标湿度。
具体的支持向量机对数据处理流程如图3所示。
实验过程中获取数据28组。如表2所示:
表2纱筒加湿实验数据
数据处理过程中使用80%的数据作为训练集,20%的数据作为测试集。采用支持向量机求解回归问题,关键是核函数与参数的选择,系统采用Epsilon-SVR回归模型,RBF核函数,通过交叉验证的方式对惩罚参数c和核函数参数γ进行寻优,使回归的均方误差MSE最小,获取最优的参数建立模型,仿真数据和实验数据的SVR训练参数选择如图5、图8所示。然后使用测试数据对模型进行测试。仿真数据和实验数据回归后的数据与原数据对比如图6、图9所示。仿真数据和实验数据回归后所到的误差如表3所示。
表3测试数据误差统计
从表中可以看到,仿真的最大误差为1.91%,平均误差为0.85%,标准误差为1.02%。实验的最大误差、平均误差、标准误差分别为2.16%、1.75、1.78%。仿真和实验的结果表明,超宽带和支持向量机的联合应用能够解决目前湿度检测领域中检测范围窄的问题。
Claims (4)
1.一种基于机器学习的超宽带微波湿度检测方法,其特征在于,包括以下步骤:
步骤1、在被测物体中轴线上侧相对地固定一对超宽带天线,通过矢量网络分析仪经由一个超宽带天线向被测物体发送超宽带脉冲信号,由相对的超宽带天线接收透过被测物体的超宽带微波信号;
步骤2、利用步骤1的方法获得l个不同湿度下的被测物体的超宽带微波信号,将其归一化处理后作为湿度回归训练样本;
步骤3、使用机器学习算法对湿度回归训练样本进行有监督的学习生成湿度回归模型;
步骤4、利用步骤1的方法获得湿度未知的待测物体的待测散射信号,采用湿度回归模型对待测散射信号进行回归,得到待测物体的目标湿度。
2.如权利要求1所述的一种基于机器学习的超宽带微波湿度检测方法,其特征在于,所述步骤2包括:
获取被测物体在l个不同湿度下对特定频率微波的幅度衰减,在测量被测物体在第i个湿度xi下对特定频率微波的幅度衰减yi时,i=1,2,…,l,使得被测物体转动,分别测量被测物体转动至N个不同位置时的微波幅度变化值,取其平均值作为被测物体在第i个湿度xi下对特定频率微波的幅度衰减yi,则得到l组数据组成的点集{(x1,y1),…,(xl,yl)}。
3.如权利要求2所述的一种基于机器学习的超宽带微波湿度检测方法,其特征在于,所述步骤3包括:
步骤3.1、依据步骤2得到的点集{(x1,y1),…,(xl,yl)},支持向量回归问题的标准形式定义为:
<mrow>
<mi>min</mi>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>z</mi>
<mi>e</mi>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mi>W</mi>
<mi>T</mi>
</msup>
<mi>W</mi>
<mo>+</mo>
<mi>C</mi>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>&delta;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mi>j</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mi> </mi>
<mi>t</mi>
<mi>o</mi>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>b</mi>
<mo>&le;</mo>
<mi>&epsiv;</mi>
<mo>+</mo>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>&epsiv;</mi>
<mo>+</mo>
<msubsup>
<mi>&delta;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>&delta;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中,WTW为与模型复杂度相关的因素;C>0为惩罚系数;ε为不敏感损失区域;δi、为松弛变量,表示样本偏离不敏感区域ε的程度;w为平面法向量;f(w,xi)为模型输出项;b为位移项;
步骤3.2、支持向量回归问题的对偶问题定义为:
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>-</mo>
<msup>
<mi>&alpha;</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>-</mo>
<msup>
<mi>&alpha;</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&epsiv;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mi>j</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mi> </mi>
<mi>t</mi>
<mi>o</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>&le;</mo>
<mi>C</mi>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>l</mi>
</mrow>
式中,Pij=K(xi,xj)为核函数;α=[α1,α2,...,αl],α*=[α1 *,α2 *,...,αl *];αi、为拉格朗日乘子;
步骤3.3、求解对偶问题获得原问题的最优解,即为回归函数f(x):
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
</mrow>
式中,K(xi+xj)为核函数,采用径向基核函数,则有:
K(xi+xj)=exp(-γ||xi-x||2)
式中,γ为控制高斯宽度的参数;
步骤3.4、利用步骤2得到的点集{(x1,y1),…,(xl,yl)}通过交叉验证的方式对惩罚参数C和核函数中的参数γ进行寻优,使回归的均方误差MSE最小,通过获取的最优的参数得到回归函数f(x)。
4.如权利要求3所述的一种基于机器学习的超宽带微波湿度检测方法,其特征在于,所述步骤4包括:
利用步骤1的方法获得湿度未知的待测物体的待测散射信号,采用所述步骤3.4得到的回归函数f(x)对待测散射信号进行回归,得到待测物体的目标湿度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710454284.5A CN107273615B (zh) | 2017-06-15 | 2017-06-15 | 一种基于机器学习的超宽带微波湿度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710454284.5A CN107273615B (zh) | 2017-06-15 | 2017-06-15 | 一种基于机器学习的超宽带微波湿度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107273615A true CN107273615A (zh) | 2017-10-20 |
CN107273615B CN107273615B (zh) | 2021-06-04 |
Family
ID=60067582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710454284.5A Active CN107273615B (zh) | 2017-06-15 | 2017-06-15 | 一种基于机器学习的超宽带微波湿度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273615B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112095210A (zh) * | 2019-06-18 | 2020-12-18 | 株式会社岛精机制作所 | 通过机械学习进行的编织机的驱动数据的处理方法及处理系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735697A (zh) * | 2011-04-07 | 2012-10-17 | 中国科学院电子学研究所 | 深层土壤湿度微波遥感探测方法与装置 |
CN203011859U (zh) * | 2013-01-05 | 2013-06-19 | 开封市测控技术有限公司 | 一种透射式微波水分检测装置 |
CN104036112A (zh) * | 2014-04-24 | 2014-09-10 | 河海大学 | 一种基于支持向量机与专家系统的故障诊断方法 |
CN105116399A (zh) * | 2015-08-27 | 2015-12-02 | 电子科技大学 | 一种针对超宽带雷达回波的土壤湿度反演方法 |
US20160188876A1 (en) * | 2014-12-30 | 2016-06-30 | Battelle Memorial Institute | Anomaly detection for vehicular networks for intrusion and malfunction detection |
CN106096646A (zh) * | 2016-06-07 | 2016-11-09 | 衢州学院 | 一种支持向量回归机模型选择方法 |
CN106198868A (zh) * | 2016-07-05 | 2016-12-07 | 深圳大学 | 基于无线感知的湿度检测的方法及系统 |
CN106503288A (zh) * | 2016-09-18 | 2017-03-15 | 江苏大学 | 基于回归型支持向量机的互联液压缸力学性能预测算法 |
CN106845544A (zh) * | 2017-01-17 | 2017-06-13 | 西北农林科技大学 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
-
2017
- 2017-06-15 CN CN201710454284.5A patent/CN107273615B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735697A (zh) * | 2011-04-07 | 2012-10-17 | 中国科学院电子学研究所 | 深层土壤湿度微波遥感探测方法与装置 |
CN203011859U (zh) * | 2013-01-05 | 2013-06-19 | 开封市测控技术有限公司 | 一种透射式微波水分检测装置 |
CN104036112A (zh) * | 2014-04-24 | 2014-09-10 | 河海大学 | 一种基于支持向量机与专家系统的故障诊断方法 |
US20160188876A1 (en) * | 2014-12-30 | 2016-06-30 | Battelle Memorial Institute | Anomaly detection for vehicular networks for intrusion and malfunction detection |
CN105116399A (zh) * | 2015-08-27 | 2015-12-02 | 电子科技大学 | 一种针对超宽带雷达回波的土壤湿度反演方法 |
CN106096646A (zh) * | 2016-06-07 | 2016-11-09 | 衢州学院 | 一种支持向量回归机模型选择方法 |
CN106198868A (zh) * | 2016-07-05 | 2016-12-07 | 深圳大学 | 基于无线感知的湿度检测的方法及系统 |
CN106503288A (zh) * | 2016-09-18 | 2017-03-15 | 江苏大学 | 基于回归型支持向量机的互联液压缸力学性能预测算法 |
CN106845544A (zh) * | 2017-01-17 | 2017-06-13 | 西北农林科技大学 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112095210A (zh) * | 2019-06-18 | 2020-12-18 | 株式会社岛精机制作所 | 通过机械学习进行的编织机的驱动数据的处理方法及处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107273615B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103207377B (zh) | 局部放电特高频检测装置的标定系统和标定方法 | |
CN107831413B (zh) | 基于无人机的输电线路电晕放电的电磁波检测装置及方法 | |
CN105227249A (zh) | 一种短波发射天线辐射效率自动监测方法及监测系统 | |
CN101487864B (zh) | 用于移动终端天线的生产检测系统 | |
Zhang et al. | Development of multifrequency-swept microwave sensing system for moisture measurement of sweet corn with deep neural network | |
CN104198537A (zh) | 一种土壤含水率与电导率检测方法及检测装置 | |
CN103217658A (zh) | 基于gtem的局部放电特高频检测装置的标定评价系统及方法 | |
CN103576059A (zh) | 一种变压器匝间放电综合故障诊断方法及系统 | |
CN107192635B (zh) | 无损测量木材密度的方法和系统 | |
CN107273615A (zh) | 一种基于机器学习的超宽带微波湿度检测方法 | |
CN204086407U (zh) | 一种基于环境参数补偿的场强测试仪 | |
CN101609055B (zh) | 一种基于微波传感技术的湿度连续测量方法 | |
CN105353236A (zh) | 盘式绝缘子状态在线远程检测方法及装置 | |
Ala et al. | Detection of radiated EM transients by exploiting compact spherical antenna features | |
CN102508124A (zh) | 一种电气设备局部放电检测方法及其装置 | |
Miao et al. | Location algorithm for partial discharge based on radio frequency (RF) antenna array | |
Zhang et al. | RSSI fingerprinting-based UHF partial discharge localization technology | |
CN201194007Y (zh) | 一种基于can总线的边缘电场粮食水分测定仪 | |
CN112198472A (zh) | 一种局部放电智能传感器在线远程校验方法及系统 | |
CN203786054U (zh) | 基于微波幅度变化测量造纸毛毯湿度的装置 | |
Moraru et al. | Near and far field measurements in industrial environment of passive UHF RFID tags | |
Dai et al. | AdaBoost-SVR Model-based Transmitted Microwave Sensing in Wheat Moisture Prediction | |
Chen et al. | Present Situation and Development of Internal Sensors for Ultra-high Frequency Detection in Gas Insulated Switchgear | |
CN208206832U (zh) | 一种小麦含水率在线无损检测装置 | |
An et al. | Study on ultra-high frequency partial discharge simulator and its propagation characteristics |
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 |