一种基于压缩观测的运动目标高效识别方法与流程

技术特征：
1.一种基于压缩观测的运动目标高效识别方法，其特征在于：获取运动目标引起的震动信号；将运动目标引起的震动信号通过测量矩阵线性投影到压缩域上获得压缩震动观测值；通过深度神经网络用于训练压缩震动观测值的局部稀疏表达、提取时序相关特征后分类特征向量，将在压缩域中推理震动观测值与各目标之间的对应关系并进行类别的输出。2.按照权利要求1所述的方法，其特征在于：将运动目标引起的震动信号通过测量矩阵线性投影到压缩域上包括：截取一段长度为n的原始信号x∈r
n
×
l
，所述原始信号自身是稀疏的，或者在某个正交基上稀疏；采用一个满足限定等距性质条件的测量矩阵φ对震动信号进行压缩，获得长度为m的观测值y∈r
m
×
l
，用公式表示如下：y＝φψs φn式中，φ∈r
m
×
n
是测量矩阵，φψs为φx的稀疏表示，φx为有效信号的压缩分量，s为震动信号在稀疏字典上的稀疏稀疏，ψ为震动信号的稀疏字典，m/n被定义为观测比，而n/m被定义为压缩比，x为原始信号，n为噪声分量，测量矩阵满足m＜＜n。3.按照权利要求2所述的方法，其特征在于：所述测量矩阵为压缩比为4的bernoulli矩阵。4.按照权利要求1所述的方法，其特征在于：所述深度神经网络包括级联而成的空间特征提取层、时序记忆层和特征分类层，分别通过卷积神经网络、门控循环单元和带softmax激活函数的全连接神经网络实现。5.按照权利要求4所述的方法，其特征在于：所述空间特征提取层由一维cnn来实现，包括三个卷积层，三个最大池化层和三个批归一化层，在三个卷积层中，包括第一层的大尺寸卷积核、第二层的卷积核、第三层的卷积核，卷积核的数量分别为16、32和64，尺寸分别为12
×
1、5
×
1和3
×
1，且所有卷积内核的步幅均为1，第一层的大尺寸卷积核捕捉到尺寸较大、频率变化较慢的震动特征，第二的卷积核和第三层的卷积核用于提取尺寸较小、频率变化较快的震动特征，在每一次的卷积之后和激活之前，空间特征提取层都采用批归一化层来提高模型的收敛速度。6.按照权利要求1所述的方法，其特征在于：所述时序记忆层提取震动观测值的空间形态特征在时序上的依赖关系，使用gru来填充时序记忆层，提取震动信号的时间依赖关系，包含8个gru，对空间特征提取层提取的震动特征进行选择性保留和对先前记忆的选择性清除。7.按照权利要求1所述的方法，其特征在于：所述特征分类层将时序记忆层的输出向量输入到一个密集连接分类器网络中，含有5个神经元并利用softmax函数激活。

技术总结
本发明公开了一种基于压缩观测的运动目标高效识别方法。为了同时解决在对运动目标进行识别时遇到的两个问题：辨识准确率低和计算效率低。首先，通过测量矩阵将原始震动信号线性投影到压缩域并获得压缩观测值；然后，依据震动信号在空间上的拓扑关系和时序相关性，设计用于提取压缩观测值非线性特征的深度神经网络，通过观测值与目标类别的准确映射，实现高时效性和高准确性的运动目标辨识方法。本发明的有益效果是：能够有效去除原始信号中的冗余数据、压制噪声干扰，具有高鲁棒性和抗干扰能力。能力。能力。


技术研发人员：佟训乾 聂彤羽 宾康成
受保护的技术使用者：吉林大学
技术研发日：2021.07.26
技术公布日：2021/11/4