买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山东大学;山东青橙数字科技有限公司申请的专利基于毫米波雷达多普勒特征的活动识别系统及方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120370282B 。

龙图腾网通过国家知识产权局官网在2025-09-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510869104.4，技术领域涉及：G01S7/41；该发明授权基于毫米波雷达多普勒特征的活动识别系统及方法是由许宏吉;徐祗凯;于永辉;任启迎;王春鹏;司景华;段玉鹏;李毅然;王认桌;田配泉设计研发完成，并于2025-06-26向国家知识产权局提交的专利申请。

本基于毫米波雷达多普勒特征的活动识别系统及方法在说明书摘要公布了：本发明公开基于毫米波雷达多普勒特征的活动识别系统及方法，涉及雷达信号处理与人工智能技术领域，其特征在于，包括依次连接的人体行为雷达采集模块、人体行为信息传输模块、人体行为信息预处理模块、微多普勒特征提取模块、数据分类识别模块和人体行为信息应用模块：所述人体行为信息采集模块用于采集目标区域内的反射信号，采用毫米波雷达发射高频毫米波信号，通过接收从人体表面反射回来的信号，获取人体动作的信息；所述人体行为信息传输模块用于将采集的用户的行为数据传输至边缘设备或云服务器。

本发明授权基于毫米波雷达多普勒特征的活动识别系统及方法在权利要求书中公布了：1.一种基于毫米波雷达多普勒特征的活动识别系统的识别方法，其特征在于，包括以下步骤： S1：人体行为数据采集； S2：人体行为数据传输； S3：人体行为数据预处理； S4：微多普勒特征提取与识别； 将S3预处理后的微多普勒图分批次输入到识别模型当中，经过训练得到全连接层分类器； 全连接层分类器包括依次连接的GlobalAvgPool2D二维全局平均池化层和Linear线性层； S5：损失函数计算与网络更新； 在S4中，微多普勒特征提取模块通过前向传播生成特征向量，并将其输入到数据分类识别模块中进行处理，为了实现高效的训练和优化，采用交叉熵损失函数作为主要优化目标，同时结合Adam优化器对模型参数进行更新，具体而言，交叉熵损失函数用于衡量模型预测概率分布与真实标签之间的差异，其数学表达形式如式（1）所示： （1）； 其中：表示交叉熵损失值，为类别总数，为真实标签的独热编码向量，为模型预测的概率分布； 在每一轮训练过程中，数据以批次的形式输入模型微多普勒特征提取模块，每个批次的数据量设为B，且B为小于总数据量的任意正整数，Adam优化器根据当前批次的梯度信息动态调整学习率，从而高效地更新模型参数，Adam优化器的核心思想是结合动量法和自适应学习率的优点，其参数更新规则如式（2）、式（3）、式（4）和式（5）所示： （2）； （3）； （4）； （5）； 其中：表示迭代步数，表示当前批次的梯度，和分别为梯度的一阶矩估计和二阶矩估计，和是对原始一阶矩和二阶矩估计的偏差纠正项，和为指数衰减率，为初始学习率，为防止除零的小常数，为模型参数； S6：确定阈值与分类判别输出； 在微多普勒特征提取模块训练完成后，对已知类别的特征向量进行中心均值统计，并以此设定可信度阈值，用于输出时判断预测结果的可靠性，首先对每个类别的特征向量集合进行处理，计算其类别中心均值向量，如式（6）所示： （6）； 其中：表示类别的中心均值向量，为类别中样本的数量，表示类别中第个样本在特征空间中的特征向量； 进一步计算每个类别中所有样本到其类别中心均值的距离，并统计这些距离的均值和标准差，分别记为和，如式（7）和式（8）所示： （7）； （8）； 其中：表示特征向量到类别中心均值的欧几里得距离； 为了设定可信度阈值，采用距离均值加上一定倍数的标准差来定义每个类别的可信范围，如式（9）所示： （9）； 其中：表示类别的可信度阈值，为超参数； 在模型推理阶段，对于输入样本，模型首先预测其所属类别，然后计算该样本到预测类别中心均值的距离，该距离小于或等于对应的可信度阈值，则认为预测结果可靠；否则，认为预测结果不可信，属于未知类别或需要进一步确认； 步骤S7：判别输出结果应用； 封闭集输出的结果和开放集输出的结果实时传输到相应的应用平台； 所述S4的具体实现过程如下： S41：数据下采样； 将S34输入的微多普勒特征图首先通过数据下采样模块进行处理，以降低其空间分辨率并扩展通道数，该过程表示为式（19）： （19）； 其中：表示数据下采样模块的输出，是高斯误差线性单元，表示输入的特征图，表示用于下采样的块大小，函数的输入分别为特征图、卷积核大小和步长； S42：微多普勒特征提取； 经过S41处理之后的数据传到四个相同的阶段进行逐层特征提取，每个阶段由掩码拼接模块、二维最大池化以及卷积线性门控单元依次连接组成，该过程表示为式（20）： （20）； 其中：表示该阶段的输出，表示卷积线性门控单元的操作，表示掩码拼接单元的操作，表示二维最大池化操作； 经过四个阶段的逐层处理后，输入的特征图被转换为高层次的特征表示，用于最终的分类或回归任务，表示为式（21）所示： （21）； 其中：表示提取到的高层次特征，是经过数据下采样模块处理后的初始特征图；表示经过四个阶段处理的操作； S43：分类识别； 所述S42的具体实现过程如下： S421：掩码拼接单元； 掩码拼接单元通过多阶段特征融合捕获时空特征，并强化对关键区域的感知能力，设输入特征图为，首先采用卷积核且步长为1的深度卷积层提取基础特征，经批量归一化后得到中间特征，自适应掩码机制通过动态生成的二值掩码矩阵对实施区域遮蔽，其过程如式（22）所示： （22）； 其中：为可学习的缩放因子，掩码矩阵由初始掩码率控制生成； 遮蔽后的特征经多层感知机压缩后与原始输入进行特征加和，生成增强特征如式（23）所示： （23）； 其中：表示多层感知机，是一种前馈神经网络结构，用于对输入数据进行非线性变换； 最终模块输出通过沿通道维度拼接原始输入与增强特征实现，如式（24）所示： （24）； 其中的自适应掩码生成机制，原理如式（25）和式（26）所示： （25）； （26）； 其中：表示初始掩码向量，其长度等于初始分辨率，随机排列函数用于对中的元素进行随机打乱，用于将一维向量重新调整为与目标特征图相同形状的矩阵； S422：卷积线性门控单元； 卷积线性门控单元通过跨通道交互增强特征表达能力，输入特征分别经两个独立线性层与投影后，其中一支路通过3×3深度卷积提取空域特征，并与另一支路的门控权重逐元素调制，生成隐式抽象特征，如式（27）所示： （27）； 其中：为高斯误差线性单元，表示3×3，步长为1的深度卷积，为元素级相乘，该特征经二次深度卷积与线性变换后，与原始输入实施三重加和运算，如式（28）所示： （28）； 其中：为线性层，为元素级相加，表示卷积线性门控单元的输出。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东大学;山东青橙数字科技有限公司，其通讯地址为：250013 山东省济南市历下区山大南路27号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。