[發明專利]一種穿墻雷達運動目標識別方法及裝置

在審

• 申請號: 202210656829.1
• 申請日: 2022-06-07
• 公開（公告）號: CN115113158A
• 公開（公告）日: 2022-09-27
• 發明（設計）人: 楊小鵬;高煒程;蘭天;渠曉東;龔俊波
• 申請（專利權）人: 北京理工大學
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 北京正陽理工知識產權代理事務所(普通合伙) 11639
• 代理人: 張利萍

1.一種穿墻雷達運動目標識別方法，其特征在于，包括：

步驟S1：將若干穿墻雷達成像數據作為訓練數據，將所述訓練數據進行奇異值分解，并將所述訓練數據、以及所述訓練數據分解后的子分量均由小波散射網絡進行增強處理，獲取增強成像矩陣、增強子分量；

步驟S2：將所述增強成像矩陣、增強子分量分別輸入各自對應的概率圖模型，所述概率圖模型為條件隨機場(CRF)，對各個所述概率圖模型進行訓練，得到訓練好的各個概率圖模型；基于所述訓練好的各個概率圖模型的輸出，進行模型融合；

步驟S3：獲取待識別穿墻雷達成像數據，基于融合后的模型，識別所述待識別穿墻雷達成像數據。

2.如權利要求1所述的方法，其特征在于，所述步驟S1：所述將所述訓練數據進行奇異值分解，分解方式為：

其中，φ_r是所述穿墻雷達成像數據對應的回波矩陣，維度為N×M，σ_i代表所述回波矩陣在SVD分解后的奇異值，u_i和v_i分別代表所述回波矩陣SVD分解后的左弦量和右弦向量，H表示所述回波矩陣的赫爾米特變換，i為依從大到小順序排列的奇異值序數，W為墻雜波子空間，T為目標子空間，N為噪聲子空間；輸出矩陣代表僅含有人體目標成像信息、墻體雜波信息和噪聲信息的三個子空間。

3.如權利要求1所述的方法，其特征在于，所述小波散射網絡的小波函數為：

其中，WT(a,τ)為輸入數據在小波域的表示，所述輸入數據為回波信號；f(t)為衡量輸入的回波信號的時域表示，ψ表示小波變換基函數，t為積分時間變量，a為小波變換的伸縮尺度，τ為小波域的時延。

4.如權利要求1所述的方法，其特征在于，小波散射網絡的小波變換的卷積基函數表示為

ψ_j(x)＝2^-2jψ(2^-jx) (3)

其中，ψ_j(x)為所述小波散射網絡的第j層輸出，x代表所述小波散射網絡中節點的輸入，定義θ為所述小波散射網絡中小波變換的旋轉角度，則

所述小波散射網絡中每層對應的卷積基函數表示為

其中，ψ_l,θ,1(x)為小波散射網絡第l層的第一卷積基函數，l為小波散射網絡的層數，ψ_i,θ,2(x)為小波散射網絡第l層的第二卷積基函數，r_θ為小波散射網絡每層之間的旋轉角度，為小波散射網絡的傳遞函數，k＝log₂a代表小波變換中尺度變換系數a的對數。

5.如權利要求4所述的方法，其特征在于，所述條件隨機場模型的概率表示為

其中，p(y∣x)代表輸入x在確定條件下輸出y的條件概率，w_s代表條件隨機場順序第s個節點的權值，S為節點總數，exp代表指數函數，f_s(y,x)為對應于條件變量x與狀態變量y的條件隨機場特征函數，z(x)為歸一化常數；

所述概率圖模型即為所述條件隨機場(CRF)。

6.如權利要求1-5中任一項所述的方法，其特征在于，所述基于所述訓練好的各個條件隨機場模型的輸出，進行模型融合，融合后的模型為BIC(MLF)：

其中，p表示輸入數據在超參數下的最大似然概率，代表對MLF的聯合似然估計使得估計結果與雷達回波預處理后的數據Train的特征分布在概率上保持一致，為一個可以動態調整的超參數，MLF為邊際似然函數，為正則化項，M為訓練樣本大小，Dim()代表取獨立參數的數量。