CN110751103B - 一种用于物体内部检测的微波信号分类方法及系统 - Google Patents
一种用于物体内部检测的微波信号分类方法及系统 Download PDFInfo
- Publication number
- CN110751103B CN110751103B CN201911007332.1A CN201911007332A CN110751103B CN 110751103 B CN110751103 B CN 110751103B CN 201911007332 A CN201911007332 A CN 201911007332A CN 110751103 B CN110751103 B CN 110751103B
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- training
- classification
- hyperplane
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种用于物体内部检测的微波信号分类方法及系统,该方法包括:获取回波信号的测量数据;从标准数据库和异常数据库中分别抽取部分数据构成一个集合,然后将该集合随机分为训练样本集和测试集;构建用于训练的支持向量机;用所述训练样本集训练构建好的支持向量机;用所述测试集测试训练好的支持向量机的分类准确率;用训练好的支持向量机对所述测量数据进行分类,得到分类结果。本发明提供的方法,用训练样本集训练构建好的支持向量机,训练所需时间短,用测试集测试支持向量机的分类准确率,然后用训练好的支持向量机对回波信号的测量数据进行分类,分类结果精确,分类效率高,所耗时间短,可以很好地满足实际应用的需要。
Description
技术领域
本发明涉及电磁波技术领域,具体涉及一种用于物体内部检测的微波信号分类方法及系统。
背景技术
微波是指频率为300MHz~3000GHz(3THz)的电磁波,是无线电波中一个有限频带的简称,即波长在0.1毫米~1米之间的电磁波。微波频率比一般的无线电波频率高,通常也称为“超高频电磁波”。微波的基本性质通常呈现为穿透、反射、吸收三个特性。对于玻璃、塑料和瓷器,微波几乎是穿越而不被吸收。与可见光、红外线和X射线等电磁波技术相比,在物体检测及成像方面,微波穿透能力强,能够穿透物体内部从而检测物体内部结构。微波技术为非电离辐射,且功率低,辐射剂量小,不对人体造成伤害。然而,现有技术中缺乏一种对微波信号穿透物体之后的回波信号进行精确分类的技术方案。
发明内容
本发明的一个目的是提供一种用于物体内部检测的微波信号分类的新的技术方案。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
根据本发明实施例的一个方面,提供一种用于物体内部检测的微波信号分类方法,包括:获取回波信号的测量数据;所述回波信号为向被检测物体发射微波信号之后采集得到的回波信号;
从标准数据库和异常数据库中分别抽取部分数据构成一个集合,然后将该集合随机分为训练样本集和测试集;
构建用于训练的支持向量机;
用所述训练样本集训练构建好的支持向量机;
用所述测试集测试训练好的支持向量机的分类准确率,判断分类准确率是否达到预设精度阈值;若达到,则进行下一步;否则转向上一步;
用训练好的支持向量机对所述测量数据进行分类,得到分类结果。
进一步地,所述获取所述回波信号的测量数据包括:将所述回波信号表示为不同频点的复数值所构成的数据空间。
进一步地,所述不同频点的复数值表示为(xi,yi),其中xi表示第i个频点的频率值,yi表示第i个频点的散射参数复数值,i=1,2,......m,m为正整数。
进一步地,所述构建用于训练的支持向量机包括:
通过传统支持向量机的线性分类器,基于训练样本集D在二维空间中用一个超平面来分开二类样本;
计算得到空间中任意样本点x到超平面的距离为
得到
s.t.yi(wTxi+b)≥1,i=1,2,…,m
s.t.yi(wTxi+b)≥1,i=1,2,…,m
得到用于训练的支持向量机。
进一步地,所述超平面满足:
其中w为法向量,决定所述超平面的方向;b为位移量,决定所述超平面与原点的距离。
进一步地,所述构建用于训练的支持向量机包括:
将传统支持向量机的1-范数修改为2-范数,在目标函数中加入b2,得到
s.t.yi[wTxi+b]≥1,i=1,2,……m;其中w为法向量,决定所述超平面的方向;b为位移量,决定所述超平面与原点的距离;
即得到用于训练的支持向量机。
进一步地,所述向被检测物体发射微波信号包括:通过微波信号产生装置产生微波信号,然后通过发射天线阵列将所述微波信号向被检测物体发射。
根据本发明实施例的另一个方面,提供一种用于物体内部检测的微波信号分类系统,包括:
获取模块,用于获取回波信号的测量数据;所述回波信号为向被检测物体发射微波信号之后采集得到的回波信号;
分配模块,用于从标准数据库和异常数据库中分别抽取部分数据构成一个集合,然后将该集合随机分为训练样本集和测试集;
构建模块,用于构建用于训练的支持向量机;
训练模块,用于用所述训练样本集训练构建好的支持向量机;
测试模块,用于用所述测试集测试训练好的支持向量机的分类准确率,判断分类准确率是否达到预设精度阈值;若达到,则进行下一步;否则转向上一步;
分类模块,用于用训练好的支持向量机对所述测量数据进行分类,得到分类结果。
根据本发明实施例的另一个方面,提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现所述的用于物体内部检测的微波信号分类方法。
根据本发明实施例的另一个方面,提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以实现所述的用于物体内部检测的微波信号分类方法。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明实施例提供的用于物体内部检测的微波信号分类方法,通过从标准数据库和异常数据库中分别抽取的数据来构建训练样本集和测试集,用训练样本集训练构建好的支持向量机,训练所需时间短,用测试集测试支持向量机的分类准确率,然后用训练好的支持向量机对回波信号的测量数据进行分类,分类结果精确,分类效率高,所耗时间短,可以很好地满足实际应用的需要。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者,部分特征和优点可以从说明书中推知或毫无疑义地确定,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请的一个实施例的流程图;
图2为发射天线阵列和接收天线阵列在被检测物体外侧的分布示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图和具体实施例对本发明做进一步说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
如图1所示,本申请一个实施例提供一种用于物体内部检测的微波信号分类方法,包括:
S1、获取回波信号的测量数据;所述回波信号为向被检测物体发射微波信号之后采集得到的回波信号;
S2、从标准数据库和异常数据库中分别抽取部分数据构成一个集合,然后将该集合随机分为训练样本集和测试集;所述标准数据库内存储有若干正常物体内部微波检测数据;所述异常数据库内存储有若干异常物体内部微波检测数据;
S3、构建用于训练的支持向量机;
S4、用所述训练样本集训练构建好的支持向量机;
S5、用所述测试集测试训练好的支持向量机的分类准确率,判断分类准确率是否达到预设精度阈值;若达到,则进行下一步(步骤S6);若未达到,则转向上一步(步骤S4);
S6、用训练好的支持向量机对所述测量数据进行分类,得到分类结果。
在一些实施例中,所述向被检测物体发射微波信号包括:通过微波信号产生装置产生微波信号,然后通过发射天线阵列将所述微波信号向被检测物体发射。
在一些实施例中,所述采集得到的回波信号包括:通过接收天线阵列采集所述微波信号的回波信号得到的回波信号;所述接收天线阵列包括多个天线单元。所述发射天线阵列包括多个天线单元。
发射天线阵列和接收天线阵列的多个天线单元在被检测物体外侧的分布示意图如图2所示。附图标记1至12分别代表一个天线单元,附图标记13代表被检测物体。发射天线阵列和接收天线阵列中的每一个天线单元都同时具备发射微波信号和接收微波信号的功能。发射天线阵列中的多个天线单元用于发射微波信号,接收天线阵列中的多个天线单元用于接收微波信号。
在一些实施例中,所述获取所述回波信号的测量数据包括:将所述回波信号表示为不同频点的复数值所构成的数据空间;所述不同频点的复数值即接收天线阵列在不同频率下获取的回波信号的散射参数,可表示为(xi,yi),其中xi表示第i个频点的频率值,yi表示第i个频点的散射参数复数值(也可以是幅度或相位),i=1,2,……m,m为正整数。
从标准数据库和异常数据库中分别抽取部分数据构成一个集合,然后将该集合随机分为训练样本集和测试集;标准数据库是通过预先存储的正常物体内部微波检测数据构建的,异常数据库是通过预先存储的异常物体内部微波检测数据构建的;标准数据库和异常数据库用于作为构建训练样本集和测试集的数据储备库。
所述训练样本集表示为D=((x1,y1),(x2,y2),…,(xm,ym)),yi∈{-1,1}。
在一些实施例中,所述构建用于训练的支持向量机包括:
S401、通过传统支持向量机的线性分类器,基于训练样本集D在二维空间中用一个超平面来分开二类样本。超平面是n维欧氏空间中余维度等于一的线性子空间,也就是必须是(n-1)维度。
令所述超平面满足以下条件:
其中w为法向量,决定超平面的方向;b为位移量,决定超平面与原点的距离。
所述支持向量机的支持向量,就是使得wTxi+b=+1或wTxi+b=-1成立的向量,支持向量即最靠近两条虚边界线的向量。那么,当wTxi+b的值大于+1或小于-1的时候,线性分类器的分类能力更强。
S402、计算得到空间中任意样本点x到超平面的距离为:
s.t.yi(wTxi+b)≥1,i=1,2,…,m
这等价于
s.t.yi(wTxi+b)≥1,i=1,2,…,m
即得到相似性度量函数,也就是用于训练的支持向量机。
在另一实施例中,所述构建用于训练的支持向量机包括:
对传统支持向量机算法进行改进,将传统支持向量机的1-范数修改为2-范数,在目标函数中加入b2,得到改进的支持向量机的模型如下
s.t.yi[wTxi+b]≥1,i=1,2,……m;其中w为法向量,决定所述超平面的方向;b为位移量,决定所述超平面与原点的距离;
即得到相似性度量函数,也就是用于训练的支持向量机。
本申请实施例提供的用于物体内部检测的微波信号分类方法,通过从标准数据库和异常数据库中分别抽取的数据来构建训练样本集和测试集,用训练样本集训练构建好的支持向量机,训练所需时间短,用测试集测试支持向量机的分类准确率,然后用训练好的支持向量机对回波信号的测量数据进行分类,分类结果精确,分类效率高,所耗时间短,可以很好地满足实际应用的需要。
本申请的另一个实施例提供了一种用于物体内部检测的微波信号分类系统,包括获取模块、分配模块、构建模块、训练模块、测试模块和分类模块;
其中:
获取模块,用于获取回波信号的测量数据;所述回波信号为向被检测物体发射微波信号之后采集得到的回波信号;
获取模块具体用于:将所述回波信号表示为不同频点的复数值所构成的数据空间;所述不同频点的复数值即接收天线阵列在不同频率下获取的回波信号的散射参数,可表示为(xi,yi),其中xi表示第i个频点的频率值,yi表示第i个频点的散射参数复数值(也可以是幅度或相位),i=1,2,......m,m为正整数;从标准数据库和异常数据库中分别抽取部分数据构成一个集合,然后将该集合随机分为训练样本集和测试集;标准数据库是通过预先存储的正常物体内部微波检测数据构建的,异常数据库是通过预先存储的异常物体内部微波检测数据构建的;标准数据库和异常数据库用于作为构建训练样本集和测试集的数据储备库;
所述训练样本集表示为D=((x1,y1),(x2,y2),…,(xm,ym)),yi∈{-1,1}。
分配模块,用于从标准数据库和异常数据库中分别抽取部分数据构成一个集合,然后将该集合随机分为训练样本集和测试集;所述标准数据库内存储有若干正常物体内部微波检测数据;所述异常数据库内存储有若干异常物体内部微波检测数据;
构建模块,用于构建用于训练的支持向量机;
构建模块具体用于:通过传统支持向量机的线性分类器,基于训练样本集D在二维空间中用一个超平面来分开二类样本;超平面是n维欧氏空间中余维度等于一的线性子空间,也就是必须是(n-1)维度;
令所述超平面满足以下条件:
其中w为法向量,决定超平面的方向;b为位移量,决定超平面与原点的距离;
所述支持向量机的支持向量,就是使得wTxi+b=+1或wTxi+b=-1成立的向量,支持向量即最靠近两条虚边界线的向量。那么,当wTxi+b的值大于+1或小于-1的时候,线性分类器的分类能力更强;
计算得到空间中任意样本点x到超平面的距离为:
s.t.yi(wTxi+b)≥1,i=1,2,…,m
这等价于
s.t.yi(wTxi+b)≥1,i=1,2,…,m
即得到相似性度量函数,也就是用于训练的支持向量机。
具体地,构建模块也可以用于:对传统支持向量机算法进行改进,将传统支持向量机的1-范数修改为2-范数,在目标函数中加入b2,得到改进的支持向量机的模型如下
s.t.yi[wTxi+b]≥1,i=1,2,……m;其中w为法向量,决定所述超平面的方向;b为位移量,决定所述超平面与原点的距离;
即得到相似性度量函数,也就是用于训练的支持向量机。
训练模块,用于用所述训练样本集训练构建好的支持向量机;
测试模块,用于用所述测试集测试训练好的支持向量机的分类准确率,判断分类准确率是否达到预设精度阈值;若达到,则进行下一步;否则转向上一步;
分类模块,用于用训练好的支持向量机对所述测量数据进行分类,得到分类结果。
本申请的另一个实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现所述的用于物体内部检测的微波信号分类方法。
本申请的另一个实施例提供了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以实现所述的用于物体内部检测的微波信号分类方法。
需要说明的是:
术语“模块”并非意图受限于特定物理形式。取决于具体应用,模块可以实现为硬件、固件、软件和/或其组合。此外,不同的模块可以共享公共组件或甚至由相同组件实现。不同模块之间可以存在或不存在清楚的界限。
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者GPU来实现根据本发明实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种用于物体内部检测的微波信号分类方法,其特征在于,包括:
获取回波信号的测量数据;所述回波信号为向被检测物体发射微波信号之后采集得到的回波信号;
从标准数据库和异常数据库中分别抽取部分数据构成一个集合,然后将该集合随机分为训练样本集和测试集;
构建用于训练的支持向量机;
用所述训练样本集训练构建好的支持向量机;
用所述测试集测试训练好的支持向量机的分类准确率,判断分类准确率是否达到预设精度阈值;若达到,则进行下一步;否则转向上一步;
用训练好的支持向量机对所述测量数据进行分类,得到分类结果;
所述获取所述回波信号的测量数据包括:将所述回波信号表示为不同频点的复数值所构成的数据空间;
所述不同频点的复数值表示为(xi,yi),其中xi表示第i个频点的频率值,yi表示第i个频点的散射参数复数值,i=1,2,……m,m为正整数;
所述构建用于训练的支持向量机包括:
将传统支持向量机的1-范数修改为2-范数,在目标函数中加入b2,得到用于训练的支持向量机为
s.t.yi[wTxi+b]≥1,i=1,2,……m;
超平面满足:
其中w为法向量,决定所述超平面的方向;b为位移量,决定所述超平面与原点的距离;所述支持向量机的支持向量,是使得wTxi+b=+1或wTxi+b=-1成立的向量。
2.根据权利要求1所述的方法,其特征在于,所述向被检测物体发射微波信号包括:通过微波信号产生装置产生微波信号,然后通过发射天线阵列将所述微波信号向被检测物体发射。
3.一种用于物体内部检测的微波信号分类系统,其特征在于,包括:
获取模块,用于获取回波信号的测量数据;所述回波信号为向被检测物体发射微波信号之后采集得到的回波信号;
分配模块,用于从标准数据库和异常数据库中分别抽取部分数据构成一个集合,然后将该集合随机分为训练样本集和测试集;
构建模块,用于构建用于训练的支持向量机;
训练模块,用于用所述训练样本集训练构建好的支持向量机;
测试模块,用于用所述测试集测试训练好的支持向量机的分类准确率,判断分类准确率是否达到预设精度阈值;若达到,则进行下一步;否则转向上一步;
分类模块,用于用训练好的支持向量机对所述测量数据进行分类,得到分类结果;
所述获取所述回波信号的测量数据包括:将所述回波信号表示为不同频点的复数值所构成的数据空间;
所述不同频点的复数值表示为(xi,yi),其中xi表示第i个频点的频率值,yi表示第i个频点的散射参数复数值,i=1,2,……m,m为正整数;
所述构建用于训练的支持向量机包括:
将传统支持向量机的1-范数修改为2-范数,在目标函数中加入b2,得到用于训练的支持向量机为
s.t.yi[wTxi+b]≥1,i=1,2,……m;
超平面满足:
其中w为法向量,决定所述超平面的方向;b为位移量,决定所述超平面与原点的距离;所述支持向量机的支持向量,是使得wTxi+b=+1或wTxi+b=-1成立的向量。
4.一种电子设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-2中任一项所述的方法。
5.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以实现如权利要求1-2中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007332.1A CN110751103B (zh) | 2019-10-22 | 2019-10-22 | 一种用于物体内部检测的微波信号分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007332.1A CN110751103B (zh) | 2019-10-22 | 2019-10-22 | 一种用于物体内部检测的微波信号分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751103A CN110751103A (zh) | 2020-02-04 |
CN110751103B true CN110751103B (zh) | 2023-06-02 |
Family
ID=69279324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911007332.1A Active CN110751103B (zh) | 2019-10-22 | 2019-10-22 | 一种用于物体内部检测的微波信号分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751103B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642649A (zh) * | 2021-08-16 | 2021-11-12 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于支持向量机的hplc通信模块合格分类方法 |
CN113720862B (zh) * | 2021-08-17 | 2023-01-13 | 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 |
Citations (1)
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7671786B2 (en) * | 2008-05-09 | 2010-03-02 | Mitsubishi Electric Research Laboratories, Inc. | Method and apparatus for representing and classifying microwave back-projection radar signals |
CN110109090B (zh) * | 2019-03-28 | 2021-03-12 | 北京邮电大学 | 基于微波雷达的未知环境多目标检测方法和装置 |
-
2019
- 2019-10-22 CN CN201911007332.1A patent/CN110751103B/zh active Active
Patent Citations (1)
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110751103A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109799544B (zh) | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 | |
CN103235095B (zh) | 注水肉检测方法和装置 | |
Feeney et al. | First observational tests of eternal inflation: analysis methods and WMAP 7-year results | |
CN110751103B (zh) | 一种用于物体内部检测的微波信号分类方法及系统 | |
CN103839257B (zh) | 一种广义高斯k&i的sar图像变化检测方法 | |
CN110717478B (zh) | 一种基于微波的物体检测系统及方法 | |
Rahman et al. | Multiple drone classification using millimeter-wave CW radar micro-Doppler data | |
CN116223962B (zh) | 线束电磁兼容性预测方法、装置、设备及介质 | |
CN113567975B (zh) | 基于涡旋电磁波模态扫描的人体快速安检方法 | |
Si et al. | Accurate near-field millimeter-wave imaging of concave objects using circular polarizations | |
CN114637001B (zh) | 雷达的目标检测方法、装置、设备及存储介质 | |
US10948417B2 (en) | Method for identifying Raman spectrogram and electronic apparatus | |
Voccola et al. | On the relationship between the generalized likelihood ratio test and backprojection for synthetic aperture radar imaging | |
Hu et al. | A novel detrended fluctuation analysis method for gear fault diagnosis based on variational mode decomposition | |
Tu et al. | Convex active contour model for target detection in synthetic aperture radar images | |
CN105242268A (zh) | 近程全息雷达自动聚焦成像方法 | |
CN115047448A (zh) | 一种基于声电磁互调的室内目标快速探测方法与系统 | |
US8265899B2 (en) | Automatic procedure for merging tracks and estimating harmonic combs | |
Zhang et al. | Synthetic aperture radar ship detection in complex scenes based on multifeature fusion network | |
CN102708544B (zh) | 用于高光谱遥感图像逐波段修正负相关的光谱角填图方法 | |
CN116699590B (zh) | 一种基于5.8g微波雷达的fmcw多目标测距方法和系统 | |
Chen et al. | Application of the non-local log-Euclidean mean to radar target detection in nonhomogeneous sea clutter | |
Kheawprae et al. | Complex Natural Resonance-Based Chipless RFID Multi-Tag Detection Using One-Dimensional Convolutional Neural Networks | |
da Costa et al. | A CFAR‐like detector based on neural network for simulated high‐frequency surface wave radar data | |
CN116609755B (zh) | 一种基于超宽带雷达的生命体征检测方法及系统 |
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 |