[发明专利]一种基于多域多特征和深度学习的生命探测雷达系统

权利要求书

1.一种基于多域多特征和深度学习的生命探测雷达系统，其特征在于：包括收发通道、脉压预处理模块、脉压前生命体识别模块、脉压后生命体识别模块、基于成像的生命体检测定位识别模块和稀疏自编码网络与逻辑回归分类器，所述收发通道的信号输出端分别与所述脉压前生命体识别模块的信号输入端和所述脉压预处理模块的信号输入端连接，所述脉压预处理模块的信号输出端分别与所述脉压后生命体识别模块的信号输入端和所述基于成像的生命体检测定位识别模块的信号输入端连接，所述脉压前生命体识别模块、脉压后生命体识别模块、基于成像的生命体检测定位识别模块的信号输出端均与所述稀疏自编码网络与逻辑回归分类器连接。

2.根据权利要求1所述的基于多域多特征和深度学习的生命探测雷达系统，其特征在于：所述收发通道和所述脉压预处理模块均为多个，所述脉压前生命体识别模块包括多个分频点MTI模块、多个时频分析模块、多个图谱增强模块和多个分频段卷积神经网络，单个所述分频点MTI模块的信号输入端对应连接一个所述收发通道，单个所述分频点MTI的信号输出端通过一个所述时频分析模块与一个所述图谱增强模块连接，单个所述图谱增强模块的信号输出端分别与每个所述分频段卷积神经网络连接，所述分频段卷积神经网络与所述稀疏自编码网络与逻辑回归分类器连接，所述脉压后生命体识别模块包括多个MTI背景抑制模块、多个时域呼吸信号提取模块、多个慢时间时频分析模块、多个图谱增强模块、时域卷积神经网络和时频域卷积神经网络，单个所述MTI背景抑制模块的信号输入端对应连接一个所述脉压预处理模块，单个所述MTI背景抑制模块的信号输出端分别与一个所述时域呼吸信号提取模块和一个所述慢时间时频分析模块连接，所述慢时间时频分析模块的信号输出端通过一个所述图谱增强模块与所述时频域卷积神经网络的输入端连接，所述时域互信信号提取模块的输出端与所述时域卷积神经网络的输入端连接，所述时域卷积神经网络的输出端和所述时频域卷积神经网络均与所述稀疏自编码网络与逻辑回归分类器连接，所述基于成像的生命体检测定位识别模块包括相干成像模块、MTI背景抑制模块、图谱增强模块、目标检测定位模块和空域卷积神经网络，所述相干成像模块的输入端同时与多个所述脉压预处理模块的输出端连接，所述相干成像模块的输出端依次通过所述MTI背景抑制模块、所述图谱增强模块、所述目标检测定位模块和所述空域卷积神经网络与所述稀疏自编码网络与逻辑回归分类器连接，所述目标检测定位模块输出定位信息至所述时域呼吸信号提取模块和所述慢时间时频分析模块，并同时输出被困人员位置信息，所述稀疏自编码网络与逻辑回归分类器输出被困人员概率信息。

3.根据权利要求2所述的基于多域多特征和深度学习的生命探测雷达系统，其特征在于：所述生命探测雷达系统的网络训练方法包括以下步骤：

步骤1：所述收发通道采用MIMO步进变频雷达收集生命体的雷达回波数据；

步骤2：在空域上，通过对多个收发通道回波进行脉压处理后进行相干成像处理形成探测区域图像，经过相邻周期图像差分和图像增强处理抑制背景杂波图像，生成生命体图像并确定生命体位置；

步骤3：在时域和时频域上，多个收发通道回波进行分通道独立处理，经脉压预处理和多周期MTI背景抑制后形成包含生命体呼吸信号的距离像平面，提取时域呼吸信号和得到慢时间时频分析谱图；

步骤4：在分频段时频域上，每个收发通道回波进行分频点独立处理，每个频点的多周期回波经过MTI背景杂波抑制后进行时频分析，将所有频点划分为几个频段，生成每个频段的多通道单频点时频谱图；

步骤5：将上述四个域生成的图像分别送入设计的空域卷积神经网络、时域卷积神经网络、时频域卷积神经网络、分频段时频域卷积神经网络进行训练，完成训练后舍弃各自卷积神经网络的输出层，保留全连接层的输出特征向量，堆叠后形成“空-时-频”多域的特征表示向量；

步骤6：将堆叠的多域特征表示向量，送入到设计的稀疏自编码网络和逻辑回归分类器进行训练；

步骤7：网络训练完成后，输入生命体回波信息到所述生命探测雷达系统进行测试。