CN114708663B 一种毫米波雷达感知手势识别方法 （浙江工业大学）

一种基于少样本学习的毫米波雷达感知手索的算法优化SVM模型参数，选择最优参数实现2步骤3：对数字中频信号先进行杂波预处理，然后利步骤7：利用改进网格搜索的算法优化SVM模型中的惩罚因子参数c和径向基核函数参频率fst，调频斜率Kslope，总帧数Nframe,每帧持续时间Tframe，每帧调频周期内的chirp数目3u⃞所述的对数字中频信号进行杂波预处理和计算手势动作的距离和速度特征矩阵，过程如a.按照所设置的雷达参数，将采集卡采集到的原始中频信号数据分为多个通道数据，对每一个通道数据利用EMD分解方法进行去噪，然后再将去噪后的每一个通道数据划分为Nframe个帧周期，每个帧周期再继续分为Nchirp设置长度为Wframe的固定滑动帧窗，在每个手势的Nframe个帧内每隔Wframe个固定帧选取手势为了降低训练复杂度以及实现非线性映射，采用支所述的利用改进网格搜索的算法优化SVM模型中的惩罚因子参数c和径向基核函数参数g，4d.将最优c和g代入支持向量机SVM中的训练函数，用特征数据集划分的训练集训练网5越来越受到重视。毫米波雷达传感器可以有效地解决光照不足等条件影响的识别精度问算复杂度并保持较高的识别率是需要解决的问题6[0015]步骤7：利用改进网格搜索的算法优化SVM模型中的惩罚因子参数c和径向基核函大的可测量速度V_max、距离分辨力D_res与速度分辨力V_res作为指标来确定，计算公式7chirp的周期Tchirp，每个chirp内的ADC采样点数Nadc，ADC采样频率Fsadc，ADC的采样时间为Nframe个帧周期，每个帧周期再继续分为N[0029]b.对任一通道、任一帧周期内的每一个chirp信号作一维快速傅里叶变换(即1D-数据集的过程是：通过设置长度为Wframe的固定滑动帧窗，在每个手势的Nframe个帧内每隔[0033]所述步骤7中，所述的利用改进网格搜索的算法优化SVM模型中的惩罚因子参数c8[0037]d.将最优c和g代入支持向量机[0053]步骤3对数字中频信号先利用EMD分解法进行杂波预处理，然后利用两次FFT算法[0056]步骤6从归一化的动作手势特征数据集中抽取一部分作为训练集，用K-折交叉验9[0057]步骤7利用改进网格搜索的算法优化SVM模型中的惩罚因子参数c和径向基核函数大的可测量速度V_max、距离分辨力D_res与速度分辨力V_res作为指标来确定，计算公式chirp的周期Tchirp，每个chirp内的ADC采样点数Nadc，ADC采样频率Fsadc，ADC的采样时间为Nframe个帧周期，每个帧周期再继续分为N[0071]b.对任一通道、任一帧周期内的每一个chirp信号作一维快速傅里叶变换(即1D-数据集的过程是：通过设置长度为Wframe的固定滑动帧窗，在每个手势的Nframe个帧内每隔[0075]所述步骤7中，所述的利用改进网格搜索的算法优化SVM模型中的惩罚因子参数c[0079]d.将最优c和g代入支持向量机[0080]该实施例中的采用TI的IWR1443BOOST雷达和DCA1000EVM数据采集卡进行回波数[0081]该实施例中设置的最大可测量距离D_max为6.4m、最大的可测量速度V_max为[0083]该实施例中利用毫米波雷达得到的6种手势动作的距离-时间和速度-时间特征如100平均的识别准确率达到了96.7验证了本发明提出的基于少样本学习的毫米波雷