一种基于深度学习的复杂噪声环境下的雷达信号恢复方法技术

本发明专利技术涉及一种基于深度学习的复杂噪声环境下的雷达信号恢复方法，包括：雷达仿真数据集的构建；网络模型的构建：利用深度学习中的生成对抗网络实现噪声环境下的自适应雷达信号恢复，生成对抗网络由两个部分构成，分别是判别器和生成器，利用稠密连接卷积神经网络来构成判别器和生成器；生成对抗网络的训练：将五种信噪比环境下的五组仿真雷达时频图像进行混合，生成训练数据，对生成对抗网络进行训练；利用生成对抗网络对实测雷达图像进行信号恢复。

【技术实现步骤摘要】
一种基于深度学习的复杂噪声环境下的雷达信号恢复方法
本专利技术属于雷达图像处理、信号处理、域自适应与深度学习领域，涉及基于多普勒雷达数据的信号处理和人体探测等相关应用。
技术介绍
微多普勒雷达在军事领域素来有着很广泛的用途，扮演着至关重要的角色。在雷达中，探测目标的运动速度通常是远远小于光速，因此认为电磁波来回传播距离为目标与雷达距离的两倍，雷达通过接收之前发出的电磁波的时间可以实现目标物体的测距；另外目标物体存在运动的情况下，根据多普勒效应可以计算出目标物体运动或者微动造成的多普勒频移，从而获得目标物体的速度信息。以上分析针对目标物体看作质点的情况，而当目标物体存在多个散点时，将产生不同的多普勒频移信号进行整合分析，就是微多普勒雷达的工作原理。利用雷达信息进行探测和识别相比于利用视觉信息有着得天独厚的优势：利用雷达进行目标检测并不受光照和天气的影响，可以实现全天候二十四小时的监测；随着集成电路的发展雷达也越来越集成化和便携化；另外雷达信号可以穿透一定的遮挡，可以实现远距离检测，这些优势都是基于视觉的方法所不具备的。因此雷达逐渐被应用到越来越多的领域中去。譬如在军事领域中雷达可以实现全天候无死角敌情检测，在巷战中雷达可以实现穿墙检测敌人；在安保活动中雷达可以实现人群监控以及疑犯追踪；在民用领域中多普勒雷达还经常用于气象探测、车载行人检测以及人体动作识别等。但是在实际的探测情况中，由于被测目标距离雷达较远，被测目标反射回波强度很弱，或者环境中存在较多的运动干扰，例如水浪、行人和风等，得到的雷达信号中往往包含许多噪声，这些噪声会将有用的被测目标的运动信号淹没。而基于多普勒雷达的应用大多依靠雷达时频图像，对其进行特征提取，包括谱图的上下包络、带宽以及躯干运动速度曲线等等，然后利用机器学习或深度学习算法对提取的特征进行分析，实现相关应用。主信号淹没于噪声中的的雷达时频图像会严重干扰雷达时频图像中有效特征的提取，对目标的分析和识别造成困难。近几年深度学习在计算机视觉、数据科学以及模式识别等领域中掀起了研究热潮。深度学习利用人工神经网络(ArtificialNeuralNetwork，ANN)对问题进行复杂建模，并将网络中添加非线性单元以提高模型的泛化性能，网络利用反向回传(BackPropagation，BP)进行训练和优化。深度学习凭借其自动学习特征的能力在图像处理、图像分类以及目标检测等领域取得了显著成就。而随着深度学习领域的发展，越来越多新式网络被提出。生成对抗网络(GenerativeAdversarialNetworks，GAN)是深度学习中的一种半监督学习的生成式模型，原理依赖博弈论中的二元零和博弈，通过两个子网络的对抗式的训练实现生成模型的建模，被广泛用于图像处理、图像风格转换和图像修复。而基于深度学习的算法需要大量多样化的训练数据的支撑，当前并没有公开的多普勒雷达数据库，因此实际雷达图像的应用受到了种种限制。[1]GoodfellowIJ,Pouget-AbadieJ,MirzaM,etal.GenerativeAdversarialNetworks[J].AdvancesinNeuralInformationProcessingSystems,2014,3:2672-2680.[2]HuangG,LiuZ,LaurensvanderMaaten,etal.DenselyConnectedConvolutionalNetworks[J].2016.[3]KimY,LingH.HumanActivityClassificationBasedonMicro-DopplerSignaturesUsingaSupportVectorMachine[J].IEEETransactionsonGeoscience&RemoteSensing,2009,47(5):1328-1337.pics
技术实现思路
本专利技术的目的是提供一种自适应的雷达信号恢复方法，利用仿真雷达时频图像训练一个能够自适应去除不同信噪比环境下噪声的深度学习网络，并将其迁移到实测雷达时频图像中，完成雷达信号的恢复。技术方案如下：一种基于深度学习的复杂噪声环境下的雷达信号恢复方法，包括下列步骤：(1)雷达仿真数据集的构建：选取动作捕捉数据库作为雷达仿真数据的来源，对人体的主要关节点进行椭球形建模，利用公式计算出人体各部分的雷达反射信号；对雷达反射信号中加入不同能量的高斯白噪声，并对信号进行短时傅立叶变换生成雷达时频图像，主信号淹没于噪声中的雷达图像和不含噪声的图像就构建成一个雷达时频图像对，构建出五种信噪比环境下的人体动作的雷达仿真数据集，分别为0dB，10dB，20dB，-10dB，-20dB，并挑选训练数据和测试数据；(2)实测雷达数据集的构建：利用超宽带雷达模块作为雷达传感器，连接两个定向天线进行实测雷达数据的采集，在室内高信噪比环境下对五个被测目标的七种运动状态：跑步、跳跃、行走、拳击、踱步、爬行以及站立进行多组采集。将采集的雷达信号进行短时傅立叶变换生成雷达时频图像，并加入不同能量的高斯白噪声，与原图构成实测雷达图像对，构建实测雷达数据集；(3)网络模型的构建：利用深度学习中的生成对抗网络实现噪声环境下的自适应雷达信号恢复，生成对抗网络由两个部分构成，分别是判别器和生成器，利用稠密连接卷积神经网络来构成判别器和生成器，判别器的输入是由含噪声图像和不含噪声图像对连接而成的六通道图像，其输出是对图像对的判别标签，标签‘1’代表图像对中的不含噪声的雷达时频图像来自外部数据，标签‘0’代表图像对中不含噪声的雷达时频图像来自于生成器的输出；判别器旨在对输入图像进行正确判别：判断图像或图像对是来自于真实数据还算生成自生成器；生成器的输入是含有噪声的雷达图像，输出是经过处理后的雷达图像，处理后的图像中噪声成分减少，被测目标的运动信号被恢复出来，生成器旨在实现雷达信号的恢复，生成与真实数据相似的图像，以至于判别器无法做出正确判断；(4)生成对抗网络的训练：将五种信噪比环境下的五组仿真雷达时频图像进行混合，生成训练数据，对生成对抗网络进行训练，每个训练周期按照随机顺序把所有雷达图像对依次输入到网络进行训练，每次数据的输入从训练数据集随机选取32个图像对进行输入，每次训练包含对判别器和生成器两部分的交替训练，实现两个网络的权重迭代更新，最终达到收敛，其中判别器的训练选取二元互熵损失函数作为目标函数进行优化，生成器的训练选取均方误差MSE和二元互熵损失函数进行加权平均作为目标函数进行优化；(5)利用生成对抗网络对实测雷达图像进行信号恢复。网络的训练完成后，将实测雷达数据集中挑选出的图像对输入到对抗生成网络中的生成器中，输出经过信号恢复的雷达图像，然后计算恢复图像与不含噪声的雷达图像之间的峰值信噪比衡量信号恢复效果。本专利技术利用深度学习算法中的生成对抗网络实现了低信噪比环境下的多普勒雷达信号的恢复，针对雷达数据获得为困难的条件，本专利技术通过多种信噪比环境下的仿真雷达混合数据实现生成对抗网络的训练，并且把模型应用到含有不同噪声的实测雷达数据上，实现能够对多种信噪比环境下的雷达实测信号的自适应恢复。附图说明图1人体椭球建模示意图图20dB信噪比下的仿本文档来自技高网...

【技术保护点】
1.一种基于深度学习的复杂噪声环境下的雷达信号恢复方法，包括下列步骤：(1)雷达仿真数据集的构建：选取动作捕捉数据库作为雷达仿真数据的来源，对人体的主要关节点进行椭球形建模，利用公式计算出人体各部分的雷达反射信号；对雷达反射信号中加入不同能量的高斯白噪声，并对信号进行短时傅立叶变换生成雷达时频图像，主信号淹没于噪声中的雷达图像和不含噪声的图像就构建成一个雷达时频图像对，构建出五种信噪比环境下的人体动作的雷达仿真数据集，分别为0dB，10dB，20dB，‑10dB，‑20dB，并挑选训练数据和测试数据；(2)实测雷达数据集的构建：利用超宽带雷达模块作为雷达传感器，连接两个定向天线进行实测雷达数据的采集，在室内高信噪比环境下对五个被测目标的七种运动状态：跑步、跳跃、行走、拳击、踱步、爬行以及站立进行多组采集。将采集的雷达信号进行短时傅立叶变换生成雷达时频图像，并加入不同能量的高斯白噪声，与原图构成实测雷达图像对，构建实测雷达数据集；(3)网络模型的构建：利用深度学习中的生成对抗网络实现噪声环境下的自适应雷达信号恢复，生成对抗网络由两个部分构成，分别是判别器和生成器，利用稠密连接卷积神经网络来构成判别器和生成器，判别器的输入是由含噪声图像和不含噪声图像对连接而成的六通道图像，其输出是对图像对的判别标签，标签‘1’代表图像对中的不含噪声的雷达时频图像来自外部数据，标签‘0’代表图像对中不含噪声的雷达时频图像来自于生成器的输出；判别器旨在对输入图像进行正确判别：判断图像或图像对是来自于真实数据还算生成自生成器；生成器的输入是含有噪声的雷达图像，输出是经过处理后的雷达图像，处理后的图像中噪声成分减少，被测目标的运动信号被恢复出来，生成器旨在实现雷达信号的恢复，生成与真实数据相似的图像，以至于判别器无法做出正确判断；(4)生成对抗网络的训练：将五种信噪比环境下的五组仿真雷达时频图像进行混合，生成训练数据，对生成对抗网络进行训练，每个训练周期按照随机顺序把所有雷达图像对依次输入到网络进行训练，每次数据的输入从训练数据集随机选取32个图像对进行输入，每次训练包含对判别器和生成器两部分的交替训练，实现两个网络的权重迭代更新，最终达到收敛，其中判别器的训练选取二元互熵损失函数作为目标函数进行优化，生成器的训练选取均方误差MSE和二元互熵损失函数进行加权平均作为目标函数进行优化；(5)利用生成对抗网络对实测雷达图像进行信号恢复。网络的训练完成后，将实测雷达数据集中挑选出的图像对输入到对抗生成网络中的生成器中，输出经过信号恢复的雷达图像，然后计算恢复图像与不含噪声的雷达图像之间的峰值信噪比衡量信号恢复效果。...

【技术特征摘要】
1.一种基于深度学习的复杂噪声环境下的雷达信号恢复方法，包括下列步骤：(1)雷达仿真数据集的构建：选取动作捕捉数据库作为雷达仿真数据的来源，对人体的主要关节点进行椭球形建模，利用公式计算出人体各部分的雷达反射信号；对雷达反射信号中加入不同能量的高斯白噪声，并对信号进行短时傅立叶变换生成雷达时频图像，主信号淹没于噪声中的雷达图像和不含噪声的图像就构建成一个雷达时频图像对，构建出五种信噪比环境下的人体动作的雷达仿真数据集，分别为0dB，10dB，20dB，-10dB，-20dB，并挑选训练数据和测试数据；(2)实测雷达数据集的构建：利用超宽带雷达模块作为雷达传感器，连接两个定向天线进行实测雷达数据的采集，在室内高信噪比环境下对五个被测目标的七种运动状态：跑步、跳跃、行走、拳击、踱步、爬行以及站立进行多组采集。将采集的雷达信号进行短时傅立叶变换生成雷达时频图像，并加入不同能量的高斯白噪声，与原图构成实测雷达图像对，构建实测雷达数据集；(3)网络模型的构建：利用深度学习中的生成对抗网络实现噪声环境下的自适应雷达信号恢复，生成对抗网络由两个部分构成，分别是判别器和生成器，利用稠密连接卷积神经网络来构成判别器和生成器，判别器的输入是由含噪声图像和不含噪声图像对连接而成的六通道图像，其输出是对图像对的判别标...

【专利技术属性】
技术研发人员：侯春萍，黄丹阳，杨阳，郎玥，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12