-
公开(公告)号：CN109472747A
公开(公告)日：2019-03-15
申请号：CN201811213563.3
申请日：2018-10-18
Applicant: 北京大学
IPC: G06T5/00
Abstract: 本发明提出了一种微波遥感图像去相干斑噪声的深度学习方法；本发明提出的DsCNN网络采用残差网络模块串联方式构建，相干斑噪声分级处理降低了相干斑噪声去除难度，克服了DsCNN网络过深导致训练难度增加的问题；本发明提出的DsCNN网络样本数据集源自开源软件，可以免费获取充足样本数据集，克服现有微波遥感开源图像数据集少，获取成本高的缺点；本发明提出的DsCNN网络在去除相干斑噪声同时，能够保持目标纹理特征；本发明提出的DsCNN网络基于样本驱动，降低了相干斑噪声建模难度，提高了相干斑噪声建模精度；本发明提出的DsCNN网络处理速度快，满足实时处理大尺度微波遥感图像去相干斑噪声任务的需求。
-
公开(公告)号：CN110781764B
公开(公告)日：2021-08-03
申请号：CN201910941889.6
申请日：2019-09-30
Applicant: 北京大学
Abstract: 本发明公布了一种智能微波手语识别方法，包括：利用信号源对手势进行照射，再通过接收机将带有手语特征的微波数据传入神经网络，通过神经网络对不同手语的微波特征进行学习和记忆，并以成像或直接分类的方式实现手语识别。本发明利用的微波频段具有穿透性，不受障碍物的约束；克服了现有光学手语成像和识别对环境，天气，光线等条件的依赖，可全天候不间断工作；利用机器学习处理数据，通过神经网络提高了计算能力，增强了手语识别精度；采用的深度学习网络抗噪声能力较强；且对设备要求低，可依据不同复杂场景、不同精度项目来灵活设置各种参数，灵活应用。
-
公开(公告)号：CN110781764A
公开(公告)日：2020-02-11
申请号：CN201910941889.6
申请日：2019-09-30
Applicant: 北京大学
Abstract: 本发明公布了一种智能微波手语识别方法，包括：利用信号源对手势进行照射，再通过接收机将带有手语特征的微波数据传入神经网络，通过神经网络对不同手语的微波特征进行学习和记忆，并以成像或直接分类的方式实现手语识别。本发明利用的微波频段具有穿透性，不受障碍物的约束；克服了现有光学手语成像和识别对环境，天气，光线等条件的依赖，可全天候不间断工作；利用机器学习处理数据，通过神经网络提高了计算能力，增强了手语识别精度；采用的深度学习网络抗噪声能力较强；且对设备要求低，可依据不同复杂场景、不同精度项目来灵活设置各种参数，灵活应用。
-
公开(公告)号：CN106291545B
公开(公告)日：2019-05-28
申请号：CN201610627203.2
申请日：2016-08-03
Applicant: 北京大学
Abstract: 本发明公开了一种基于可编程人工电磁表面的成像系统及其成像方法。本发明在可重构单元的电容和电感之间加入二极管，通过改变二极管两端的偏置电压，得到二极管导通和截止两种状态，频点相同的电磁波入射的透射率不同；从而改变可编程人工电磁表面的分布状态，采用单个位置固定的天线接收成像区域的散射场，得到成像区域的线性方程组，从而通过求解线性方程组进行目标重构；相邻的可重构单元的间距为半波长，相同状态的可重构单元的近场分布相同，只需要知道一个可重构单元两种状态的近场分布就可以扩展得到整个表面的近场分布，并且不需要重新测量可重构单元的近场分布；大大降低硬件成本的同时提高了成像速度，可以得到良好的目标重构效果。
-
公开(公告)号：CN109344916A
公开(公告)日：2019-02-15
申请号：CN201811324605.0
申请日：2018-11-08
Applicant: 北京大学
Abstract: 本发明提出了一种现场可编程深度学习的微波成像与目标识别方法。本发明提出的现场可编程深度学习的微波成像与目标识别方法将可编程超表面材料与深度学习网络相结合，实现实时数据获取与数据处理，进而实现实时微波成像及目标识别。在本发明的数据获取过程中采用FPGA控制切换不同的Metasurface编码，相比于机械切换，速度极大提高；采用固定位置的单个接收机接收数据，系统结构简单，成本较低。在本发明的数据处理过程中，采用的深度学习网络包括DeepNIS网络和CNN网络；该深度学习网络基于样本驱动，能够很好地捕捉图像特征，成像质量好，目标识别分类准确率高；该深度学习网络抗噪声能力较强；该深度学习网络一经训练完毕，即可用于实时微波成像及目标识别。
-
Patent Agency Ranking
公开(公告)号：CN105842689B
公开(公告)日：2017-12-01
申请号：CN201610185053.4
申请日：2016-03-29
Applicant: 北京大学
IPC: G01S13/89
Abstract: 本发明公开了一种基于广义反射率模型的高分辨雷达快速成像方法。本发明扩展了现有雷达成像的波恩近似模型，在模型中加入目标的各向异性特性与目标对不同频段信号的作用效果不同的特性；该模型与实际信号模型更加接近，增强了雷达成像效果，为实现高分辨雷达成像奠定了模型基础；并提出了利用目标广义反射率的三种稀疏特性将雷达成像系统划分为子孔径或子频带进行近似计算；提出根据系统函数特性将成像区域划分为一系列子成像区域，大大加速了成像速度；进一步提出利用对偶变换将传统的雷达成像问题转化为基于物理机制的图像处理问题；本发明既保证了雷达成像精度又加快了雷达成像速度，有效解决了无法进行大尺度高分辨雷达实时成像的技术难题。
-
公开(公告)号：CN109344916B
公开(公告)日：2021-09-28
申请号：CN201811324605.0
申请日：2018-11-08
Applicant: 北京大学
Abstract: 本发明提出了一种现场可编程深度学习的微波成像与目标识别方法。本发明提出的现场可编程深度学习的微波成像与目标识别方法将可编程超表面材料与深度学习网络相结合，实现实时数据获取与数据处理，进而实现实时微波成像及目标识别。在本发明的数据获取过程中采用FPGA控制切换不同的Metasurface编码，相比于机械切换，速度极大提高；采用固定位置的单个接收机接收数据，系统结构简单，成本较低。在本发明的数据处理过程中，采用的深度学习网络包括DeepNIS网络和CNN网络；该深度学习网络基于样本驱动，能够很好地捕捉图像特征，成像质量好，目标识别分类准确率高；该深度学习网络抗噪声能力较强；该深度学习网络一经训练完毕，即可用于实时微波成像及目标识别。
-
公开(公告)号：CN108471321B
公开(公告)日：2020-04-03
申请号：CN201810223187.X
申请日：2018-03-19
Applicant: 北京大学
Abstract: 本发明公开了一种构建通信数据与雷达性能参数同时同频传输的雷达‑通信一体化系统方法。本发明提出了准对偶伪码序列的构造，利用伪码‑准对偶伪码序列对将雷达性能参数加在通信数据信号上；该系统模型不增加系统时宽积，在相同频带和时间资源条件下，实现通信数据和雷达性能参数的同时同频传输；该系统模型中雷达‑通信一体化系统接收端解调系统复杂度低；本发明的雷达‑通信一体化系统可在低信噪比条件下实现低误码率传输；本发明所提出的雷达‑通信一体化系统中通信数据与雷达性能参数同时同频传输方法，具有传输效率高，解调方式简单等优点，为高效传输通信数据与雷达性能参数奠定了理论基础。
-
公开(公告)号：CN107607942B
公开(公告)日：2019-09-13
申请号：CN201710767562.2
申请日：2017-08-31
Applicant: 北京大学
Abstract: 本发明公开了一种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。本发明针对电磁散射和电磁逆散射问题分别提出了两种基于物理机制的卷积神经网络；将现有卷积神经网络框架从实数域推广到复数域，并赋予其相应的物理含义；本发明的散射和逆散射的预测方法适用于常用的各种雷达系统；本发明的卷积神经网络适用于目前所有的训练算法；网络均为卷积操作，因而具有极强的适用性，适用于任意大尺度电磁场景。本发明所提出利用基于物理机制的卷积神经网络在解决电磁散射和逆散射问题时具有计算效率高，时延低等特性，为实现大尺度电磁散射和逆散射问题的实时解决奠定了基础。
-
公开(公告)号：CN110190923A
公开(公告)日：2019-08-30
申请号：CN201910468549.6
申请日：2019-05-31
Applicant: 北京大学
Abstract: 本发明公布了一种基于非合作盲源的潜伏通信系统及方法，潜伏通信系统包括：信息编码与发送端、信息接收与解调端和非合作盲源信号；将非合作盲源作为通信载波，利用双天线或多天线作为接收端，并在接收机中将接收到的电磁波进行解调，从而实现信息的隐蔽传输和无源传输通信。采用本发明技术方案，无需信号发射源，节省了载波发射功率，不占用新的频谱资源；简化了电路结构，降低了硬件成本；在物理层面保障了隐蔽通信，可实现室内定向定点通信；还可向物联网中的特定位置的传感器发送信息、为射频识别标签提供能量，改善无线通信质量。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.022 seconds)
