机器学习为计算机的眼睛塑造微波

杜克大学的工程师们与法国尼斯物理研究所一起开发了一种使用微波识别物体的方法，该方法提高了精度，同时减少了相关的计算时间和功耗要求。

该系统可以在自动驾驶汽车、安全筛查和运动传感等至关重要的领域提高物体识别和速度。

机器学习方法省去了中间环节，跳过了创建图像供人工分析的步骤，而是直接分析纯数据。它还共同确定了显示最重要数据的最佳硬件设置，同时发现最重要的数据实际上是什么。在一项原理验证研究中，该装置通过数十次测量而不是通常所需的数百或数千次测量，正确地识别了一组3D数字。

该研究结果是杜克大学电气与计算机工程杰出教授David R. Smith和杜克大学生物医学工程助理教授Roarke Horstmeyer合作得出的。

霍斯特迈耶说:“物体识别方案通常需要测量数据，然后费尽心思制作出一张供人们观看和欣赏的图像，但这是低效的，因为计算机根本不需要‘看’一张图像。”

Smith实验室的研究助理Aaron Diebold补充说:“这种方法绕过了这一步，允许程序捕捉图像形成过程可能错过的细节，而忽略了场景中其他不需要的细节。”“我们基本上是试图直接从机器的眼睛看到物体。”

在这项研究中，研究人员使用了一种超材料天线，可以将微波前沿雕刻成许多不同的形状。在这种情况下，超材料是一个8×8方格网格，每个方格都包含电子结构，允许它动态调整以阻挡或传输微波。

通过这种物体识别，无线电波源(后面板)创建了一个波前(中间面板)，该波前(中面板)由超材料屏幕塑造，允许波通过某些地方，但不能通过其他地方(前面板)。然后，机器学习找到能说明物体最有用特征的波形。该方法提高了精度，同时减少了计算时间和功耗要求。

每次测量时，智能传感器都会选择一些方块让微波通过。这就产生了一种独特的微波模式，它从被识别的物体上反弹，并返回到另一个类似的超材料天线。传感天线还使用有源正方形图案来增加进一步的选项来塑造反射波。然后计算机分析传入的信号并试图识别物体。

通过对不同的变化重复这一过程数千次，机器学习算法最终发现哪些信息是最重要的，以及发送和接收天线上的哪些设置最适合收集这些信息。

史密斯实验室的研究助理Mohammadreza Imani说:“发射器和接收器一起工作，由机器学习算法一起设计。”“它们是联合设计和优化的，以捕捉与手头任务相关的特征。”

“如果你知道你的任务，你知道会出现什么样的场景，你可能不需要捕捉所有可能的信息，”尼斯体格研究所的博士后菲利普·德尔·霍恩(Philipp del Hougne)说。“这种测量和处理的联合设计使我们能够利用所有的先天的我们对任务、场景和测量约束的了解，以优化整个传感过程。”

经过训练后，机器学习算法确定了一小组设置，这些设置可以帮助它区分数据的优劣，减少测量次数、时间和所需的计算能力。传统微波成像系统通常需要数百甚至数千次测量，它可以在不到10次测量中看到物体。

这种水平的改进是否可以扩展到更复杂的传感应用是一个悬而未决的问题。但研究人员已经在尝试使用他们的概念来优化下一代计算机接口的手部运动和手势识别。还有许多其他领域需要改进微波传感，这些类型的超材料的小尺寸、低成本和易于制造，使它们成为未来设备的有前途的候选者。

del Hougne说:“微波是探测隐藏威胁、为无人驾驶汽车识别道路上的物体或监测辅助生活设施中的紧急情况等应用的理想选择。”“当你考虑到所有这些应用时，你需要尽可能快地感知，所以我们希望我们的方法将被证明是有用的，使这些想法可靠的现实。”

杜克大学

www.duke.edu

-副主编克里斯·瓦夫拉编辑，控制工程， CFE媒体与技术，cvavra@cfemedia.com．

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。