CN112327294A - 基于多频点极化特征的昆虫体型参数反演方法和装置 - Google Patents
基于多频点极化特征的昆虫体型参数反演方法和装置 Download PDFInfo
- Publication number
- CN112327294A CN112327294A CN202011147068.4A CN202011147068A CN112327294A CN 112327294 A CN112327294 A CN 112327294A CN 202011147068 A CN202011147068 A CN 202011147068A CN 112327294 A CN112327294 A CN 112327294A
- Authority
- CN
- China
- Prior art keywords
- insect
- polarization
- band
- frequency points
- random forest
- 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
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Catching Or Destruction (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多频点极化特征的昆虫体型参数反演方法和装置,该方法从昆虫的目标回波中提取所有所选频点的电磁散射参量a0、a1、a2、σyy,组成第一特征组;提取所有所选频点的极化不变量d、υ,组成第二特征组;所述所选频点是从超宽带多频段雷达覆盖的X波段和Ku波段选取的多个频点;将第一特征组和第二特征组合并,作为随机森林回归模型的输入特征,随机森林回归模型输出为昆虫的体重和体长;构建训练样本,对随机森林回归模型进行训练;应用时,获取待反演昆虫的所有所选频点的第一特征组和第二特征组,输入随机森林回归模型,得到反演的昆虫体重和体长。使用本发明能够提高参数反演精度。
Description
技术领域
本发明属于昆虫雷达技术领域,具体涉及一种多频点极化特征的昆虫体型参数反演方法和装置。
背景技术
昆虫迁飞是造成农作物病虫害和人畜疫病流行的重要原因,研究昆虫迁飞具有重要的经济意义和社会意义。很多迁飞昆虫都是农业害虫,如粘虫、棉铃虫和蝗虫,这些害虫的意义爆发等现象严重威胁着农作物的生产安全。因此,实现迁飞昆虫个体及群体的有效监测,对农业病虫害的预防等方面都有重要的意义。
对昆虫迁飞现象的监测有许多手段,如空中网捕、地面诱捕、电子标签追踪以及雷达探测等。其中雷达探测作为一种重要的监测手段,具有探测距离远,空中目标定位及工作时间长等优势。监测主要目的之一是迁飞昆虫种类的识别。传统的昆虫识别的流程一般是对训练样本进行数码图像获取、图像预处理、特征提取和特征汰选后构建分类器,实现昆虫的辨识。但是远距离高空迁迁飞昆虫不能获得实时的数码图像,为了实现远距离迁飞昆虫种类的辨识,传统的分类辨识方法将不适用。
迁飞昆虫的形状、尺寸、体重和振翅频率等信息可作为种类辨识的特征量,其中形状尺寸等信息主要可以通过质量、体长等具体参数进行量化表示,为昆虫个体种类辨识提供了依据。
昆虫体型参数反演主要研究的是昆虫的散射截面积(RCS)与其体型参数的关系,传统的方法均是采用数据拟合的方法,这样每次利用的特征有限,可能会限制参数反演精度。
发明内容
有鉴于此,本发明提供了一种多频点极化特征的昆虫体型参数反演方法和装置,基于多种昆虫RCS参量,利用随机森林构建昆虫体型参数反演模型,实现迁飞昆虫体型参数的反演,能够提高参数反演精度,为雷达生物目标辨识提供依据。
为了解决上述技术问题,本发明是这样实现的:
一种基于多频点极化特征的昆虫体型参数反演方法,包括如下步骤:
步骤A、从昆虫的目标回波中提取所有所选频点的电磁散射参量a0、a1、a2、σyy,组成第一特征组;所述所选频点是从超宽带多频段雷达覆盖的X波段和Ku波段选取的多个频点;
对单基地雷达,测得的昆虫目标散射矩阵S表示为:
其中σpw>0是当发射天线和接收天线极化在p和w方向时观测到的雷达散射截面RCS,p和w取值范围为x、y;α,β为相位因子;
则所述电磁散射参量a0、a1、a2和σyy为:
σyy=a0-a1+a2
步骤B、从昆虫的目标回波中提取所有所选频点的极化不变量d、υ,组成第二特征组;
所述极化不变量υ取极化方向垂直于昆虫体轴的RCS:
其中,λ1和λ2为Graves功率矩阵G的两个特征值,且λ1≥λ2;
步骤C、体重和体长参数反演:
将第一特征组和第二特征组合并,作为随机森林回归模型的输入特征,随机森林回归模型输出为昆虫的体重和体长;采用步骤A和B的方式构建训练样本,对随机森林回归模型进行训练;
应用时,获取待反演昆虫的所有所选频点的第一特征组和第二特征组,输入随机森林回归模型,得到反演的昆虫体重和体长。
优选地,选取的多个频点是从X波段的9-10GHz子频段、11-12GHz子频段以及Ku波段的15-16GHz子频段、17-18GHz子频段内选取的。
优选地,选取的多个频点包括9.5GHz、11.5GHz、15.5GHz和17.5GHz。
本发明所提供的基于多频点极化特征的昆虫体型参数反演装置,包括电磁散射参量提取模块、极化不变量提取模块、随机森林回归模型、训练模块以及反演模块;
所述电磁散射参量提取模块,用于从昆虫的目标回波中提取所有所选频点的电磁散射参量a0、a1、a2、σyy,组成第一特征组;所述所选频点是从超宽带多频段雷达覆盖的X波段和Ku波段选取多个频点;
对单基地雷达,测得的昆虫目标散射矩阵S表示为:
其中σpw>0是当发射天线和接收天线极化在p和w方向时观测到的雷达散射截面RCS,p和w取值范围为x、y;α,β为相位因子;
则所述电磁散射参量a0、a1、a2和σyy为:
σyy=a0-a1+a2
所述极化不变量提取模块,用于从昆虫的目标回波中提取所有所选频点的提取所有所选频点的极化不变量d、υ,组成第二特征组;
所述极化不变量υ取极化方向垂直于昆虫体轴的RCS:
其中,λ1和λ2为Graves功率矩阵G的两个特征值,且λ1≥λ2;
所述随机森林回归模型的输入特征是第一特征组和第二特征组的合并集合,输出为昆虫的体重和体长;
所述训练模块,用于利用所述电磁散射参量提取模块和所述极化不变量提取模块获取训练样本,对随机森林回归模型进行训练;
所述反演模块,用于利用所述电磁散射参量提取模块和所述极化不变量提取模块获取待反演昆虫的第一特征组和第二特征组,输入随机森林回归模型,获得反演的昆虫体重和体长。
有益效果:
(1)本发明采用随机森林回归模型实现昆虫体型参数反演,随机森林回归模型采用电磁散射参量和极化不变量作为输入特征。其中,极化不变量是衡量目标散射电磁波能力的标准之一,极化不变量不随观测角度变化,对于昆虫来说,以极化不变量作为反映昆虫体型的特征,这些特征信号的取值仅取决于目标自身的物理属性,而与雷达的极化和目标的朝向无关,直接反应了某种物理特性,进而避免了雷达极化和昆虫朝向不同带来的误差。
(2)本发明的电磁散射参量和极化不变量并非选取所有的参数,其中,电磁散射参量选取a0、a1、a2和σyy,极化不变量选取d、υ,在申请人的研究中发现,这些参数与昆虫体型存在强相关性,因此采用这6个参数的组合,不仅可以以高准确率实现迁飞昆虫的体型参数反演,而且不会引入过多的计算量和误差。
(3)对于多频点的选择,选取了适用于昆虫探测和识别的4个子频段,并采用子频段的中心频率作为频点,在保证随机森林回归模型的输入特征多样化,保证反演精度的基础上,不会引入过多的计算量。
附图说明
图1为基于多频点极化特征的昆虫体型参数反演方法的流程图;
图2为基于多频点极化特征的昆虫体型参数反演装置的组成框图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
对单基地线极化雷达,测得的昆虫目标散射矩阵S可以表示为:
其中σpw>0是当发射天线和接收天线极化在p和w方向时观测到的RCS,α,β为相位因子。p和w的取值范围为x,y。
则雷达观测到的目标RCS为:
其中,| |表示取模操作,hr、ht表示发射和接收的归一化有效天线长度,*表示共轭转置。Φ表示极化方向。则该公式可以进一步简化为:
σ(Φ)=a0+a1 cos2Φ+a2 cos4Φ (3)
其中:
用a0、a1、a2还可以计算得到σxx和σyy这两个参数:
σxx=a0+a1+a2 (5)
σyy=a0-a1+a2 (6)
昆虫的Graves功率矩阵定义为:
其行列式可表示为:
DetG=g11g22-g12g21 (8)
昆虫的Graves功率矩阵G的两个特征值可以表示为:
其中,对于平行昆虫,λ1和λ2分别表示极化方向平行和垂直于昆虫体轴时的RCS;而对于垂直昆虫,λ1和λ2分别表示极化方向垂直和平行于昆虫体轴时的RCS。经研究,lg(d)=-3.65是区分平行昆虫和垂直昆虫的最佳界限,lgd大于-3.65表示垂直昆虫,反之表示平行昆虫,因此,极化方向垂直于昆虫体轴的RCS可表示为υ:
d和υ均为极化不变量。本申请人在研究过程中发现,电磁散射参量a0、a1、a2、σyy和极化不变量d和υ均与昆虫体长、体重有较强的相关性。因此本申请将提取多个频率点的昆虫电磁散射参量作为特征参数,利用随机森林进行体型参数反演研究。
因此,本发明提供的基于多频点极化特征的昆虫体型参数反演方法,参见图1,其包括如下步骤:
步骤一:特征提取
从超宽点多频点全极化雷达覆盖的X波段和Ku波段中分别选取两个子频段,包括X(9-10GHz,11-12GHz)、Ku(15-16GHz,17-18GHz)两个波段,每个波段含两个子频段。可以选择这四个子频段的中心频率点作为特征提取的频点,分别为9.5GHz、11.5GHz、15.5GHz和17.5GHz。
步骤1.1:首先搜集昆虫多频段全极化的回波数据,基于步进频成像和全极化定标方法,对每个中心频点,求出单只昆虫对应的极化散射矩阵(公式(1))。为了消除实验环境对于昆虫回波功率测量的影响,需要使用空场景和小球对数据进行背景对消和补偿,最终计算获得目标的极化散射矩阵。
步骤1.2:利用测得的雷达极化散射矩阵测量值,基于公式(2)-(11),可以得到每个昆虫每个中心频点的电磁散射参量和极化不变量a0、a1、a2、σyy、d和υ。电磁散射参量和极化不变量的获取步骤不分先后。将9.5GHz、11.5GHz、15.5GHz和17.5GHz对应的昆虫的电磁散射参量作为特征参数,共24维,如表1所示:
表1 输入特征参数
步骤二:随机森林反演模型构建
1)构建随机森林回归模型:随机森林回归模型的输入为a0、a1、a2、σyy、d和υ,随机森林回归模型输出为昆虫的体重和体长。
2)通过采集的实际数据或者模型产生的数据,构建样本数据;样本数据中包括特征a0、a1、a2、σyy、d、υ和作为标签的昆虫的体重和体长。样本数据随机分为训练数据和测试数据,其中训练数据占70%。
3)对随机森林回归模型进行训练,并输出特征重要性排序,采用特征递归消除法,确定最优的特征子集,用特征子集训练新的随机森林模型。
将测试数据输入到上述构建的昆虫体重和体长随机森林反演模型,统计昆虫体重和体长的反演精度。
步骤三:昆虫体重、体长反演
应用时,获取待反演昆虫的所有所选频点的第一特征组和第二特征组,输入随机森林回归模型,得到反演的昆虫体重和体长。其中,对于多个昆虫的情况,分别进行跟踪和检测,获得单个昆虫的回波数据,进行处理获得昆虫体重和体长。
至此本流程结束。
为了实现上述方案,本发明还提供了一种基于多频点极化特征的昆虫体型参数反演装置,如图2所示,该装置包括电磁散射参量提取模块、极化不变量提取模块、随机森林回归模型、训练模块以及反演模块。
电磁散射参量提取模块,用于从昆虫的目标回波中提取所有所选频点的电磁散射参量a0、a1、a2、σyy,组成第一特征组;所述所选频点是从超宽带多频点雷达覆盖的X波段和Ku波段选取多个频点。
极化不变量提取模块,用于从昆虫的目标回波中提取所有所选频点的提取所有所选频点的极化不变量d、υ,组成第二特征组。
随机森林回归模型的输入特征是第一特征组和第二特征组的合并集合,输出为昆虫的体重和体长。
训练模块,用于利用所述电磁散射参量提取模块和所述极化不变量提取模块获取训练样本,对随机森林回归模型进行训练;
反演模块,用于利用所述电磁散射参量提取模块和所述极化不变量提取模块获取待反演昆虫的第一特征组和第二特征组,输入随机森林回归模型,获得反演的昆虫体重和体长。
其中,所述电磁散射参量提取模块和所述极化不变量提取模块选取频点的方案与前述方案相同,这里不赘述。
实例:
为验证前述基于生物学参数的昆虫分类方法,对21种昆虫,基于实验测得的多频段电磁散射参量和极化不变量,采用本发明参数反演方法,完成这21种迁飞昆虫体型参数反演,具体流程如下:
1)基于180只昆虫原始实验数据,通过步进频成像和全极化定标处理,得到每只昆虫的9.5GHz、11.5GHz、15.5GHz和17.5GHz四个频率点的极化散射矩阵;
2)基于上述得到的极化散射矩阵,为每只昆虫构建24维的特征。将数据均分为训练数据和测试数据;然后搭建随机森林反演模型;基于特征递归消除法求出最优的反演模型;
表1:实验昆虫参数
3)将测试数据导入最优的体重和体长的反演模型中,然后统计体重和体长的反演精度。其中体重的反演精度为15.3%,体长的反演精度为19.6%。
基于上述实测数据反演结果可以得到以下结论:
所选取的21种昆虫的体重的反演精度为15.3%,体长的反演精度为19.6%,验证了所提取出的24维特征可以有效的反演昆虫的体重和体长。
以上的具体实施例仅描述了本发明的设计原理,该描述中的部件形状,名称可以不同,不受限制。所以,本发明领域的技术人员可以对前述实施例记载的技术方案进行修改或等同替换;而这些修改和替换未脱离本发明创造宗旨和技术方案,均应属于本发明的保护范围。
Claims (6)
1.一种基于多频点极化特征的昆虫体型参数反演方法,其特征在于,包括如下步骤:
步骤A、从昆虫的目标回波中提取所有所选频点的电磁散射参量a0、a1、a2、σyy,组成第一特征组;所述所选频点是从超宽带多频段雷达覆盖的X波段和Ku波段选取的多个频点;
对单基地雷达,测得的昆虫目标散射矩阵S表示为:
其中σpw>0是当发射天线和接收天线极化在p和w方向时观测到的雷达散射截面RCS,p和w取值范围为x、y;α,β为相位因子;
则所述电磁散射参量a0、a1、a2和σyy为:
σyy=a0-a1+a2
步骤B、从昆虫的目标回波中提取所有所选频点的极化不变量d、υ,组成第二特征组;
所述极化不变量υ取极化方向垂直于昆虫体轴的RCS:
其中,λ1和λ2为Graves功率矩阵G的两个特征值,且λ1≥λ2;
步骤C、体重和体长参数反演:
将第一特征组和第二特征组合并,作为随机森林回归模型的输入特征,随机森林回归模型输出为昆虫的体重和体长;采用步骤A和B的方式构建训练样本,对随机森林回归模型进行训练;
应用时,获取待反演昆虫的所有所选频点的第一特征组和第二特征组,输入随机森林回归模型,得到反演的昆虫体重和体长。
2.如权利要求1所述的方法,其特征在于,选取的多个频点是从X波段的9-10GHz子频段、11-12GHz子频段以及Ku波段的15-16GHz子频段、17-18GHz子频段内选取的。
3.如权利要求2所述的方法,其特征在于,选取的多个频点包括9.5GHz、11.5GHz、15.5GHz和17.5GHz。
4.一种基于多频点极化特征的昆虫体型参数反演装置,其特征在于,该装置包括电磁散射参量提取模块、极化不变量提取模块、随机森林回归模型、训练模块以及反演模块;
所述电磁散射参量提取模块,用于从昆虫的目标回波中提取所有所选频点的电磁散射参量a0、a1、a2、σyy,组成第一特征组;所述所选频点是从超宽带多频段雷达覆盖的X波段和Ku波段选取多个频点;
对单基地雷达,测得的昆虫目标散射矩阵S表示为:
其中σpw>0是当发射天线和接收天线极化在p和w方向时观测到的雷达散射截面RCS,p和w取值范围为x、y;α,β为相位因子;
则所述电磁散射参量a0、a1、a2和σyy为:
σyy=a0-a1+a2
所述极化不变量提取模块,用于从昆虫的目标回波中提取所有所选频点的提取所有所选频点的极化不变量d、υ,组成第二特征组;
所述极化不变量υ取极化方向垂直于昆虫体轴的RCS:
其中,λ1和λ2为Graves功率矩阵G的两个特征值,且λ1≥λ2;
所述随机森林回归模型的输入特征是第一特征组和第二特征组的合并集合,输出为昆虫的体重和体长;
所述训练模块,用于利用所述电磁散射参量提取模块和所述极化不变量提取模块获取训练样本,对随机森林回归模型进行训练;
所述反演模块,用于利用所述电磁散射参量提取模块和所述极化不变量提取模块获取待反演昆虫的第一特征组和第二特征组,输入随机森林回归模型,获得反演的昆虫体重和体长。
5.如权利要求1所述的装置,其特征在于,所述电磁散射参量提取模块和所述极化不变量提取模块所选取的频点是从X波段的9-10GHz子频段、11-12GHz子频段以及Ku波段的15-16GHz子频段、17-18GHz子频段内选取的。
6.如权利要求5所述的装置,其特征在于,所述电磁散射参量提取模块和所述极化不变量提取模块所选取的频点包括9.5GHz、11.5GHz、15.5GHz和17.5GHz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011147068.4A CN112327294B (zh) | 2020-10-23 | 2020-10-23 | 基于多频点极化特征的昆虫体型参数反演方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011147068.4A CN112327294B (zh) | 2020-10-23 | 2020-10-23 | 基于多频点极化特征的昆虫体型参数反演方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327294A true CN112327294A (zh) | 2021-02-05 |
CN112327294B CN112327294B (zh) | 2023-10-20 |
Family
ID=74312198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011147068.4A Active CN112327294B (zh) | 2020-10-23 | 2020-10-23 | 基于多频点极化特征的昆虫体型参数反演方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327294B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120268315A1 (en) * | 2009-10-21 | 2012-10-25 | Anatol Zymunt Tirkel | Wide area detection of insects using reflected microwaves |
CN104266982A (zh) * | 2014-09-04 | 2015-01-07 | 浙江托普仪器有限公司 | 一种大面积虫害量化监测系统 |
CN105759252A (zh) * | 2016-03-24 | 2016-07-13 | 北京理工大学 | 一种基于多频散射建模的昆虫尺寸测量方法 |
CN105866770A (zh) * | 2016-03-24 | 2016-08-17 | 北京理工大学 | 一种基于多波段散射测量的昆虫体长-质量联合测量方法 |
CN106846462A (zh) * | 2016-12-30 | 2017-06-13 | 北京农业信息技术研究中心 | 基于三维模拟的昆虫识别装置及方法 |
CN107589412A (zh) * | 2017-08-08 | 2018-01-16 | 北京理工大学 | 一种基于极化功率矩阵特征值的昆虫特征参数反演方法 |
CN107688169A (zh) * | 2017-08-08 | 2018-02-13 | 北京理工大学 | 一种基于极化功率矩阵行列式的昆虫特征参数反演方法 |
RU2673166C1 (ru) * | 2017-06-13 | 2018-11-22 | Акционерное общество "Ордена Трудового Красного Знамени Всероссийский научно-исследовательский институт радиоаппаратуры" (АО "ВНИИРА") | Устройство для наблюдения за саранчой, летящей в рое |
CN109212483A (zh) * | 2018-07-03 | 2019-01-15 | 北京理工大学 | 一种解决大体型昆虫90度朝向错误的体轴朝向提取方法 |
-
2020
- 2020-10-23 CN CN202011147068.4A patent/CN112327294B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120268315A1 (en) * | 2009-10-21 | 2012-10-25 | Anatol Zymunt Tirkel | Wide area detection of insects using reflected microwaves |
CN104266982A (zh) * | 2014-09-04 | 2015-01-07 | 浙江托普仪器有限公司 | 一种大面积虫害量化监测系统 |
CN105759252A (zh) * | 2016-03-24 | 2016-07-13 | 北京理工大学 | 一种基于多频散射建模的昆虫尺寸测量方法 |
CN105866770A (zh) * | 2016-03-24 | 2016-08-17 | 北京理工大学 | 一种基于多波段散射测量的昆虫体长-质量联合测量方法 |
CN106846462A (zh) * | 2016-12-30 | 2017-06-13 | 北京农业信息技术研究中心 | 基于三维模拟的昆虫识别装置及方法 |
RU2673166C1 (ru) * | 2017-06-13 | 2018-11-22 | Акционерное общество "Ордена Трудового Красного Знамени Всероссийский научно-исследовательский институт радиоаппаратуры" (АО "ВНИИРА") | Устройство для наблюдения за саранчой, летящей в рое |
CN107589412A (zh) * | 2017-08-08 | 2018-01-16 | 北京理工大学 | 一种基于极化功率矩阵特征值的昆虫特征参数反演方法 |
CN107688169A (zh) * | 2017-08-08 | 2018-02-13 | 北京理工大学 | 一种基于极化功率矩阵行列式的昆虫特征参数反演方法 |
CN109212483A (zh) * | 2018-07-03 | 2019-01-15 | 北京理工大学 | 一种解决大体型昆虫90度朝向错误的体轴朝向提取方法 |
Non-Patent Citations (3)
Title |
---|
CHENG HU 等: "Insect Biological Parameter Estimation Based on the Invariant Target Parameters of the Scattering Matrix", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 57, no. 8, pages 6212 - 6225, XP011735722, DOI: 10.1109/TGRS.2019.2904869 * |
张鹿平 等: "昆虫雷达建制技术的发展方向", 应用昆虫学报, vol. 55, no. 2, pages 153 - 159 * |
胡程 等: "基于全极化的相参雷达迁飞昆虫观测", 信号处理, vol. 35, no. 6, pages 951 - 957 * |
Also Published As
Publication number | Publication date |
---|---|
CN112327294B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056070B (zh) | 基于低秩矩阵恢复和稀疏表示的sar目标识别方法 | |
CN108460408B (zh) | 基于残差学习和条件gan的极化sar图像分类方法 | |
CN107589412B (zh) | 一种基于极化功率矩阵特征值的昆虫特征参数反演方法 | |
CN105866770B (zh) | 一种基于多波段散射测量的昆虫体长‑质量联合测量方法 | |
CN109598306A (zh) | 基于srcm和卷积神经网络的高光谱图像分类方法 | |
Bandi et al. | Performance evaluation of various statistical classifiers in detecting the diseased citrus leaves | |
CN112859070B (zh) | 一种基于多域多特征和深度学习的生命探测雷达系统 | |
CN106909939A (zh) | 一种结合旋转域极化零角特征的极化sar地物分类方法 | |
Chen et al. | Potential of RADARSAT-2 data on identifying sugarcane lodging caused by typhoon | |
CN107688169A (zh) | 一种基于极化功率矩阵行列式的昆虫特征参数反演方法 | |
WO2023197496A1 (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
Brunes et al. | Seedling length in wheat determined by image processing using mathematical tools | |
CN108766203A (zh) | 一种紧致极化水稻制图的方法及系统 | |
Kong et al. | Insect multifrequency polarimetric radar cross section: Experimental results and analysis | |
Yuzugullu et al. | Assessment of paddy rice height: Sequential inversion of coherent and incoherent models | |
CN112327294B (zh) | 基于多频点极化特征的昆虫体型参数反演方法和装置 | |
CN106291554B (zh) | 基于k-wishart分布的极化sar舰船检测方法 | |
Henry et al. | Isolines in 3D radar images for remote sensing applications | |
Lay-Ekuakille et al. | SAR sensors measurements for environmental classification: Machine learning-based performances | |
Verma et al. | Polarimetric signature analysis of various crop-types using multi-source dual-frequency SAR data | |
CN113092402B (zh) | 一种非接触式物质太赫兹特征谱检测识别系统及方法 | |
Fan et al. | A deceptive jamming template synthesis method for SAR using generative adversarial nets | |
Mao et al. | Fully polarimetric radar observing insects flight | |
Zhang et al. | Radar target recognition based on polarization invariant | |
CN102156883A (zh) | 一种利用两种不同频率下的极化sar图像进行分类的方法 |
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 |