【摘要】：使用雷達(dá)對人類活動(dòng)進(jìn)行分類已經(jīng)在安全、防御和救援行動(dòng)中有多方面應(yīng)用。由人體運(yùn)動(dòng)引起的多普勒調(diào)制可以通過雷達(dá)信號來識別特定的人類活動(dòng)。目前這種調(diào)制常被稱為“微多普勒”信號。然而針對傳統(tǒng)的雷達(dá)人體運(yùn)動(dòng)識別技術(shù)存在數(shù)據(jù)采集頻段單一,時(shí)頻分析方式單一并未考慮避免極化效應(yīng)等問題,因此在雷達(dá)人體回波中進(jìn)行多頻段的數(shù)據(jù)采集和對數(shù)據(jù)進(jìn)行聯(lián)合時(shí)頻分析來避免極化效應(yīng)就顯得尤為重要,針對傳統(tǒng)人工提取特征的繁瑣性問題,本文采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對雷達(dá)回波譜圖進(jìn)行識別與分類,從而進(jìn)一步提高識別效率與準(zhǔn)確率。針對以上問題,本文主要開展的研究工作如下:(1)針對人體活動(dòng)(彎腰走,爬行,原地踏步,坐著,行走和不擺手臂走)時(shí)各部位的運(yùn)動(dòng)方式的差異性,采用多散射中心模型對人體進(jìn)行建模,并分析了人體步態(tài)回波模型及步進(jìn)變頻雷達(dá)回波特性提取的方法。(2)針對傳統(tǒng)的雷達(dá)人體回波信號單一頻段的采集方式,采用步進(jìn)變頻雷達(dá)進(jìn)行周期性連續(xù)掃頻來獲取多頻段數(shù)據(jù)。由于人體活動(dòng)引起的雷達(dá)回波信號為非平穩(wěn)信號,采用短時(shí)傅里葉變換、Wigner-Ville分布和希爾伯特黃分布三個(gè)時(shí)頻分析方式對雷回波信號進(jìn)行處理,并轉(zhuǎn)換成時(shí)頻譜圖表達(dá)域。(3)針對時(shí)頻譜圖的識別的繁瑣性問題,采用了卷積神經(jīng)網(wǎng)絡(luò)方式。根據(jù)遷移學(xué)習(xí)的原理,以Inception-v3模型為基礎(chǔ)分別搭建了針對單個(gè)時(shí)頻分析和聯(lián)合時(shí)頻分析方式的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),通過對比單頻段和多頻段下單個(gè)時(shí)頻分析方式和聯(lián)合時(shí)頻分析方式的結(jié)果,從而證明了多頻段和聯(lián)合時(shí)頻分析方式可以有效的避免極化效應(yīng),從而提高識別效率與準(zhǔn)確率。
【圖文】：

圖 1-1 基于 CNN 的步進(jìn)變頻雷達(dá)人體姿態(tài)識別算法的架構(gòu)本文主要研究了基于 CNN 的步進(jìn)變頻雷達(dá)人體姿態(tài)識別算法，目的是提高雷達(dá)區(qū)分人體運(yùn)動(dòng)的準(zhǔn)確率，針對傳統(tǒng)的雷達(dá)人體運(yùn)動(dòng)識別技術(shù)存在數(shù)據(jù)采集的頻段單一，，時(shí)頻分析方式單一并未考慮避免極化效應(yīng)等問題，主要?jiǎng)?chuàng)新點(diǎn)是：1.采用步進(jìn)變頻雷達(dá)對人體姿態(tài)進(jìn)行多頻段數(shù)據(jù)采集；2.采用聯(lián)合時(shí)頻分析方式對雷達(dá)人體回波數(shù)據(jù)進(jìn)行處理，導(dǎo)出時(shí)頻譜圖表達(dá)域，并通過搭建多通道卷積神經(jīng)網(wǎng)絡(luò)對時(shí)頻譜圖進(jìn)行分類與識別。本文的論文思路如下:首先建立了基于人體運(yùn)動(dòng)姿態(tài)的步態(tài)回波模型，研究了步進(jìn)變頻雷達(dá)探測回波特征提取原理。隨后介紹了運(yùn)動(dòng)人體回波時(shí)頻分析方法。由于人體已經(jīng)被分成多部位目標(biāo)，故傳統(tǒng)的頻譜方法不再適用于分析人體的雷達(dá)回波，所以本文主要分析了短時(shí)傅里葉變換、維格納-維爾分布和希爾伯特黃分布三個(gè)方法，并敘述了短時(shí)傅里葉變換、維格納-維爾分布和希爾伯特黃分布的優(yōu)劣點(diǎn)。然后在數(shù)據(jù)采集的過程中，

達(dá)的人體運(yùn)動(dòng)探測主要因?yàn)槿梭w肢體運(yùn)動(dòng)對電磁波的調(diào)。所以本章將在對人體步態(tài)回波模型和步進(jìn)變頻雷達(dá)回基礎(chǔ)上搭建步態(tài)識別算法框架。波模型多部位步態(tài)模型在運(yùn)動(dòng)的時(shí)候，身體的各個(gè)部位的運(yùn)動(dòng)方式具有差異性動(dòng)所產(chǎn)生的多普勒頻率也將不一樣。比如當(dāng)人體在跑步頭等部位的運(yùn)動(dòng)是不一樣的，例如人體的頭部和軀干的普勒頻率，而手和腿部的雷達(dá)將會出現(xiàn)規(guī)律變化的多普考慮則在進(jìn)行人體建模的時(shí)候，可以將人體假設(shè)為多散
【學(xué)位授予單位】：成都理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TN957.51;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害監(jiān)測預(yù)警仿真[J];計(jì)算機(jī)仿真;2019年11期

4 馬猛;王明紅;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的304不銹鋼車削加工表面粗糙度預(yù)測[J];輕工機(jī)械;2019年06期

5 莊連生;呂揚(yáng);楊健;李厚強(qiáng);;時(shí)頻聯(lián)合長時(shí)循環(huán)神經(jīng)網(wǎng)絡(luò)[J];計(jì)算機(jī)研究與發(fā)展;2019年12期

6 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

7 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

8 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

9 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

10 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[J];電工技術(shù);2019年11期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2657144