基于特征融合的人体行为识别

为克服单个行为表达方法有效性上的不足,提出了一种基于多特征融合和支持向量机(SVM)的人体行为识别(HAR)方法。首先,利用背景差分提取运动显著区域;然后提取运动显著区域的剪影直方图和光流直方图,并采取一定的融合策略,构建融合特征结合SVM识别人体行为。实验以广泛使用的公开数据集Weizmann为研究对象,正确识别率达到99.8%以上。结果表明,提出的特征融合及识别方法能有效地对人体行为进行识别;而且,由于规避了比较耗时的序列匹配操作,减少了计算量。     

基于稠密轨迹特征的红外人体行为识别

提出了一种使用基于稠密轨迹(DT)融合特征的红外人体行为识别(HAR)方法。主要流程如下:1)通过稠密采样获得输入行为视频的DT;2)计算DT的方向梯度直方图(HOG)、光流直方图(HOF)和运动边界描述子(MBH)3个描述子;3)基于DT的HOG、HOF和MBH,并采取词袋库模型和一定的融合策略,构建融合特征;4)以第3步所构建的融合特征为k近邻分类器(k-NN)的输入,完成人体HAR。实验以IADB红外行为库为研究对象,正确识别率达到96.7%。结果表明,提出的特征融合及识别方法能有效地对红外人体行为进行识别。     

基于FMCW雷达的多通道特征融合人体动作识别方法

针对采用单一特征进行人体动作识别准确率不高的问题,提出了一种基于调频连续波(Frequency Modulated Continuous Wave, FMCW)雷达的多通道特征融合人体动作识别方法。通过对FMCW雷达回波数据进行预处理,得到人体动作的距离参数与多普勒参数,构建出距离-时间特征谱图和多普勒-时间特征谱图数据集。为了进行人体动作特征的充分提取与精确识别,改进了单通道输入的传统卷积神经网络结构,把部分残差连接结构和跨阶段部分连接结构进行了优化应用至雷达人体动作识别领域,设计出端到端的CSP-FCNN(Cross Stage Partial-Fusion Convolutional Neural Network)多通道融合卷积神经网络。采用公开数据集进行实验,结果表明所提方法有效解决了单一特征动作识别信息量欠缺以及网络提取特征不充分的问题,识别准确率较单一特征识别方法提高了5%以上。     

基于热释电红外传感器的人体动作识别方法

针对目前人体动作识别技术中存在的隐私暴露、技术复杂度高和识别精度低等相关问题,提出了一种基于热释电红外（PIR）传感器的人体动作识别方法。首先,采用一组安置在天花板上经过视场调制的PIR传感器采集人体运动时散发的红外热辐射信号,将传感器输出的电压模拟信号进行滤波放大后通过ZigBee无线模块传送到PC端打包成原始数据集;其次,将原始数据的两路传感器输出数据进行特征融合,对融合后的数据做标准化处理封装为训练集和测试集;然后,基于数据的特征提出一种两层级联的混合深度学习网络模型作为人体动作的分类算法,第一层采用一维卷积神经网络（1DCNN）对数据进行特征提取,第二层采用门控循环单元（GRU）保存历史输入信息防止丢失有效特征;最后,利用训练集来训练该网络模型得出参数最优的分类模型,通过测试集验证模型的正确性。实验结果表明,提出的该动作识别技术模型对基本动作分类的准确率高于98%,与图像动作识别或穿戴式设备动作识别相比,实现了实时、便捷、低成本和高保密性的高精度人体动作识别。     

基于LSTM网络和特征融合的通信干扰识别

针对现有通信干扰信号识别方法识别效果不佳的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)和特征融合的通信干扰识别方法.该方法利用LSTM网络提取干扰信号的特征,通过LSTM强大的序列特征提取能力提升干扰信号特征提取的性能;通过提取信号的时域和频域特征后进行特征融合,使用全连...     

Link-16信号MSK调制模式识别方法

针对Link-16信号采用的最小频移键控(MSK)调制模式,提出了一种基于瞬时特征参量与频谱特征的识别方法。该方法分2个层次进行调制识别,首先利用瞬时特征参量对幅移键控(ASK)、频移键控(FSK)和相移键控(PSK)、MSK信号进行识别,然后再利用频谱特征对MSK、PSK信号进行识别。最后,在特定的数据长度、信号幅度和信噪比的条件下,理论分析与仿真验证该算法易于实现、识别性能较好(90%)。     

基于双频段FMCW雷达的人体动作识别

针对单频段雷达利用微多普勒特征识别人体动作能力有限的问题,提出了一种基于双频段调频连续波(Frequency Modulation Continuous Wave, FMCW)雷达的人体动作识别方法。首先利用K频段与C频段两部不同频段的FMCW雷达分别对人体不同动作进行探测收集到回波数据,对回波数据进行预处理分别得到距离时间、距离多普勒与微多普勒时频谱图像;然后,运用主成分分析法对图像进行特征提取得到特征向量,对提取到的特征向量进行特征级融合;最后,将融合后的特征作为支持向量机的输入从而实现人体动作识别。采用雷达实测数据的实验结果表明,基于双频段FMCW雷达联合工作的探测方法对五种人体动作的识别正确率为96.25%,优于单个频段FMCW雷达单独工作时的动作识别正确率。     

一种机场环境光纤预警系统的信号识别新算法

提出了一种基于导数分析与典型特征选取的信 号识别新算法。首先,分析信号导数与频率的关系,得到信号的时频特性;其次,根据时频 分布的特点,选取具有代表性的典型特征,以降低特征维度,减少识别时间;最后,应用概 率神经网络(PNN)对典型特征进行学习和分类。采用4种扰动信号对本文算法进行实验验证 ,平均正确识别率达95.7%,且识别时间小于0.23s。实验结果表明,本文算法能够快速准确 地识别扰动类型,为Mech-Zehnder(M-Z)干涉型周界系统的模式识别提供一种科学可靠的 方法。     

基于LSTM与多特征融合的高铁无线信道场景识别

为满足5G移动通信系统中用户通信业务质量的需求,提出了一种基于长短时记忆(long short term memory, LSTM)与多特征融合的识别方法准确识别高铁无线信道场景,该方法能够与智能决策系统相结合,提高通信系统的整体性能. 首先,对不同信道场景的特点及信道特征参数进行阐述,并对整体数据集进行训练集与测试集的划分. 然后,提出一种基于LSTM网络的加权平均后融合的方法识别无线信道场景,并与三种常用的特征融合方式的结果相比较. 结果表明,本文所提方法在验证集上的识别准确率达到92.2%,受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under curve, AUC)最大,优于其他特征融合方式. 因此,该方法能够为高铁通信系统提供一种精准识别传播场景的方法.     

基于离散余弦变换的相位编码信号识别

针对低信噪比下相位差分法无法识别相位编码信号问题,提出了基于离散余变换(DCT)的相位编码信号识别方法。根据常规信号与相位编码信号的频谱差异,该方法采用平方运算对信号进行变换,利用离散余弦变换对平方后的信号频谱进行分析。在仿真条件相同的情况下,相比相位差分法,该方法识别率较高,抗噪性能也有所提高。同时,该方法具有运算量小和提取特征参量稳定的特点。     

弹道导弹目标回波信号建模与雷达特征分析

介绍了弹道导弹运动目标特征提取和雷达识别的研究概况,针对锥顶不动、进动角固定的匀速进动锥形弹头目标,对其典型运动进行建模,给出了回波的解析表达式,利用数值解的方法,对回波信号进行了频谱分析和时频分析,提取了频谱调制特征和微RCS特征,使用Wigner-Ville分布峰值检测法,提取了回波信号的微多普勒特征,给出了使用雷达微动特征识别弹道导弹弹头的途径.最后给出了回波信号时频分布、微多普勒、多普勒谱和微RCS的仿真结果,证明了理论分析的正确性.     

基于分数阶Fourier变换的机载SAR运动目标检测

该文首先建立了机载合成孔径雷达(SAR)对运动目标的回波信号模型,阐述了其本质为线性调频信号的特点。根据这种特点,提出了一种基于分数阶Fourier变换的机载SAR运动目标检测新方法,有效地消除了线性调频信号的时频耦合特性对信号检测的影响。与双线性时频分布类算法相比,分数阶Fourier变换是线性变换,在多运动目标存在的情况下,不会受到交叉项的影响。仿真结果验证了算法的有效性。     

脉间CostasFH雷达信号的多普勒性能分析

研究了脉间ＣｏｓｔａｓＦＨ雷达中用逆离散傅里叶变换（ＩＤＦＴ）进行信号处理的过程,分析了脉间ＣｏｓｔａｓＦＨ雷达信号不存在距离－速度耦合的原理,讨论了仿真了目标运动对合成距离像的影响。     

基于FRFT的二维扩频通信方案

介绍了分数阶傅里叶变换的基本概念和原理,分析了线性调频信号在分数阶傅里叶变换中的特点,指出用分数阶傅里叶变换对线性调频信号进行检测和解调的理论依据,并在此基础上,提出了1种基于分数阶傅里叶变换的二维扩频通信方案。该方案的优点在于使通信系统的抗侦收和抗干扰能力更强,提高了战场的频谱使用率。     

基于DCT的雷达距离像谱分析

离散余弦变换是分析图像信号的有效工具。应用航天部二院提供的ISAR外场实测数据,做出Yak 42飞机回波的一维距离像,采用离散余弦变换分析了高分辨雷达距离像的频谱特性。并与离散傅里叶变换进行了比较和分析。用Matlab对结果进行仿真,结果表明用DCT是分析和处理雷达信号的一种有效方法。     

基于同步压缩短时傅里叶变换的微型无人机识别

针对利用雷达微多普勒效应的微型无人机识别问题,提出了一种基于同步压缩短时傅里叶变换(Synchrosqueezing Short-Time Fourier Transform,SSTFT)的分类识别方法.首先对无人机的微多普勒回波信号进行SSTFT从而获得信号时频谱,然后对时频谱进行多维度特征提取获得回波信号的时频特征及频率变化特征,最后将所获得联合特征输入到支持向量机(Support Vector Machine,SVM)中进而实现无人机的分类识别.基于实际雷达数据的实验结果表明,所提无人机分类方法准确率可达到97.03％.     

基于无载波超宽带雷达的小样本人体动作识别

随着雷达硬件平台尺寸越来越小、成本越来越低,室内基于雷达的人体动作识别应用已经成为现实,能够在具有简单架构的低成本设备中实现.无载波超宽带雷达具有极高的分辨力,能够捕获人体细微动作变化并且对室内复杂环境具有很强的抗干扰能力.与基于视频人体动作识别研究相比,超宽带雷达还具有穿透家具、墙体以及保护个人隐私等优点.针对雷达回波信号利用传统时频分析方法实现人体动作识别比较耗时、实时性不好的缺陷,引入机器学习方法对不同类型人体动作进行分类识别.引入机器学习方法用于超宽带雷达人体动作识别最大难点是只有少量可用的超宽带雷达实测数据样本,针对该问题提出基于主成分分析法（PCA）和离散余弦变换（DCT）相结合的人体动作特征提取方法,并利用改进网格搜索算法优化的支持向量机在小样本数据下对人体动作进行识别,最后根据实测数据采取三种不同方案进行仿真实验,结果表明即使在训练数据样本只有5组的条件下,基于PCA和DCT相结合特征提取方法在不同类型人体动作的平均识别率均能达到96%以上.     

高斯白噪声背景下的LFM信号的分数阶Fourier域信噪比分析

目标大机动运动使雷达回波表现为频率和调频率参数均未知的LFM信号。未知参数LFM信号的检测和估计采用分数阶Fourier变换来实现受到越来越多的关注,为此本文着重分析其分数阶Fourier变换的信噪比。首先推导出时限线性调频信号的分数阶Fourier变换模平方,给出了在分数阶Fourier域的峰值点与未知参数的关系,然后研究了附加白噪声LFM信号在分数阶Fourier域的统计特性,确定了其信噪比,并与理想情况(即参数频率和调频率参数已知)下线性相位匹配滤波器的输出信噪比进行了比较。     

Cross-term elimination in Wigner distribution based on 2D signal processing techniques

An efficient method based on 2D signal processing techniques and fractional Fourier transform is presented to suppress interference terms of Wigner distribution (WD). The proposed technique computes Gabor transform (GT) of a multi-component signal to obtain a blurred time-frequency (t-f) image. Signal components in GT image are segmented using connected component segmentation and are filtered out using precise application of fractional Fourier transform. A crisp t-f representation is then obtained by computing the sum of products of WD and GT of the isolated signal components. The efficacy of the proposed technique is demonstrated using examples of synthetic signals and real-life bat signals. Proposed scheme gives satisfactory performance even when cross-terms of WD overlap auto-terms and computational cost analysis shows that it is more efficient than recent interference suppression techniques of comparable performance. Moreover, the proposed technique does not require any prior info regarding the nature of signal.