Page 36 - MWJC_JanFeb2019_eMag
P. 36

TechnicalFeature  技术特写


                      Carpet                    Tile                   Laminate                 Water




              0                        0                   8000  0                       0                  20,000
              1                   5000  1                  7000  1                  8000  1                 17,500
              2                   4000  2                  6000  2                       2                  15,000
              3                   3000  3                  5000  3                  6000  3                 12,500
              4                        4                   4000  4                  4000  4                 10,000
                                                           3000
              5                   2000  5                  2000  5                       5                  7500
              6                   1000  6                  1000  6                  2000  6                 5000
                                                                                                            2500
              7                        7                        7                        7
              –30°      0°     30°     –30°      0°     30°     –30°     0°      30°    –30°      0°     30°
              (a)                      (b)                      (c)                     (d)
             图6：材料及其距离/交叉距离指征：地毯（a），瓷砖（b），层压板（c）和水（d）。注意不同的比例尺。
                 雷达可以根据目标的速度、大小、形状、平滑度、反射率                      的信号处理和机器学习模型提供独特的雷达指征，从而可靠、
                                                                                 29
             和方向以及水平和垂直偏振特性捕捉目标的独特指征。可以使                        准确地识别一组个体 。
             用为分类和传感开发的适当指征工程算法提取这些属性。
                 让我们看一下使用毫米波雷达对地毯、瓷砖、层压板和水                      结论
             等材料进行分类的示例。图6显示了通过基于Capon的MIMO成                        本文概述了前端和后端技术的进步及其带来的雷达在消
             像原理生成的各种材料及其距离/交叉距离图像。工业和消费                        费和工业领域的应用。雷达不仅可以感知视野中目标的三维位
             应用中的分类传感的挑战之一是可扩展性。原因是诸如晶圆制                        置，还可以将人体生理信号或信号分类作为第四维度进行感
             造等不确定性带来的传感器与传感器之间的差异。在一组传感                        知，从而获得其他传感器无法提供的另一种环境视角。雷达传
             器上训练的分类模型不一定适用于其他类似传感器组。包裹雷                        感器能够提取有关其视野中目标的细微信息，使其适用于各种
             达的传感器外壳的变化会影响反向散射信号，引入分类指征的                        工业和消费者应用。■
             波动从而导致分类错误。当使用某些材料类型和雷达方向开发
             的分类模型时，该模型却无法针对不同的传感器或材料类型进                        参考文献
                                                                1.  Z. Peng, J. M. Muñoz-Ferreras, Y. Tang, C. Liu, R. Gómez-García, L. Ran and L. Changzhi,
             行扩展。例如图6中的地毯模型就无法用于由尼龙和另一种烯                           “A Portable FMCW Interferometry Radar with Programmable Low-IF Architecture for
             烃制成的一个地毯。并且不可能通过训练传感器系统来应对所                           Localization, ISAR Imaging, and Vital Sign Tracking,”IEEE Transactions on Microwave
                                                                   Theory and Techniques, Vol. 65, No. 4, April 2017, pp.1334–1344.
             有这些变化。                                             2.  A. Santra, R. V. Ulaganathan, T. Finke, A. Baheti, D. Noppeney, J. R. Wolfgang and S.
                 绕过这些挑战的方法之一是采用“一次性学习（one-                         Trotta.”Short-Range Multi-Mode Continuous-Wave Radar for Vital Sign Measurement and
                                                                   Imaging,”IEEE Radar Conference, April 2018.
             shot learning）”，这个方法的灵感来于自然语言处理中的                  3.  G. L. Charvat, “Small and Short-Range Radar Systems,” CRC Press, 2014.
             word2vec嵌入概念，并且近年来被用于人脸分类              22-24 。一次性  4.  C. Li, Z. Peng, T. Y. Huang, T. Fan, F. K. Wang, T. S. Horng, J. M. Muñoz-Ferreras, R. Gómez-
                                                                   García, L. Ran and J. Lin, “A Review on Recent Progress of Portable Short-Range Noncontact
             学习通过将输入指征投影到d维嵌入空间来确定两种材料之间                           Microwave Radar Systems,” IEEE Transactions on Microwave Theory and Techniques, Vol.
                                                                   65, No. 5, May 2017, pp. 1692–1706.
             的相似性，而不是使用深度神经网络训练为多类分类器。此类                        5.  Z. Peng and C. Li, “A 24 GHz Portable FMCW Radar with Continuous Beam Steering Phased
                  25
             的例子 中，d的典型值为16或32。一次性学习使用具有相同                         Array,” Radar Sensor Technology XXI, June 2017.
             权重的两个相同神经网络训练的Siamese网络，并且其中神经                     6.  P. Hillger, R. Jain, J. Grzyb, L. Mavarani, B.Heinemann, G. M. Grogan, P. Mounaix, T.Zimmer and U.
             网络的最后几层被馈送到对比损失函数。神经网络尝试将锚点                           Pfeiffer, “A 128-Pixel 0.56 THz Sensing Array for Real-Time Near-Field Imaging in 0.13 μm SiGe
                                                                   BiCMOS,” IEEE International Solid-State Circuits Conference, February 2018, pp. 418–420.
             （当前指征图像）与正图（理论上与锚点类似的指征图像）进                        7.  TSMC, www.tsmc.com/english/dedicated-Foundry/technology/logic.htm
             行匹配，并尽可能地远离负图（与锚点不同的指征图像）。                         8.  T. Fujibayashi, Y. Takeda, W. Wang, Y. S. Yeh, W. Stapelbroek, S. Takeuchi and B. Floyd, “A
                                                                   76 to 81 GHz Multi-Channel Radar Transceiver,”IEEE Journal of Solid-State Circuits, Vol.52,
             Siamese网络训练的对比损失函数为：                                  No. 9, September 2017, pp. 2226–2241.
                                                                9.  I. Nasr, R. Jungmaier, A. Baheti, D. Noppeney, J. S. Bal, M. Wojnowski, E. Karagozler, H. Raja,
                                                         （9）       J. Lien, I. Poupyrev and S. Trotta, ”A Highly Integrated 60 GHz 6-Channel Transceiver with
                                                                   Antenna in Package for Smart Sensing and Short-Range Communications,” IEEE Journal of
                                                                   Solid-State Circuits, Vol. 51, No. 9, September 2016, pp. 2066–2076.
                 其中D SN 是双Siamese网络输出之间的欧几里德距离。如果               10. J. Böck, K. Aufinger, S. Boguth, C. Dahl, H. Knapp, W. Liebl, D. Manger, T. F. Meister, A.
             输入来自同一个类，则Y = 1，如果来自不同的类，则Y = 0，                      Pribil, J. Wursthorn, R. Lachner, B. Heinemann, H. Rücker, A. Fox, R. Barth, G. Fischer,
                                                                   S. Marschmeyer, D. Schmidt, A. Trusch and C. Wipf, “SiGe HBT and BiCMOS Process
             m > 0是边界超参数。                                          Integration Optimization Within the DOTSEVEN Project,” IEEE Bipolar/BiCMOS Circuits
                 例如当四个类别中有100个图像时，那么总的可训练图像                        and Technology Meeting, October 2015, pp. 121–124.
             对是N=  400 2 C = 79,800。更直观的理解是深层网络学习了一个d           11.  S. Shopov, M. G. Girma, J. Hasch, N. Cahoon and S. P. Voinigescu, “Ultra-Low Power Radar
                                                                   Sensors for Ambient Sensing in the V-Band,”IEEE Transactions on Microwave Theory and
             维空间，并且在这个空间中类似的材料位于同一位置，而不同                           Techniques, Vol. 65, No. 12, December 2017, pp. 5401–5410.
                                                                12.  A. Hagelauer, M. Wojnowski, K. Pressel, R. Weigel and D. Kissinger, “Integrated Systemsin-Package:
             的材料则相距甚远。在推断过程中，来自未知材料的输入指征                           Heterogeneous Integration of Millimeter Wave Active Circuits and Passives in Fan-Out Wafer-Level
             图像被馈送到训练出的深度神经网络，从而将指征图投影到d                           Packaging Technologies,”IEEE Microwave Magazine, Vol. 19, No.1, January 2018, pp. 48–56.
                                                                13.  H. J. Ng, W. Ahmad, M. Kucharski, J. H. Lu and D. Kissinger, “Highly-Miniaturized
             维嵌入空间中，然后通过最近邻居算法进行分类。                                2-Channel mmWave Radar Sensor with On-Chip Folded Dipole Antennas,” IEEE RFIC
                 像Soli这样的雷达传感器引领了姿势感应等新兴技术               26-27 。   Symposium,”June 2017, pp. 368–371.
             这种技术用于可穿戴设备和移动电话，以提供自然和灵敏的人                        14.  C. Li, Changzhi and J. Lin, “Random Body Movement Cancellation in Doppler Radar Vital
                                                                   Sign Detection,” IEEE Transactions on Microwave Theory and Techniques, Vol. 56, No. 12,
             机界面。事实证明RadarCat等雷达传感器在日常物体和材料，                       December 2008, pp. 3143–3152.
             如透明材料和身体的不同部位，的分类方面具有极高的准确度                        15.  C. Li, V. M. Lubecke, O. Boric-Lubecke and J.Lin, “A Review on Recent Advances in Doppler
                                                                   Radar Sensors for Noncontact Healthcare Monitoring,” IEEE Transactions on Microwave
             28
              。最近，雷达传感器已成功应用于指纹生物识别。通过新颖                           Theory and Techniques, Vol. 61, No. 5, May 2013, pp. 2046–2060.
                                                                                                        下转第42页
             34 www.mwjournalchina.com                                      Microwave Journal China  微波杂志  Jan/Feb 2019
   31   32   33   34   35   36   37   38   39   40   41