多普勒雷达信号类型识别方法技术

本发明专利技术公开一种多普勒雷达信号类型识别方法，该方法包括采集已知类型的多普勒雷达回波信号样本，提取出信号样本的特征向量；其中，已知类型的多普勒雷达回波信号样本包括运动目标信号样本和干扰信号样本；将信号样本的特征向量输入训练网络进行分类训练学习，构建模型网络；其中，训练网络包括依次连接的输入层、隐层和输出层；实时采集目标多普勒雷达回波信号，提取出相应的目标特征向量；将目标特征向量导入模型网络，识别出目标多普勒雷达回波信号的类型。通过采用上述方案，解决了多普勒雷达无法区分运动目标信号与树木雨水干扰信号的问题，且识别的网络模型规模小、运算量低，可快速识别目标的类型。

Recognition method of Doppler radar signal type

The invention discloses a Doppler radar signal type recognition method, which includes collecting the known type of Doppler radar echo signal samples, extracting the feature vector of the signal samples; wherein, the known type of Doppler radar echo signal samples include the moving target signal samples and the jamming signal samples; inputting the feature vector of the signal samples into the training network for classification training The training network includes input layer, hidden layer and output layer connected in turn; real-time acquisition of Doppler radar echo signal, extraction of the corresponding target feature vector; import the target feature vector into the model network, identify the type of target Doppler radar echo signal. By adopting the above scheme, the problem that the Doppler radar can not distinguish the moving target signal from the rain interference signal of trees is solved, and the network model of recognition is small in scale and low in computation, which can quickly identify the type of target.

【技术实现步骤摘要】
多普勒雷达信号类型识别方法
本专利技术涉及雷达
，特别涉及一种多普勒雷达信号类型识别方法。
技术介绍
随着智慧城市的迅速发展，社会家庭生活中需要对灯具、电器等设备进行合理地控制，如灯具在有行人接近时才开启，以起到节能的目的。目前，智能感应技术通常基于视觉、红外、微波雷达三类非接触式传感器来实现。其中，基于计算机视觉技术的传感器局限于光照、姿态、隐私等因素使得应用场景大大受限；红外传感器易受光源、热源、射频辐射、灰尘遮挡等影响；微波雷达不受以上因素影响，可用于快速、准确的运动目标监测。多普勒雷达属于微波雷达，通过运动目标的多普勒效应，即雷达多普勒回波频率fd、目标速度v与雷达载波波长λ三者关系：fd＝2v/λ，雷达能够监测环境中是否存在运动目标。但在一些户外环境中，植物晃动、雨水滴落也能给雷达带来多普勒回波，此时我们希望雷达能不受植物及雨水因素的影响，只在行人、汽车等运动目标经过探测区域时才响应，这是多普勒感应雷达在户外应用中急需解决的技术问题。
技术实现思路
本申请实施例通过提供一种多普勒雷达信号类型识别方法，解决了现有技术中多普勒雷达信号中运动目标与干扰信号较难区分的问题。本申请实施例提供了一种多普勒雷达信号类型识别方法，该多普勒雷达信号类型识别方法包括以下步骤：采集已知类型的多普勒雷达回波信号样本，提取出所述信号样本的特征向量；其中，已知类型的多普勒雷达回波信号样本包括运动目标信号样本和干扰信号样本；将所述信号样本的特征向量输入训练网络进行分类训练学习，构建模型网络；其中，所述训练网络包括依次连接的输入层、隐层和输出层；实时采集目标多普勒雷达回波信号，提取出相应的目标特征向量；将所述目标特征向量导入模型网络，识别出目标多普勒雷达回波信号的类型。可选地，所述采集已知类型的多普勒雷达回波信号样本，提取出所述信号样本的特征向量的步骤包括：以预设采样率对所述多普勒雷达回波信号样本进行采样，得到若干离散点信号；依次周期性地截取N个离散点信号，构成若干信号序列；其中，每一个周期内的离散点信号构成一信号序列，相邻两信号序列之间间隔M个离散点；依次从每一个信号序列中提取出所述信号样本的特征向量。可选地，所述依次从每一个信号序列中提取出所述信号样本的特征向量的步骤包括：从当前信号序列的第一个离散点信号开始，提取出当前信号序列最大幅值的离散点信号；判断所述最大幅值是否大于或等于第一阈值，若是，则所述最大幅值对应的离散点信号作为当前信号序列的波峰点；若否，则进入下一个信号序列的波峰点的提取；在所述波峰点两侧分别提取距离最近的两离散点信号拐点作为两波谷点；其中，所述拐点的幅值小于其前一个离散点信号的幅值和后一个离散点信号的幅值；获取两波谷点之间的时间间隔t1、两波谷点同波峰点之间的时间间隔差值diff1以及两波谷点同波峰点之间的幅值差值中较小值与较大值的比值ratio1，将所述时间间隔t1、时间间隔差值diff1、比值ratio1作为一个信号序列的特征向量。可选地，所述将所述信号样本的特征向量输入训练网络进行分类训练学习，构建模型网络的步骤包括：对所述信号样本的特征向量按类别进行标注并以随机顺序混合，将所述带有标注的特征向量以单次预设数量分批依次输入所述训练网络的输入层；其中，各运动目标信号样本的标注相同，各干扰信号样本的标注相同；所述输入层将当前批次的所述特征向量与所述输入层、隐层之间的网络参数矩阵乘加后传输至隐层；所述隐层通过激活函数对输入的特征向量学习得到相应的映射向量，将所述映射向量与所述隐层、输出层之间的网络参数矩阵乘加后传输至输出层；所述输出层运用输出函数处理接收的所述映射向量得到相应的输出概率向量，并运用定义的损失函数得出所述输出概率向量与真实概率向量的当前批次损失值；根据得出的损失值通过反向传播算法更新所述训练网络的各级网络参数，以迭代形式进行下一批次特征向量的训练学习，直到完成预设迭代次数，保存最终的训练网络参数；运用保存的所述训练网络参数构建模型网络。可选地，所述将所述带有标注的特征向量以单次预设数量分批依次输入所述训练网络的输入层的步骤包括：将带有标注的所述特征向量对应的信号样本分为训练集和测试集，所述训练集的样本数量多于测试集的样本数量；将所述训练集的样本对应的特征向量分批输入至所述训练网络的输入层。可选地，在所述根据得出的损失值通过反向传播算法更新所述训练网络的各级网络参数，以迭代形式进行下一批次特征向量的训练学习，直到完成预设迭代次数，保存最终的训练网络参数的步骤之后包括：将所述训练集的样本对应的特征向量和测试集的样本对应的特征向量分别输入至所述训练网络，得出两分类准确率测试结果；根据两测试结果判断是否再次进行训练；若两所述准确率测试结果满足预设条件，则训练结束；若两所述准确率测试结果不满足预设条件，则调整训练网络的相应参数后，对所述训练集的样本对应的特征向量进行再次训练，直到两所述准确率测试结果满足预设条件为止。可选地，所述预设条件为：两所述分类准确率测试结果均大于或等于第二阈值、且两所述准确率测试结果的差值均小于或等于第三阈值。可选地，所述实时采集目标多普勒雷达回波信号，提取出相应的目标特征向量的步骤还包括：以预设采样率对所述目标多普勒雷达回波信号样本进行实时采样，得到若干离散点信号；依次周期性地截取N个离散点信号，构成若干信号序列；其中，每一个周期内的离散点信号构成一信号序列，相邻两信号序列之间间隔M个离散点；依次从每一个信号序列中提取出目标多普勒雷达回波信号的特征向量。可选地，所述依次从每一个信号序列中提取出目标多普勒雷达回波信号的特征向量的步骤包括：从各信号序列的第一个离散点信号开始，提取出当前信号序列最大幅值的离散点信号；在所述波峰点两侧分别提取距离最近的两离散点信号拐点作为两波谷点；其中，所述拐点的幅值小于其前一个离散点信号的幅值和后一个离散点信号的幅值；获取两波谷点之间的时间间隔t2、两波谷点同波峰点之间的时间间隔差值diff2以及两波谷点同波峰点之间的幅值差值中较小值与较大值的比值ratio2，将所述时间间隔t2、时间间隔差值diff2、比值ratio2作为一个信号序列的特征向量。可选地，所述将所述目标特征向量导入模型网络，识别出目标多普勒雷达信号的类型的步骤包括：将所述目标特征向量导入模型网络，所述模型网络输出二维概率向量；根据二维概率向量中的较大值的索引识别目标多普勒雷达信号的类型。本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：通过采用上述方案，对已知类型的信号样本进行训练学习，得到训练网络参数，该训练网络参数作为模型网络的参数来建立模型网络；再将实时目标多普勒雷达回波信号导入模型网络，即可识别实时目标多普勒雷达回波信号的类型。通过信号样本的特征向量提取本文档来自技高网...

【技术保护点】
1.一种多普勒雷达信号类型识别方法，其特征在于，包括以下步骤：/n采集已知类型的多普勒雷达回波信号样本，提取出所述信号样本的特征向量；其中，已知类型的多普勒雷达回波信号样本包括运动目标信号样本和干扰信号样本；/n将所述信号样本的特征向量输入训练网络进行分类训练学习，构建模型网络；其中，所述训练网络包括依次连接的输入层、隐层和输出层；/n实时采集目标多普勒雷达回波信号，提取出相应的目标特征向量；/n将所述目标特征向量导入模型网络，识别出目标多普勒雷达回波信号的类型。/n

【技术特征摘要】
1.一种多普勒雷达信号类型识别方法，其特征在于，包括以下步骤：
采集已知类型的多普勒雷达回波信号样本，提取出所述信号样本的特征向量；其中，已知类型的多普勒雷达回波信号样本包括运动目标信号样本和干扰信号样本；
将所述信号样本的特征向量输入训练网络进行分类训练学习，构建模型网络；其中，所述训练网络包括依次连接的输入层、隐层和输出层；
实时采集目标多普勒雷达回波信号，提取出相应的目标特征向量；
将所述目标特征向量导入模型网络，识别出目标多普勒雷达回波信号的类型。


2.如权利要求1所述的多普勒雷达信号类型识别方法，其特征在于，所述采集已知类型的多普勒雷达回波信号样本，提取出所述信号样本的特征向量的步骤包括：
以预设采样率对所述多普勒雷达回波信号样本进行采样，得到若干离散点信号；
依次周期性地截取N个离散点信号，构成若干信号序列；其中，每一个周期内的离散点信号构成一信号序列，相邻两信号序列之间间隔M个离散点；
依次从每一个信号序列中提取出所述信号样本的特征向量。


3.如权利要求2所述的多普勒雷达信号类型识别方法，其特征在于，所述依次从每一个信号序列中提取出所述信号样本的特征向量的步骤包括：
从当前信号序列的第一个离散点信号开始，提取出当前信号序列最大幅值的离散点信号；
判断所述最大幅值是否大于或等于第一阈值，若是，则所述最大幅值对应的离散点信号作为当前信号序列的波峰点；若否，则进入下一个信号序列的波峰点的提取；
在所述波峰点两侧分别提取距离最近的两离散点信号拐点作为两波谷点；其中，所述拐点的幅值小于其前一个离散点信号的幅值和后一个离散点信号的幅值；
获取两波谷点之间的时间间隔t1、两波谷点同波峰点之间的时间间隔差值diff1以及两波谷点同波峰点之间的幅值差值中较小值与较大值的比值ratio1，将所述时间间隔t1、时间间隔差值diff1、比值ratio1作为一个信号序列的特征向量。


4.如权利要求1所述的多普勒雷达信号类型识别方法，其特征在于，所述将所述信号样本的特征向量输入训练网络进行分类训练学习，构建模型网络的步骤包括：
对所述信号样本的特征向量按类别进行标注并以随机顺序混合，将所述带有标注的特征向量以单次预设数量分批依次输入所述训练网络的输入层；其中，各运动目标信号样本的标注相同，各干扰信号样本的标注相同；
所述输入层将当前批次的所述特征向量与所述输入层、隐层之间的网络参数矩阵乘加后传输至隐层；
所述隐层通过激活函数对输入的特征向量学习得到相应的映射向量，将所述映射向量与所述隐层、输出层之间的网络参数矩阵乘加后传输至输出层；
所述输出层运用输出函数处理接收的所述映射向量得到相应的输出概率向量，并运用定义的损失函数得出所述输出概率向量与真实概率向量的当前批次损失值；
根据得出的损失值通过反向传播算法更新所述训练网络的各级网络参数，以迭代形式进行下一批次特征向量的训练学习，直到完成预设迭代次数，保存最终的训练网络参数；...

【专利技术属性】
技术研发人员：周企豪，檀聿麟，冯海刚，张宁，戴思特，法京怀，李俊丰，
申请(专利权)人：深圳锐越微技术有限公司，
类型：发明
国别省市：广东;44