本发明涉及雷达生命探测,具体涉及一种多模式自定位组网雷达生命探测方法。
背景技术:
1、多模式自定位组网雷达生命探测是一种先进的探测技术,主要应用于灾难救援和应急响应场景,旨在搜索和识别生物体。该技术结合了多种雷达模式,通过不同频段和探测方法增强对生物信号的识别能力。自定位功能使雷达系统能够在动态环境中自动调整位置和角度,从而优化探测效果;而组网能力则允许多个雷达设备相互协作,形成覆盖广泛、信息共享的探测网络,这对于提高探测的准确性和实时性至关重要。在生命探测过程中,雷达设备能够穿透障碍物(如废墟或积雪),利用生物体的运动和生命体征(如呼吸、心跳等)产生的微弱信号进行识别。这种非接触性和高效性的技术使救援人员能够迅速定位被困者。此外,组网雷达系统还能够利用数据融合和机器学习技术,提升在不同环境和条件下对生命体征的识别率,进一步提高救援成功率和效率。这种综合运用多种技术的探测方式,不仅提升了生命探测能力,也为未来的灾后救援行动提供了更加精准和高效的支持。
2、多模式自定位组网雷达生命探测技术广泛应用于无人机上,这种结合提升了无人机在灾难救援中的效率和有效性。无人机搭载这种雷达系统后,能够在复杂和危险的环境中自主飞行,自动调整位置和角度,从而优化探测效果。通过穿透障碍物(如废墟和积雪),无人机能够实时监测生物体的生命体征(如呼吸和心跳),迅速识别被困者的位置。同时,组网能力允许多架无人机协同工作,形成一个覆盖广泛的探测网络,增强信息共享和数据融合,提高生命探测的准确性和实时性。这种技术的应用不仅能够大幅提升救援行动的成功率,还能在保障救援人员安全的同时,减少救援时间,从而更有效地挽救生命。
3、现有技术存在以下不足:
4、现有技术中,无人机配备的生命探测雷达在工作时通常覆盖一个固定的检测面积进行生命体征探测,这在大多数应用场景中是有效的。然而,当发生泥石流灾害后,该区域可能形成积水,尤其是泥水混合物,会导致雷达信号的强烈衰减和散射,特别是高频信号。如果雷达继续覆盖固定的检测面积进行探测,可能会产生严重后果。首先,高频信号在泥水混合物中会遭遇显著衰减,导致探测无法捕捉到被困者的生命体征,从而漏检。这在紧急救援情况下可能造成生命的丧失,显著影响救援效率。其次,固定检测面积可能接收到大量背景噪声和伪影信号,导致误判。这会使救援人员错误判断被困者的位置,浪费时间和资源进行无效搜索。
5、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本发明的目的是提供一种多模式自定位组网雷达生命探测方法,通过将待检测区域划分为多个子区域并分析信号动态变化,系统能在泥石流等复杂环境中及时识别异常信号。利用相位偏移指数和频谱扩展指数等特征参数,结合机器学习模型生成信号变化系数,精确判断信号质量。这一方法有效避免漏检,提升救援成功率。同时,系统通过比较信号变化系数与参考阈值,优化资源配置,提高救援效率,确保能迅速定位被困者,挽救更多生命,以解决上述背景技术中的问题。
2、为了实现上述目的,本发明提供如下技术方案:一种多模式自定位组网雷达生命探测方法,包括以下步骤:
3、首先,将待检测区域划分为多个子区域;
4、配备生命探测雷达的无人机,按照设定的固定检测面积,对各个子区域进行信号数据收集,以获取整个待检测区域信号动态变化数据;
5、对收集到的信号动态变化数据进行特征提取,基于提取的特征,在检测窗口下,利用预先训练好的机器学习模型,对提取的特征数据进行分析评估,识别信号数据的异常变化情况;
6、根据机器学习模型的评估结果,将所有子区域划分为信号强烈衰减区域和信号正常获取区域;
7、对所有被划分为信号强烈衰减区域的子区域进行标记;
8、针对信号正常获取区域的子区域,继续以初始设定的固定检测面积进行生命体征探测;
9、针对被标记为信号强烈衰减区域的子区域,基于该子区域的信号数据变化信息评估结果,重新设定检测面积。
10、优选的,对收集到的信号动态变化数据进行特征提取,提取的特征包括信号相位变化和信号频谱扩展程度,在检测窗口下,对信号相位变化和信号频谱扩展程度进行分析后,分别生成相位偏移指数和频谱扩展指数,将生成的相位偏移指数和频谱扩展指数输入至预先训练好的机器学习模型中,通过机器学习模型生成信号变化系数,通过信号变化系数对信号动态变化数据进行分析评估,识别信号数据的异常变化情况。
11、优选的,在检测窗口下,对信号相位变化进行分析,生成相位偏移指数的具体步骤如下:
12、在检测窗口下,首先获取雷达信号的时域波形,并将雷达信号的时域波形标定为,对获取的雷达信号的时域波形进行预处理,去除背景噪声,对预处理后的信号进行相位提取,计算信号的瞬时相位,通过解析信号方法来获得瞬时相位,计算表达式如下:
13、,式中,是信号的瞬时相位,是接收到的雷达信号的时域波形,是信号的hilbert变换,是虚数单位;
14、计算时间点和时间点时刻的瞬时相位差,计算表达式如下:
15、,式中,是相位差,在时间点和时间点之间的瞬时相位变化量,即第个时间点的相位差,是在时间点时刻的瞬时相位差,是在时间点时刻的瞬时相位差,是相位调整因子,其中是任意整数,表示是整数集中的元素;
16、相位差通过一个非线性映射函数转化为相位偏移指数,计算表达式如下:
17、,式中,是相位偏移指数,是时间点总数,即所有时间点下获得的相位差数量,是自然底数,是衰减因子,是非线性系数,是归一化的时间常数。
18、优选的,在检测窗口下,对信号频谱扩展程度进行分析,生成频谱扩展指数的具体步骤如下:
19、在检测窗口下,获取信号的频率分布数据,并将信号在时间点时刻的幅值标定为,即信号随时间点的变化情况,通过傅里叶变换将时域信号转换为频域信号,计算表达式如下:
20、,式中,是频域信号,即信号在频域的幅值,是复指数项,是虚数单位;
21、在频域中,通过频谱中心频率的偏移来计算瞬时频率偏移函数,计算表达式如下:,式中,是瞬时频率偏移量,是信号的中心频率;
22、为更精确地捕捉频谱扩展的特性,定义频率权重函数,计算表达式如下:,式中,是频率权重函数,是一个衰减因子;
23、通过将频域信号与频率权重函数结合,将不同频率的偏移程度纳入考量,得到频谱能量的扩展特性,表达式如下:
24、,式中,是频谱能量扩展函数;
25、对频谱能量扩展函数进行积分,得到频谱扩展的总能量,计算表达式如下:
26、,式中,是频谱扩展总能量,表示在整个频率范围内的总能量,它通过对频谱能量扩展函在频率范围内进行积分得到,和分别是积分的上限和下限,表示我们分析的频率范围;
27、综合频谱扩展总能量以及瞬时频率偏移生成频谱扩展指数,计算表达式如下:
28、,式中,是频谱扩展指数。
29、优选的,将对子区域收集到的信号动态变化数据进行分析后生成的信号变化系数与预先设定的信号变化系数参考阈值进行比对分析,对子区域进行划分,划分过程如下:
30、若信号变化系数大于等于预先设定的信号变化系数参考阈值,则将该子区域划分为信号强烈衰减区域;
31、若信号变化系数小于预先设定的信号变化系数参考阈值,则将该子区域划分为信号正常获取区域。
32、优选的,针对被标记为信号强烈衰减区域的子区域,基于该子区域的信号数据变化信息评估结果,重新设定检测面积的具体步骤如下:
33、首先,将初始设定的固定检测面积标定为,对被标记的信号强烈衰减区域进行信号数据变化信息的评估,将机器学习模型生成的信号变化系数重新标定为信号变化系数;
34、将重新标定的信号变化系数与预设的信号变化系数参考阈值进行比对,若满足,,则表明该区域的信号衰减严重,需进行重新设定检测面积;
35、根据对比结果,重新设定新的检测面积,计算表达式如下:
36、,式中,为重新设定新的检测面积,是信号变化的最大值,为环境复杂度系数;
37、最后,在新的检测面积内,重新进行信号数据采集,并评估信号强度及清晰度,计算表达式如下:
38、,式中,是最新检测效果,是新的检测面积内成功探测到的信号强度总和,是第个有效探测信号的强度,是探测到的有效信号数量。
39、在上述技术方案中,本发明提供的技术效果和优点:
40、本发明通过将待检测区域划分为多个子区域,并对每个子区域进行信号动态变化数据的收集与分析,能够在复杂的泥石流环境中及时识别出信号的异常变化。特别是在积水和泥水混合物导致的信号衰减情况下,通过提取相位偏移指数和频谱扩展指数等不常见的特征参数,结合预先训练的机器学习模型,系统能够生成信号变化系数,从而精确判断每个子区域的信号质量。这种方法有效避免了固定检测面积下的漏检风险,确保在关键时刻能够准确捕捉到被困者的生命体征,显著提升救援行动的成功率。
41、本发明通过对信号变化系数与预先设定的参考阈值进行比较分析,系统能够快速、智能地划分子区域为信号强烈衰减区域和信号正常获取区域。这一过程使得救援团队能够集中资源与精力在信号衰减严重的区域进行深度探测,而对信号正常的区域则可继续使用初始设定的固定检测面积进行有效探测,从而实现动态调整。这不仅减少了因误判而导致的资源浪费,也大幅提升了救援效率,确保在紧急情况下能够更快速地定位被困者,降低救援响应时间,从而挽救更多生命。