第9章 深度学习与数据驱动方法
第九章 深度学习与数据驱动方法
9.1 神经网络架构设计
9.1.1 端到端波形学习:CNN 与 LSTM 架构
端到端(End-to-End)波形学习通过深度神经网络建立从环境感知到发射波形的直接映射,避免传统迭代优化的高计算开销。卷积神经网络(CNN)与长短期记忆网络(LSTM)的级联架构适用于处理雷达回波信号的时空特性。CNN 层提取距离-多普勒图(Range-Doppler Map)的空间特征,通过卷积核扫描局部时频结构;LSTM 层处理脉冲间的序列依赖,捕捉目标运动的时序动态。
在毫米波雷达手势识别与人体活动检测场景中,CBAM(Convolutional Block Attention Module)增强的 CNN-LSTM 架构首先对原始中频信号执行二维快速傅里叶变换(2D-FFT)生成 RDM,经 Blackman 窗函数加权与小波阈值去噪后,输入网络进行端到端训练。网络通过注意力机制自适应地加权距离-多普勒单元,突出目标散射中心而抑制杂波背景。
对于波形生成任务,全连接层与残差网络(ResNet)架构建立从随机噪声或环境特征到波形相位的非线性变换。输入层接收目标冲激响应(TIR)或信道状态信息(CSI)的实虚部分量,经批归一化(Batch Normalization)与 ReLU 激活的隐藏层映射,输出层产生相位编码序列。然而,纯数据驱动方法面临“黑箱”特性,缺乏对恒模约束等物理硬约束的显式处理能力,需结合算法展开技术提升可解释性。
9.1.2 展开优化与可微分 ADMM/MM 层
算法展开(Algorithm Unrolling/Deep Unfolding)将传统迭代优
订阅专栏 解锁全文
2147



被折叠的 条评论
为什么被折叠?



