基于串联式一维神经网络的毫米波雷达动态手势识别方法

现有的基于雷达传感器的手势识别方法,大多先利用雷达回波对手势的距离、多普勒和角度等信息进行参数估计,得到各种数据谱图,然后再利用卷积神经网络对这些谱图进行分类,实现过程较为复杂。该文提出一种基于串联式1维神经网络(1D-ScNN)的毫米波雷达动态手势识别方法。首先基于毫米波雷达获取动态手势的原始回波,然后利用1维卷积和池化操作对手势特征进行提取,并将这些特征信息输入1维Inception v3结构。最后在网络的末端接入长短期记忆(LSTM)网络来聚合1维特征,充分利用动态手势的帧间相关性,提高识别准确率和训练收敛速度。实验结果表明,该方法实现过程简单,收敛速度快,识别准确率可以达到96.0%以上,高于现有基于数据谱图的手势分类方法。

基于Stackelberg博弈的组网雷达功率分配方法

针对组网雷达系统资源利用率低的问题,提出一种基于Stackelberg博弈的功率分配方法。首先,在目标跟踪背景下推导了目标状态估计的费雪信息矩阵行列式,并将其作为跟踪精度的衡量指标。然后,将功率分配问题描述为包含两级博弈的Stackelberg博弈模型,以最小化功率消耗为目标建立领导者子博弈,以最优跟踪精度为目标建立跟随者子博弈。最后,利用障碍函数法对该模型进行求解。仿真结果表明,与其他分配算法相比,该方法在满足跟踪性能需求的前提下减小了总功率的消耗,同时提高了系统的资源利用率。

基于合作博弈的组网雷达分布式功率分配方法

对于去中心化的雷达网络,由于网络拓扑切换和信息传输延时的存在,各雷达节点给出的全局资源分配方案可能不一致。针对此问题,将合作博弈的思想应用于多目标跟踪场景下的组网雷达节点功率分配问题。首先,将信干噪比(SINR)刻画为目标空间位置和雷达发射功率等参量的函数。然后,将去中心化的组网雷达节点功率分配问题建立为以SINR为特征函数的合作博弈模型。采用加权图的思想改进合作博弈Shapley值的计算方法,以降低其计算复杂度,并基于此提出合作博弈模型的快速求解算法。所提方法无需使用复杂的优化算法,实时性较好。仿真实验分析了不同雷达布阵方式对功率分配结果的影响,通过将不同的功率分配方法与所提方法进行对比,表明所提方法可以明显提升组网雷达的目标跟踪性能。