基于雷達(dá)主成分分析的肢體運(yùn)動(dòng)分離方法
【專利摘要】本發(fā)明屬于雷達(dá)信號(hào)處理領(lǐng)域，公開了一種基于雷達(dá)主成分分析的肢體運(yùn)動(dòng)分離方法，包括：獲取單脈沖雷達(dá)L×1維的回波信號(hào)，將所述回波信號(hào)采用長(zhǎng)度為K的移動(dòng)窗進(jìn)行N次觀測(cè)，得到N×K維的觀測(cè)信號(hào)矩陣，N為觀測(cè)次數(shù)，K為移動(dòng)窗長(zhǎng)度即采樣點(diǎn)數(shù)，N遠(yuǎn)小于K；將所述N×K維的觀測(cè)信號(hào)矩陣作為采樣空間協(xié)方差矩陣，計(jì)算所述采用空間協(xié)方差矩陣的特征值，根據(jù)所述觀測(cè)次數(shù)N、移動(dòng)窗長(zhǎng)度K以及所述特征值計(jì)算所述回波信號(hào)的特征維度；利用主成分分析PCA對(duì)所述采樣空間協(xié)方差矩陣進(jìn)行降維，將所述采樣空間協(xié)方差矩陣分解為與所述特征維度相同個(gè)數(shù)的主成分；對(duì)多個(gè)主成分進(jìn)行聚類分組，從而對(duì)多個(gè)主成分進(jìn)行分離。
【專利說明】
基于雷達(dá)主成分分析的肢體運(yùn)動(dòng)分離方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及雷達(dá)信號(hào)處理技術(shù)領(lǐng)域，尤其涉及一種基于雷達(dá)主成分分析 (Principle Component Analysis，PCA)的肢體運(yùn)動(dòng)分離方法。
【背景技術(shù)】
[0002] 人體的雷達(dá)回波信號(hào)不僅受到人體主體運(yùn)動(dòng)的頻率調(diào)制作用，同時(shí)受到晃動(dòng)的手 臂和腿等微運(yùn)動(dòng)的影響。人體主體的運(yùn)動(dòng)產(chǎn)生多普勒效應(yīng)，人體各部件的微運(yùn)動(dòng)產(chǎn)生微多 普勒效應(yīng)。由于人體獨(dú)特的運(yùn)動(dòng)機(jī)理，運(yùn)動(dòng)人體的回波信號(hào)中包含大量由人體各部件微運(yùn) 動(dòng)產(chǎn)生的微多普勒信號(hào)，并且它們具有明顯的時(shí)頻特征，能夠明顯的區(qū)分開來。不同的微多 普勒信號(hào)包含不同的運(yùn)動(dòng)信息。
[0003] 對(duì)于合成孔徑雷達(dá)(SAR)和逆合成孔徑雷達(dá)（ISAR)，微多普勒的存在會(huì)降低圖像 的成像質(zhì)量。然而，可以從微多普勒信號(hào)中提取目標(biāo)的運(yùn)動(dòng)參數(shù)等一些隱藏的信息，并可能 因此改善雷達(dá)識(shí)別系統(tǒng)。隨著對(duì)目標(biāo)特征的精細(xì)化描述，微多普勒特征分析在目標(biāo)識(shí)別方 面發(fā)揮了重要作用。因此，對(duì)微多普勒信號(hào)的分離技術(shù)研究至關(guān)重要。
[0004] P.van,Dorp,and F.C.A.Groen等在"Feature-based human motion parameter estimation with radar"（IET Radar，Sonar，Navigat.，2008,2-2:135-145)中基于特征的 方法提出了雷達(dá)頻譜估計(jì)人體移動(dòng)參數(shù)。但是，這個(gè)方法是基于Boulic行走模型，并不適用 于其它運(yùn)動(dòng)模型。沒有提到分離技術(shù)，只對(duì)一些參數(shù)進(jìn)行了估計(jì)，且不能確定參數(shù)的歸屬。
[0005] Y. P.Ding,and J· T · Tang等在"Micro-Doppler trajectory estimation of pedestrians using a continuous-wave radar"（IEEE Trans.Geosci.Remote Sens , 2014,52-9:5807-5819)中結(jié)合改進(jìn)的改進(jìn)函數(shù)和CLEAN算法來預(yù)測(cè)人體微多普勒軌跡。但 是計(jì)算量巨大，而且確定多項(xiàng)式相位要求沒有定量的準(zhǔn)則，通常是通過經(jīng)驗(yàn)來確定的。

【發(fā)明內(nèi)容】

[0006] 針對(duì)上述現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于雷達(dá)主成分分析的肢 體運(yùn)動(dòng)分離方法，適應(yīng)性地對(duì)人體部件運(yùn)動(dòng)進(jìn)行分離，保證了人體部件運(yùn)動(dòng)分離的質(zhì)量。
[0007] 實(shí)現(xiàn)本發(fā)明的技術(shù)思路為：首先，使用移動(dòng)窗將一維的單脈沖雷達(dá)回波信號(hào)轉(zhuǎn)換 為一個(gè)二維的多通道信號(hào)。其次，根據(jù)赤池信息量準(zhǔn)則(Akaike Information Criterion， AIC準(zhǔn)則)確定PCA輸出的最小數(shù)量，即主成份(Principle Components，PCs)的數(shù)量。然后， 基于AIC準(zhǔn)則，利用PCA法提取可以表示人體回波主體能量的最優(yōu)正交基PCs。最后，利用交 叉熵矩陣檢測(cè)PCs的相似度，通過轉(zhuǎn)換為一個(gè)非線性約束的優(yōu)化問題對(duì)PCs進(jìn)行聚類分組， 每組代表一個(gè)人體部件的回波信號(hào)。這樣，人體回波就被分離成不同人體部件的回波信號(hào)。
[0008] 為達(dá)到上述目的，本發(fā)明的實(shí)施例采用如下技術(shù)方案：
[0009] -種基于雷達(dá)主成分分析的肢體運(yùn)動(dòng)分離方法，所述方法包括如下步驟：
[0010] 步驟1，獲取單脈沖雷達(dá)LX1維的回波信號(hào)，將所述回波信號(hào)采用長(zhǎng)度為K的移動(dòng) 窗進(jìn)行N次觀測(cè)，得到NXK維的觀測(cè)信號(hào)矩陣，N為觀測(cè)次數(shù)，K為移動(dòng)窗長(zhǎng)度即采樣點(diǎn)數(shù)，N 遠(yuǎn)小于κ;
[0011] 步驟2,將所述ΝΧΚ維的觀測(cè)信號(hào)矩陣作為采樣空間協(xié)方差矩陣，計(jì)算所述采用空 間協(xié)方差矩陣的特征值，根據(jù)所述觀測(cè)次數(shù)Ν、移動(dòng)窗長(zhǎng)度Κ以及所述特征值計(jì)算所述回波 信號(hào)的特征維度；
[0012] 步驟3,利用主成分分析PCA對(duì)所述采樣空間協(xié)方差矩陣進(jìn)行降維，將所述采樣空 間協(xié)方差矩陣分解為與所述特征維度相同個(gè)數(shù)的主成分；
[0013] 步驟4,對(duì)多個(gè)主成分進(jìn)行聚類分組，從而對(duì)多個(gè)主成分進(jìn)行分離。
[0014] 本發(fā)明的有益效果:結(jié)合了信息論、數(shù)據(jù)方法和最優(yōu)化工具的方法，適應(yīng)性地對(duì)人 體部件運(yùn)動(dòng)進(jìn)行分離，很好地保證了人體部件運(yùn)動(dòng)分離的質(zhì)量。
【附圖說明】
[0015] 為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以 根據(jù)這些附圖獲得其他的附圖。
[0016] 圖1為本發(fā)明實(shí)施例提供的一種基于雷達(dá)主成分分析的肢體運(yùn)動(dòng)分離方法流程示 意圖；
[0017] 圖2為人體運(yùn)動(dòng)模型示意圖；
[0018] 圖3為人體運(yùn)動(dòng)模型的仿真結(jié)果示意圖；
[0019] 圖4為19個(gè)PCs的時(shí)頻分布，（a)-(s)分別為1 -19個(gè)PC的時(shí)頻譜示意圖；
[0020] 圖5為PCs的交叉熵矩陣示意圖；
[0021 ]圖6為新分的三個(gè)組的時(shí)頻譜示意圖。
【具體實(shí)施方式】
[0022]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0023] -種基于雷達(dá)主成分分析的肢體運(yùn)動(dòng)分離方法，參照?qǐng)D1，所述方法包括如下步 驟：
[0024] 步驟1，獲取單脈沖雷達(dá)LX1維的回波信號(hào)，將所述回波信號(hào)采用長(zhǎng)度為K的移動(dòng) 窗進(jìn)行N次觀測(cè)，得到NXK維的觀測(cè)信號(hào)矩陣，N為觀測(cè)次數(shù)，K為移動(dòng)窗長(zhǎng)度即采樣點(diǎn)數(shù)，N 遠(yuǎn)小于K。
[0025] 所述NXK維的觀測(cè)信號(hào)矩陣為X= [xi，X2，···，XN]T，Xi = [xu，xi2，···，XiK]是第i個(gè)觀 測(cè)信號(hào)，i = l，2,…，N。
[0026] 步驟2,將所述NXK維的觀測(cè)信號(hào)矩陣作為采樣空間協(xié)方差矩陣，計(jì)算所述采用空 間協(xié)方差矩陣的特征值，根據(jù)所述觀測(cè)次數(shù)N、移動(dòng)窗長(zhǎng)度K以及所述特征值計(jì)算所述回波 信號(hào)的特征維度。
[0027] 步驟2中根據(jù)所述觀測(cè)次數(shù)N、移動(dòng)窗長(zhǎng)度K以及所述特征值計(jì)算所述回波信號(hào)的 特征維度具體為：
[0028] 特征維度dAIC的表達(dá)式為：
[0029] dAic = arg min[Ld+d(2N-d)]
[0030] 其中
，采樣空間協(xié)方差矩陣的特征值按降 序排列是采樣空間協(xié)方差矩陣的第i個(gè)特征值，d由1到N進(jìn)行遍歷，當(dāng)上式取最小值時(shí)d 的值即為所求的特征維度dAIC。
[0031] 步驟3,利用主成分分析PCA對(duì)所述采樣空間協(xié)方差矩陣進(jìn)行降維，將所述采樣空 間協(xié)方差矩陣分解為與所述特征維度相同個(gè)數(shù)的主成分。
[0032]步驟3具體包括如下子步驟：
[0033] (33)所述~父1(維的觀測(cè)信號(hào)矩陣為父=|^1，叉2，."以]1'4=|^142，."41(]是第1 個(gè)觀測(cè)信號(hào)，1 = 1，2，一，1估計(jì)11的均值記為講，則觀測(cè)信號(hào)矩陣乂的均值矢量可以寫為：
[0034] μ = Ε[Χ] = [μι，μ2，···，μη]Τ
[0035] 觀測(cè)信號(hào)矩陣X減去均值矢量μ使觀測(cè)信號(hào)矩陣X中心化，得到中心化的矩陣f:
[0036]
[0037] (3b)計(jì)算中心化的矩陣f的協(xié)方差矩陣S，對(duì)所述協(xié)方差矩陣S進(jìn)行奇異值分解后 表示為：
[0038] S = UAV
[0039] 其中，U是NXN階酉矩陣，Λ是由協(xié)方差矩陣S的奇異值構(gòu)成的NXK階矩陣，V是KX Κ階酉矩陣，Λ中S的奇異值按降序排列；
[0040] (3c)根據(jù)所述回波信號(hào)的特征維度dAK，提取第一個(gè)dAK維特征值，即將啲第一個(gè) dAIC行擴(kuò)展成一個(gè)特征子空間Ul=[Ul，U2, . . .，Ud]，把每個(gè)信號(hào)空間Ui標(biāo)記到對(duì)應(yīng)的特征子 空間Yi·
[0041]
[0042] 其中，上標(biāo)Η表示共輒轉(zhuǎn)置運(yùn)算，Yi是一個(gè)NXK階矩陣。
[0043] (3d)將得到的每個(gè)特征子空間h轉(zhuǎn)置重建為一維信號(hào)Zl，并組成去相關(guān)矩陣Z:
[0044] Z=[zi,Z2, . . . ,Zd]T
[0045] 其中，Z是dXL階矩陣，Z的每行是一個(gè)主成分，且各主成分之間即Z的各行之間兩 兩去相關(guān)。
[0046] 步驟4,對(duì)多個(gè)主成分進(jìn)行聚類分組，從而對(duì)多個(gè)主成分進(jìn)行分離。
[0047]步驟4具體包括如下子步驟：
[0048] (4a)定義交叉熵矩陣D( i，j)，用于表征兩個(gè)主成分21和^之間的相似度：
[0049]
[0050] 其中，Zi和Zj為各主成分中的同一個(gè)主成分或者不同主成分，是主成分Zi的概率 分布，八^是主成分W的概率分布，D的主對(duì)角線上元素全部為0,其它元素均為正；
[0051] 其中
[0052] 八是LX 1維的列向量
（'")是列向量心的第m個(gè)元素，Zi(m)是 列向量zi的第m個(gè)元素，sum(zi)是列向量zi的所有元素之和；[0053] (4b)定義一個(gè)非線性約束的最優(yōu)解問題來確定每個(gè)主成分屬于的類：
[0054]
[0055]
[0056] J-1
[0057] 其中，花費(fèi)函數(shù)H(M;D)用于描述類內(nèi)部的緊密度和類間的同次性，C是分類的類別 數(shù)目，是交叉熵矩陣D的第i行第j列的元素，是指派矩陣Μ的第i行第j列的元素，Μ是η XC階指派矩陣：
[0058]
[0059] 其中，P(Ul|Cj)是成分m在類中的概率，通過搜索指派矩陣Μ中每一行的最大元 素確定每個(gè)主成分屬于的類。
[0060] 本發(fā)明的效果可通過以下仿真實(shí)驗(yàn)作進(jìn)一步的說明。
[0061] 1)仿真條件
[0062]雷達(dá)發(fā)射載頻f= 15GHz的單頻信號(hào)，距離分辨率為0.01m，脈沖重復(fù)頻率為 2000Hz，脈沖總數(shù)為6144。人體和雷達(dá)的相對(duì)速度為2. Om/s。人體運(yùn)動(dòng)模型如圖2所示，人體 模型的各部件長(zhǎng)度如表1所示。仿真是基于Boulic模型，它同時(shí)符合其他人體模型。
[0063]表1人體模型的部件長(zhǎng)度
[0064]
[0065] *H= 1 · 8m，Length(Head+Torso+U-leg+L_Leg) =Η·
[0066] 2)仿真內(nèi)容及分析
[0067] 首先，基于Boulic模型對(duì)運(yùn)動(dòng)人體的雷達(dá)回波信號(hào)進(jìn)行仿真。圖3是人體運(yùn)動(dòng)模型 的仿真結(jié)果。圖3(a)是距離域圖像，由圖中可知，人體和雷達(dá)的初始距離大約為10m。通過 STFT獲得回波信號(hào)的時(shí)頻譜，如圖3(b)所示。人體向著雷達(dá)移動(dòng)，通過回波在距離方向上的 疊加，可以獲得一個(gè)一維的時(shí)間采樣信號(hào)。
[0068]然后，利用移動(dòng)窗對(duì)上述一維采樣信號(hào)進(jìn)行處理，得到32個(gè)信道的2維信號(hào)。接下 來，利用PCA法將信號(hào)投影到特征子空間，提取可以表示原始信號(hào)的最優(yōu)子空間，然后，將它 們?cè)俅斡成渲猎夹盘?hào)空間。最后，可以得到19個(gè)互不相關(guān)的PCU9個(gè)PCs的時(shí)頻譜圖分別 如圖4(a)~（s)所示。由圖4可以看出，一些有相似時(shí)頻特征的PCs，可以重新組合成一個(gè)新 的分組。因此，可以利用分組技術(shù)來實(shí)現(xiàn)這項(xiàng)功能。
[0069] 通過計(jì)算PCs間的相似度對(duì)PCs進(jìn)行分組。圖5是19個(gè)PCs的交叉熵矩陣的計(jì)算結(jié) 果。它是對(duì)稱矩陣且主對(duì)角線上的元素全部為0。這與理論分析結(jié)果一致。我們把這些PCs分 成三組。依概率矩陣的PCs聚類結(jié)果如表2所示。由表可知，除第二個(gè)和第三個(gè)PCs外，大部分 PCs都可以通過一個(gè)確定的數(shù)值分到一個(gè)確定的組。
[0070] 表2概率矩陣及PCs的聚類結(jié)果
[0071]
[0072] 三個(gè)新分的組的信號(hào)的時(shí)頻譜圖如圖6(a)_(c)所示。與圖3(b)相比，代表移動(dòng)人 體主體部分的大部分能量的信號(hào)都分離開了。因此，第一組可以表征為移動(dòng)人體的主體部 分的回波信號(hào)。圖6(b)含有豐富的微多普勒信號(hào)，和人肢體的回波信號(hào)相對(duì)應(yīng)。圖6(c)的微 多普勒特征最明顯，對(duì)應(yīng)于小腿和腳部的回波信號(hào)。由于在一個(gè)步行周期內(nèi)，人體左右腳移 動(dòng)的最大幅值交替出現(xiàn)，所以在圖6(c)中有一條亮色的條帶。和圖4相比，PCs的分類結(jié)果與 理論分析結(jié)果一致。證明了分類方法的有效性。
[0073]以上所述，僅為本發(fā)明的【具體實(shí)施方式】，但本發(fā)明的保護(hù)范圍并不局限于此，任何 熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵 蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以所述權(quán)利要求的保護(hù)范圍為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種基于雷達(dá)主成分分析的肢體運(yùn)動(dòng)分離方法，其特征在于，所述方法包括如下步 驟： 步驟1，獲取單脈沖雷達(dá)LXl維的回波信號(hào)，將所述回波信號(hào)采用長(zhǎng)度為K的移動(dòng)窗進(jìn) 行N次觀測(cè)，得到NXK維的觀測(cè)信號(hào)矩陣，N為觀測(cè)次數(shù)，K為移動(dòng)窗長(zhǎng)度即采樣點(diǎn)數(shù)，N遠(yuǎn)小 于K; 步驟2,將所述NXK維的觀測(cè)信號(hào)矩陣作為采樣空間協(xié)方差矩陣，計(jì)算所述采用空間協(xié) 方差矩陣的特征值，根據(jù)所述觀測(cè)次數(shù)N、移動(dòng)窗長(zhǎng)度K以及所述特征值計(jì)算所述回波信號(hào) 的特征維度； 步驟3,利用主成分分析對(duì)所述采樣空間協(xié)方差矩陣進(jìn)行降維，將所述采樣空間協(xié)方差 矩陣分解為與所述特征維度相同個(gè)數(shù)的主成分； 步驟4，對(duì)多個(gè)主成分進(jìn)行聚類分組，從而對(duì)多個(gè)主成分進(jìn)行分離。2. 根據(jù)權(quán)利要求1所述的一種基于雷達(dá)主成分分析的肢體運(yùn)動(dòng)分離方法，其特征在于， 步驟1具體為： 所述^1(維的觀測(cè)信號(hào)矩陣為乂=[11，12，一舊]1'^=|^1#2，"_#1(]是第：[個(gè)觀測(cè)信 號(hào)，? = 1，2，···，Ν。3. 根據(jù)權(quán)利要求1所述的一種基于雷達(dá)主成分分析的肢體運(yùn)動(dòng)分離方法，其特征在于， 步驟2中根據(jù)所述觀測(cè)次數(shù)Ν、移動(dòng)窗長(zhǎng)度K以及所述特征值計(jì)算所述回波信號(hào)的特征維度 具體為： 特征維度dAK的表達(dá)式為：采樣空間協(xié)方差矩陣的特征值按降序排 列，A1是采樣空間協(xié)方差矩陣的第i個(gè)特征值，d由1到N進(jìn)行遍歷，當(dāng)上式取最小值時(shí)d的值 即為所求的特征維度dAIC。4. 根據(jù)權(quán)利要求1所述的一種基于雷達(dá)主成分分析的肢體運(yùn)動(dòng)分離方法，其特征在于， 步驟3具體包括如下子步驟： (38)所述^1(維的觀測(cè)信號(hào)矩陣為父=|^1，12，'"舊]1'4=|^1#2，'"#1(]是第：[個(gè)觀 測(cè)信號(hào)，i = l，2，···，N，估計(jì)X1的均值記為講，則觀測(cè)信號(hào)矩陣X的均值矢量可以寫為：觀測(cè)信號(hào)矩陣X減去均值矢暈μ使觀測(cè)信號(hào)矩陣X中心化，得到中心化的矩陣X :(3b)計(jì)算中心化的矩陣X的協(xié)方差矩陣S，對(duì)所述協(xié)方差矩陣S進(jìn)行奇異值分解后表示 為： S = UAV 其中，U是N X N階酉矩陣，Λ是由協(xié)方差矩陣S的奇異值構(gòu)成的N X K階矩陣，V是K X K階 酉矩陣，Λ中S的奇異值按降序排列； (3c)根據(jù)所述回波信號(hào)的特征維度dAIC，提取第一個(gè)dAIC維特征值，即將U的第一個(gè)d AIC 行擴(kuò)展成一個(gè)特征子空間Ul =[ Ul，U2，…，Ud ]，把每個(gè)信號(hào)空間Ui標(biāo)記到對(duì)應(yīng)的特征子空間 Yi ： V; X, l<i <d 其中，上標(biāo)H表示共輒轉(zhuǎn)置運(yùn)算，Y1是一個(gè)N X K階矩陣。 (3d)將得到的每個(gè)特征子空間Y1轉(zhuǎn)置重建為一維信號(hào)Z1，并組成去相關(guān)矩陣Z: Z= [zi,Z2, ··· ,Zd]T 其中，Z是dXL階矩陣，Z的每行是一個(gè)主成分，且各主成分之間即Z的各行之間不相關(guān)。5.根據(jù)權(quán)利要求4所述的一種基于雷達(dá)主成分分析的肢體運(yùn)動(dòng)分離方法，其特征在于， 步驟4具體包括如下子步驟： (4a)定義交叉熵矩陣D(i，j)，用于表征兩個(gè)主成分21和^之間的相似度：其中，Zi和Zj為各主成分中的同一個(gè)主成分或者不同主成分，ft，是主成分Zi的概率分 布，巧/是主成分Zj的概率分布，D的主對(duì)角線上元素全部為O，其它元素均為正； 其中AiLXl維的列向量Pl·")是列向量心的第m個(gè)元素，zi(m)是列向 量Zi的第m個(gè)元素，sum(zi)是列向量Zi的所有元素之和； (4b)定義一個(gè)非線性約束的最優(yōu)解問題來確定每個(gè)主成分屬于的類：其中，花費(fèi)函數(shù)H(M;D)用于描述類內(nèi)部的緊密度和類間的同次性，C是分類的類別數(shù) 目，Dlj是交叉熵矩陣D的第i行第j列的元素，Mlj是指派矩陣M的第i行第j列的元素，M是nXC 階指派矩陣：其中，P(m I Cj)是成分m在Cj類中的概率，通過搜索指派矩陣M中每一行的最大元素確定 每個(gè)主成分屬于的類。
【文檔編號(hào)】A61B5/11GK105997093SQ201610256907
【公開日】2016年10月12日
【申請(qǐng)日】2016年4月24日
【發(fā)明人】周峰, 粟華林, 石曉然, 陶明亮, 張子敬
【申請(qǐng)人】西安電子科技大學(xué)