A Multi-Characteristic Learning Method with Micro-Doppler Signatures for Pedestrian Identification
利用雷达微多普勒特征进行行人识别是近年来的研究热点。在本文中，我们提出了一个多特征学习（MCL）模型与集群共同学习不同的行人微多普勒签名和融合的知识，从每个集群到最终的决定。利用FMCW雷达提取的时间多普勒谱图（TDS）和信号统计特征作为两类微多普勒特征，在MCL中学习行人自由行走模式内部的微运动信息。实验结果表明，与其他研究相比，该模型具有更高的准确率和更稳定的行人识别能力，具有更强的实用性。
2022-03-23 cs.CV cs.LG eess.SP
Vision Transformer for Classification of UAV and Helicopters Using Micro-Doppler Spectrograms in Surveillance Radar
本文提出使用视觉变换器对不同持续时间的无人机和直升机微多普勒光谱进行分类，通过改进的双树复小波变换提高信号质量，并在实际雷达数据上实现了97.76%的分类准确率。
2025-11-29 eess.SP
Hand Gesture Recognition based on Radar Micro-Doppler Signature Envelopes
介绍了一种简单而有效的雷达手势自动识别技术。所提出的技术分类的基础上，他们的微多普勒签名的包络的手势。这些包络捕获不同的手运动之间的区别和它们相应的正和负的多普勒频率期间产生的每个手势动作。我们分别检测正负包络，并形成一个特征向量的增强。我们使用$k$ -最近邻（$k$ NN）分类器和曼哈顿距离（L1）度量代替欧几里得距离（L2），以便不减少小但关键的包络值。实验结果表明，该方法优于基于主成分分析（PCA）的低维表示技术和基于高斯窗傅立叶字典的稀疏重构技术，能够获得很高的分类率。
2019-02-07 eess.SP
DNN Transfer Learning from Diversified Micro-Doppler for Motion Classification
最近，深度神经网络（DNN）一直是射频（RF）信号分类的热门研究对象，例如合成孔径雷达（SAR）图像或微多普勒特征。然而，一个根本的挑战是由于测量所需的高成本和资源，通常只有少量的数据可用。小数据集限制了DNN可实现的深度，并限制了性能。在这项工作中，提出了一种使用基于Kinect的运动捕捉模拟生成多样化雷达微多普勒特征的新方法，作为DNN迁移学习的训练数据库。特别是，它表明，与残差学习一起，所提出的DivNet方法允许更深层次的神经网络的构建，并提供更好的性能相比，从光学图像的转移学习。此外，它示出，使用多样化的合成微多普勒签名初始化网络，使以前看不见的目标配置文件不仅具有鲁棒的性能，而且类泛化。结果7类和11类人类活动识别的情况下，使用4 GHz的连续波（CW）软件定义的雷达。
2018-11-20 eess.SP
Micro-Doppler Sensing for UAV Flight-State Estimation in ISAC Networks
Purdue University（普渡大学）；University of Houston（休斯顿大学）；Rutgers The State University of New Jersey（新泽西州立罗格斯大学）
本文针对现有ISAC无人机监测仅关注位置与速度的局限，提出OFDM-ISAC框架，利用微多普勒特征估计旋翼转速与轴方位，经仿真和实验验证了该方法的可行性。
2026-10-16 eess.SP
Doppler Invariant CNN for Signal Classification
University of Pennsylvania（宾夕法尼亚大学）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
针对现有模型依赖暴力多普勒增强导致训练效率低、可解释性差的问题，提出基于复数值层和自适应多相采样（APS）池化的多普勒不变CNN架构，在无多普勒频移样本训练下仍能对随机多普勒频移信号保持稳定分类精度，为信号分类提供可证明鲁棒性的不变性驱动框架。
2025-11-18 cs.LG eess.SP
A Novel Micro-Doppler Coherence Loss for Deep Learning Radar Applications
University of Strathclyde（斯特拉斯克莱德大学）
本文提出一种微多普勒相干性损失函数，通过匹配输入输出间微多普勒振荡分量的归一化功率优化模型，使深度学习雷达模型对噪声更具鲁棒性。
2024-04-12 cs.CV cs.LG eess.SP
Automatic Arm Motion Recognition Based on Radar Micro-Doppler Signature Envelopes
针对智能环境中的人机接口问题，提出了一种简单有效的基于多普勒雷达传感器的手臂运动自动识别方法。手臂代替手，具有更强的雷达截面，可以从相对较远的距离被识别。一个基于能量的阈值算法应用于频谱图提取微多普勒（MD）签名信封。正和负频率包络被连接以形成特征向量。然后使用具有曼哈顿距离（L1）的最近邻（NN）分类器来识别手臂运动。结果表明，这种简单的方法产生的分类精度超过97%的六类手臂运动。尽管它的简单性，所提出的方法是优于手工制作的基于特征的分类和低维表示技术的基础上的主成分分析（PCA），并与卷积神经网络（CNN）。
2020-07-15 eess.SP
UAV's Rotor Micro-Doppler Feature Extraction Using Integrated Sensing and Communication Signal: Algorithm Design and Testbed Evaluation
本文提出一种用于无人机微多普勒提取的新型ISAC帧结构与CSI表示方法，并设计rmD-NSP与SET算法分离并增强旋翼微多普勒特征，仿真与测试平台表明在0.1秒内成功捕获DJI M300 RTK旋翼八次旋转，特征完整性较现有算法提升60%。
2024-08-29 cs.ET eess.SP
Sensing with OFDM Waveform at mmWave Band based on Micro-Doppler Analysis
联合通信和传感（JCAS）技术被认为是6G网络的创新之一。基于第三代合作伙伴计划（3GPP）TR 38.901提出的信道模型，研究了毫米波（mmWave）频段采用正交频分复用（OFDM）波形的感知能力。基于微多普勒（MD）分析，我们提出了两个案例研究，即，风扇速度检测和人体活动识别，演示了微运动的目标建模、后向散射信号构造和使用28 GHz OFDM波形的MD特征提取。模拟签名展示了不同的风扇旋转或人体运动，并分析了影响MD签名提取的波形参数。仿真结果表明，所提出的建模和仿真方法的有效性，这也是为了方便各种JCAS应用程序的数据集的生成。
2023-03-29 eess.SP
Bistatic Micro-Doppler Analysis of a Vertical Takeoff and Landing (VTOL) Drone in ICAS Framework
本文在ICAS框架下，利用类OFDM信号和双基地配置测量并分析了VTOL无人机的微多普勒特征，证明其能精确区分起飞、降落、悬停、过渡和巡航等飞行模式。
2025-02-12 eess.SP
Modeling Micro-Doppler Signature of Multi-Propeller Drones in Distributed ISAC
Institute for Information Technology and Thuringian Center of Innovation in Mobility, Technische Universität Ilmenau（信息技术研究所与图林根移动创新中心，埃尔朗根-纽伦堡大学）
本文提出一种基于OFDM的双基地微多普勒模型，用于多螺旋桨无人机的微多普勒特征建模，通过改进薄线模型并结合OFDM信号，实现了对无人机旋转螺旋桨等微运动的高效建模与验证。
2025-09-10 eess.SP
Small Drone Classification with Light CNN and New Micro-Doppler Signature Extraction Method Based on A-SPC Technique
针对小型无人机分类，本文提出基于 A-SPC 技术的 FMCW 雷达 MDS 图像提取方法和轻量级 CNN，使总体分类准确率提升 10.00%，达到 97.14%。
2020-09-30 eess.IV eess.SP
Learning from Natural Noise to Denoise Micro-Doppler Spectrogram
近年来，微多普勒分析由于其增强分类策略的能力而变得越来越受欢迎。应用包括识别日常人类活动，区分无人机和鸟类，以及识别不同类型的车辆。然而，嘈杂的时间-频率频谱图可以显着影响分类器的性能，必须使用适当的去噪算法来解决。近年来，深度学习算法催生了许多基于深度神经网络的去噪算法。对于这些方法，噪声建模是最重要的部分，用于辅助训练。在本文中，我们分解的问题，并提出了一种新的去噪方案：首先，生成对抗网络（GAN）是用来学习噪声分布和相关性从现实世界的环境中，然后，模拟器是用来生成干净的微多普勒频谱图，最后，生成的噪声和干净的模拟数据相结合的训练数据，训练卷积神经网络（CNN）去噪。在实验中，我们定性和定量分析这一过程的模拟和测量数据。此外，从自然噪声中学习的思想可以很好地应用于其他现有的框架，并表现出比其他噪声模型更好的性能。
2021-02-13 eess.SP
Ambiguity-Resolved Micro-Doppler Construction for Asynchronous Bistatic Sensing
School of Electrical and Data Engineering, University of Technology Sydney（悉尼科技大学电气与数据工程学院）
针对双基地感知中收发器时钟异步问题，开发微多普勒构建框架，通过循环差分和设计流水线抑制残留副产物，解决镜像模糊，在大规模 WiFi 手势数据集上表现出色，准确率达 90.1% - 98.2%，优于基线。
2026-07-23 eess.SP
Deep Sequence Learning for Accurate Gestational Age Estimation from a $\$$25 Doppler Device
评估胎儿发育通常是通过超声成像等技术进行的，由于有效操作这些设备所需的成本、维护、技能和培训很高，农村地区通常无法获得这种技术。在这项工作中，我们提出了一个低成本的一维多普勒为基础的方法估计胎龄（GA）。使用智能手机从401例5至9个月GA的妊娠中收集多普勒时间序列。所提出的GA估计模型是基于序列学习，通过使用卷积长短期记忆网络形成时间依赖模型。从多普勒信号中提取时频特征，并在输入网络之前进行正则化。总的平均绝对GA误差相对于最后一次月经期被发现是0.71个月，这优于所有以前的作品。
2020-11-24 eess.SP
Formation Wing-Beat Modulation (FWM): A Tool for Quantifying Bird Flocks Using Radar Micro-Doppler Signals
本文发现鸟群雷达回波中的编队翼拍调制（FWM）效应，并基于X波段海鸥群数据验证其可用于估计鸟群数量与平均翼拍率。
2023-09-27 eess.SP
Micro-Doppler Energy-Based Robust Multi-Target Vital Signs Monitoring Using 77-GHz FMCW Radar with Spatiotemporal Adaptive Processing
本研究提出基于微多普勒能量的77-GHz FMCW雷达多目标生命体征监测框架，集成STAP、MUSIC算法及自适应谱滤波技术，可在5米内分离4个目标体征，抗噪和抗运动干扰性能优于传统相位法。
2025-10-22 eess.SP
Through-the-Wall Radar Human Activity Micro-Doppler Signature Representation Method Based on Joint Boulic-Sinusoidal Pendulum Model
School of Information and Electronics, Beijing Institute of Technology（北京理工大学信息与电子学院）；Jiaxing Research Center of Beijing Institute of Technology（北京理工大学嘉兴研究院）；Key Laboratory of Electronic and Information Technology in Satellite Navigation, Beijing Institute of Technology（北京理工大学卫星导航电子信息技术重点实验室）
针对隔墙雷达直接使用RTM和DTM存在特征冗余高及泛化差的问题，提出基于联合Boulic-正弦摆模型的人体活动微多普勒特征表示方法，通过计算最少关键点精确刻画肢体运动，显著提升了跨测试者泛化能力。
2024-08-22 cs.CV cs.LG eess.SP
FMNet: Latent Feature-wise Mapping Network for Cleaning up Noisy Micro-Doppler Spectrogram
University College London（伦敦大学学院）
微多普勒信号包含了大量的目标动态信息。然而，雷达感测系统容易受到噪声环境的影响，导致微多普勒频谱图上的不可解释的运动模式。同时，雷达回波信号往往受到多径、杂波和干扰的影响。这些问题导致的困难，例如运动特征提取，活动分类使用微多普勒签名（$μ$-DS）等，在本文中，我们提出了一个潜在的功能明智的映射策略，称为特征映射网络（FMNet），变换测得的频谱图，使它们更接近模拟在相同条件下的输出。该框架基于实测谱图和匹配的模拟数据，包含三个部分：编码器，用于提取潜在表征/特征;解码器，根据潜在特征输出重构谱图;判别器，用于最小化实测数据和模拟数据的潜在特征距离。我们使用六个活动数据和两个实验场景对FMNet进行了演示，最终结果显示出强烈的增强模式，并且可以最大程度地保留实际的运动信息。另一方面，我们还提出了一个新的想法，即只使用模拟数据训练分类器，并在使用FMNet清理后预测新的测量样本。从最终的分类结果中，我们可以看到显著的改进。
2021-07-09 cs.LG eess.SP
Range-Max Enhanced Ultra-Wideband Micro-Doppler Signatures of Behind Wall Indoor Human Activities
近年来，室内墙后人体活动的穿透检测与识别受到社会安全和应急服务部门的高度重视，因为智能监控可以在行动之前做出正确的决策。然而，由于壁面效应的影响，所获得的微多普勒特征信号会因强的近零频直流分量而严重退化，从而不可避免地模糊了不同壁面后运动的时频特征，进而影响了运动识别和分类。在本文中，超宽带（UWB）雷达系统首先采用探头通过不透明的墙壁检测墙后的运动，往往跨越一定数量的距离单元。通过采用这样的系统，可以获得高分辨率的距离图，其中嵌入的丰富的距离信息被期望充分利用，以提高后续的识别和分类性能。其次，应用高通滤波器来去除原始范围图中的墙壁效果。然后，为了增强TF图中不同壁后运动的特征，提出了一种新的距离最大值增强策略，以提取每个TF单元沿特定运动的所有距离单元的最显著微多普勒特征。最后，通过现场实验和对比分类验证了所提出的微多普勒特征增强策略的有效性。特征增强的TF图和分类结果表明，该方法优于其他国家的最先进的基于短时傅里叶变换（STFT）的TF特征提取方法。
2020-01-29 eess.SP
Bistatic Reflectivity and Micro-Doppler Signatures of Drones for Integrated Communication and Sensing
本文针对通信与感知一体化（ICAS）系统与传统雷达在配置、频段和波形上的差异，利用先进的BiRa测量系统，对无人机的双站反射率和微多普勒特征进行了测量与分析。
2024-03-08 eess.SP
Obfuscation of Human Micro-Doppler Signatures in Passive Wireless RADAR
针对无源无线雷达可通过人体微多普勒特征识别活动、造成隐私泄露的问题，提出向OFDM发射信号注入频率变化混淆特征的方法，设计两种不影响正常通信解调的策略，经IEEE 802.11系统与真实反射模型验证可行。
2023-03-06 cs.CR eess.SP
Generalizable Indoor Human Activity Recognition Method Based on Micro-Doppler Corner Point Cloud and Dynamic Graph Learning
School of Information and Electronics, Beijing Institute of Technology（北京理工大学信息与电子学院）；Jiaxing Research Center of Beijing Institute of Technology（北京理工大学嘉兴研究院）；Key Laboratory of Electronic and Information Technology in Satellite Navigation, Beijing Institute of Technology（北京理工大学卫星导航电子信息技术重点实验室）
针对穿墙雷达人体活动识别跨测试人员泛化性差的问题，提出结合DoG-μD-CornerDet角点提取、多项式拟合平滑滤波、三维点云构建与DGNN识别的方法，经实验验证具备强泛化能力。
2024-10-10 cs.AI eess.SP
Attention-Refined Unrolling for Sparse Sequential micro-Doppler Reconstruction
University of Padova（帕多瓦大学）
本文提出STAR神经网络，结合展开迭代硬阈值与注意力机制，从高度不完整的信道测量中重建人类运动微多普勒，显著优于现有技术，即使90%测量缺失也能实现满意的人类活动识别。
2024-02-05 cs.LG eess.SP
Real-Time Capable Micro-Doppler Signature Decomposition of Walking Human Limbs
Fraunhofer Institute for Manufacturing Engineering and Automation IPA（弗劳恩霍夫制造工程与自动化研究所）
人体运动的独特微多普勒特征（$\boldsymbolμ$ -D）可以被分析为不同身体部位$\boldsymbolμ$ -D特征的叠加。实时的【形】特征提取可以用于人体运动的检测、分类和跟踪，特别是安全应用。在本文中，两种方法相结合，以模拟$\boldsymbolμ$ -D签名的步行的人。此外，一个新的肢体$μ$ -D签名的时间无关的分解的可行性研究的基础上的功能作为$μ$ -D签名和距离像也被称为微距离（$μ$ -R）。步行的人体部位可以分为四类（基础，手臂，腿，脚）和决策树分类器。验证完成后，分类器能够分解$μ$ -D签名的四肢从一个行走的人签名实时的【形】基础上。
2017-11-25 cs.CV eess.SP
Pedestrian Recognition with Radar Data-Enhanced Deep Learning Approach Based on Micro-Doppler Signatures
University of Electronic Science and Technology of China (UESTC)（电子科技大学）
针对雷达微多普勒行人识别训练数据不足的问题，提出含RDGAN数据增强模块与MCNN+RBFNN多特征学习模块的DEMCL模型，准确率较现有研究提升3.33%-10.24%，运行速度快。
2023-06-14 cs.CV cs.LG eess.SP
Feature-Level Robustness of Physics-Guided Micro-Doppler Descriptors for classification of Drones and Birds
本文研究了十种统计和物理引导的特征在受控信号退化下的微多普勒分类性能，发现熵基和侧瓣特征在严重噪声下仍保持鲁棒性，为可解释雷达分类系统提供见解。
2026-04-14 eess.SP
Detection of sUAS in Urban Environments using Multi-Antenna Micro-Doppler Radar
University of Moratuwa（莫拉图瓦大学）；Florida International University（佛罗里达国际大学）；Arcane AI and Wireless LLC
研究城市环境中sUAS检测难题，提出基于连续波多输入多输出雷达和深度学习模型的方法，利用旋翼叶片微多普勒特征的谱相关密度作输入，实验证实在无直接视距条件下检测准确率达86.11% ，可行且有效。
2026-07-14 eess.SP
MDPose: Human Skeletal Motion Reconstruction Using WiFi Micro-Doppler Signatures
University College London（伦敦大学学院）
基于光学传感器的运动跟踪系统通常会遇到诸如照明条件差、遮挡、覆盖范围有限等问题，并且可能会引起隐私问题。最近，出现了使用商用WiFi设备的基于射频（RF）的方法，其提供低成本的无处不在的感测，同时保护隐私。然而，RF感测系统的输出，例如距离-多普勒频谱图，不能直观地表示人体运动，并且通常需要进一步处理。在这项研究中，MDPose，一个新的框架，用于人体骨骼运动重建的基础上WiFi微多普勒签名，提出。它通过重建具有17个关键点的骨架模型来提供跟踪人类活动的有效解决方案，这可以帮助以更容易理解的方式解释传统的RF感测输出。具体而言，MDPose具有各种递增阶段，以逐步解决一系列挑战：首先，实现去噪算法以去除可能影响特征提取的任何不需要的噪声，并增强弱多普勒签名。其次，应用卷积神经网络（CNN）-递归神经网络（RNN）架构从干净的微多普勒特征中学习时空依赖性并恢复关键点的速度信息。最后，姿态优化机制被用来估计的初始状态的骨架，并限制误差的增加。我们已经在各种环境中进行了全面的测试，使用单个接收器雷达系统使用许多主题来展示MDPose的性能，并报告所有关键点位置的平均绝对误差为29.4mm，优于最先进的基于RF的姿态估计系统。
2022-01-11 cs.CV eess.SP
Micro-Doppler Based Human-Robot Classification Using Ensemble and Deep Learning Approaches
Fraunhofer Institute for Manufacturing Engineering and Automation IPA（弗劳恩霍夫制造工程与自动化研究所）
雷达传感器可用于分析由于距离和速度维度中的微运动而引起的频率偏移，所述距离和速度维度分别被识别为微多普勒（$\boldsymbolμ$ -D）和微距离（$\boldsymbolμ$ -R）。不同的移动目标将具有可用于目标分类的唯一的$\boldsymbolμ$ -D和$\boldsymbolμ$ -R特征。这种分类可以用于许多领域，例如步态识别、安全和监视。在本文中，一个25 GHz的FMCW单输入单输出（SISO）雷达用于工业安全的实时人-机器人识别。由于实时性的限制，联合距离多普勒（R-D）地图直接分析我们的分类问题。此外，还比较了具有手工提取特征的传统经典学习方法、集成分类器和深度学习方法。对于集成分类器，重构的距离和速度轮廓被直接传递到集成树，例如梯度提升和随机森林，而无需特征提取。最后，使用深度卷积神经网络（DCNN），并且将原始R-D图像直接馈送到所构造的网络中。DCNN在单个R-D地图上识别人类和机器人的准确率高达99%。
2018-02-26 cs.CV eess.SP
Toward Unobtrusive In-home Gait Analysis Based on Radar Micro-Doppler Signatures
目的：在本文中，我们证明了雷达的步态分类的适用性，应用到家庭安全，医疗诊断，康复和辅助生活。针对基于雷达微多普勒特征的步态模式变化识别问题，研究了步态识别中的运动类别内分类问题。研究方法：新的步态分类方法，利用物理特征，子空间特征和谐波建模和他们的性能进行评估，使用实验K波段雷达数据的四个测试科目。每个人被认为是五种不同的步态类别，包括正常，病理和辅助行走。结果如下：所提出的方法优于现有的方法，基于雷达的步态识别，利用物理特征的节奏，速度数据表示域在本文中。分析的步态类正确识别的平均准确率为93.8%，其中98.5%的分类率是实现了一个单一的步态类。当应用于另一个人的新数据时，可以预期80%的分类准确度。结论：雷达微多普勒特征及其傅里叶变换非常适合捕捉步态变化。五种不同的步行风格被识别出具有高精度。意义：基于雷达的人体步态传感是一项新兴技术，在安全和医疗保健行业具有多方面的应用。我们表明，雷达，作为一种非接触式传感技术，可以补充现有的步态诊断工具的长期监测和再现性的考试。
2019-02-04 eess.SP
Micro-Vibration Modes Reconstruction Based on Micro-Doppler Coincidence Imaging
微振动是一种普遍存在的自然现象，可以看作是物体的一种特征，这些振动往往具有微小的幅度，远小于传感系统的波长，因此这些运动信息只能反映在回波的相位项中。常规的雷达系统通常可以通过时频分析来检测这些微振动，但这些振动的特征只能通过时-频谱来反映，不能精确地重构这些微振动的空间分布。鬼成像（GI）是一种新的成像方法，也被称为符合成像，起源于量子和光学领域，可以使用计算方法重建未知图像。为了重建微振动的空间分布，本文提出了一种基于符合成像系统的新方法。首先建立了目标微振动的详细模型，考虑到两类：离散和连续目标。基于复杂目标模型和时频分析，利用一阶场相关特征，得到目标不同的微振动分布。
2022-08-30 eess.SP physics.optics
Represent Micro-Doppler Signature in Orders
Beijing Institute of Technology（北京理工大学）
本文提出切比雪夫-时间图方法，利用多项式阶数表征微多普勒特征，以提高复杂环境中人体活动识别的准确性和效率。
2026-02-13 cs.CV eess.SP
Motion Classification using Kinematically Sifted ACGAN-Synthesized Radar Micro-Doppler Signatures
Siemens Corporate Technology（西门子企业技术部）；Center for Advanced Communications, Villanova University（维拉诺瓦大学高级通信中心）；University of Alabama（阿拉巴马大学）
深度神经网络（DNN）最近在需要对雷达回波进行分类的应用中受到了广泛关注，包括用于安全、智能家居、辅助生活和生物医学的基于雷达的人类活动识别。然而，由于雷达数据收集所需的高人力成本和资源，获取足够大的训练数据集仍然是一项艰巨的任务。在本文中，提出了一种扩展的对抗学习方法，用于生成适应不同环境的合成雷达微多普勒特征。使用视觉解释，分析运动学一致性，数据多样性，潜在空间的维度和显着性图的合成数据进行评估。一个基于主成分分析（PCA）的运动筛选算法，以确保合成签名是一致的物理上可能的人体运动。合成数据集用于训练19层深度卷积神经网络（DCNN），以对从与提供给对抗网络的数据集的环境不同的环境中获取的微多普勒特征进行分类。在包含多个方位角（0 °，30度，和45 °以及60 °），由于运动学筛选的结果，具有9%的改进。
2020-01-19 cs.LG eess.SP stat.ML
Near out-of-distribution detection for low-resolution radar micro-Doppler signatures
PSL University（巴黎文理研究大学）；Mines Paris（巴黎国立高等矿业学院）；Thales LAS France（法国泰雷兹机载系统公司）
近分布检测（OODD）的目的是区分语义相似的数据点，而无需分类所需的监督。本文提出了一个面向对象设计的雷达目标检测用例，可扩展到其他类型的传感器和检测场景。我们强调OODD的相关性和其具体的监督要求，在现实生活中的关键系统中的其他类似的雷达目标和杂波之间的多模态，多样化的目标类的检测。我们提出了一个比较深和非深OODD方法模拟低分辨率脉冲雷达微多普勒签名，同时考虑频谱和协方差矩阵输入表示。协方差表示的目的是估计专用的二阶处理是否适合于区分签名。讨论了标记异常在训练、自监督学习、对比学习见解和创新训练损失中的潜在贡献，并研究了错误标记造成的训练集污染的影响。
2022-07-05 cs.AI cs.LG eess.SP
Radar Human Motion Classification Using Multi-Antenna System
本文考虑室内雷达系统的人类活动分类。人的运动产生非平稳雷达回波，代表多普勒和微多普勒信号。微多普勒信号的时频（TF）分析可以通过精确地揭示各种运动身体部位的速度分量来辨别运动的细微变化。我们考虑使用TF为基础的机器学习方法，利用时间和空间自由度的活动监测雷达。所提出的方法捕捉不同的人的运动表示更生动地在联合变量数据域实现通过波束成形在接收器。使用四个接收天线在77 GHz下使用实时测量收集雷达数据，随后通过机器学习算法分析微多普勒特征，用于人类行走运动的分类。我们提出的多天线方法在分离和分类两个密切行走的人在相反的方向移动的性能。
2021-04-01 eess.SP
Characterization of Helicopter Rotor Blade Modulation in UHF and Microwave Bands
Technische Universität Berlin（柏林工业大学）；Fraunhofer Heinrich-Hertz-Institut, HHI（弗劳恩霍夫海因里希赫兹研究所）；Rohde & Schwarz GmbH & Co. KG（罗德与施瓦茨公司）
本文通过在UHF、C、Ka频段对3型军用直升机开展信道测量，分析旋翼叶片调制特性，建立阻塞衰减模型，其微多普勒特征可用于直升机分类与无源雷达应用。
2026-08-18 eess.SP
Second-Order Characterization of Micro Doppler Radar Signatures of Drone Swarms
该研究针对旋翼无人机蜂群的雷达回波信号，通过将旋翼朝向与转速设为随机变量推导二阶特征的ACF与PSD表达式，分析参数影响并给出确定性转速下的闭式解。
2025-07-31 eess.SP
Temporal Micro-Doppler Spectrogram-based ViT Multiclass Target Classification
Telecom Neural Detection Lab, Department of Electrical Engineering, Polytechnique Montr\' e al, Montreal, QC, Canada.
针对毫米波FMCW雷达微多普勒谱图的多类目标分类，提出T-MDS-ViT，通过处理RVA时空张量、移动感知约束等提升精度、数据效率与实时部署能力。
2025-11-14 cs.AI cs.LG eess.SP
Robustness of Deep Neural Networks for Micro-Doppler Radar Classification
University of Strathclyde（斯特拉斯克莱德大学）
本文研究深度卷积网络在微多普勒雷达分类中的鲁棒性，发现标准训练易受时间偏移和对抗样本影响，提出通过对抗训练与时间增强提升泛化能力，并证明步频-速度图表示天然更具对抗鲁棒性。
2024-02-22 cs.CV cs.LG eess.SP
Personal Identification Using Ultrawideband Radar Measurement of Walking and Sitting Motions and a Convolutional Neural Network
本研究提出一种基于超宽带雷达与双层卷积神经网络的个人身份识别技术，通过对6名参与者的步行、坐姿动作雷达回波做时频分析生成含微多普勒分量的语谱图，训练网络实现识别，实验验证了其有效性。
2020-08-05 eess.SP
Multi-Person Continuous Tracking and Identification from mm-Wave micro-Doppler Signatures
在这项工作中，我们研究了使用后向散射毫米波无线电信号的联合跟踪和识别的身份的人，因为他们在室内环境中移动。我们建立了一个系统，有效地与多个人同时共享和自由移动在同一室内空间。这导致复杂的设置，这需要处理所得到的（复合）反向散射信号的随机性和复杂性。所提出的系统结合了几个处理步骤：首先，对信号进行滤波，以去除不源自人类的伪影、反射和随机噪声。因此，执行基于密度的分类算法以分离不同用户的多普勒特征。最后的模块是轨迹跟踪和用户识别，分别基于卡尔曼滤波器和深度神经网络。我们的研究结果表明，最后提到的处理阶段的整合是至关重要的，实现多用户设置的鲁棒性和准确性。我们的技术在一个单目标公共数据集上进行了测试，它优于最先进的方法，并在我们自己的测量上进行了测试，该测量是用77 GHz雷达对在两个不同室内环境中同时移动的多个对象进行的。该系统以在线方式工作，允许连续识别多个主题，准确率高达98%，例如，其中四个受试者共享相同的物理空间，并且当使用来自具有挑战性的现实生活场景的未见过的数据进行测试时，准确性略有下降，而这些数据不是模型学习阶段的一部分。
2021-02-18 eess.SP
Detection of Gait Asymmetry Using Indoor Doppler Radar
多普勒雷达系统能够对室内的人体运动进行不显眼和隐私保护的长期监测。特别是，一个人的步态可以提供有关其健康状况的重要信息。利用微多普勒签名，我们表明，雷达是能够检测两条腿，这导致在不对称步态的步运动之间的微小差异。基于图像和物理特征提取的雷达回波信号的几个人，包括四个人不同的诊断步态障碍。结果表明，步态不对称正确检测的概率很高，无论潜在的病理，至少一个运动方向。
2019-02-26 eess.SP
A manifold learning approach for gesture recognition from micro-Doppler radar measurements
Hawkeye 360（鹰眼360）；Claremont Graduate University（克莱蒙特研究生大学）；Pomona College（波莫纳学院）
最近的一篇论文（神经网络，{ \bf 132}（2020），253-268）介绍了一种直接和简单的基于核的流形学习近似，不需要关于流形的任何知识，除了它的维度。在本文中，我们研究如何使用最小二乘优化近似的逐点误差类似本地化的内核依赖于数据的特性和恶化，因为一个远离训练数据。该理论提出了一个抽象的本地化内核，它可以利用任何先验知识的数据位于一个未知的子流形的已知流形。我们展示了我们的方法使用公开的微多普勒数据集的性能，并调查使用不同的预处理措施，内核和流形尺寸。具体而言，它表明，在上述论文中介绍的本地化内核与PCA组件一起使用时，导致接近竞争的性能，以深度神经网络，并提供了显着的改进，在训练速度和内存要求。为了证明我们的方法对领域知识是不可知的，我们在一个简单的视频数据集中研究了分类问题。
2022-04-21 cs.LG cs.NA eess.SP
ST-DDA: Dynamic Channel Estimation in the Doppler-Delay-Angle Domain via Sparse Subspace Tracking for TDD Systems
Peking University（北京大学）
针对跳频TDD系统全频段信道获取难题，提出ST-DDA框架，利用多普勒域能量集中及窗口重叠特性，采用交替子空间等方法，在DDA域重建最新时隙，实验证明其相比基线在长探测间隔等情况下重建更优且单时隙运行时间相当。
2026-07-23 eess.SP
SPARCS: A Sparse Recovery Approach for Integrated Communication and Human Sensing in mmWave Systems
使用毫米波（mmWave）设备检测和分类人体运动的一种成熟方法是对不同身体部位的小尺度多普勒效应（称为微多普勒）进行时频分析，这需要对信道脉冲响应（CIR）进行规则间隔和密集采样。目前在文献中，这是使用专用雷达传感器或中断通信来传输专用感测波形来完成的，这需要高开销和信道利用率。在这项工作中，我们提出了SPARCS，一个集成的人类传感和通信解决方案的毫米波系统。SPARCS是第一种从不规则和稀疏的CIR样本中重建高质量的人体运动特征的方法，例如在通信流量模式期间获得的特征。为了实现这一点，我们制定的微多普勒提取稀疏恢复问题，这是至关重要的，使通信和传感之间的平滑集成。此外，如果需要的话，我们的系统可以无缝地注入短CIR估计字段到信道中时，通信流量是不存在的或不足的微多普勒提取。SPARCS有效地利用了毫米波信道的固有稀疏性，从而相对于可用方法大幅降低了感测开销。我们在IEEE 802.11ay软件定义无线电（SDR）平台上实现了SPARCS，该平台工作在60 GHz频段，收集符合标准的CIR轨迹，与真实WiFi接入点的流量模式相匹配。我们的研究结果表明，SPARCS获得的微多普勒签名使一个典型的下游应用，如人类活动识别与现有方法相比，开销降低了7倍以上，同时实现了更好的识别性能。
2022-05-06 eess.SP
Synthetic Aperture Radar Doppler Tomography Reveals Details of Undiscovered High-Resolution Internal Structure of the Great Pyramid of Giza
合成孔径雷达（SAR）的一个问题是，由于电磁波在固体内部的穿透作用差，排除了观察内部分布目标的能力。在这些条件下，成像作用仅在分布目标的表面上提供。本工作描述了一种成像方法的基础上的Khnum-Khufu金字塔，这通常是由背景地震波产生的微运动的分析。所获得的结果被证明是非常有前途的，因为金字塔的内部和地下的高分辨率全三维断层成像实现。当在微运动域中观察时，Khnum-Khufu变得像晶体一样透明。基于这种新颖性，我们完全重建了内部物体，观察和测量了以前从未发现的结构。通过对意大利第二代COSMO-SkyMed卫星系统的一系列SAR图像进行处理，验证了该方法的有效性。
2022-08-01 eess.SP
Wireless Propagation Parameter Estimation with Convolutional Neural Networks
本文提出结合多通道加窗预处理与CNN的准无网格方法，从信道冲激响应中联合估计未知路径数及时延、多普勒参数，并集成到最大似然框架以提升精度。
2025-06-30 eess.SP
Doppler Invariant Demodulation for Shallow Water Acoustic Communications Using Deep Belief Networks
Singapore University of Technology and Design (SUTD)（新加坡科技设计大学）；Thales Solutions Asia Pte Ltd（泰雷兹亚洲解决方案私人有限公司）
浅水环境为通信创造了具有挑战性的通道。在本文中，我们专注于所带来的挑战的频率选择性信号失真称为多普勒效应。本文研究了基于机器学习（ML）的浅海水声通信（SWAC）物理层解调方法--（1）深度置信网络-前馈神经网络（DBN-NN）和（2）深度置信网络-卷积神经网络（DBN-CNN）的设计和性能。所提出的方法包括基于ML的特征提取方法和分类技术。首先，特征提取将接收到的信号转换为特征图像。接下来，分类模型将图像与对应的二进制表示相关联。基于ML的解调分析表明，尽管存在瞬时频率，该算法的性能表现出一个小的误比特率（BER）方面的2dB的误差容限的不变性。
2019-09-05 cs.LG cs.SD eess.SP
Activity-dependent resolution adjustment for radar-based human activity recognition
School of Electrical and Electronics Engineering, Pusan National University（釜山大学电气与电子工程学院）
本文提出了一种基于活动特征自适应调整雷达分辨率的方法，以提高人体活动识别的准确率。
2025-12-22 eess.SP
Estimating the Magnitude and Phase of Automotive Radar Signals under Multiple Interference Sources with Fully Convolutional Networks
University Politehnica of Bucharest（布加勒斯特理工大学）；University of Bucharest（布加勒斯特大学）
雷达传感器正逐渐成为道路车辆广泛使用的设备，在自动驾驶和道路安全方面发挥着至关重要的作用。雷达传感器的广泛采用增加了来自不同车辆的传感器之间相互干扰的机会，产生了损坏的距离剖面图和距离-多普勒图。为了从距离-多普勒图中提取多个目标的距离和速度，需要消除影响各目标距离像的干扰。在本文中，我们提出了一种用于汽车雷达干扰缓解的全卷积神经网络。为了在真实世界的场景中训练我们的网络，我们引入了一个新的数据集的现实汽车雷达信号与多个目标和多个发射器。据我们所知，我们是第一个在汽车雷达领域应用权重修剪的人，与广泛使用的dropout相比，我们获得了更好的结果。虽然之前的大多数工作都成功地估计了汽车雷达信号的幅度，但我们提出了一个可以准确估计相位的深度学习模型。例如，我们的新方法将相位估计误差相对于通常采用的调零技术减少了一半，从12.55度到6.58度。考虑到汽车雷达干扰缓解数据库的缺乏，我们将我们的大规模数据集作为开源发布，该数据集密切复制了多个干扰情况下的真实汽车场景，允许其他人客观地比较他们在该领域的未来工作。我们的数据集可在http://github.com/ristea/arim-v2下载。
2021-11-06 cs.CV cs.LG eess.SP
A Study on MIMO Channel Estimation by 2D and 3D Convolutional Neural Networks
Ben Gurion University（本·古里安大学）
在本文中，我们研究使用卷积神经网络（CNN）估计任务的多输入多输出正交频分复用（MIMO-OFDM）信道估计（CE）。具体地，CNN估计器对参考信号的信道值进行插值，以估计完整OFDM资源元素（RE）矩阵的信道。我们设计了一个基于U网的二维CNN结构，和一个用于处理空间相关性的三维CNN结构。我们研究了各种CNN架构对根据5G NR标准生成的不同数据集的性能，特别是研究了空间相关性、多普勒和参考信号资源分配的影响。然后将CE CNN估计器与MIMO检测算法集成，以测试它们对系统级误比特率（BER）性能的影响。
2020-11-12 cs.LG cs.SY eess.SP
