基于稀疏重构与神经网络的生命探测方法及探测装置

摘要

本发明公开了一种基于稀疏重构与神经网络的生命探测方法及探测装置，探测方法包括：1）构建神经网络并训练：通过生命探测雷达发射探测信号，获取包含生命信号的回波信号和不含生命信号的回波信号；对获取的回波信号进行预处理，得到基带信号；对预处理过的信号进行傅里叶变换，在时域信号基础上得到频域信号；对得到的所述频域信号进行基于压缩感知的稀疏重构处理；以所述稀疏重构后的信号为输入，输出为信号分选结果，构建神经网络并训练；2）采用训练好的神经网络模型进行回波信号中是否包含生命信号的识别。本发明提供的方法，能更有效的探测出生命信号，且具有更强的环境适应性。

说明书

技术领域

本发明涉及到信号处理技术，稀疏重构和人工神经网络技术领域。主要涉及 生命探测雷达信号处理，信号的稀疏模型构建，稀疏重构算法和神经网络模型搭 建使用。

背景技术

生命探测雷达是现代雷达技术和生物医学工程技术结合的产物。通过电磁波 穿透非金属遮挡介质，如钢筋混凝土和砖混结构废墟等障碍物，探测到人类存活 的生命信息，如人体生命活动引起的呼吸、心跳等信息。生命探测雷达应用十分 广泛，具体应用如下：

1.探测、搜寻自然灾害和各类型事故中被掩埋在废墟中的人，如营救地震、火灾等灾难中的幸存者。

生命探测雷达的基本原理如下：

生命探测雷达发射电磁波，采用了超宽带雷达非接触式生命特征提取技术， 穿透非金属介质照射到人体。发射出去的电磁波被人体生命特征(人体运动，心 跳与呼吸)调制并反射回来。因此，回波信号中便携带了生命信息。雷达接收机 便对回波信号进行低噪声放大，混频解调后进行预处理，滤波等操作，最终得到 基带信号。基带信号经过数字模拟(A/D)转换器变成数字信号，后送至信号处 理器，由信号处理器对数字信号进行特殊的生命信息分析处理，提取出人体生命 特征信息。

一方面雷达接收机接收到的回波信号除了含有生命特征信息的信号，还有非 金属介质所反射的强回波信号，以及周围环境造成的强干扰和噪声信号。另一方 面雷达接收信号具有非平稳特性，随机性强，生命检测系统检测困难。其次，雷 达接收信号经过预处理，通过A/D转换器变成数字信号后数据量仍然十分巨大。 因此，生命探测雷达仍有许多技术难点。

然而即使是体积较小的便携式生命探测雷达在进行作业时依然以人力搬运 为主,易受到恶劣地形和障碍物影响,大大降低了救援和探测效率。所以通过飞行 器搭载便携式生命探测雷达的思路便应运而生,这种机载生命探测雷达既能实现 对被掩埋目标生命体的探测,又能够大幅度提升探测效率、克服恶劣环境带来的 不便,随着研究的深入和对科技的探索,机载生命探测雷达在生命救援、目标跟踪 探测等领域存在巨大的潜力和价值。

目前，生命探测识别仍然是当前生命探测雷达领域研究的重要课题。现阶段 针对生命信号探测主要是根据在弱干扰的情况下通过数字滤波技术和快速傅里 叶变换(FFT)进行生命信号识别，而在强干扰的情况下，无法准确判断有无生 命信息。其次，现阶段生命探测设备主要是贴近非金属遮挡物去搜索遮挡物下的 生命信息，使用操作范围受到相应限制。

发明内容

本发明所要解决的技术问题是提供一种精确度高的基于稀疏重构与神经网 络的机载生命探测方法。

为解决上述技术问题，本发明采用的技术方案是：

基于稀疏重构与神经网络的生命探测方法，其特征在于，包括：

1)构建神经网络并训练：

通过生命探测雷达发射探测信号，获取包含生命信号的回波信号和不含生命 信号的回波信号；

对获取的回波信号进行预处理；

对预处理过的信号进行傅里叶变换，在时域信号基础上得到频域信号；

对得到的所述频域信号进行基于压缩感知的稀疏重构处理；

以所述稀疏重构后的信号为输入，输出为信号分选结果，构建神经网络并训 练；

2)采用训练好的神经网络模型进行回波信号中是否包含生命信号的识别。

一种基于稀疏重构与神经网络的生命探测装置，其特征在于，包括：

信号发生模块，用于发出探测信号；

信号接收模块，用于接收反射信号；

以及

信号识别模块，采用上述方法构建的神经网络模型对反射的信号进行生命识 别。

有益效果：

上述在基于稀疏重构与神经网络的机载生命探测技术，通过对雷达接收信号 进行预处理后，再创新地使用基于压缩感知的稀疏重构处理，有效消除干扰，可 以极大提高为后续判断是否存在生命信号的准确性，再进行数据集的有效构建， 数据集的预处理，构建并训练神经网络模型，最终探测出生命信号的有和无。

此外，对于分类问题，随着数据量的增长，分类问题的复杂度上升，神经网 络的深度也可以随之增加，所以神经网络的鲁棒性很强。

附图说明

图1为基于稀疏重构与神经网络的机载生命探测技术的流程图

图2为基于压缩感知的稀疏重构处理流程图

图3为全连接神经网络模型流程图

图4为稀疏重构后频率分布图

图5为训练集和测试集准确度

具体实施方式

如图1所示，一种基于稀疏重构与神经网络的机载生命探测方法，步骤为：

第一步、构建和训练神经网络：

1)在距离地表一定距离处，通过机载生命探测雷达发射探测信号，该雷达 可以收到地表下生命回波、地表环境的强回波干扰、以与其他环境干扰信号；

发射机通过振荡器产生探测信号

雷达回波信号H(t)如下表达式：

H(t)＝a(t)+b(t)+c(t)+n(t)

其中，a(t)是地表环境强回波干扰信号；b(t)是地表下生命回波信号；c(t)是 周围其他环境干扰信号；n（t)是产生的噪声信号。

式中，A

本实施例中，噪声信号n(t)用均值为0，方差为ξ的高斯白噪声模拟。

2)对接收信号进行预处理；

对雷达接收信号进行预处理，即低噪声放大，混频解调，滤波等处理，最终 得到如下的信号表达式：

R(t)＝a'(t)+b'(t)+c'(t)+n'(t)

其中，a′（t)是地表环境强回波干扰信号；b′(t)是生命信号经过预处理后得 到的信号；c′(t)是周围其他环境干扰信号经过预处理后得到的信号；n′(t)是噪 声信号经过预处理后得到的信号：

式中，A′

3)对预处理过的信号进行傅里叶变换，在时域信号基础上得到频域信号；

对预处理过的信号进行快速傅里叶变换(FFT)，快速傅里叶变换公式如下：

其中，x(n)是要进行快速傅里叶变换的信号的离散采样值，N是需要进行多 少点的快速傅里叶变换。所以需要对R(t)先进行离散采样，再进行快速傅里叶变 换。

4)信号具有稀疏特征，进行基于压缩感知的稀疏重构处理，实现干扰消除 的功能，具体如下：

对傅里叶变化之后的频域信号进行的稀疏重构处理，将接收信号写为稀疏信 号模型，表示为：

y＝Ax+N

其中，y＝[y

基于稀疏信号模型，对接收信号进行重构，采用基于正交匹配追踪方法估计 得到接收信号中地表强回波和生命信号的频率和残差，分别表示为：

R

其中，A

5)构建神经网络，输入为稀疏重构后的信号，输出为信号分选结果；

神经网络的输入为稀疏重构后的信号，将有无生命信号数据集作为一个二分 类问题处理。分为有生命信号和无生命信号两类，有生命信号的标签为[1，0]， 无生命信号标签为[0，1]。

在真实世界中，数据通常是不完整的(缺少某些需要的属性值)，不一致的 (包含代码或者名称的差异)、极易受到噪声(错误或异常值)的侵扰的。因为 数据库太大，而且数据集经常来自多个异种数据源，低质量的数据将导致低质量 的挖掘结果。因此，在构建完数据集后，要进行数据集预处理。

神经网络数据集预处理通常有零均值，归一化，主成分分析PCA和白化四 种常见的方法。本发明采用零均值和归一化两种方法。零均值是通过用数据中每 一维度的数据值减去所在维度的数据均值。在归一化中，一种是将零均值后的数 据的每一维度除以每一维的标准差；另一种就是把数据中的每一维度归一化到区 间[a,b]。第二种只适用于每一维度数据的权重一样时。采用零均值和归一化的方 法对神经网络数据集进行预处理，致使在反向传播时加快网络中每一层权重参数 收敛。

数据集进行预处理后，开始搭建神经网络。主要搭建了全连接神经网络。全 连接神经网络是最朴素的神经网络，它的网络参数最多，计算量最大。全连接神 经网络结构不固定，一般由输入层，隐藏层，和输出层构成。输入层和输出层为 一层，隐藏层不固定。每一层神经网络有若干神经元，层与层之间神经元 相互连接，层内神经元互不连接，而且下一层神经元连接上一层所有的 神经元。本发明网络结构是输入层，隐藏层，输出层均为一层。

6)训练神经网络模型。

第二步、采用第一步训练好的神经网络对获取的和接收的回波信号进行识别， 区分雷达接收信号中是否包含生命信号，以此探测出是否有生命迹象。

此步骤输入的信号也需要采用第一步的步骤2)-4)的方法处理为稀疏重构 后的信号。再将处理后的信号输入神经网络，通过神经网络输出识别的结果。

第一步的步骤4)中，对频域信号进行稀疏重构处理，如图2所示，包括如 下步骤：

4.1)构建生命探测雷达接收信号的稀疏信号模型；

4.2)初始化未知参数，包括迭代次数、目标信号源数量与最小间隔、采样 数、信噪比、接收信号频率的网格间距大小与字典矩阵；

表1仿真参数

4.3)根据当前的未知参数取值与字典矩阵，通过正交匹配追踪理论求解估 计频率，进而估计出接收信号频率和残差；

4.4)更新字典矩阵；

4.5)迭代计算步骤(4.3)至(4.4)，达到设定的迭代次数后，停止算法， 输出接收信号的空间谱以与相应的频率。

步骤4.1)中，雷达接收信号的频域形式可以写为稀疏模型，表示为：

y＝Ax+N

其中，y＝[y

A是傅里叶系数构成的字典矩阵，定义

在步骤6)中，输入为稀疏重构后的信号，输出为信号分选结果，构建并训 练神经网络的流程如图3所示，包括如下步骤：

6.1)对稀疏重构后的信号直接进行分类处理，构建一维数据集。对构建的 一维数据集进行预处理，先采用零均值，然后再进行归一化。

6.2)构建输入层，隐藏层和输出层。

6.3)采用交叉熵构建损失函数。

6.4)构建完损失函数后，进行反向传播。

6.5)最后进行主函数调用，进行训练和测试。

步骤6.2)中，先根据数据集构建全连接层的调用函数，方便用于接下来构 建输入层，隐藏层以与输出层。在构建的输入层和隐藏层中，激活函数采用的是 双曲正切激活函数(tanh函数)。全连接神经网络模型的输出层采用Softmax函数。 Softmax函数将向量等比例压缩到[0，1]之间，且保证所有元素之和为1。样本向 量x属于第j个分类的概率为：

式中，x表示样本向量，函数的输入是从K个不同的线性函数得到的结果， 其中k表示第k个线性函数，y表示权重矩阵的第y行。

步骤6.3)中采用交叉熵损失函数，交叉熵刻画的是实际输出(概率)与期 望输出(概率)的距离，也就是交叉熵的值越小，两个概率分布就越接近。具体 表达式如下：

其中，P是样本的期望疏输出，T为实际输出，C为分类种类。

在步骤6.4)中，反向传播主要在于选择的优化器。所谓的优化器，就是梯 度下降的策略，用于更新神经网络中数以百万的参数。

本发明选择的优化器是基于梯度下降算法的优化器(GradientDescentOptimizer)，步长为0.1。

GradientDescentOptimizer是最基础的梯度下降算法，就是用学习率乘每个参数所对应的梯度

ν

最终测得在不同信噪比下探测有无生命信号的准确性。全连接神经网络模型 各层具体情况如表1所示。

表2：全连接网络模型各层具体内容

与测试集相比，该神经网络的判断准确度可以达到96.0％。准确度较高。

以上仿真结果如下图4，图5所示，无论从精确度角度还是从损失误差来看， 都达到了有效的收敛。从图4看出经过稀疏重构后的数据有效抑制了各种噪声， 在频率分布图中只有分别对应地表强回波与生命信号的峰值，可以有效提高后续 神经网络探测生命信号的准确性，从图5可以看出，基于稀疏重构与神经网络的 机载生命探测技术能够有效探测出有无生命信息。

以上所述实施仅表达了本发明的几种实施方式，其描述较为具体和详细，但 并不能因此理解为对本发明专利范围的限制。应当指出的是，凡在本发明的精神 和原则之内，做出若干变形和改进等，均属于本发明的保护范围之内。