超低频多普勒信号频率提取方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111814578A(43)申请公布日2020.10.23(21)申请号202010540223.2(22)申请日2020.06.15(71)申请人南京森林警察学院地址210023江苏省南京市栖霞区文澜路28号(72)发明人陈俊雹王新猛吴育宝(74)专利代理机构江苏吾索律师事务所32337代理人曾昭昱(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)G01S17/58(2006.01)权利要求书1页说明书4页附图2页(54)发明名称超低频多普勒信号频率提取方法(57)摘要本发明公开了超低频多普勒信号频率提取方法，首先根据用户的需求确定其需要的目标参数，然后对特定的目标进行的相关多普勒信号数据进行采集和整合，并对采集到的数据进行时间序列和信号值序列分离。选择并构建模型是根据用户的需求和目标进行对神经网络模型的参数选择和构建，并完成模型训练和评估，对得到的模型进行评估得到可靠的模型。最后完成隔直及频域分析，利用傅里叶变换或时频分析方法具体提取所需多普勒频率。本发明用神经网络模型对有限采样的超低频(毫赫兹)多普勒信号进行精准函数生成，实时生成的新的易于进行频域分析的多普勒信号数据数据，从而很好地解决了有限采样超低频信号难以从频域提取其频率的问题。CN111814578ACN111814578A权利要求书1/1页1.超低频多普勒信号频率提取方法，其特征在于包含以下步骤：步骤1：确定目标根据用户的需求确定其需要的目标参数；步骤2：数据采集和整合对特定的目标进行的相关多普勒信号数据进行采集和整合；步骤3：数据清洗对采集到的数据进行时间序列和信号值序列分离，即从采集到的有限采样数的超低频信号分离出时间序列t和信号值序列s；步骤4：选择并构建模型根据用户的需求和目标进行对神经网络模型的参数选择和构建，构建的神经网络模型以时间序列t作为模型训练的输入，u作为模型训练的标签值，多普勒信号数据是一个二元组(t,u)，分别表示时间序列和信号值序列，Signal＝(t,u),Signali记作多普勒信号中的第i对时间和信号值，ΔSignali表示预测信号与真实信号数据之间的偏差(第i次)；步骤5：模型训练和评估对得到的模型进行评估得到可靠的模型；步骤6：隔直及频域分析利用傅里叶变换或时频分析方法具体提取所需多普勒频率，对生成的新信号值序列进行隔直处理，得到纯交流信号，再对其进行傅里叶变换，得到频域信号，最后利用峰值提取算法或者时频分析方法精确提取多普勒频率。2.根据权利要求1所述的超低频多普勒信号频率提取方法，其特征在于步骤4中构建神经网络模型包括如下步骤：步骤4-1：设置神经网络模型参数，输入与输出层皆为一个神经元，设置隐藏层层数以及每一层的神经元数量，设置迭代次数Epoch和性能参数Performance，利用ΔSignali是否到达阈值控制模型训练的终止条件，然后将以时间序列t作为模型训练的输入，u作为模型训练的标签值对模型进行有监督训练；步骤4-2：生成一个新的时间序列t’，远长于t，将时间序列t’送入生成好的神经网络模型，获得新的信号值序列u’。3.根据权利要求2所述的超低频多普勒信号频率提取方法，其特征在于每次生成的时间序列t’与采集的真实信号的时间序列t增量相同。4.根据权利要求2所述的超低频多普勒信号频率提取方法，其特征在于用户可以通过调节迭代次数Epoch和性能参数Performance来决定神经网络模型预测的分辨率，从而影响频率提取精度。5.根据权利要求2所述的超低频多普勒信号频率提取方法，其特征在于用户可以根据实际需求自定义隐藏层层数以及每一层的神经元数量。6.根据权利要求2所述的超低频多普勒信号频率提取方法，其特征在于用户可以选取最短训练时间及最佳精度合适的层数及个数。2CN111814578A说明书1/4页超低频多普勒信号频率提取方法技术领域[0001]本发明属于光学测量技术领域，具体涉及一种超低频多普勒信号频率提取方法。背景技术[0002]近年来，随着精密设备制造业的发展，对大范围、快速、高精度的机械量测量技术提出了越来越高的要求。针对科学、工业和公共安全的需求，相应的多场景、高精度速度测量技术的研究变得越来越重要。例如，公安行业交通安全领域的雷达测速、自动驾驶汽车的盲区监测和变道辅助、无人机通过雷达技术高精准定高和防碰撞预警、卫星编队飞行深空探测任务中卫星姿态和速率的测控与保持等。目前主流的高精度测速方法主要为基于激光多普勒效应的速度测量技术。激光多普勒测速技术因为其非接触测量、响应速度快、空间分辨率高、测量精度高、测量范围大等优点，在近些年的发展和应用中取得了长足的进步。单频激光多普勒测速仪经过四十多年的