基于cs和svm決策級(jí)融合的sar圖像目標(biāo)識(shí)別方法
【專利摘要】本發(fā)明公開(kāi)了一種基于CS和SVM決策級(jí)融合的SAR圖像目標(biāo)識(shí)別方法。本發(fā)明結(jié)合了壓縮感知和支持向量機(jī)各自的優(yōu)勢(shì)，利用壓縮感知的優(yōu)化求解數(shù)據(jù)校正方位角，并對(duì)壓縮感知和支持向量機(jī)的識(shí)別結(jié)果進(jìn)行決策級(jí)融合。首先將SAR圖像目標(biāo)識(shí)別問(wèn)題轉(zhuǎn)化為稀疏信號(hào)恢復(fù)問(wèn)題，基于恢復(fù)的稀疏系數(shù)分別獲得目標(biāo)分類結(jié)果和目標(biāo)方位角估計(jì)，然后對(duì)測(cè)試圖像進(jìn)行姿態(tài)校正，利用支持向量機(jī)獲取目標(biāo)分類結(jié)果，最后將三者分類結(jié)果根據(jù)投票法進(jìn)行決策級(jí)融合。實(shí)驗(yàn)結(jié)果表明，在不進(jìn)行姿態(tài)校正的情況下，基于壓縮感知的目標(biāo)識(shí)別算法與其它算法相比，顯著提高了SAR圖像變形目標(biāo)識(shí)別的準(zhǔn)確率；當(dāng)樣本數(shù)較少情況下，本發(fā)明顯著提高了SAR變形目標(biāo)的識(shí)別率。
【專利說(shuō)明】 基于CS和SVM決策級(jí)融合的SAR圖像目標(biāo)識(shí)別方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于目標(biāo)識(shí)別【技術(shù)領(lǐng)域】，涉及一種基于CS和SVM決策級(jí)融合的SAR圖像目標(biāo)識(shí)別方法。

【背景技術(shù)】
[0002]SAR(Synthetic Aperture Radar,合成孔徑雷達(dá))是一種微波成像傳感器,對(duì)土壤和植被具有一定的穿透能力，具有全天時(shí)、全天候、多波段、多極化和高分辨成像的特點(diǎn)，在國(guó)民經(jīng)濟(jì)和國(guó)防建設(shè)中有了越來(lái)越廣泛的應(yīng)用。SAR圖像自動(dòng)目標(biāo)識(shí)別(Automatic TargetRecognit1n, ATR)技術(shù)的研究，尤其是變形目標(biāo)的識(shí)別，是目前需要迫切解決的關(guān)鍵問(wèn)題之一 O
[0003]SAR圖像目標(biāo)識(shí)別的過(guò)程可以描敘為:從用SAR觀測(cè)得到的圖像中，找到ROIS(Reg1n of Interests,感興趣區(qū)域)，然后對(duì)每個(gè)ROIS進(jìn)行分類判斷出它的類別。目前研究方法主要是基于模板匹配的方法、基于SVM(Support Vector Machine,支持向量機(jī))的方法、基于Boosting的方法、基于CS (Compressed sensing,壓縮感知)的方法等。總體來(lái)說(shuō)，基于CS的方法和基于SVM的方法有優(yōu)勢(shì)，CS方法在沒(méi)有校正方位角的情況下也能得到較高的識(shí)別率，SVM方法泛化能力很強(qiáng)。
[0004]為了得到更高的識(shí)別率，可利用不同特征提取方法和目標(biāo)分類算法，采用信息融合方法對(duì)多視角圖像、多特征和多分類器的識(shí)別結(jié)果進(jìn)行融合。決策級(jí)融合是最高層次的圖像信息融合，每個(gè)傳感器先分別建立各自的初步判決，然后對(duì)來(lái)自各傳感器的決策根據(jù)一定的準(zhǔn)則和每個(gè)決策的可信度進(jìn)行融合處理，從而獲得最終的聯(lián)合判決。決策級(jí)融合對(duì)分類器的選擇并沒(méi)有限制，但選擇合適的分類器對(duì)分類精度有一定影響。本發(fā)明結(jié)合了 CS和SVM的優(yōu)勢(shì)，從而達(dá)到提聞識(shí)別率的目的。


【發(fā)明內(nèi)容】

[0005]本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，提供了一種基于CS和SVM決策級(jí)融合的SAR圖像目標(biāo)識(shí)別方法。
[0006]本發(fā)明的具體步驟是:
[0007]步驟(I).預(yù)處理
[0008]1.1方位角的標(biāo)記
[0009]對(duì)MSTAR數(shù)據(jù)庫(kù)中的訓(xùn)練樣本中7類的方位角進(jìn)行手工標(biāo)記，并與圖像的索引建立一種映射關(guān)系。
[0010]1.2去噪、濾波
[0011]對(duì)原圖進(jìn)行裁剪，讀取以圖像中心點(diǎn)為中心的61X61圖像區(qū)域，然后進(jìn)行小波變換和均值濾波處理，以達(dá)到去噪的目的。
[0012]步驟(2).分類器模型設(shè)計(jì)
[0013]2.1建立壓縮感知模型和基于壓縮感知分類
[0014]2.1.1模型建立
[0015]在訓(xùn)練樣本中，選取第i類目標(biāo)的叫張圖像，將第j(j = 1，…，Iii)張圖像進(jìn)行預(yù)處理，然后將圖像的信息存放在一個(gè)列向量里來(lái)構(gòu)成Ai (Ai表示由第i類目標(biāo)所有圖像的信息)的第j列Viij (Viij表示第i類目標(biāo)第j張圖像的信息)，得到一個(gè)過(guò)完備字
[0016]A — [A1 ;...；Aj ;...；Aji] — [Vi’”...，v^nl ;....；Vi^...，v^j,...，v^ni ;...；Vk’i，…，Vk,nk] (mXn)。
[0017]給定測(cè)試圖像y表示為
[0018]y = Ax0 式(I)；
[0019]其中'=[O,…,O;…;au,a:2,...,a: ,a,,, ;_..;(),...,Of，a ^為實(shí)數(shù)。x。是稀疏系數(shù)，Xtl中只有與第i類目標(biāo)相對(duì)應(yīng)的值為非零，其它值均為零。用I1范數(shù)求解Χο，用數(shù)學(xué)公式表達(dá)如下:
[0020](P1) min| X0 I1 subject to y = Ax0 式(2);
[0021]上式為壓縮感知的優(yōu)化重建問(wèn)題，可求出稀疏解X。。
[0022]2.1.2基于壓縮感知分類、姿態(tài)矯正
[0023]在得到一個(gè)測(cè)試圖像y時(shí)，用壓縮感知模型得到一個(gè)稀疏解Xn = [O,...,O;...;ajA,aj2,...,?(.y,...,aLll;...;0,..■,0]/。米用 NN(Nearest Neighbor,最近鄰方法)找出分類結(jié)果。對(duì)于第i類目標(biāo)，定義函數(shù):5對(duì)于，4(?)^Rh
是系數(shù)向量，即Xtl中僅與第i類目標(biāo)相對(duì)應(yīng)的值保持不變，其它值都賦值為零。定義殘差
[0024]T1 (y) = I y-A δ i (X0) Il2 式⑶；
[0025]殘差值最小意味著測(cè)試圖像與樣本最接近，通過(guò)求解的殘差最小值來(lái)判斷類別。則測(cè)試圖像I的所在類別s可由式子(4)判斷:
[0026]s = identity{y) = arg mini/, (_v),...,/}(_v),...,/; (v)! 式⑷.
[0027]2.2 選擇支持向量機(jī)(Support Vector Machine, SVM)模型參數(shù)
[0028]核函數(shù)采用徑向基核函數(shù)。徑向基核函數(shù)的重要參數(shù)懲罰因子C和Y由交叉驗(yàn)證和網(wǎng)格參數(shù)尋優(yōu)方法訓(xùn)練得到，最優(yōu)結(jié)果為C取值32和Y取值0.5。已校正和未校正的訓(xùn)練樣本，采用SVM方法訓(xùn)練得到兩個(gè)分類模型，然后用這兩個(gè)分類模型得到兩個(gè)分類結(jié)果。
[0029]步驟(3).姿態(tài)校正
[0030]利用訓(xùn)練樣本構(gòu)造字典后，利用壓縮感知模型進(jìn)行優(yōu)化求解時(shí)，可根據(jù)獲得稀疏解判斷與之最相近的訓(xùn)練樣本，即稀疏解Xtl的最大值位置t處表明測(cè)試樣本與該訓(xùn)練樣本最相似:
[0031]^ = argmax(v0) 式⑶；
[0032]此時(shí)可利用該訓(xùn)練樣本的姿態(tài)信息對(duì)測(cè)試圖像進(jìn)行姿態(tài)校正。
[0033]步驟(4).決策級(jí)融合
[0034]采用投票法(Majority Vote)對(duì)CS方法和SVM方法(校正方位角、未校正方位角)識(shí)別的三種結(jié)果進(jìn)行決策級(jí)融合，即
[0035]r = MajorityVote (rcs, rsvlIll, rsvm2) 式(6);
[0036]式中res為基于CS方法的識(shí)別結(jié)果，rsvml為未經(jīng)過(guò)姿態(tài)校正的基于SVM方法的識(shí)另1J結(jié)果，rsvm2為經(jīng)過(guò)姿態(tài)校正的基于SVM方法的識(shí)別結(jié)果。當(dāng)出現(xiàn)三種結(jié)果不一致時(shí)，根據(jù)每種算法對(duì)訓(xùn)練樣本的識(shí)別準(zhǔn)確率作為先驗(yàn)知識(shí)進(jìn)行判別，即
[0037]r = MaxiP^, P；unV式(7);
[0038]式中G為采用CS方法進(jìn)行識(shí)別時(shí)識(shí)別結(jié)果為第i類的概率，Pj ,為基于未經(jīng)校.svmi
正的樣本采用SVM方法進(jìn)行識(shí)別時(shí)識(shí)別結(jié)果為第j類的概率，Zt2為基于經(jīng)校正的樣本采用SVM方法進(jìn)行識(shí)別時(shí)識(shí)別結(jié)果為第k類的概率。
[0039]本發(fā)明中融合方法的識(shí)別率高于用CS方法和SVM方法的識(shí)別率。并且，在變形目標(biāo)識(shí)別中，本發(fā)明能夠在使用較少的訓(xùn)練樣本情況下提高識(shí)別率和提高泛乏能力。

【專利附圖】

【附圖說(shuō)明】
[0040]圖1為本發(fā)明流程圖。

【具體實(shí)施方式】
[0041]以下結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明。
[0042]如圖1所示，本發(fā)明包括以下步驟:
[0043]步驟(I).預(yù)處理
[0044]1.1方位角的標(biāo)記
[0045]由于同一種目標(biāo)在不同方位角條件下的性質(zhì)有很大的差別，因此在目標(biāo)識(shí)別中應(yīng)該考慮目標(biāo)的方向性。估計(jì)出目標(biāo)方位角可極大地減少目標(biāo)識(shí)別所需的特征個(gè)數(shù)，從而減少識(shí)別時(shí)間并提高識(shí)別性能。采用手工方法標(biāo)記方位角，記錄目標(biāo)與標(biāo)準(zhǔn)方位角(90度)之間的夾角。并將標(biāo)記的方位角與圖像的索引建立一種映射關(guān)系，即將方位角和圖像的索引一一對(duì)應(yīng)，以便于通過(guò)索引來(lái)找到圖像的方位角。
[0046]1.2去噪、濾波
[0047]SAR圖像中的相干斑噪聲、背景、雜波和方位角變化等都為目標(biāo)的識(shí)別帶來(lái)困難，這就要求在提取特征之前進(jìn)行預(yù)處理使得圖像中的信息更接近真實(shí)值。主要包括:SAR圖像去噪(抑制SAR圖像相干斑噪聲)，SAR圖像分辨率的改善，SAR圖像分割特征。對(duì)圖像進(jìn)行了裁剪、小波變換和均值濾波處理，裁剪即讀取以圖像中心點(diǎn)為中心的61X61圖像區(qū)域，小波變換中使用的小波是Haar小波，均值濾波的模板是[33]。
[0048]步驟(2).分類器模型設(shè)計(jì)
[0049]2.1建立壓縮感知模型和基于壓縮感知分類
[0050]2.1.1模型建立
[0051]在訓(xùn)練樣本中，選取第i類目標(biāo)的ni張圖像，將第j(j = I,…，Iii)張圖像進(jìn)行預(yù)處理，然后將圖像的信息存放在一個(gè)列向量里來(lái)構(gòu)成Ai (Ai表示由第i類目標(biāo)所有圖像的信息)的第j列Viij (Viij表示第i類目標(biāo)第j張圖像的信息)，得到一個(gè)過(guò)完備字典
[0052]A [八1 ;...?^i ;...;^k] [Vl，I，...，Vl，nl ;....;Vi，l，...，Vi，j，...，Vi，ni ;...;Vk’i，…，Vk,nk] (mXn)。
[0053]采用MSTAR數(shù)據(jù)庫(kù)中的圖像，由訓(xùn)練樣本直接構(gòu)成字典時(shí)，一幅圖像用961X1的列向量(Vy)表不，字典A的大小為961 X 1622。
[0054]對(duì)于第i類目標(biāo)的測(cè)試樣本y表示為
產(chǎn) OX vu + -" + OxvU| +...+ aLlvn + ai2vL2 +...+ ?,?_v,,,,
[0055]ηη式⑴；
+ - + Oxvil+--.+ Oxv“s
[0056]即
[0057]y = Ax0 式⑵；
[0058]=1，...，叫。X0是稀疏系數(shù)，X0中只有與第i類目標(biāo)相對(duì)應(yīng)的值為非零，其它值均為零。
[0059]用I1范數(shù)求解X(l，用數(shù)學(xué)公式表達(dá)如下:
[0060](P1) min| X0 I1 subject to y = Ax0 式(3)；
[0061]上式為壓縮感知的優(yōu)化重建問(wèn)題，可求出稀疏解Xtl，求解出的Xtl的大小為1622X 1。
[0062]2.1.2基于壓縮感知分類
[0063]由于相干斑噪聲、方位角等因素的影響，Xtl中非對(duì)應(yīng)于測(cè)試圖像類別的系數(shù)值也是非零的，這些值相對(duì)于Xtl中對(duì)應(yīng)于測(cè)試圖像類別的系數(shù)值是很小的，因此可采用尋找最小重構(gòu)誤差的方法進(jìn)行目標(biāo)類別判別，該方法也可視為最近鄰法(Nearest Neighbor,NN)。
對(duì)于第i類目標(biāo)，定義函數(shù)《U。): Mfl 4 f，對(duì)于是系數(shù)向量，其中Xtl中僅與第i類目標(biāo)相對(duì)應(yīng)的系數(shù)保持不變，其它值均為零。定義殘差為
[0064]T1 (y) = I y-A δ i (X0) Il2式⑷；
[0065]殘差值最小意味著測(cè)試圖像與樣本最接近，通過(guò)求解的殘差最小值來(lái)判斷類別。則測(cè)試圖像I的所在類別s可由式子(5)判斷:
[0066]s = identity(y) - arg niin{/- (_r),...,/}(r),...,rL (_v)|式(5).
[0067]2.2選擇支持向量機(jī)模型參數(shù)
[0068]支持向量機(jī)的模型訓(xùn)練，最重要的部分是選定核函數(shù)。目前使用最普遍的核函數(shù)是徑向基核函數(shù)，這是因?yàn)閺较蚧撕瘮?shù)對(duì)應(yīng)的特征空間是無(wú)窮維的，有限的樣本在該特征空間中肯定是線性可分的。徑向基核函數(shù)參數(shù)的選擇主要是C和Y。C是懲罰因子，表示對(duì)錯(cuò)誤的懲罰程度，我們可以通過(guò)C來(lái)控制訓(xùn)練精度，一般情況下取值為[0，50] ; Y主要影響著樣本數(shù)據(jù)在高維特征空間中分布的復(fù)雜程度，y的取值范圍是[0，1]。C和Y的最優(yōu)結(jié)果由交叉驗(yàn)證和網(wǎng)格參數(shù)尋優(yōu)方法訓(xùn)練得到，最優(yōu)結(jié)果為C取值32和Y取值0.5。
[0069]步驟(3).姿態(tài)矯正
[0070]用SVM方法進(jìn)行SAR圖像目標(biāo)識(shí)別時(shí)，方位角的校正對(duì)識(shí)別結(jié)果很重要；但是對(duì)于測(cè)試圖像來(lái)說(shuō)，它的信息全部都是未知的，無(wú)法校正方位角。對(duì)于CS方法的優(yōu)化求解數(shù)據(jù)，稀疏解Xtl不僅能夠得到識(shí)別結(jié)果，還可以得到與測(cè)試圖像最相似的訓(xùn)練樣本圖像的姿態(tài)信息，可用來(lái)估計(jì)測(cè)試圖像的姿態(tài)信息和校正方位角。
[0071]利用訓(xùn)練樣本構(gòu)造字典后，利用壓縮感知模型進(jìn)行優(yōu)化求解時(shí)，可根據(jù)獲得稀疏解Xtl判斷與之最相近的訓(xùn)練樣本，即稀疏解Xtl的最大值位置t處表明測(cè)試樣本與該訓(xùn)練樣本最相似:
[0072]t = argmax(^o) 式(6).
[0073]此時(shí)根據(jù)訓(xùn)練樣本的姿態(tài)信息估計(jì)測(cè)試樣本的姿態(tài)信息，從而對(duì)測(cè)試樣本進(jìn)行姿態(tài)矯正。
[0074]步驟(4).決策級(jí)融合
[0075]采用投票法(Majority Vote)對(duì)CS方法和SVM方法(校正方位角、未校正方位角)識(shí)別的三種結(jié)果進(jìn)行決策級(jí)融合，即
[0076]r = MajorityVote (rcs, rsvlIll, rsvm2)式(7);
[0077]式中res為未經(jīng)過(guò)姿態(tài)校正的基于CS方法的識(shí)別結(jié)果，rsvml為未經(jīng)過(guò)姿態(tài)校正的基于SVM方法的識(shí)別結(jié)果，rsvm2為經(jīng)過(guò)姿態(tài)校正的基于SVM方法的識(shí)別結(jié)果。當(dāng)出現(xiàn)三種結(jié)果不一致時(shí)，根據(jù)每種算法對(duì)訓(xùn)練樣本的識(shí)別準(zhǔn)確率作為先驗(yàn)知識(shí)進(jìn)行判別，即
[0078]r = MaxiF,匕，PksvJ 式⑶；
[0079]式中G為采用CS方法進(jìn)行識(shí)別時(shí)識(shí)別結(jié)果為第i類的概率P ,為基于未經(jīng)校正的樣本采用SVM方法進(jìn)行識(shí)別時(shí)識(shí)別結(jié)果為第j類的概率，Ρ^2為基于經(jīng)校正的樣本采用SVM方法進(jìn)行識(shí)別時(shí)識(shí)別結(jié)果為第k類的概率。
【權(quán)利要求】
1.基于CS和SVM決策級(jí)融合的SAR圖像目標(biāo)識(shí)別方法，其特征在于該方法的具體步驟是: 步驟(I).預(yù)處理 1.1方位角的標(biāo)記 對(duì)MSTAR數(shù)據(jù)庫(kù)中的訓(xùn)練樣本中7類的方位角進(jìn)行手工標(biāo)記，并與圖像的索引建立一種映射關(guān)系； 1.2去噪、濾波 對(duì)原圖進(jìn)行裁剪，讀取以圖像中心點(diǎn)為中心的61X61圖像區(qū)域，然后進(jìn)行小波變換和均值濾波處理，以達(dá)到去噪的目的； 步驟(2).分類器模型設(shè)計(jì) .2.1建立壓縮感知模型和基于壓縮感知分類 .2.1.1模型建立 在訓(xùn)練樣本中，選取第i類目標(biāo)的Iii張圖像，將第j張圖像進(jìn)行預(yù)處理，然后將圖像的信息存放在一個(gè)列向量里來(lái)構(gòu)成Ai的第j列Vu，得到一個(gè)過(guò)完備字
A [八1 ;...;...;Ak] [Vl，l，...，Vl，nl ;....;Vi，l，...，Vi，j，...，Vi，ni ;...;Vk’i，…，Vk,nk] (mXn)； 其中Ai表示由第i類目標(biāo)所有圖像的信息，Viij表示第i類目標(biāo)第j張圖像的信息 給定測(cè)試圖像y表示為 y = Ax0 式(I)；
其中Xfl — [O,.._,O,…,GeiA,Gti 2，…,Cii j 1...，t^i n,,O,…,()]_ I a i，」為頭數(shù)；x。是稀疏系數(shù)，X0中只有與第i類目標(biāo)相對(duì)應(yīng)的值為非零，其它值均為零；用I1范數(shù)求解Xtl，表達(dá)如下:
(P1) mini I Xci I I1 subject to y = Axci 式(2); 上式為壓縮感知的優(yōu)化重建問(wèn)題，可求出稀疏解X。； .2.1.2基于壓縮感知分類、姿態(tài)矯正 在得到一個(gè)測(cè)試圖像y時(shí)，用壓縮感知模型得到一個(gè)稀疏解xo — [O，…,O，…,h I ai,2,…，aij，…,aiJh，…，0，…，O];米用最近鄰方法找出分類結(jié)果；對(duì)于弟i類目標(biāo)，定義函數(shù)肥對(duì)于xueir，4(xu)eir是系數(shù)向量，即?中僅與第i類目標(biāo)相對(duì)應(yīng)的值保持不變，其它值都賦值為零；定義殘差ri(y)
T1 (y) = I I y-A δ j (χ0) I 12 式(3); 殘差值最小意味著測(cè)試圖像與樣本最接近，通過(guò)求解的殘差最小值來(lái)判斷類別；則測(cè)試圖像I的所在類別s可由式子(4)判斷:
s = identity{y) = argmin{/-丨(V),...,r^y),…,7】(y)j 式⑷.2.2選擇支持向量機(jī)模型參數(shù) 核函數(shù)采用徑向基核函數(shù)；徑向基核函數(shù)的重要參數(shù)懲罰因子C和Y由交叉驗(yàn)證和網(wǎng)格參數(shù)尋優(yōu)方法訓(xùn)練得到，最優(yōu)結(jié)果為C取值32和Y取值0.5;已校正和未校正的訓(xùn)練樣本，采用SVM方法訓(xùn)練得到兩個(gè)分類模型，然后用這兩個(gè)分類模型得到兩個(gè)分類結(jié)果； 步驟(3).姿態(tài)校正 利用訓(xùn)練樣本構(gòu)造字典后，利用壓縮感知模型進(jìn)行優(yōu)化求解時(shí)，可根據(jù)獲得稀疏解判斷與之最相近的訓(xùn)練樣本，即稀疏解Xtl的最大值位置t處表明測(cè)試樣本與該訓(xùn)練樣本最相似: i = argmax(.v0) 式⑶；
J 此時(shí)可利用該訓(xùn)練樣本的姿態(tài)信息對(duì)測(cè)試圖像進(jìn)行姿態(tài)校正； 步驟(4).決策級(jí)融合 采用投票法對(duì)CS方法和SVM方法識(shí)別的三種結(jié)果進(jìn)行決策級(jí)融合，即 r = MajorityVote (rcs, rsvml, rsvm2) 式(6)； 式中res為基于CS方法的識(shí)別結(jié)果，rsvml為未經(jīng)過(guò)姿態(tài)校正的基于SVM方法的識(shí)別結(jié)果，rsvm2為經(jīng)過(guò)姿態(tài)校正的基于SVM方法的識(shí)別結(jié)果；當(dāng)出現(xiàn)三種結(jié)果不一致時(shí)，根據(jù)每種算法對(duì)訓(xùn)練樣本的識(shí)別準(zhǔn)確率作為先驗(yàn)知識(shí)進(jìn)行判別，即r = MaxiP', Pj ',Pk J 式(J)；
CS svm\7 svmZv ;， 式中為采用CS方法進(jìn)行識(shí)別時(shí)識(shí)別結(jié)果為第i類的概率，/^1為基于未經(jīng)校正的樣本采用SVM方法進(jìn)行識(shí)別時(shí)識(shí)別結(jié)果為第j類的概率，Zi2為基于經(jīng)校正的樣本采用SVM方法進(jìn)行識(shí)別時(shí)識(shí)別結(jié)果為第k類的概率。
【文檔編號(hào)】G06K9/66GK104134076SQ201410328277
【公開(kāi)日】2014年11月5日 申請(qǐng)日期:2014年7月10日 優(yōu)先權(quán)日:2014年7月10日
【發(fā)明者】谷雨, 張琴, 彭冬亮, 陳華杰 申請(qǐng)人:杭州電子科技大學(xué)