-
公开(公告)号：CN111766294A
公开(公告)日：2020-10-13
申请号：CN202010648765.1
申请日：2020-07-07
Applicant: 杭州电子科技大学
IPC: G01N27/83
Abstract: 本发明属于三维微波成像领域，提出了一种基于微波成像的砂石骨料无损检测方法，首先将砂石骨料放置于工作台式流水线上，通过采用侧剖面呈现“ㄇ”型的有限口径下的探测设备对经过其中的砂石骨料进行探测，得到散射场数据，然后利用得到的散射场数据，基于SOM方法实现三维电磁逆散射成像来重构砂石骨料形状和介电常数值，来检测砂石骨料是否达到建筑所需的标准。本发明采用侧剖面呈现“ㄇ”型的有限口径来探测未知散射体，更加符合实际的需求；设计成流水线工作台的样式，使得检测过程更加便捷自动化；基于具有快速收敛和抗噪声两个显著优点的SOM方法实现三维电磁成像技术，使得本方法能够快速精准的得到数据结果。
-
公开(公告)号：CN111610374A
公开(公告)日：2020-09-01
申请号：CN202010471615.8
申请日：2020-05-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的散射场相位恢复方法。在电磁逆散射成像领域，全波数据反演算法需要用到全波数据，然而全波数据的实际测量相当困难；无相位反演算法仅需要使用无相位总场数据，无相位总场数据的实际测量要容易很多，但是无相位反演算法具有更高的非线性度，计算较为困难。本发明利用无相位总场恢复出散射场，对处理散射场获取困难的问题有一定的帮助。本发明所使用的CNN架构是U-net。U-net是一种U形结构的CNN，它通过先卷积然后反卷积的形式使得输入与输出的维度能保持一致。通过仿真数据和实测数据的测试，验证了该方法的可行性。
-
公开(公告)号：CN111609787A
公开(公告)日：2020-09-01
申请号：CN202010471726.9
申请日：2020-05-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于神经网络解决电磁逆散射问题的两步无相位成像法。在电磁逆散射成像领域，全波数据反演算法需要用到全波数据，然而全波数据的实际测量相当困难；无相位反演算法仅需要使用无相位总场数据，无相位总场数据的实际测量要容易很多，但是无相位反演算法具有更高的非线性度，计算较为困难。本发明正是针对全波数据反演算法和无相位反演算法的优缺点而产生的，结合CNN，先对无相位数据进行相位恢复，然后再结合全波数据反演算法重建图像。
-
公开(公告)号：CN111488549A
公开(公告)日：2020-08-04
申请号：CN202010278960.X
申请日：2020-04-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习求解电磁逆散射问题的混合输入方法，包括如下步骤：步骤一，利用定量反演方法得到未知散射体的定量信息，包括对比度；步骤二，利用定性反演方法得到未知散射体的定性信息，包括归一化的数值；在感兴趣域上定义一个指标函数，用于判断采样点是位于未知散射体的内部或外部，根据指示函数得到一组归一化后的数值，归一化的数值指示每一个采样点是否位于未知散射体内部的点；步骤三，将归一化的数值和对比度值进行点乘，将点乘结果转化成结合后的介电常数值；步骤四，将结合后的介电常数值作为神经网络的输入，将散射体的真实的介电常数值作为神经网络的输出，训练神经网络。
-
公开(公告)号：CN117954869A
公开(公告)日：2024-04-30
申请号：CN202310407249.3
申请日：2023-04-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于超表面的高增益滤波天线，包括4×4超表面天线阵列F，基片集成波导馈电腔体阵列N，基片集成波导馈电网络G。所述4×4超表面天线阵列F包括16个中心对称的4×4超表面天线阵列单元；每个4×4超表面天线单元包括超表面天线单元P1、第一介质板S1、第二金属贴片P2；所述超表面天线单元P1包括两个天线单元；每个天线单元包括呈2×4周期性分布的8个贴片天线，每个贴片天线刻蚀有一个两臂部前端向内弯折的U型槽T1。在超表面天线上面增加两臂部前端向内弯折后的U型槽T1，利用超表面的特征模分析方法，使得超表面的工作在特定的模式状态下，从而使得在低频产生辐射零点。
-
Patent Agency Ranking
公开(公告)号：CN111488549B
公开(公告)日：2023-09-22
申请号：CN202010278960.X
申请日：2020-04-10
Applicant: 杭州电子科技大学
IPC: G06F17/11 , G06F17/16 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度学习求解电磁逆散射问题的混合输入方法，包括如下步骤：步骤一，利用定量反演方法得到未知散射体的定量信息，包括对比度；步骤二，利用定性反演方法得到未知散射体的定性信息，包括归一化的数值；在感兴趣域上定义一个指标函数，用于判断采样点是位于未知散射体的内部或外部，根据指示函数得到一组归一化后的数值，归一化的数值指示每一个采样点是否位于未知散射体内部的点；步骤三，将归一化的数值和对比度值进行点乘，将点乘结果转化成结合后的介电常数值；步骤四，将结合后的介电常数值作为神经网络的输入，将散射体的真实的介电常数值作为神经网络的输出，训练神经网络。
-
公开(公告)号：CN111610374B
公开(公告)日：2022-08-05
申请号：CN202010471615.8
申请日：2020-05-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的散射场相位恢复方法。在电磁逆散射成像领域，全波数据反演算法需要用到全波数据，然而全波数据的实际测量相当困难；无相位反演算法仅需要使用无相位总场数据，无相位总场数据的实际测量要容易很多，但是无相位反演算法具有更高的非线性度，计算较为困难。本发明利用无相位总场恢复出散射场，对处理散射场获取困难的问题有一定的帮助。本发明所使用的CNN架构是U‑net。U‑net是一种U形结构的CNN，它通过先卷积然后反卷积的形式使得输入与输出的维度能保持一致。通过仿真数据和实测数据的测试，验证了该方法的可行性。
-
公开(公告)号：CN111609787B
公开(公告)日：2021-10-01
申请号：CN202010471726.9
申请日：2020-05-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于神经网络解决电磁逆散射问题的两步无相位成像法。在电磁逆散射成像领域，全波数据反演算法需要用到全波数据，然而全波数据的实际测量相当困难；无相位反演算法仅需要使用无相位总场数据，无相位总场数据的实际测量要容易很多，但是无相位反演算法具有更高的非线性度，计算较为困难。本发明正是针对全波数据反演算法和无相位反演算法的优缺点而产生的，结合CNN，先对无相位数据进行相位恢复，然后再结合全波数据反演算法重建图像。
-
公开(公告)号：CN110990757A
公开(公告)日：2020-04-10
申请号：CN201911237704.X
申请日：2019-12-05
Applicant: 杭州电子科技大学
Abstract: 本发明公开了利用无相位数据解决高度非线性电磁逆散射问题的方法，属于电磁波逆散射成像技术领域。在Lippmann-Schwinger积分方程（LSIE）的基础上，增加了一个实参数来缓和模型的非线性，提出一种新的收缩积分方程（CIE），结合用低频的傅里叶基来扩展电流空间，这样不仅能有效的过滤掉大部分的噪声干扰（噪声存在于高频分量中），且通过选择合适的傅里叶基个数和CIE方程中的参数值，逆散射模型的非线性能够有效的降低，在抗噪声性能和节约计算成本上有很大的效用。基于CIE方程的对比源反演方法在本发明中使用，通过仿真数据和实测数据的反演验证了该方法的有效性。
-
公开(公告)号：CN110990757B
公开(公告)日：2023-09-19
申请号：CN201911237704.X
申请日：2019-12-05
Applicant: 杭州电子科技大学
Abstract: 本发明公开了利用无相位数据解决高度非线性电磁逆散射问题的方法，属于电磁波逆散射成像技术领域。在Lippmann‑Schwinger积分方程（LSIE）的基础上，增加了一个实参数来缓和模型的非线性，提出一种新的收缩积分方程（CIE），结合用低频的傅里叶基来扩展电流空间，这样不仅能有效的过滤掉大部分的噪声干扰（噪声存在于高频分量中），且通过选择合适的傅里叶基个数和CIE方程中的参数值，逆散射模型的非线性能够有效的降低，在抗噪声性能和节约计算成本上有很大的效用。基于CIE方程的对比源反演方法在本发明中使用，通过仿真数据和实测数据的反演验证了该方法的有效性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.033 seconds)
