应用于毫米波雷达感知任务的无监督学习方法、电子设备和存储介质

本发明涉及毫米波雷达，更具体地涉及一种应用于毫米波雷达感知任务的无监督学习方法、电子设备和存储介质。

背景技术：

1、近年来，毫米波雷达在无线感知方面取得了重大进展。随着深度学习的发展，基于学习的雷达感知取得了令人鼓舞的成果，实现了多类型场景上的创新应用。这些创新应用大多数是通过监督学习实现的，需要大量带标注的射频数据。然而，无线数据的不可解释性使得标注变得非常困难，无线数据的这一特性严重限制了基于学习的无线感知的实际应用。虽然无监督学习的方案可以不依赖于标注数据，但是，无监督学习的方案需要不同雷达信号生成以便适用于无监督的正样本对，这导致了无监督学习应用于毫米波雷达感知方面上存在较大的限制，进而导致基于无监督学习的毫米波雷达感知方案缺乏通用性、无法适应多类型的无线感知场景。

技术实现思路

1、鉴于上述问题，本发明提供了一种应用于毫米波雷达感知任务的无监督学习方法、电子设备和存储介质。

2、根据本发明的第一个方面，提供了一种应用于毫米波雷达感知任务的无监督学习方法，包括：

3、利用所确定的目标天线阵列组合获取与毫米波雷达感知任务相对应的雷达回波信号，并对雷达回波信号进行信号处理，得到正样本对；

4、利用与毫米波雷达感知任务相对应的编码器和动量编码器对正样本对进行特征提取，得到正样本特征对，并对正样本特征对进行投影，得到正样本投影对；

5、利用预定义的对比损失函数对正样本投影对和队列内存库中已存储的负样本投影对进行处理，得到对比损失值；

6、基于对比损失值对编码器进行参数更新，基于参数更新后的编码器对动量编码器进行基于动量法的参数更新，并将正样本投影对存入队列内存库中；

7、无监督地迭代进行雷达回波信号获取和信号处理操作、特征提取和投影操作、损失计算操作、参数更新操作以及正样本投影对存入操作，直到满足预设训练条件，得到预训练的编码器。

8、根据本发明的实施例，上述利用所确定的目标天线阵列组合获取与毫米波雷达感知任务相对应的雷达回波信号，并对雷达回波信号进行信号处理，得到正样本对包括：

9、根据毫米波雷达感知任务确定约束参数，并根据约束参数对天线阵列合成方案进行选择，得到目标天线阵列组合；

10、利用目标天线阵列组合向毫米波雷达感知任务所涉及的目标物体发射雷达信号，并接收目标物体的毫米波雷达回波信号；

11、对雷达回波信号进行信号处理，得到包括第一分量和第二分量的正样本对。

12、根据本发明的实施例，上述根据毫米波雷达感知任务确定约束参数，并根据约束参数对天线阵列合成方案进行选择，得到目标天线阵列组合包括：

13、基于天线阵列图和半功率波束宽度对毫米波雷达的虚拟天线阵列合成策略进行分析，并将与毫米波雷达主瓣的振幅差在预设分贝值范围内的旁瓣定义为广义栅瓣；

14、将最小半功率波束宽度和最接近主瓣的广义栅瓣的位置作为毫米波雷达感知任务的约束参数，并利用约束参数对毫米波雷达的虚拟天线阵列合成策略进行选择，得到目标天线阵列组合。

15、根据本发明的实施例，上述利用与毫米波雷达感知任务相对应的编码器和动量编码器对正样本对进行特征提取，得到正样本特征对，并对正样本特征对进行投影，得到正样本投影对包括：

16、将与毫米波雷达感知任务相对应的神经网络结构作为编码器，并对编码器的参数进行变换得到动量编码器；

17、利用编码器对正样本对中的第一分量进行特征提取，得到第一分量特征，并利用动量编码器对正样本对中的第二分量进行特征提取，得到第二分量特征；

18、将第一分量特征和第二分量特征进行组合，得到正样本特征对；

19、将正样本特征对中的第一分量特征和第二分量特征分别经过不同投影头进行投影，得到第一分量投影和第二分量投影，并将第一分量投影和第二分量投影进行组合，得到正样本投影对。

20、根据本发明的实施例，上述利用预定义的对比损失函数对正样本投影对和队列内存库中已存储的所有负样本投影对进行处理，得到对比损失值包括：

21、对预定义的对比损失函数进行参数初始化，得到基于点积测量相似度的对比损失函数；

22、在队列内存库未满的情况下，通过随机初始化的方式对队列内存库未满的部分进行填满，并将队列内存库中所有负样本投影对作为当前训练轮次的负样本投影对集合；

23、将负样本投影对集合以及当前训练轮次的正样本投影对输入到基于点积测量相似度的对比损失函数中进行计算，得到对比损失值。

24、根据本发明的实施例，上述基于对比损失值对编码器进行参数更新，基于参数更新后的编码器对动量编码器进行基于动量法的参数更新，并将正样本投影对存入队列内存库中包括：

25、基于对比损失值对编码器进行参数更新，得到参数更新后的编码器；

26、对参数更新后的编码器的参数使用动量法进行更新，得到参数更新后的动量编码器；

27、将当前训练轮次的正样本投影对存入到队列内存库，并将队列内存库中队头元素进行移除。

28、根据本发明的实施例，上述应用于毫米波雷达感知任务的无监督学习方法还包括：

29、获取与毫米波雷达感知任务相关联的毫米波雷达标注数据，并利用毫米波雷达标注数据对预训练的编码器进行参数调整，得到最终训练完成的编码器。

30、根据本发明的实施例，上述毫米波雷达感知任务包括以下至少之一：非接触心电图实时监测任务、人体姿态估计任务和人体轮廓分割任务。

31、本发明的第二方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个计算机程序，其中，上述一个或多个处理器执行上述一个或多个计算机程序以实现上述方法的步骤。

32、本发明的第三方面还提供了一种计算机可读存储介质，其上存储有计算机程序或指令，上述计算机程序或指令被处理器执行时实现上述方法的步骤。

33、本发明提供的应用于毫米波雷达感知任务的无监督学习方法，通过构建正样本投影对以及利用已存储在队列内存库中的负样本投影对，实现了与毫米波雷达感知任务相关的编码器的无监督对比学习，能够高效地对相关编码器进行训练；此外，由于保证了样本获取过程中的丰富性和有效性，因此本发明提供的方法能够训练出通用的编码器，同时，由于本发明提供的方法不依赖于无线数据标签，因此在毫米波雷达感知下游任务缺乏标签或者标签较少的情况下，依然能够提供高效、准确的编码器训练。

技术特征：

1.一种应用于毫米波雷达感知任务的无监督学习方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，利用所确定的目标天线阵列组合获取与毫米波雷达感知任务相对应的雷达回波信号，并对所述雷达回波信号进行信号处理，得到正样本对包括：

3.根据权利要求2所述的方法，其特征在于，根据毫米波雷达感知任务确定约束参数，并根据所述约束参数对天线阵列合成方案进行选择，得到目标天线阵列组合包括：

4.根据权利要求1所述的方法，其特征在于，利用与所述毫米波雷达感知任务相对应的编码器和动量编码器对所述正样本对进行特征提取，得到正样本特征对，并对所述正样本特征对进行投影，得到正样本投影对包括：

5.根据权利要求4所述的方法，其特征在于，利用预定义的对比损失函数对所述正样本投影对和队列内存库中已存储的所有负样本投影对进行处理，得到对比损失值包括：

6.根据权利要求1所述的方法，其特征在于，基于所述对比损失值对所述编码器进行参数更新，基于参数更新后的编码器对所述动量编码器进行基于动量法的参数更新，并将所述正样本投影对存入所述队列内存库中包括：

7.根据权利要求1所述的方法，其特征在于，还包括：

8.根据权利要求1所述的方法，其特征在于，所述毫米波雷达感知任务包括以下至少之一：非接触心电图实时监测任务、人体姿态估计任务和人体轮廓分割任务。

9.一种电子设备，包括：

10.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现根据权利要求1~8中任一项所述方法的步骤。

技术总结
本发明提供了一种应用于毫米波雷达感知任务的无监督学习方法、电子设备和存储介质，可以应用于毫米波雷达技术领域。该方法包括：利用目标天线阵列组合获取雷达回波信号，并对雷达回波信号进行信号处理，得到正样本对；利用编码器和动量编码器对正样本对进行特征提取，得到正样本特征对，并对正样本特征对进行投影，得到正样本投影对；利用预定义的对比损失函数对正样本投影对和队列内存库中已存储的负样本投影对进行处理，得到对比损失值；基于对比损失值对编码器进行参数更新，基于参数更新后的编码器对动量编码器进行参数更新，并将正样本投影对存入队列内存库中；无监督地迭代进行上述操作，直到满足预设训练条件，得到预训练的编码器。

技术研发人员：陈彦,张好宇,张东恒,胡洋
受保护的技术使用者：中国科学技术大学
技术研发日：
技术公布日：2025/3/18