CN109709540B - 一种mimo人体雷达信号通道选择方法 - Google Patents
一种mimo人体雷达信号通道选择方法 Download PDFInfo
- Publication number
- CN109709540B CN109709540B CN201811554093.7A CN201811554093A CN109709540B CN 109709540 B CN109709540 B CN 109709540B CN 201811554093 A CN201811554093 A CN 201811554093A CN 109709540 B CN109709540 B CN 109709540B
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- signal channel
- channel
- power spectrum
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种MIMO人体雷达信号通道选择方法,用于根据MIMO人体雷达每个信号通道接收到的人体反射后的雷达信号数据,对每个信号通道的时频域信噪比进行计算,根据每个信号通道的时频域信噪比选择MIMO人体雷达有效信号通道;本发明提供的MIMO人体雷达信号通道选择方法首次将时频域微多普勒特性引入MIMO生物雷达人体运动信号通道评价与分选中,可靠性更强,优劣区分度更高。
Description
技术领域
本发明涉及MIMO人体雷达信号处理方法,具体涉及一种MIMO人体雷达信号通道选择方法。
背景技术
多输入多输出(Multiple-input and multiple-output MIMO))生物雷达一种新型的非接触多视角生命探测技术,除具有传统生物雷达穿透一定厚度的非金属介质(砖墙、废墟等)、远距离、非接触探测的性能外,还能够提供多视角多方位信息,逐渐应用于运动人体目标的非接触穿透探测和运动特征识别及分类,在反恐处突、人质解救、城市巷战,边防安保和灾后搜救等场合具有重要应用价值。
由于运动目标所处位置随机,目标运动方向与雷达视线相对随机及雷达主瓣、旁瓣影响,MIMO雷达在带来多视角多信号通道信息的同时,同时也很容易形成诸多劣质信号通道和冗余信号通道。这些信号通道往往不包含或只包含少量目标运动特性表征的微多普勒信息,却包含大量的噪声和杂波。这些不良信号通道很容易对后期基于多信号通道信号的人体目标成像或运动状态综合识别分类的应用造成严重影响,降低成像质量和分类识别准确率。同时,这些不良信号通道很大程度上的增加了计算负担,影响各种处理速度,增大处理时间,因此需要从所有的信号通道中选择出有效信号通道。
目前,关于人体运动MIMO人体雷达信号通道选择方法中通常采用时域信噪比(signal-noise-ratio,SNR)作为选择参数选择出有效信号通道,然而对于运动幅度较大的人体运动信号,各通道时域SNR并无显著性差异,造成信号通道的选择准确率低,从而使得雷达数据的处理效率降低。
发明内容
本发明的目的在于提供一种MIMO人体雷达信号通道选择方法,用以解决现有技术中信号通道的选择准确率低,从而使得雷达数据的处理效率低等问题。
为了实现上述任务,本发明采用以下技术方案:
一种MIMO人体雷达信号通道选择方法,根据MIMO人体雷达每个信号通道接收到的人体反射后的雷达信号数据,对每个信号通道的时频域信噪比进行计算,根据每个信号通道的时频域信噪比选择MIMO人体雷达有效信号通道,所述的方法按照以下步骤执行:
步骤1、根据每个信号通道接收到的人体反射后的雷达信号数据,获得每个信号通道的时频谱;
步骤2、根据每个信号通道的时频谱,获得每个信号通道的时频功率谱,所述的时频功率谱为由多个三维点组成;
步骤3、对每个信号通道的时频功率谱中所有的三维点进行分类,获得有效成分功率谱以及杂波成分功率谱,按照以下步骤执行:
步骤3.1、在所有的三维点中选取功率大于阈值功率的多个三维点组成有效成分功率谱;
其中所述的阈值功率为T倍的每个信号通道的时频功率谱中所有三维点功率的最大值,单位为W,其中T为阈值系数,0<T≤1;
步骤3.2、在所有的三维点中除去组成有效成分功率谱的多个三维点,其余所有的三维点组成杂波成分功率谱;
步骤4、求取每个信号通道的有效成分功率谱中所有三维点功率的平均值,获得每个信号通道的有效成分功率谱的平均功率,单位为W;
求取每个信号通道的杂波成分功率谱中所有三维点功率的平均值,获得每个信号通道的杂波成分功率谱的平均功率,单位为W;
步骤5、利用每个信号通道的有效成分功率谱的平均功率除以每个信号通道的杂波成分功率谱的平均功率,获得每个信号通道的时频域信噪比,单位为dB;
步骤6、根据所有信号通道的时频域信噪比的大小,选择MIMO人体雷达有效信号通道。
进一步地,所述的步骤3中T=0.9。
进一步地,所述的步骤6中根据所有信号通道的时频域信噪比的大小,选择MIMO人体雷达有效信号通道时,将所有信号通道按照时频域信噪比大小升序排列,选择前V个信号通道作为有效信号通道,V为正整数。
进一步地,所述的步骤6中根据所有信号通道的时频域信噪比的大小,选择MIMO人体雷达信号通道时,选择时频域信噪比小于等于信噪比阈值的信号通道作为有效信号通道,其中所述的信噪比阈值SNR'=η×SNRmin,单位为dB,其中,η为时频域信噪比阈值系数,η大于1,SNRmin为所述的步骤5中获得的所有信号通道中时频域信噪比的最小值,单位为dB。
进一步地,所述的η=1.5。
本发明与现有技术相比具有以下技术特点:
1、本发明提供的MIMO人体雷达信号通道选择方法首次将时频域微多普勒特性引入MIMO生物雷达人体运动信号通道评价与分选中,可靠性更强,优劣区分度更高;
2、本发明提供的MIMO人体雷达信号通道选择方法在较广噪声强度范围内均有效,抗造性能更强;
3、本发明提供的MIMO人体雷达信号通道选择方法适用于各种体制MIMO雷达人体运动信号,适用面广。
附图说明
图1为本发明提供的MIMO人体雷达信号通道选择方法的流程图;
图2为本发明的一个实施例中提供的一个信号通道时域原始信号;
图3为基于STFT有效多通道UWB雷达信号分析处理流程图;
图4为本发明的一个实施例中提供的一个信号通道的时频功率谱;
图5为本发明的一个实施例中提供的一个信号通道有效成分功率谱;
图6为本发明的一个实施例中提供的一个信号通道杂波成分功率谱;
图7为本发明的一个实施例中提供的雷达探测运动人体目标场景图;
图8为本发明的一个实施例中提供的人体原地踏步动作MIMO UWB生物雷达多通道原始信号图;
图9为本发明的一个实施例中提供的人体原地踏步信号时频功率谱;
图10为本发明的一个实施例中提供的人体原地踏步信号有效成分功率谱;
图11为本发明的一个实施例中提供的不同噪声强度下MIMO UWB人体原地踏步信号信噪比,(a)传统时域信噪比SNRt;(b)时频域信噪比SNRtf。
具体实施方式
时频谱:提供了时间域与频率域的联合分布信息,原始信号中包含的信息有时间-频率-距离,时频谱是沿着距离方向累加原始信号,获得了只有时间-频率信息的图像。
时频功率谱:功率谱表示了信号功率随着频率的变化情况,即信号功率在频域的分布状况。功率谱表示了信号功率随着频率的变化关系,时频功率谱由时频谱进行快速傅里叶变换以及积分得到,功率谱为三维图像,三个维度分别为时间,频率以及功率。
有效信号通道:在所有雷达信号中噪声和杂波较少的信号通道,可以利用信号通道的信噪比从所有雷达信号中选取有效信号通道。
信噪比:雷达信道中信号与噪声的比值,在探测到有目标的情况下,信噪比越小越好。
时频域信噪比:在时频域内通过计算信号的功率谱获得的信噪比,在时频域中噪声对信号的影响最小,计算得到的信噪比更为准确。
以下是发明人给出的具体实施例,以对本发明提供的技术方案作出进一步地解释说明。
实施例一
在本实施例中公开了一种MIMO人体雷达信号通道选择方法,用于根据MIMO人体雷达每个信号通道接收到的人体反射后的雷达信号数据,对每个信号通道的时频域信噪比进行计算,根据每个信号通道的时频域信噪比选择MIMO人体雷达信号通道。
本发明所提方法适用于各种体制的MIMO雷达信号。
所述的方法按照以下步骤执行:
步骤1、根据每个信号通道接收到的人体反射后的雷达信号数据,获得每个信号通道的时频谱;
在本实施例中,人体雷达为MIMO UWB雷达,人体雷达包括个发射天线、L个接收天线以及K×L个信号通道,K与L均为正整数,因此处于不同探测角度的第k个发射天线发射电磁波,k∈K,电磁波被运动人体反射,第l个接收天线接收被反射的电磁波,l∈L,则第k×l个信号通道的雷达原始回波信号
具体地,对多个信号通道中的第k×l个信号通道的雷达信号数据,进行处理,获得第k×l个信号通道的时频谱的过程包括:
在本实施例中,图2所示为人体原地踏步动作MIMO UWB生物雷达多通道信号中一个通道时域原始信号,记为对人体运动原始回波进行预处理,得到预处理信号Dk,l,所述预处理包括减平均操作和低通滤波操作;低通滤波器窗函数采用汉宁窗,截止频率为80Hz,以保证有用运动信号不被滤除。
步骤1.2、有效距离单元选择,对于步骤一所得的预处理信号Dk,l[M,N],基于能量特征结合人体运动学原理和人体运动UWB雷达信号运动信息分布特性自适应选择UWB雷达信号有效运动特征距离单元,得到有效距离单元矩阵
步骤1.3、有效距离单元时频分析。基于短时傅里叶变换(Short Time FourierTransform,STFT)对步骤1.2所得有效距离单元矩阵中的M′个时间序列分别进行时频分析,最终得到M′个时频矩阵,表示为M′Hk,l(ω,t):
M′Hk,l(ω,t)=(H1(ω,t),…,Hm(ω,t),…,HM′(ω,t))
ω表示频率,t表示时间,Hm(ω,t)表示第m个通道经过STFT时频分析所得的时间-频率矩阵,因此M′Hk,l(ω,t)表示第k×l个信号通道的时间-频率-距离三维图像。
步骤1.4、多距离单元时频谱融合。对步骤1.3所得的时间-频率-距离三维图像沿距离方向进行累积,即可得到表征整个人体运动微多普勒时频特征的第k×l个信号通道的时频谱Hk,l(ω,t)
其中,Hm(ω,t)表示第m个有效距离单元的时间-频率矩阵,ω表示频率,t表示时间。
在本实施例中,获得的第k×l个信号通道的时频谱Hk,l(ω,t)如图3所示。
在本步骤中,采用了《基于多通道HHT的UWB雷达人体运动微多普勒特征提取方法》中的方法,采用基于短时傅里叶变换的综合视频分析方法获得每个信号通道的时频谱。
步骤2、根据每个信号通道的时频谱,获得每个信号通道的时频功率谱,所述的时频功率谱为由多个三维点组成。
在本实施例中,时频功率谱中三维点的X轴坐标为时间,单位为s,Y轴为频率,单位为Hz,Z轴为功率,单位为W;
在本步骤中,对于第k×l个信号通道,求取时频谱Hk,l(ω,t)的时频功率谱|Hk,l(ω,t)|2,其可表示为:
其中,A表示原始信号幅度,α表示短时傅里叶变换中高斯窗函数的参数,ω1表示雷达回波信号频率,ω0表示雷达回波信号频率基值,ω表示频率,t表示时间。
第k×l个信号通道的时频功率谱|Hk,l(ω,t)|2中,功率的最大值为:
在功率最大时,ω=ω1t+ω0。
在本实施例中,获得如图4所示的二维图像形式的时频功率谱|Hk,l(ω,t)|2,图4中横坐标为时间,纵坐标为频率,利用颜色表示功率,浅色越浅,功率越大,在图4中可以看出时频功率谱能够很好地刻画人原地踏步动作的运动特征;
MIMO雷达此通道视角下探测到人体原地踏步动作所形成微多普勒频率范围大概为-25Hz-+25Hz;
低频部分(0-±8Hz)主要来源于速度较低的人体躯干运动,但由于其散射面积大,能量更强;
高频部分(±8Hz-±25Hz)主要来源于速度较高的肢体部件运动,但由于散射面积小,能量较弱;
整个时频图呈现出与原地踏步动作相符合的周期性。
步骤3、对每个信号通道的时频功率谱中所有的三维点进行分类,获得有效成分功率谱以及杂波成分功率谱,按照以下步骤执行:
步骤3.1、在所有的三维点中选取功率大于阈值功率的多个三维点组成有效成分功率谱;
其中所述的阈值功率为T倍的每个信号通道的时频功率谱中所有三维点功率的最大值,单位为W,其中T为阈值系数,0<T≤1;
步骤3.2、在所有的三维点中除去组成有效成分功率谱的多个三维点,其余所有的三维点组成杂波成分功率谱;
在本实施例中,对于第k×l个信号通道的时频功率谱,X轴为时间,Y轴为频率,Z轴为功率,相当于判断时频功率谱中Z轴坐标值的大小,对时频功率谱进行分类,获得有效成分功率谱以及杂波成分功率谱。
在本实施例中,以有效成分功率谱为例,其中表示功率谱中大于阈值功率的多个三维点的X和Y轴的坐标集合,其中(ω,t)表示功率谱中的一个三维点的X-Y轴坐标,|STFTx(ω,t)|2表示在X-Y轴坐标为(ω,t)的三维点功率值(Z轴坐标值),为阈值功率,也就是T倍的每个信号通道的时频功率谱中所有三维点Z轴坐标值的最大值。
在本实施例中,获得的第k×l个信号通道有效成分功率谱的二维图像如图5所示,第k×l个信号通道杂波成分功率谱的二维图像如图6所示。
优选地,所述的步骤3中T=0.9。
在本实施例中,由于人体运动时频谱频率动态范围宽,频率成分功率差异大,通过理论推导和大量实验,以较强抗噪声能力为目标,将阈值系数设为T=0.9。
步骤4、求取每个信号通道的有效成分功率谱中所有三维点功率的平均值,获得每个信号通道的有效成分功率谱的平均功率,单位为W;
求取每个信号通道的杂波成分功率谱中所有三维点功率的平均值,获得每个信号通道的杂波成分功率谱的平均功率,单位为W;
在本实施例中,计算有效成分功率谱中所有三维点Z轴坐标值的平均值即可获得有效成分功率谱的平均功率,也可以采用数学推导的方法计算,以第k×l个信号通道有效成分功率谱的平均值计算过程为例:
则:
通过第k×l个信号通道的时频功率谱减去有效成分功率谱的平均功率的残差求平均,从而得到第k×l个信号通道杂波成分功率谱的平均功率。
反之,也可以先求取杂波成分功率谱的平均功率,再通过第k×l个信号通道的时频功率谱减去杂波成分功率谱的平均功率的残差求平均,获得第k×l个信号通道有效成分功率谱的平均功率。
步骤5、利用每个信号通道的有效成分功率谱的平均功率除以每个信号通道的杂波成分功率谱的平均功率,获得每个信号通道的时频特征信噪比,单位为dB;
在本步骤中,对于第k×l个信号通道,根据有效成分功率谱的平均功率和杂波成分功率谱的平均功率计算基于微多普勒特征的时频域信噪比SNRk,l,从而对本通道有效性、运动微多普勒特征表征性和包含量进行合理评价,其中第k×l个信号通道的时频域信噪比单位为dB。
在本步骤中,能够获得所有信号通道的时频域信噪比。
步骤6、根据所有信号通道的时频域信噪比的大小,选择MIMO人体雷达有效信号通道。
所述的时频域信噪比越小,信号通道的质量越高。
在本步骤中,选取信号通道的方式可以是按照时频域信噪比的大小排序后,选取其中时频域信噪比较小的几个信号通道,也可以是设定一个范围,选取在该范围内的信号通道。
可选地,所述的步骤6中根据所有信号通道的时频域信噪比的大小,选择MIMO人体雷达信号通道时,将所有信号通道按照时频域信噪比大小升序排列,选择前V个信号通道作为有效信号通道,V为正整数。
在本步骤中,在各信号通道均能探测到运动人体目标情况下,将各信号通道对应的时频域信噪比进行排序,从而根据时频域信噪比值进行信号通道评价,信号通道的时频域信噪比值越小,表明通道蕴含运动微多普勒信息越丰富,则信号通道愈良好。
可选地,所述的步骤6中根据所有信号通道的时频域信噪比的大小,选择MIMO人体雷达信号通道时,选择时频域信噪比小于等于时频域信噪比阈值的信号通道为有效信号通道,其中所述的时频域信噪比阈值SNR'=η×SNRmin,单位为dB,其中η为时频域信噪比阈值系数,η大于1,SNRmin为所述的步骤5中获得的所有信号通道中时频域信噪比的最小值,单位为dB。
在本步骤中,通过设置时频域信噪比阈值系数η,以最小时频域信噪比SNRmin为标准,可进行信号通道的分选,即保留时频域信噪比SNR'=η×SNRmin对应的信号通道作为有效信号通道,弱化或抛弃小于阈值的通道。
优选地,所述的η=1.5。
特别说明的是,本发明提供的方法不仅可以应用在对于MIMO CW雷达人体运动信号,本发明方法仍然使用。
实施例二
在本实施例中,对本发明提供的方法的技术效果进行试验验证。
图7所示为MIMO UWB生物雷达探测运动人体目标场景图。本实施例中,MIMO UWB生物雷达系统由2个发射天线、4个接收天线组成天线阵列,形成8个不同视角的探测通道进行运动目标探测。每个天线之间相隔距离为1.0米,2个发射天线、4个接收天线的坐标为:T1(3,0,0)、T2(-3,0,0)、R1(-2,0,0)、R2(-1,0,0)、R3(1,0,0)、R4(2,0,0)。发射波为步进频连续波(steeped frequency continuous wave,SFCW),频率范围为0.5GHz-2.548GHz.步进频率为16MHz,脉冲重复间隔为2.5ns,以上参数设置能够提供足够高的采样频率,从而能够抓捕到人体运动的瞬时微动信息。
为了便于不同探测通道在不同视角下能够探测到差异性更加明显人体运动多通道信号,本实施例中,将原地踏步人体置于偏离雷达系统中心视线方向的位置P(3,1,0)处,运动人体正面与雷达线阵呈90度,后期通过添加不同强度噪声以模拟不同强度噪声环境,原始仿真信号时域信噪比变化范围为-5dB至30dB。
图8所示为人体原地踏步动作MIMO UWB生物雷达多通道原始信号图。从图中可以发现,8个通道时域信号仅表现出很轻微的信号特征差异。并且每个通道中有效距离单元范围信号强度几乎相同。这是因为,即使部分通道由于视角原因仅能探测到少量小散射面积的肢体部件微动信息,但所有通道均可探测到大量大散射面积的躯干运动。然而,小散射面积、运动速度高、部件成分多样的肢体部件运动信息才是表征人体运动特异性的有效特征信息。基于上述分析,采用多通道时域信号特征或常规基于能量特征的信噪比等方法进行人体运动MIMO UWB雷达信号通道评价并不理想。
图9所示为MIMO UWB人体原地踏步信号8通道时频功率谱,其横轴表示时间(s),纵轴表示多普勒频率(Hz)。对比8通道信号相应时频功率谱可以发现,各功率谱之间表现出明显的时频特征差异,形成优秀或不良通道。同时,根据各时频谱表征原地踏步动作的能力和所包含微多普勒成分得多少,可以将8通道时频谱排序如下:通道4>通道3>通道2>通道1>通道8>通道7>通道6>通道5.
同时,如果根据运动人体与雷达阵列的几何关系和雷达波传播与调制机理进行推理分析,上述通道评价结果也与分析结果相符。如通道3和通道4等部分优秀通道包含运动表征能力丰富的时频微多普勒特征,甚至可以分辨出诸多身体部件微动相应的微多普勒特征。但如通道6和通道5等部分通道则几乎仅包含强烈的低频多普勒成分。这些不良通道时频谱很容易在后期动作分类中被误判为身体晃动等动作。
图10所示为MIMO UWB人体原地踏步信号8通道时频功率谱有效表征运动特性微多普勒成分特图。可以发现,基于最优系数阈值T能够有效划分出时频功率谱中有效表征运动特性微多普勒成分和剩余噪声杂波成分。
图11所示为不同噪声强度下MIMO UWB人体原地踏步信号8通道信号信噪比。(a)传统时域信噪比SNRt;(b)时频域信噪比SNRtf。为了验证本发明提出的通道评价方法的有效性和稳定性,本发明通过设置不同强度噪声(-5dB-30dB)环境进行仿真实验。同时为了论证本发明所提方法的优越性,本实施例中同时以传统基于时域能量特征的时域信噪比作为参考方法。
I)本发明提供的信号通道选择方法有效性分析。
图11(a)表示MIMO UWB雷达人体地踏步信号8通道信号传统时域信噪比。可以发现在任何噪声强度情况下,8通道相应时域信噪比值十分混乱,与实际信号通道优劣情况不符。
图11(b)表示MIMO UWB雷达人体地踏步信号8通道信号时频域信噪比。可以发现本发明提出的时频域信噪比能够很好地描述和评价8个通道优劣情况。8通道信号时频域信噪比在不同信噪比强度环境下均保持稳定的规律:SNRtf4<SNRtf3<SNRtf2<SNRtf1<SNRtf8<SNRtf7<SNRtf6<SNRtf5根据上述关于时频域信噪比值与信号优劣情况的论证,此信噪比大小规律即表示:通道4>通道3>通道2>通道1>通道8>通道7>通道6>通道5,这与时频谱分析结果和理论分析结果均一致。
II)本发明提供的信号通道选择方法可行性分析。
观察图11(b)可得,在同一噪声强度下,8通道时频域信噪比之间差异明显,形成显著的通道优劣差异,易于根据阈值进行合理的通道优劣分选。
III)本发明提供的信号通道选择方法抗噪性能分析。
观察图11(b)可得,本发明方法在较广的噪声强度范围内均可适用。甚至在原始信号信噪比为-2dB情况下,本方法仍有效,表现出良好的抗噪性能。
Claims (5)
1.一种MIMO人体雷达信号通道选择方法,其特征在于,根据MIMO人体雷达每个信号通道接收到的人体反射后的雷达信号数据,对每个信号通道的时频域信噪比进行计算,根据每个信号通道的时频域信噪比选择MIMO人体雷达有效信号通道,所述的方法按照以下步骤执行:
步骤1、根据每个信号通道接收到的人体反射后的雷达信号数据,获得每个信号通道的时频谱;
步骤2、根据每个信号通道的时频谱,获得每个信号通道的时频功率谱,所述的时频功率谱为由多个三维点组成;
步骤3、对每个信号通道的时频功率谱中所有的三维点进行分类,获得有效成分功率谱以及杂波成分功率谱,按照以下步骤执行:
步骤3.1、在所有的三维点中选取功率大于阈值功率的多个三维点组成有效成分功率谱;
其中所述的阈值功率为T倍的每个信号通道的时频功率谱中所有三维点功率的最大值,单位为W,其中T为阈值系数,0<T≤1;
步骤3.2、在所有的三维点中除去组成有效成分功率谱的多个三维点,其余所有的三维点组成杂波成分功率谱;
步骤4、求取每个信号通道的有效成分功率谱中所有三维点功率的平均值,获得每个信号通道的有效成分功率谱的平均功率,单位为W;
求取每个信号通道的杂波成分功率谱中所有三维点功率的平均值,获得每个信号通道的杂波成分功率谱的平均功率,单位为W;
步骤5、利用每个信号通道的有效成分功率谱的平均功率除以每个信号通道的杂波成分功率谱的平均功率,获得每个信号通道的时频域信噪比,单位为dB;
步骤6、根据所有信号通道的时频域信噪比的大小,选择MIMO人体雷达有效信号通道。
2.如权利要求1所述的MIMO人体雷达信号通道选择方法,其特征在于,所述的步骤3中T=0.9。
3.如权利要求2所述的MIMO人体雷达信号通道选择方法,其特征在于,所述的步骤6中根据所有信号通道的时频域信噪比的大小,选择MIMO人体雷达有效信号通道时,将所有信号通道按照时频域信噪比大小升序排列,选择前V个信号通道作为有效信号通道,V为正整数。
4.如权利要求2所述的MIMO人体雷达信号通道选择方法,其特征在于,所述的步骤6中根据所有信号通道的时频域信噪比的大小,选择MIMO人体雷达信号通道时,选择时频域信噪比小于等于信噪比阈值的信号通道作为有效信号通道,其中所述的信噪比阈值SNR'=η×SNRmin,单位为dB,其中,η为时频域信噪比阈值系数,η大于1,SNRmin为所述的步骤5中获得的所有信号通道中时频域信噪比的最小值,单位为dB。
5.如权利要求4所述的MIMO人体雷达信号通道选择方法,其特征在于,所述的η=1.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554093.7A CN109709540B (zh) | 2018-12-19 | 2018-12-19 | 一种mimo人体雷达信号通道选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554093.7A CN109709540B (zh) | 2018-12-19 | 2018-12-19 | 一种mimo人体雷达信号通道选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109709540A CN109709540A (zh) | 2019-05-03 |
CN109709540B true CN109709540B (zh) | 2022-09-20 |
Family
ID=66256937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811554093.7A Active CN109709540B (zh) | 2018-12-19 | 2018-12-19 | 一种mimo人体雷达信号通道选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109709540B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111505632B (zh) * | 2020-06-08 | 2023-03-03 | 北京富奥星电子技术有限公司 | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3408404A1 (de) * | 1984-03-08 | 1985-09-19 | Dornier System Gmbh, 7990 Friedrichshafen | Radarsimulationsverfahren |
US4559605A (en) * | 1983-09-16 | 1985-12-17 | The Boeing Company | Method and apparatus for random array beamforming |
US5504487A (en) * | 1995-05-17 | 1996-04-02 | Fastman, Inc. | System for extracting targets from radar signatures |
CN101470194A (zh) * | 2007-12-26 | 2009-07-01 | 中国科学院声学研究所 | 一种水雷目标的识别方法 |
JP2009207763A (ja) * | 2008-03-05 | 2009-09-17 | Sharp Corp | 生体信号関連性計測装置および生体信号関連性計測方法 |
CN102008291A (zh) * | 2010-10-11 | 2011-04-13 | 中国人民解放军第四军医大学 | 一种可用于多目标探测的单通道基于uwb的雷达式生命探测仪 |
CN102073042A (zh) * | 2010-10-27 | 2011-05-25 | 中国人民解放军第四军医大学 | 一种多通道基于uwb雷达式生命探测仪的多个人体目标二维定位方法 |
CN103730126A (zh) * | 2012-10-16 | 2014-04-16 | 联芯科技有限公司 | 噪声抑制方法和噪声抑制器 |
US8970217B1 (en) * | 2010-04-14 | 2015-03-03 | Hypres, Inc. | System and method for noise reduction in magnetic resonance imaging |
US9268008B1 (en) * | 2010-10-07 | 2016-02-23 | Vista Research, Inc. | Detection of low observable objects in clutter using non-coherent radars |
CN105933257A (zh) * | 2016-04-28 | 2016-09-07 | 西安电子科技大学 | 一种频谱共享方式下时频重叠信号的信噪比估计方法 |
CN106127110A (zh) * | 2016-06-15 | 2016-11-16 | 中国人民解放军第四军医大学 | 一种基于uwb雷达和最优svm的人体细粒度运动识别方法 |
CN106646422A (zh) * | 2016-09-28 | 2017-05-10 | 成都凯天电子股份有限公司 | 增强相干测风雷达多普勒频移信号信噪比的预处理系统 |
CN107132512A (zh) * | 2017-03-22 | 2017-09-05 | 中国人民解放军第四军医大学 | 基于多通道hht的uwb雷达人体运动微多普勒特征提取方法 |
-
2018
- 2018-12-19 CN CN201811554093.7A patent/CN109709540B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4559605A (en) * | 1983-09-16 | 1985-12-17 | The Boeing Company | Method and apparatus for random array beamforming |
DE3408404A1 (de) * | 1984-03-08 | 1985-09-19 | Dornier System Gmbh, 7990 Friedrichshafen | Radarsimulationsverfahren |
US5504487A (en) * | 1995-05-17 | 1996-04-02 | Fastman, Inc. | System for extracting targets from radar signatures |
CN101470194A (zh) * | 2007-12-26 | 2009-07-01 | 中国科学院声学研究所 | 一种水雷目标的识别方法 |
JP2009207763A (ja) * | 2008-03-05 | 2009-09-17 | Sharp Corp | 生体信号関連性計測装置および生体信号関連性計測方法 |
US8970217B1 (en) * | 2010-04-14 | 2015-03-03 | Hypres, Inc. | System and method for noise reduction in magnetic resonance imaging |
US9268008B1 (en) * | 2010-10-07 | 2016-02-23 | Vista Research, Inc. | Detection of low observable objects in clutter using non-coherent radars |
CN102008291A (zh) * | 2010-10-11 | 2011-04-13 | 中国人民解放军第四军医大学 | 一种可用于多目标探测的单通道基于uwb的雷达式生命探测仪 |
CN102073042A (zh) * | 2010-10-27 | 2011-05-25 | 中国人民解放军第四军医大学 | 一种多通道基于uwb雷达式生命探测仪的多个人体目标二维定位方法 |
CN103730126A (zh) * | 2012-10-16 | 2014-04-16 | 联芯科技有限公司 | 噪声抑制方法和噪声抑制器 |
CN105933257A (zh) * | 2016-04-28 | 2016-09-07 | 西安电子科技大学 | 一种频谱共享方式下时频重叠信号的信噪比估计方法 |
CN106127110A (zh) * | 2016-06-15 | 2016-11-16 | 中国人民解放军第四军医大学 | 一种基于uwb雷达和最优svm的人体细粒度运动识别方法 |
CN106646422A (zh) * | 2016-09-28 | 2017-05-10 | 成都凯天电子股份有限公司 | 增强相干测风雷达多普勒频移信号信噪比的预处理系统 |
CN107132512A (zh) * | 2017-03-22 | 2017-09-05 | 中国人民解放军第四军医大学 | 基于多通道hht的uwb雷达人体运动微多普勒特征提取方法 |
Non-Patent Citations (4)
Title |
---|
基于EEMD和频带能量比特性的人与动物雷达微动信号辨识;殷悦 等;《中国医疗设备》;20181031;第33卷(第10期);27-31 * |
基于广义双曲S变换的电能质量快速检测算法;王晓光等;《浙江电力》;20151125(第11期);44-48 * |
基于时频分析的高频雷达目标检测与定向;周浩 等;《电子学报》;20051231(第12期);2265-2268 * |
基于频率切片小波变换的时频分析与MT信号去噪;蔡剑华等;《石油物探》;20161125(第06期);138-146 * |
Also Published As
Publication number | Publication date |
---|---|
CN109709540A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106125053B (zh) | 脉冲多普勒雷达极化抗干扰方法 | |
CN106569193B (zh) | 基于前-后向收益参考粒子滤波的海面小目标检测方法 | |
JP2007507691A (ja) | ソナー・システムおよびプロセス | |
CN102636775B (zh) | 基于模糊逻辑识别的风廓线雷达回波谱重构方法 | |
RU2711406C1 (ru) | Способ классификации гидроакустических сигналов шумоизлучения морских объектов | |
CN104849707B (zh) | 一种基于多雷达分布式检测的海杂波抑制方法 | |
CN112255607B (zh) | 一种海杂波的抑制方法 | |
CN108872961B (zh) | 基于低门限的雷达微弱目标检测方法 | |
CN106199548B (zh) | 基于四极化通道融合的海面漂浮微弱雷达目标的检测方法 | |
CN105574529A (zh) | 一种侧扫声纳目标检测方法 | |
CN109709540B (zh) | 一种mimo人体雷达信号通道选择方法 | |
Salmasi et al. | Design and analysis of fractal detector for high resolution radars | |
Duk et al. | Adaptive regularisation for radar sea clutter signal separation using a sparse-based method | |
CN108896971B (zh) | 一种海面漂浮小目标回波的仿真方法 | |
Yu et al. | A double-threshold target detection method in detecting low slow small target | |
Murphy et al. | Classifying continuous active sonar echoes for target recognition | |
Wu et al. | Using range-Doppler spectrum-based deep learning method to detect radar target in interrupted sampling repeater jamming | |
Hjelmervik et al. | Synthesizing active anti-submarine warfare sonar data | |
Prior et al. | The physical causes of clutter and its suppression via sub-band processing | |
CN114578333B (zh) | 一种主动声呐目标动静辨识方法 | |
CN118091593B (zh) | 基于参考单元筛选的posglt-cfar检测算法 | |
CN103336270A (zh) | Isar图像成像质量评定方法 | |
CN108646227A (zh) | 一种基于微波的多目标分类方法 | |
CN112945153B (zh) | 一种基于多波束接收技术的富钴结壳厚度的测量方法 | |
CN114638262B (zh) | 基于时频二维特征学习的雷达对海杂波智能抑制方法 |
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 |