基于SVM和分步网格搜索的遥感图像态势识别方法

    公开(公告)号:CN114758241B

    公开(公告)日:2024-07-02

    申请号:CN202210456705.9

    申请日:2022-04-24

    Abstract: 本发明提出了一种基于SVM和分步网格搜索算法的遥感图像态势识别方法,主要解决现有技术中存在的识别意图准确度较低且SVM超参数搜索较慢的技术问题,实现步骤为:1)构造遥感图像目标检测网络模型;2)获取训练样本集和测试样本集;3)应用SVM分类模型并对其超参数进行训练;4)获取遥感图像的态势识别结果。本发明通过增加检测效果差的样本图像对损失函数的贡献,提升整体样本图像的检测效果,然后依据检测的目标数量作为一维数据,并从态势图中获取其它6维特征,制作样本特征向量,先确定SVM分类模型的超参数搜索范围,再搜索SVM分类模型的超参数最优解,从而提高了SVM分类模型识别意图的准确度和超参数搜索的速度。

    一种主波束大偏角辐射单边缝隙波导天线及其设计方法

    公开(公告)号:CN115764313A

    公开(公告)日:2023-03-07

    申请号:CN202211552470.X

    申请日:2022-12-05

    Abstract: 一种主波束大偏角辐射单边缝隙波导天线及其设计方法,天线包括缝隙波导,缝隙波导一侧设置有馈电同轴,缝隙波导另一侧设置有吸收负载;所述缝隙波导采用非标波导,在缝隙波导的宽边开有若干个辐射缝隙,各辐射缝隙开在缝隙波导的波导宽边中线的同一侧;设计方法是:S1、选择缝隙波导的宽边尺寸;S2、设计辐射缝隙长度;S3、设计天线辐射缝隙数目;S4、给出辐射缝隙的长度和宽边中心的距离;S5、设计馈电同轴和吸收负载;各辐射缝隙开在缝隙波导的波导宽边中线的同一侧;解决了天线主波束倾斜于负载端10~60°的大偏角辐射问题,使天线具有更灵活的辐射方向图,缝隙间距较小,有效的减小天线尺寸,具有操作方便,节约空间和应用范围广的特点。

    一款2-70GHz超宽带、全金属Vivaldi天线

    公开(公告)号:CN117728155A

    公开(公告)日:2024-03-19

    申请号:CN202311711386.2

    申请日:2023-12-13

    Abstract: 一款2‑70GHz超宽带、全金属Vivaldi天线,包括金属板,金属板的底端配置支撑底板,同轴连接器贯穿支撑底板与金属板连接,金属板的上部内侧开设指数型渐变曲线开口,金属板的下部开设匹配圆,指数型渐变曲线开口和匹配圆之间的金属板上开设有倾斜槽,指数型渐变曲线开口的起始端连接倾斜槽的一端,倾斜槽的另一端连接匹配圆,同轴连接器的内导体与倾斜槽和匹配圆连接的一端上表面接触;传统设计的Vivaldi天线较少工作在40GHz及以上频率,本Vivaldi天线通过优化Vivaldi金属板厚度,天线样品工作频率大于70GHz,其回波损耗超过10dB,本发明具有结构简单、成本低、超宽带、方向图稳定的特点。

    一种扫描漏波天线
    5.
    发明公开

    公开(公告)号:CN119601971A

    公开(公告)日:2025-03-11

    申请号:CN202411732519.9

    申请日:2024-11-29

    Abstract: 本发明公开了一种扫描漏波天线,包括层叠设置的弯曲波导、波导槽及喇叭结构,组成多个阵列单元,弯曲波导一端设置有馈电端口,弯曲波导由直线波导和慢波线结构构成,直线波导两侧交错设置有匹配结构;本发明的扫描漏波天线由多个阵列单元组成,因为阵列单元的反射会在中心频率处相叠加,所以本发明通过在每个阵列单元增加匹配结构,为每个阵列单元减少反射,这样,每个阵列单元的反射波不再加相,而透射相位保持不变,在不影响扫频辐射特性的情况下,可以实现中心频率处的阻抗匹配;具有中心频率阻抗匹配、高增益、对称大扫描范围±45°、普遍性、成本低、设计结构简单、器件复杂性低、适合大范围制造的特点。

    基于SVM和分步网格搜索的遥感图像态势识别方法

    公开(公告)号:CN114758241A

    公开(公告)日:2022-07-15

    申请号:CN202210456705.9

    申请日:2022-04-24

    Abstract: 本发明提出了一种基于SVM和分步网格搜索算法的遥感图像态势识别方法,主要解决现有技术中存在的识别意图准确度较低且SVM超参数搜索较慢的技术问题,实现步骤为:1)构造遥感图像目标检测网络模型;2)获取训练样本集和测试样本集;3)应用SVM分类模型并对其超参数进行训练;4)获取遥感图像的态势识别结果。本发明通过增加检测效果差的样本图像对损失函数的贡献,提升整体样本图像的检测效果,然后依据检测的目标数量作为一维数据,并从态势图中获取其它6维特征,制作样本特征向量,先确定SVM分类模型的超参数搜索范围,再搜索SVM分类模型的超参数最优解,从而提高了SVM分类模型识别意图的准确度和超参数搜索的速度。

Patent Agency Ranking