买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杭州电子科技大学

摘要：本发明公开了一种基于深度学习谐波信号分析的智能安检方法，包括：针对不同场景设置探测器阵列，采集待测者所携带物品的波段信息，得到一组数据结果；分别让待测者携带不同类别的违禁品和非违禁品，每隔一定的时间间隔就记录下每个探测器测得的谐波数值，得到一组数据，直到检测结束为止；将两组数据打上报警和不报警两种标签，并用增强方法对数据进行处理；构建一维卷积神经网络，训练得到一个分类模型；构建长短期记忆网络，训练得到一个分类模型；利用模型融合的方法综合使用两种分类模型，得到准确率更高的分类模型并保存；检测时，探测器测出波段信息并传入分类模型，如果输出结果显示为未携带违禁品则可顺利通过，否则会触发警报。

主权项：1.一种基于深度学习谐波信号分析的智能安检方法，其特征在于包括如下步骤：S1，设置探测器阵列，采集目标的波段信息，所述探测器发射端发出高频基波，由探测器接收端捕获目标产生的谐波信号，输出反映信号特征的指标数值，得到一个完整的数据结果；S2，记录目标是违禁品时，测得的指标数值，得到一组违禁品数据；S3，记录目标是非违禁品时，测得的指标数值，得到一组非违禁品数据；S4，将违禁品和非违禁品数据打标签，分别代表报警和不报警，并用数据增强方法对数据进行处理；S5，构建一维卷积神经网络，并将处理后的数据作为输入，用深度学习的方法提取特征，训练得到一个分类模型；一维卷积神经网络釆用局部连接和权值共享的连接方式，包括输入层、卷积层、下釆样层、全连接层和输出层，输入层是将被处理的数据传到卷积网络的第一层，卷积层执行卷积运算，对数据进行特征提取，在一个卷积层，上一层特征图被一个可学习的卷积核做卷积运算，然后通过一个激活函数，得到下一层的输出特征图，下釆样层使用一个位置的相邻输岀的总体统计特征，来代替网络在该位置的输出，卷积层将多维向量平铺成一维向量，输入到全连接层，全连接层每个输出神经元都和输入节点相连接，对输入特征进行组合运算，然后选择激活函数，最终得到预测结果；S6，构建长短期记忆网络，并将处理后的数据作为输入，训练得到一个分类模型；长短期记忆网络包括长短期记忆单元和全连接层，每个长短期记忆单元包括三个门结构：第一个门是忘记门，决定上一时刻的单元状态Ct-1有多少保存到当前时刻的单元状态Ct；来自上一时刻的隐藏状态ht-1和当前时刻的输入xt被连接成一个新的特征向量，在与权重参数Wf相乘后输入至sigmoid激活函数，其输出向量ft中的每个元素值域都是0,1；向量ft作为决策向量，通过与Ct-1进行元素乘法操作：Ct-1×ft来确定上一时刻的单元状态Ct-1有多少被添加至单元状态Ct；ft的具体计算方法为：ft＝σWf·[ht-1,xt]+bf其中Wf和bf分别为忘记门中sigmoid激活函数对应的权重参数和偏置项；第二个门是输入门，决定当前时刻单元的输入xt有多少保存到当前时刻的单元状态Ct；状态和输出的求值使用值域为[-1,1]的tanh函数，tanh激活函数决定当前时刻的候选信息决策向量It通过与候选信息进行元素乘法操作：以此确定有多少被添加至单元状态Ct；It和Ct-1的计算分别如下：It＝σWI·[ht-1,xt]+bI 其中WI和Wc分别为输入门中sigmoid和tanh对应的权重参数，bI和bc为对应的偏置项，当前时刻的单元状态Ct的计算方法如下： 最后一个门是输出门，决定当前时刻的单元状态Ct有多少被输入至单元的隐藏状态ht；单元状态Ct的决策向量Ot和单元的隐藏状态ht的计算分别如下：ot＝σW0·[ht-1,xt]+b0ht＝tanhCt×ot其中W0和b0分别为输出门中sigmoid激活函数对应的权重参数和偏置项；S7，利用模型融合的方法综合使用两种分类模型，得到融合分类模型并保存；S8，当待测的目标出现时，采用探测器阵列测出反馈信号并传入融合分类模型，得到的输出结果为非违禁品时，顺利通过，否则触发警报。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于深度学习谐波信号分析的智能安检方法