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...

【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