CN112859070B - 一种基于多域多特征和深度学习的生命探测雷达系统 - Google Patents
一种基于多域多特征和深度学习的生命探测雷达系统 Download PDFInfo
- Publication number
- CN112859070B CN112859070B CN202110074893.4A CN202110074893A CN112859070B CN 112859070 B CN112859070 B CN 112859070B CN 202110074893 A CN202110074893 A CN 202110074893A CN 112859070 B CN112859070 B CN 112859070B
- Authority
- CN
- China
- Prior art keywords
- frequency
- layer
- module
- domain
- time
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 230000035485 pulse pressure Effects 0.000 claims abstract description 45
- 238000003384 imaging method Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000007477 logistic regression Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 27
- 230000001629 suppression Effects 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000001427 coherent effect Effects 0.000 claims description 10
- 230000000241 respiratory effect Effects 0.000 claims description 9
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000002592 echocardiography Methods 0.000 claims description 7
- 239000013604 expression vector Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 229910052744 lithium Inorganic materials 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 239000011449 brick Substances 0.000 claims 1
- 239000004927 clay Substances 0.000 claims 1
- 230000006835 compression Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 claims 1
- 239000011464 hollow brick Substances 0.000 claims 1
- -1 plasterboards Substances 0.000 claims 1
- 239000011150 reinforced concrete Substances 0.000 claims 1
- 239000002689 soil Substances 0.000 claims 1
- 239000007787 solid Substances 0.000 claims 1
- 239000002023 wood Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 241000282472 Canis lupus familiaris Species 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002401 inhibitory effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000002939 conjugate gradient method Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 208000026753 anterior segment dysgenesis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
Abstract
本发明公开了一种基于多域多特征和深度学习的生命探测雷达系统，收发通道的信号输出端分别与脉压前生命体识别模块的信号输入端和脉压预处理模块的信号输入端连接，脉压预处理模块的信号输出端分别与脉压后生命体识别模块的信号输入端和基于成像的生命体检测定位识别模块的信号输入端连接，脉压前生命体识别模块、脉压后生命体识别模块、基于成像的生命体检测定位识别模块均与稀疏自编码网络与逻辑回归分类器连接。本发明用于雷达生命探测，克服了目前生命探测雷达目标识别技术由于采用人工设计的特征提取方法和仅使用时频联合域作为特征提取域导致的识别效率低、准确率低的突出问题，满足地震、塌方等灾害废墟内被困人员快速搜救的现实需求。
Description
技术领域
本发明涉及雷达生命探测技术领域，尤其涉及一种基于多域多特征和深度学习的生命探测雷达系统。
背景技术
微波雷达是一种探测废墟中被困幸存人员的有效技术手段，通过捕获被困人员微弱的呼吸起伏信号来实现探测，具有作用距离远、抗干扰性强、灵敏度高等优点。收集到目标回波信号后，主要通过在时域或时频域上对信号进行分析，从而提取雷达信号时域特征或时频特征进行生命信息探测和识别。
雷达技术：连续波雷达最早应用在生命探测领域，该雷达可采用L和S波段的两种不同频率的天线同时进行检测。L波段的微波具有较好的穿透能力，S波段的微波具有较强的检测灵敏度。因此，利用双天线的检测方法，通过后续信号的互相关处理，可以穿透建筑物废墟检测到比较规律的呼吸和心跳信号。步进变频雷达同样应用在生命探测，一方面步进变频信号除了具备灵敏度高、频点可控、设计简单等优点之外，还提供了多频点回波信号既可以作单频点连续波信号处理也可以脉压后作脉冲信号处理。
特征提取方面：为了进行生命探测和识别，雷达信号一般在时域、时频域上进行特征提取，其方法大致有三类。第1类主要是在时域上将雷达回波自身特性或者统计特征量作为特征值，如利用赋值上下包络的距离来判断该目标为人体还是其他家禽，将雷达回波的标准化能量、方差、偏度和峰度作为特征值判断，以及通过对雷达回波进行主成分分析。第2类特征值主要通过雷达回波信号经过时频分析处理后，从时频谱中提取特征值。第3类主要依靠深度学习的方法，将时频谱图或者雷达回波时域信息送入设计的网络中进行识别，自动进行训练和学习，无须人工进行特征提取。
综上所述，近年来随着雷达技术和深度学习技术的不断发展，现有的雷达生命探测系统存在一下问题：(1)使用的雷达多为单个的连续波雷达或步进变频雷达，仅能提取单维距离上的回波信息。(2)时域、时频域上的特征提取方法多样，效果不一，需要根据特定的情况选择，鲁棒性较差。(3)基于特征提取的方法依靠设置阈值或人工提取特征值，造成工作量大，正确性偏低。
发明内容
本发明的目的是要提供一种基于多域多特征和深度学习的生命探测雷达系统。
为达到上述目的，本发明是按照以下技术方案实施的：
本发明包括收发通道、脉压预处理模块、脉压前生命体识别模块、脉压后生命体识别模块、基于成像的生命体检测定位识别模块和稀疏自编码网络与逻辑回归分类器，所述收发通道的信号输出端分别与所述脉压前生命体识别模块的信号输入端和所述脉压预处理模块的信号输入端连接，所述脉压预处理模块的信号输出端分别与所述脉压后生命体识别模块的信号输入端和所述基于成像的生命体检测定位识别模块的信号输入端连接，所述脉压前生命体识别模块、脉压后生命体识别模块、基于成像的生命体检测定位识别模块的信号输出端均与所述稀疏自编码网络与逻辑回归分类器连接。
进一步，所述收发通道和所述脉压预处理模块均为多个，所述脉压前生命体识别模块包括多个分频点MTI模块、多个时频分析模块、多个图谱增强模块和多个分频段卷积神经网络，单个所述分频点MTI模块的信号输入端对应连接一个所述收发通道，单个所述分频点MTI的信号输出端通过一个所述时频分析模块与一个所述图谱增强模块连接，单个所述图谱增强模块的信号输出端分别与每个所述分频段卷积神经网络连接，所述分频段卷积神经网络与所述稀疏自编码网络与逻辑回归分类器连接，所述脉压后生命体识别模块包括多个MTI背景抑制模块、多个时域呼吸信号提取模块、多个慢时间时频分析模块、多个图谱增强模块、时域卷积神经网络和时频域卷积神经网络，单个所述MTI背景抑制模块的信号输入端对应连接一个所述脉压预处理模块，单个所述MTI背景抑制模块的信号输出端分别与一个所述时域呼吸信号提取模块和一个所述慢时间时频分析模块连接，所述慢时间时频分析模块的信号输出端通过一个所述图谱增强模块与所述时频域卷积神经网络的输入端连接，所述时域互信信号提取模块的输出端与所述时域卷积神经网络的输入端连接，所述时域卷积神经网络的输出端和所述时频域卷积神经网络均与所述稀疏自编码网络与逻辑回归分类器连接，所述基于成像的生命体检测定位识别模块包括相干成像模块、MTI背景抑制模块、图谱增强模块、目标检测定位模块和空域卷积神经网络，所述相干成像模块的输入端同时与多个所述脉压预处理模块的输出端连接，所述相干成像模块的输出端依次通过所述MTI背景抑制模块、所述图谱增强模块、所述目标检测定位模块和所述空域卷积神经网络与所述稀疏自编码网络与逻辑回归分类器连接，所述目标检测定位模块输出定位信息至所述时域呼吸信号提取模块和所述慢时间时频分析模块，并同时输出被困人员位置信息，所述稀疏自编码网络与逻辑回归分类器输出被困人员概率信息。
本发明所述生命探测雷达系统的网络训练方法包括以下步骤：
步骤1：采用MIMO步进变频雷达收集生命体的雷达回波数据；
步骤2：在空域上，通过对多通道回波通过脉压处理后进行相干成像处理形成探测区域图像，经过相邻周期图像差分和图像增强处理抑制背景杂波图像，生成生命体图像并确定生命体位置；
步骤3：在时域和时频域上，多通道回波进行分通道独立处理，经脉压处理和多周期MTI背景抑制后形成包含生命体呼吸信号的距离像平面，提取时域呼吸信号和得到慢时间时频分析谱图；
步骤4：在分频段时频域上，每个通道回波进行分频点独立处理，每个频点的多周期回波经过MTI背景杂波抑制后进行时频分析，将所有频点划分为几个频段，生成每个频段的多通道单频点时频谱图；
步骤5：将上述四个域生成的图像分别送入设计的空域卷积神经网络、时域卷积神经网络、时频域卷积神经网络、分频段时频域卷积神经网络进行训练。完成训练后舍弃各自卷积神经网络的输出层，保留全连接层的输出特征向量，堆叠后形成“空-时-频”多域的特征表示向量；
步骤6：将堆叠的多域特征表示向量，送入到设计的稀疏自编码网络和逻辑回归分类器进行训练；
步骤7：网络训练完成后，输入生命体回波信息到该系统进行测试；
进一步，所述步骤1的MIMO步进变频雷达收集生命体的雷达回波数据按照以下方式进行预处理：
步骤11：验证回波数据周期的完整性；
步骤12：对验证后的回波数据进行IQ路合成；
步骤13：对回波数据进行加窗处理。
进一步，所述步骤2的在空域上生成图像的算法为：
Back-Projection(BP)成像算法形成探测区域图像，然后通过PCF加权算法抑制背景杂波图像。
进一步，所述步骤3使用的时频分析方法按照以下方式设置参数：
步骤31：所述短时傅里叶变换的窗函数的采用汉宁窗；
步骤32：所述短时傅里叶变换的窗函数的大小为17，重叠大小为16。
进一步，所述步骤4使用的频段划分方法为：
步骤41：划分第一个频段，其频率范围为：0.8G-0.9GHz。
步骤42：划分第二个频段，其频率范围为：0.9G-1GHz。
步骤43：划分第三个频段，其频率范围为：1G-1.1GHz。
步骤44：划分第四个频段，其频率范围为：1.1G-1.2GHz。
步骤45：划分第五个频段，其频率范围为：1.2G-1.6GHz。
步骤46：划分第六个频段，其频率范围为：1.3G-1.4GHz。
进一步，所述步骤5使用的空域卷积神经网络按照以下方式设置参数：
第一层和第二层卷积层卷积核的数量为32，尺寸大小为4×4。
第三层和第四层卷积层卷积核的数量为32，尺寸大小为4×4。
剔除层丢弃率设置为0.2。
进一步，所述步骤5使用的时域卷积神经网络按照以下方式设置参数：
第一层和第二层卷积层卷积核的数量为16，尺寸大小为5×5。
第三层卷积核的数量为32，尺寸大小为5×5。
剔除层丢弃率设置为0.1。
进一步，所述步骤5使用的时频域卷积神经网络按照以下方式设置参数：
第一层卷积层卷积核的数量为32，尺寸大小为3×3。
第二层卷积层卷积核的数量为64，尺寸大小为3×3。
第三层和第四层卷积层卷积核的数量为128，尺寸大小为3×3。
第五层和第六层卷积层的数量为256，尺寸大小为3×3。
剔除层丢弃率设置为0.4。
进一步，所述步骤5使用的分频段时频域卷积神经网络按照以下方式设置参数：
第一层和第二层卷积层卷积核的数量为64，尺寸大小为3×3。
第三层和第四层卷积层卷积核的数量为128，尺寸大小为3×3。
第五层和第六层卷积层的数量为256，尺寸大小为3×3。
第七层和第八层卷积层卷积核的数量为512，尺寸大小为3×3。
剔除层丢弃率设置为0.5。
作为优选：步骤1的MIMO步进变频雷达收集生命体的雷达回波数据在MATLAB环境下预处理方式为
(1)验证数据周期的完整性，其最大频率为Fmax＝1.4GHz，Fmin＝0.8GHz，调频频率间隔Δf＝0.002GHz。一个周期的频点数目为
NumFreq＝(Fmax-Fmin)/Δf (1)
对采集的数据以NumFreq的大小为间隔进行标志位检查，对于缺少数据的周期，认为为有损害的数据进行剔除。
(2)雷达数据进行IQ路合成，其I路数据设为Idata，Q路数据设为Qdata。则IQ路合成数据IQresample1为
IQresample1＝(Idata1+1j*Qdata1).' (2)
(3)对数据进行加窗处理后的数据设为IQdatawin，其计算公式为：
IQdatawin＝IQresample1.*repmat(hamming(K).',NS,1) (3)
作为优选：步骤2在空域上，对多通道回波通过脉压处理方式为：
雷达方程可写为
其中，Pt是峰值功率，τ′是脉冲宽度，G是天线增益，σ是目标的RCS，R是距离，k是玻尔兹曼常数，Te是有效噪声温度，F是噪声系数，L是总的雷达损耗。
脉冲处理将雷达回波处理成非常短的脉冲。可以把发射脉冲看成一系列非常短的子脉冲，其中每个子脉冲的宽度等于期望的压缩后的脉宽。对于每个单独的子脉冲，可以写成
其中，τ′＝nτc，n为子脉冲数目。
作为优选：步骤2使用的BP成像算法为：
其中xq为目标的位置，τi为时间延迟，M为像素点的数量，a(xq)为回波信号，s(t-τi)为发射信号。
作为优选：步骤2使用的PCF加权算法为：
其中，Y为回波信号的相位。
作为优选：步骤3采用的时频分析方法为：
其中STFTz(t,f)表示对原始信号进行STFT变换的结果；z(u)表示原始信号；g(u-t)表示窗函数；u表示卷积变量；所述短时傅里叶变换的窗函数的采用汉宁窗；所述短时傅里叶变换的窗函数的大小为17，重叠大小为16。
作为优选：步骤4采用的时频段划分方法为：第一个频段，其频率范围为：0.8G-0.9GHz；划分第二个频段，其频率范围为：0.9G-1GH；划分第三个频段，其频率范围为：1G-1.1GHz；划分第四个频段，其频率范围为：1.1G-1.2GHz；划分第五个频段，其频率范围为：1.2G-1.6GHz；划分第六个频段，其频率范围为：1.3G-1.4GHz；在每个频段里，生成50张时频谱图。
作为优选：步骤5中设计的空域卷积神经网络、时域卷积神经网络、时频域卷积神经网络、分频段时频域卷积神经网络结构和参数设置分别为：(1)空域卷积神经网络结构为：包括4层卷积层，2个池化层，1个剔除层，1个全连接层。第一层和第二层卷积层卷积核的数量为32，，尺寸大小为4×4。第三层和第四层卷积层卷积核的数量为64，尺寸大小为4×4。剔除层丢弃率设置为0.2。
(2)时域卷积神经网络结构为：包括3层卷积层，2个池化层，1个剔除层，1个全连接层。第一层和第二层卷积层卷积核的数量为16,，尺寸大小为5×5。第三层卷积层卷积核的数量为32，尺寸大小为5×5。剔除层丢弃率设置为0.1。
(3)时频域卷积神经网络结构为：包括6层卷积层，3个池化层，1个剔除层，2个全连接层。第一层卷积层卷积核的数量为32，尺寸大小为3×3，第二层卷积层卷积核的数量为64，尺寸大小为3×3，第三层和第四层卷积层卷积核的数量为128，尺寸大小为3×3，第五层和第六层卷积层的数量为256，尺寸大小为3×3。剔除层丢弃率设置为0.4。
(4)分频段时频域卷积神经网络结构为：包括8层卷积层，4个池化层，1个剔除层，3个全连接层。第一层和第二层卷积层卷积核的数量为64，尺寸大小为3×3，第三层和第四层卷积层卷积核的数量为128，尺寸大小为3×3，第五层和第六层卷积层的数量为256，尺寸大小为3×3，第七层和第八层卷积层卷积核的数量为512，尺寸大小为3×3。剔除层丢弃率设置为0.5。
作为优选：步骤6设计的稀疏自编码网络结构共三层结构，包括输入层、隐含层、输出层。输入层节点数量为864，隐含层节点数量为128，输出层节点数量为832。
作为优选：步骤6设计的稀疏自编码网络采用Kullback-Leiber(KL)散度完成稀疏惩罚。设βj为第j个隐含层神经元的平均活跃度，设β表示稀疏性参数，值设置为0.02。KL散度公式为
通过散度公式即可完成隐含层活跃度的更新，使得输入特征量完成降维。作为优选：步骤6使用的逻辑回归分类器采用Sigmoid函数作为阈值转换器，其公式为
其中z为输入变量。输入变量由稀疏自编码网络降维的输出得到
z＝w0x0+w1x1+w2x2+...+w132x132
为了得到最佳的回归系数wi，使用梯度上升法进行训练。
该方法采用Multi Input Multi Output(MIMO)步进变频雷达收集被困人员与猫狗等一般家畜动物的回波数据。在空域上，通过对多通道回波通过脉压处理后进行相干成像处理形成探测区域图像，经过相邻周期图像差分和图像增强处理抑制背景杂波图像，生成生命体图像并确定生命体位置；在时域和时频域上，多通道回波进行分通道独立处理，经脉压处理和多周期Moving Target Indication(MTI)背景抑制后形成包含生命体呼吸信号的距离像平面，提取时域呼吸信号和得到慢时间时频分析谱图；在分频段时频域上，每个通道回波进行分频点独立处理，每个频点的多周期回波经过MTI背景杂波抑制后进行时频分析，将所有频点划分为几个频段，生成每个频段的多通道单频点时频谱图。
将上述四个域生成的图像分别送入设计的空域卷积神经网络、时域卷积神经网络、时频域卷积神经网络、分频段时频域卷积神经网络进行训练。完成训练后舍弃各自卷积神经网络的输出层，保留全连接层的输出特征向量，堆叠后形成“空-时-频”多域的特征表示向量。送入设计的稀疏自编码网络进行降维处理提取关键特征向量，最后输入到逻辑回归分类器进行处理，输出生命体为被困人员的概率和一般家畜动物的概率，完成基于深度学习的生命探测雷达目标识别的全过程。
本发明的有益效果是：
本发明是一种基于多域多特征和深度学习的生命探测雷达系统，与现有技术相比，本发明用于雷达生命探测，克服了目前生命探测雷达目标识别技术由于采用人工设计的特征提取方法和仅使用时频联合域作为特征提取域导致的识别效率低、准确率低的突出问题，满足地震、塌方等灾害废墟内被困人员快速搜救的现实需求。
附图说明
图1是本发明的系统结构原理框图；
图2是本发明的MIMO步进变频雷达收集生命体的雷达回波数据场景示意图；
图3是本发明的生命体图像位置图；
图4是本发明的人体呼吸信号图；
图5是本发明的狗呼吸信号图；
图6是本发明的多通道单频点时频谱图
图7是本发明的狗呼吸时频分析的结果图
图8是本发明的人呼吸时频分析的结果图
图9是本发明的空域卷积神经网络示意图；
图10是本发明的时域卷积神经网络示意图；
图11是本发明的时频域卷积神经网络示意图；
图12是本发明的分频段时频域卷积神经网络示意图；
图13是本发明的稀疏自编码网络结构图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
如图1所示，本实施例提供的一种基于多域多特征和深度学习的生命探测雷达系统，包括以下步骤：
步骤1：采用MIMO步进变频雷达收集生命体的雷达回波数据；
本实施例对MIMO步进变频雷达收集生命体的雷达回波数据进行预处理，具体如下：(1)验证数据周期的完整性，对于缺少数据的周期，认为为有损害的数据进行剔除；(2)雷达数据进行IQ路合成；(3)对数据进行加窗处理。
步骤2：在空域上，通过对多通道回波通过脉压处理后进行相干成像处理形成探测区域图像，经过相邻周期图像差分和图像增强处理抑制背景杂波图像，生成生命体图像并确定生命体位置；
本实施例在空域上生成图像的算法为：Back-Projection(BP)成像算法形成探测区域图像，然后通过PCF加权算法抑制背景杂波图像。
步骤3：在时域和时频域上，多通道回波进行分通道独立处理，经脉压处理和多周期MTI背景抑制后形成包含生命体呼吸信号的距离像平面，提取时域呼吸信号和得到慢时间时频分析谱图；
本实施例采用的时频分析方法设置的参数为：所述短时傅里叶变换的窗函数的采用汉宁窗；所述短时傅里叶变换的窗函数的大小为17，重叠大小为16。
步骤4：在分频段时频域上，每个通道回波进行分频点独立处理，每个频点的多周期回波经过MTI背景杂波抑制后进行时频分析，将所有频点划分为几个频段，生成每个频段的多通道单频点时频谱图；
本实施例中使用的频段划分方法为：划分第一个频段，其频率范围为：0.8G-0.9GHz；划分第二个频段，其频率范围为：0.9G-1GH；划分第三个频段，其频率范围为：1G-1.1GHz；划分第四个频段，其频率范围为：1.1G-1.2GHz；划分第五个频段，其频率范围为：1.2G-1.6GHz；划分第六个频段，其频率范围为：1.3G-1.4GHz；
步骤5：将上述四个域生成的图像分别送入设计的空域卷积神经网络、时域卷积神经网络、时频域卷积神经网络、分频段时频域卷积神经网络进行训练。完成训练后舍弃各自卷积神经网络的输出层，保留全连接层的输出特征向量，堆叠后形成“空-时-频”多域的特征表示向量；
本实施例中使用的空域卷积神经网络、时域卷积神经网络、时频域卷积神经网络、分频段时频域卷积神经网络结构和参数设置分别为：(1)空域卷积神经网络结构为：包括4层卷积层，2个池化层，1个剔除层，1个全连接层。第一层和第二层卷积层卷积核的数量为32，，尺寸大小为4×4。第三层和第四层卷积层卷积核的数量为64，尺寸大小为4×4。剔除层丢弃率设置为0.2。
(2)时域卷积神经网络结构为：包括3层卷积层，2个池化层，1个剔除层，1个全连接层。第一层和第二层卷积层卷积核的数量为16,，尺寸大小为5×5。第三层卷积层卷积核的数量为32，尺寸大小为5×5。剔除层丢弃率设置为0.1。
(3)时频域卷积神经网络结构为：包括6层卷积层，3个池化层，1个剔除层，2个全连接层。第一层卷积层卷积核的数量为32，尺寸大小为3×3，第二层卷积层卷积核的数量为64，尺寸大小为3×3，第三层和第四层卷积层卷积核的数量为128，尺寸大小为3×3，第五层和第六层卷积层的数量为256，尺寸大小为3×3。剔除层丢弃率设置为0.4。
(4)分频段时频域卷积神经网络结构为：包括8层卷积层，4个池化层，1个剔除层，3个全连接层。第一层和第二层卷积层卷积核的数量为64，尺寸大小为3×3，第三层和第四层卷积层卷积核的数量为128，尺寸大小为3×3，第五层和第六层卷积层的数量为256，尺寸大小为3×3，第七层和第八层卷积层卷积核的数量为512，尺寸大小为3×3。剔除层丢弃率设置为0.5。
步骤6：将堆叠的多域特征表示向量，送入到设计的稀疏自编码网络和逻辑回归分类器进行训练；
本实施例中使用的设计的稀疏自编码网络结构为：共三层结构，包括输入层、隐含层、输出层。输入层节点数量为864，隐含层节点数量为128，输出层节点数量为832。
步骤7：网络训练完成后，输入生命体回波信息到该系统进行测试；
实施例2
本实施例将结合附图对本发明作进一步说明。
如图2所示，MIMO步进变频雷达收集生命体的雷达回波数据场景示意图，在图2所示场景中完成数据的采集后。采用图1所示的基于多域多特征和深度学习的生命探测雷达系统完成对生命体的探测和识别。其中，所述雷达为MIMO步进变频雷达。工作频率为0.8GHz-1.4GHz，发射功率为20dBm，距离分辨率为30厘米，采用锂电池供电，连续供电时间不少于3小时。雷达有4个接收天线，2个发射天线。四个接收天线的间距为0.075m，第一个发射天线与第一个接收天线间距为0.0375m，第二个发射天线与第四个接收天线间距0.0375m。
步骤1：采用MIMO步进变频雷达收集生命体的雷达回波数据，如图2所示，人体的位置距雷达约6.5m，狗的位置距离雷达约4.7m，两者均静止不动。采集的数据经过验证数据完整性、IQ路合成、加窗后用于后续处理。
步骤2：在空域上，通过对步骤1获得的多通道回波通过脉压处理后使用BP算法处理形成探测区域图像，经过相邻周期图像差分和PCF加权算法抑制背景杂波图像，生成生命体图像并确定生命体位置。如图3所示，可以得到人体的位置距雷达约6.5m，狗的位置距离雷达约4.7m。
步骤3：在时域和时频域上，步骤1获得的NumFreq个回波进行分通道独立处理，在时域上，获得人体和狗的呼吸信号图，如图4和图5所示。
在时频域上，经过步骤2提取的目标位置估计距离像平面中生命体所处距离单元，在此距离单元进行慢时间时频分析。如图5所示，可以获得狗的呼吸频率约0.755Hz，人体的呼吸频率约0.255Hz。
步骤4：在分频段时频域上，每个通道回波进行分频点独立处理，每个频点的多周期回波经过MTI背景杂波抑制后进行时频分析，时频分析的结果如图7和图8所示。划分第一个频段，其频率范围为：0.8G-0.9GHz；划分第二个频段，其频率范围为：0.9G-1GH；划分第三个频段，其频率范围为：1G-1.1GHz；划分第四个频段，其频率范围为：1.1G-1.2GHz；划分第五个频段，其频率范围为：1.2G-1.6GHz；划分第六个频段，其频率范围为：1.3G-1.4GHz；每个频段包括50张时频谱图，将这些谱图进行相干相加，得到多通道单频点时频谱图，如图6所示。
步骤5：将上述四个域生成的图像分别送入设计的空域卷积神经网络、时域卷积神经网络、时频域卷积神经网络、分频段时频域卷积神经网络进行训练。其分别的网络结构如图9、图10、图11、图12所示。空域卷积神经网络结构为：输入为224×224×3的空域分析图，经过第一层和第二层的卷积层，尺寸变为224×224×32，经过第三层的池化层、第四层的卷积层、第五层的卷积层，尺寸变为112×112×64，经过第六层的池化层、第七层的剔除层、第八层的全连接层，尺寸变为1×1×64。在空域卷积神经网络训练过程中，设置学习率设置为0.1，因为空域产生的图像较为简单，该参数值保证了网络权重迭代时不会因为学习率太大而造成的震荡，且可以是网络较快收敛。该网络采用小批量梯度下降法MBGD作为迭代优化算法，设置批尺寸为32，提高了内存的利用率，权衡了优化速度和准确度。
时域卷积神经网络结构为：输入为224×224×3的时域分析图，经过第一层和第二层的卷积层，尺寸变为224×224×16，经过第三层的池化层、第四层的卷积层，尺寸变为112×112×32，经过第五层的池化层、第六层的剔除层、第七层的全连接层，尺寸变为1×1×32。在时域卷积神经网络训练过程中，因为时域产生的图像最为简单，设置学习率为0.5，该参数能使网络产生较大的波动，能使网络快速收敛，节省时间。设置批尺寸为32，使用最简单的批量梯度下降(BGD)法可满足条件。
时频域卷积神经网络结构为：输入为224×224×3的时频域分析图，经过第一层和第二层的卷积层，尺寸变为224×224×64，经过第三层的池化层、第四层的卷积层、第五层的卷积层，尺寸变为112×112×128，经过第六层的池化层、第七层的卷积层、第八层的卷积层、尺寸变为56×56×256，经过第九层的池化层、第十层的剔除层、第十一层的全连接层、第十二层的全连接层，尺寸变为1×1×256。在时频域卷积神经网络训练过程中，因为时频域产生的图像较为复杂，设置学习率为0.01可以使得网络收敛。设置批尺寸为32，采用共轭梯度法(CGD)优化参数。
分频段时频域卷积神经结构为：输入为224×224×150的时频域分析图，经过第一层和第二层的卷积层，尺寸变为224×224×64，经过第三层的池化层、第四层的卷积层、第五层的卷积层，尺寸变为112×112×128，经过第六层的池化层、第七层的卷积层、第八层的卷积层、尺寸变为56×56×256，经过第九层的池化层、第十层的卷积层、第十一层的卷积层、尺寸变为28×28×512，经过第十二层的池化层、十三层的剔除层、十四层的全连接层、十五层的全连接层、十六层的全连接层，尺寸变为1×1×512。在分频段时频域卷积神经网络训练过程中，因为分频段时频域产生的图像最为复杂，设置学习率为0.0001，虽然该学习率造成训练时间增多，但可以使得网络收敛。设置批尺寸为32，采用平均随机梯度下降法(ASGD)优化参数。
步骤6：将堆叠的多域特征表示向量，送入到设计的稀疏自编码网络和逻辑回归分类器进行训练；
稀疏自编码网络结构如图13所示，其输入为上述四个卷积网络全连接层的输出堆叠而成，共832，即n＝832。隐含层的数量为132。采用Kullback-Leiber(KL)散度完成稀疏惩罚。设βj为第j个隐含层神经元的平均活跃度，设β表示稀疏性参数，值设置为0.02。KL散度公式为
通过散度公式即可完成隐含层活跃度的更新，使得输入特征量完成降维。在逻辑回归分类器方面，采用Sigmoid函数作为阈值转换器，其公式为
其中z为输入变量。输入变量由稀疏自编码网络降维的输出得到
z＝w0x0+w1x1+w2x2+...+w132x132
为了得到最佳的回归系数wi，使用梯度上升法进行训练。
步骤7：网络训练完成后，输入生命体回波信息到该系统，通过四个卷积网络得到各自的特征值，将其堆叠送入到稀疏自编码网络中进行降维处理，最后由逻辑自回归分类器输入人体和动物各自的概率，完成检测和识别。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。
Claims (8)
1.一种基于多域多特征和深度学习的生命探测雷达系统，其特征在于：包括收发通道、脉压预处理模块、脉压前生命体识别模块、脉压后生命体识别模块、基于成像的生命体检测定位识别模块和稀疏自编码网络与逻辑回归分类器，所述收发通道的信号输出端分别与所述脉压前生命体识别模块的信号输入端和所述脉压预处理模块的信号输入端连接，所述脉压预处理模块的信号输出端分别与所述脉压后生命体识别模块的信号输入端和所述基于成像的生命体检测定位识别模块的信号输入端连接，所述脉压前生命体识别模块、脉压后生命体识别模块、基于成像的生命体检测定位识别模块的信号输出端均与所述稀疏自编码网络与逻辑回归分类器连接；
所述收发通道和所述脉压预处理模块均为多个，所述脉压前生命体识别模块包括多个分频点MTI模块、多个时频分析模块、多个图谱增强模块和多个分频段卷积神经网络，单个所述分频点MTI模块的信号输入端对应连接一个所述收发通道，单个所述分频点MTI的信号输出端通过一个所述时频分析模块与一个所述图谱增强模块连接，单个所述图谱增强模块的信号输出端分别与每个所述分频段卷积神经网络连接，所述分频段卷积神经网络与所述稀疏自编码网络与逻辑回归分类器连接，所述脉压后生命体识别模块包括多个MTI背景抑制模块、多个时域呼吸信号提取模块、多个慢时间时频分析模块、多个图谱增强模块、时域卷积神经网络和时频域卷积神经网络，单个所述MTI背景抑制模块的信号输入端对应连接一个所述脉压预处理模块，单个所述MTI背景抑制模块的信号输出端分别与一个所述时域呼吸信号提取模块和一个所述慢时间时频分析模块连接，所述慢时间时频分析模块的信号输出端通过一个所述图谱增强模块与所述时频域卷积神经网络的输入端连接，所述时域呼吸信号提取模块的输出端与所述时域卷积神经网络的输入端连接，所述时域卷积神经网络的输出端和所述时频域卷积神经网络均与所述稀疏自编码网络与逻辑回归分类器连接，所述基于成像的生命体检测定位识别模块包括相干成像模块、MTI背景抑制模块、图谱增强模块、目标检测定位模块和空域卷积神经网络，所述相干成像模块的输入端同时与多个所述脉压预处理模块的输出端连接，所述相干成像模块的输出端依次通过所述MTI背景抑制模块、所述图谱增强模块、所述目标检测定位模块和所述空域卷积神经网络与所述稀疏自编码网络与逻辑回归分类器连接，所述目标检测定位模块输出定位信息至所述时域呼吸信号提取模块和所述慢时间时频分析模块，并同时输出被困人员位置信息，所述稀疏自编码网络与逻辑回归分类器输出被困人员概率信息。
2.根据权利要求1所述的基于多域多特征和深度学习的生命探测雷达系统，其特征在于：所述生命探测雷达系统的网络训练方法包括以下步骤：
步骤1：所述收发通道采用MIMO步进变频雷达收集生命体的雷达回波数据；
步骤2：在空域上，通过对多个收发通道回波进行脉压处理后进行相干成像处理形成探测区域图像，经过相邻周期图像差分和图像增强处理抑制背景杂波图像，生成生命体图像并确定生命体位置；
步骤3：在时域和时频域上，多个收发通道回波进行分通道独立处理，经脉压预处理和多周期MTI背景抑制后形成包含生命体呼吸信号的距离像平面，提取时域呼吸信号和得到慢时间时频分析谱图；
步骤4：在分频段时频域上，每个收发通道回波进行分频点独立处理，每个频点的多周期回波经过MTI背景杂波抑制后进行时频分析，将所有频点划分为几个频段，生成每个频段的多通道单频点时频谱图；
步骤5：将上述四个域生成的图像分别送入设计的空域卷积神经网络、时域卷积神经网络、时频域卷积神经网络、分频段时频域卷积神经网络进行训练，完成训练后舍弃各自卷积神经网络的输出层，保留全连接层的输出特征向量，堆叠后形成“空-时-频”多域的特征表示向量；
步骤6：将堆叠的多域特征表示向量，送入到设计的稀疏自编码网络和逻辑回归分类器进行训练；
步骤7：网络训练完成后，输入生命体回波信息到所述生命探测雷达系统进行测试。
3.根据权利要求2所述的基于多域多特征和深度学习的生命探测雷达系统，其特征在于：步骤1的MIMO步进变频雷达：工作频率为0.8GHz-1.4GHz；发射功率为20dBm；距离分辨率为30厘米；采用锂电池供电，连续供电时间不少于3小时；能够穿透废墟材料有实心粘土砖，空心砖，土墙，木材，石膏板，钢筋混凝土。
4.根据权利要求2所述的基于多域多特征和深度学习的生命探测雷达系统，其特征在于：步骤2的在空域上生成图像的算法为：
多通道回波通过脉冲压缩技术处理后通过Back-Projection算法形成探测区域图像，然后通过PCF加权方式抑制背景杂波图像得到最终生命体图像。
5.根据权利要求2所述的基于多域多特征和深度学习的生命探测雷达系统，其特征在于：步骤3的使用的时频分析方法为：短时傅立叶变换。
6.根据权利要求2所述的基于多域多特征和深度学习的生命探测雷达系统，其特征在于：步骤4的使用的分频段时频分析方法为：将MIMO雷达具有的300个频点，连续划分为6个频段，每个频段包含50个频点。
7.根据权利要求2所述的基于多域多特征和深度学习的生命探测雷达系统，其特征在于：步骤5的使用的空域卷积神经网络结构为四种：第一种包括4层卷积层，2个池化层，1个剔除层，1个全连接层，第一层和第二层卷积层卷积核的数量为32，第三层和第四层卷积层卷积核的数量为64；第二种包括3层卷积层，2个池化层，1个剔除层，1个全连接层；第一层和第二层卷积层卷积核的数量为16，第三层卷积层卷积核的数量为32；第三种包括6层卷积层，3个池化层，1个剔除层，2个全连接层，第一层卷积层卷积核的数量为32，第二层卷积层卷积核的数量为64，第三层和第四层卷积层卷积核的数量为128，第五层和第六层卷积层的数量为256；第四种包括8层卷积层，4个池化层，1个剔除层，3个全连接层，第一层和第二层卷积层卷积核的数量为64，第三层和第四层卷积层卷积核的数量为128，第五层和第六层卷积层的数量为256，第七层和第八层卷积层卷积核的数量为512。
8.根据权利要求2所述的基于多域多特征和深度学习的生命探测雷达系统，其特征在于：步骤6的使用的设计的稀疏自编码网络结构为：共三层结构，包括输入层、隐含层、输出层，输入层节点数量为864，隐含层节点数量为128，输出层节点数量为832。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110074893.4A CN112859070B (zh) | 2021-01-20 | 2021-01-20 | 一种基于多域多特征和深度学习的生命探测雷达系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110074893.4A CN112859070B (zh) | 2021-01-20 | 2021-01-20 | 一种基于多域多特征和深度学习的生命探测雷达系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112859070A CN112859070A (zh) | 2021-05-28 |
| CN112859070B true CN112859070B (zh) | 2024-04-19 |
Family
ID=76007656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110074893.4A Active CN112859070B (zh) | 2021-01-20 | 2021-01-20 | 一种基于多域多特征和深度学习的生命探测雷达系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112859070B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2023276945A1 (zh) * | 2021-06-29 | 2023-01-05 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101910540B1 (ko) * | 2018-03-14 | 2018-10-22 | 국방과학연구소 | 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법 |
| CN109343046A (zh) * | 2018-09-19 | 2019-02-15 | 成都理工大学 | 基于多频多域深度学习的雷达步态识别方法 |
| CN110045348A (zh) * | 2019-05-05 | 2019-07-23 | 应急管理部上海消防研究所 | 一种基于改进卷积神经网络的人体运动状态分类方法 |
| CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
| CN110569752A (zh) * | 2019-08-20 | 2019-12-13 | 河海大学 | 基于卷积神经网络的雷达信号类别确定方法 |
| CN111025256A (zh) * | 2019-12-26 | 2020-04-17 | 湖南华诺星空电子技术有限公司 | 一种机载雷达的微弱生命体征信号的检测方法及系统 |
| CN111123257A (zh) * | 2019-12-30 | 2020-05-08 | 西安电子科技大学 | 基于图时空网络的雷达动目标多帧联合检测方法 |
| CN111965620A (zh) * | 2020-08-31 | 2020-11-20 | 中国科学院空天信息创新研究院 | 基于时频分析和深度神经网络的步态特征提取与识别方法 |
| US10879946B1 (en) * | 2018-10-30 | 2020-12-29 | Ball Aerospace & Technologies Corp. | Weak signal processing systems and methods |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7817082B2 (en) * | 2007-03-11 | 2010-10-19 | Vawd Applied Science And Technology Corporation | Multi frequency spectral imaging radar system and method of target classification |
| CN109407067B (zh) * | 2018-10-13 | 2023-06-27 | 中国人民解放军海军航空大学 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
| WO2020104465A2 (en) * | 2018-11-19 | 2020-05-28 | Resmed Sensor Technologies Limited | Methods and apparatus for detection of disordered breathing |
| US11550031B2 (en) * | 2019-03-18 | 2023-01-10 | Samsung Electronics Co., Ltd. | Method and apparatus for biometric authentication using face radar signal |
-
2021
- 2021-01-20 CN CN202110074893.4A patent/CN112859070B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101910540B1 (ko) * | 2018-03-14 | 2018-10-22 | 국방과학연구소 | 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법 |
| CN109343046A (zh) * | 2018-09-19 | 2019-02-15 | 成都理工大学 | 基于多频多域深度学习的雷达步态识别方法 |
| US10879946B1 (en) * | 2018-10-30 | 2020-12-29 | Ball Aerospace & Technologies Corp. | Weak signal processing systems and methods |
| CN110045348A (zh) * | 2019-05-05 | 2019-07-23 | 应急管理部上海消防研究所 | 一种基于改进卷积神经网络的人体运动状态分类方法 |
| CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
| CN110569752A (zh) * | 2019-08-20 | 2019-12-13 | 河海大学 | 基于卷积神经网络的雷达信号类别确定方法 |
| CN111025256A (zh) * | 2019-12-26 | 2020-04-17 | 湖南华诺星空电子技术有限公司 | 一种机载雷达的微弱生命体征信号的检测方法及系统 |
| CN111123257A (zh) * | 2019-12-30 | 2020-05-08 | 西安电子科技大学 | 基于图时空网络的雷达动目标多帧联合检测方法 |
| CN111965620A (zh) * | 2020-08-31 | 2020-11-20 | 中国科学院空天信息创新研究院 | 基于时频分析和深度神经网络的步态特征提取与识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于时域特性的非相参雷达目标检测与跟踪;陈唯实 等;系统工程与电子技术;第38卷(第8期);第1800-1807页 * |
| 超宽带废墟搜救雷达的多生命体目标识别;陈光 等;现代电子技术;20151001;第38卷(第19期);第76-78页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112859070A (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363151B (zh) | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 | |
| CN104237883B (zh) | 一种采用稀疏表示的机载雷达空时自适应处理方法 | |
| CN108520199B (zh) | 基于雷达图像与生成对抗模型的人体动作开集识别方法 | |
| Kim et al. | Human activity classification based on micro-Doppler signatures using an artificial neural network | |
| CN106127110B (zh) | 一种基于uwb雷达和最优svm的人体细粒度运动识别方法 | |
| CN112861813B (zh) | 基于复值卷积神经网络的墙后人体行为识别方法 | |
| CN107290741A (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
| CN105550636A (zh) | 一种目标类型识别的方法及装置 | |
| CN106680815A (zh) | 基于张量稀疏表示的mimo雷达成像方法 | |
| CN106249219A (zh) | 基于自适应匹配滤波响应的sar动目标检测方法 | |
| CN103439692A (zh) | 基于协方差矩阵广对称特性的stap方法 | |
| CN112859070B (zh) | 一种基于多域多特征和深度学习的生命探测雷达系统 | |
| CN110007366A (zh) | 一种基于多传感器融合的生命搜寻方法以及系统 | |
| Wang et al. | Multi-classification of UWB signal propagation channels based on one-dimensional wavelet packet analysis and CNN | |
| CN113447905A (zh) | 双毫米波雷达人体跌倒检测装置及检测方法 | |
| CN111368930B (zh) | 基于多类谱图融合与分级学习的雷达人体姿态识别方法及系统 | |
| CN112686094A (zh) | 一种基于毫米波雷达的非接触式身份识别方法及系统 | |
| CN104622446A (zh) | 一种基于khm聚类算法的心率变异信号优化方法 | |
| CN111796272A (zh) | 穿墙雷达人体图像序列的姿态实时识别方法及计算机设备 | |
| CN104751183A (zh) | 基于张量mpca的极化sar图像分类方法 | |
| Zhong et al. | A climate adaptation device-free sensing approach for target recognition in foliage environments | |
| Shao et al. | Deep learning methods for personnel recognition based on micro-Doppler features | |
| CN105589073A (zh) | 一种基于Walsh变换的鱼类主动声学识别方法 | |
| CN109407069A (zh) | 一种基于选通加权频率分集的弹载雷达角闪烁频率抑制方法 | |
| CN116008982A (zh) | 基于跨尺度特征聚合网络的雷达目标辨识方法 |
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 |