在多普勒雷达上对音频处理技术进行比较分析,使用CNN模型对人类行走运动的多普勒雷达信号进行比较分析

科学领域:

• 雷达技术 雷达技术的使用
• 人工智能的人工智能
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 人工智能雷达提供了低成本和隐私等优势,但在设备成本,数据可用性和传统处理限制方面面临挑战.
• 传统的雷达信号处理方法往往由于分辨率差或计算复杂,从而阻碍了有效的监控.
• 开发具有成本效益和准确的AI雷达监视系统需要创新的数据处理和特征提取方法.

研究的目的:

• 提出和评估一种综合方法,将人工智能雷达技术和机器学习结合起来,用于有效的监控系统.
• 解决传统雷达处理的局限性,包括分辨率差和计算复杂性.
• 开发一个强大的系统来分类人类运动,使用从雷达信号中获得的微多普勒谱图.

主要方法:

• 设计了一个连续波 (CW) K-24 GHz雷达传感器原型用于信号采集.
• 在微多普勒光谱生成中采用了短时间的里叶变换 (STFT),Mel光谱和Mel频率切布斯特尔系数 (MFCC).
• 使用简化的二维卷积神经网络 (CNN) 架构进行特征提取和分类,并与人工神经网络 (ANN) 和1D CNN模型进行比较.

主要成果:

• 拟议的方法成功地将雷达运动数据分为非人类运动,人类行走和没有手臂摆动的人类行走.
• 通常用于音频的Mel频率切斯特拉系数 (MFCC) 和Mel光谱图,在生成用于雷达运动数据的微多普勒光谱图方面被证明是有效的.
• 在MFCC特征上训练的2D CNN模型与ANN和1D CNN相比表现出了更高的性能.
• 当对微多普勒特征进行训练时,对象分类模型达到97.93%的高准确率.

结论:

• 人工智能雷达技术与机器学习的整合,特别是使用MFCC和2D CNN,为监视提供了非常有效的解决方案.
• 提出的方法克服了传统雷达信号处理的局限性,提供了高精度和高效的计算.
• 这种创新方法表明,通过先进的信号处理和深度学习技术,提高监控系统能力的巨大潜力.