-
公开(公告)号：CN110736986B
公开(公告)日：2021-06-04
申请号：CN201910993252.1
申请日：2019-10-18
Applicant: 北京大学
Abstract: 本发明公布了基于现场可编程超材料的智能Wi‑Fi成像方法及系统，利用Wi‑Fi路由器、参考接收机、主接收机及工作频段覆盖Wi‑Fi频段的电控现场可编程超材料，搭建基于现场可编程超材料的智能Wi‑Fi成像系统；方法包括：直接利用Wi‑Fi信号探测目标，而无需向目标主动发射电磁波，再利用深度学习方法，实现对目标进行远距离和非视距的实时成像。本发明能够实现远距离和非视距的实时成像，兼具低成本和高效率等特点。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN110736986A
公开(公告)日：2020-01-31
申请号：CN201910993252.1
申请日：2019-10-18
Applicant: 北京大学
Abstract: 本发明公布了基于现场可编程超材料的智能Wi-Fi成像方法及系统，利用Wi-Fi路由器、参考接收机、主接收机及工作频段覆盖Wi-Fi频段的电控现场可编程超材料，搭建基于现场可编程超材料的智能Wi-Fi成像系统；方法包括：直接利用Wi-Fi信号探测目标，而无需向目标主动发射电磁波，再利用深度学习方法，实现对目标进行远距离和非视距的实时成像。本发明能够实现远距离和非视距的实时成像，兼具低成本和高效率等特点。
-
公开(公告)号：CN107658569A
公开(公告)日：2018-02-02
申请号：CN201710794786.2
申请日：2017-09-06
Applicant: 北京大学
IPC: H01Q15/00
Abstract: 本发明涉及人工电磁材料领域，提出了一种2比特可编程的数字式人工电磁超表面。通过改变二极管的状态组合，该人工电磁超表面单元能获得4种相位响应，即0、π/2、π、3π/2，分别对应数字编码“0”、“1”、“2”和“3”。通过结合数字控制技术，可以改变其表面的编码组合，在同一块人工电磁超表面上实现多种动态的电磁功能。本发明改变了大多数人工电磁超表面缺乏动态可变编程性质的现状，解决了1比特可编程数字式人工电磁超表面不能实现异向反射的问题，提高了超表面操控电磁波的设计自由度。本发明提出的2比特可编程数字超表面能够实现实时电磁信息控制和处理，在通信和成像等领域具有重要的应用前景。
-
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：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。
-
-
-
-
-
-
Search Results
7
records
(took 0.017 seconds)
