多普勒雷达信号类型识别方法.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CN110488278A(43)申请公布日2019.11.22(21)申请号201910776691.7(22)申请日2019.08.20(71)申请人深圳锐越微技术有限公司地址518116广东省深圳市龙岗区龙城街道腾飞路9号创投大厦1302单元(72)发明人周企豪檀聿麟冯海刚张宁戴思特法京怀李俊丰(74)专利代理机构深圳市世纪恒程知识产权代理事务所44287代理人胡海国(51)Int.Cl.G01S13/88(2006.01)G01S7/41(2006.01)权利要求书2页说明书9页附图8页(54)发明名称多普勒雷达信号类型识别方法(57)摘要本发明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。CN110488278ACN110488278A权利要求书1/2页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；运用保存的所述训练网络参数构建模型网络。5.如权利要求4所述的多普勒雷达信号类型识别方法，其特征在于，所述将所述带有标2CN110488278A权利要求书2/2页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；