使用微波测量和神经网络进行风险评估和埋藏物体物质识别的数据驱动方法
Gülçin Yarımay1,2, İbrahim Halil Bayat3, Semih Doğu3
1Electronics and Communication Engineering Department, Istanbul Technical University, Istanbul, Turkey. yarimay@itu.edu.tr.
Scientific reports
|December 24, 2025
概括
这项研究引入了一个深度神经网络,用于使用微波S参数数据检测埋藏物体. 该模型准确识别安全物品,塑料威胁和金属威胁,增强安全查.
科学领域:
- 电磁学和信号处理
- 人工智能和机器学习
- 表面下传感技术的技术
背景情况:
- 传统的基于微波的埋藏物体检测方法在复杂的环境中难以准确,因为它们依赖于手工解释和手工制作的功能.
- 强度和准确性的局限性阻碍了当前技术在关键应用程序 (如国防和安全选) 中的有效性.
- 需要先进的,自动化的方法来提高检测隐藏物品的可靠性和效率.
研究的目的:
- 开发和验证深度神经网络模型,以使用实验性的多频微波S参数数据自动检测和分类埋藏物体.
- 通过利用机器学习来解释复杂的电磁反应,克服传统方法的局限性.
- 通过数据驱动的方法提高安全查和地下传感的能力.
主要方法:
- 使用实验性的多频微波S参数数据设计和训练了一个深度神经网络.
- 该模型处理21x21 S参数矩阵来分析地下材料的电磁特征.
- 进行分类,分为三个类别:安全,基于塑料的威胁和基于金属的威胁.
主要成果:
- 深度神经网络模型实现了高性能指标:准确度为0.9647,精度为0.9677,回忆力为0.9647,F1得分为0.9635.
- 该模型在所有评估指标上展示了一致和强大的表现.
- 该网络有效地从实验数据中直接学习复杂的关系,从而消除了对模拟或特征工程的需求.
结论:
- 开发的深度神经网络在自动埋藏物体检测和分类方面取得了重大进展.
- 这种使用微波S参数数据的数据驱动方法提高了安全和国防应用的可靠性和可扩展性.
- 这些发现为实用,智能微波检测系统铺平了道路,并提高了运营潜力.
