基于Deeplabv3网络的飞机目标微动信号分离

针对空中飞机目标的微多普勒效应提出一种基于时频图与深度神经网络分离直升机、螺旋桨和喷气式三类飞机旋转部件和机身的方法。本文从飞机目标时频图像素差异着手,根据深度学习语义分割网络提取飞机目标时频掩膜图,将掩膜图与飞机目标多分量时频矩阵进行乘法拟合,实现三类飞机目标多分量信号分离。通过建立的仿真数据集进行多组实验,结果表明对飞机目标多分量信号,深度学习语义分割网络提取时频掩膜的方法能够很好地分离机身和旋转部件信号,并起到抑制杂波的效果。     

基于调制谱图卷积神经网络的空中目标识别技术

雷达对空中目标的分类识别技术是雷达信号处理领域中的关键技术.目前大部分雷达目标识别方法通用性较差且对雷达具有较高的要求.针对该问题,提出一种将目标回波的周期性调制谱信息图像化后,基于卷积神经网络调制谱图处理的空中目标识别方法.目标调制谱图像通过卷积神经网络逐层变换自动学习到目标特征信息,最终通过分类器进行分类识别.该方法避免了传统人工拟定调制谱特征的方式,实现了端对端的空中目标识别方法.实验结果表明,基于调制谱图的卷积神经网络模型具有较高的空中目标识别准确率,且模型的鲁棒性和泛化能力较好.     

基于PCA-CLEAN的噪声稳健激光微多普勒特征提取方法

雷达回波中的微多普勒效应能够反映目标的几何结构和运动特性,作为目标独一无二的特征,能够用来实现对目标类别和属性的判断。波长的优势使激光雷达相对于微波雷达具备更好的微多普勒探测精度。针对空中飞机目标(直升机、螺旋桨飞机)回波中微多普勒调制能量较弱,易被噪声污染的问题,提一种基于PCA-CLEAN的噪声稳健激光微多普勒特征提取方法,首先利用PCA对回波信号进行噪声抑制,然后利用CLEAN算法将回波中的机身分量和微动分量区分开,进而提取反映不同目标微动差异的三维特征进行目标分类,基于仿真和实测数据的实验结果表明,所提方法能够获得较好的分类性能,同时在低信噪比条件下能够获得较好的噪声抑制性能。     

基于多普勒频谱特性的雷达目标分类识别研究

目标特征提取是雷达目标识别过程中至关重要的一步，而所提取的特征是否稳定有效则直接决定了提取特征的质量。本文中的炸点、风轮机与气象杂波目标都具有多普勒频谱展宽的特点。在回波预处理过程中提取目标回波频谱，在此基础上，提取目标相对RCS、频谱熵值与频谱标准差三类特征，最后以支持向量机(SVM)对三类目标实现分类识别。基于实测数据的分类识别结果表明，本文中的三类特征对各类目标的分类都具有有效性。     

基于微多普勒特征的空中目标识别

分析了直升机目标回波信号的微多普勒频谱，基于直升机目标和固定翼飞机目标多普勒频谱的差别，提出了两种微多普勒特征用于识别直升机目标和固定翼飞机目标，其中一种利用了直升机回波信号正负多普勒频谱能量的不对称性，另一种模式特征利用了机身回波信号能量与旋翼回波信号能量的对比，使用仿真数据和试验测试录制的数据的计算结果表明该方法具有很好的识别效果。     

基于FMCW雷达的多通道特征融合人体动作识别方法

针对采用单一特征进行人体动作识别准确率不高的问题,提出了一种基于调频连续波(Frequency Modulated Continuous Wave, FMCW)雷达的多通道特征融合人体动作识别方法。通过对FMCW雷达回波数据进行预处理,得到人体动作的距离参数与多普勒参数,构建出距离-时间特征谱图和多普勒-时间特征谱图数据集。为了进行人体动作特征的充分提取与精确识别,改进了单通道输入的传统卷积神经网络结构,把部分残差连接结构和跨阶段部分连接结构进行了优化应用至雷达人体动作识别领域,设计出端到端的CSP-FCNN(Cross Stage Partial-Fusion Convolutional Neural Network)多通道融合卷积神经网络。采用公开数据集进行实验,结果表明所提方法有效解决了单一特征动作识别信息量欠缺以及网络提取特征不充分的问题,识别准确率较单一特征识别方法提高了5%以上。     

基于WGAN-GP的微多普勒雷达人体动作识别

针对人体动作识别微多普勒雷达数据量有限的问题,本文提出基于梯度惩罚的沃瑟斯坦生成对抗网络(WGAN-GP)进行雷达数据增强,实现深度卷积神经网络(DCNN)在样本数量较少时可以得到有效训练。首先对人体各种动作的线性调频连续波雷达回波数据进行预处理得到微多普勒时频谱图像,然后采用WGAN-GP进行时频谱图像数据增强,最后利用生成的图像对DCNN进行训练。实验结果表明使用WGAN-GP可以有效解决雷达数据不足的问题,从而提高DCNN人体动作识别准确率。     

基于一维卷积神经网络的HRRP雷达目标分类方法

雷达一维高分辨距离像(high resolution range profile, HRRP)信号能够反映目标的结构信息,且具有易于获取的优势,因此利用雷达HRRP回波信号对目标进行分类识别获得了广泛的关注。传统的分类识别方法大多基于提取人工设计的特征然后利用分类器进行分类。然而人工设计提取的特征依赖于专家的先验知识,且人工设计的特征在识别性能上已经趋于平稳。本文将神经网络引入HRRP分类识别中,提出一种基于一维卷积神经网络的HRRP雷达目标分类识别方法。所提方法根据HRRP数据的形式,采取一维的神经网络算子构成一维卷积神经网络。且在网络主体采用一种纺锤形状的残差结构,该结构能够在提取深层抽象特征的同时有效减轻梯度消失和梯度爆炸问题。所提方法在多个数据集上相比于传统对比方法取得了更好的分类识别性能。     

基于SET和AlexNet的雷达动目标检测方法

针对传统的雷达动目标检测方法在杂波背景下目标识别率低的问题，提出了基于时频分析和卷积神经网络的雷达动目标检测方法。首先，通过同步提取变换将动目标的回波信号转换为时频分布，初步提取回波信号的时频特征；然后，对回波信号时频分布的脊线进行提取，并基于此构建数据集；最后，将数据集输入AlexNet进行训练和测试，实现雷达动目标的识别和分类。仿真实验表明，基于SET和AlexNet的方法在噪声环境下能够有效检测动目标，对匀速、匀减速、匀加速三类动目标都具有较高的识别率。脊线提取的应用增强了低信噪比下回波信号的时频特征，提高了检测方法的准确率和噪声鲁棒性。     

基于多域特征融合的旋翼无人机分类识别

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%。     

基于三通道CNN⁃GSAM⁃LSTFEM网络的雷达人体切向动作识别

为了提高干涉雷达对人体切向动作的识别性能,本文提出一种基于三通道CNN?GSAM?LSTFEM网络的人体切向动作识别方法。首先利用一发二收的调频连续波（FMCW）雷达搭建干涉雷达平台采集人体切向动作回波数据,之后对每个接收通道的回波数据进行预处理,得到每个接收通道的多普勒时频图（DTFM）和双通道的干涉时频图（ITFM）,然后将这3种时频图分别送入到3个并行的CNN?GSAM?LSTFEM网络进行训练,利用全局空间注意力模块（GSAM）和长短时特征提取模块（LSTFEM）增强卷积神经网络（CNN）的特征提取能力,最后将三通道提取的特征进行融合实现人体切向动作识别。实验结果表明,所提方法可有效提高人体切向动作的识别准确率,平均准确率高达98.77%。     

基于微多普勒信号分离和SqueezeNet的人体身份识别

针对基于雷达传感器的人体身份识别问题,本文提出一种基于微多普勒信号分离和SqueezeNet的人体身份识别方法。首先利用雷达对人体行走的步态进行探测并收集回波数据,回波数据经过预处理得到微多普勒时频谱图;其次用阈值法对时频谱图进行微多普勒信号分离从而得到四肢的时频谱图;最后将其输入到SqueezeNet网络,采用Softmax分类器来实现人体身份识别。实验结果表明,经过微多普勒信号分离后人体身份识别准确率提高5.25%, SqueezeNet网络与其他网络相比,在网络性能上具有准确率高、网络参数少、测试时间短等优势。     

基于时频图深度学习的雷达动目标检测与分类

雷达动目标检测技术一直是雷达信号处理领域中的关键技术,而传统的雷达动目标检测技术仅适用于匀速运动目标,检测性能有限。针对该问题提出一种基于卷积神经网络(CNN)时频图处理的雷达动目标检测方法,通过从雷达动目标回波中提取多普勒频移信息,然后利用短时傅里叶变换转换为时频图,输入卷积神经网络,进行深度特征学习,进而实现检测和分类的目的。仿真数据验证表明,所提方法能够有效检测和区分匀速、匀变速运动以及微动目标,稳健性高,与传统动目标检测方法相比具有显著优势。     

一种基于微波雷达回波信号的车型分类方法

车辆类型识别方法是智能交通系统的关键技术之一。利用深度学习的高维特征泛化学习能力,将改进的LeNet-5卷积神经网络用于基于交通微波雷达的大小车型分类识别。首先,以雷达触发前的N帧信号为基础,对雷达的回波信号进行分析并构建数据集;然后,分析LeNet-5卷积神经网络的特点;最后提出一种改进的LeNet-5卷积神经网络。实验结果表明,与传统的支持向量机方法相比,所提方法能够智能学习大小车的雷达时频信号特征,大小车型识别准确率达到97%以上,可为交通场景下的车型识别研究提供新的技术途径。     

基于串联式一维神经网络的毫米波雷达动态手势识别方法

现有的基于雷达传感器的手势识别方法,大多先利用雷达回波对手势的距离、多普勒和角度等信息进行参数估计,得到各种数据谱图,然后再利用卷积神经网络对这些谱图进行分类,实现过程较为复杂.该文提出一种基于串联式1维神经网络(1D-ScNN)的毫米波雷达动态手势识别方法.首先基于毫米波雷达获取动态手势的原始回波,然后利用1维卷积和池化操作对手势特征进行提取,并将这些特征信息输入1维Inception v3结构.最后在网络的末端接入长短期记忆(LSTM)网络来聚合1维特征,充分利用动态手势的帧间相关性,提高识别准确率和训练收敛速度.实验结果表明,该方法实现过程简单,收敛速度快,识别准确率可以达到96.0％以上,高于现有基于数据谱图的手势分类方法.     

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。     

弹道导弹目标回波信号建模与雷达特征分析

介绍了弹道导弹运动目标特征提取和雷达识别的研究概况,针对锥顶不动、进动角固定的匀速进动锥形弹头目标,对其典型运动进行建模,给出了回波的解析表达式,利用数值解的方法,对回波信号进行了频谱分析和时频分析,提取了频谱调制特征和微RCS特征,使用Wigner-Ville分布峰值检测法,提取了回波信号的微多普勒特征,给出了使用雷达微动特征识别弹道导弹弹头的途径.最后给出了回波信号时频分布、微多普勒、多普勒谱和微RCS的仿真结果,证明了理论分析的正确性.     

基于双通道GoogLeNet网络的旋翼无人机分类

针对利用雷达微多普勒效应的旋翼无人机识别问题,提出了一种基于双通道GoogLeNet网络的分类识别方法。首先对旋翼无人机的回波信号进行短时傅里叶变换（Short-Time Fourier Transform,STFT）从而获得信号时频谱,对时频谱沿时间轴进行傅里叶变换得到节奏速度图（Cadence-Velocity Diagram,CVD）。然后将时频图和CVD作为双通道GoogLeNet网络的输入进行特征提取用以获得回波信号的时频域和节奏速度域的特征,最后将所获得的特征输入到Softmax分类器中进而实现旋翼无人机的分类识别。基于实际雷达数据的实验结果表明,所提旋翼无人机分类方法准确率可达到98.9%。     

基于实测数据的空中目标分类识别算法

该文在分析由常规窄带雷达获得的直升机、螺旋桨和喷气式飞机实测回波数据特征的基础上,提出一种基于多特征联合的分类识别算法。通过对大量实测回波数据的特征分析,提取多普勒频移、幅度相对量、时域和频域波形熵、时频特征多个具有明显区分性的特征,将其输入支撑向量机(SVM)分类器实现3类空中目标的分类。在分类的基础上,基于回波数据的时频谱宽和对称性特征,提出一种奇数与偶数片桨叶直升机识别方法。最后实测数据的处理结果验证了所提空中目标分类识别方法的有效性。     

FMCW雷达基于光学字符识别的连续动作识别研究

传统的基于雷达的人体动作识别主要采用微多普勒原理,对原始数据进行处理,生成微多普勒时频图,然后输入到基于分类的深度学习网络中进行识别,只能对单个动作进行识别。本文提出一种FMCW雷达光学字符识别技术的连续动作识别方法,首先对采集的雷达数据采用RDM（Range?Doppler Map）向速度维投影的方法逐帧获取微多普勒时频图,然后将处理得到的时频图输入一个特别定制的,由卷积神经网络、inception_resnet、最大池化层和Bi?LSTM的网络组成,使用联结主义时间分类（CTC）作为损失函数进行训练的网络。实验结果表明该方法对步行、跑步、蹲下、站起、跳跃这5种动作的识别准确率分别高达96.16%,95.34%,88.49%,89.37%,96.72%。对一个时间窗口内多个动作的识别也取得了不错的效果,时间上的识别准确率整体令人满意。