基于雷达微多普勒信号的运动目标分类识别技术研究
发布时间：2021-01-12 09:39
目标探测与分类技术具有十分广泛的用途,其中包括了对边境物体种类的监控,医疗中对患者行为的监护、安全防护工作中对未知人员的确认等,已成为各国政府、公司和学者关注的热点。近年来雷达逐渐成为人体探测和分类领域关注的焦点,与其它传感器相比,雷达在人体探测与分类上具有的优势主要表现在:不受光线和天气的影响,可对人体进行全天候的监测。然而,该技术还处在起步阶段,理论基础尚不完善。本文对物体种类识别、人体动作判别以及身份识别进行了研究,具有重要的理论意义和应用价值,主要工作与成果如下:（1）研究了人体基本运动模型,旨在通过理论仿真得到人体雷达回波,验证使用雷达实现身份识别的可能性。将非刚体的人体简化为由上肢、下肢以及躯干组成的简单刚体模型,分别对这几个部分的雷达回波进行建模,从而得到人体运动的雷达回波。通过对上肢、下肢以及躯干的长度的调整,得到不同人体在运动时的雷达回波,而后使用传统机器学习算法与深度卷积神经网络对这些雷达回波进行识别,从而在理论上实现人体身份识别。（2）研究了基于雷达微多普勒信号的不同物体种类的识别。不同物体由于结构不一样,它们运动时所产生的微多普勒信号也会有一定差异,因此雷达微多...
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
四种算法的抗噪声性
(a) (b)图 5.6 (a)使用 SVM 进行识别时的混淆矩阵；(b)使用 NB 进行识别时的混淆矩阵5.4.2 Alexnet 模型训练首先我们对 Alexnet 进行微调，本文采用 Rectified Linear Units (ReLU)作为激活函数，各层采用最大池化的池化方式。本文将学习率调整为 0.0001，因为当学习率较大时，损失不会收敛，当学习率较小时，训练过程会消耗很长的时间。将最大迭代次数调整为 5000 次时得到的结果趋于稳定。本节采用梯度下降法求解优化问题，因此每 1000 次迭代之后，我们将学习速率降低到0.0001*0.9 ^ ( floor (5000 /1000))，权重衰减改为 0.0005，训练和验证网络的定义以及每一层的参数都记录在一个特定的文件中。在这个文件中，输入的图片的大小被重新调整为227 227，因为 Alexnet 整个网络的输入为 。训练部分和测试部分的“batch”的数量分别调整为 32和 16。“batch”定义的数量的大小表示每次迭代中获取的样本数量。这些样本梯度的平均值用于更新网络参数。“batch”的大小决定了梯度下降的方向、收敛的效果和速度以及内存利用率。由于用于训练的频谱图多于用于测试的频谱图，训练部分的 batch 的数量大于“测试”部分的“batch”的数量。在全连接层中，我们将偏差学习率调整为 10，权重学习率调整为 20，以加
(a) (b)图 5.7 (a)第一层池化层的特征图；(b)第二层池化层的特征图1.000.000.000.000.000.001.000.000.000.000.000.000.980.000.000.000.000.001.000.000.000.000.020.001.00蹲 起 原 地 拳 击 原 地 摆 臂 站 立 不 动 跑 步蹲 起原 地 拳 击原 地 摆 臂站 立 不 动跑 步图 5.8 使用 Alexnet 识别的混淆矩阵21train losstrain accuracytest losstest accuracy
【参考文献】：
期刊论文
[1]基于微多普勒特征的外辐射源雷达目标识别方法[J]. 王文兵,李华,梁龙. 电子信息对抗技术. 2018(05)
[2]合成孔径雷达微动目标指示（SAR/MMTI）研究进展[J]. 邓彬,吴称光,秦玉亮,黎湘,王宏强. 电子学报. 2013(12)
[3]基于经验模态分解的空中飞机目标分类[J]. 王宝帅,杜兰,刘宏伟,李彦兵,冯博. 电子与信息学报. 2012(09)
[4]基于微多普勒分析的复合运动目标参数估计[J]. 陈广锋,张林让,刘高高,王纯. 计算机应用. 2011(08)
[5]复合运动目标微多普勒特征的分析和提取[J]. 陈广锋,张林让,王纯,刘高高. 西安电子科技大学学报. 2011(03)
[6]空间锥体目标微动特性分析与识别方法[J]. 关永胜,左群声,刘宏伟,杜兰,李彦兵. 西安电子科技大学学报. 2011(02)
[7]基于微多普勒特征的空间锥体目标识别[J]. 关永胜,左群声,刘宏伟. 电波科学学报. 2011(02)
[8]微动目标OFDM雷达回波调制机理分析[J]. 霍凯,李康乐,姜卫东,黎湘,毛钧杰. 电子学报. 2011(03)
[9]基于微多普勒特征的地面目标分类[J]. 李彦兵,杜兰,刘宏伟,丁苏颖,关永胜. 电子与信息学报. 2010(12)
[10]行进人体目标雷达瞬时多普勒特征分析[J]. 贺峰,黄晓涛,刘承兰,李欣,周智敏. 信号处理. 2010(09)
博士论文
[1]雷达目标微多普勒特征分析及其应用[D]. 陈广锋.西安电子科技大学 2014
[2]合成孔径雷达微动目标指示（SAR/MMTI）研究[D]. 邓彬.国防科学技术大学 2011
[3]空间锥体目标微动特性与识别方法研究[D]. 关永胜.西安电子科技大学 2011
[4]基于OFDM新体制雷达信号的微动目标特征提取研究[D]. 霍凯.国防科学技术大学 2011
硕士论文
[1]基于深度学习方法的人体微动特征识别[D]. 邵禹铭.中国科学技术大学 2018
[2]基于JEM特征的空中飞机目标分类方法研究[D]. 程荣刚.西安电子科技大学 2012
[3]基于微多普勒特征的目标分类方法研究[D]. 符婷.西安电子科技大学 2011
[4]超宽带雷达回波信号微动特征识别研究[D]. 何永波.成都理工大学 2009
[5]基于雷达回波的人体检测和步态特征提取[D]. 杨杉.电子科技大学 2009
本文编号：2972618
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
四种算法的抗噪声性
(a) (b)图 5.6 (a)使用 SVM 进行识别时的混淆矩阵；(b)使用 NB 进行识别时的混淆矩阵5.4.2 Alexnet 模型训练首先我们对 Alexnet 进行微调，本文采用 Rectified Linear Units (ReLU)作为激活函数，各层采用最大池化的池化方式。本文将学习率调整为 0.0001，因为当学习率较大时，损失不会收敛，当学习率较小时，训练过程会消耗很长的时间。将最大迭代次数调整为 5000 次时得到的结果趋于稳定。本节采用梯度下降法求解优化问题，因此每 1000 次迭代之后，我们将学习速率降低到0.0001*0.9 ^ ( floor (5000 /1000))，权重衰减改为 0.0005，训练和验证网络的定义以及每一层的参数都记录在一个特定的文件中。在这个文件中，输入的图片的大小被重新调整为227 227，因为 Alexnet 整个网络的输入为 。训练部分和测试部分的“batch”的数量分别调整为 32和 16。“batch”定义的数量的大小表示每次迭代中获取的样本数量。这些样本梯度的平均值用于更新网络参数。“batch”的大小决定了梯度下降的方向、收敛的效果和速度以及内存利用率。由于用于训练的频谱图多于用于测试的频谱图，训练部分的 batch 的数量大于“测试”部分的“batch”的数量。在全连接层中，我们将偏差学习率调整为 10，权重学习率调整为 20，以加
(a) (b)图 5.7 (a)第一层池化层的特征图；(b)第二层池化层的特征图1.000.000.000.000.000.001.000.000.000.000.000.000.980.000.000.000.000.001.000.000.000.000.020.001.00蹲 起 原 地 拳 击 原 地 摆 臂 站 立 不 动 跑 步蹲 起原 地 拳 击原 地 摆 臂站 立 不 动跑 步图 5.8 使用 Alexnet 识别的混淆矩阵21train losstrain accuracytest losstest accuracy
【参考文献】：
期刊论文
[1]基于微多普勒特征的外辐射源雷达目标识别方法[J]. 王文兵,李华,梁龙. 电子信息对抗技术. 2018(05)
[2]合成孔径雷达微动目标指示（SAR/MMTI）研究进展[J]. 邓彬,吴称光,秦玉亮,黎湘,王宏强. 电子学报. 2013(12)
[3]基于经验模态分解的空中飞机目标分类[J]. 王宝帅,杜兰,刘宏伟,李彦兵,冯博. 电子与信息学报. 2012(09)
[4]基于微多普勒分析的复合运动目标参数估计[J]. 陈广锋,张林让,刘高高,王纯. 计算机应用. 2011(08)
[5]复合运动目标微多普勒特征的分析和提取[J]. 陈广锋,张林让,王纯,刘高高. 西安电子科技大学学报. 2011(03)
[6]空间锥体目标微动特性分析与识别方法[J]. 关永胜,左群声,刘宏伟,杜兰,李彦兵. 西安电子科技大学学报. 2011(02)
[7]基于微多普勒特征的空间锥体目标识别[J]. 关永胜,左群声,刘宏伟. 电波科学学报. 2011(02)
[8]微动目标OFDM雷达回波调制机理分析[J]. 霍凯,李康乐,姜卫东,黎湘,毛钧杰. 电子学报. 2011(03)
[9]基于微多普勒特征的地面目标分类[J]. 李彦兵,杜兰,刘宏伟,丁苏颖,关永胜. 电子与信息学报. 2010(12)
[10]行进人体目标雷达瞬时多普勒特征分析[J]. 贺峰,黄晓涛,刘承兰,李欣,周智敏. 信号处理. 2010(09)
博士论文
[1]雷达目标微多普勒特征分析及其应用[D]. 陈广锋.西安电子科技大学 2014
[2]合成孔径雷达微动目标指示（SAR/MMTI）研究[D]. 邓彬.国防科学技术大学 2011
[3]空间锥体目标微动特性与识别方法研究[D]. 关永胜.西安电子科技大学 2011
[4]基于OFDM新体制雷达信号的微动目标特征提取研究[D]. 霍凯.国防科学技术大学 2011
硕士论文
[1]基于深度学习方法的人体微动特征识别[D]. 邵禹铭.中国科学技术大学 2018
[2]基于JEM特征的空中飞机目标分类方法研究[D]. 程荣刚.西安电子科技大学 2012
[3]基于微多普勒特征的目标分类方法研究[D]. 符婷.西安电子科技大学 2011
[4]超宽带雷达回波信号微动特征识别研究[D]. 何永波.成都理工大学 2009
[5]基于雷达回波的人体检测和步态特征提取[D]. 杨杉.电子科技大学 2009
本文编号：2972618
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2972618.html
