**章概述1.1 研究背景與意義1.2 研究現(xiàn)狀1.2.1 雷達(dá)人體目標(biāo)感知技術(shù)1.2.2 多維雷達(dá)信號(hào)的行為識(shí)別方法1.2.3 小樣本深度學(xué)習(xí)方法1.3 難點(diǎn)與挑戰(zhàn)1.4 本書內(nèi)容安排第二章基于稀疏遷移的有監(jiān)督行為分類2.1 基于卷積神經(jīng)網(wǎng)絡(luò)的有監(jiān)督分類2.1.1 卷積神經(jīng)網(wǎng)絡(luò)的概念與結(jié)構(gòu)2.1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)過(guò)程2.2 光學(xué)圖像與雷達(dá)數(shù)據(jù)的稀疏遷移2.2.1 微多普勒特征分析和提取2.2.2 利用尺度變換因子的稀疏遷移2.2.3 稀疏約束下的遷移算法2.2.4 遷移網(wǎng)絡(luò)的剪枝及微調(diào)2.3 有監(jiān)督行為分類實(shí)驗(yàn)結(jié)果及分析2.3.1 數(shù)據(jù)說(shuō)明2.3.2 基準(zhǔn)算法和實(shí)現(xiàn)細(xì)節(jié)2.3.3 處理結(jié)果2.3.4 參數(shù)敏感性分析2.4 本章小結(jié)第三章基于對(duì)抗遷移的無(wú)監(jiān)督行為分類3.1 基于運(yùn)動(dòng)散射模型的源領(lǐng)域數(shù)據(jù)集構(gòu)建3.1.1 基于激光動(dòng)作捕捉系統(tǒng)的微多普勒數(shù)據(jù)集構(gòu)建3.1.2 基于Kinect傳感器的數(shù)據(jù)域構(gòu)建3.1.3 基于單目光學(xué)傳感器的數(shù)據(jù)域構(gòu)建3.2 基于對(duì)抗網(wǎng)絡(luò)的源領(lǐng)域特征遷移3.2.1 生成式對(duì)抗網(wǎng)絡(luò)3.2.2 對(duì)抗遷移框架3.2.3 對(duì)抗遷移算法3.3 無(wú)監(jiān)督行為分類實(shí)驗(yàn)結(jié)果及分析3.3.1 數(shù)據(jù)說(shuō)明3.3.2 基準(zhǔn)算法和實(shí)現(xiàn)細(xì)節(jié)3.3.3 參數(shù)敏感性分析3.3.4 泛化性能分析3.4 本章小結(jié)第四章基于距離-速度-時(shí)間三維點(diǎn)云的行為表征和識(shí)別4.1 基于點(diǎn)云模型的人體行為表征4.1.1 距離-多普勒的時(shí)間序列生成4.1.2 基于散射強(qiáng)度的三維等值面構(gòu)建4.1.3 基于*遠(yuǎn)距離的特征點(diǎn)采樣4.1.4 基于點(diǎn)云的多目標(biāo)微動(dòng)特征分離4.2 層次化點(diǎn)云網(wǎng)絡(luò)的模型構(gòu)建4.2.1 基于對(duì)稱性的網(wǎng)絡(luò)函數(shù)設(shè)計(jì)4.2.2 基于主成分分析的點(diǎn)云歸一化4.2.3 基于層次化結(jié)構(gòu)的網(wǎng)絡(luò)構(gòu)建4.3 開集框架下的點(diǎn)云識(shí)別算法4.3.1 開集識(shí)別的問(wèn)題描述4.3.2 基于梯度信息的數(shù)據(jù)擾動(dòng)4.3.3 基于開集的檢測(cè)識(shí)別算法4.4 行為表征與識(shí)別實(shí)驗(yàn)結(jié)果及分析4.4.1 人體行為的點(diǎn)云特征提取4.4.2 多人場(chǎng)景下的點(diǎn)云分離4.4.3 異常數(shù)據(jù)識(shí)別實(shí)驗(yàn)4.4.4 人體行為分類實(shí)驗(yàn)4.5 本章小結(jié)第五章單基地雷達(dá)全向人體行為識(shí)別5.1全向識(shí)別中的角度敏感性5.1.1雷達(dá)方位角對(duì)微多普勒譜圖的影響5.1.2 全向識(shí)別分類器的角度敏感性5.1.3 角度敏感性的評(píng)估方式與評(píng)價(jià)指標(biāo)5.2 基于卷積神經(jīng)網(wǎng)絡(luò)的全向微多普勒特性分類器設(shè)計(jì)5.2.1 總體設(shè)計(jì)5.2.2 隱藏層設(shè)計(jì)5.2.3 輸出層設(shè)計(jì)5.3 基于多角度分類器的全向識(shí)別實(shí)驗(yàn)結(jié)果及分析5.3.1 數(shù)據(jù)設(shè)置及實(shí)驗(yàn)設(shè)置5.3.2 實(shí)驗(yàn)結(jié)果及分析5.3.3 訓(xùn)練譜圖對(duì)分類器角度敏感性的影響5.4基于單角度分類器的全向識(shí)別實(shí)驗(yàn)結(jié)果及分析5.4.1 數(shù)據(jù)設(shè)置及實(shí)驗(yàn)設(shè)置5.4.2 實(shí)驗(yàn)結(jié)果及分析5.4.3 模型的設(shè)計(jì)原則對(duì)分類器角度敏感性的影響5.5 本章小結(jié)第六章 多任務(wù)人體行為分類及身份識(shí)別6.1多尺度殘差神經(jīng)網(wǎng)絡(luò)6.1.1多尺度學(xué)習(xí)機(jī)制6.1.2殘差注意力模塊設(shè)計(jì)6.1.3細(xì)粒度級(jí)損失權(quán)重學(xué)習(xí)6.2實(shí)驗(yàn)環(huán)境搭建及雷達(dá)數(shù)據(jù)處理6.2.1實(shí)驗(yàn)環(huán)境搭建6.2.2雷達(dá)數(shù)據(jù)采集及預(yù)處理6.3多任務(wù)行為識(shí)別與身份識(shí)別實(shí)驗(yàn)結(jié)果及分析6.3.1性能指標(biāo)及參數(shù)設(shè)置6.3.2人體行為識(shí)別實(shí)驗(yàn)結(jié)果分析6.3.3身份識(shí)別實(shí)驗(yàn)結(jié)果分析6.3.4深度學(xué)習(xí)模型消融分析6.4 本章小結(jié)