[发明专利]一种基于自组织映射网络的穿墙雷达人体动作表征方法

权利要求书

1.一种基于自组织映射网络的穿墙雷达人体动作表征方法，包括以下步骤：

步骤1：雷达回波数据处理

步骤1.1、雷达回波信号建模

使用一发一收穿墙雷达探测隐藏在厚度为d_w的墙壁后的单个人体目标的动作，一发一收穿墙雷达发射的步进频率波形为s(t)，其表达式为

其中，K表示步进频信号的频点总数，k表示步进频信号的频点数，T表示每个频点的持续时间，f₀表示起始频率，Δf表示频率步进，函数rect(·)为

于是，t时刻距离雷达R_tar处目标反射回波表示为

其中，p表示目标体表面上P个强散射中的第p个散射点，σ_p表示第p个强散射点的散射强度，τ_p表示第p个强散射点和雷达之间的往返时间延迟，ψ(t)表示杂波和噪声；

将s_r(t)与s(t)进行混频，滤除二阶和高阶谐波频率后，以区间T对所得结果进行采样，得到如下离散向量

s_r＝[s_r,0,s_r,1,…,s_r,K-1]^T (4)

其中

ψ_k表示第k次采样时的杂波和噪声；

将公式(4)中的s_r通过汉明窗以抑制距离旁瓣电平，以间隔Δf从0Hz填充到f₀Hz之后，对其进行N点快速逆傅立叶变换，得到一个慢时间周期的距离像，简称为单周期距离像，表示为

s_RP＝[s_RP(0),s_RP(1),…,s_RP(N-1)]^T (6)

其中

表示第n个距离单元对应的距离像数据，n表示距离向单元的索引数，取值范围为[0,N-1]，K₀表示从0Hz到f₀Hz的0填充数，N表示快速逆傅立叶变换的总点数；

步骤1.2、在步骤1.1得到的单周期距离像的基础上，采用动目标检测算法、归一化处理和阈值化方法来提高距离像数据的信噪比，阈值门限可由下式计算得到：

其中，表示噪声最大分贝值，表示所有样本数据的最大分贝值，表示所有样本数据的最小分贝值；

步骤1.3、单周期距离像距离截断：为降低计算量并使数据满足实际需要，将单周期距离像进行截取，截取点数应被计算为

其中，N_d表示截取的距离像点数，R_tar,max表示隐蔽人体目标动作的最远发生距离，R_radar,max表示穿墙雷达最远可探测的单程距离；

步骤2：基于AEN的距离像数据特征预提取；

步骤2.1、训练AEN网络：

使用多层全连接层构造AEN，包括编码子网络部分和解码子网络部分；两个部分在结构上镜像对称，且共享一个称为特征层的公共层；当输入单周期距离像动作数据时，编码子网络将数据与网络中的权重参数作用生成编码特征并从特征层输出，然后该编码特征又经解码子网络与网络中的权重参数作用试图恢复原始单周期距离像动作数据；因此通过调整AEN中的权重参数，使AEN的输出与输入间的误差最小，即可在特征层得到单周期距离像动作数据的有效低维特征表示；

设第m个慢时间周期距离像表示为将其输入到AEN，那么AEN中第l个隐藏层的输出表示为：

其中，和分别表示第l个隐藏层的输入和输出，且W_[l-1,l]表示第l-1和第l个隐藏层之间的连接权重矩阵；b_[l-1,l]表示第l隐藏层中的偏置向量；f表示激活函数，且选择ReLU函数作为激活函数，表示为：

因此，AEN的训练过程等价于求解以下优化问题：

其中，W_AEN和b分别表示AEN中的所有权重和所有偏差向量；函数

dist(s_RP[m],AEN(s_RP[m],W_AEN,b))表示s_RP[m]和AEN(s_RP[m],W_AEN,b)之间的距离，使用均方误差函数，表示为AEN(s_RP[m],W,b)表示在W_AEN和b条件下输入s_RP[m]的估计；

步骤2.2、AEN网络训练完成后，只保留AEN的编码子网络部分，通过获取对应的AEN特征层输出，实现单周期距离像动作数据的降维和特征提取；

步骤3：基于SOM网络的人体动作类型的时序表征

步骤3.1、训练SOM网络：

设由从训练的AEN中提取的距离分布特征向量组成的数据集包含M个样本；

数据：训练数据集X_M，训练数据集中的样本数量M；

输入：竞争层的大小L＝Q×Q，迭代次数I，学习衰减率η；

输出：SOM网络的权重W；

S1.随机初始化W_j(i)，其中j＝1,…,L,i＝0；

S2.初始化学习率α(i)＝1,i＝0；

S3.初始化邻近尺度σ_Λ(i)＝Q/2,i＝0；

S4.对于第i次迭代，进行如下处理：

S5.从X_M中随机取出一个数据样本X(i)；

S6.求解

S7.更新学习率α(i)＝α(0)e^-η(i-1)；

S8.更新邻域函数Λ(j,j^*(i),i)；

S9.计算误差

S10.更新权重

S11.对步骤S5～S10循环迭代I次；

其中，j^*(i)称为第i次迭代期间的最佳匹配单元，其连接的权重向量与第i次迭代的输入数据最相似；为了减小BMU的权向量与输入数据之间的误差，权值更新过程根据S9表示的误差调整当前权值；由于BMU的权重与更远的神经元的权重差异越来越大，只更新BMU附近可调距离范围内的神经元的权重向量，这在S8中表示为邻域函数Λ(j,j^*(i),i)；Λ(j,j^*(i),i)被指定为高斯函数，表示为：

其中

然后，根据S10所示的步骤更新权重向量，并在I次迭代后获得最终权重；

步骤3.2、在训练SOM网络之后，将步骤2中AEN提取的距离像特征向量转移到竞争层中BMU的坐标上，通过训练好的SOM网络将距离像特征向量映射出两个相似的动作能够被翻译成两个具有相似语义的句子，并被显示为两个相似的空间三维轨迹。