超宽带雷达人体行为识别深度学习方法

**章概述1.1 研究背景与意义1.2 研究现状1.2.1 雷达人体目标感知技术1.2.2 多维雷达信号的行为识别方法1.2.3 小样本深度学习方法1.3 难点与挑战1.4 本书内容安排第二章基于稀疏迁移的有监督行为分类2.1 基于卷积神经网络的有监督分类2.1.1 卷积神经网络的概念与结构2.1.2 基于卷积神经网络的监督学习过程2.2 光学图像与雷达数据的稀疏迁移2.2.1 微多普勒特征分析和提取2.2.2 利用尺度变换因子的稀疏迁移2.2.3 稀疏约束下的迁移算法2.2.4 迁移网络的剪枝及微调2.3 有监督行为分类实验结果及分析2.3.1 数据说明2.3.2 基准算法和实现细节2.3.3 处理结果2.3.4 参数敏感性分析2.4 本章小结第三章基于对抗迁移的无监督行为分类3.1 基于运动散射模型的源领域数据集构建3.1.1 基于激光动作捕捉系统的微多普勒数据集构建3.1.2 基于Kinect传感器的数据域构建3.1.3 基于单目光学传感器的数据域构建3.2 基于对抗网络的源领域特征迁移3.2.1 生成式对抗网络3.2.2 对抗迁移框架3.2.3 对抗迁移算法3.3 无监督行为分类实验结果及分析3.3.1 数据说明3.3.2 基准算法和实现细节3.3.3 参数敏感性分析3.3.4 泛化性能分析3.4 本章小结第四章基于距离-速度-时间三维点云的行为表征和识别4.1 基于点云模型的人体行为表征4.1.1 距离-多普勒的时间序列生成4.1.2 基于散射强度的三维等值面构建4.1.3 基于*远距离的特征点采样4.1.4 基于点云的多目标微动特征分离4.2 层次化点云网络的模型构建4.2.1 基于对称性的网络函数设计4.2.2 基于主成分分析的点云归一化4.2.3 基于层次化结构的网络构建4.3 开集框架下的点云识别算法4.3.1 开集识别的问题描述4.3.2 基于梯度信息的数据扰动4.3.3 基于开集的检测识别算法4.4 行为表征与识别实验结果及分析4.4.1 人体行为的点云特征提取4.4.2 多人场景下的点云分离4.4.3 异常数据识别实验4.4.4 人体行为分类实验4.5 本章小结第五章单基地雷达全向人体行为识别5.1全向识别中的角度敏感性5.1.1雷达方位角对微多普勒谱图的影响5.1.2 全向识别分类器的角度敏感性5.1.3 角度敏感性的评估方式与评价指标5.2 基于卷积神经网络的全向微多普勒特性分类器设计5.2.1 总体设计5.2.2 隐藏层设计5.2.3 输出层设计5.3 基于多角度分类器的全向识别实验结果及分析5.3.1 数据设置及实验设置5.3.2 实验结果及分析5.3.3 训练谱图对分类器角度敏感性的影响5.4基于单角度分类器的全向识别实验结果及分析5.4.1 数据设置及实验设置5.4.2 实验结果及分析5.4.3 模型的设计原则对分类器角度敏感性的影响5.5 本章小结第六章 多任务人体行为分类及身份识别6.1多尺度残差神经网络6.1.1多尺度学习机制6.1.2残差注意力模块设计6.1.3细粒度级损失权重学习6.2实验环境搭建及雷达数据处理6.2.1实验环境搭建6.2.2雷达数据采集及预处理6.3多任务行为识别与身份识别实验结果及分析6.3.1性能指标及参数设置6.3.2人体行为识别实验结果分析6.3.3身份识别实验结果分析6.3.4深度学习模型消融分析6.4 本章小结