摘要
多普勒雷达是一种可以用于感知目标运动状态的雷达系统，具有探测结果稳定性高、发射信号能够穿透非金属介质以及提供目标高精度定位信息等优点。由于多普勒雷达可以在非接触的情况下提供目标准确的运动数据，因此在安检安防、人机交互等领域应用广泛，尤其在人体动作的识别方面存在巨大的应用潜力。 近年来，随着机器学习理论的飞速发展，深度学习方法在基于雷达探测的人体动作识别领域取得了令人瞩目的成效。然而传统的深度学习方法十分依赖样本数据的准确性和完备性，因此在有限标注样本和批量训练条件下的识别精度和可持续学习能力会受到很大限制，并成为制约深度学习方法在实际探测场景中应用的重要缺陷。GAN作为一种生成式无监督深度学习模型，凭借其强大的特征捕捉和特征拟合能力，成为近年来深度学习领域的研究热点。本文以GAN理论为基础，针对基于雷达探测的人体运动状态识别技术在少量标注样本和模型增量学习条件下的性能优化问题展开研究，具体的研究内容如下: (1)针对有限标注样本条件下的人体动作识别需求，本文提出一种基于深度卷积GAN的半监督学习模型。本文中通过扩展GAN的鉴别器输出维度，使其能够应用于解决多分类问题，还能通过引入无标注样本参与模型训练，从而改善有限标注样本条件下模型的识别性能。此外，本文通过引入自注意力机制，使模型能够更好地建立局部和全局特征之间的依赖关系，从而完成对目标特征的针对性学习;引入信息熵损失机制改进传统生成对抗网络的无监督学习目标函数，使无监督学习过程更加准确和高效，加快模型的收敛速度。 (2)针对目标状态识别模型的可持续性学习需求，本文提出一种基于生成对抗网络的增量学习方法。相比于传统基于样本重放的增量学习模式，该方法使用生成样本取代旧类样本范例，从而有效避免信息泄露问题;提出一种结合蒸馏损失和传统交叉熵损失的改进损失函数，使分类器在尽可能保留旧类样本信息的同时，提高学习新类样本特征的效率;提出一种分类器偏差校正方法，可有效解决传统增量学习方法中由于新旧类别数量不平衡导致的分类结果偏向于新类别的问题，缓解了模型的灾难性遗忘效应。 本文针对基于雷达探测的人体运动状态识别问题提出优化的半监督学习和增量学习模型，在人体运动微多普勒数据集和模拟人体运动雷达数据集上完成提出算法与传统主流算法间的性能比较和分析。研究结果表明，这两种改进模型分别在标注样本有限和可持续学习方面表现出较大的优越性。
NETL