[發(fā)明專利]穿墻雷達成像中對墻體參數(shù)的估計方法

在審

• 申請?zhí)枺?/td>: 201910745821.0
• 申請日: 2019-08-13
• 公開（公告）號: CN110456344A
• 公開（公告）日: 2019-11-15
• 發(fā)明（設計）人: 殷光強;倪明;楊君;潘易希
• 申請（專利權）人: 成都電科慧安科技有限公司
• 主分類號: G01S13/89
• 分類號: G01S13/89;G06K9/62;G06F17/18
• 代理公司: 51211 成都天嘉專利事務所(普通合伙)
• 代理人: 劉軍<國際申請>=<國際公布>=<進入國

本申請涉及穿墻雷達技術領域，公開了穿墻雷達成像中對墻體參數(shù)的估計方法，該方法包括采集訓練數(shù)據(jù)、建立模型和訓練模型三個步驟；首先，獲取墻體參數(shù)真實值，然后進行采樣并構建數(shù)據(jù)集，將從接收機中得到的信號進行處理，處理后的信號數(shù)據(jù)與墻體參數(shù)真實值放在一起作為訓練數(shù)據(jù)構成訓練樣本，建立基于多項式回歸的訓練模型，并利用訓練樣本中的訓練數(shù)據(jù)對所述模型進行訓練，獲得最優(yōu)模型，最后利用最優(yōu)模型即可得到解墻體參數(shù)估計值。本申請利用多項式回歸的特點，通過手動調(diào)節(jié)最高項次數(shù)，有效的避免了過擬合問題，同時模型計算量小，還滿足了對時效性的要求。

技術領域

本發(fā)明涉及穿墻雷達技術領域，具體涉及穿墻雷達成像中對墻體參數(shù)的估計方法。

背景技術

穿墻雷達和醫(yī)學成像、遙感等同屬于無損檢測，能根據(jù)有限的信息推斷非視距范圍內(nèi)的目標信息，在軍事和民用上，都有著廣泛的應用。穿墻雷達既要求成像質(zhì)量高，又要求實時性，而墻體的存在使這兩個要求很難同時滿足，在很多成像算法中，都需要知道確定的墻體參數(shù)值(即介電常數(shù)、電導率、墻體厚度等)，才能較容易地糾正由墻體引起的偏移效應。但在大多數(shù)實際情況中，墻體參數(shù)是未知的，因此，如何解決墻參未知時的實時成像，是目前穿墻問題面臨的難題，對估計墻體參數(shù)的算法和成像算法都有較高的速度要求。

隨著智能算法在無損檢測領域的廣泛應用，穿墻雷達問題也可以利用智能算法解決。針對穿墻雷達墻體參數(shù)的估計，已經(jīng)有若干學者和專家對其進行研究并提出了一系列的方法，主要包括兩種方法，一種是從墻體前后表面回波中提取包含墻體參數(shù)的信息，通過相關函數(shù)公式推算確定墻體參數(shù)；而另外一種則是采集墻后目標回波數(shù)據(jù)并對其進行成像定位，通過多次圖像質(zhì)量評估、定位修正尋求最優(yōu)墻體參數(shù)。

例如在現(xiàn)有技術中，文獻“墻體參數(shù)未知時的穿墻雷達實時成像方法”，上述現(xiàn)有技術采用支持向量機對墻體參數(shù)進行回歸預測，然后再采用相移偏移算法進行成像，具有較高的可行性和魯棒性，但是存在運行速度較慢的缺點。

發(fā)明內(nèi)容

為了克服上述現(xiàn)有技術中存在的問題和不足，本發(fā)明提出了一種基于多項式回歸的墻體參數(shù)估計方法，可以根據(jù)散射信號估計墻體參數(shù)，為成像算法的應用做準備。

為了實現(xiàn)上述發(fā)明目的，本發(fā)明的技術方案如下：

穿墻雷達成像中對墻體參數(shù)的估計方法，該方法包括采集訓練數(shù)據(jù)、建立模型和訓練模型三個步驟；首先，獲取墻體參數(shù)真實值，然后進行采樣并構建數(shù)據(jù)集，將從接收機中得到的信號進行處理，處理后的信號數(shù)據(jù)與墻體參數(shù)真實值放在一起作為訓練數(shù)據(jù)構成訓練樣本，建立基于多項式回歸的訓練模型，并利用訓練樣本中的訓練數(shù)據(jù)對所述模型進行訓練，獲得最優(yōu)模型，最后利用最優(yōu)模型即可得到解墻體參數(shù)估計值。

優(yōu)選地，該方法是通過以下步驟實現(xiàn)的：

步驟1、采集訓練數(shù)據(jù)：

步驟1.1、獲取墻體參數(shù)真實值；

步驟1.2、在墻體的一側設置目標，墻體的另一側設置天線，天線平行于墻體直線移動，設置天線的采樣位置等間隔。

步驟1.3、利用信號接收機逐個在采樣位置發(fā)射并接收信號；

步驟1.4、通過背景相減法得到其中的目標散射信號；

步驟1.5、對目標散射信號進行特征提取，即得到表征信號的特征矢量；

步驟1.6、把特征矢量和墻體參數(shù)真實值作為訓練數(shù)據(jù)放在一起構成訓練樣本；

步驟2、建立模型：

步驟2.1、建立基于多項式回歸的訓練模型，記該模型如式(1)所示：