CN114706054A - 一种人体运动微多普勒信号识别的方法 - Google Patents

一种人体运动微多普勒信号识别的方法 Download PDF

Info

Publication number
CN114706054A
CN114706054A CN202210286831.4A CN202210286831A CN114706054A CN 114706054 A CN114706054 A CN 114706054A CN 202210286831 A CN202210286831 A CN 202210286831A CN 114706054 A CN114706054 A CN 114706054A
Authority
CN
China
Prior art keywords
data
representing
classifier
generator
loss
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.)
Pending
Application number
CN202210286831.4A
Other languages
English (en)
Inventor
丁一鹏
金波
张嘉炜
柳润金
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202210286831.4A priority Critical patent/CN114706054A/zh
Publication of CN114706054A publication Critical patent/CN114706054A/zh
Pending legal-status Critical Current

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
    • G01S7/417—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 involving the use of neural networks
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/505—Systems of measurement based on relative movement of target using Doppler effect for determining closest range to a target or corresponding time, e.g. miss-distance indicator
    • 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
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种人体运动微多普勒信号识别的方法，包括获取人体的多普勒雷达的回波信号时频分布数据；构建人体运动网络模型；构建人体运动网络模型的损失函数；采用人体的多普勒雷达的回波信号时频分布数据和人体运动网络模型的损失函数进行训练；获取训练好的人体运动信号识别模型，对当前的人体数据进行标注。本发明利用对生成对抗网络的博弈原理，通过两个神经网络之间的博弈逐步提高网络模型的性能；生成对抗网络结构中的判别器兼具二分类和多分类的功能，从而减少网络总体的规模；本发明能够有效挖掘有限标注的人体运动微多普勒信号和大量无标注的人体运动微多普勒信号中的特征，在标注样本有限的情况下能够精确分类不同的人体运动。

Description

一种人体运动微多普勒信号识别的方法
技术领域
本发明属于人体运动雷达识别领域，具体涉及一种人体运动微多普勒信号识别的方法。
背景技术
随着生活需求的日益丰富以及科学技术水平的不断提升，人体运动识别应用受到了越来越多的关注，在灾难营救、安保系统、执法活动、医疗监控、人机交互等众多军事、民用领域中都有广泛的应用前景。人体目标的探测主要依赖于光学传感器、声学传感器和雷达。相比于其他传感器，雷达通过发射电磁波来探测目标，探测距离较远，不仅不受光照、天气等外界环境影响，且具备穿透墙壁等障碍物的能力，因此在实际应用中相比于其他传感器具有很大的优势。多普勒雷达是一种利用多普勒效应来探测的雷达，微多普勒特征中蕴含目标的距离、速度以及其他信息，通过挖掘其中的信息可以达到目标运动识别的目的。
传统的基于微多普勒雷达的人体运动识别中，主要采用了人工提取识别特征的方式，这种手动提取特征的方法依赖先验知识，并且难以充分考虑微多普勒特征在高维空间的映射关系，对不同的数据所采用的特征也不尽相同，在其他研究问题上的可扩展性较差。深度学习技术是机器学习的一个分支，是一种以人工神经网络为架构，对数据进行表征学习的技术。不同于许多传统算法，深度学习方法可以从原始输入数据中自动挖掘数据特征，利用提取的特征来划定分类边界。深度学习凭借强大的特征表征能力对微多普勒特征进行提取和识别，弥补传统算法在需求先验知识以及可扩展性较差等的问题，因此在微多普勒人体运动识别领域取得了令人瞩目的成效。然而，在深度学习模型训练过程中往往需要大量标注数据作为支撑，手工标注雷达数据需要一定的专业知识，构建标注良好的大型人体运动雷达数据无疑会消耗大量的人力和物力成本，真实的情况往往都是有限的标注数据和大量的无标注数据。有限的标注样本会使绝大多数监督学习的深度学习模型陷入过拟合的状态，从而不能正常发挥其应有的性能，大大影响实际应用的效果。
发明内容
本发明的目的在于提供一种人体运动微多普勒信号识别的方法，能够在有限的标注数据样本下抑制模型的过拟合状态，且精度较高。
本发明提供的这种人体运动微多普勒信号识别的方法，如下步骤：
S1.获取人体的多普勒雷达的回波信号时频分布数据；
S2.构建人体运动网络模型；
S3.构建人体运动网络模型的损失函数；
S4.采用人体的多普勒雷达的回波信号时频分布数据和人体运动网络模型的损失函数进行训练；
S5.获取训练好的人体运动信号识别模型，对当前的人体数据进行标注。
所述的步骤S1，包括如下步骤：
A1.采用多普勒雷达设备，对不同人的不同动作进行采集，获取一维时域雷达数据；
A2.对采集得到的一维时域雷达数据利用短时傅里叶变换进行时频转换，将一维时域雷达数据转换为二维时频谱图；
A3.将二维时频谱图缩放为设定像素值，并对二维时频谱图中的数据进行取模，获取数据集；
A4.将数据集中的数据按照设定比例划分为训练集、测试集和验证集；
A5.将训练集中的每个类别分别选取若干个数据作为有限标注数据使用，同时在未被选择为标注数据的剩余数据中选取若干个数据临时去掉标注作为无标注数据使用。
所述的步骤S2，构建人体运动网络模型包括建立生成器和建立分类器。
所述的生成器包括若干个转置卷积层，每一转置卷积层可对输入数据进行上采样，将符合高斯分布的长度为预设长度的噪声输入到全连接层中进行维度变换，从长度为预设长度的一维向量转变为4×4×128的三维数据；将维度扩展后的数据输入到卷积核大小为4×4，卷积核移动步长为2的转置卷积层，得到与人体微多普勒数据具有相同尺寸的特征数据。
所述的分类器包括若干个卷积层，将特征数据输入到卷积核大小为3×3的卷积层，并采用LeakReLU激活函数进行非线性运算；将经过多层卷积运算之后的特征数据，经过全连接层和Softmax激活函数，将特征数据转换为概率向量。
所述的步骤S3，包括构建生成器损失函数和构建分类器损失函数。
所述的构建生成器损失函数包括如下步骤：
B1.在高斯分布中随机采样生成随机向量z，生成器接收随机噪声，生成假的数据样本G(z)；
B2.计算生成器的特征匹配损失Lfm，生成器的特征匹配损失Lfm用于表示生成假的数据样本和真实数据通过分类器时产生的特征差异，
Figure BDA0003558580670000031
其中，f(·)表示分类器每层输出的特征值；G(z)表示假的数据样本；x表示不带有标注的真实数据；z表示在高斯分布中随机采样生成的随机向量；
Figure BDA0003558580670000032
表示取自真实数据分布的未带标注的真实数据x～Pdata的期望；x～Pdata表示取自真实数据分布的未带标注的真实数据；Pdata表示真实数据的分布；
Figure BDA0003558580670000033
表示取自噪声分布的噪声z～Pz(z)的期望；z～Pz(z)表示取自噪声分布的噪声；Pz(z)表示噪声的分布；
Figure BDA0003558580670000034
表示二范数的平方；
B3.计算生成器中生成假的数据样本在分类器中判定为假的损失LG：
Figure BDA0003558580670000035
其中，G(z)表示假的数据样本；z表示在高斯分布中随机采样生成的随机向量；log(·)表示取对数，用于简便运算；D(·)表示分类器的输出；
Figure BDA0003558580670000036
表示取自噪声分布的噪声z～Pz(z)的期望；z～Pz(z)表示取自噪声分布的噪声；Pz(z)表示噪声的分布；
B4.获得生成器总损失函数：
L1＝α*Lfm+LG
其中，L1表示生成器总损失；α表示生成器权重系数，在本实施例中取0.1；Lfm表示生成器的特征匹配损失；LG表示生成器中生成假的数据样本在分类器中判定为假的损失。
所述的构建分类器损失函数包括如下步骤：
C1.分类器的输入数据X包括标注数据xl、未标注数据xu和生成器的假的数据样本G(z)；标注数据xl取自真实数据分布，xl～Pdata；未标注数据取自真实数据分布，xu～Pdata；输入数据取自生成器X～G；
C2.分类器输入数据X，输出一个K+1维的逻辑向量，再由Softmax激活函数将该逻辑向量输出归一化类概率向量：
Figure BDA0003558580670000041
其中，Pmodel(xl＝i|X)表示归一化类概率向量；xl表示标注数据；li表示分类器输出向量的第i维；lj表示分类器输出向量的第j维；exp(·)表示指数函数；
C3.输出向量中前K维对应真实的K个类别，最后一维对应生成数据类；
C4.计算标注样本损失Llabel，标注样本损失Llabel用于表示真实类标签分布和预测类标签的交叉熵损失：
Figure BDA0003558580670000042
其中，X表示分类器的输入数据；xl表示标注数据；Pdata表示真实数据；log(·)表示取对数，用于简便计算；K表示维度；X,xl～Pdata表示取自真实数据分布的带有标注的真实数据；
Figure BDA0003558580670000043
表示取自真实数据分布的带有标注的真实数据的期望；Pmodel(·)表示逻辑向量转换为类概率向量的函数；
C5.计算未标注样本损失Lunlabel，未标注样本损失Lunlabel用于表示未标注样本分类为真实数据的损失：
Figure BDA0003558580670000044
其中，xu表示未标注数据；xl表示标注数据；Pdata表示真实数据；log(·)表示取对数，用于简便计算；K表示维度；xu～Pdata表示取自真实数据分布的未带标注的真实数据；
Figure BDA0003558580670000045
表示取自真实数据分布的未带标注的真实数据的期望；Pmodel(·)表示逻辑向量转换为类概率向量的函数；
C6.计算生成样本损失Lgen，生成样本损失Lgen用于表示生成样本分类为假数据的损失：
Lgen＝-EY～G[log(Pmodel(xl＝K+1|Y))]
其中，Y表示分类器的生成数据；xl表示标注数据；Pdata表示真实数据；log(·)表示取对数，用于简便计算；K表示维度；Y～G表示取自生成器的生成数据；EY～G表示取自生成器的生成数据的期望；Pmodel(·)表示逻辑向量转换为类概率向量的函数；
C7.计算分类器总损失函数：
L2＝Llabel+Lunlabel+Lgen
其中，L2表示分类器总损失；Llabel表示标注样本损失；Lunlabel表示未标注样本损失；Lgen表示生成样本损失。
所述的步骤S4，包括如下步骤：
D1.获取生成的假的数据样本G(z)；
D2.将标注的真实微多普勒数据、未标注的真实微多普勒数据和生成的假的数据样本G(z)按批次输入到判别器网络，最终通过Softmax激活函数输出归一化的概率值D(xl)，D(xu)和D(G(z))，D(xl)表示分类器对于标注数据属于每一个类别的概率，D(xu)表示分类器对未标注数据属于真实数据的概率，D(G(z))表示分类器判定生成数据为真实数据的概率；
D3.固定生成器网络的参数，并以判别器的总的损失函数作为优化目标，利用Adam梯度下降方法来优化判别器网络的参数；
D4.固定分类器网络的参数，并以生成器的总的损失函数作为优化目标，利用Adam梯度下降方法来优化生成器网络的参数；
D5.重复步骤D2-D4，直至达到迭代次数或网络达到收敛。
本发明提供的这种人体运动微多普勒信号识别的方法，利用对生成对抗网络的博弈原理，通过两个神经网络之间的博弈逐步提高网络模型的性能；将生成对抗网络结构中的判别器兼具二分类和多分类的功能，从而减少网络总体的规模；在生成器模型中，引入特征匹配的方法，使生成器模型能够更深入学习真实数据的分布特征，从而进一步提高神经网络模型的性能；本发明能够有效挖掘有限标注的人体运动微多普勒信号和大量无标注的人体运动微多普勒信号中的特征，在标注样本有限的情况下能够精确分类不同的人体运动。
附图说明
图1为本发明方法的流程示意图。
图2为本发明实施例的基于生成对抗网络的半监督人体运动微多普勒特征识别方法的网络结构示意图。
图3为本发明实施例的生成器的网络结构示意图。
图4为本发明实施例的分类器的网络结构示意图。
具体实施方式
如图1为本发明方法的流程示意图，如图2为本发明实施例的基于生成对抗网络的半监督人体运动微多普勒特征识别方法的网络结构示意图。本发明提供的这种人体运动微多普勒信号识别的方法，包括如下步骤：
S1.获取人体的多普勒雷达的回波信号时频分布数据；
S2.构建人体运动网络模型；
S3.构建人体运动网络模型的损失函数；
S4.采用人体的多普勒雷达的回波信号时频分布数据和人体运动网络模型的损失函数进行训练；
S5.获取训练好的人体运动信号识别模型，对当前的人体数据进行标注。
所述的步骤S1，包括如下步骤：
A1.采用2.4GHz载频的多普勒雷达设备，对不同人的不同动作进行采集，获取一维时域雷达数据；
A2.对采集得到的一维时域雷达数据利用短时傅里叶变换进行时频转换，将一维时域雷达数据转换为二维时频谱图；
A3.为了简化模型规模和保证训练速度，将二维时频谱图缩放为64×64像素，并对二维时频谱图中的数据进行取模，获取数据集；
A4.将数据集中的数据按照7:2:1划分为训练集、测试集和验证集；
A5.将训练集中的每个类别分别选取300个数据作为有限标注数据使用，在未被选择为标注数据的剩余数据中选取，2000个数据临时去掉标注作为无标注数据使用。
如图3为本发明实施例的生成器的网络结构示意图。如图4为本发明实施例的分类器的网络结构示意图。所述的步骤S2，构建人体运动网络模型包括建立生成器和建立分类器；
生成器包括多个转置卷积层，每一转置卷积层可对输入数据进行上采样，将符合高斯分布的长度为100的噪声输入到全连接层中进行维度变换，从长度为100的一维向量转变为4×4×128的三维数据；将维度扩展后的数据输入到卷积核大小为4×4，卷积核移动步长为2的转置卷积层，得到与人体微多普勒数据具有相同尺寸的特征数据。
分类器包括多个卷积层，将特征数据输入到卷积核大小为3×3的卷积层，并采用LeakReLU激活函数进行非线性运算；不同于传统的ReLU激活函数将负半轴置零的处理方式，LeakReLU激活函数在负半轴保留较小斜率以避免训练过程中梯度消失的问题；将经过多层卷积运算之后的特征数据，经过全连接层和Softmax激活函数，将特征数据转换为概率向量。
所述的步骤S3，包括构建生成器损失函数和分类器损失函数；构建生成器损失函数包括如下步骤：
B1.在高斯分布中随机采样生成随机向量z，生成器接收随机噪声，生成假的数据样本G(z)；
B2.计算生成器的特征匹配损失Lfm，生成器的特征匹配损失Lfm用于表示生成假的数据样本和真实数据通过分类器时产生的特征差异，
Figure BDA0003558580670000071
其中，f(·)表示分类器每层输出的特征值；G(z)表示假的数据样本；x表示不带有标注的真实数据；z表示在高斯分布中随机采样生成的随机向量；
Figure BDA0003558580670000072
表示取自真实数据分布的未带标注的真实数据x～Pdata的期望；x～Pdata表示取自真实数据分布的未带标注的真实数据；Pdata表示真实数据的分布；
Figure BDA0003558580670000073
表示取自噪声分布的噪声z～Pz(z)的期望；z～Pz(z)表示取自噪声分布的噪声；Pz(z)表示噪声的分布；
Figure BDA0003558580670000074
表示二范数的平方；
B3.计算生成器中生成假的数据样本在分类器中判定为假的损失LG：
Figure BDA0003558580670000075
其中，G(z)表示假的数据样本；z表示在高斯分布中随机采样生成的随机向量；log(·)表示取对数，用于简便运算；D(·)表示分类器的输出；
Figure BDA0003558580670000076
表示取自噪声分布的噪声z～Pz(z)的期望；z～Pz(z)表示取自噪声分布的噪声；Pz(z)表示噪声的分布；
B4.获得生成器总损失函数：
L1＝α*Lfm+LG
其中，L1表示生成器总损失；α表示生成器权重系数，在本实施例中取0.1；Lfm表示生成器的特征匹配损失；LG表示生成器中生成假的数据样本在分类器中判定为假的损失。
构建分类器损失函数包括如下步骤：
C1.分类器的输入数据X包括标注数据xl、未标注数据xu和生成器的假的数据样本G(z)；标注数据xl取自真实数据分布，xl～Pdata；未标注数据取自真实数据分布，xu～Pdata；输入数据取自生成器X～G；
C2.分类器输入数据X，输出一个K+1维的逻辑向量，再由Softmax激活函数将该逻辑向量输出归一化类概率向量：
Figure BDA0003558580670000081
其中，Pmodel(xl＝i|X)表示归一化类概率向量；xl表示标注数据；li表示分类器输出向量的第i维；lj表示分类器输出向量的第j维；exp(·)表示指数函数；
C3.输出向量中前K维对应真实的K个类别，最后一维对应生成数据类；
C4.计算标注样本损失Llabel，标注样本损失Llabel用于表示真实类标签分布和预测类标签的交叉熵损失：
Figure BDA0003558580670000082
其中，X表示分类器的输入数据；xl表示标注数据；Pdata表示真实数据；log(·)表示取对数，用于简便计算；K表示维度；X,xl～Pdata表示取自真实数据分布的带有标注的真实数据；
Figure BDA0003558580670000083
表示取自真实数据分布的带有标注的真实数据的期望；Pmodel(·)表示逻辑向量转换为类概率向量的函数；
C5.计算未标注样本损失Lunlabel，未标注样本损失Lunlabel用于表示未标注样本分类为真实数据的损失：
Figure BDA0003558580670000091
其中，xu表示未标注数据；xl表示标注数据；Pdata表示真实数据；log(·)表示取对数，用于简便计算；K表示维度；xu～Pdata表示取自真实数据分布的未带标注的真实数据；
Figure BDA0003558580670000092
表示取自真实数据分布的未带标注的真实数据的期望；Pmodel(·)表示逻辑向量转换为类概率向量的函数；
C6.计算生成样本损失Lgen，生成样本损失Lgen用于表示生成样本分类为假数据的损失：
Lgen＝-EY～G[log(Pmodel(xl＝K+1|Y))]
其中，Y表示分类器的生成数据；xl表示标注数据；Pdata表示真实数据；log(·)表示取对数，用于简便计算；K表示维度；Y～G表示取自生成器的生成数据；EY～G表示取自生成器的生成数据的期望；Pmodel(·)表示逻辑向量转换为类概率向量的函数；
C7.计算分类器总损失函数：
L2＝Llabel+Lunlabel+Lgen
其中，L2表示分类器总损失；Llabel表示标注样本损失；Lunlabel表示未标注样本损失；Lgen表示生成样本损失。
所述的步骤S4，包括如下步骤：
D1.获取生成的假的数据样本G(z)；
D2.将标注的真实微多普勒数据、未标注的真实微多普勒数据和生成的假的数据样本G(z)按批次输入到判别器网络，最终通过Softmax激活函数输出归一化的概率值D(xl)，D(xu)和D(G(z))，D(xl)表示分类器对于标注数据属于每一个类别的概率，D(xu)表示分类器对未标注数据属于真实数据的概率，D(G(z))表示分类器判定生成数据为真实数据的概率；
D3.固定生成器网络的参数，并以判别器的总的损失函数作为优化目标，利用Adam梯度下降方法来优化判别器网络的参数；
D4.固定分类器网络的参数，并以生成器的总的损失函数作为优化目标，利用Adam梯度下降方法来优化生成器网络的参数；
D5.重复步骤D2-D4，直至达到迭代次数或网络达到收敛。

Claims (9)

1.一种人体运动微多普勒信号识别的方法，其特征在于包括如下步骤：
S1.获取人体的多普勒雷达的回波信号时频分布数据；
S2.构建人体运动网络模型；
S3.构建人体运动网络模型的损失函数；
S4.采用人体的多普勒雷达的回波信号时频分布数据和人体运动网络模型的损失函数进行训练；
S5.获取训练好的人体运动信号识别模型，对当前的人体数据进行标注。
2.根据权利要求1所述的人体运动微多普勒信号识别的方法，其特征在于所述的步骤S1，包括如下步骤：
A1.采用多普勒雷达设备，对不同人的不同动作进行采集，获取一维时域雷达数据；
A2.对采集得到的一维时域雷达数据利用短时傅里叶变换进行时频转换，将一维时域雷达数据转换为二维时频谱图；
A3.将二维时频谱图缩放为设定像素值，并对二维时频谱图中的数据进行取模，获取数据集；
A4.将数据集中的数据按照设定比例划分为训练集、测试集和验证集；
A5.将训练集中的每个类别分别选取若干个数据作为有限标注数据使用，同时在未被选择为标注数据的剩余数据中选取若干个数据临时去掉标注作为无标注数据使用。
3.根据权利要求2所述的人体运动微多普勒信号识别的方法，其特征在于所述的步骤S2，构建人体运动网络模型包括建立生成器和建立分类器。
4.根据权利要求3所述的人体运动微多普勒信号识别的方法，其特征在于所述的生成器包括若干个转置卷积层，每一转置卷积层可对输入数据进行上采样，将符合高斯分布的长度为预设长度的噪声输入到全连接层中进行维度变换，从长度为预设长度的一维向量转变为4×4×128的三维数据；将维度扩展后的数据输入到卷积核大小为4×4，卷积核移动步长为2的转置卷积层，得到与人体微多普勒数据具有相同尺寸的特征数据。
5.根据权利要求4所述的人体运动微多普勒信号识别的方法，其特征在于所述的分类器包括若干个卷积层，将特征数据输入到卷积核大小为3×3的卷积层，并采用LeakReLU激活函数进行非线性运算；将经过多层卷积运算之后的特征数据，经过全连接层和Softmax激活函数，将特征数据转换为概率向量。
6.根据权利要求5所述的人体运动微多普勒信号识别的方法，其特征在于所述的步骤S3，包括构建生成器损失函数和构建分类器损失函数。
7.根据权利要求6所述的人体运动微多普勒信号识别的方法，其特征在于所述的构建生成器损失函数包括如下步骤：
B1.在高斯分布中随机采样生成随机向量z，生成器接收随机噪声，生成假的数据样本G(z)；
B2.计算生成器的特征匹配损失Lfm，生成器的特征匹配损失Lfm用于表示生成假的数据样本和真实数据通过分类器时产生的特征差异，
Figure FDA0003558580660000026
其中，f(·)表示分类器每层输出的特征值；G(z)表示假的数据样本；x表示不带有标注的真实数据；z表示在高斯分布中随机采样生成的随机向量；
Figure FDA0003558580660000021
表示取自真实数据分布的未带标注的真实数据x～Pdata的期望；x～Pdata表示取自真实数据分布的未带标注的真实数据；Pdata表示真实数据的分布；
Figure FDA0003558580660000022
表示取自噪声分布的噪声z～Pz(z)的期望；z～Pz(z)表示取自噪声分布的噪声；Pz(z)表示噪声的分布；
Figure FDA0003558580660000023
表示二范数的平方；
B3.计算生成器中生成假的数据样本在分类器中判定为假的损失LG：
Figure FDA0003558580660000024
其中，G(z)表示假的数据样本；z表示在高斯分布中随机采样生成的随机向量；log(·)表示取对数，用于简便运算；D(·)表示分类器的输出；
Figure FDA0003558580660000025
表示取自噪声分布的噪声z～Pz(z)的期望；z～Pz(z)表示取自噪声分布的噪声；Pz(z)表示噪声的分布；
B4.获得生成器总损失函数：
L1＝α*Lfm+LG
其中，L1表示生成器总损失；α表示生成器权重系数，在本实施例中取0.1；Lfm表示生成器的特征匹配损失；LG表示生成器中生成假的数据样本在分类器中判定为假的损失。
8.根据权利要求7所述的人体运动微多普勒信号识别的方法，其特征在于所述的构建分类器损失函数包括如下步骤：
C1.分类器的输入数据X包括标注数据xl、未标注数据xu和生成器的假的数据样本G(z)；标注数据xl取自真实数据分布，xl～Pdata；未标注数据取自真实数据分布，xu～Pdata；输入数据取自生成器X～G；
C2.分类器输入数据X，输出一个K+1维的逻辑向量，再由Softmax激活函数将该逻辑向量输出归一化类概率向量：
Figure FDA0003558580660000031
其中，Pmodel(xl＝i|X)表示归一化类概率向量；xl表示标注数据；li表示分类器输出向量的第i维；lj表示分类器输出向量的第j维；exp(·)表示指数函数；
C3.输出向量中前K维对应真实的K个类别，最后一维对应生成数据类；
C4.计算标注样本损失Llabel，标注样本损失Llabel用于表示真实类标签分布和预测类标签的交叉熵损失：
Figure FDA0003558580660000032
其中，X表示分类器的输入数据；xl表示标注数据；Pdata表示真实数据；log(·)表示取对数，用于简便计算；K表示维度；X,xl～Pdata表示取自真实数据分布的带有标注的真实数据；
Figure FDA0003558580660000033
表示取自真实数据分布的带有标注的真实数据的期望；Pmodel(·)表示逻辑向量转换为类概率向量的函数；
C5.计算未标注样本损失Lunlabel，未标注样本损失Lunlabel用于表示未标注样本分类为真实数据的损失：
Figure FDA0003558580660000034
其中，xu表示未标注数据；xl表示标注数据；Pdata表示真实数据；log(·)表示取对数，用于简便计算；K表示维度；xu～Pdata表示取自真实数据分布的未带标注的真实数据；
Figure FDA0003558580660000035
表示取自真实数据分布的未带标注的真实数据的期望；Pmodel(·)表示逻辑向量转换为类概率向量的函数；
C6.计算生成样本损失Lgen，生成样本损失Lgen用于表示生成样本分类为假数据的损失：
Lgen＝-EY～G[log(Pmodel(xl＝K+1|Y))]
其中，Y表示分类器的生成数据；xl表示标注数据；Pdata表示真实数据；log(·)表示取对数，用于简便计算；K表示维度；Y～G表示取自生成器的生成数据；EY～G表示取自生成器的生成数据的期望；Pmodel(·)表示逻辑向量转换为类概率向量的函数；
C7.计算分类器总损失函数：
L2＝Llabel+Lunlabel+Lgen
其中，L2表示分类器总损失；Llabel表示标注样本损失；Lunlabel表示未标注样本损失；Lgen表示生成样本损失。
9.根据权利要求8所述的人体运动微多普勒信号识别的方法，其特征在于所述的步骤S4，包括如下步骤：
D1.获取生成的假的数据样本G(z)；
D2.将标注的真实微多普勒数据、未标注的真实微多普勒数据和生成的假的数据样本G(z)按批次输入到判别器网络，最终通过Softmax激活函数输出归一化的概率值D(xl)，D(xu)和D(G(z))，D(xl)表示分类器对于标注数据属于每一个类别的概率，D(xu)表示分类器对未标注数据属于真实数据的概率，D(G(z))表示分类器判定生成数据为真实数据的概率；
D3.固定生成器网络的参数，并以判别器的总的损失函数作为优化目标，利用Adam梯度下降方法来优化判别器网络的参数；
D4.固定分类器网络的参数，并以生成器的总的损失函数作为优化目标，利用Adam梯度下降方法来优化生成器网络的参数；
D5.重复步骤D2-D4，直至达到迭代次数或网络达到收敛。
CN202210286831.4A 2022-03-22 2022-03-22 一种人体运动微多普勒信号识别的方法 Pending CN114706054A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210286831.4A CN114706054A (zh) 2022-03-22 2022-03-22 一种人体运动微多普勒信号识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210286831.4A CN114706054A (zh) 2022-03-22 2022-03-22 一种人体运动微多普勒信号识别的方法

Publications (1)

Publication Number Publication Date
CN114706054A true CN114706054A (zh) 2022-07-05

Family

ID=82168677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210286831.4A Pending CN114706054A (zh) 2022-03-22 2022-03-22 一种人体运动微多普勒信号识别的方法

Country Status (1)

Country Link
CN (1) CN114706054A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116540204A (zh) * 2023-07-05 2023-08-04 中南大学 一种行为识别方法、装置、终端设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116540204A (zh) * 2023-07-05 2023-08-04 中南大学 一种行为识别方法、装置、终端设备及介质
CN116540204B (zh) * 2023-07-05 2023-09-05 中南大学 一种行为识别方法、装置、终端设备及介质

Similar Documents

Publication Publication Date Title
Ullo et al. Hybrid computerized method for environmental sound classification
CN112364779A (zh) 信号处理与深-浅网络多模型融合的水声目标识别方法
CN112434732A (zh) 一种基于特征筛选的深度学习分类方法
CN107766893B (zh) 基于标签多级编码神经网络的目标识别方法
CN109581339B (zh) 一种基于头脑风暴自动调整自编码网络的声呐识别方法
CN107870321B (zh) 基于伪标签学习的雷达一维距离像目标识别方法
Ye et al. Human activity classification based on micro-Doppler signatures by multiscale and multitask Fourier convolutional neural network
CN117037427B (zh) 一种地质灾害联网监测预警系统
Riesaputri et al. Classification of breast cancer using PNN classifier based on GLCM feature extraction and GMM segmentation
Yang et al. Open set recognition of underwater acoustic targets based on GRU-CAE collaborative deep learning network
CN111859010A (zh) 一种基于深度互信息最大化的半监督音频事件识别方法
CN104268587B (zh) 一种基于指波变换和svm的假指纹检测方法
Ni et al. Robust person gait identification based on limited radar measurements using set-based discriminative subspaces learning
CN114706054A (zh) 一种人体运动微多普勒信号识别的方法
Abdul-Ameer et al. Development smart eyeglasses for visually impaired people based on you only look once
CN108898157B (zh) 基于卷积神经网络的数值型数据的雷达图表示的分类方法
CN114966587A (zh) 基于卷积神经网络融合特征的雷达目标识别方法及系统
Harp et al. Machine vision and deep learning for classification of radio SETI signals
Zheng et al. Deep learning for typhoon intensity classification using satellite cloud images
Kukreja et al. Multi-Weather Classification using Deep Learning: A CNN-SVM Amalgamated Approach
Li et al. A spectrogram-based voiceprint recognition using deep neural network
Malik et al. Recognition of radar-based deaf sign language using convolution neural network
CN110458219B (zh) 一种基于stft-cnn-rvfl的φ-otdr振动信号识别算法
Ganesan et al. A deep learning approach to fault detection in a satellite power system using Gramian angular field
CN112101244A (zh) 基于深度学习预测光纤振动信号危险等级的方法

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