基于PCA和DCT的雷达人体动作识别

无载波超宽带雷达人体动作识别系统的关键优势在于无载波超宽带雷达具有极高的分辨率,能够捕获人体的细微动作变化,并且对于室内复杂环境具有很强的抗干扰能力。但是由于无载波超宽带雷达信号不含载波信息,本身能量集中于极窄的波形内,并且发射信号与回波相关性弱,因此传统的提取信号特征的方法不再适用。针对这一问题,首次搭建无载波超宽带雷达人体动作识别系统,并提出一种新颖的基于主成分分析法（PCA）和离散余弦变换（DCT）相结合的无载波超宽带雷达人体动作识别方法,同时利用改进的网格搜索算法优化支持向量机的参数并验证该方法的优越性。最后,基于实测数据在Matlab平台上进行仿真,对实测的10种不同类型的人体动作进行分类识别,实验结果显示,该方法具有很高的识别率,针对不同的方案识别率均能达到99%以上,对小训练样本具有很强的鲁棒性。     

基于双频段FMCW雷达的人体动作识别

针对单频段雷达利用微多普勒特征识别人体动作能力有限的问题,提出了一种基于双频段调频连续波(Frequency Modulation Continuous Wave, FMCW)雷达的人体动作识别方法。首先利用K频段与C频段两部不同频段的FMCW雷达分别对人体不同动作进行探测收集到回波数据,对回波数据进行预处理分别得到距离时间、距离多普勒与微多普勒时频谱图像;然后,运用主成分分析法对图像进行特征提取得到特征向量,对提取到的特征向量进行特征级融合;最后,将融合后的特征作为支持向量机的输入从而实现人体动作识别。采用雷达实测数据的实验结果表明,基于双频段FMCW雷达联合工作的探测方法对五种人体动作的识别正确率为96.25%,优于单个频段FMCW雷达单独工作时的动作识别正确率。     

基于CNN-win Transformer的分布式超宽带雷达人体动作识别

针对传统雷达人体动作识别方法中特征提取能力不足和上下文建模困难的问题,提出了一种结合卷积神经网络(Convolutional Neural Network,CNN)和Swin Transformer的网络模型,用于有效识别分布式脉冲超宽带雷达数据中的人体动作。通过多分支的CNN对多个雷达的多个谱图、雷达数据的幅度和相位等特征进行提取和融合,利用Swin Transformer模块的多层自注意力机制对生成的特征映射进行上下文建模,提取具有高级语义信息的特征。采用代尔夫特理工大学（Technische Universiteit Delft）公开的数据集进行5折交叉验证,结果表明所提方法能够有效识别9类连续人体动作,识别准确率达到98.2%。     

基于核方法的探地雷达目标特征提取方法

把核方法引入探地雷达目标特征提取中,先对雷达特征数据进行基于核的非线性变换投影到高维空间;然后在高维空间应用传统的探地雷达目标特征提取方法（LDA方法和PCA方法）提取雷达数据特征。对PCA、LDA、基于核方法的PCA和基于核方法的LDA四种探地雷达目标特征提取方法进行对比研究,对实测数据处理的结果表明：无监督的学习方法不适合探地雷达目标特征提取,所提基于核方法的LDA探地雷达目标特征提取方法效果最好。并详细阐述了基于核方法的LDA探地雷达目标特征提取方法。     

UWB-HA4D-1.0:超宽带雷达人体动作四维成像数据集

雷达人体行为感知系统具有穿透探测能力,在安防、救援、医疗等领域具有广泛的应用前景.近年来,深度学习技术的出现促进了雷达传感器在人体行为感知领域的发展,同时对相关数据集的样本规模和丰富性提出了更高的要求.该文公开了一个超宽带雷达人体动作四维成像数据集,该数据集以超宽带多输入多输出雷达为探测传感器来获取了人体目标的距离-方...     

主元分析在超宽带搜救雷达中的应用

本文利用超宽带搜救雷达对砖墙后有肢体运动的人体进行生命探测,采集雷达回波信号,并利用PCA方法对雷达回波数据进行分解等处理,通过设定自适应阈值,准确判别出雷达回波中是否存在人体体动信号,最后通过实验证明PCA方法可以在超宽带搜救雷达中得到很好的应用。     

基于高分辨率一维距离像雷达目标识别研究

基于一维距离像的目标识别是雷达目标识别的一种重要方法。本文利用最大相关系数法（MCC）和主分量分析方法（PCA）对目标一维距离像进行目标识别。针对一维距离像的目标姿态敏感性,分析了最大相关系数法和PCA特征提取方法的原理,并通过3种目标的实测数据进行分类实验,表明该算法的有效性。     

基于同步压缩短时傅里叶变换的毫米波雷达人体动作识别

针对人体动作识别问题，提出一种基于同步压缩短时傅里叶变换的人体动作识别方法。使用毫米波雷达进行人体动作数据的采集，将采集到的数据进行同步压缩短时傅里叶变换得到其时频图；然后使用卷积神经网络对不同动作进行微多普勒特征提取并分类。在数据采集部分，使用毫米波雷达进行数据采集，有效地避免了外界因素的影响；在时频分析部分，使用窗函数优化的同步压缩短时傅里叶变换提高了时频聚集性。实验结果表明，该人体动作识别系统对不同人体动作的识别率可达到91.7%。     

基于DCT的PCA人脸识别系统研究

人脸识别是一种重要的生物特征识别技术,它广泛应用于电脑开机、门禁系统、安全监控和重要场所的身份验证。该文提出了一种基于DCT的PCA特征提取方法,该算法先对整个原始人脸图像进行DCT变换得到系数矩阵,再提取包含原始图像大部分信息的少量系数作PCA,提取出特征脸,再进行分类识别。对ORL人脸库的仿真实验表明,该方法优于单独DCT与PCA特征提取的识别方法,并且减少了运算量。     

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%。     

自监督双流融合的小样本雷达辐射源识别方法

针对实际场景中辐射源数据稀缺造成的小样本问题，提出了一种基于自监督和双流融合的小样本雷达辐射源识别方法。首先利用高斯分布噪声、莱斯多径衰落、设计时钟偏移信号等减损方法，基于有限数量的真实样本构建类均衡辐射源信号样本集。基于增强数据集，提出一种信号时间序列与时频图的双流特征融合模型。采用对比学习方法构建双流特征融合模型的自监督上游任务，以提升在有限标签数据情况下信号多域特征的表征能力与泛化能力。实验结果证明，该方法在小样本条件下能够有效地实现较好的辐射源类型识别能力，在目标域每个类别100个样本限制下，识别精度达到97.1%,与传统一维特征方法和基于长短期记忆(Long Short Term Memory, LSTM)的方法相比均有较大提升。     

基于超宽带雷达的运动人体目标跟踪成像算法

 超宽带雷达用于人体探测,在大规模城区巷战、反恐斗争和灾害救援等方面有着广阔的应用前景.传统的超宽带成像算法在识别能力及计算效率上已不能满足要求.本文针对运动人体目标场景建立系统模型,将人体运动等效为天线移动扫描,基于快速SEABED成像算法提出一种用于超宽带雷达的动目标跟踪成像算法.仿真与实验结果验证了算法的有效性和可行性,该算法对系统硬件要求低,实时性好,准确度高,能完成对运动目标速度估计及运动轨迹跟踪,并对目标边界成像.     

Application of meta-learning in cyberspace security: a survey

In recent years, machine learning has made great progress in intrusion detection, network protection, anomaly detection, and other issues in cyberspace. However, these traditional machine learning algorithms usually require a lot of data to learn and have a low recognition rate for unknown attacks. Among them, “one-shot learning”, “few-shot learning”, and “zero-shot learning” are challenges that cannot be ignored for traditional machine learning. The more intractable problem in cyberspace security is the changeable attack mode. When a new attack mode appears, there are few or even zero samples that can be learned. Meta-learning comes from imitating human problem-solving methods as humans can quickly learn unknown things based on their existing knowledge when learning. Its purpose is to quickly obtain a model with high accuracy and strong generalization through less data training. This article first divides the meta-learning model into five research directions based on different principles of use. They are model-based, metric-based, optimization-based, online-learning-based, or stacked ensemble-based. Then, the current problems in the field of cyberspace security are categorized into three branches: cyber security, information security, and artificial intelligence security according to different perspectives. Then, the application research results of various meta-learning models on these three branches are reviewed. At the same time, based on the characteristics of strong generalization, evolution, and scalability of meta-learning, we contrast and summarize its advantages in solving problems. Finally, the prospect of future deep application of meta-learning in the field of cyberspace security is summarized.     

数据库样本缺失下的雷达辐射源识别

目前,基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设,当雷达数据库样本不足导致与信号真实分布存在偏差时,传统的分类方法效果不佳.为此,将迁移学习理论引入识别系统,设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法.通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息,通过重采样处理修正其分布差异.将新采样数据输入支持向量机进行训练并对侦收样本进行识别.仿真实验表明,在新训练样本集上学习的模型对测试集的分类性能有了很大的提升.     

用于SVM的RCS统计特征集约减方法

传统的支持向量机分类算法对训练样本数目敏感且不具备增量学习的能力,而空间目标识别的工程应用需要积累样本进行大样本的增量学习。根据样本在特征空间分布,提取几何意义上边缘的样本点,成功约减了应用于支持向量机学习的基于雷达散射截面统计特征的训练样本集。利用中心距离比和特征空间多维高斯分布特性,分别提取两类边界样本集和单类边缘样本集;再采用直推式实验设计方法再采样,根据样本潜在结构分布信息选择最能代表样本集结构分布的高价值样本。实验结果表明：样本初选算法能够在有效约减样本集规模的同时保持支持向量机训练分类的精度。     

A decision tree‐based NLOS detection method for the UWB indoor location tracking accuracy improvement

Among existing wireless technologies, ultra‐wideband (UWB) is the most promising solution for indoor location tracking. UWB has a great multipath fading immunity; however, great multipath resolvability alone does not eliminate the effect of non‐line‐of‐sight (NLOS) and multipath propagation. NLOS and multipath propagation in indoor environments can easily produce meters of UWB ranging error. This condition gives an enormous impact on the accuracy of indoor location tracking data. To address this problem, we propose an NLOS detection method using recursive decision tree learning. Using the UWB channel quality indicators information, we develop our model with the Gini index and altered priors splitting criteria. We then validate the constructed model using the 10‐fold cross‐validation method. Our experiment shows that the constructed model has correctly detected 90% of both line‐of‐sight (LOS) and NLOS cases on the seven different indoor environments. The result of this work can be used for the UWB indoor location tracking accuracy improvement.     

基于深度学习的雷达自动目标识别架构研究

针对深度学习运用于雷达目标识别时存在的数据量欠缺和数据人工标注难等问题,提出将传统目标识别方法与人工智能技术结合,建立面向应用的新的目标识别架构,通过融合处理以及基于传统方法的机器自动标注,获得更优越的识别效果,大幅减少人工标注的工作量,确保系统在低数据量、低标注数据下仍可维持一定的识别效果。雷达实测数据证明了该识别框架的有效性。     

深度复极限学习机在雷达HRRP目标识别中的应用

传统雷达高分辨一维距离像(High-resolution Range Profile,HRRP)目标识别方法只利用目标幅度信息而丢失其相位信息,这势必会造成信息不完备.为解决此问题,提出将深度极限学习机从实数域扩展到复数域,以有效提取复HRRP序列的深层潜在结构信息.同时为更好地保持数据间的邻域信息,将流形正则化引入到...     

基于深度学习的少样本研究综述

基于大数据的深度学习算法越来越完善,然而如何解决训练样本数非常少的情况,是目前神经网络研究领域中一个非常重要且极具挑战的问题.首先,介绍了少样本问题的定义;接着将现有的少样本学习方法分为数据增强、度量学习和元学习三类,分别从方法所用模型、数据集以及相应的实验结果进行分析;最后,总结了现有方法的不足,探讨了未来少样本研究...