提出一種基于多天線調(diào)頻連續(xù)波（frequency modulated continuous wave, FMCW）雷達(dá)的多參數(shù)融合神經(jīng)網(wǎng)絡(luò)（fusion neural network, FNN）人體行為識別方法。針對FMCW雷達(dá)參數(shù)估計(jì)算法角度分辨率不足以及在估計(jì)目標(biāo)個(gè)數(shù)錯誤的情況下會降低精度的問題,提出一種結(jié)合最小功率無失真響應(yīng)（minimum power distortionless response, MPDR）波束形成與快速傅里葉變換（fast Fourier transform, FFT）的距離-方位角參數(shù)聯(lián)合估計(jì)算法。利用2個(gè)相互垂直的線陣?yán)走_(dá)捕捉人體行為,使用參數(shù)聯(lián)合估計(jì)算法估計(jì)人體目標(biāo)各回波點(diǎn)在水平與垂直方向的距離、角度參數(shù)。構(gòu)建FNN,從參數(shù)估計(jì)結(jié)果中提取并融合人體行為在水平與垂直方向的空間與時(shí)間特征,根據(jù)融合特征實(shí)現(xiàn)人體行為識別與分類。實(shí)驗(yàn)結(jié)果表明,FNN方法對人體行為識別的準(zhǔn)確率相比傳統(tǒng)三維卷積神經(jīng)網(wǎng)絡(luò)（3D convolutional neural networks, 3D-CNN）提升了4.37%。 

【文章來源】：重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020年05期 北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

陣列天線示意圖

(12)式中,S(m)為S(ω)的估計(jì)。本節(jié)采用前后向平均方法對S(ω)進(jìn)行估計(jì),令矩陣,提取一個(gè)數(shù)據(jù)幀內(nèi)頻點(diǎn)為m的K個(gè)頻域快拍構(gòu)建成大小為L×K的矩陣,即

根據(jù)FMCW原理可知,中頻信號頻率對應(yīng)目標(biāo)距離,則該功率譜矩陣各值對應(yīng)該位置目標(biāo)反射信號強(qiáng)度。圖3為該算法參數(shù)估計(jì)的效果與性能,由圖3b可以看出,該算法在角度分辨率性能略高于多重信號分類(multiple signal classification,MUSIC)算法[7],另外該算法克服了大部分參數(shù)估計(jì)算法需要知道入射信號數(shù)的缺點(diǎn);并且,由本算法計(jì)算得到的最佳權(quán)值適用于幀內(nèi)各個(gè)掃頻信號,故處理雷達(dá)數(shù)據(jù)過程中算法的平均計(jì)算復(fù)雜度與MUSIC算法相似。1.5 環(huán)境干擾與噪聲消除


本文編號：2939905