發(fā)布時間：2021-01-12 09:39

　　目標探測與分類技術(shù)具有十分廣泛的用途,其中包括了對邊境物體種類的監(jiān)控,醫(yī)療中對患者行為的監(jiān)護、安全防護工作中對未知人員的確認等,已成為各國政府、公司和學者關(guān)注的熱點。近年來雷達逐漸成為人體探測和分類領(lǐng)域關(guān)注的焦點,與其它傳感器相比,雷達在人體探測與分類上具有的優(yōu)勢主要表現(xiàn)在:不受光線和天氣的影響,可對人體進行全天候的監(jiān)測。然而,該技術(shù)還處在起步階段,理論基礎(chǔ)尚不完善。本文對物體種類識別、人體動作判別以及身份識別進行了研究,具有重要的理論意義和應(yīng)用價值,主要工作與成果如下:（1）研究了人體基本運動模型,旨在通過理論仿真得到人體雷達回波,驗證使用雷達實現(xiàn)身份識別的可能性。將非剛體的人體簡化為由上肢、下肢以及軀干組成的簡單剛體模型,分別對這幾個部分的雷達回波進行建模,從而得到人體運動的雷達回波。通過對上肢、下肢以及軀干的長度的調(diào)整,得到不同人體在運動時的雷達回波,而后使用傳統(tǒng)機器學習算法與深度卷積神經(jīng)網(wǎng)絡(luò)對這些雷達回波進行識別,從而在理論上實現(xiàn)人體身份識別。（2）研究了基于雷達微多普勒信號的不同物體種類的識別。不同物體由于結(jié)構(gòu)不一樣,它們運動時所產(chǎn)生的微多普勒信號也會有一定差異,因此雷達微多... 

【文章來源】：南京航空航天大學江蘇省 211工程院校

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

四種算法的抗噪聲性

(a) (b)圖 5.6 (a)使用 SVM 進行識別時的混淆矩陣；(b)使用 NB 進行識別時的混淆矩陣5.4.2 Alexnet 模型訓練首先我們對 Alexnet 進行微調(diào)，本文采用 Rectified Linear Units (ReLU)作為激活函數(shù)，各層采用最大池化的池化方式。本文將學習率調(diào)整為 0.0001，因為當學習率較大時，損失不會收斂，當學習率較小時，訓練過程會消耗很長的時間。將最大迭代次數(shù)調(diào)整為 5000 次時得到的結(jié)果趨于穩(wěn)定。本節(jié)采用梯度下降法求解優(yōu)化問題，因此每 1000 次迭代之后，我們將學習速率降低到0.0001*0.9 ^ ( floor (5000 /1000))，權(quán)重衰減改為 0.0005，訓練和驗證網(wǎng)絡(luò)的定義以及每一層的參數(shù)都記錄在一個特定的文件中。在這個文件中，輸入的圖片的大小被重新調(diào)整為227 227，因為 Alexnet 整個網(wǎng)絡(luò)的輸入為 。訓練部分和測試部分的“batch”的數(shù)量分別調(diào)整為 32和 16�！癰atch”定義的數(shù)量的大小表示每次迭代中獲取的樣本數(shù)量。這些樣本梯度的平均值用于更新網(wǎng)絡(luò)參數(shù)�！癰atch”的大小決定了梯度下降的方向、收斂的效果和速度以及內(nèi)存利用率。由于用于訓練的頻譜圖多于用于測試的頻譜圖，訓練部分的 batch 的數(shù)量大于“測試”部分的“batch”的數(shù)量。在全連接層中，我們將偏差學習率調(diào)整為 10，權(quán)重學習率調(diào)整為 20，以加

(a) (b)圖 5.7 (a)第一層池化層的特征圖；(b)第二層池化層的特征圖1.000.000.000.000.000.001.000.000.000.000.000.000.980.000.000.000.000.001.000.000.000.000.020.001.00蹲 起 原 地 拳 擊 原 地 擺 臂 站 立 不 動 跑 步蹲 起原 地 拳 擊原 地 擺 臂站 立 不 動跑 步圖 5.8 使用 Alexnet 識別的混淆矩陣21train losstrain accuracytest losstest accuracy

【參考文獻】：
期刊論文
[1]基于微多普勒特征的外輻射源雷達目標識別方法[J]. 王文兵,李華,梁龍.  電子信息對抗技術(shù). 2018(05)
[2]合成孔徑雷達微動目標指示（SAR/MMTI）研究進展[J]. 鄧彬,吳稱光,秦玉亮,黎湘,王宏強.  電子學報. 2013(12)
[3]基于經(jīng)驗?zāi)B(tài)分解的空中飛機目標分類[J]. 王寶帥,杜蘭,劉宏偉,李彥兵,馮博.  電子與信息學報. 2012(09)
[4]基于微多普勒分析的復合運動目標參數(shù)估計[J]. 陳廣鋒,張林讓,劉高高,王純.  計算機應(yīng)用. 2011(08)
[5]復合運動目標微多普勒特征的分析和提取[J]. 陳廣鋒,張林讓,王純,劉高高.  西安電子科技大學學報. 2011(03)
[6]空間錐體目標微動特性分析與識別方法[J]. 關(guān)永勝,左群聲,劉宏偉,杜蘭,李彥兵.  西安電子科技大學學報. 2011(02)
[7]基于微多普勒特征的空間錐體目標識別[J]. 關(guān)永勝,左群聲,劉宏偉.  電波科學學報. 2011(02)
[8]微動目標OFDM雷達回波調(diào)制機理分析[J]. 霍凱,李康樂,姜衛(wèi)東,黎湘,毛鈞杰.  電子學報. 2011(03)
[9]基于微多普勒特征的地面目標分類[J]. 李彥兵,杜蘭,劉宏偉,丁蘇穎,關(guān)永勝.  電子與信息學報. 2010(12)
[10]行進人體目標雷達瞬時多普勒特征分析[J]. 賀峰,黃曉濤,劉承蘭,李欣,周智敏.  信號處理. 2010(09)

博士論文
[1]雷達目標微多普勒特征分析及其應(yīng)用[D]. 陳廣鋒.西安電子科技大學 2014
[2]合成孔徑雷達微動目標指示（SAR/MMTI）研究[D]. 鄧彬.國防科學技術(shù)大學 2011
[3]空間錐體目標微動特性與識別方法研究[D]. 關(guān)永勝.西安電子科技大學 2011
[4]基于OFDM新體制雷達信號的微動目標特征提取研究[D]. 霍凱.國防科學技術(shù)大學 2011

碩士論文
[1]基于深度學習方法的人體微動特征識別[D]. 邵禹銘.中國科學技術(shù)大學 2018
[2]基于JEM特征的空中飛機目標分類方法研究[D]. 程榮剛.西安電子科技大學 2012
[3]基于微多普勒特征的目標分類方法研究[D]. 符婷.西安電子科技大學 2011
[4]超寬帶雷達回波信號微動特征識別研究[D]. 何永波.成都理工大學 2009
[5]基于雷達回波的人體檢測和步態(tài)特征提取[D]. 楊杉.電子科技大學 2009



本文編號：2972618