一种基于数据驱动和时频分析的多普勒穿墙雷达定位方法技术

本发明专利技术公开了一种基于数据驱动的时频分析的多普勒穿墙雷达定位方法，包括获取多目标移动的多普勒穿墙调解回波信号，通过STFT针对获取的多目标移动的多普勒穿墙调解回波信号进行分析处理，构建时频分布矩阵数据集；构建神经网络模型，采用获取的时频分布数据集对构建的神经网络模型进行训练，获取最优时频分布预测模型；采用构建的最优时频分布预测模型，针对构建的时频分布矩阵数据集进行预测处理，获取预测时频分布；采用获取的预测时频分布针对多目标移动的多普勒穿墙调解回波信号完成定位处理。本发明专利技术实现对目标的实时跟踪定位处理，能够较好的解决时频模糊的问题，提高时频分辨率；而且精准度高、抗过拟合性能强、识别能力显著提升。力显著提升。力显著提升。

【技术实现步骤摘要】
一种基于数据驱动和时频分析的多普勒穿墙雷达定位方法


[0001]本专利技术属于目标跟踪
，具体涉及一种基于数据驱动和时频分析的多普勒穿墙雷达定位方法。

技术介绍

[0002]近些年来，多普勒穿墙雷达在移动人体的定位跟踪领域内发挥显著作用。在军事领域内，将其用于检测短距离墙内歹徒移动的情况；在民用领域内，其可以用于检测追踪室内人员的轨迹。在目前的实际应用中，利用摄像头或合成孔径雷达的方法可以实现目标的追踪，但是均存在一定的问题。通过摄像头进行轨迹检测时，由于摄像头在特殊地点存在侵犯人体隐私的可能性，进而不能够对墙内的情况进行充分识别；通过合成孔径雷达可以实现从墙外对墙内人体情况的识别，但是存在搭建成本较高且搭建难度较大的问题。兼顾经济价值与搭建的简单性，采用多普勒穿墙雷达方法成为目前较为理想的选择之一。
[0003]结合当前已有的研究结果可知，通过多普勒雷达进行目标跟踪定位时需要较为精准的人体瞬时频率；针对精准瞬时频率的提取，目前最常使用的方法是依靠时频分析技术，进而提取获得时频分布中的最大值并将其作为目标的瞬时频率轨迹。
[0004]尽管通过时频分析技术可以定位获得目标的瞬时频率轨迹，但是当前使用的方法中仍存在下述的问题缺点：一、多普勒穿墙雷达的实际应用受到实时检测的限制，通过时频分析技术对信号进行处理时，针对窗函数的大小有着相对严格的设定，进而使得获得的目标瞬时频率存在精度较低且时频分辨率也较低的问题；二、墙内的人体对于雷达存在径向速度相同的可能性，由此会产生相同的多普勒频率，进而在时频分布中会出现频率交叉的情况，而针对交叉部分提取精准的目标瞬时频率目前仍存在较大的难度，进而出现定位较难的问题；三、进行时频分析的过程中，获取的雷达回波信号存在一定的噪声，且较强的噪声对于瞬时频率的提取存在较强的干扰性，使得瞬时频率的准确性降低，进而降低检测结果的可靠性。

技术实现思路

[0005]本专利技术的目的在于提供一种精准度高、抗过拟合性能强、识别能力较好的基于数据驱动和时频分析的多普勒穿墙雷达定位方法。
[0006]本专利技术提供的这种基于数据驱动和时频分析的多普勒穿墙雷达定位方法，包括如下步骤：
[0007]S1.构建多目标移动的多普勒穿墙调解回波信号，并通过STFT进行分析处理，构建时频分布矩阵数据集；
[0008]S2.构建带有残差结构与CBAM模块的神经网络模型，采用步骤S1构建的时频分布数据集对构建的神经网络模型进行训练，获取最优时频分布预测模型；
[0009]S3.采用步骤S2构建的最优时频分布预测模型，对真实采集的雷达回波信号经过STFT处理后得到的时频谱图进行预测处理，获取预测时频分布；
[0010]S4.采用步骤S3获取的预测时频分布，根据距离和角度估计算法针对多目标移动的多普勒穿墙调解回波信号完成定位处理。
[0011]步骤S1所述的构建多目标移动的多普勒穿墙调解回波信号，并通过STFT进行分析处理，构建时频分布矩阵数据集，具体包括：
[0012](1)构造若干个随机参数，建立两个二次随机瞬时频率函数，采用如下公式进行表示：
[0013]IF1(t)＝at2+ct+d
[0014]IF2(t)＝gt2+ht+j
[0015]IF1(t)与IF2(t)分别表示两个不同的瞬时频率函数，a、c、d、g、h和j均为随机参数，a和g均为属于[
‑
0.5,0.5]的均匀分布，c和h均属于[
‑
1,1]的均匀分布，d和j均属于[
‑
5,5]的均匀分布，t表示时间；
[0016](2)将步骤(1)中描述的两个随机瞬时频率函数转化为雷达回波信号形式，利用STFT(短时傅里叶变换)并使用设定窗长长度的汉明窗进行时频分析处理，随后使用生成的时频分析矩阵构建数据集；STFT的表达式如下所示：
[0017][0018]其中，X
STFT
表示经过STFT后得到的时频分布，e
jω
表示傅里叶变换的基，b表示时延，T表示信号的周期，x(t
‑
b)表示经过时延后的雷达回波信号，w(t)表示窗函数；
[0019](3)重复步骤(2)，直至得到设定数量的数据。
[0020]将发射机接收的回波调解后信号采用如下公式表示：
[0021][0022]其中，r(t)为解调后的回波信号，a
k
为第k个信号的幅度，f
i
为第i个载波频率，τ
i,k
表示在载波频率为f
i
下第k个目标的时延，R
k0
是目标离雷达发射机的初始距离，v
i,k
为第k个目标的径向速度，f
d,i,k
表示在载波频率为f
i
的第k个目标的多普勒频率，φ
k
＝4πf
i
R
k0
/c是第k个信号回波初始相位，c是光速，j为虚数单位。
[0023]步骤S2所述的构建带有残差结构与CBAM模块的神经网络模型，采用步骤S1构建的时频分布数据集对构建的神经网络模型进行训练，获取最优时频分布预测模型，具体包括：
[0024]1)采用步骤S1获取的时频分布数据集，构建带有残差结构与CBAM模块的神经网络模型，并调整网络模型参数；
[0025]构建带有残差结构与CBAM模块的神经网络模型，具体为：卷积层Conv1
‑
最大池化层P1
‑
归一化层BN1
‑
激活函数层R1
‑
Dropout层D1
‑
卷积层Conv2
‑
最大池化层P2
‑
归一化层BN2
‑
激活函数层R2
‑
Dropout层D2
‑
卷积层Conv3
‑
最大池化层P3
‑
归一化层BN3
‑
激活函数层R3
‑
Dropout层D3
‑
9个带有CBAM与残差结构的卷积块
‑
卷积层Conv4
‑
最大池化层P4
‑
归一化层BN4
‑
激活函数层R4
‑
Dropout层D4
‑
卷积层Conv5
‑
最大池化层P5
‑
归一化层BN5
‑
激活函数
层R5
‑
Dropout层D5
‑
卷积层Conv6
‑
最大池化层P6
‑
归一化层BN6
‑
激活函数层R6
‑
Dropout层D6
‑
卷积层Conv7
‑
最大池化层P7
‑
归一化层BN7
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动和时频分析的多普勒穿墙雷达定位方法，包括如下步骤：S1.构建多目标移动的多普勒穿墙调解回波信号，并通过STFT进行分析处理，构建时频分布矩阵数据集；S2.构建带有残差结构与CBAM模块的神经网络模型，采用步骤S1构建的时频分布数据集对构建的神经网络模型进行训练，获取最优时频分布预测模型；S3.采用步骤S2构建的最优时频分布预测模型，对真实采集的雷达回波信号经过STFT处理后得到的时频谱图进行预测处理，获取预测时频分布；S4.采用步骤S3获取的预测时频分布，根据距离和角度估计算法针对多目标移动的多普勒穿墙调解回波信号完成定位处理。2.根据权利要求1所述的基于数据驱动和时频分析的多普勒穿墙雷达定位方法，其特征在于步骤S1所述的构建多目标移动的多普勒穿墙调解回波信号，并通过STFT进行分析处理，构建时频分布矩阵数据集，具体包括：(1)构造若干个随机参数，建立两个二次随机瞬时频率函数，采用如下公式进行表示：IF1(t)＝at2+ct+dIF2(t)＝gt2+ht+jIF1(t)与IF2(t)分别表示两个不同的瞬时频率函数，a、c、d、g、h和j均为随机参数，a和g均为属于[
‑
0.5,0.5]的均匀分布，c和h均属于[
‑
1,1]的均匀分布，d和j均属于[
‑
5,5]的均匀分布，t表示时间；(2)将步骤(1)中描述的两个随机瞬时频率函数转化为雷达回波信号形式，利用STFT(短时傅里叶变换)并使用设定窗长长度的汉明窗进行时频分析处理，随后使用生成的时频分析矩阵构建数据集；STFT的表达式如下所示：其中，X
STFT
表示经过STFT后得到的时频分布，e
jω
表示傅里叶变换的基，b表示时延，T表示信号的周期，x(t
‑
b)表示经过时延后的雷达回波信号，w(t)表示窗函数；(3)重复步骤(2)，直至得到设定数量的数据。将发射机接收的回波调解后信号采用如下公式表示：其中，r(t)为解调后的回波信号，a
k
为第k个信号的幅度，f
i
为第i个载波频率，τ
i,k
表示在载波频率为f
i
下第k个目标的时延，R
k0
是目标离雷达发射机的初始距离，v
i,k
为第k个目标的径向速度，f
d,i,k
表示在载波频率为f
i
的第k个目标的多普勒频率，φ
k
＝4πf
i
R
k0
/c是第k个信号回波初始相位，c是光速，j为虚数单位。3.根据权利要求2所述的基于数据驱动和时频分析的多普勒穿墙雷达定位方法，其特征在于步骤S2所述的构建带有残差结构与CBAM模块的神经网络模型，采用步骤S1构建的时
频分布数据集对构建的神经网络模型进行训练，获取最优时频分布预测模型，具体包括：1)采用步骤S1获取的时频分布数据集，构建带有残差结构与CBAM模块的神经网络模型，并调整网络模型参数；构建带有残差结构与CBAM模块的神经网络模型，具体为：卷积层Conv1
‑
最大池化层P1
‑
归一化层BN1
‑
激活函数层R1
‑
Dropout层D1
‑
卷积层Conv2
‑
最大池化层P2
‑
归一化层BN2
‑
激活函数层R2
‑
Dropout层D2
‑
卷积层Conv3
‑
最大池化层P3
‑
归一化层BN3
‑
激活函数层R3
‑
Dropout层D3
‑
9个带有CBAM与残差结构的卷积块
‑
卷积层Conv4
‑
最大池化层P4
‑
归一化层BN4
‑
激活函数层R4
‑
Dropout层D4
‑
卷积层Conv5
‑
最大池化层P5
‑
归一化层BN5
‑
激...

【专利技术属性】
技术研发人员：丁一鹏，丁旻昊，彭意群，
申请(专利权)人：中南大学，
类型：发明
国别省市：