CN113376600B - 一种基于RSDNet的行人雷达回波去噪方法 - Google Patents
一种基于RSDNet的行人雷达回波去噪方法 Download PDFInfo
- Publication number
- CN113376600B CN113376600B CN202110506104.XA CN202110506104A CN113376600B CN 113376600 B CN113376600 B CN 113376600B CN 202110506104 A CN202110506104 A CN 202110506104A CN 113376600 B CN113376600 B CN 113376600B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- echo
- signal
- radar echo
- radar
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 60
- 230000005021 gait Effects 0.000 claims description 40
- 238000010606 normalization Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000002592 echocardiography Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000008485 antagonism Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 2
- 230000001427 coherent effect Effects 0.000 claims description 2
- 230000003042 antagnostic effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 38
- 230000006870 function Effects 0.000 description 21
- 238000012360 testing method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 239000013074 reference sample Substances 0.000 description 3
- 210000000689 upper leg Anatomy 0.000 description 3
- 210000000544 articulatio talocruralis Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 244000309466 calf Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 210000000245 forearm Anatomy 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明属于雷达信号处理技术领域,公开了一种基于RSDNet的行人雷达回波去噪方法,该方法是基于原始复信号的深度学习去噪算法,充分利用信号的相位信息,使得生成的去噪信号可以在不同域之间变换,消除了现有方法对噪声功率先验信息的依赖,降低对复杂时频分析操作的要求,真正实现端到端的“盲”去噪。该方法通过一种简单的复信号预处理方式,仅提取复信号的实部作为网络的输入,简化步骤,不会造成信息损失。另外,该方法是一种生成对抗网络,不仅有利于高频分量的生成还避免了生成分布的趋同现象。采用基于弹性网络的损失函数,避免网络的过拟合,提高网络的去噪性能。
Description
技术领域
本发明属于雷达信号处理技术领域,尤其涉及一种基于雷达信号去噪网络(RSDNet)的行人雷达回波去噪方法。可用于对行人步态的雷达回波进行去噪,提高噪声干扰环境下的行人步态识别精度。
背景技术
由于行人目标的径向速度低且雷达横截面积小,雷达的微运动的回波能量比平移运动的回波能量小得多,因此,行人的雷达回波很容易受到接收机噪声的污染。行人步态识别算法的性能通常会随着信噪比的降低而下降。因此,对行人回波去噪的研究是行人目标检测和识别领域的重要环节。
目前,国内外常见的去噪方法有传统的去噪方法、小波去噪方法和基于机器学习或深度学习的信号去噪方法。纯时域法或纯频域法等传统的去噪方法需要有关噪声功率的先验信息。由于小波变换具有多分辨率分析特性和灵活的小波基函数,近年来被广泛应用于雷达信号去噪领域,但是小波阈值去噪的性能受限于小波基以及阈值的选择,需要信号处理相关知识。随着人工智能的发展与图形计算单元效能的提升,机器学习和深度学习在图像分类、语音增强和图像超分辨等领域均有成功的应用,将机器学习与小波变换相结合或直接基于深度学习的去噪方法成为该领域的研究热点。然而,机器学习需要复杂的特征工程,基于深度学习的去噪方法多针对时频谱图进行去噪,存在复杂的时频分析且去噪后无法变换至其他域等缺陷。因此,研究基于原始复信号的深度学习去噪算法,可以充分利用信号的相位信息,使得生成的去噪信号可以在不同域之间变换,避免有关噪声功率的先验和复杂的时频分析,真正实现端到端的“盲”去噪。
中南大学的Lei T W等人在文献“A signal denoising method of gestureradar based on weighted principal component analysis and improved waveletthreshold”(IEEE Information Technology and Mechatronics EngineeringConference,2018年12月)提出了一种基于加权PCA(主成分分析)的改进小波阈值去噪算法。首先,对雷达数据进行归一化和加权,并通过PCA减小其尺寸,然后利用小波阈值去噪算法对降维数据进行去噪,最终,通过去噪的主分量与特征向量矩阵相乘来重建信号,并且通过仿真和实测数据验证了该方法良好的计算效率和降噪效果。但是该方法的小波阈值去噪的性能受限于小波基以及阈值的选择,需要信号处理相关知识,并且预处理过程复杂,需要对输入数据进行手工加权并降维。
德国斯图加特大学的Armanious K等人在文献“Towards adversarial denoisingof radar micro-doppler signatures”(IEEE International Radar Conference,2019年9月)提出了一种基于条件生成对抗网络(CGAN)的行人步态时频图的去噪方法,该方法将带噪声的时频图作为条件,与干净时频图组成判别器的输入对,由U型网络(U-Net)构成的生成器经过与判别器的对抗训练,从而将带噪声的时频图转换为去噪后的干净时频图,网络的损失函数将生成对抗网络(GAN)的对抗损失和衡量相似度的非对抗损失相结合,以确保时频图的正确重建,该方法在定性和定量的评估上均优于现有技术。但是该方法的不足是,网络的输入为时频图,导致预处理过程需要复杂的时频分析,并且网络的输入为实数值,使得网络无法充分利用信号中的相位信息且去噪后无法变换至其他域。
发明内容
为了解决上述问题,本发明的目的是提出一种基于RSNet的行人雷达回波去噪方法。本发明的RSDNet消除了传统去噪方法对噪声功率先验信息的依赖,弥补了基于机器学习的小波去噪方法需要手工提取特征的缺陷,避免了复杂的时频分析操作以及去噪后无法变换至其他域的问题。
为了达到上述目的,本发明采用以下技术方案予以解决。
一种基于RSDNet的行人雷达回波去噪方法,包括以下步骤:
步骤1,获取不同步态的行人雷达回波复信号,构成训练样本集;
其中,每个样本对应一个行人回波序列;
步骤2,对每个训练样本进行预处理,得到预处理后的训练样本,即预处理后的行人回波实信号;
步骤3,搭建RSDNet,并对RSDNet进行初始化;采用预处理后的行人回波实信号对初始化后的RSDNet进行训练,得到训练好的RSDNet;
步骤4,获取待测试行人雷达回波,并对其进行预处理,将预处理后的待测试行人雷达回波输入训练好的RSDNet对其进行去噪,得到对应的去噪后的行人雷达回波实信号;
步骤5,对去噪后的行人雷达回波实信号进行后处理,得到最终的去噪后的行人雷达回波复信号,完成行人雷达回波去噪。
与现有技术相比,本发明的有益效果为:
(1)本发明是一种基于原始复信号的深度学习去噪方法,其输入和输出均为行人回波的复信号,使得本发明可以充分利用信号的相位信息,生成的去噪信号可以在不同域之间变换。
(2)本发明只需要在训练样本中有多种信噪比信号,即可消除了现有方法对噪声功率先验信息的依赖,真正实现端到端的“盲”去噪。
(3)本发明利用解析信号的实部和虚部满足希尔伯特变换关系的特性,通过设计简单的复信号预处理方式,仅提取复信号的实部作为网络的输入,不但简化了归一化的步骤,而且不会造成信息的损失,使得本发明降低了网络的计算成本以及对复杂时频分析操作的要求。
(4)本发明率先将GAN应用到雷达复信号去噪领域,采用条件生成对抗网络,将带噪声的信号作为判别器的输入条件,以确保信号的正确重构以及避免生成分布的趋同现象,并且生成器和判别器均采用全卷积网络,有利于去噪过程中高频分量的生成;
(5)本发明将对抗损失与非对抗损失相结合,将弹性网络的损失函数作为生成器损失函数的添加项,使得本发明具有良好的去噪性能和泛化性能。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为本发明的基于RSDNet的行人雷达回波去噪方法的结构流程图;
图2为本发明的行人与雷达的空间位置关系图;
图3为本发明的行人雷达回波去噪方法的处理流程图;
图4为本发明的RSDNet网络结构示意图;
图5为本发明构建的行人回波数据集中快速行走步态在不同信噪比下的测试集示图,每幅示图包括时域、频域和时频域;其中,(a)为无噪声的行人回波示图;(b)为信噪比在15dB下的行人回波示图;(c)为信噪比在10dB下的行人回波示图;(d)为信噪比在5dB下的行人回波示图;
图6为本发明去噪后的快速行走步态的行人回波在时域、频域和时频域的示图,其中,(a)为干净的行人回波示图;(b)为15dB下去噪后的行人回波示图;(c)为10dB下去噪后的行人回波示图;(d)为5dB下去噪后的行人回波示图;
图7为本发明方法与小波去噪方法在不同测试信噪比下去噪性能的对比图;其中,(a)为两种方法去噪后行人回波的SNR对比;(b)为两种方法去噪后行人回波的RMSE对比。
具体实施方式
下面结合附图对本发明的实施例及效果作进一步详细描述。
参考图1,本发明实施例提供一种基于RSDNet的行人雷达回波去噪方法,包括以下步骤:
步骤1,获取不同步态的行人雷达回波复信号,构成训练样本集;
其中,每个样本对应一个行人回波序列;
本实施例的训练样本可以从采集分析的行人雷达回波数据中选取,也可以通过模型生成,以下为采用模型生成训练样本集的具体步骤:
1.1,构建Boulic行走模型,并设置行人步态参数,包括行人初始空间位置、行走方向、行人身高和步态周期数;
1.2,按行走速度对行人步态进行分类,得到慢速行走、正常行走和快速行走三种行人步态,作为行人步态模型;
1.3,设置雷达回波的仿真参数,包括发射信号类型,发射信号频率、发射信号带宽、一个行走周期的发射脉冲数和雷达空间位置;仿真获得三种行人步态的雷达回波。
示例性的,本发明采用Boulic行走模型,该模型中定义的大腿长度Ht为人体总高度的53%,又定义了相对行走速度VR(m/s),即用Ht归一化平均行走速度,其取值范围为(0,3.0)。根据相对行走速度的取值范围,本发明定义了三种步态:慢速行走(0<VR≤0.5)、正常行走(0.5<VR≤1.3)、快速行走(1.3<VR≤3.0)。
本发明实施例设置行人的仿真参数为:行人初始空间位置为(0,0,0),行人行走方向沿X轴正方向,行人身高分别设置为1.55m、1.6m、1.65m、1.7m、1.75m、1.8m和1.85m,以及步态周期数为1。
本发明实施例设置雷达回波的仿真参数为:发射信号类型为单频信号,发射信号载频为24GHz,发射信号带宽为5GHz,一个行走的发射脉冲数为4096,以及雷达的空间位置为(50,0,20)。行人与雷达的空间位置关系如图2所示。
雷达发射载频为f的单频信号,该模型将行人身体分为16个部位:头部、躯干、左肩膀、右肩膀、左大臂、右大臂、左小臂、右小臂、左臀部、右臀部、左大腿、右大腿、左小腿、右小腿、左踝关节、右踝关节;并将身体各部位看作椭球体,则行人某一部位的回波为:
其中,j为虚数单位,t为时间,c为光速,R(t)为行人该部位与雷达的瞬时距离,σ为后向散射的雷达截面积。
则雷达接收回波的基带信号为:
其中,λ为波长。
最后,将行人各部位的雷达回波进行相干叠加,则可得到行人整体的雷达回波。
1.4,在行人回波中加入不同信噪比(SNR)的高斯白噪声,构建行人回波数据集,并按照SNR将数据集划分为训练样本和测试样本;
具体过程为:首先,在不同的行人身高下,在不同的步态区间内设置取样间隔,对不同步态的行人回波进行取样;
然后,对取样获得的每种步态的行人回波分别加入不同信噪比的高斯白噪声,得到行人回波数据集,形成训练样本集。
示例性的,
本发明实施例在七种行人身高下,在慢速行走的步态区间内以0.005为间隔取样,在正常行走的步态区间内以0.01为间隔取样,在快速行走的步态区间内以0.02为间隔取样,三种步态共计1722个样本,每种步态下有5种信噪比(2.5dB、7.5dB、12.5dB和17.5dB),共6888个样本,作为行人回波数据集的训练样本。
步骤2,对每个训练样本进行预处理,得到预处理后的训练样本,即预处理后的行人回波实信号;
具体的,包含以下子步骤:
2.1,将输入的训练样本复信号变换到频域,在频域进行上采样后再进行频谱搬移,得到负频谱为0的复信号;
其中,所述上采样操作为对频谱进行前后补零,使得复信号的长度变为原来的两倍;
2.2,将负频谱为0的复信号变换到时域,提取复信号的实部,得到对应的实信号;
2.3,计算并存储该实信号的最大值和最小值,并将实信号进行归一化处理。
示例性的,本发明实施例对行人回波的预处理流程如图3所示,其中归一化处理为将提取的实信号序列归一化到[-1,1],则归一化后的实信号y′为:
其中,x′为输入的训练样本序列,xmin和xmax分别为输入序列的最小值和最大值,被记录以用于后处理的反归一化操作。
步骤3,搭建RSDNet,并对RSDNet进行初始化;采用训练样本对初始化后的RSDNet进行训练,得到训练好的RSDNet;
3.1,所述RSDNet包含生成器和判别器,所述生成器由编码器和解码器组成,所述编码器包含多个下采样的卷积模块,每个卷积模块由虚拟批归一化层、卷积层和激活函数组成,所述解码器由多个上采样的反卷积模块组成,解码器是编码器的镜像结构,每个反卷积模块由虚拟批归一化层、卷积层和激活函数组成;编码器和解码器之间进行跳级连接,即编码器的每个卷积模块的输出与解码器的对应的反卷积模块的输出进行通道级联作为下一个反卷积模块的输入。
所述判别器包含依次级联的多个下采样的卷积模块和全连接层。
本发明构建的RSDNet的生成器和判别器中,卷积层的卷积核长度为31,卷积步长为2;
3.2,初始化RSDNet。将RSDNet中的所有权重服从N(0,0.02)进行随机初始化,偏置初始化为0。
示例性的,RSDNet的网络结构示意图如图4所示,本发明的生成器为全卷积组成的编码器,将多个下采样的卷积层组成编码器,将多个上采样的反卷积层组成解码器,生成器共有20层,其中编码器每一层输出的特征图大小为8192*1、4096*8、2048*16,1024*16、512*32、256*32、128*64、64*64、32*128、16*128和8*512,解码器是编码器的镜像结构,输出的特征图大小排序和编码器相反。生成器的最后一层的激活函数为tanh,其余每一层的激活函数均采用PReLU;
其中,a为可训练的参数,初始化为0.3。
生成器的每一层在卷积操作前均采用VBN(虚拟批归一化)处理,具体处理过程为:
其中,m为批大小,设置为128,xi为输入特征图,ri为固定的参考样本,μB知是输入数据的均值和方差,μR和/>是固定参考样本的均值和方差,μ和σ2是VBN层用于归一化的参数,γ和β是两个可训练的重构参数。首先,VBN层会提前选择一批固定的参考样本,将固定的参考样本与当前批次的样本相结合计算VBN层用于归一化的参数。然后,将输入特征归一化为服从均值为0、方差为1的高斯分布/>之后,VBN层将归一化的特征利用可训练的参数进行重构得到yi。
另外,如图4所示,本发明的生成器中每个编码层的输出与对应的解码层的输出进行通道级联作为下一个解码层的输入,其中,最后一个编码层的输出是与一个和它形状相同且服从N(0,1)的随机向量进行通道级联。
本发明的判别器由卷积层和全连接层组成,将多个下采样的卷积层组合,最后与一个全连接层连接,其中卷积层有11层,每一层输出的特征图大小为8192*1、4096*8、2048*16,1024*16、512*32、256*32、128*64、64*64、32*128、16*128、8*512和8*1。卷积层的激活函数均采用LeakyReLU,
其中,ε为一个很小的固定值,设置为0.3。每一层在卷积操作前均采用VBN处理输入。
3.3,采用预处理后的行人回波实信号对初始化后的RSDNet进行训练,得到训练好的RSDNet;
具体的,包含以下子步骤:
子步骤3.3a,将预处理后的行人回波实信号输入生成器,生成器输出预测的去噪后行人回波;
子步骤3.3b,在真实样本对和虚假样本对中分别加入随机噪声,再分别输入判别器,判别器输出判别结果;
其中,真实样本对为干净的无噪声的行人雷达回波及对应训练样本的通道级联样本,虚假样本对为预测的去噪后行人回波及对应训练样本的通道级联样本,随机噪声服从N(0,0.5),
子步骤3.3c,采用对抗损失函数计算判别器对应的训练损失,并通过反向传播算法,优化判别器的网络参数;
其中,所述判别器的网络参数为判别器的所有权重和偏置;
子步骤3.3d,采用对抗损失函数和非对抗损失函数计算生成器对应的训练损失,并通过反向传播算法,优化生成器的网络参数;
其中,所述生成器的网络参数为生成器的所有权重和偏置,
子步骤3.3e,重复子步骤3.3c一次,再重复子步骤3.3d两次,完成一批次训练样本的训练;
重复子步骤3.3a-子步骤3.3e,进行下一批次训练样本的训练,以此类推,直至所有批次训练样本训练结束,即完成一次训练;迭代重复设定次数的训练,得到训练好的RSDNet。
一般的,为了测试训练效果,会在获取训练样本集时,划分一部分样本作为测试数据,采用测试数据对训练好的RSDNet进行测试,根据测试结果确定网络是否达到需要的训练效果。
示例性的,
本发明判别器采用CGAN的思想,将带噪声的行人回波作为判别器的输入条件,真实样本对为干净的行人回波和对应的训练样本的通道级联样本,虚假样本对为生成器去噪后的行人回波和对应的训练样本的通道级联样本,其中,干净的行人回波和训练样本均经过预处理操作。
本发明的损失函数由对抗损失和非对抗损失组成,所述对抗损失函数为带梯度惩罚的韦氏距离生成对抗网络(WGAN-GP的损失函数)的损失函数,所述非对抗损失函数是一种弹性网络的损失函数,即生成器去噪后的行人回波和干净的行人回波之间的L1范数和L2范数的加权和。假设生成器为G(x),判别器为D(x),y为带噪声的行人回波,x为干净的行人回波,为G(x)生成的去噪信号,将D(x)输入的真实样本对记为xr=(x,y)~Pr,Pr为真实样本对服从的分布,虚假样本对记为/>Pg为虚假样本对服从的分布,梯度惩罚项中的采样样本记为/>Pp为惩罚分布,生成器的损失函数记为LD,判别器的损失函数记为LG,则RSDNet在训练过程中优化的损失函数为
其中,min表示最小化,E表示期望,λ为梯度惩罚项的超参数,设置为20,K是弹性网络的权重,设置为100,α为L1正则化项的系数,设置为0.3。另外,Pp通过采样的方式生成。首先,从Pr和Pg中分别采样一个点,然后将这两个点连线,最后在连线上采样一个点,作为从Pp中采样的点。重复以上过程,不断采样得到Pp,即Pp为Pr和Pg中间空间的一部分。
所述反向传播算法中,采用RMSprop优化器对网络参数进行优化,使得网络的损失减小,先优化一次判别器,再优化两次生成器,判别器的学习率设置为0.00005,生成器的学习率设置为0.0003,对所有训练样本迭代训练110次,得到训练好的RSDNet模型。
步骤4,获取待测试行人雷达回波,并对其进行预处理,将预处理后的待测试行人雷达回波输入训练好的RSDNet对其进行去噪,得到对应的去噪后的行人雷达回波实信号;
本发明中待测试行人雷达回波表示雷达真实采集的行人回波,为了验证效果,本实施例采用模型生成数据作为待测试行人雷达回波。具体为:
在各种行人身高下,每种步态在步态区间的取样间隔均设置为训练样本的2倍,得到三种步态共计434个样本,每种步态下有11种信噪比(5dB到15dB,间隔为1dB),共计4774个样本,作为待测试行人雷达回波数据集。本发明构建的行人回波数据集中快速行走步态在不同信噪比下的测试集示图如图5所示,包括时域、频域和时频域,图5(a)为干净的行人回波示例;图5(b)为信噪比在15dB下的行人回波示例;图5(c)为信噪比在10dB下的行人回波示例;图5(d)为信噪比在5dB下的行人回波示例。待测试行人雷达回波的预处理过程与训练样本相同。
将预处理后的待测试行人雷达回波输入训练好的RSDNet的生成器中,生成器输出去噪后的行人雷达回波实信号。
步骤5,对去噪后的行人雷达回波实信号进行后处理,得到最终的去噪后的行人雷达回波复信号,完成行人雷达回波去噪。
具体的,包含以下子步骤:
5.1,将去噪后的行人雷达回波实信号进行与子步骤2.3相对应的反归一化处理;对反归一化处理后的实信号进行希尔伯特变换,得到对应的变换后的复信号;
5.2,将变换后的复信号变换到频域,在频域依次进行频谱搬移和下采样后,再变换到时域,得到最终的去噪后的行人回波。
其中,所述下采样操作为对频谱进行前后去零,使得复信号的长度变为原来的1/2。
示例性的,
本发明实施例对行人回波的后处理流程如图4所示,其中反归一化处理后的实信号s为
其中,s为输入序列,xmin和xmax分别为子步骤2.3存储的原始序列的最小值和最大值。对实信号s进行希尔伯特变换,得到复信号为
其中,为复信号的虚部,与实信号s之间满足希尔伯特变换关系。
本发明实施例对测试样本进行去噪,对去噪后的行人回波在时域、频域和时频域与干净无噪声的行人回波进行定性的分析对比,结果如图6所示。采用信噪比(SNR)和均方根误差(RMSE)来定量评估对比两个算法的去噪性能,其中SNR为去噪后的行人回波的信噪比,反映了去噪后的行人回波的信噪比增强情况,RMSE为去噪后的行人回波和干净的行人回波之间的均方根误差,通过RMSE可以分析两者之间的相似度,RMSE越小说明两者越相似。本发明实例还与小波阈值去噪方法对比了去噪性能,以最优去噪结果为前提,小波阈值去噪方法的参数设置如表1所示,图7为两种方法去噪后的行人回波在不同测试信噪比下的SNR与RMSE的对比。
表1小波阈值去噪方法的参数设置
参数名称 | 阈值选择 | 小波函数 | 分解层数 | 全局阈值 |
参数值 | ddencmp | db4 | 2 | 是 |
附图6为对去噪后的快速行走步态的行人回波在时域、频域和时频域与干净的行人回波进行定性的分析对比。由图6可知,(1)在所有测试信噪比下,生成的去噪信号在时域、频域和时频域的可视化呈现均与干净信号非常接近,说明网络充分学习到了信号和噪声各自的特征,并有效的抑制了噪声;(2)在低信噪比下,虽然在去噪信号中有小部分能量较低的高频分量被当做噪声去除,但是信号大部分的高频分量均得到了有效恢复。这是因为人体目标速度低且只有四肢末端的微动幅度较大,人体微动回波的高频分量能量较低,容易被噪声淹没,但是RSDNet的输入采用经过预处理的复信号,使得输入包含了高频和低频分量的相位特征和频谱特征,以供网络进行特征的提取与学习。同时,RSDNet的全卷积结构还使得网络更关注特征的局部信息和空间部署,从而有利于高频分量的生成。
附图7为在不同测试信噪比下对比了本发明方法和小波去噪方法的去噪性能,由图7(a)可知,在所有测试信噪比下,RSDNet生成的去噪信号的SNR均大于小波阈值去噪,说明RSDNet具有更强的去噪性能;由图7(b)可知,在所有测试信噪比下,RSDNet生成的去噪信号的RMSE均小于小波阈值去噪算法,说明RSDNet生成的去噪信号与干净信号更相似。
综合以上可知,本发明方法的RSDNet行人雷达回波去噪方法,是基于原始复信号的深度学习去噪算法,可以充分利用信号的相位信息,使得生成的去噪信号可以在不同域之间变换,消除了现有方法对噪声功率先验信息的依赖,降低对复杂时频分析操作的要求,真正实现端到端的“盲”去噪。同时,本发明方法简化复信号的预处理方式,提高网络的去噪性能,具有明显优势。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种基于RSDNet的行人雷达回波去噪方法,其特征在于,包括以下步骤:
步骤1,获取不同步态的行人雷达回波复信号,构成训练样本集;
其中,每个样本对应一个行人回波序列;
步骤2,对每个训练样本进行预处理,得到预处理后的训练样本,即预处理后的行人回波实信号;
步骤3,搭建RSDNet,并对RSDNet进行初始化;采用预处理后的行人回波实信号对初始化后的RSDNet进行训练,得到训练好的RSDNet;
其中,RSDNet表示雷达信号去噪网络;
步骤4,获取待测试行人雷达回波,并对其进行预处理,将预处理后的待测试行人雷达回波输入训练好的RSDNet对其进行去噪,得到对应的去噪后的行人雷达回波实信号;
步骤5,对去噪后的行人雷达回波实信号进行后处理,得到最终的去噪后的行人雷达回波复信号,完成行人雷达回波去噪;
所述预处理的具体步骤为:
2.1,将输入的训练样本复信号变换到频域,在频域进行上采样后再进行频谱搬移,得到负频谱为0的复信号;
其中,所述上采样操作为对频谱进行前后补零,使得复信号的长度变为原来的两倍;
2.2,将负频谱为0的复信号变换到时域,提取复信号的实部,得到对应的实信号;
2.3,计算并存储该实信号的最大值和最小值,并将实信号进行归一化处理,使提取的实信号序列归一化到[-1,1],则归一化后的实信号y'为:
其中,x'为输入的训练样本序列,xmin和xmax分别为输入序列的最小值和最大值;
所述RSDNet包含生成器和判别器,所述生成器由编码器和解码器组成,所述编码器包含多个下采样的卷积模块,每个卷积模块由虚拟批归一化层、卷积层和激活函数组成,所述解码器由多个上采样的反卷积模块组成,解码器是编码器的镜像结构,每个反卷积模块由虚拟批归一化层、卷积层和激活函数组成;编码器和解码器之间进行跳级连接,即编码器的每个卷积模块的输出与解码器的对应的反卷积模块的输出进行通道级联作为下一个反卷积模块的输入;
所述判别器包含依次级联的多个下采样的卷积模块和全连接层;
所述生成器的最后一层的激活函数为tanh,其余每一层的激活函数均采用PReLU;所述判别器中的卷积模块对应的激活函数为LeakyReLU;
所述对RSDNet进行初始化,具体为:将RSDNet中的所有权重服从N(0,0.02)进行随机初始化,偏置初始化为0;
所述采用预处理后的行人回波实信号对初始化后的RSDNet进行训练,其具体过程为:
子步骤3.3a,将预处理后的行人回波实信号输入生成器,生成器输出预测的去噪后行人回波;
子步骤3.3b,在真实样本对和虚假样本对中分别加入随机噪声,再分别输入判别器,判别器输出判别结果;
其中,真实样本对为干净的无噪声的行人雷达回波及对应训练样本的通道级联样本,虚假样本对为预测的去噪后行人回波及对应训练样本的通道级联样本;
子步骤3.3c,采用对抗损失函数计算判别器对应的训练损失,并通过反向传播算法,优化判别器的网络参数;
子步骤3.3d,采用对抗损失函数和非对抗损失函数计算生成器对应的训练损失,并通过反向传播算法,优化生成器的网络参数;
子步骤3.3e,重复子步骤3.3c一次,再重复子步骤3.3d两次,完成一批次训练样本的训练;
重复子步骤3.3a-子步骤3.3e,进行下一批次训练样本的训练,以此类推,直至所有批次训练样本训练结束,即完成一次训练;迭代重复设定次数的训练,得到训练好的RSDNet;
所述对抗损失函数为带梯度惩罚的韦氏距离生成对抗网络的损失函数;
所述非对抗损失函数是一种弹性网络的损失函数,即生成器去噪后的行人回波和干净无噪声的行人回波之间的L1范数和L2范数的加权和;
则生成器的损失函数记为LD和判别器的损失函数记为LG分别为:
其中,E表示期望,min表示最小化,D(xr)表示将真实样本对xr输入判别器,xr=(x,y)~Pr,Pr为真实样本对服从的分布;D(xf)表示将虚假样本对xf输入判别器,Pg为虚假样本对服从的分布;/>表示梯度惩罚项中的采样样本,/>Pp为惩罚分布;/>为生成器生成的去噪信号,y为带噪声的行人回波,x为干净无噪声的行人回波;λ为梯度惩罚项的超参数,K是弹性网络的权重,α为L1正则化项的系数,||·||2表示L2范数,||·||1表示L1范数。
2.根据权利要求1所述的基于RSDNet的行人雷达回波去噪方法,其特征在于,所述不同步态的行人雷达回波复信号的获取过程为:从现有行人雷达回波数据集中选取或者通过模型生成;
所述模型生成的具体过程为:
1.1,构建Boulic行走模型,并设置行人步态参数,包括行人初始空间位置、行走方向、行人身高和步态周期数;
1.2,按行走速度对行人步态进行分类,得到慢速行走、正常行走和快速行走三种行人步态,作为行人步态模型;
1.3,设置雷达回波的仿真参数,包括发射信号类型、发射信号频率、发射信号带宽、一个行走周期的发射脉冲数和雷达空间位置;同时将行人身体分为不同部位,仿真获得三种行人步态下行人每个部位对应的雷达回波;
1.4,将行人各部位的雷达回波进行相干叠加,则得到行人整体的雷达回波;
1.5,在行人整体的雷达回波中加入不同信噪比的高斯白噪声,形成行人雷达回波数据集,即为训练样本集。
3.根据权利要求1所述的基于RSDNet的行人雷达回波去噪方法,其特征在于,所述将预处理后的待测试行人雷达回波输入训练好的RSDNet对其进行去噪,具体为:将预处理后的待测试行人雷达回波输入训练好的RSDNet的生成器中,生成器输出去噪后的行人雷达回波实信号。
4.根据权利要求1所述的基于RSDNet的行人雷达回波去噪方法,其特征在于,所述对去噪后的行人雷达回波实信号进行后处理,其具体步骤为:
5.1,将去噪后的行人雷达回波实信号进行与子步骤2.3相对应的反归一化处理;对反归一化处理后的实信号进行希尔伯特变换,得到对应的变换后的复信号;
5.2,将变换后的复信号变换到频域,在频域依次进行频谱搬移和下采样后,再变换到时域,得到最终的去噪后的行人回波;
其中,所述下采样操作为对频谱进行前后去零,使得复信号的长度变为原来的1/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506104.XA CN113376600B (zh) | 2021-05-10 | 2021-05-10 | 一种基于RSDNet的行人雷达回波去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506104.XA CN113376600B (zh) | 2021-05-10 | 2021-05-10 | 一种基于RSDNet的行人雷达回波去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113376600A CN113376600A (zh) | 2021-09-10 |
CN113376600B true CN113376600B (zh) | 2024-04-05 |
Family
ID=77572447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110506104.XA Active CN113376600B (zh) | 2021-05-10 | 2021-05-10 | 一种基于RSDNet的行人雷达回波去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113376600B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114088757A (zh) * | 2021-11-17 | 2022-02-25 | 北京农业质量标准与检测技术研究中心 | 一种基于弹性网络回归的重金属元素含量检测方法 |
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 |
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 |
CN116663655B (zh) * | 2023-07-26 | 2023-10-13 | 浙江大华技术股份有限公司 | 一种对抗攻击的防御方法及电子设备 |
CN116699531B (zh) * | 2023-08-02 | 2023-11-17 | 中国人民解放军战略支援部队航天工程大学 | 一种基于复数网络的雷达信号降噪方法、***及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005003024A1 (de) * | 2005-01-22 | 2006-08-03 | Eads Deutschland Gmbh | Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar |
CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
CN110045370A (zh) * | 2019-05-10 | 2019-07-23 | 成都宋元科技有限公司 | 基于毫米波雷达的人体感知方法及其*** |
CN110118958A (zh) * | 2019-05-21 | 2019-08-13 | 西安电子科技大学 | 基于变分编码-解码网络的宽带雷达复回波去噪方法 |
-
2021
- 2021-05-10 CN CN202110506104.XA patent/CN113376600B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005003024A1 (de) * | 2005-01-22 | 2006-08-03 | Eads Deutschland Gmbh | Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar |
CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
CN110045370A (zh) * | 2019-05-10 | 2019-07-23 | 成都宋元科技有限公司 | 基于毫米波雷达的人体感知方法及其*** |
CN110118958A (zh) * | 2019-05-21 | 2019-08-13 | 西安电子科技大学 | 基于变分编码-解码网络的宽带雷达复回波去噪方法 |
Non-Patent Citations (1)
Title |
---|
基于AlexNet模型的雷达信号调制类型识别;郭立民;陈鑫;陈涛;;吉林大学学报(工学版);20190508(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113376600A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113376600B (zh) | 一种基于RSDNet的行人雷达回波去噪方法 | |
CN107633486B (zh) | 基于三维全卷积神经网络的结构磁共振图像去噪方法 | |
CN111626961B (zh) | 一种基于生成对抗网络的雷达图像杂波抑制方法及*** | |
CN111077523B (zh) | 一种基于生成对抗网络的逆合成孔径雷达成像方法 | |
Huynh-The et al. | Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network | |
Pal et al. | A review and experimental evaluation of deep learning methods for MRI reconstruction | |
CN109035189A (zh) | 基于柯西模糊函数的红外与弱可见光图像融合方法 | |
CN109035172A (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
CN112435162B (zh) | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 | |
CN114428234A (zh) | 基于gan和自注意力的雷达高分辨距离像降噪识别方法 | |
CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其*** | |
Yu et al. | PDNet: A lightweight deep convolutional neural network for InSAR phase denoising | |
Yang et al. | GAN-based sample expansion for underwater acoustic signal | |
CN114509731A (zh) | 一种基于双阶段深度网络的雷达主瓣抗干扰方法 | |
CN117115452B (zh) | 可控的医学超声图像去噪方法、***及计算机存储介质 | |
CN117574062A (zh) | 基于vmd-dnn模型的小回线瞬变电磁信号去噪方法 | |
Li et al. | Automatic modulation recognition based on a new deep K-SVD denoising algorithm | |
Hou et al. | Super-resolution reconstruction algorithm for terahertz images | |
CN113205564A (zh) | 一种sar智能目标边缘重构方法 | |
ZhiPing et al. | A new generative adversarial network for texture preserving image denoising | |
Devapal et al. | Discontinuity adaptive SAR image despeckling using curvelet-based BM3D technique | |
Si | Lppcnn: A laplacian pyramid-based pulse coupled neural network method for medical image fusion | |
Cheng et al. | Infrared image denoising based on convolutional neural network | |
Qu et al. | WGAN-GP-based synthetic radar spectrogram augmentation in human activity recognition | |
CN112230200A (zh) | 一种基于激光雷达回波信号的改进型组合降噪方法 |
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 |