CN114814835B 一种基于毫米波雷达的振动检测方法及终端 （南京大学）

一种基于毫米波雷达的振动检测方法及终端本发明公开了一种基于毫米波雷达的振动使用带有跳跃连接层的卷积网络对原始振动信号的时间-频率图进行处理，去除加性噪声与乘2过Chirp-z变换对粗粒度定位后的物体进行细粒度的定位，并使用到达角度测量方法识别2)针对步骤1)中获取的原始信号序列，在I3)使用带有跳跃连接层的卷积网络对步骤2)中获取的原始振动信号的时间-频率图进所述步骤1)中的粗粒度的定位具体包括：通过毫米波雷达对环境中的物体进行探测，发射信号STx(t)和接收信号SRx(t)经过板载混频器处理后得通过距离傅里叶变换，频谱上的每一个频率峰值都对应环境中一个物体的真实位置，一个频率偏差通过对Chirp-z变换的参数进行设置使其在偏差范围内做细化的M点的变41)以一定时间为一个时间窗口，计算步骤3)中增强振动信号的振动幅度Amp与振动3连续若干个时间窗口内的多普勒速度绝对值大于阈值，并且方差不超[M,M1,M,,……,M],对于集合中的每一个物体，获取原始信号序列S′。靠近雷达方向采样点的集合；在中心化后的原始信号序列Scenter上取有着正向多普勒速度23)通过最小二乘法分别对两段圆弧进行拟合，经过拟合得到两个对应的圆心Ofar，型使用多层卷积-反卷积网络对信息进行抽取且在相应的位置设置了跳跃连接层，其中层4通过对增强振动信号进行傅里叶变换，频谱上的强度最大的峰值频率即为物体振动5[0008]1)对振动物体进行定位与辨别：通过距离傅里叶变换对再通过Chirp-z变换对粗粒度定位后的物体进行细粒度的定位，并使用到达角度测量方法识别出的若干个物体在二维平面上的位置，通过多普勒傅里叶变换对所述物体进行筛选，[0010]3)使用带有跳跃连接层的卷积网络对步骤2)中获取的原始振动信号的时间-频率6c为连续调频波的起始频率，K为连续调频波的调制斜率，R频率fideal与距离傅里叶频谱图上峰值频率fFFT有以下关系：得到fideal与fFFT之间存在一个频率偏差通过对Chirp-z变换的参数进行设置使其在偏差范[0023]进一步地，所述步骤1)中获取的中频信号s(t)为毫米波雷达n个天线接收的信号n个天线的相位差计5秒为一个时间7代表靠近雷达方向采样点的集合；在中心化后的原始信号序列Scenter上取有着正向多普勒[0031]23)通过最小二乘法分别对两段圆弧进行拟合，经过拟合得到两个对应的圆心farOP(t)分别为t时刻两个集合中采样点与静止点相对各自圆心的夹角。于深度学习的模型进行强化，该模型使用多层卷积-反卷积网络对信息进行抽取且在相应[0039]41)以一定时间为一个时间窗口，计算步骤[0041]43)对于每一个时间窗口，与其前一帧做对比，当Amp>μAmp+3σAmp或fre>μfre+8[0044]通过对增强振动信号进行傅里叶变换，频谱上的[0061]1)对振动物体进行定位与辨别：通过距离傅里叶变换对再通过Chirp-z变换对粗粒度定位后的物体进行细粒度的定位，并使用到达角度测量方法识别出的若干个物体在二维平面上的位置，通过多普勒傅里叶变换对所述物体进行筛选，c为连续调频波的起始频率，K为连续调频波的调制斜率，R9频率偏差通过对Chirp-z变换的参数进行设置使其在偏差范围内做细化的M点的变换，[0079]其中，其中flower-CZT为Chirp-z变换n个天线的相位差计算到farOP(t)分别为t时刻两个集合中采样点与静止点相对各自圆心的夹角。[0094]3)使用带有跳跃连接层的卷积网络对步骤2)中获取的原始振动信号的时间-频率[0095]针对步骤2)中所获取的原始振动信号V，对每1秒的信号卷积-反卷积网络对信息进行抽取且在相应的位置设置了跳跃连接层，其中层级之间的关交叉熵作为损失函数；网络训练完毕后，将待增强的原始振动信号V的时频图输入到网络[0100]41)以一定时间为一个时间窗口，计算步骤3)中增强[0102]43)对于每一个时间窗口，与其前一帧做对比，当Amp>μAmp+3σA