买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉哈尔滨工业大学(威海)申请的专利一种面向FPGA硬件部署的轻量化毫米波雷达二维特征图分类方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121637200B 。

龙图腾网通过国家知识产权局官网在2026-05-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610162058.9，技术领域涉及：G06F18/241；该发明授权一种面向FPGA硬件部署的轻量化毫米波雷达二维特征图分类方法及系统是由李迎春;李航设计研发完成，并于2026-02-05向国家知识产权局提交的专利申请。

本一种面向FPGA硬件部署的轻量化毫米波雷达二维特征图分类方法及系统在说明书摘要公布了：本申请提供了一种面向FPGA硬件部署的轻量化毫米波雷达二维特征图分类方法及系统，解决了现有毫米波雷达二维特征图分类方法在边缘计算场景下实时性差、功耗高的技术问题。其包括获取特征图并进行预处理，得到预处理后的特征图，构建数据集，将数据集划分为训练集、验证集；基于LeNet搭建分类网络模型，利用训练集对分类网络模型进行训练，得到训练好的分类网络模型；利用验证集验证训练好的分类网络模型的性能是否满足性能指标，若是，得到验证后的分类网络模型，将其部署到FPGA中，基于分类网络模型对特征图进行分类，得到分类结果；否则，继续训练以更新分类网络模型的参数，直至验证后性能满足性能指标。本申请可广泛应用于图像分类技术领域。

本发明授权一种面向FPGA硬件部署的轻量化毫米波雷达二维特征图分类方法及系统在权利要求书中公布了：1.一种面向FPGA硬件部署的轻量化毫米波雷达二维特征图分类方法，其特征在于，包括以下步骤： 获取特征图并进行预处理，得到预处理后的特征图，构建数据集，将所述数据集划分为训练集、验证集； 基于LeNet搭建分类网络模型，利用所述训练集对所述分类网络模型进行训练，得到训练好的分类网络模型； 利用所述验证集验证所述训练好的分类网络模型的性能是否满足性能指标，若是，得到验证后的分类网络模型，将其部署到FPGA中，基于所述分类网络模型对所述特征图进行分类，得到分类结果；否则，继续训练以更新所述分类网络模型的参数，直至验证后性能满足所述性能指标； 所述分类网络模型包括输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、核尺寸为1×1、步长为1、填充为0的通道扩展投影层、全局最大池化层和全连接层； 将所述预处理后的特征图输入所述输入层，在所述第一卷积层中进行卷积操作后，得到第一次卷积后的特征图；输入所述第一最大池化层中进行池化操作，得到第一次池化后的特征图；输入所述第二卷积层中进行卷积操作，得到第二次卷积后的特征图；输入所述第二最大池化层中进行池化操作，得到第二次池化后的特征图；输入所述通道扩展投影层中进行线性变换，得到投影后的特征图；输入所述全局最大池化层进行池化操作，得到特征向量；输入所述全连接层进行线性变换，得到所述分类结果； 在将所述第一最大池化层和所述第二最大池化层部署到所述FPGA的过程中，设置基于双行流水的比较架构，当所述第一次卷积后的特征图偶数行数据流输入时，对行内同一池化窗的相邻像素，通过并行比较器提取窗内最大值，得到偶数行的局部最大值；在奇数行数据流输入时，所述比较架构实时比较奇数行窗内像素对，得到奇数行的局部最大值，同时读取与当前奇数行列坐标匹配的所述偶数行的局部最大值，进行比较确定所述第一最大池化层和所述第二最大池化层的最大值； 在所述通道扩展投影层和所述全局最大池化层部署的过程中，将所述通道扩展投影层和所述全局最大池化层级联，通过若干卷积核执行通道扩展，扩展所述第二次池化后的特征图的通道数，通过所述全局最大池化层压缩所述第二次池化后的特征图的空间维度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人哈尔滨工业大学(威海)，其通讯地址为：264209 山东省威海市环翠区文化西路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。