电子系本科生以第一作者在IEEE AWPL期刊上发表论文
近日，南方科技大学电子与电气工程系本科生聂明宇提出了一种基于单端口多模谐振腔和卷积神经网络的近场感知系统，研究成果以“Frequency-Diverse Near-Field Sensing and Hand Gesture Recognition Using Multi-Mode Resonant Antenna and Convolutional Neural Network”为题，于2024年8月发表于《IEEE Antennas and Wireless Propagation Letters》（简称IEEE AWPL），聂明宇是论文的第一作者，张青峰教授是论文的通讯作者。聂明宇是南科大电子系2020级本科生，于今年7月份毕业，将继续在南科大攻读硕士学位。该研究成果是他通过电子系本科课程《电子创新实验I/II/III》和《毕业设计》完成的工作。
研究背景
随着无线通信、物联网、人工智能和信号处理等技术的发展，智能无线感知技术受到极大的推动，同时对其精度、实时性与应用场景拓展提出更高需求。微波感知技术凭借穿透性强、受干扰小、快速采集与处理等优势，成为最受欢迎的感知技术之一。在智慧城市背景下，快速捕捉和处理信息对于需要即时反馈和决策的应用至关重要，例如自动驾驶，人体健康检测，智能物流等。在此背景下，本研究工作提出了一种基于单端口多模谐振腔和卷积神经网络的近场感知系统，如图1所示。该系统创新性地利用单个谐振腔体的多个模式实现感知功能，使其在设计环节的自由度更高，并具有更高的感知容量，能够服务更丰富的应用场景需求。为验证该新型单端口多模耦合谐振器的感知能力，本工作又基于卷积神经网络进一步设计了一种近场手势识别系统。
图1：基于多模谐振腔的近场手势识别系统
研究创新点
本成果创新性地提出了一种用于近场感知的单端口多模谐振天线，其主要创新点在于通过在基片集成波导谐振腔体的表面合适位置开缝，将腔内的多个模式与外界环境耦合，这使得天线和周围环境扰动通过这些槽辐射的电磁场相互作用。为了权衡感知强度与感知灵敏度，我们需要设计一套严密的方法来控制缝隙的数量和位置。本成果提出了一种快速计算缝隙数量和位置的方法，能使该电磁结构达到最优的感知容量。图2给出了一种最优设计示例，其中红框是直接通过理论公式计算的缝隙位置，白色是经过微调优化后的位置。
图2：单端口多模基片集成波导谐振结构
为进一步验证该结构的感知能力，本成果还设计了卷积神经网络(CNN)来实现对于不同手势的准确区分，如图3-5所示。CNN神经网络通过大量原始数据的训练，提前构建逆散射问题的网络，对于处理特定场景小的感知问题具有显著优势。基于训练后的CNN，系统可快速识别十种不同手势，响应时间小于0.01秒。
图3：“0”至“9”十种手势
图4：用于手势识别的卷积型神经网络结构
图5：(a)混淆矩阵（b）神经网络训练过程
总结展望
随着物联网、智能化技术的迅速发展，微波实时感知技术有望在各个领域得到广泛应用。未来，可以进一步深入研究微波感知技术与人工智能、大数据分析等技术的融合，提高感知系统的智能化水平，实现更精确、更可靠的实时感知。此外，结合新型材料、新型器件的研发，不断创新感知器件的设计与制造技术，推动微波实时传感技术的性能提升和成本降低，为实现智能交通、智能健康、智能制造等领域的应用提供更好的支持。
参考文献
[1] M. Nie, D. Ma, Q. Zhang*, “Frequency-Diverse Near-Field Sensing and Hand Gesture Recognition Using Multi-Mode Resonant Antenna and Convolutional Neural Network”, IEEE AWPL, early access, Aug. 2024.