CN116299427B 基于注意力機(jī)制的輕量級超寬帶雷達(dá)手勢識別方法 （中國人民解放軍空軍工程大學(xué)）

基于注意力機(jī)制的輕量級超寬帶雷達(dá)手勢本發(fā)明公開了一種基于注意力機(jī)制的輕量合通道注意力和空間注意力提高網(wǎng)絡(luò)對目標(biāo)區(qū)中提出的輕量級手勢識別模型具有更好的泛化2S1：對超寬帶雷達(dá)的手勢回波信號進(jìn)行采集與預(yù)S301：構(gòu)建用于從手勢回波信號的距離多普勒圖譜中進(jìn)行特征提取的三種運算單元，S302：基于步驟S301中構(gòu)建的三種運算單元，建立串其中，步驟S13中對手勢回波的數(shù)字信號進(jìn)行雜波抑制以及滑窗多普勒處理的具體操r為回波信號頻率；轉(zhuǎn)換后的離散數(shù)字信號看做連續(xù)信號，則第一個等效采樣后的模擬信號經(jīng)A/D轉(zhuǎn)換后的數(shù)3S135：由第一個等效采樣后的模擬信號經(jīng)A/D轉(zhuǎn)換后的數(shù)字信號和第二個等效采樣后2.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制的輕量級超寬帶雷達(dá)手勢識別方法，其特征43.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制的輕量級超寬帶雷達(dá)手勢識別方法，其特征4.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制的輕量級超寬帶雷達(dá)手勢識別方法，其特征步驟a1：將尺度伸縮單元的輸入通過兩個卷積支路進(jìn)包括1x1Conv，3x3DW和1x1Conv，左支路中的1x1Conv中都包含有數(shù)據(jù)的批標(biāo)準(zhǔn)化BN和5.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制的輕量級超寬帶雷達(dá)手勢識別方法，其特征步驟b1：將基本計算單元的輸入沿通道維度進(jìn)行5步驟b4：將步驟b3的特征計算結(jié)果通過殘差連接與6.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制的輕量級超寬帶雷達(dá)手勢識別方法，其特征步驟c1：通過控制全局池化的施行維度調(diào)節(jié)注意力單元輸步驟c2：通過殘差連接將獲得聯(lián)合注意力的特征與原7.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制的輕量級超寬帶雷達(dá)手勢識別方法，其特征6實現(xiàn)手勢分類。Youngwook等人通過DCNN網(wǎng)絡(luò)提取雷達(dá)手勢回波頻譜圖中的微多普勒信息分類。SruthySkaria等人利用兩個可產(chǎn)生正交分量的接收天線，映射回波信號至三維空78[0040]進(jìn)一步的，步驟S13中對手勢回波的數(shù)字信號進(jìn)行雜波抑制以及滑窗多普勒處理r為回波信號頻率；[0054]S135：由第一個等效采樣后的模擬信號經(jīng)A/D轉(zhuǎn)換后的數(shù)字信號和第二個等效采樣后的模擬信號經(jīng)A/D轉(zhuǎn)換后的數(shù)字信號可以類推采樣后的離9[0061]S137：通過滑動窗選取連續(xù)的N個脈沖，重復(fù)上述步驟S131～S136進(jìn)行多普勒處[0076]步驟c1：通過控制全局池化的施行維度調(diào)節(jié)注意力單元三個階段的基本計算單元中可循環(huán)結(jié)構(gòu)的重復(fù)[0147]手勢回波經(jīng)過等效采樣后相當(dāng)于放大了β倍，回波中包含了手勢運動過程中的位理在一個數(shù)據(jù)矩陣填充時間內(nèi)最多可得到N倍于前者數(shù)量的距離多普勒圖譜，其處理時序以保證當(dāng)前矩陣包含有上一個數(shù)據(jù)矩陣中的N_m個采樣脈沖的信息，保留了手勢的連續(xù)歷[0154]本發(fā)明中基于等效采樣的滑窗多普勒算法中的多普勒效應(yīng)具體操作包括以下步S,0)-au(sn(cy"+)(1c)[0173]S135：由第一個等效采樣后的模擬信號經(jīng)A/D轉(zhuǎn)換后的數(shù)字信號和第二個等效采樣后的模擬信號經(jīng)A/D轉(zhuǎn)換后的數(shù)字信號可以類推采樣后的離[0179]S137：通過滑動窗選取連續(xù)的N個脈沖，重復(fù)上述步驟S131～S136進(jìn)行多普勒處決通道分割后的組間信息不流通問題；利用全局池化沿通道維和空間維獲取全局感受野，11為串行式脈沖超寬帶雷達(dá)手勢識別模型[0237]由表7中實驗結(jié)果可以得出，噪聲、雜波以及數(shù)據(jù)形式對手勢識別結(jié)果有較大影[0238]由于輕量級網(wǎng)絡(luò)ShuffleNetV2也是階段式結(jié)構(gòu)設(shè)計，故本文選擇ShuffleNetV2網(wǎng)絡(luò)進(jìn)行注意力單元和基本運算單元的消融實驗。利用公開數(shù)據(jù)集cifar10對網(wǎng)絡(luò)進(jìn)行性網(wǎng)絡(luò)，命名為LShuffleV2，以及加入注意力單元的ShuffleNetV2剪枝網(wǎng)絡(luò)，命名為CBAM_[0243]上述三種網(wǎng)絡(luò)的訓(xùn)練曲線如附圖15所示。圖中紅色曲線表示ShuffleNetV2原型[0247]上表9中的CBAM_bsi1網(wǎng)絡(luò)和CBAM_bsi21網(wǎng)絡(luò)表示加入了注意力單元的ShuffleNetV2并且將部分結(jié)構(gòu)替換為基本運算單元的網(wǎng)絡(luò)，其中2表示基本運算單元的重3Ubsi121在收斂點到來前準(zhǔn)確率一直維持最高，在收斂點到來后向最高準(zhǔn)確率上升過程[0255]采用本發(fā)明的自建數(shù)據(jù)集，通過10折交叉驗證法測試模[0259]為了進(jìn)一步驗證算法的魯棒性，將6個參與者(p1～p6)的手勢回波數(shù)據(jù)進(jìn)行相同[0260]如附圖18中所示，藍(lán)色代表VGG_16的識別結(jié)果，綠色代表MobileNetV2的識別結(jié)者手勢識別結(jié)果中顯示，VGG_16的識別率降到89.85MobileNetV2的識別率降低到均識別準(zhǔn)確率為94.12MobileNetV2前六名志愿者的平均識別準(zhǔn)確率為95.81CBAM_3Ubsi121網(wǎng)絡(luò)的識別率達(dá)到了96.79與前六名志愿者的手勢識別率未形成較大落差，附圖19所示。圖中藍(lán)色曲線代表VGG_16的識別結(jié)果，綠色曲線代表MobileNetV2的識別結(jié)程度影響，VGG_16網(wǎng)絡(luò)的10折交叉驗證的平均準(zhǔn)確率為92.29MobileNetV2的10折交叉驗證平均準(zhǔn)確率為93.59而CBAM_3Ubsi121網(wǎng)絡(luò)仍然具有較高的識別率，維持在