CN108226892B - 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 - Google Patents
一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 Download PDFInfo
- Publication number
- CN108226892B CN108226892B CN201810259647.4A CN201810259647A CN108226892B CN 108226892 B CN108226892 B CN 108226892B CN 201810259647 A CN201810259647 A CN 201810259647A CN 108226892 B CN108226892 B CN 108226892B
- Authority
- CN
- China
- Prior art keywords
- radar
- image
- noise
- training
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于深度学习的复杂噪声环境下的雷达信号恢复方法,包括:雷达仿真数据集的构建;网络模型的构建:利用深度学习中的生成对抗网络实现噪声环境下的自适应雷达信号恢复,生成对抗网络由两个部分构成,分别是判别器和生成器,利用稠密连接卷积神经网络来构成判别器和生成器;生成对抗网络的训练:将五种信噪比环境下的五组仿真雷达时频图像进行混合,生成训练数据,对生成对抗网络进行训练;利用生成对抗网络对实测雷达图像进行信号恢复。
Description
技术领域
本发明属于雷达图像处理、信号处理、域自适应与深度学习领域,涉及基于多普勒雷达数据的信号处理和人体探测等相关应用。
背景技术
微多普勒雷达在军事领域素来有着很广泛的用途,扮演着至关重要的角色。在雷达中,探测目标的运动速度通常是远远小于光速,因此认为电磁波来回传播距离为目标与雷达距离的两倍,雷达通过接收之前发出的电磁波的时间可以实现目标物体的测距;另外目标物体存在运动的情况下,根据多普勒效应可以计算出目标物体运动或者微动造成的多普勒频移,从而获得目标物体的速度信息。以上分析针对目标物体看作质点的情况,而当目标物体存在多个散点时,将产生不同的多普勒频移信号进行整合分析,就是微多普勒雷达的工作原理。
利用雷达信息进行探测和识别相比于利用视觉信息有着得天独厚的优势:利用雷达进行目标检测并不受光照和天气的影响,可以实现全天候二十四小时的监测;随着集成电路的发展雷达也越来越集成化和便携化;另外雷达信号可以穿透一定的遮挡,可以实现远距离检测,这些优势都是基于视觉的方法所不具备的。因此雷达逐渐被应用到越来越多的领域中去。譬如在军事领域中雷达可以实现全天候无死角敌情检测,在巷战中雷达可以实现穿墙检测敌人;在安保活动中雷达可以实现人群监控以及疑犯追踪;在民用领域中多普勒雷达还经常用于气象探测、车载行人检测以及人体动作识别等。
但是在实际的探测情况中,由于被测目标距离雷达较远,被测目标反射回波强度很弱,或者环境中存在较多的运动干扰,例如水浪、行人和风等,得到的雷达信号中往往包含许多噪声,这些噪声会将有用的被测目标的运动信号淹没。而基于多普勒雷达的应用大多依靠雷达时频图像,对其进行特征提取,包括谱图的上下包络、带宽以及躯干运动速度曲线等等,然后利用机器学习或深度学习算法对提取的特征进行分析,实现相关应用。主信号淹没于噪声中的的雷达时频图像会严重干扰雷达时频图像中有效特征的提取,对目标的分析和识别造成困难。
近几年深度学习在计算机视觉、数据科学以及模式识别等领域中掀起了研究热潮。深度学习利用人工神经网络(Artificial Neural Network,ANN)对问题进行复杂建模,并将网络中添加非线性单元以提高模型的泛化性能,网络利用反向回传(BackPropagation,BP)进行训练和优化。深度学习凭借其自动学习特征的能力在图像处理、图像分类以及目标检测等领域取得了显著成就。而随着深度学习领域的发展,越来越多新式网络被提出。生成对抗网络(Generative Adversarial Networks,GAN)是深度学习中的一种半监督学习的生成式模型,原理依赖博弈论中的二元零和博弈,通过两个子网络的对抗式的训练实现生成模型的建模,被广泛用于图像处理、图像风格转换和图像修复。而基于深度学习的算法需要大量多样化的训练数据的支撑,当前并没有公开的多普勒雷达数据库,因此实际雷达图像的应用受到了种种限制。
[1]Goodfellow I J,Pouget-Abadie J,Mirza M,et al.GenerativeAdversarial Networks[J].Advances in Neural Information Processing Systems,2014,3:2672-2680.
[2]Huang G,Liu Z,Laurens van der Maaten,et al.Densely ConnectedConvolutional Networks[J].2016.
[3]Kim Y,Ling H.Human Activity Classification Based on Micro-DopplerSignatures Using a Support Vector Machine[J].IEEE Transactions on Geoscience&Remote Sensing,2009,47(5):1328-1337.pics
发明内容
本发明的目的是提供一种自适应的雷达信号恢复方法,利用仿真雷达时频图像训练一个能够自适应去除不同信噪比环境下噪声的深度学习网络,并将其迁移到实测雷达时频图像中,完成雷达信号的恢复。技术方案如下:
一种基于深度学习的复杂噪声环境下的雷达信号恢复方法,包括下列步骤:
(1)雷达仿真数据集的构建:选取动作捕捉数据库作为雷达仿真数据的来源,对人体的主要关节点进行椭球形建模,利用公式计算出人体各部分的雷达反射信号;对雷达反射信号中加入不同能量的高斯白噪声,并对信号进行短时傅立叶变换生成雷达时频图像,主信号淹没于噪声中的雷达图像和不含噪声的图像就构建成一个雷达时频图像对,构建出五种信噪比环境下的人体动作的雷达仿真数据集,分别为0dB,10dB,20dB,-10dB,-20dB,并挑选训练数据和测试数据;
(2)实测雷达数据集的构建:利用超宽带雷达模块作为雷达传感器,连接两个定向天线进行实测雷达数据的采集,在室内高信噪比环境下对五个被测目标的七种运动状态:跑步、跳跃、行走、拳击、踱步、爬行以及站立进行多组采集。将采集的雷达信号进行短时傅立叶变换生成雷达时频图像,并加入不同能量的高斯白噪声,与原图构成实测雷达图像对,构建实测雷达数据集;
(3)网络模型的构建:利用深度学习中的生成对抗网络实现噪声环境下的自适应雷达信号恢复,生成对抗网络由两个部分构成,分别是判别器和生成器,利用稠密连接卷积神经网络来构成判别器和生成器,判别器的输入是由含噪声图像和不含噪声图像对连接而成的六通道图像,其输出是对图像对的判别标签,标签‘1’代表图像对中的不含噪声的雷达时频图像来自外部数据,标签‘0’代表图像对中不含噪声的雷达时频图像来自于生成器的输出;判别器旨在对输入图像进行正确判别:判断图像或图像对是来自于真实数据还算生成自生成器;生成器的输入是含有噪声的雷达图像,输出是经过处理后的雷达图像,处理后的图像中噪声成分减少,被测目标的运动信号被恢复出来,生成器旨在实现雷达信号的恢复,生成与真实数据相似的图像,以至于判别器无法做出正确判断;
(4)生成对抗网络的训练:将五种信噪比环境下的五组仿真雷达时频图像进行混合,生成训练数据,对生成对抗网络进行训练,每个训练周期按照随机顺序把所有雷达图像对依次输入到网络进行训练,每次数据的输入从训练数据集随机选取32个图像对进行输入,每次训练包含对判别器和生成器两部分的交替训练,实现两个网络的权重迭代更新,最终达到收敛,其中判别器的训练选取二元互熵损失函数作为目标函数进行优化,生成器的训练选取均方误差MSE和二元互熵损失函数进行加权平均作为目标函数进行优化;
(5)利用生成对抗网络对实测雷达图像进行信号恢复。网络的训练完成后,将实测雷达数据集中挑选出的图像对输入到对抗生成网络中的生成器中,输出经过信号恢复的雷达图像,然后计算恢复图像与不含噪声的雷达图像之间的峰值信噪比衡量信号恢复效果。
本发明利用深度学习算法中的生成对抗网络实现了低信噪比环境下的多普勒雷达信号的恢复,针对雷达数据获得为困难的条件,本发明通过多种信噪比环境下的仿真雷达混合数据实现生成对抗网络的训练,并且把模型应用到含有不同噪声的实测雷达数据上,实现能够对多种信噪比环境下的雷达实测信号的自适应恢复。
附图说明
图1人体椭球建模示意图
图2 0dB信噪比下的仿真雷达图像对
(a)跳跃 (b)拳击 (c)爬行 (d)跑步 (e)行走 (f)站立 (g)踱步
图3 0dB信噪比下的实测雷达图像对
(a)跳跃 (b)拳击 (c)爬行 (d)跑步 (e)行走 (f)站立 (g)踱步
图4稠密连接单元的结构
图5生成器的网络结构
图6实测雷达时频图像信号恢复效果图
具体实施方式
为了对本发明做更加详细的讲解和阐述,对实施步骤进行详细描述:
1.雷达仿真数据集的构建。
当前并没有一个含有大量丰富数据的多普勒雷达数据库,由于深度学习算法和机器学习方法需要充足的训练数据进行支撑,因此数据的缺乏为深度学习算法在雷达数据上的应用带来了困难。为了解决这一问题,本发明利用卡耐基梅隆大学(CMU)Graphics Lab实验室的动作捕捉数据库(Motion Capture,MOCAP)作为雷达仿真数据的来源,构建含有大量雷达数据的仿真雷达数据集。MOCAP数据库的采集通过对人体防止红外传感器,利用Vicon动作捕捉系统进行人体运动过程中的动作捕捉,以获取放置红外传感器的人体各个主要关节点的时变空间位置信息,这些信息中包含了构建仿真数据所需的人体运动姿态。MOCAP包含23种分类的2605组实验数据,本发明选取其中的7种动作:跑步、行走、跳跃、站立、拳击、踱步以及爬行,总共包含了63组采集数据
MOCAP运动捕捉数据中包含了人体主要关节点的空间位置轨迹序列,对两个放置传感器的关节点之间进行椭球形建模,即认为两个相邻关节点之间为对称的椭球形状,如公式所示:
其中(x0,y0,z0)表示人体放置传感器的两个节点之间的中点,a,b,c分别代表三个半主轴的长度,且此时a=c。利用经验参数可以知道人体每部分的大致体积,代入到椭球公式中就能求得身体部分的宽度,建模示意图如图1所示。利用经典的雷达回波公式就能根据人体每部分的运动状态求得仿真雷达回波信号:
整个人体就被建模成了多个移动信号散射点的延展,这些散射点就位于每段近似椭球的圆心。每个散射点的回波信号在时域以sinc函数表示,整个人体的回波信号就是每个散射点回波信号的相干求和。显然每个散射点回波信号的相位信息由散射点与接收点的距离得出。
得到仿真雷达回波信号后,把每组数据按照一定的步长进行截取,截取的每段信号中加按照五种不同的信噪比:0dB、10dB、20dB、-10dB、-20dB加入均值为零的高斯白噪声。把含有噪声的信号和不含噪声的信号都进行短时傅立叶变换(Short-Time FourierTransform,STFT)生成时频图像,图像中每个位置的像素值代表了信号能量,横轴代表实践,纵轴代表速度,雷达图像如图2。将不同信噪比的含噪声雷达图像和不含噪声的雷达图像构成五种信噪比下的雷达图像对,每种信噪比中每个动作选取400个图像对作为训练数据,100张作为测试数据,总共构成包含14000个图像对的混合噪声雷达数据集。
2.实测雷达数据集的构建。
为了把利用仿真雷达数据测试的模型应用到实测数据上,本发明利用超宽带雷达模块PulsON 440进行人体运动信号的采集。P400的工作频率在3.1GHz到4.8GHz之间,带宽为1.7GHz。
数据的采集设置在室内环境中,雷达模块P400放置在1.2米的高度上,并装载两个定向天线用以接收信号。实验中选取五位被测目标在雷达径向方向上对上述7种动作进行了4次采集,总共获得73组采集数据。整个采集过程中被测目标在距离雷达1.2米到5.4米的范围内进行运动。每一组采集的信号大约持续时间为7秒钟。
P400雷达模块设置的采样频率为16GHz,多普勒脉冲重复频率(Pulse RecurrenceFrequency,PRF)为368Hz,相干脉冲时间(Coherent Pulse Interval,CPI)为大约0.2秒。
将采集到的信号进行截取,并加入五种信噪比的高斯白噪声,并实施1024点的短时傅立叶变换,生成雷达时频图像对。生成的图像如图3。
从生成的雷达时频图像中,每种信噪比选取较为纯净、包含噪声较少的100张图像对作作为测试数据集,总共包含700个雷达图像对。
3.网络模型的构建。
本发明利用深度学习算法中的生成对抗网络实现噪声环境下的自适应雷达信号恢复。生成对抗网络的设计来源于博弈论中的二元零和博弈,是一种半监督学习的网络模型。生成网络由两个子部分构成,分别是判别器和生成器。本发明中设置判别器和生成器都为卷积神经网络的模型。判别器的输入是由含噪声图像和不含噪声图像对连接而成的六通道图像,其输出是对图像对的判别标签,标签‘1’代表图像对中的不含噪声的雷达时频图像来自外部数据,标签‘0’代表图像对中不含噪声的雷达时频图像来自于生成器的输出。判别器旨在对输入图像进行正确判别:判断图像或图像对是来自于真实数据还算生成自生成器;生成器的输入是含有噪声的雷达图像,输出是经过处理后的雷达图像,处理后的图像中噪声成分减少,被测目标的运动信号被恢复出来。生成器旨在实现雷达信号的恢复,生成与真实数据相似的图像,以至于判别器无法做出正确判断。
本发明采用了近几年效果极佳的卷积神经网络:稠密连接卷积神经网络(DenselyConnected Convolutional Networks,Densenet),并在其基础上进行模型修改以适应雷达信号恢复的任务。网络的结构由Densenet网络中的基本单元稠密连接单元(Dense-block)组成。Dense-block的结构如图4。每个Dense-block由两个卷积层组成,每个卷积层后连接非线性运算单元(Rectified Linear Units,ReLu)作为激活层和批归一化层(BatchNormalization,BN)用来进行梯度归一化,防止梯度爆炸问题。第一层卷积层是卷积核1×1的实现,第二层卷积层是3×3的卷积核,每个dense-block将输入和第二层卷积层的输出进行连接操作作为整个单元的输出从而实现特征的重复利用。
整个网络由126层卷积层构成,前三层分别是7×7、4×4和4×4卷积核的卷积层,用于增大感受野和实现下采样;然后连接总共58个dense-block,在第10层、第23层、第48层和第123层为1×1的卷积层用以降低特征图的通道数目。网络的最后去掉用于分类的全连接层,加入三层卷积层,其参数与前三层一致,构成卷积-反卷积的对称结构,保持输出图像的尺寸不变。生成器的网络结构如图5。
生成对抗网络中的判别网络由5个卷积核尺寸为4×4,卷积步长为1的卷积层堆叠而成。
4.生成对抗网络的训练。
本文将五种信噪比环境下的五组仿真雷达时频图像对进行混合,生成一个含有14000个雷达图像对的数据集,作为训练数据。利用混合噪声的训练数据集对生成对抗网络进行训练。把这14000个图像对不重复地输入到网络中进行训练的一个完整过程定义为一个训练周期。训练过程总共包含150个训练周期,在每个训练周期内图像对并非单张输入到网络进行训练而是按照一定的批次大小将多个数据输入到网络内,没次从训练数据集中随机选取本次尚未输入到网络进行训练的32个雷达图像对进行网络的训练。每次训练包含对判别器和生成器两部分的交替训练,实现两个网络的权重迭代更新,最终达到收敛。
相比于生成器,判别器的训练次序要在前,因为判别器的作用是为生成器充当其中一个损失函数,因此判别器要比生成器训练地更加充分从而为生成器的收敛提供正确的目标。判别器的输入是雷达图像对连接而成的6通道图像,输出是对输入图像对的判别标签,标签‘1’代表图像对来自于真实数据,标签‘0’代表图像对来自于生成器的输出。图像输入到判别器,进行卷积层、激活层和批归一化层的操作后输出标签,将输出与图像的实际标签做二元互熵损失:
式中oi代表第图像对的实际标签,ti代表第i个图像对的输出判别标签。若图像对中不含噪声图像是来自外数据集中,则自带标签为‘1’;若图像来自于生成器的输出,则自带标签为‘0’。判别器的一次训练过程分为两步,分别对标签为‘1’的数据集中的数据和标签为‘0’的生成器输出的图像进行训练。计算得的损失函数值Ek计算出参数梯度,利用反向回传算法(Back Propagation,BP)进行网络中权重的迭代更新。
ωhj:=ωhj+Δωhj
其中Ek是求得的损失函数值,ωhj是网络中两层卷积层之间前层第h个节点对后一层第j个节点的权重,bh是前层第h个节点的偏置,η是迭代的学习率,学习率决定了每次参数更新的步长,η越大表示每次迭代过程中参数更新的幅度越大。学习算法有时候会陷入局部最优的问题,于是在实际应用中往往使用随机梯度下降的策略,保证即使陷入局部最小值,计算出的梯度仍然可能为零,从而跳出局部最优问题继续迭代。
每个训练过程中,判别器进行迭代完成后就充当损失函数的作用以支持生成器的训练。生成器的输入是含有噪声的雷达图像,输出是经过信号恢复的雷达图像。每次训练过程中随机选取32张雷达图像输入到判别器中,输出得到的信号恢复的雷达图像进行两种损失函数的计算:均方误差损失和二元互熵损失。均方误差损失定义如下:
将输出的信号恢复图像与输入图像计算均方误差损失,记为L2;将输出的信号恢复图像和噪声下的图像连接成6通道图像输入到判别器中,将判别器输出的标签与标签‘1’做二元互熵损失,记为LB,将两种损失做加权平均后的联合损失利用BP算法进行迭代和参数更新,其中L2的权重为100,LB的权重为1。
5.利用生成对抗网络对实测雷达图像进行信号恢复
训练完成的网络对于任意信噪比环境下的雷达图像都可以实现被测目标信号的恢复。经过训练的生成对抗网络中的生成器承担雷达图像的信号恢复任务。将生成器的权重参数加载到网络中,然后把噪声下的雷达图像读取,并归一化至0到1之间,输入到生成器中。生成器输出一个三通道双精度浮点型矩阵,将矩阵归一化至1到255之间转换为图像格式,生成的图像就是信号恢复后的雷达图像。
本发明通过计算恢复图像和不含噪声图像之间的峰值信噪比(Peak Signal toNoise Ratio,PSNR)衡量信号恢复效果。并选择经典的噪声去除算法:Block-matching and3D filtering(BM3D),基于小波的去噪方法(Wavelet)以及双边滤波(Bilateral filter)作为对比算法进行对比。仿真雷达数据集上的效果如表1,实测雷达数据集上的效果如表2。最终实测雷达图像信号恢复的效果如图6。
表1
表2
Claims (1)
1.一种基于深度学习的复杂噪声环境下的雷达信号恢复方法,包括下列步骤:
(1)雷达仿真数据集的构建:选取动作捕捉数据库作为雷达仿真数据的来源,对人体的主要关节点进行椭球形建模,利用公式计算出人体各部分的雷达反射信号;对雷达反射信号中加入不同能量的高斯白噪声,并对信号进行短时傅立叶变换生成雷达时频图像,主信号淹没于噪声中的雷达图像和不含噪声的图像就构建成一个雷达时频图像对,构建出五种信噪比环境下的人体动作的雷达仿真数据集,分别为0dB,10dB,20dB,-10dB,-20dB,并挑选训练数据和测试数据;
(2)实测雷达数据集的构建:利用超宽带雷达模块作为雷达传感器,连接两个定向天线进行实测雷达数据的采集,在室内高信噪比环境下对五个被测目标的七种运动状态:跑步、跳跃、行走、拳击、踱步、爬行以及站立进行多组采集,将采集的雷达信号进行短时傅立叶变换生成雷达时频图像,并加入不同能量的高斯白噪声,与原图构成实测雷达图像对,构建实测雷达数据集;
(3)网络模型的构建:利用深度学习中的生成对抗网络实现噪声环境下的自适应雷达信号恢复,生成对抗网络由两个部分构成,分别是判别器和生成器,利用稠密连接卷积神经网络来构成判别器和生成器,判别器的输入是由含噪声图像和不含噪声图像对连接而成的六通道图像,其输出是对图像对的判别标签,标签‘1’代表图像对中的不含噪声的雷达时频图像来自外部数据,标签‘0’代表图像对中不含噪声的雷达时频图像来自于生成器的输出;判别器旨在对输入图像进行正确判别:判断图像或图像对是来自于真实数据还是生成自生成器;生成器的输入是含有噪声的雷达图像,输出是经过处理后的雷达图像,处理后的图像中噪声成分减少,被测目标的运动信号被恢复出来,生成器旨在实现雷达信号的恢复,生成与真实数据相似的图像;
(4)生成对抗网络的训练:将五种信噪比环境下的五组仿真雷达时频图像进行混合,生成训练数据,对生成对抗网络进行训练,每个训练周期按照随机顺序把所有雷达图像对依次输入到网络进行训练,每次数据的输入从训练数据集随机选取32个图像对进行输入,每次训练包含对判别器和生成器两部分的交替训练,实现两个网络的权重迭代更新,最终达到收敛,其中判别器的训练选取二元互熵损失函数作为目标函数进行优化,生成器的训练选取均方误差MSE和二元互熵损失函数进行加权平均作为目标函数进行优化;
(5)利用生成对抗网络对实测雷达图像进行信号恢复:网络的训练完成后,将实测雷达数据集中挑选出的图像对输入到生成对抗网络中的生成器中,输出经过信号恢复的雷达图像,然后计算恢复图像与不含噪声的雷达图像之间的峰值信噪比衡量信号恢复效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259647.4A CN108226892B (zh) | 2018-03-27 | 2018-03-27 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259647.4A CN108226892B (zh) | 2018-03-27 | 2018-03-27 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108226892A CN108226892A (zh) | 2018-06-29 |
CN108226892B true CN108226892B (zh) | 2021-09-28 |
Family
ID=62659131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810259647.4A Active CN108226892B (zh) | 2018-03-27 | 2018-03-27 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108226892B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728626A (zh) * | 2018-07-16 | 2020-01-24 | 宁波舜宇光电信息有限公司 | 图像去模糊方法和装置及其训练 |
CN109255762A (zh) * | 2018-08-27 | 2019-01-22 | 国网天津市电力公司 | 一种基于深度学习的输电线路航拍照片去噪方法及照片和应用 |
CN110879254B (zh) * | 2018-09-05 | 2021-09-17 | 哈尔滨工业大学 | 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 |
CN109284280B (zh) | 2018-09-06 | 2020-03-24 | 百度在线网络技术(北京)有限公司 | 仿真数据优化方法、装置及存储介质 |
CN111090269B (zh) * | 2018-10-24 | 2023-06-09 | 百度在线网络技术(北京)有限公司 | 基于生成对抗网络的传感器模拟方法、装置和存储介质 |
EP3644565A1 (en) * | 2018-10-25 | 2020-04-29 | Nokia Solutions and Networks Oy | Reconstructing a channel frequency response curve |
CN109801230B (zh) * | 2018-12-21 | 2022-08-26 | 河海大学 | 一种基于编码器结构的图像修复方法 |
CN109523018B (zh) * | 2019-01-08 | 2022-10-18 | 重庆邮电大学 | 一种基于深度迁移学习的图片分类方法 |
CN109948532A (zh) * | 2019-03-19 | 2019-06-28 | 桂林电子科技大学 | 基于深度卷积神经网络的超宽带雷达人体动作识别方法 |
CN110009013B (zh) * | 2019-03-21 | 2021-04-27 | 腾讯科技(深圳)有限公司 | 编码器训练及表征信息提取方法和装置 |
CN110189282A (zh) * | 2019-05-09 | 2019-08-30 | 西北工业大学 | 基于密集和跳跃连接深度卷积网络的多光谱和全色图像融合方法 |
US20220244354A1 (en) * | 2019-05-31 | 2022-08-04 | Nolimits Enterprises, Inc. | Artificial intelligence for the classification of signals for radar detectors |
CN113012709B (zh) * | 2019-12-20 | 2023-06-30 | 北京声智科技有限公司 | 一种回声消除方法及装置 |
CN111340901B (zh) * | 2020-02-19 | 2023-08-11 | 国网浙江省电力有限公司 | 基于生成式对抗网络的复杂环境下输电网图片的压缩方法 |
CN111812599B (zh) * | 2020-06-23 | 2023-11-07 | 南京航空航天大学 | 博弈条件下基于低截获性能的组网雷达最优波形设计方法 |
CN111856419A (zh) * | 2020-07-30 | 2020-10-30 | 重庆市计量质量检测研究院 | 一种基于超宽带雷达室内定位仿真模拟方法 |
CN112099014B (zh) * | 2020-08-24 | 2023-08-22 | 广东工业大学 | 一种基于深度学习的道路毫米波噪声模型检测估计方法 |
CN111800811B (zh) * | 2020-09-08 | 2020-12-08 | 中国人民解放军国防科技大学 | 一种频谱异常的无监督检测方法、装置、设备及存储介质 |
CN112882009B (zh) * | 2021-01-12 | 2022-04-19 | 西安电子科技大学 | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 |
CN112767377B (zh) * | 2021-01-27 | 2022-07-05 | 电子科技大学 | 一种级联医学图像增强方法 |
CN113096673B (zh) * | 2021-03-30 | 2022-09-30 | 山东省计算中心(国家超级计算济南中心) | 基于生成对抗网络的语音处理方法及系统 |
CN114510959B (zh) * | 2021-12-21 | 2024-09-20 | 中国人民解放军战略支援部队信息工程大学 | 低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法及系统 |
CN114301749B (zh) * | 2021-12-27 | 2024-02-13 | 杭州电子科技大学 | 一种基于生成对抗网络的信号抗干扰方法 |
CN114870364B (zh) * | 2022-04-19 | 2023-12-19 | 深圳市华屹医疗科技有限公司 | 健身器械控制方法、健身器械及存储介质 |
CN115097398B (zh) * | 2022-07-01 | 2024-08-23 | 西安电子科技大学 | 基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法 |
CN115310488A (zh) * | 2022-08-16 | 2022-11-08 | 哈尔滨工业大学 | 基于生成式对抗神经网络的地震动记录滤波方法 |
CN115760603A (zh) * | 2022-11-08 | 2023-03-07 | 贵州大学 | 一种基于大数据技术的干涉阵列宽带成像方法 |
CN115494455B (zh) * | 2022-11-18 | 2023-05-19 | 湖南赛能环测科技有限公司 | 一种自适应风雷达信号抗干扰处理方法 |
CN116430347B (zh) * | 2023-06-13 | 2023-08-22 | 成都实时技术股份有限公司 | 一种雷达数据采集与存储方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169435A (zh) * | 2017-05-10 | 2017-09-15 | 天津大学 | 一种基于雷达仿真图像的卷积神经网络人体动作分类方法 |
CN107463966A (zh) * | 2017-08-17 | 2017-12-12 | 电子科技大学 | 基于双深度神经网络的雷达一维距离像目标识别方法 |
CN107464210A (zh) * | 2017-07-06 | 2017-12-12 | 浙江工业大学 | 一种基于生成式对抗网络的图像风格迁移方法 |
WO2017223560A1 (en) * | 2016-06-24 | 2017-12-28 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154023B (zh) * | 2017-05-17 | 2019-11-05 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN107133934B (zh) * | 2017-05-18 | 2020-03-17 | 北京小米移动软件有限公司 | 图像补全方法及装置 |
CN107633513B (zh) * | 2017-09-18 | 2021-08-17 | 天津大学 | 基于深度学习的3d图像质量的度量方法 |
-
2018
- 2018-03-27 CN CN201810259647.4A patent/CN108226892B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017223560A1 (en) * | 2016-06-24 | 2017-12-28 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
CN107169435A (zh) * | 2017-05-10 | 2017-09-15 | 天津大学 | 一种基于雷达仿真图像的卷积神经网络人体动作分类方法 |
CN107464210A (zh) * | 2017-07-06 | 2017-12-12 | 浙江工业大学 | 一种基于生成式对抗网络的图像风格迁移方法 |
CN107463966A (zh) * | 2017-08-17 | 2017-12-12 | 电子科技大学 | 基于双深度神经网络的雷达一维距离像目标识别方法 |
Non-Patent Citations (1)
Title |
---|
"Generative Adversarial Network-Based";Puyang Wang 等;《2017 IEEE 7th International Workshop on Computational Advances in Multi-Sensor Adaptive Processing》;20171231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108226892A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108226892B (zh) | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 | |
CN108492258B (zh) | 一种基于生成对抗网络的雷达图像去噪方法 | |
Yang et al. | Dense people counting using IR-UWB radar with a hybrid feature extraction method | |
CN104820993B (zh) | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 | |
Haykin et al. | Modular learning strategy for signal detection in a nonstationary environment | |
CN108509910A (zh) | 基于fmcw雷达信号的深度学习手势识别方法 | |
Alnujaim et al. | Generative adversarial networks to augment micro-doppler signatures for the classification of human activity | |
CN110647788B (zh) | 一种基于微多普勒特征的人类日常行为分类方法 | |
CN108898066B (zh) | 一种基于生成式对抗网络的人体运动检测方法 | |
Janakaraj et al. | STAR: Simultaneous tracking and recognition through millimeter waves and deep learning | |
CN113341392A (zh) | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 | |
CN116338684A (zh) | 基于毫米波雷达与深度学习的人体跌倒检测方法及系统 | |
Kim et al. | A study on 3D human pose estimation using through-wall IR-UWB radar and transformer | |
Alkasimi et al. | Geolocation tracking for human identification and activity recognition using radar deep transfer learning | |
Tang et al. | Learning from natural noise to denoise micro-doppler spectrogram | |
Fioranelli et al. | Multistatic human micro-doppler classification with degraded/jammed radar data | |
Zhu et al. | Multi-angle recognition of vehicles based on carrier-free UWB sensor and deep residual shrinkage learning | |
CN115390058A (zh) | 基于微多普勒特征的单通道超宽带雷达人体姿态估计方法 | |
CN109541567A (zh) | 基于深度学习的高速机动目标检测方法 | |
CN114584924A (zh) | 一种智能无人值守传感器系统及目标识别方法 | |
CN113421281A (zh) | 一种基于分割理论的行人微动部位分离方法 | |
CN112666528A (zh) | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 | |
Kretzschmar et al. | Removal of bird-contaminated wind profiler data based on neural networks | |
Pouresmaeil et al. | Human Identification Based on Micro-Doppler Images Using Residual Networks | |
CN111144316A (zh) | 基于堆栈自编码器的海面目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |