基于多频多域深度学习的雷达步态识别方法.pdf
春景****23
亲,该文档总共17页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于多频多域深度学习的雷达步态识别方法.pdf
本发明公开了一种基于多频多域深度学习的雷达步态识别方法,用频率步进连续波雷达对步态多次采样,对每个样本分别处理得到多频率时频域微多普勒谱图和时域距离像。将多频率时频域谱图按相似度分组,再将同一组时频域谱图组合为一多通道的高维时频域谱图,并运用多个卷积神经网络分别提取多组高维时频域谱图和时域距离像的分类特征向量,将提取的多组时频域特征和时域特征结合为一个新的特征向量,并将其传入到稀疏自编码神经网络去除无用特征后输入到分类器中完成步态分类。本发明通过获取多频率时频域微多普勒谱图和时域距离像,由深度学习网络综合
基于多域融合深度学习的毫米波雷达头部动作识别方法.pdf
本发明公开了一种基于多域融合深度学习的毫米波雷达头部动作识别方法,包括以下步骤:步骤1、采集人的头部动作数据;步骤2、预处理,得到时间?距离图、时间?多普勒图;步骤3、对时间?距离图进行特征提取;步骤4、对多通道时间?多普勒图进行特征提取;步骤5、将提取到的距离特征和时频特征混合后,进行二维卷积;步骤6、采用空间注意力机制和通道注意力机制进行权重分配;步骤7、在全连接层中间加入dropout层。本发明利用卷积神经网络,结合多域和多种时频图对毫米波雷达采集的头部动作数据进行分类,同时采用通道注意力机制和空间
基于多轮廓特征融合的步态识别方法.pdf
本发明公开了基于多轮廓特征融合的步态识别方法,涉及机器视觉技术领域,使用了目前步态识别中常见的基于非模型的方法提取特征,该方法简单有效,所有的特征在同一组图像序列中获取,使得特征方便提取,而且本发明提取的特征维度较低,因此识别时反应时间较短。本发明的方法在90度的视角下取得98.33%的识别率,同时在其他角度下也有着90%以上的识别率。
基于深度学习的多声部乐谱识别方法.pdf
本发明公开了基于深度学习的多声部乐谱识别方法,本发明针对印刷体多声部乐谱提出一个基于深度学习的乐谱识别模型,基于卷积神经网络、数据增强、迁移学习的端到端乐谱音符识别方法旨在解决多声部乐谱音符识别过程中存在精度低,音符遗漏等问题。该模型采用多任务学习,可同时学习音高、时值的分类任务和音符坐标的回归任务。在模型在训练上,使用了神经网络中的微调技术,目的是为了更好地检测到乐谱中的和弦音符,实验结果表明,该模型能精确地识别多声部乐谱中的音符,在和弦音符的识别上也表现出了良好的性能。
一种基于LSTM的多源域的高重频雷达目标检测方法.pdf
本发明公开了一种基于LSTM的多源域的高重频雷达目标检测方法,包括:对雷达接收的回波信号进行连续三帧的非相参积累,然后将回波数据转换为平滑伪维格纳分布二维图像、一维时间序列进行傅里叶变换得到的一维频率图、复数回波数据求幅值的一维图,并划分数据集;搭建目标分类卷积网络用于判断目标有无;搭建基于LSTM的目标频率检测网络;将训练得到模型用于目标分类和目标频率预测;训练过程中每个Epoch后使用验证集验证网络是否欠拟合或者过拟合;在验证集和测试集上计算目标检测的准确率、漏检率、虚警率是否满足检测要求,若不满足则