通过深度学习的高精度空中测距仪 基于压电微加工的超声波吊杆
概括
这项研究引入了一种新型的超声波测距仪,使用压电微型杆进行精确的0-1米距离测量. 一个深度学习模型在分类范围中实现了100%的准确性,超过了传统方法.
科学领域:
- 声学和传感器技术
- 机器学习用于信号处理.
背景情况:
- 传统的超声波测距仪在准确性和距离范围内存在局限性.
- 零电微型杆阵列为增强的声学传感提供了潜力.
研究的目的:
- 开发一种高精度的空气合声波测距仪,使用压电微型杆.
- 研究和比较用于超声波范围识别的各种分类技术.
- 实施和验证深度学习模型,以改进范围检测.
主要方法:
- 定制压电微型杆光束阵列的设计和制造.
- 利用连续波来产生和接收超声波信号.
- 实施和评估单个机器学习模型:支持矢量机 (SVM),高斯天真贝叶斯 (GNB),后勤回归 (LR),K-最近邻居 (KNN) 和决策树 (DT).
- 开发基于卷积神经网络 (CNN) 的深度学习架构.
- 采用k倍交叉验证 (CV) 进行模型概括和可靠性评估.
主要成果:
- 拟议的深度学习框架实现了100%的准确性,曲线下的面积 (AUC) 为1.0.
- 与单个机器学习分类器相比,CNN模型表现出卓越的性能.
- 压电微型杆阵列使功能超声波测距在0-1m范围内.
结论:
- 开发的基于压电微型杆的空气合声学测距仪提供了高精度和可靠性.
- 深度学习,特别是CNN,为分类超声波信号和增强范围检测能力提供了强大的方法.
- 该研究验证了定制微型杆阵列和先进的机器学习对精确距离测量应用程序的有效性.
