FMNet：用于净化含噪微多普勒谱图的潜在特征级映射网络
信号处理
2022-05-04 v1 机器学习
摘要
微多普勒特征包含关于目标动力学的丰富信息。然而，雷达传感系统易受噪声环境的影响，导致微多普勒谱图上出现不可解释的运动模式。同时，雷达回波常受多径、杂波和干扰的影响。这些问题导致诸如运动特征提取、利用微多普勒特征（-DS）进行活动分类等任务困难重重。本文提出一种潜在特征级映射策略，称为特征映射网络（Feature Mapping Network, FMNet），用于变换实测谱图，使其更接近于相同条件下仿真的输出。基于实测谱图与匹配的仿真数据，我们的框架包含三部分：用于提取潜在表示/特征的编码器，根据潜在特征输出重建谱图的解码器，以及最小化实测与仿真数据潜在特征距离的判别器。我们利用六类活动数据和两种实验场景验证了FMNet，最终结果显示增强模式明显，且能最大程度保留实际运动信息。另一方面，我们还提出一种新思路：仅用仿真数据训练分类器，并用FMNet净化后的新实测样本进行预测。从最终分类结果可见显著改进。
引用
@article{arxiv.2107.07312,
title = {FMNet: Latent Feature-wise Mapping Network for Cleaning up Noisy Micro-Doppler Spectrogram},
author = {Chong Tang and Wenda Li and Shelly Vishwakarma and Fangzhan Shi and Simon Julier and Kevin Chetty},
journal= {arXiv preprint arXiv:2107.07312},
year = {2022}
}