排序方式: 共有39条查询结果,搜索用时 15 毫秒
1.
2.
3.
4.
5.
针对单通道调频连续波(FMCW)雷达不能保证生命信号检测准确度的问题,该文提出一种基于多通道的FMCW雷达生命信号提取方法。所提方法对各等效接收通道进行距离像重构和相位信号提取后,首先采用最大比率融合(MRC)技术对各通道提取的相位信号进行融合,接着对融合后的相位信号进行变分模态分解(VMD)并对生命信号进行重构,最后对重构信号进行快速傅里叶变换(FFT)得到呼吸和心跳信号频率。实测数据处理结果表明相比于单通道FMCW雷达,所提多通道方法能够更加稳健准确地提取生命体征信号,且结合MRC技术与VMD的信号处理方法明显优于结合MRC技术与带通滤波(BPF)的信号处理方法。 相似文献
6.
针对利用雷达微多普勒效应的微型无人机识别问题,提出了一种基于同步压缩短时傅里叶变换(Synchrosqueezing Short-Time Fourier Transform,SSTFT)的分类识别方法.首先对无人机的微多普勒回波信号进行SSTFT从而获得信号时频谱,然后对时频谱进行多维度特征提取获得回波信号的时频特征及频率变化特征,最后将所获得联合特征输入到支持向量机(Support Vector Machine,SVM)中进而实现无人机的分类识别.基于实际雷达数据的实验结果表明,所提无人机分类方法准确率可达到97.03%. 相似文献
7.
为了解决依靠光学传感器进行手势识别对外部环境依赖较大的问题,提出了一种基于连续波(Continuous Wave,CW)雷达的手势识别方法,并建立了4种手势动作的回波数据库.首先,对CW雷达回波进行短时傅里叶变换(Short-Time Fourier Transform,STFT)获取手势动作的时频谱;然后,通过设立阈值将时频谱中的背景杂波去除;接下来,对处理后的时频谱提取方向梯度直方图(Histogram of Oriented Gradient,HOG)特征;最后,采用支持向量机(Support Vector Machine,SVM)作为分类器,以HOG特征作为输入进行手势识别.实验结果表明,所提方法在普通室内环境下的识别精度超过95%,能够对典型的手势动作进行有效识别. 相似文献
8.
9.
为提高雷达旋翼无人机的识别效果,本文提出一种基于多域特征融合的旋翼无人机分类方法。首先利用K波段连续波(Continuous Wave,CW)雷达观测多旋翼无人机,对采集到的雷达回波信号进行信号处理依次得到时频图、节奏速度图(Cadence?Velocity Diagram, CVD)和节奏频谱图(Cadence Frequency Spectrum,CFS),然后将时频图和CVD图分别输入SqueezeNet网络,CFS数据输入一维卷积神经网络(1?D?CNN)提取回波信号在时频域、节奏速度域和节奏频率域的特征,最后将特征融合输入支持向量机(Support Vector Machine, SVM)进行分类。实测雷达数据处理的结果表明基于多域特征融合的旋翼无人机分类识别方法对三类旋翼无人机的分类准确率达到99.14%。 相似文献
10.