CN110488278B - 多普勒雷达信号类型识别方法 - Google Patents
多普勒雷达信号类型识别方法 Download PDFInfo
- Publication number
- CN110488278B CN110488278B CN201910776691.7A CN201910776691A CN110488278B CN 110488278 B CN110488278 B CN 110488278B CN 201910776691 A CN201910776691 A CN 201910776691A CN 110488278 B CN110488278 B CN 110488278B
- Authority
- CN
- China
- Prior art keywords
- signal
- doppler radar
- training
- network
- samples
- 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
- 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
- G01S7/41—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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种多普勒雷达信号类型识别方法,该方法包括采集已知类型的多普勒雷达回波信号样本,提取出信号样本的特征向量;其中,已知类型的多普勒雷达回波信号样本包括运动目标信号样本和干扰信号样本;将信号样本的特征向量输入训练网络进行分类训练学习,构建模型网络;其中,训练网络包括依次连接的输入层、隐层和输出层;实时采集目标多普勒雷达回波信号,提取出相应的目标特征向量;将目标特征向量导入模型网络,识别出目标多普勒雷达回波信号的类型。通过采用上述方案,解决了多普勒雷达无法区分运动目标信号与树木雨水干扰信号的问题,且识别的网络模型规模小、运算量低,可快速识别目标的类型。
Description
技术领域
本发明涉及雷达技术领域,特别涉及一种多普勒雷达信号类型识别方法。
背景技术
随着智慧城市的迅速发展,社会家庭生活中需要对灯具、电器等设备进行合理地控制,如灯具在有行人接近时才开启,以起到节能的目的。目前,智能感应技术通常基于视觉、红外、微波雷达三类非接触式传感器来实现。其中,基于计算机视觉技术的传感器局限于光照、姿态、隐私等因素使得应用场景大大受限;红外传感器易受光源、热源、射频辐射、灰尘遮挡等影响;微波雷达不受以上因素影响,可用于快速、准确的运动目标监测。多普勒雷达属于微波雷达,通过运动目标的多普勒效应,即雷达多普勒回波频率fd、目标速度v与雷达载波波长λ三者关系:fd=2v/λ,雷达能够监测环境中是否存在运动目标。但在一些户外环境中,植物晃动、雨水滴落也能给雷达带来多普勒回波,此时我们希望雷达能不受植物及雨水因素的影响,只在行人、汽车等运动目标经过探测区域时才响应,这是多普勒感应雷达在户外应用中急需解决的技术问题。
发明内容
本申请实施例通过提供一种多普勒雷达信号类型识别方法,解决了现有技术中多普勒雷达信号中运动目标与干扰信号较难区分的问题。
本申请实施例提供了一种多普勒雷达信号类型识别方法,该多普勒雷达信号类型识别方法包括以下步骤:
采集已知类型的多普勒雷达回波信号样本,提取出所述信号样本的特征向量;其中,已知类型的多普勒雷达回波信号样本包括运动目标信号样本和干扰信号样本;
将所述信号样本的特征向量输入训练网络进行分类训练学习,构建模型网络;其中,所述训练网络包括依次连接的输入层、隐层和输出层;
实时采集目标多普勒雷达回波信号,提取出相应的目标特征向量;
将所述目标特征向量导入模型网络,识别出目标多普勒雷达回波信号的类型。
可选地,所述采集已知类型的多普勒雷达回波信号样本,提取出所述信号样本的特征向量的步骤包括:
以预设采样率对所述多普勒雷达回波信号样本进行采样,得到若干离散点信号;
依次周期性地截取N个离散点信号,构成若干信号序列;其中,每一个周期内的离散点信号构成一信号序列,相邻两信号序列之间间隔M个离散点;
依次从每一个信号序列中提取出所述信号样本的特征向量。
可选地,所述依次从每一个信号序列中提取出所述信号样本的特征向量的步骤包括:
从当前信号序列的第一个离散点信号开始,提取出当前信号序列最大幅值的离散点信号;
判断所述最大幅值是否大于或等于第一阈值,若是,则所述最大幅值对应的离散点信号作为当前信号序列的波峰点;若否,则进入下一个信号序列的波峰点的提取;
在所述波峰点两侧分别提取距离最近的两离散点信号拐点作为两波谷点;其中,所述拐点的幅值小于其前一个离散点信号的幅值和后一个离散点信号的幅值;
获取两波谷点之间的时间间隔t1、两波谷点同波峰点之间的时间间隔差值diff1以及两波谷点同波峰点之间的幅值差值中较小值与较大值的比值ratio1,将所述时间间隔t1、时间间隔差值diff1、比值ratio1作为一个信号序列的特征向量。
可选地,所述将所述信号样本的特征向量输入训练网络进行分类训练学习,构建模型网络的步骤包括:
对所述信号样本的特征向量按类别进行标注并以随机顺序混合,将所述带有标注的特征向量以单次预设数量分批依次输入所述训练网络的输入层;其中,各运动目标信号样本的标注相同,各干扰信号样本的标注相同;
所述输入层将当前批次的所述特征向量与所述输入层、隐层之间的网络参数矩阵乘加后传输至隐层;
所述隐层通过激活函数对输入的特征向量学习得到相应的映射向量,将所述映射向量与所述隐层、输出层之间的网络参数矩阵乘加后传输至输出层;
所述输出层运用输出函数处理接收的所述映射向量得到相应的输出概率向量,并运用定义的损失函数得出所述输出概率向量与真实概率向量的当前批次损失值;
根据得出的损失值通过反向传播算法更新所述训练网络的各级网络参数,以迭代形式进行下一批次特征向量的训练学习,直到完成预设迭代次数,保存最终的训练网络参数;
运用保存的所述训练网络参数构建模型网络。
可选地,所述将所述带有标注的特征向量以单次预设数量分批依次输入所述训练网络的输入层的步骤包括:
将带有标注的所述特征向量对应的信号样本分为训练集和测试集,所述训练集的样本数量多于测试集的样本数量;
将所述训练集的样本对应的特征向量分批输入至所述训练网络的输入层。
可选地,在所述根据得出的损失值通过反向传播算法更新所述训练网络的各级网络参数,以迭代形式进行下一批次特征向量的训练学习,直到完成预设迭代次数,保存最终的训练网络参数的步骤之后包括:
将所述训练集的样本对应的特征向量和测试集的样本对应的特征向量分别输入至所述训练网络,得出两分类准确率测试结果;
根据两测试结果判断是否再次进行训练;若两所述准确率测试结果满足预设条件,则训练结束;若两所述准确率测试结果不满足预设条件,则调整训练网络的相应参数后,对所述训练集的样本对应的特征向量进行再次训练,直到两所述准确率测试结果满足预设条件为止。
可选地,所述预设条件为:两所述分类准确率测试结果均大于或等于第二阈值、且两所述准确率测试结果的差值均小于或等于第三阈值。
可选地,所述实时采集目标多普勒雷达回波信号,提取出相应的目标特征向量的步骤还包括:
以预设采样率对所述目标多普勒雷达回波信号样本进行实时采样,得到若干离散点信号;
依次周期性地截取N个离散点信号,构成若干信号序列;其中,每一个周期内的离散点信号构成一信号序列,相邻两信号序列之间间隔M个离散点;
依次从每一个信号序列中提取出目标多普勒雷达回波信号的特征向量。
可选地,所述依次从每一个信号序列中提取出目标多普勒雷达回波信号的特征向量的步骤包括:
从各信号序列的第一个离散点信号开始,提取出当前信号序列最大幅值的离散点信号;
在所述波峰点两侧分别提取距离最近的两离散点信号拐点作为两波谷点;其中,所述拐点的幅值小于其前一个离散点信号的幅值和后一个离散点信号的幅值;
获取两波谷点之间的时间间隔t2、两波谷点同波峰点之间的时间间隔差值diff2以及两波谷点同波峰点之间的幅值差值中较小值与较大值的比值ratio2,将所述时间间隔t2、时间间隔差值diff2、比值ratio2作为一个信号序列的特征向量。
可选地,所述将所述目标特征向量导入模型网络,识别出目标多普勒雷达信号的类型的步骤包括:
将所述目标特征向量导入模型网络,所述模型网络输出二维概率向量;
根据二维概率向量中的较大值的索引识别目标多普勒雷达信号的类型。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过采用上述方案,对已知类型的信号样本进行训练学习,得到训练网络参数,该训练网络参数作为模型网络的参数来建立模型网络;再将实时目标多普勒雷达回波信号导入模型网络,即可识别实时目标多普勒雷达回波信号的类型。通过信号样本的特征向量提取过程和目标特征向量的提取过程,将信号样本和待识别信号的N维信号序列数据降维成三维特征向量,减少了后续的运算量,使得建立的模型网络规模小。通过上述方法,解决了多普勒雷达无法区分运动目标信号与树木雨水干扰信号的问题,且识别的网络模型规模小、运算量低,可快速识别目标的类型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明多普勒雷达信号类型识别方法的一实施例的步骤示意图;
图2为图1中步骤S110的具体步骤示意图;
图3为图2中步骤S130的具体步骤示意图;
图4为图1中步骤S200的具体步骤示意图;
图5为图1中步骤S300的具体步骤示意图;
图6为图5中步骤S330的具体步骤示意图;
图7为图1中步骤S400的具体步骤示意图;
图8为本发明多普勒雷达信号类型识别方法的另一实施例中步骤S220的具体步骤示意图;
图9为本发明多普勒雷达信号类型识别方法的另一实施例中步骤S200的具体步骤示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,若本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
一实施例
参照图1,本发明实施例提供了一种多普勒雷达信号类型识别方法,该多普勒雷达信号类型识别方法包括以下步骤:
步骤S100:采集已知类型的多普勒雷达回波信号样本,提取出所述信号样本的特征向量;其中,已知类型的多普勒雷达回波信号样本包括运动目标信号样本和干扰信号样本;
步骤S200:将所述信号样本的特征向量输入训练网络进行分类训练学习,构建模型网络;其中,所述训练网络包括依次连接的输入层、隐层和输出层;
步骤S300:实时采集目标多普勒雷达回波信号,提取出相应的目标特征向量。
步骤S400:将所述目标特征向量导入模型网络,识别出目标多普勒雷达回波信号的类型。
在本实施例中,通过步骤S100和步骤S200,对已知类型的信号样本进行训练学习,得到训练网络参数,该训练网络参数作为模型网络的参数来建立模型网络;再通过步骤S300和步骤S400将实时目标多普勒雷达回波信号导入模型网络,即可识别实时目标多普勒雷达回波信号的类型。
步骤S100和步骤S300的样本信号特征向量提取过程和目标实时信号的特征向量的提取过程,将样本信号和待识别信号数据进行了降维,减少了后续的运算量,使得建立的模型网络规模小。
通过上述方法,解决了多普勒雷达无法区分运动目标信号与树木雨水干扰信号的问题,且识别的网络模型规模小、运算量低,可快速识别目标的类型。
参照图2,在一些实施例中,步骤S100具体包括:
步骤S110:以预设采样率对所述多普勒雷达回波信号样本进行采样,得到若干离散点信号;
步骤S120:依次周期性地截取N个离散点信号,构成若干信号序列;其中,每一个周期内的离散点信号构成一信号序列,相邻两信号序列之间间隔M个离散点;
步骤S130:依次从每一个信号序列中提取出所述信号样本的特征向量。
在本实施例中,以预设采样率fs对已知类型的信号样本采样进行离散化处理后,得到若干离散点信号,再运用滑窗方式周期性地截取N个离散点信号作为一个信号序列,其中,滑窗步长为M;在本实施例中,M小于N。则相应的N个离散点信号的幅值所构成的序列设为x[n1],其中,n1=1,2,3...N;N个离散点信号的采样时序位置所构成的序列设为x[n2],其中,n2=1,2,3...N。按照信号的先后顺序依次从每一个信号序列中提取出已知样本的多普勒雷达回波信号的每一个特征向量。
通过上述具体步骤,将已知样本的多普勒雷达回波信号转变为若干个特征向量来进行后续的运算,每一个特征向量相对于原始信号,维度降低了,从而降低了后续运算的复杂度。
参照图3,在一些实施例中,步骤S130具体包括:
步骤S131:从当前信号序列的第一个离散点信号开始,提取出当前信号序列最大幅值的离散点信号;
步骤S132:判断所述最大幅值是否大于或等于第一阈值,若是,则所述最大幅值对应的离散点信号作为当前信号序列的波峰点;若否,则进入下一个信号序列的波峰点的提取;
步骤S133:在所述波峰点两侧分别提取距离最近的两离散点信号拐点作为两波谷点;其中,所述拐点的幅值小于其前一个离散点信号的幅值和后一个离散点信号的幅值;
步骤S134:获取两波谷点之间的时间间隔t1、两波谷点同波峰点之间的时间间隔差值diff1以及两波谷点同波峰点之间的幅值差值中较小值与较大值的比值ratio1,将所述时间间隔t1、时间间隔差值diff1、比值ratio1作为一个信号序列的特征向量。
在本实施例中,将每一个信号序列看作一个类正弦波信号或者类余弦波信号,在步骤S131,从第一个离散点信号开始,依次比较每一个离散点信号的幅值的大小,即从序列x[n1]中找出数值最大的一个。在序列x[n1]中,数值最大的x[n1]所对应的离散点信号则为该信号段的波峰点。
为了使所截取的信号段的强度满足要求,也是为了在后续的处理过程中将运动目标信号和干扰信号更好地区分开来,对于获得的波峰点的幅值还需进行判断,只有幅值满足大于或等于第一阈值的波峰点才提取,对于不满足该条件的波峰点,则舍弃,直接进入下一个信号序列的特征信号提取过程。
在本实施例中,在信号样本中,运动目标信号和干扰信号的第一阈值通常不同,可根据实际需求设定。
以符合幅值条件的波峰点为基准,在该波峰点的两侧分别提取两距离最近的波谷点,根据正弦波或者余弦波的特性,波谷点、波峰点均为幅值拐点,从波峰点开始,往前提取,各离散信号点的幅值呈逐渐减小的趋势,直到达一个极低值后,开始增大,则该幅值极低值的离散点信号则为其中一波谷点;同样地,从波峰点开始,往后提取,各离散信号点的幅值也呈逐渐减小的趋势,直到达一个极低值后,开始增大,则该幅值极低值的离散点信号则为其中另一波谷点。
以上述三个离散信号点(一个波峰点、两个波谷点)作为特征提取的计算依据,分别计算获取两波谷点之间的时间间隔t1、两波谷点同波峰点之间的时间间隔差值diff1以及两波谷点同波峰点之间的幅值差值中较小值与较大值的比值ratio1,以上述三个值作为一个信号序列的特征向量提取出来。
在本实施例中,假设波峰点为A,两个波谷点分别为B和C,则该三个点幅值分别为x[A1]、x[B1]、x[C1],采样时序位置分别为x[A2]、x[B2]、x[C2],则时间间隔t1为两波谷点同波峰点之间的时间间隔差值diff1为两波谷点同波峰点之间的幅值差值a和b,则比值ratio1为min(a,b)/max(a,b)。
在本实施例中,时间间隔t1作为周期特点供训练网络训练学习,间间隔差值diff1和比值ratio1用于作为对称性特点供训练网络训练学习。
参照图4,在一些实施例中,步骤S200具体包括:
步骤S210:对所述信号样本的特征向量按类别进行标注并以随机顺序混合,将所述带有标注的特征向量以单次预设数量分批依次输入所述训练网络的输入层;其中,各运动目标信号样本的标注相同,各干扰信号样本的标注相同;
步骤S220:所述输入层将当前批次的所述特征向量与所述输入层、隐层之间的网络参数矩阵乘加后传输至隐层;
步骤S230:所述隐层通过激活函数对输入的特征向量学习得到相应的映射向量,将所述映射向量与所述隐层、输出层之间的网络参数矩阵乘加后传输至输出层;
步骤S240:所述输出层运用输出函数处理接收的所述映射向量得到相应的输出概率向量,并运用定义的损失函数得出所述输出概率向量与真实概率向量的当前批次损失值;
步骤S250:根据得出的损失值通过反向传播算法更新所述训练网络的各级网络参数,以迭代形式进行下一批次特征向量的训练学习,直到完成预设迭代次数,保存最终的训练网络参数;
步骤S260:运用保存的所述训练网络参数构建模型网络。
在本实施例中,对于已知类型的信号样本的特征向量,均按照信号样本的类别进行标注,若该已知类型的信号样本为运动目标信号(譬如人的运动、车的运动等),则将对应的特征向量都标注为1;若该已知类型的信号样本为干扰信号(譬如雨滴、树木等),则将对应的特征向量都标注为0。
在本实施例中,该训练网络优选采用循环神经网络或者长短时记忆网络。将带有标注的信号样本的特征向量输入至训练网络的输入层,按照步骤220-步骤S240进行训练学习,并运用反向传播算法不断更新训练网络的网络参数,将最后得到的网络参数保存后,构建模型网络。在本实施例中,隐层的维度高于特征向量的维度。
在本实施例中,隐层的激活函数优选采用relu函数,输出层的输出函数优选采用softmax函数。
反向传播算法是指将各已知样本的特征向量映射至高维空间进行迭代运算处理,利用所定义的损失函数对训练网络进行反向传播,以更新训练网络的网络参数。
在本实施例中,可将每次训练学***均后得到每一次的平均损失值,并可通过各平均损失值的变化是否逐渐变小并趋于平缓来判断得出的网络参数是否是最小化损失函数的网络参数。
最终,得出一个最小化损失函数的网络参数,运用该训练网络参数构建模型网络。
参照图5,在一些实施例中,步骤S300具体包括:
步骤S310:以预设采样率对所述目标多普勒雷达回波信号样本进行实时采样,得到若干离散点信号;
步骤S320:依次周期性地截取N个离散点信号,构成若干信号序列;其中,每一个周期内的离散点信号构成一信号序列,相邻两信号序列之间间隔M个离散点;
步骤S330:依次从每一个信号序列中提取出目标多普勒雷达回波信号的特征向量。
在本实施例中,与信号样本的多普勒雷达回波信号的特征向量提取过程相类似,也是采用预设采样率fs进行采样处理后得到若干离散点信号,采用滑窗方式周期性地截取N个目标多普勒雷达回波信号的离散点构成信号序列,其中,滑窗步长为M,且M小于N,则N个离散点信号的幅值所构成的序列设为y[n1],其中,n1=1,2,3...N;N个离散点信号的采样时序位置所构成的序列设为y[n2],其中,n2=1,2,3...N。按照信号的先后顺序依次从每一个信号序列的N个离散点信号中提取出目标多普勒雷达回波信号的每一个特征向量。
通过上述具体步骤,将目标多普勒雷达回波信号转变为若干个特征向量来进行后续的运算,每一个特征向量相对于原始信号,维度也降低了,从而降低了后续运算的复杂度。
参照图6,在一些实施例中,步骤S330具体包括:
步骤S331:从各信号序列的第一个离散点信号开始,提取出当前信号序列最大幅值的离散点信号;
步骤S332:在所述波峰点两侧分别提取距离最近的两离散点信号拐点作为两波谷点;其中,所述拐点的幅值小于其前一个离散点信号的幅值和后一个离散点信号的幅值;
步骤S333:获取两波谷点之间的时间间隔t2、两波谷点同波峰点之间的时间间隔差值diff2以及两波谷点同波峰点之间的幅值差值中较小值与较大值的比值ratio2,将所述时间间隔t2、时间间隔差值diff2、比值ratio2作为一个信号序列的特征向量。
在本实施例中,将每一个信号序列看作一个类正弦波信号或者类余弦波信号,在步骤S331,从第一个离散点信号开始,依次比较每一个离散点信号的幅值的大小,即从序列y[n1]中找出数值最大的一个。在序列y[n1]中,数值最大的y[n1]所对应的离散点信号则为该信号序列的波峰点。
以提取的波峰点为基准,在该波峰点的两侧分别提取两距离最近的波谷点,根据正弦波或者余弦波的特性,波谷点、波峰点均为幅值拐点,从波峰点开始,往前提取,各离散信号点的幅值呈逐渐减小的趋势,直到达一个极低值后,开始增大,则该幅值极低值的离散点信号则为其中一波谷点;同样地,从波峰点开始,往后提取,各离散信号点的幅值也呈逐渐减小的趋势,直到达一个极低值后,开始增大,则该幅值极低值的离散点信号则为其中另一波谷点。
以上述三个离散信号点(一个波峰点、两个波谷点)作为特征向量提取的计算依据,分别计算获取两波谷点之间的时间间隔t2、两波谷点同波峰点之间的时间间隔差值diff2以及两波谷点同波峰点之间的幅值差值中较小值与较大值的比值ratio2,以上述三个值作为一个信号序列的特征向量提取出来。
在本实施例中,假设波峰点为X,两个波谷点分别为Y和Z,则该三个点幅值分别为y[X1]、y[Y1]、y[Z1],采样时序位置分别为y[X2]、y[Y2]、y[Z2],则时间间隔t2为两波谷点同波峰点之间的时间间隔差值diff2为两波谷点同波峰点之间的幅值差值c和d,则比值ratio2为min(c,d)/max(c,d)。
在本实施例中,时间间隔t2作为周期特点供模型网络进行判断,间间隔差值diff1和比值ratio1用于作为对称性特点供模型网络进行判断。
参照图7,在一些实施例中,步骤S400具体包括:
步骤S410:将所述目标特征向量导入模型网络,所述模型网络输出二维概率向量;
步骤S420:根据二维概率向量中的较大值的索引识别目标多普勒雷达信号的类型。
经过步骤S300处理后的目标多普勒雷达回波信号,转变为低维度的特征向量,将各特征向量导入已建立的模型网络,该模型网络将输出一二维概率向量,根据输出的二维概率向量较大值的索引即可快速判断该目标多普勒雷达信号的类型。譬如,当二维概率向量中较大值的索引为0,是0类别,则对应的目标多普勒雷达信号为干扰信号;二维概率向量中较大值的索引为1,是1类别,则对应的目标多普勒雷达信号为运动目标信号。
另一实施例
参照图8、图9,本发明实施例提供多普勒雷达信号类型识别方法的另一实施例,本实施例与前一实施例的一个区别在于,步骤S220具体包括:
步骤S221:将带有标注的特征向量对应的所述信号样本分为训练集和测试集,所述训练集的样本数量多于测试集的样本数量;
步骤S222:将所述训练集的样本对应的特征向量分批输入至所述训练网络的输入层。
在本实施例中,训练集样本数量和测试集样本数量的比值优选采用9:1,通常训练集样本数量远远大于测试集样本数量。
步骤220-步骤S250对应的训练过程只需训练集样本对应的特征向量参与即可。
本实施例与前一实施例的另一个区别在于,在步骤S250之后还包括:
步骤S270:将所述训练集的样本对应的特征向量和测试集的样本对应的特征向量分别输入至所述训练网络,得出两分类准确率测试结果;
步骤S280:根据两测试结果判断是否再次进行训练;若两所述准确率测试结果满足预设条件,则训练结束;若两所述准确率测试结果不满足预设条件,则调整训练网络的相应参数后,对所述训练集的样本对应的特征向量进行再次训练,直到两所述准确率测试结果满足预设条件为止。
所述预设条件为:两所述分类准确率测试结果均大于或等于第二阈值、且两所述准确率测试结果的差值均小于或等于第三阈值。
为了得到较准确的分类,在得出网络参数后,将训练集的样本对应的特征向量与测试集的样本对应的特征向量输入至训练网络进行验证,由于训练集的样本和测试集的样本的类型已知,根据训练集的样本对应的特征向量经训练网络输出的分类结果与真实结果比对,可得出其分类准确率;同样地,根据测试集的样本对应的特征向量经训练网络输出的分类结果与真实结果比对,可得出测试集的样本的分类准确率。当两分类准确率均达到第二阈值,且两个准确率之间也比较接近时,则认为建立的模型网路的准确性较高。
若存在分类准确率较低的情况时,则应调整训练网络的相应参数(譬如隐层数、隐层特征数、学习率、训练集迭代次数等参数)后,再次训练,再次验证,直到得出分类准确率较高的模型网络。
在本实施例中,第二阈值、第三阈值均可根据实际需求设定,在此不作限定。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (8)
1.一种多普勒雷达信号类型识别方法,其特征在于,包括以下步骤:
采集已知类型的多普勒雷达回波信号样本,提取出所述信号样本的特征向量;其中,已知类型的多普勒雷达回波信号样本包括运动目标信号样本和干扰信号样本;
将所述信号样本的特征向量输入训练网络进行分类训练学习,构建模型网络;其中,所述训练网络包括依次连接的输入层、隐层和输出层;
实时采集目标多普勒雷达回波信号,提取出相应的目标特征向量;
将所述目标特征向量导入模型网络,识别出目标多普勒雷达回波信号的类型;
所述采集已知类型的多普勒雷达回波信号样本,提取出所述信号样本的特征向量的步骤包括:
以预设采样率对所述多普勒雷达回波信号样本进行采样,得到若干离散点信号;
依次周期性地截取N个离散点信号,构成若干信号序列;其中,每一个周期内的离散点信号构成一信号序列,相邻两信号序列之间间隔M个离散点;
依次从每一个信号序列中提取出所述信号样本的特征向量。
所述依次从每一个信号序列中提取出所述信号样本的特征向量的步骤包括:
从当前信号序列的第一个离散点信号开始,提取出当前信号序列最大幅值的离散点信号;
判断所述最大幅值是否大于或等于第一阈值,若是,则所述最大幅值对应的离散点信号作为当前信号序列的波峰点;若否,则进入下一个信号序列的波峰点的提取;
在所述波峰点两侧分别提取距离最近的两离散点信号拐点作为两波谷点;其中,所述拐点的幅值小于其前一个离散点信号的幅值和后一个离散点信号的幅值;
获取两波谷点之间的时间间隔t1、两波谷点同波峰点之间的时间间隔差值diff1以及两波谷点同波峰点之间的幅值差值中较小值与较大值的比值ratio1,将所述时间间隔t1、时间间隔差值diff1、比值ratio1作为一个信号序列的特征向量。
2.如权利要求1所述的多普勒雷达信号类型识别方法,其特征在于,所述将所述信号样本的特征向量输入训练网络进行分类训练学习,构建模型网络的步骤包括:
对所述信号样本的特征向量按类别进行标注并以随机顺序混合,将所述带有标注的特征向量以单次预设数量分批依次输入所述训练网络的输入层;其中,各运动目标信号样本的标注相同,各干扰信号样本的标注相同;
所述输入层将当前批次的所述特征向量与所述输入层、隐层之间的网络参数矩阵乘加后传输至隐层;
所述隐层通过激活函数对输入的特征向量学习得到相应的映射向量,将所述映射向量与所述隐层、输出层之间的网络参数矩阵乘加后传输至输出层;
所述输出层运用输出函数处理接收的所述映射向量得到相应的输出概率向量,并运用定义的损失函数得出所述输出概率向量与真实概率向量的当前批次损失值;
根据得出的损失值通过反向传播算法更新所述训练网络的各级网络参数,以迭代形式进行下一批次特征向量的训练学习,直到完成预设迭代次数,保存最终的训练网络参数;
运用保存的所述训练网络参数构建模型网络。
3.如权利要求1所述的多普勒雷达信号类型识别方法,其特征在于,所述将所述带有标注的特征向量以单次预设数量分批依次输入所述训练网络的输入层的步骤包括:
将带有标注的所述特征向量对应的信号样本分为训练集和测试集,所述训练集的样本数量多于测试集的样本数量;
将所述训练集的样本对应的特征向量分批输入至所述训练网络的输入层。
4.如权利要求3所述的多普勒雷达信号类型识别方法,其特征在于,在所述根据得出的损失值通过反向传播算法更新所述训练网络的各级网络参数,以迭代形式进行下一批次特征向量的训练学习,直到完成预设迭代次数,保存最终的训练网络参数的步骤之后包括:
将所述训练集的样本对应的特征向量和测试集的样本对应的特征向量分别输入至所述训练网络,得出两分类准确率测试结果;
根据两测试结果判断是否再次进行训练;若两所述准确率测试结果满足预设条件,则训练结束;若两所述准确率测试结果不满足预设条件,则调整训练网络的相应参数后,对所述训练集的样本对应的特征向量进行再次训练,直到两所述准确率测试结果满足预设条件为止。
5.如权利要求4所述的多普勒雷达信号类型识别方法,其特征在于,所述预设条件为:两所述分类准确率测试结果均大于或等于第二阈值、且两所述准确率测试结果的差值均小于或等于第三阈值。
6.如权利要求1所述的多普勒雷达信号类型识别方法,其特征在于,所述实时采集目标多普勒雷达回波信号,提取出相应的目标特征向量的步骤还包括:
以预设采样率对所述目标多普勒雷达回波信号样本进行实时采样,得到若干离散点信号;
依次周期性地截取N个离散点信号,构成若干信号序列;其中,每一个周期内的离散点信号构成一信号序列,相邻两信号序列之间间隔M个离散点;
依次从每一个信号序列中提取出目标多普勒雷达回波信号的特征向量。
7.如权利要求6所述的多普勒雷达信号类型识别方法,其特征在于,所述依次从每一个信号序列中提取出目标多普勒雷达回波信号的特征向量的步骤包括:
从各信号序列的第一个离散点信号开始,提取出当前信号序列最大幅值的离散点信号;
在所述波峰点两侧分别提取距离最近的两离散点信号拐点作为两波谷点;其中,所述拐点的幅值小于其前一个离散点信号的幅值和后一个离散点信号的幅值;
获取两波谷点之间的时间间隔t2、两波谷点同波峰点之间的时间间隔差值diff2以及两波谷点同波峰点之间的幅值差值中较小值与较大值的比值ratio2,将所述时间间隔t2、时间间隔差值diff2、比值ratio2作为一个信号序列的特征向量。
8.如权利要求1所述的多普勒雷达信号类型识别方法,其特征在于,所述将所述目标特征向量导入模型网络,识别出目标多普勒雷达信号的类型的步骤包括:
将所述目标特征向量导入模型网络,所述模型网络输出二维概率向量;
根据二维概率向量中的较大值的索引识别目标多普勒雷达信号的类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910776691.7A CN110488278B (zh) | 2019-08-20 | 2019-08-20 | 多普勒雷达信号类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910776691.7A CN110488278B (zh) | 2019-08-20 | 2019-08-20 | 多普勒雷达信号类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110488278A CN110488278A (zh) | 2019-11-22 |
CN110488278B true CN110488278B (zh) | 2021-07-27 |
Family
ID=68552752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910776691.7A Active CN110488278B (zh) | 2019-08-20 | 2019-08-20 | 多普勒雷达信号类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110488278B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027018B (zh) * | 2019-12-20 | 2023-03-31 | 支付宝(杭州)信息技术有限公司 | 加速计算设备建模的方法、装置、计算设备及介质 |
CN111045008B (zh) * | 2020-01-15 | 2023-06-09 | 深圳市华讯方舟微电子科技有限公司 | 基于展宽计算的车载毫米波雷达目标识别方法 |
CN112836674B (zh) * | 2021-02-28 | 2024-03-26 | 西北工业大学 | 基于微多普勒特征的水下目标识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2906771Y (zh) * | 2005-11-30 | 2007-05-30 | 中国科学院声学研究所 | 一种超声波入侵探测器 |
CN101136141A (zh) * | 2007-10-12 | 2008-03-05 | 清华大学 | 基于单频连续波雷达的车型分类方法 |
CN100440264C (zh) * | 2005-11-30 | 2008-12-03 | 中国科学院声学研究所 | 一种超声波入侵探测方法和探测装置 |
CN106328150A (zh) * | 2016-08-18 | 2017-01-11 | 北京易迈医疗科技有限公司 | 嘈杂环境下的肠鸣音检测方法、装置及*** |
CN109325402A (zh) * | 2018-08-06 | 2019-02-12 | 高维度(深圳)生物信息智能应用有限公司 | 一种信号处理方法、***及计算机存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69725172T2 (de) * | 1996-03-08 | 2004-04-08 | Motorola, Inc., Schaumburg | Verfahren und gerät zum erkennen von geräuschsignalproben aus einem geräusch |
CN101211341A (zh) * | 2006-12-29 | 2008-07-02 | 上海芯盛电子科技有限公司 | 图像智能模式识别搜索方法 |
KR101776703B1 (ko) * | 2011-10-14 | 2017-09-08 | 한화테크윈 주식회사 | 레이다 센서 및 이를 이용한 물체 검출 방법 |
CN107339992B (zh) * | 2017-08-24 | 2020-01-24 | 武汉大学 | 一种基于行为的室内定位和地标语义标识的方法 |
-
2019
- 2019-08-20 CN CN201910776691.7A patent/CN110488278B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2906771Y (zh) * | 2005-11-30 | 2007-05-30 | 中国科学院声学研究所 | 一种超声波入侵探测器 |
CN100440264C (zh) * | 2005-11-30 | 2008-12-03 | 中国科学院声学研究所 | 一种超声波入侵探测方法和探测装置 |
CN101136141A (zh) * | 2007-10-12 | 2008-03-05 | 清华大学 | 基于单频连续波雷达的车型分类方法 |
CN106328150A (zh) * | 2016-08-18 | 2017-01-11 | 北京易迈医疗科技有限公司 | 嘈杂环境下的肠鸣音检测方法、装置及*** |
CN109325402A (zh) * | 2018-08-06 | 2019-02-12 | 高维度(深圳)生物信息智能应用有限公司 | 一种信号处理方法、***及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
"基于微波感应的动态目标探测技术研究";成军昌;《中国优秀硕士学位论文全文数据库工程科技II辑》;20190115;C032-352 * |
Also Published As
Publication number | Publication date |
---|---|
CN110488278A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110488278B (zh) | 多普勒雷达信号类型识别方法 | |
CN109508580B (zh) | 交通信号灯识别方法和装置 | |
CN110456320B (zh) | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 | |
Hu et al. | An intuitionistic kernel-based fuzzy c-means clustering algorithm with local information for power equipment image segmentation | |
CN107423754B (zh) | 一种基于参数多属性自主智能决策的辐射源自动识别*** | |
CN111708021B (zh) | 一种基于毫米波雷达的人员跟踪与识别算法 | |
US20220026557A1 (en) | Spatial sensor system with background scene subtraction | |
Wang et al. | A center location algorithm for tropical cyclone in satellite infrared images | |
CN109724703A (zh) | 基于模式识别的复杂场景下的温度矫正方法 | |
CN113064489A (zh) | 一种基于L1-Norm的毫米波雷达手势识别方法 | |
Cao et al. | Towards cross-environment human activity recognition based on radar without source data | |
Cen | Target location detection of mobile robots based on R-FCN deep convolutional neural network | |
CN108228863B (zh) | 情报信息查询的方法、装置、存储介质及终端设备 | |
CN111460909A (zh) | 基于视觉的货位管理方法和装置 | |
CN108932468B (zh) | 一种适用于心理学的面部识别方法 | |
CN111414843A (zh) | 手势识别方法及终端设备 | |
Yu et al. | An intelligent implementation of multi-sensing data fusion with neuromorphic computing for human activity recognition | |
CN111209813B (zh) | 基于迁移学习的遥感图像语义分割方法 | |
CN111797690A (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
CN111091140A (zh) | 目标分类方法、装置及可读存储介质 | |
Onumanyi et al. | A discriminant analysis-based automatic ordered statistics scheme for radar systems | |
CN113361579B (zh) | 一种水下目标探测辨识方法、***、设备及可读存储介质 | |
CN103076595A (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
CN114998731A (zh) | 智能终端导航场景感知识别的方法 | |
CN110363128A (zh) | 基于生物视觉的机场跑道异物检测方法、***及介质 |
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 |