本發(fā)明屬于雷達(dá)領(lǐng)域，特別是一種基于機(jī)器學(xué)習(xí)的mimo雷達(dá)的材料識(shí)別方法。
背景技術(shù)：
：傳統(tǒng)的材料識(shí)別方法是利用破環(huán)性或者非破壞性方法對(duì)物體采樣后進(jìn)行識(shí)別分類(lèi)。例如，克洛德·朗貝爾、讓-米歇爾·阿尚所著的《回收來(lái)自報(bào)廢物品的材料的方法》中提出“將物品(12)破碎成顆粒(15)、遠(yuǎn)距離檢測(cè)每個(gè)顆?？赡軒в械臉?biāo)記物”；由于待識(shí)別物體是報(bào)廢物品，該方法對(duì)待識(shí)別物體采用了破壞性的手段，不會(huì)影響后續(xù)對(duì)報(bào)廢物品的操作；然而當(dāng)待識(shí)別物體不能被破壞時(shí)，該方法會(huì)失效。金宰完、金益載等人的專(zhuān)利《用于識(shí)別對(duì)象材料的方法和設(shè)備》中提出“所述設(shè)備包括：成像相機(jī)單元，用于捕捉包括空間中的各種對(duì)象的空間圖像；探測(cè)雷達(dá)單元，用于將入射波發(fā)送到對(duì)象，并接收包括來(lái)自每個(gè)對(duì)象的表面的表面反射波和來(lái)自每個(gè)對(duì)象的內(nèi)部反射波的空間雷達(dá)信息；信息存儲(chǔ)單元，用于存儲(chǔ)與每個(gè)對(duì)象的材料相應(yīng)的參考物理性質(zhì)信息；材料識(shí)別處理器，用于通過(guò)使用存儲(chǔ)在信息存儲(chǔ)單元中的參考物理性質(zhì)信息、由成像相機(jī)單元提供的空間圖像和由探測(cè)雷達(dá)單元提供的空間雷達(dá)信息來(lái)識(shí)別每個(gè)對(duì)象的材料信息”；該專(zhuān)利文獻(xiàn)使用相機(jī)和雷達(dá)來(lái)記錄待測(cè)物體信息，直接與參考物理性質(zhì)信息進(jìn)行比較，當(dāng)物體所處環(huán)境發(fā)生變化時(shí)，該方法的判斷結(jié)果與實(shí)際類(lèi)別之間會(huì)出現(xiàn)很大的偏差。破壞性的采樣方法雖能精準(zhǔn)地進(jìn)行材料的分類(lèi)與識(shí)別，但會(huì)對(duì)被檢測(cè)物體造成破壞，因此在古董鑒別，珍貴物品識(shí)別等方面具有局限性。非破壞性采樣的方法通常為利用相機(jī)對(duì)被測(cè)物體進(jìn)行拍攝，由場(chǎng)景中的對(duì)象的反射的2維或3維的光譜信息進(jìn)行材料識(shí)別，但這種方法無(wú)法得到被測(cè)對(duì)象的厚度，密度，介電系數(shù)等信息，這樣會(huì)造成物體的誤判。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于提供一種基于機(jī)器學(xué)習(xí)的mimo雷達(dá)的材料識(shí)別方法。實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種基于機(jī)器學(xué)習(xí)的mimo雷達(dá)材料識(shí)別方法，包括以下步驟：步驟1、用mimo雷達(dá)中的x個(gè)天線采集樣本材料回波信號(hào)，從所采集到的回波信號(hào)中截取y分鐘回波信號(hào)進(jìn)行特征提取，得出特征參數(shù)，所述特征參數(shù)包括：所有天線對(duì)的材料回波信號(hào)的平均包絡(luò)chan_mean、每個(gè)天線對(duì)的材料回波信號(hào)包絡(luò)平均值data_sel_mean、回波信號(hào)的全局最大值al_max、全局最小值al_min、全局平均值al_mean和全局均方根al_rms；之后按照所采集的材料對(duì)所提取的相應(yīng)特征進(jìn)行標(biāo)記，建立mimo雷達(dá)特征數(shù)據(jù)庫(kù)d，具體為：步驟1-1、提取mimo雷達(dá)的x個(gè)天線對(duì)的信號(hào)回波的平均包絡(luò)chan_mean，具體為：第at_i個(gè)天線對(duì)獲得的回波信號(hào)為sig(at_i，num_t)，at_i＝1，2，…，x，num_t為時(shí)間變量；對(duì)sig(at_i，num_t)進(jìn)行采樣，得到的信號(hào)表示為sig(at_i，num_i)，其中at_i＝1，2，…，x，num_i＝1，2，…num，其中num為信號(hào)采樣點(diǎn)數(shù)；對(duì)sig(at_i，num_i)進(jìn)行希爾伯特變換，得到第at_i個(gè)天線對(duì)的信號(hào)回波包絡(luò)env(at_i，num_i)；得到所有天線對(duì)的信號(hào)回波包絡(luò)后，將env(at_i，num_i)對(duì)at_i求平均，得到回波信號(hào)平均包絡(luò)chan_mean(num_i)，其中num_i＝1，2，…num,即chan_mean為num維向量；步驟1-2、提取每個(gè)天線對(duì)的材料信號(hào)回波包絡(luò)平均值data_sel_mean，具體為：第at_i個(gè)天線對(duì)獲得的回波信號(hào)為sig(at_i，num_t)，at_i＝1，2，…，x，num_t為時(shí)間變量；對(duì)sig(at_i，num_t)進(jìn)行采樣，得到的信號(hào)表示為sig(at_i，num_i)，其中at_i＝1，2，…，x，num_i＝1，2，…num，其中num為信號(hào)采樣點(diǎn)數(shù)；對(duì)sig(at_i，num_i)進(jìn)行希爾伯特變換，得到第at_i個(gè)天線對(duì)的信號(hào)回波包絡(luò)env(at_i，num_i)；將第at_i個(gè)天線對(duì)的信號(hào)回波包絡(luò)env(at_i，num_i)對(duì)num_i進(jìn)行平均，得到該天線對(duì)的回波信號(hào)包絡(luò)平均值data_sel_mean(at_i)，其中at_i＝1，2，…，x，即data_sel_mean為x維向量；步驟1-3、提取信號(hào)回波包絡(luò)的全局最大值al_max，具體為：在mimo雷達(dá)的所有天線對(duì)的信號(hào)回波包絡(luò)env(at_i，num_i)中尋找最大值，at_i＝1，2，…，x，num_i＝1，2，…num，得到信號(hào)回波包絡(luò)全局最大值al_max；步驟1-4、提取信號(hào)回波包絡(luò)的全局最小值al_min，具體為：在mimo雷達(dá)所有天線對(duì)的信號(hào)回波包絡(luò)env(at_i，num_i)中尋找最小值，at_i＝1，2，…，x，num_i＝1，2，…num，得到信號(hào)回波包絡(luò)全局最小值al_min；步驟1-5、提取信號(hào)回波包絡(luò)的全局平均值al_mean，具體為：將data_sel_mean(at_i)對(duì)at_i求平均，得到信號(hào)回波包絡(luò)全局平均值al_mean；步驟1-6、提取信號(hào)回波包絡(luò)的全局均方根al_rms，具體為：對(duì)mimo雷達(dá)所有天線對(duì)信號(hào)回波包絡(luò)env(at_i，num_i)進(jìn)行均方根運(yùn)算，at_i＝1，2，…，x，num_i＝1，2，…num，得到所有天線對(duì)信號(hào)回波包絡(luò)的全局均方根al_rms。步驟2、在保證每個(gè)集中各個(gè)材料比例一致的前提下，將步驟1得到的mimo雷達(dá)數(shù)據(jù)庫(kù)d劃分成兩個(gè)互斥的集合，其中一個(gè)集合為訓(xùn)練集s，另一個(gè)為交叉檢驗(yàn)集cv；步驟3、使用訓(xùn)練集s通過(guò)訓(xùn)練監(jiān)督型機(jī)器學(xué)習(xí)算法來(lái)建立不同材料和特征參數(shù)之間的材料識(shí)別映射模型m1，具體為：步驟3-1、訓(xùn)練集s中，有m1種材料，每個(gè)材料各m2包數(shù)據(jù)，即共m＝m1*m2包數(shù)據(jù)，每包數(shù)據(jù)為由步驟1所得特征參數(shù)組成的n維向量，其中n＝num+x+4，num為步驟1-1中提取的特征參數(shù)chan_mean的維數(shù)，x為步驟1-2中提取的特征參數(shù)data_sel_mean的維數(shù)，4為步驟1-3、步驟1-4、步驟1-5、步驟1-6中提取的所有特征參數(shù)的總維數(shù)；由步驟1中提取的特征參數(shù)組成m*n材料識(shí)別特征矩陣輸入機(jī)器學(xué)習(xí)算法中；步驟3-2、從m*n材料識(shí)別特征矩陣中隨機(jī)取一個(gè)樣本放入采樣矩陣中，經(jīng)過(guò)sp_row次隨機(jī)采樣操作得到sp_row*n的采樣矩陣，再對(duì)sp_row*n的采樣矩陣進(jìn)行n維特征上的采樣，每個(gè)樣本都在n個(gè)特征參數(shù)中選取同樣sp_col個(gè)特征，重復(fù)t次，得t個(gè)sp_row*sp_col的采樣矩陣；步驟3-3、基于每個(gè)采樣矩陣去訓(xùn)練出一個(gè)材料識(shí)別基學(xué)習(xí)器，得到t個(gè)材料識(shí)別基學(xué)習(xí)器；步驟3-4、利用投票法將t個(gè)材料識(shí)別基學(xué)習(xí)器得到的結(jié)果進(jìn)行綜合，構(gòu)成了模型m1的輸出。步驟4、使用交叉檢驗(yàn)組cv對(duì)材料識(shí)別映射模型m1進(jìn)行進(jìn)一步調(diào)參優(yōu)化，得到材料識(shí)別映射模型m，具體為：步驟4-1、確定材料識(shí)別基學(xué)習(xí)器的參數(shù)，當(dāng)材料識(shí)別基學(xué)習(xí)器為決策樹(shù)時(shí)，參數(shù)包括決策數(shù)算法的分裂時(shí)參與判斷的最大特征數(shù)max_feature、最大深度max_depth、分裂所需的最小樣本數(shù)min_samples_split；當(dāng)材料識(shí)別基學(xué)習(xí)器為多類(lèi)別分類(lèi)的svm時(shí)，參數(shù)包括svm算法的懲罰參數(shù)c、核函數(shù)參數(shù)gamma；步驟4-2、對(duì)每個(gè)參數(shù)進(jìn)行一次直線搜索，具體為，利用cv集對(duì)基學(xué)習(xí)器進(jìn)行訓(xùn)練，計(jì)算模型性能與各個(gè)參數(shù)之間的梯度；步驟4-3、根據(jù)模型性能與各個(gè)參數(shù)之間的梯度，選取梯度值最大的參數(shù)作為當(dāng)前調(diào)優(yōu)參數(shù)，利用梯度下降法對(duì)當(dāng)前調(diào)優(yōu)參數(shù)進(jìn)行調(diào)優(yōu)；步驟4-4、重復(fù)步驟4-2、步驟4-3，直到所有參數(shù)的梯度小于閾值(例如，當(dāng)所測(cè)物體為水果時(shí)，閾值為0.02)；步驟4-5、調(diào)整材料識(shí)別基學(xué)習(xí)器個(gè)數(shù)t，具體為：計(jì)算模型性能與t之間的梯度，之后利用梯度下降法對(duì)基學(xué)習(xí)器個(gè)數(shù)t進(jìn)行調(diào)整，得到最終的材料識(shí)別基學(xué)習(xí)器個(gè)數(shù)。步驟5、在對(duì)待測(cè)材料進(jìn)行判別時(shí)，截取y分鐘回波信號(hào)，進(jìn)行特征提取，將提取到的特征輸入到材料識(shí)別映射模型m中，即可得到判別結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)在于：1)本發(fā)明利用mimo材料識(shí)別雷達(dá)可以實(shí)行非接觸式材料識(shí)別，操作更便利，能減少檢測(cè)對(duì)象的破壞，能獲得物質(zhì)內(nèi)部的信息和物理信息，能減少傳統(tǒng)識(shí)別手段的局限性；2)利用本發(fā)明的方法，對(duì)多種常見(jiàn)的材料進(jìn)行識(shí)別，識(shí)別結(jié)果準(zhǔn)確；3)本發(fā)明的方法簡(jiǎn)單有效，性能可靠，便于實(shí)施。下面結(jié)合說(shuō)明書(shū)附圖對(duì)本發(fā)明做進(jìn)一步描述。附圖說(shuō)明圖1為本發(fā)明基于機(jī)器學(xué)習(xí)的mimo雷達(dá)的材料識(shí)別方法流程圖。圖2為本發(fā)明中所使用機(jī)器學(xué)習(xí)的方法流程圖。圖3為沒(méi)有物體的兩對(duì)天線時(shí)域波形圖。其中圖3(a)為沒(méi)有物體時(shí)對(duì)應(yīng)的天線對(duì)1所得到的一幀時(shí)域波形圖，圖3(b)為沒(méi)有物體時(shí)對(duì)應(yīng)的天線對(duì)2所得到的一幀時(shí)域波形圖。圖4為物體a的兩對(duì)天線時(shí)域波形圖。其中圖4(a)為放置物體a時(shí)對(duì)應(yīng)的天線對(duì)1所得到的一幀時(shí)域波形圖，圖4(b)為放置物體a時(shí)對(duì)應(yīng)的天線對(duì)2所得到的一幀時(shí)域波形圖。圖5為物體b的兩對(duì)天線時(shí)域波形圖。其中圖5(a)為放置物體b時(shí)對(duì)應(yīng)的天線對(duì)1所得到的一幀時(shí)域波形圖，圖5(b)為放置物體b時(shí)對(duì)應(yīng)的天線對(duì)2所得到的一幀時(shí)域波形圖。圖6為利用本發(fā)明的方法對(duì)12種材料進(jìn)行判別所得到的結(jié)果的混淆矩陣。具體實(shí)施方式結(jié)合附圖，本發(fā)明的一種基于機(jī)器學(xué)習(xí)的mimo雷達(dá)的材料識(shí)別方法，包括以下步驟：步驟1、用mimo雷達(dá)中的x個(gè)天線對(duì)采集m1種樣本材料回波信號(hào)，從所采集到的回波信號(hào)中截取y分鐘回波信號(hào)sig，對(duì)sig進(jìn)行特征提取，得出特征參數(shù)，所述特征參數(shù)包括：所有天線對(duì)的回波信號(hào)的平均包絡(luò)chan_mean、每個(gè)天線對(duì)的回波信號(hào)包絡(luò)平均值data_sel_mean、回波信號(hào)包絡(luò)的全局最大值al_max、全局最小值al_min、全局平均值al_mean和全局均方根al_rms；之后按照所采集的材料對(duì)所提取的相應(yīng)特征進(jìn)行標(biāo)記，建立mimo雷達(dá)特征數(shù)據(jù)庫(kù)d；用mimo雷達(dá)中的x個(gè)天線采集樣本材料回波信號(hào)，從所采集到的回波信號(hào)中截取y分鐘回波信號(hào)進(jìn)行特征提取，得出特征參數(shù)，具體為：步驟1-1、提取mimo雷達(dá)的x個(gè)天線對(duì)的信號(hào)回波的平均包絡(luò)chan_mean，具體為：第at_i個(gè)天線對(duì)獲得的回波信號(hào)為sig(at_i，num_t)，at_i＝1，2，…，x，num_t為時(shí)間變量；對(duì)sig(at_i，num_t)進(jìn)行采樣，得到的信號(hào)表示為sig(at_i，num_i)，其中at_i＝1，2，…，x，num_i＝1，2，…num，其中num為信號(hào)采樣點(diǎn)數(shù)；對(duì)sig(at_i，num_i)進(jìn)行希爾伯特變換，得到第at_i個(gè)天線對(duì)的信號(hào)回波包絡(luò)env(at_i，num_i)；得到所有天線對(duì)的信號(hào)回波包絡(luò)后，將env(at_i，num_i)對(duì)at_i求平均，得到回波信號(hào)平均包絡(luò)chan_mean(num_i)，其中num_i＝1，2，…num,即chan_mean為num維向量；步驟1-2、提取每個(gè)天線對(duì)的材料信號(hào)回波包絡(luò)平均值data_sel_mean，具體為：第at_i個(gè)天線對(duì)獲得的回波信號(hào)為sig(at_i，num_t)，at_i＝1，2，…，x，num_t為時(shí)間變量；對(duì)sig(at_i，num_t)進(jìn)行采樣，得到的信號(hào)表示為sig(at_i，num_i)，其中at_i＝1，2，…，x，num_i＝1，2，…num，其中num為信號(hào)采樣點(diǎn)數(shù)；對(duì)sig(at_i，num_i)進(jìn)行希爾伯特變換，得到第at_i個(gè)天線對(duì)的信號(hào)回波包絡(luò)env(at_i，num_i)；將第at_i個(gè)天線對(duì)的信號(hào)回波包絡(luò)env(at_i，num_i)對(duì)num_i進(jìn)行平均，得到該天線對(duì)的回波信號(hào)包絡(luò)平均值data_sel_mean(at_i)，其中at_i＝1，2，…，x，即data_sel_mean為x維向量；步驟1-3、提取信號(hào)回波包絡(luò)的全局最大值al_max，具體為：在mimo雷達(dá)的所有天線對(duì)的信號(hào)回波包絡(luò)env(at_i，num_i)中尋找最大值，at_i＝1，2，…，x，num_i＝1，2，…num，得到信號(hào)回波包絡(luò)全局最大值al_max；步驟1-4、提取信號(hào)回波包絡(luò)的全局最小值al_min，具體為：在mimo雷達(dá)所有天線對(duì)的信號(hào)回波包絡(luò)env(at_i，num_i)中尋找最小值，at_i＝1，2，…，x，num_i＝1，2，…num，得到信號(hào)回波包絡(luò)全局最小值al_min；步驟1-5、提取信號(hào)回波包絡(luò)的全局平均值al_mean，具體為：將data_sel_mean(at_i)對(duì)at_i求平均，得到信號(hào)回波包絡(luò)全局平均值al_mean；步驟1-6、提取信號(hào)回波包絡(luò)的全局均方根al_rms，具體為：對(duì)mimo雷達(dá)所有天線對(duì)信號(hào)回波包絡(luò)env(at_i，num_i)進(jìn)行均方根運(yùn)算，at_i＝1，2，…，x，num_i＝1，2，…num，得到所有天線對(duì)信號(hào)回波包絡(luò)的全局均方根al_rms。步驟2、在保證每個(gè)集中各個(gè)材料比例一致的前提下，將步驟1得到的mimo雷達(dá)數(shù)據(jù)庫(kù)d劃分成兩個(gè)互斥的集合，其中一個(gè)集合為訓(xùn)練集s，另一個(gè)為交叉檢驗(yàn)集cv；步驟3、使用訓(xùn)練集s通過(guò)訓(xùn)練監(jiān)督型機(jī)器學(xué)習(xí)算法來(lái)建立不同材料和特征參數(shù)之間的材料識(shí)別映射模型m1；具體為：步驟3-1、訓(xùn)練集s中，有m1種材料，每個(gè)材料各m2包數(shù)據(jù)，即共m＝m1*m2包數(shù)據(jù)，每包數(shù)據(jù)為由步驟1所得特征參數(shù)組成的n維向量，其中n＝num+x+4，num為步驟1-1中提取的特征參數(shù)chan_mean的維數(shù)，x為步驟1-2中提取的特征參數(shù)data_sel_mean的維數(shù)，4為步驟1-3、步驟1-4、步驟1-5、步驟1-6中提取的所有特征參數(shù)的總維數(shù)；由步驟1中提取的特征參數(shù)組成m*n材料識(shí)別特征矩陣輸入機(jī)器學(xué)習(xí)算法中；步驟3-2、從m*n材料識(shí)別特征矩陣中隨機(jī)取一個(gè)樣本放入采樣矩陣中，經(jīng)過(guò)sp_row次隨機(jī)采樣操作得到sp_row*n的采樣矩陣，再對(duì)sp_row*n的采樣矩陣進(jìn)行n維特征上的采樣，每個(gè)樣本都在n個(gè)特征參數(shù)中選取同樣sp_col個(gè)特征，重復(fù)t次，得t個(gè)sp_row*sp_col的采樣矩陣；步驟3-3、基于每個(gè)采樣矩陣去訓(xùn)練出一個(gè)材料識(shí)別基學(xué)習(xí)器，得到t個(gè)材料識(shí)別基學(xué)習(xí)器；所訓(xùn)練的材料識(shí)別基學(xué)習(xí)器可以為決策樹(shù)，具體訓(xùn)練過(guò)程為：步驟3-3-1、遍歷各個(gè)特征，計(jì)算各個(gè)特征的基尼指數(shù)，其公式為：△gini(a)＝gini(a)-ginia(a)第一個(gè)公式中，gini(a)表示的是數(shù)據(jù)集a的基尼指數(shù)，a即為步驟3-2得到的sp_row*sp_col的采樣矩陣，p表示數(shù)據(jù)集中有p類(lèi)樣本，pi表示第i類(lèi)樣本在數(shù)據(jù)集a中的比例；第二個(gè)公式中，ginia(a)表示的是按特征a劃分后的基尼指數(shù)，a為步驟1中得到的六種特征參數(shù)，k表示數(shù)據(jù)集a在特征a下劃分成k個(gè)部分，aj表示劃分后的第j個(gè)數(shù)據(jù)集；第三個(gè)公式中，△gini(a)表示的是按特征a劃分前后的基尼指數(shù)增益值；之后，選取基尼指數(shù)增益值最大的特征作為節(jié)點(diǎn)的分裂條件，生成新的節(jié)點(diǎn)；步驟3-3-2、以步驟3-3-1生成的節(jié)點(diǎn)作為根節(jié)點(diǎn)，重復(fù)3-3-1的過(guò)程，選取新的材料特征作為分裂條件，直至數(shù)據(jù)集a全部被劃分完。或者，所訓(xùn)練的材料識(shí)別基學(xué)習(xí)器為多類(lèi)別分類(lèi)的svm，具體為：步驟3-3-a、設(shè)sp_row*sp_col的采樣矩陣中包含c個(gè)類(lèi)別樣本，對(duì)c個(gè)類(lèi)別，做d次劃分，這里d的取值大于類(lèi)別數(shù)c，每次隨機(jī)劃分將一部分類(lèi)別劃分成正類(lèi)，記為(+1)，另一部分類(lèi)別劃分為反類(lèi)，記為(-1)，每一組對(duì)應(yīng)的正類(lèi)和負(fù)類(lèi)即為一個(gè)訓(xùn)練集；共產(chǎn)生d個(gè)訓(xùn)練集；步驟3-3-b、將3-3-a生成的d個(gè)訓(xùn)練集分別訓(xùn)練svm，得到d個(gè)svm學(xué)習(xí)器，將每一類(lèi)的數(shù)據(jù)輸入上述d個(gè)svm學(xué)習(xí)器中得到相應(yīng)的編碼，組成c*d的編碼矩陣；步驟3-3-c、上述d個(gè)svm分類(lèi)器組成了基學(xué)習(xí)器；d個(gè)分類(lèi)器分別對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，預(yù)測(cè)標(biāo)記組成一個(gè)編碼，將這個(gè)編碼與每個(gè)類(lèi)別各自的編碼進(jìn)行比較，返回其中距離最小的類(lèi)別作為最終預(yù)測(cè)的結(jié)果。步驟3-4、利用投票法將t個(gè)材料識(shí)別基學(xué)習(xí)器得到的結(jié)果進(jìn)行綜合，構(gòu)成了模型m1的輸出。步驟4、使用交叉檢驗(yàn)組cv對(duì)材料識(shí)別映射模型m1進(jìn)行進(jìn)一步調(diào)參優(yōu)化，得到材料識(shí)別映射模型m；所述調(diào)參優(yōu)化，具體為：步驟4-1、確定材料識(shí)別基學(xué)習(xí)器的參數(shù)，當(dāng)材料識(shí)別基學(xué)習(xí)器為決策樹(shù)時(shí)，參數(shù)包括決策數(shù)算法的分裂時(shí)參與判斷的最大特征數(shù)max_feature、最大深度max_depth、分裂所需的最小樣本數(shù)min_samples_split；當(dāng)材料識(shí)別基學(xué)習(xí)器為多類(lèi)別分類(lèi)的svm時(shí)，參數(shù)包括svm算法的懲罰參數(shù)c、核函數(shù)參數(shù)gamma；步驟4-2、對(duì)每個(gè)參數(shù)進(jìn)行一次直線搜索，具體為，利用cv集對(duì)基學(xué)習(xí)器進(jìn)行訓(xùn)練，計(jì)算模型性能與各個(gè)參數(shù)之間的梯度；步驟4-3、根據(jù)模型性能與各個(gè)參數(shù)之間的梯度，選取梯度值最大的參數(shù)作為當(dāng)前調(diào)優(yōu)參數(shù)，利用梯度下降法對(duì)當(dāng)前調(diào)優(yōu)參數(shù)進(jìn)行調(diào)優(yōu)；步驟4-4、重復(fù)步驟4-2、步驟4-3，直到所有參數(shù)的梯度小于閾值；步驟4-5、調(diào)整材料識(shí)別基學(xué)習(xí)器個(gè)數(shù)t，具體為：計(jì)算模型性能與t之間的梯度，之后利用梯度下降法對(duì)基學(xué)習(xí)器個(gè)數(shù)t進(jìn)行調(diào)整，得到最終的材料識(shí)別基學(xué)習(xí)器個(gè)數(shù)。步驟5、對(duì)待測(cè)材料進(jìn)行判別，具體是截取y分鐘回波信號(hào)，進(jìn)行特征提取，將提取到的特征輸入到材料識(shí)別映射模型m中，得到判別結(jié)果。本發(fā)明利用mimo材料識(shí)別雷達(dá)可以實(shí)行非接觸式材料識(shí)別，操作更便利，能減少檢測(cè)對(duì)象的破壞，能獲得物質(zhì)內(nèi)部的信息和物理信息，能減少傳統(tǒng)識(shí)別手段的局限性。下面結(jié)合實(shí)施例對(duì)本發(fā)明做進(jìn)一步詳細(xì)的描述。實(shí)施例結(jié)合圖1，2本具體實(shí)施方式采用以下技術(shù)方案：一種基于mimo雷達(dá)的材料識(shí)別方法，包括無(wú)線收發(fā)機(jī)、數(shù)字信號(hào)處理、特征提取、機(jī)器學(xué)習(xí)算法，材料識(shí)別，mimo雷達(dá)上設(shè)置有多對(duì)發(fā)送天線和接收天線，無(wú)線收發(fā)機(jī)將接收到的信號(hào)通過(guò)數(shù)字信號(hào)處理、特征提取后進(jìn)行機(jī)器學(xué)習(xí)材料識(shí)別。步驟1、用mimo材料識(shí)別雷達(dá)采集信號(hào)，將所測(cè)得的回波信號(hào)進(jìn)行解調(diào)，得到材料識(shí)別信息，部分材料識(shí)別波形如圖2、圖3和圖4所示；步驟2、為了減少運(yùn)算量，提高運(yùn)算速度，我們選取其中具有代表性的7對(duì)天線并截取1分鐘材料判別回波信號(hào)，并進(jìn)行特征提取，得出能夠區(qū)分不同材料的特征參數(shù)：所有天線對(duì)的材料回波信號(hào)的平均包絡(luò)chan_mean(4096個(gè)點(diǎn))、每個(gè)天線對(duì)的材料回波信號(hào)包絡(luò)平均值data_sel_mean_i(i＝1,2,3,…,7)、回波信號(hào)的全局最大值al_max、全局最小值al_min、全局平均值al_mean和全局均方根al_rms。其中部分特征如表1所示；步驟3、建立mimo雷達(dá)材料識(shí)別特征庫(kù)，利用已有的材料識(shí)別數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型來(lái)確定不同材料和特征參數(shù)之間的映射模型：將mimo雷達(dá)特征識(shí)別庫(kù)庫(kù)里的12種mimo雷達(dá)材料回波信號(hào)，每個(gè)材料各5包數(shù)據(jù)作為訓(xùn)練集，通過(guò)步驟2進(jìn)行特征提取，組成材料識(shí)別60*4107特征矩陣輸入機(jī)器學(xué)習(xí)算法中.從材料識(shí)別特征矩陣中隨機(jī)取一個(gè)樣本放入采樣矩陣中，經(jīng)過(guò)60次隨機(jī)采樣操作得到60*4107的采樣矩陣，重復(fù)329次，得329個(gè)60*4017的采樣矩陣，然后基于每個(gè)采樣矩陣去訓(xùn)練出一個(gè)材料識(shí)別基學(xué)習(xí)器，這里基學(xué)習(xí)器使用的是決策樹(shù)，得到329個(gè)材料識(shí)別基學(xué)習(xí)器，利用投票法將329個(gè)學(xué)習(xí)器所得到的結(jié)果進(jìn)行結(jié)合，當(dāng)預(yù)測(cè)出材料種類(lèi)收到同樣的票數(shù)時(shí)，進(jìn)一步考察基學(xué)習(xí)器在相關(guān)類(lèi)別的置信度來(lái)確定最后的結(jié)果，得到材料識(shí)別映射模型m1；步驟4、將mimo雷達(dá)特征識(shí)別庫(kù)庫(kù)里的12種mimo雷達(dá)材料回波信號(hào)，每個(gè)材料各2包數(shù)據(jù)(不包含訓(xùn)練集中的數(shù)據(jù))作為交叉檢驗(yàn)集cv，將cv中的數(shù)據(jù)輸入材料識(shí)別映射模型m1中通過(guò)其他基學(xué)習(xí)器參數(shù)修改t的值和進(jìn)一步優(yōu)化材料識(shí)別映射模型的識(shí)別精度，得得到材料識(shí)別映射模型m，m的相關(guān)參數(shù)為：max_feature為28，max_depth為none，min_samples_split為2；步驟5、利用mimo雷達(dá)檢測(cè)待測(cè)物體，記錄對(duì)應(yīng)7個(gè)天線的回波數(shù)據(jù)，經(jīng)過(guò)特征提取，得出特征參數(shù)：chan_mean、data_sel_mean、al_max、al_min、al_mean和al_rms，根據(jù)步驟3的映射模型，判決材料識(shí)別雷達(dá)獲取的材料識(shí)別信息屬于何種材料。結(jié)合圖3(a)(b)，沒(méi)有物體時(shí)，天線對(duì)1所接收到波形包絡(luò)的第二個(gè)峰幅度為0.1左右，第四個(gè)峰幅度為0.13左右；天線對(duì)2所接收波形包絡(luò)最大值為0.025左右，第一個(gè)峰值為0.02左右。結(jié)合圖4(a)(b)，物體a的雷達(dá)波形特點(diǎn)在于：天線對(duì)1所接收波形包絡(luò)的第二個(gè)峰幅度為0.07左右，第四個(gè)峰幅度為0.1左右；天線對(duì)2所接收波形包絡(luò)最大值為0.05左右，第一個(gè)峰值為0.04左右。結(jié)合圖5(a)(b)，物體b的雷達(dá)波形的特點(diǎn)在于：天線對(duì)1所接收波形包絡(luò)與沒(méi)有物體時(shí)較為相似，但總體幅度都較小一些；天線對(duì)2所接收波形包絡(luò)最大值為0.03左右，第一個(gè)峰值為0.01左右。結(jié)合表1，用mimo材料識(shí)別雷達(dá)采集5種材料7個(gè)天線對(duì)的信號(hào)，列出這5種信號(hào)的部分特征參數(shù)，利用權(quán)利3中機(jī)器學(xué)習(xí)算法所得的材料識(shí)別，可以判決這5個(gè)信號(hào)屬于何種材料。表1材料信號(hào)al_maxal_minal_meanal_rms材料12.6029717975.52e-056.79e-020.231412451材料23.0637065764.08e-069.31e-020.266611379材料33.6529926370.0001663361.27e-010.36214977材料41.6106064469.59e-065.94e-020.130998203材料54.6302409642.53e-051.10e-010.466903712根據(jù)所訓(xùn)練的材料識(shí)別機(jī)器學(xué)習(xí)判決模型，分類(lèi)準(zhǔn)確度能達(dá)到98％。由此說(shuō)明本mimo雷達(dá)的的材料識(shí)別、材料分類(lèi)有很高的可實(shí)施性。結(jié)合圖6，樣本材料包括12種材料，將12種材料、每種材料2包送入機(jī)器學(xué)習(xí)判決模型m中，得到混淆矩陣如圖所示；圖中1表示沒(méi)有擺放物體，2表示空玻璃杯，3表示鐵制茶葉盒，4表示裝水的玻璃杯，5表示裝水的塑料杯，6表示裝水的紙杯，7表示空塑料杯，8表示空紙杯，9表示裝油的紙杯，10表示裝醬油的紙杯，11表示書(shū)，12表示裝可樂(lè)的紙杯。圖中顯示，機(jī)器學(xué)習(xí)判決模型m只將一包類(lèi)別為12的材料判決為10，其余判決均正確。由上可知，本發(fā)明的方法簡(jiǎn)單有效，性能可靠，便于實(shí)施。當(dāng)前第1頁(yè)12