一、超宽带雷达信号的分类及表示方法（论文文献综述）
齐芮[1]（2021）在《基于多传感器的动作识别、多目标识别及室内定位算法研究》文中提出伴随着信息化时代的不断进步,电子技术飞速发展,以雷达为代表的非接触式传感器进入了人们的视野。通过分析雷达接收的电磁波,我们可以发现目标并获得其位置、运动方向、速度等信息。不仅如此,搭配着特定的雷达信号处理算法,我们可以将雷达应用得更宽、更广,如人体动作识别、多目标识别和室内定位等。本文对雷达信号处理算法展开研究,主要的研究内容和创新点如下:（1）提出了一种基于多分类结构的超宽带雷达人体动作识别算法。本算法包括三部分:首先,使用k-近邻（kNN）算法对预处理后信号的径向特征进行分类从而识别受试者的径向位移方向;然后,使用提出的功率谱特征提取算法和多普勒频移特征提取算法提取和可视化在第一部分中已分类数据的特征;最后,将从第二部分得到的特征谱图送入卷积神经网络（CNNs）进行训练和测试以实现人体动作的分类识别。为了验证所提出算法的性能,包含1 5个人（每人12种动作）的数据集被创建,并使用五折交叉验证计算识别准确率。结果表明,对受试者径向位移方向进行判断的平均准确率达99%,对受试者动作种类进行判断的平均准确率达98%。实验证明,本算法能在人体日常动作中实现较高的识别准确率且在多种测试环境下是可行的。（2）提出了一种基于整体信号模式的超宽带雷达多目标识别算法。本算法包括三部分:首先,对雷达原始回波信号进行预处理去除背景和空间杂波并进行距离补偿;然后,基于UWB信道模型利用簇特征提取的方法提取信号模式特征;最后,利用k-近邻（kNN）算法对信号模式特征进行分类。为了验证所提出算法的性能,包含0-5人的场景数据集被创建,并使用五折交叉验证计算识别准确率。结果表明,在较空旷的室内环境中本算法的平均人数统计准确率在90%以上。实验证明,本算法的计算复杂度较低且在多种测试环境下对区域内的人员数量进行检测是可行的。（3）提出了一种基于毫米波调频连续波雷达的室内定位算法,本算法包括三部分:首先,利用背景频谱相减法和MTI算法滤除背景噪声;然后,分别利用距离FFT、速度FFT、角度FFT对目标距离、速度、角度信息进行检测;最后,将得到的距离、速度、角度信息进行整合并在方位图中标识。为了验证所提出算法的性能,用测量工具对真实距离、角度信息进行测量,并与雷达探测结果进行对比。结果表明,在较空旷的室内环境中本算法的单目标定位平均距离误差在10cm以内,角度误差在5°以内。
王国强[2]（2021）在《超宽带雷达与多重分类算法相结合的呼吸与心跳监测方法》文中研究说明基于超宽带雷达的非接触式生命体征监测系统是将雷达技术应用于生物监测领域,其目的是通过非接触方式获取目标人体的呼吸和心跳频率。在新冠肺炎全球蔓延的大背景下,医院各方都在寻求更为有效与安全的监测手段,而基于超宽带雷达的非接触式生命体征监测系统,在保护病人生命安全的同时,也为前线医疗人员提供安全保障,集合了高效、安全的监测特征,不仅应用于防疫医疗监测,也适用于慢性病患者或老人居家呼吸心跳等健康体征监测,势将成为广受欢迎的监测手段。本文主要搭建了超宽带雷达监测系统,对超宽带雷达模块以及超宽带雷达天线进行选型,根据它们的性能参数,选出合适的超宽带雷达模块以及超宽带雷达天线,从而建立起超宽带雷达生命体征监测系统。在此基础之上,根据呼吸运动、心跳运动与胸腔起伏的联系,建立生命体征信号仿真信号。提出了MUSIC算法在超宽带雷达生命体征监测系统的应用,并通过仿真信号验证了MUSIC算法的可行性。对雷达回波进行信号的处理,去除雷达回波中的噪声、杂波等影响因素,为后续实验的展开提供较为纯净的含有生命体征信息的信号。接着进行超宽带雷达天线的实验验证和生命体征提取算法的实验验证,分别在正常环境和复杂环境下进行生命体征监测实验。超宽带雷达天线主要是选取了全向超宽带雷达收发天线、30度定向超宽带雷达收发天线、90度定向超宽带雷达收发天线,通过设置0.8m、1.0m、1.2m、1.4m、1.6m、1.8m六种实验距离,三种天线分别在六种距离上进行实验,得到目标人体生命体征回波图的波形以及运用MUSIC算法和傅里叶变换得到的呼吸心跳的频谱图,进行对比,最终选取合适的超宽带雷达天线,以及验证MUSIC算法的可行性。
杨成浩[3]（2021）在《基于超宽带信号的土壤特征与数据挖掘研究》文中提出超宽带（UWB,Ultra Wide Band）雷达传感器由于雷达带宽高,在农业中具备很强的土壤距离分辨率,目标穿透能力和抗干扰能力优势,已在农业土壤动态信息的实时获取和综合处理中得到广泛的应用。本文就超宽带雷达信号中的土壤特征参数信息提取问题提出了两种土壤特征分类算法和两种土壤特征预测算法。利用机器学习和信号处理算法从超宽带雷达信号的时域、频域和特征空间三个角度对信号进行特征提取,建立了信号与土壤特征之间的映射关系,并通过实验验证了算法在不同信噪比、标签噪声以及特征维度下的最优算法。主要工作内容总结如下:1、本文提出了UWB-LSTM和UWB-GRU土壤含水量分类算法,达到了可以无需进行超宽带雷达土壤信号特征提取即可对五种具有不同的超宽带土壤回波信号进行土壤体积含水量分类的目的。该算法利用了UWB土壤信号作为时间序列样本数据的特点,通过挖掘信号前后数据点之间的相关特性与土壤特征参数之间的关系,结合两种循环神经网络对土壤回波信号进行了分类。本文针对两个模型在分类效果、模型收敛速度和模型泛化能力三个方面的特点,就两个模型在实测量和数据中的表现情况进行了综述和分析。仿真结果显示,UWB-GRU算法的分类精度和准确率优于UWB-LSTM,但是UWB-LSTM模型的泛化能力优于UWB-GRU模型。2、本文提出了一种基于置信学习的改进逻辑回归算法,该算法针对超宽带雷达土壤信号中可能存在的错误标签会影响模型的分类效果这一问题,达到了提高算法分类准确率的效果。该算法将置信学习方法应用于逻辑回归模型,通过对标签噪声概率进行估计发现可能的错误标签。另外,本文在不同信噪比下,对比了基于置信学习的逻辑回归模型和一般逻辑回归模型的分类精度。仿真分析表明,在信号自身和信号标签中均存在噪声的情况下,基于置信学习的改进逻辑回归算法在分类准确率上有较大的提升。3、提出了一种WPT-SVM土壤特征参数预测算法,该算法以小波包变换为基础（WPT,wavelet packet transform）提取了超宽带土壤回波信号的频域能量特征,该特征为不同土壤特征的超宽带雷达信号在不同频率分段上的能量占比。同时以支持向量机（SVM,support vector machine）为基础建立了超宽带土壤回波信号的土壤p H值和土壤含水量预测模型。当对土壤超宽带回波进行6层Dmeyer小波包处理后,算法的p H预测性能达到最佳;分解层数达到7层时,土壤VWC预测效果达到最佳。4、提出了一种基于主成分分析（PCA,Principal Component Analysis）和集成学习方法的土壤特征参数预测模型,实现了土壤特征参数的智能化提取。本文实现算法预测效能在不同的特征维度和信号噪声条件下的考察。PCA+bagging、PCA+randomforest、PCA+adaboost和PCA+gradientboost算法中,PCA+randomforest的预测效果和抗噪性能均优于其余三种模型。另外,利用集成学习算法集成多个弱学习器的特点,对上一章中的小波包分解得到的能量特征谱进行分析,对各频段的信号能量对土壤p H预测的重要程度排序。使用三种集成模型（随机森林、决策树和gradientboost模型）分析得出结论,超宽带土壤信号与p H值相关的信息主要集中在信号的3.84-4.10GHz频域范围内。本文在传统信号处理算法之上,利用机器学习强大的数据拟合能力,从信号频域、信号时域、特征空间三个角度对信号进行特征提取,建立了土壤特征参数与超宽带雷达信号之间的映射关系。针对土壤p H值与体积含水量预测、在信号噪声环境下进行土壤特征的分类与预测任务提出了解决方案。
周世镒[4]（2021）在《基于超宽带雷达的老年人室内跟踪与日常活动能力评估》文中认为人口老龄化为世界各国带来挑战的同时,也推动了环境辅助生活概念的产生与智慧养老事业的发展。建立基于环境和生物智能感知的室内日常生活监测系统可以将老年人的身体情况及时反馈给远程家属,从而实现辅助照护。为避免摄像头和可穿戴设备等传统感知方式造成的隐私暴露和身体侵入感,超宽带雷达不失为一种选择。本研究借助超宽带雷达实现室内人体目标检测与跟踪、动作识别、运动参数提取以及初步的日常活动能力评估,主要工作如下:1.针对人体目标的多点散射和距离扩展特性,提出采用基带信号进行目标检测,有效减少量测数目、数据存储空间和算法处理时间,进一步提升实时性;2.根据目标检测结果,提出量测凝聚和跳窗起始方法,确定目标个数及各自的初始状态,并分别实现了单目标和多目标的跟踪。轨迹更新时间为0.1 s,跟踪的均方根误差小于0.3 m;3.针对现有日常活动能力评估工具的应用局限性,建立SWS评估工具——采用单次坐下、3 m行走和单次下蹲三项动作的完成时间进行评估,具体过程包括动作识别和运动参数提取两个阶段;4.在动作识别阶段,基于人体动作对雷达信号产生的多普勒效应,将信号转换为时序-距离-多普勒谱图,通过卷积自编码器提取特征,利用QRNN进行时序建模。该网络模型对室内常见8种动作的识别准确率为96.58%,并且在推理时间上存在优势;5.在运动参数提取阶段,对于下蹲和坐下,将雷达信号转换为时间-多普勒谱图,基于速度约束实现动作持续时间提取。对于行走,联合时间-多普勒谱图和目标跟踪轨迹综合判断,输出实际位移3 m所需的时间。最终以SWS评分标准来反映日常活动能力。
牛昊[5]（2020）在《基于多普勒雷达的家用非接触式生命体征监测系统研究》文中研究说明随着生活节奏的不断加快,突发性心脏疾病引起的猝死事件屡见不鲜,最佳救治时间往往只有短短的几分钟。应对这类突发性疾病,最好的解决办法就是对心跳呼吸等体征信息进行监测,有针对性的提前预警。目前市面上有很多监测仪器,但大多不适合长时间监测,接触式测量还会影响生活质量。本文设计了一种用于家庭的多普勒雷达生命体征监测系统,实现对人体心跳、呼吸以及睡眠状态的监测。针对雷达信号中噪声和杂波干扰的问题,分析人体轻微体动对呼吸心跳信号的影响,判断在选定的时间窗内是否发生人体体动;通过自相关检测提高信号在低信噪比下的准确性,提高系统的抗噪能力;设计数字滤波器结合短时傅里叶变换对信号进行时频分析提取心跳呼吸频率信息。为了实现人体睡眠状态准确分期,针对非接触方式提取HRV特征参数精度低的问题,提出了基于BPFP的HRV分析算法。在心跳频率估计的基础上,通过窄带滤波器组输出信号的过零点检测提取IBI信息计算HRV特征,结合心率呼吸体动等特征参数,选择基于支持向量机的方法进行睡眠分期。在对支持向量机进行性能优化方面,针对传统粒子群算法精度不足,陷入局部最优等缺点,根据候选解空间适应度情况,动态选择惯性权值,加入自适应变异算子提高多样性,保证粒子群算法的全面寻优能力。实验数据表明,改进算法下的SVM模型相比于GA、PSO、BP算法分类精度更高,可达到91.24%的分期准确率。最后建立基于IWR1642毫米波多普勒雷达的生命体征监测系统,通过雷达前端和信号处理模块完成心跳呼吸信息检测,通过实验对比,验证了系统监测的准确性,能够为个人健康状态评估提供有效的数据参考。
张怡[6]（2020）在《基于UWB雷达的多功能应用算法研究》文中研究说明近年来,家庭环境中的健康和安全管理问题越来越成为人们关注的焦点。而超宽带（Ultra Wide Band,UWB）雷达随着其技术的发展在军事和民用领域应用广泛,特别是在医疗保健和安全防护等方面受到研究者的青睐。相对于其他类型的雷达来说,UWB雷达具有低功耗、抗干扰、强穿透能力和高距离分辨力等特点,在微小信号的捕捉和目标识别等应用中有较大优势。因此本文使用UWB雷达针对家庭环境下的非接触式生命体征检测算法和多目标识别算法进行研究,并针对以上两种算法应用设计了家庭健康安全数据管理系统,主要的研究内容和创新点如下:1.提出一种应用于非接触式生命体征检测的谐波倍数循环检测（Harmonic Multiple Loop Detection,HMLD）算法。该算法主要采用二次谐波与基波的倍数关系以及循环频谱更新操作来提取雷达回波信号中的呼吸和心跳频率。此外本文将HMLD算法与三种现有算法进行算法对比实验。实验结果表明HMLD算法在误差率低于5.83%的情况下不仅缩短了算法检测时间还降低了对环境和雷达设备的要求。最后本文将HMLD算法应用于实时生命体征检测系统中,实现了实时获取人体呼吸心跳频率和位置信息的功能。2.针对多目标识别应用的滤波处理和分类需求,本文引入多种雷达信号处理算法,并与深度学习相结合实现了 0-5人的运动目标识别功能。在对UWB雷达模块收集到的原始数据集进行多种预滤波处理的基础上,将去除了大部分背景杂波和噪声的回波数据生成图像集分别送入4种神经网络结构中进行训练和测试。4种神经网络的识别准确率均达到90%以上,其中VGG19网络的准确率为97.9%。实验结果证明本文使用的多目标识别算法能够较好地实现多目标识别的功能。3.使用Web技术完成基于以上算法应用的家庭健康安全数据管理系统设计。该系统主要包括账户管理、用户个人信息管理、家庭群组信息管理、健康数据的记录和展示以及健康知识推送等功能。此外本文对该系统进行了功能测试和性能测试,结果表明该系统能够满足目前家庭环境下的健康安全数据管理的使用需求。
余艺博[7]（2020）在《基于超宽带雷达网的室内多目标追踪研究与实现》文中指出室内目标位置信息的准确获取是当前基于位置服务的重要研究内容。拥有低功耗,高分辨率,高穿透力和强抗干扰能力的超宽带雷达因其能够真正实现无接触式的目标信息获取而备受关注。然而,想要将其付诸于实践应用却依然存在着种种挑战:单一雷达视距受限难以获得全面信息;室内环境封闭,墙壁和饰品等物体会对信号产生干扰;目标物体之间互相遮挡,致使信号的接收受到严重影响。因此本文将利用超宽带雷达网对室内多目标追踪问题进行研究。首先,本文从室内环境特点和超宽带雷达的结构原理入手,分析其信号种类、特点、以及信号的传播过程。其次,本文对于超宽带雷达信号处理流程中的杂波抑制和目标检测两部分进行了详细讨论,阐明不同算法在室内环境中应用的优劣势并且提出了一种两步式的CLEAN算法,该算法基于密度对目标检测结果做进一步筛选,能够有效的优化超宽带雷达对于较远距离目标的探测效果。再次,提出了一种结合聚类的多目标追踪算法,算法通过DBSCAN和KMEANS聚类对目标数量进行检测并以JPDA的原理对测量值和目标进行关联。实验结果表明:该算法能够有效解决传统数据关联算法中难以处理目标数量变化的问题并保持足够的追踪精度。最后,本文依据理论分析搭建了一套多目标追踪系统,该系统利用多个单基地超宽带雷达进行组网,用于数据采集,数据处理和结果演示,验证了本文研究成果在多目标追踪方面所具有的参考价值。
杨梦遥[8]（2020）在《基于超宽带雷达的长时生命体征监测研究与实现》文中认为生命体征是标志生命活动存在与质量的重要指征,针对人体的生命体征监测能够为疾病的预防与临床诊断提供重要依据。超宽带（Ultra-WideBand,UWB）雷达具有低功耗、高分辨率的特性,能够提供一种非接触式的监测方式,且回避了易受光线干扰与侵犯隐私的问题,已被广泛用于众多生命体征监测系统中。然而现有的生命体征监测系统,对于多目标生命体征同时监测的探讨不够,对于如何去除目标随机体动的研究仍有不足。本文针对以上两个问题,分别提出基于位置的变分模态分解法的车内多目标生命体征监测与基于正弦拟合和映射算法的波形联合优化的动目标生命体征监测算法。本文提出了复杂强反射环境下的多目标生命体征监测算法,解决了金属多径干扰与多目标多径混叠干扰环境下多目标生命体征信号难以区分的难题。依据已知位置信息对雷达信号进行分区变分模态分解处理后,利用同一目标的生命体征信号在时域上具有更好的相关性这一特性,将与其他位置目标提取出的生命体征信号具有最大相关性的信号作为多目标混叠信号去除,实现多目标干扰去除。本文提出抵抗运动干扰的波形联合优化以实现动目标生命体征监测。人体不可避免的身体动作导致信号周期性被破坏,对生命体征信号波形的提取造成了困难。本文应用基于正弦拟合的方法与基于信号幅度与身体运动映射的方法对运动干扰进行消除,并提取波形在时域、频域上的特征,结合随机森林对这些信号赋予权重,使用卡尔曼滤波器进行波形融合,实现波形联合优化,以获得更可靠的生命体征信号波形。为验证上述算法的效果和实用程度,搭建了实际测试环境并采集长时间的雷达信号数据。在此数据集上,将所提算法与近期已有算法进行功能和性能比较。比较结果表明本文所提算法能够较好地完成封闭空间（车内）长时间生命体征监测,在静止与运动状态下的正确度分别可达92.66%与88.41%。
程一歌[9]（2020）在《基于超宽带雷达的人体睡眠监测研究》文中研究指明随着工作节奏的加快,工作压力的增加,越来越多的人都有不同程度的睡眠质量问题,严重影响了人们生理和心理健康,所以迫切需要一种能长期监测人们睡眠的产品。常用的睡眠监测技术有:医用级的多导（Polysomnography,PSG）睡眠监测技术、基于微机电传感器的睡眠监测技术、基于压力传感器的睡眠监测技术、基于脑电探测传感器的睡眠监测技术等。目前,PSG睡眠监测技术是行业金标准,但需要专业医护人员进行操作,不适用于普通大众的日常睡眠监测。基于机电传感器（Micro-electromechanical Sensor,MEMS）、基于压力传感器和基于脑电探测传感器的睡眠监测技术虽然无需专业医护人员操作,但是均属于接触式传感技术,容易给睡眠造成不适感,且存在容易滑落、松动或超出探测区域的问题。相比上述技术,基于雷达传感器的睡眠监测技术完全非接触,且能提供如呼吸、心跳、体动、睡眠中发生的事件、动作以及睡眠质量等信息,被认为是一种非常有潜力的睡眠监测技术。基于此,本文研究基于超宽带雷达的睡眠监测技术,其主要研究工作有以下四个方面:1、提出了一种基于自适应对数双阈值的人体睡眠特征事件恒虚警检测器。针对实际环境中人体睡眠特征事件雷达数据概率统计分布模型未知的问题,搭建了睡眠监测系统,采集了大量实验数据,并统计了对应的概率分布情况。基于此概率分布设计了自适应对数双阈值恒虚警检测器。实验结果表明:相比其他检测器,所提检测器检测概率较高,且虚警率更低。2、提出了基于事件前后差异性特征的睡眠特征事件识别方法。首先通过数据分析提出了具有可分性的五种差异性特征,如能量差异性特征、幅值差异性特征、熵差异性特征、目标大小差异性特征和目标位置差异性特征;然后,利用支持向量分类器和后向传播神经网络分类器分别对睡眠特征事件进行了分类识别;实验结果表明了所提方法的有效性。3、提出了一种基于周期性特征的人体胸腔位置估计方法。针对人体胸腔位置不确定的问题,利用人体胸腔位置具有呼吸所带来的周期特性,提取了波形峰值与峰值之间的方差特性,检测出了人体胸腔位置。实验结果表明:基于此胸腔位置计算的呼吸频率与医用呼吸频率估计的平均绝对误差为0.45次/分钟。4、搭建了睡眠实时监测系统。该系统能实时显示睡眠监测中的呼吸频率、体动指数、睡眠特征事件等信息,在睡眠结束时,能够提供睡眠质量、睡眠效率、睡眠分期等结果。该系统在线验证了本文所提出的睡眠监测算法的有效性。本文研究成果对基于雷达传感器的睡眠监测具有一定的理论指导意义和实际工程应用价值。
魏光萌[10]（2020）在《基于深度学习的雷达人体动作识别方法研究》文中指出近些年来,科技研究水平和精密制造工艺一直在提高,雷达测量精度也越来越高,成本也在逐渐下降,雷达应用领域从军用场景逐步普及到民用场景中。雷达在动作识别应用领域具有其他传感器无法比拟的特点,基于雷达进行人体动作识别的基础在于肢体的变化会使雷达的回波产生变化,雷达分辨率越高,则回波变化越明显,所以使用高分辨率雷达可以区分不同人体动作的细微区别,达到更好的识别性能。本文采用了无载波超宽带雷达以及近年来工业应用中常用的调频连续波雷达采集人体动作的回波信号,并提取关键特征,使用更智能更准确的机器学习、深度学习算法进行识别,达到了较高的识别准确率。主要研究内容如下:1.分别基于无载波超宽带脉冲雷达与调频连续波雷达搭建硬件平台,分别针对医疗健康监护和人机交互两个应用场景,设计具有实际意义的动作,采用雷达硬件平台采集动作的回波信号并处理生成动作数据库,用来对后续的动作识别模型及算法进行验证。这些动作种类均为对应场景中较典型的动作。2.在动作的回波信号模型基础上,总结雷达人体动作识别的基础理论,以距离-多普勒图为基础,从两个角度处理动作的回波信号,分别介绍微多普勒特征以及时间-距离特征,基于这两种动作回波信号特征理论基础,概括了一种通用的采用雷达的人体动作识别模型。3.利用无载波超宽带雷达的高距离分辨力,提出一种使用距离-时间特征来训练深度学习的动作识别方法。首先针对人体动作的动态特性,提取出人体目标的距离-时间二维特征,弥补了单一距离特征的不足,然后对特征图使用了一种经过优化的卷积神经网络进行学习和分类。在此理论基础之上,采用SIR-20高速探地雷达平台进行动作的回波信号采集,最终在由8种人体动作构成的数据集中得到的平均识别正确率是99.2%,可见所提方法可以准确识别动作。4.提出了基于多特征字典学习以及微多普勒信息的雷达动作识别方法。首先用调频连续波雷达采集人体动作的回波,对信号进行时频分析得到其时频图,再使用两种特征提取方法对时频图降维描述,将两种降维后的数据融合,通过LC-KSVD算法进行多特征字典学习,可以同时得到多特征融合字典和线性分类器,最后根据稀疏系数和线性分类器来识别动作。最终的实验结果表明,所提方法在10种人体动作数据集上达到了97.7%的识别准确率,可见所提方法可以对不同的人体动作进行区分和识别。
二、超宽带雷达信号的分类及表示方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、超宽带雷达信号的分类及表示方法（论文提纲范文）
（1）基于多传感器的动作识别、多目标识别及室内定位算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究概况 |
| 1.3 论文的主要研究内容 |
| 第二章 理论与实验基础 |
| 2.1 理论基础 |
| 2.1.1 超宽带雷达检测原理 |
| 2.1.2 调频连续波雷达检测原理 |
| 2.2 实验基础 |
| 2.2.1 硬件设备介绍 |
| 2.2.2 软件介绍 |
| 2.3 本章小结 |
| 第三章 基于多分类结构的超宽带雷达人体动作识别算法研究 |
| 3.1 引言 |
| 3.2 基于多分类结构的超宽带雷达人体动作识别算法 |
| 3.2.1 初级分类 |
| 3.2.2 特征提取 |
| 3.2.3 最终分类 |
| 3.2.4 实验设置及结果 |
| 3.2.5 总结 |
| 第四章 基于整体信号模式的超宽带雷达多目标识别算法研究 |
| 4.1 引言 |
| 4.2 基于整体信号模式的超宽带雷达多目标识别算法 |
| 4.2.1 UWB信道模型 |
| 4.2.2 UWB信号预处理方法 |
| 4.2.3 簇特征提取及分类 |
| 4.2.4 实验设置及结果 |
| 4.2.5 总结 |
| 第五章 基于毫米波调频连续波雷达的单雷达室内定位算法研究 |
| 5.1 引言 |
| 5.2 基于毫米波调频连续波雷达的单雷达室内定位算法 |
| 5.2.1 FMCW雷达锯齿波调制下的测距原理 |
| 5.2.2 FMCW雷达锯齿波调制下的测速原理 |
| 5.2.3 FMCW雷达锯齿波调制下的测角原理 |
| 5.2.4 实验设置及结果 |
| 5.2.5 总结 |
| 第六章 总结和展望 |
| 6.1 论文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者攻读硕士学位期间发表的学术论文目录 |
| 作者攻读硕士学位期间发表的专利目录 |
（2）超宽带雷达与多重分类算法相结合的呼吸与心跳监测方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 雷达应用于生命体征监测的国内外研究现状 |
| 1.3 MUSIC算法的研究现状 |
| 1.4 论文内容及结构安排 |
| 第2章 超宽带雷达传感器监测系统 |
| 2.1 超宽带技术 |
| 2.1.1 超宽带技术定义 |
| 2.1.2 超宽带雷达的特点和应用 |
| 2.2 超宽带雷达天线 |
| 2.3 超宽带雷达监测原理 |
| 2.4 总结 |
| 第3章 超宽带雷达模块与天线选型研究 |
| 3.1 超宽带雷达模块的选取 |
| 3.2 超宽带天线的选取 |
| 3.3 总结 |
| 第4章 超宽带雷达模块生命体征监测仿真与实验 |
| 4.1 生命体征信号建模 |
| 4.2 MUSIC算法的基本原理 |
| 4.3 仿真模型与MUSIC算法的结合 |
| 4.4 雷达回波信号分析 |
| 4.5 回波信号预处理 |
| 4.5.1 去除相干背景噪声 |
| 4.5.2 去除杂波 |
| 4.5.3 距离门的选择 |
| 4.6 超宽带雷达收发天线实验验证和MUSIC算法的实验验证 |
| 4.6.1 正常环境下的人体生命体征实验 |
| 4.6.2 复杂环境下的人体生命体征实验 |
| 4.7 总结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 攻读学位期间取得的学术成果 |
| 致谢 |
（3）基于超宽带信号的土壤特征与数据挖掘研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 UWB土壤回波信号采集实验简介与信号预处理方法 |
| 2.1 UWB土壤信号采集实验 |
| 2.1.1 UWB土壤信号采集设备简介 |
| 2.1.2 UWB土壤信号取样实验流程介绍 |
| 2.2 UWB土壤信号数据预处理 |
| 2.3 本章小结 |
| 第三章 基于UWB土壤回波信号时序特征的分类模型设计及标签噪声分类问题 |
| 3.1 基于LSTM及其变体的UWB信号分类模型设计 |
| 3.1.1 基于LSTM的土壤含水量分类模型设计 |
| 3.1.2 基于GRU的土壤含水量分类模型设计 |
| 3.2 两种分类模型仿真分析对比 |
| 3.2.1 基于LSTM网络及其变体的土壤含水量分类流程及系统结构 |
| 3.2.2 基于LSTM网络及其变体的UWB土壤信号分类结果分析对比 |
| 3.3 置信学习方法 |
| 3.4 基于置信学习的改进逻辑回归分类模型 |
| 3.5 本章小结 |
| 第四章 基于UWB土壤回波信号频谱能量特征的预测模型设计 |
| 4.1 UWB土壤信号频谱能量特征提取 |
| 4.1.1 UWB土壤信号频谱特征提取方法:小波包分解 |
| 4.1.2 基于实测数据的UWB土壤信号小波包分解实例 |
| 4.2 WPT-SVM预测算法 |
| 4.2.1 SVM土壤特征预测回归模型 |
| 4.2.2 UWB土壤参数预测模型WPT-SVM |
| 4.3 本章小结 |
| 第五章 基于预测模型设计的UWB土壤信号预测算法设计 |
| 5.1 基于主成分分析法的UWB信号特征提取 |
| 5.1.1 主成分分析法原理 |
| 5.1.2 UWB土壤信号的PCA降维数值算例与分析 |
| 5.2 基于集成学习方法的土壤特征参数预测模型 |
| 5.2.1 Adaboost土壤特征预测模型 |
| 5.2.2 Gradientboost土壤特征预测模型 |
| 5.2.3 Bagging土壤特征预测模型 |
| 5.2.4 Randomforest土壤特征预测模型 |
| 5.3 基于PCA+集成学习模型的土壤特征参数预测方法 |
| 5.4 基于小波包变换+集成学习的土壤特征重要性判别方法 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）基于超宽带雷达的老年人室内跟踪与日常活动能力评估（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 超宽带雷达的研究现状 |
| 1.3.2 人体目标跟踪的研究现状 |
| 1.3.3 动作识别与行为推断的研究现状 |
| 1.3.4 日常活动能力评估的研究现状 |
| 1.4 关键问题 |
| 1.5 论文的结构安排 |
| 2 超宽带雷达基础 |
| 2.1 超宽带雷达系统概述 |
| 2.2 超宽带雷达发射信号 |
| 2.3 超宽带雷达接收信号 |
| 2.4 本章小结 |
| 3 超宽带雷达目标检测 |
| 3.1 信号预处理 |
| 3.1.1 信号转换 |
| 3.1.2 杂波滤除 |
| 3.2 基带CLEAN检测 |
| 3.3 超宽带雷达安装高度 |
| 3.4 本章小结 |
| 4 超宽带雷达目标跟踪 |
| 4.1 基本原理 |
| 4.2 初始状态确立 |
| 4.2.1 量测凝聚 |
| 4.2.2 跳窗起始 |
| 4.3 单目标跟踪 |
| 4.4 多目标跟踪 |
| 4.5 本章小结 |
| 5 超宽带雷达日常活动能力评估 |
| 5.1 基本原理 |
| 5.1.1 评估依据 |
| 5.1.2 感知机理 |
| 5.2 动作识别 |
| 5.2.1 数据描述 |
| 5.2.2 算法实现 |
| 5.3 SWS评估工具 |
| 5.3.1 SWS评估工具描述 |
| 5.3.2 超宽带雷达SWS评估 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 作者简历 |
（5）基于多普勒雷达的家用非接触式生命体征监测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的研究内容和章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第2章 基于多普勒效应的雷达系统 |
| 2.1 多普勒雷达系统 |
| 2.2 生命体征信号特征概述 |
| 2.3 生物雷达概述 |
| 2.3.1 连续波雷达CW |
| 2.3.2 超宽带雷达UWB |
| 2.3.3 调频连续波雷达FMCW |
| 2.4 本章小结 |
| 第3章 基于多普勒雷达的生命体征监测 |
| 3.1 体动信息分析 |
| 3.2 数字滤波信号分离 |
| 3.3 自相关法检测 |
| 3.4 短时傅里叶变换 |
| 3.5 实时心率提取仿真实验 |
| 3.6 本章小结 |
| 第4章 睡眠监测算法研究 |
| 4.1 睡眠分期理论简介 |
| 4.2 睡眠分期特征参数提取 |
| 4.2.1 体动特征提取 |
| 4.2.2 呼吸信号特征提取 |
| 4.2.3 心跳信号特征提取 |
| 4.2.4 基于BPFB的 HRV分析算法 |
| 4.3 基于支持向量机的睡眠分期算法 |
| 4.3.1 支持向量机概述 |
| 4.3.2 粒子群优化算法 |
| 4.3.3 基于动态粒子群算法的参数优化 |
| 4.3.4 基于参数优化的睡眠分期性能分析 |
| 4.4 本章小结 |
| 第5章 系统实现及测试 |
| 5.1 硬件平台结构 |
| 5.2 软件平台结构 |
| 5.3 实验验证 |
| 5.3.1 心肺信号监测 |
| 5.3.2 睡眠分期监测 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
（6）基于UWB雷达的多功能应用算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及组织结构 |
| 第二章 理论与实验基础 |
| 2.1 理论基础 |
| 2.1.1 UWB雷达检测原理 |
| 2.1.2 UWB雷达滤波方法 |
| 2.2 实验基础 |
| 2.2.1 硬件设备介绍 |
| 2.2.2 环境配置和软件介绍 |
| 2.3 本章小结 |
| 第三章 非接触式生命体征检测算法 |
| 3.1 非接触式生命体征检测算法先验知识 |
| 3.2 非接触式生命体征检测算法原理 |
| 3.2.1 RELAX算法 |
| 3.2.2 HAPA算法 |
| 3.2.3 SHAPA算法 |
| 3.2.4 HMLD算法 |
| 3.3 非接触式生命体征检测算法准确率实验 |
| 3.3.1 实验设置 |
| 3.3.2 实验结果对比 |
| 3.4 基于HMLD算法的实时生命体征检测系统设计 |
| 3.5 本章小结 |
| 第四章 多目标识别算法 |
| 4.1 多目标识别算法先验知识 |
| 4.1.1 生理学和电磁学基础 |
| 4.1.2 深度学习基础 |
| 4.2 多目标识别算法原理 |
| 4.2.1 预滤波算法 |
| 4.2.2 深度学习模型 |
| 4.3 多目标识别算法准确率实验 |
| 4.3.1 实验设置 |
| 4.3.2 实验对比结果 |
| 4.4 本章小结 |
| 第五章 家庭健康安全数据管理系统设计 |
| 5.1 系统需求分析 |
| 5.1.1 可行性分析 |
| 5.1.2 功能需求分析 |
| 5.1.3 性能需求分析 |
| 5.2 系统设计与实现 |
| 5.2.1 系统总体设计 |
| 5.2.2 系统关键功能模块的设计与实现 |
| 5.2.3 数据库的设计与实现 |
| 5.3 系统测试 |
| 5.3.1 功能测试 |
| 5.3.2 性能测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的学术论文 |
（7）基于超宽带雷达网的室内多目标追踪研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 杂波抑制及目标检测相关研究 |
| 1.2.2 基于超宽带雷达的目标追踪相关研究 |
| 1.2.3 雷达网的数据融合相关研究 |
| 1.3 本文主要研究内容以及工作 |
| 1.4 论文组织结构 |
| 第二章 超宽带雷达原理及室内环境分析 |
| 2.1 超宽带雷达系统介绍 |
| 2.2 超宽带雷达的信号分类 |
| 2.2.1 升余弦脉冲 |
| 2.2.2 高斯脉冲 |
| 2.3 室内信道分析 |
| 2.4 本章小结 |
| 第三章 超宽带雷达的信号处理 |
| 3.1 雷达回波信号采集及雷达信号矩阵 |
| 3.2 杂波抑制 |
| 3.2.1 奇异值分解法 |
| 3.2.2 脉冲对消法 |
| 3.2.3 背景消除法 |
| 3.3 目标检测 |
| 3.3.1 峰值检测算法 |
| 3.3.2 恒虚警检测算法 |
| 3.3.3 CLEAN算法 |
| 3.4 远距离目标检测优化 |
| 3.4.1 信号补偿 |
| 3.4.2 两步式CLEAN算法 |
| 3.5 实验及结果分析 |
| 3.5.1 杂波抑制算法性能对比及分析 |
| 3.5.2 目标检测算法性能对比及分析 |
| 3.5.3 远距离目标检测实验分析 |
| 3.6 本章小结 |
| 第四章 基于超宽带雷达网的多目标追踪 |
| 4.1 基于超宽带雷达网的多目标追踪策略 |
| 4.2 多目标追踪算法 |
| 4.2.1 传统的多目标追踪算法及局限 |
| 4.2.2 结合聚类的JPDA算法 |
| 4.3 超宽带雷达网中的目标坐标计算 |
| 4.3.1 几何法 |
| 4.3.2 最小二乘法 |
| 4.4 实验及结果分析 |
| 4.4.1 目标数量固定的多目标追踪及结果分析 |
| 4.4.2 目标数量变化的多目标追踪及结果分析 |
| 4.4.3 坐标计算结果分析 |
| 4.5 本章小结 |
| 第五章 基于超宽带雷达网的多目标追踪系统 |
| 5.1 雷达网及系统结构 |
| 5.2 系统模块实现 |
| 5.2.1 雷达传感器节点模块 |
| 5.2.2 嵌入式处理模块 |
| 5.2.3 上位机控制显示模块 |
| 5.3 系统算法流程框架 |
| 5.4 系统展示 |
| 5.4.1 系统部署情况及运行界面 |
| 5.4.2 系统实际运行效果测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（8）基于超宽带雷达的长时生命体征监测研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和目标 |
| 1.4 论文组织结构 |
| 第二章 生命体征监测问题描述 |
| 2.1 人体心肺运动模型 |
| 2.2 脉冲无线电超宽带雷达信号模型 |
| 2.3 雷达信号预处理 |
| 2.3.1 去直流与带通滤波 |
| 2.3.2 去杂波 |
| 2.4 评价指标 |
| 2.5 本章小结 |
| 第三章 多目标生命体征监测 |
| 3.1 先验位置信息 |
| 3.2 基于位置的VMD算法 |
| 3.3 混叠信号去除 |
| 3.4 本章小结 |
| 第四章 动目标生命体征监测 |
| 4.1 身体运动补偿算法 |
| 4.1.1 信号预处理 |
| 4.1.2 正弦信号拟合 |
| 4.1.3 幅度与身体运动之间映射 |
| 4.2 联合波形优化 |
| 4.2.1 生命信号特征提取 |
| 4.2.2 基于卡尔曼滤波器的联合波形优化 |
| 4.3 本章小结 |
| 第五章 系统搭建与实验论证 |
| 5.1 多目标生命体征监测实验 |
| 5.1.1 实验设置 |
| 5.1.2 单个目标生命体征监测 |
| 5.1.3 两个目标生命体征监测 |
| 5.2 动目标生命体征监测实验 |
| 5.2.1 实验设置 |
| 5.2.2 单目标下生命体征监测 |
| 5.2.3 二目标下生命体征监测 |
| 第六章 总结与展望 |
| 6.1 论文研究工作总结 |
| 6.2 下一步工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（9）基于超宽带雷达的人体睡眠监测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 常用的人体睡眠监测产品 |
| 1.2.2 基于雷达的睡眠特征测量研究现状 |
| 1.2.3 睡眠分期研究现状 |
| 1.3 论文主要研究内容及论文结构安排 |
| 第2章 人体睡眠特征事件检测 |
| 2.1 引言 |
| 2.2 X4M03雷达模块介绍 |
| 2.3 信号模型与杂波抑制 |
| 2.3.1 雷达信号模型 |
| 2.3.2 杂波抑制 |
| 2.4 基于超宽带雷达的人体睡眠特征事件检测算法 |
| 2.4.1 睡眠特征事件检测问题描述 |
| 2.4.2 睡眠特征事件回波能量统计特性分析 |
| 2.4.3 ADT-CFAR睡眠特征事件检测器 |
| 2.4.4 实验结果及分析 |
| 2.5 本章小结 |
| 第3章 人体睡眠特征事件识别 |
| 3.1 引言 |
| 3.2 睡眠特征事件的差异性特征提取 |
| 3.2.1 能量差异性特征、幅值差异性特征、熵差异性特征 |
| 3.2.2 目标大小差异性特征以及目标位置差异性特征 |
| 3.3 基于SVM的人体睡眠特征事件分类识别 |
| 3.4 基于BP神经网络的人体睡眠特征事件分类识别 |
| 3.5 实验结果及分析 |
| 3.6 本章小结 |
| 第4章 人体睡眠微动特征参数估计与睡眠分期 |
| 4.1 引言 |
| 4.2 人体呼吸和心跳的雷达回波模型 |
| 4.3 基于周期性特征的人体呼吸频率估计算法 |
| 4.3.1 基于周期性特征的呼吸频率估计算法流程 |
| 4.3.2 实验结果及分析 |
| 4.4 人体睡眠体动指数提取 |
| 4.5 人体睡眠质量评估 |
| 4.5.1 人体睡眠分期算法和睡眠质量、睡眠效率 |
| 4.5.2 睡眠分期问卷设计以及结果统计 |
| 4.6 实验结果与分析 |
| 4.7 本章小结 |
| 第5章 人体睡眠实时监测系统设计与实现 |
| 5.1 引言 |
| 5.2 人体睡眠实时监测系统总体设计 |
| 5.2.1 人体睡眠实时监测系统整体结构 |
| 5.2.2 人体睡眠实时监测系统设计流程 |
| 5.2.3 系统模块功能介绍 |
| 5.3 人体睡眠实时监测系统界面设计 |
| 5.4 人体睡眠实时监测系统功能测试 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 附录 |
| 指导教师评语 |
| 答辩决议书 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（10）基于深度学习的雷达人体动作识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题研究背景及意义 |
| §1.2 基于雷达的人体动作识别应用场景 |
| §1.3 雷达人体动作识别研究现状 |
| §1.3.1 人体动作感知和回波信号分析研究现状 |
| §1.3.2 特征提取和动作识别算法研究现状 |
| §1.4 本论文的主要工作和内容安排 |
| 第二章 人体动作雷达回波信号模型及动作识别理论基础 |
| §2.1 人体动作雷达回波理论基础 |
| §2.2 无载波超宽带脉冲雷达 |
| §2.3 调频连续波雷达 |
| §2.4 雷达人体动作识别模型 |
| §2.5 本章小结 |
| 第三章 基于卷积神经网络的超宽带雷达人体动作识别 |
| §3.1 回波信号预处理 |
| §3.1.1 动作回波信号模型与信号采集 |
| §3.1.2 回波信号特征处理 |
| §3.2 基于卷积神经网络的识别算法 |
| §3.3 实验流程及结果分析 |
| §3.3.1 实验验证 |
| §3.3.2 基于实测数据的算法对比 |
| §3.3.3 综合对比 |
| §3.4 本章小结 |
| 第四章 基于多特征字典学习的 77GHz雷达人体动作识别方法 |
| §4.1 回波信号模型和时频分析 |
| §4.1.1 回波模型和微多普勒信息 |
| §4.1.2 使用STFT进行时频分析 |
| §4.2 基于字典学习的识别算法 |
| §4.2.1 稀疏字典学习和K-SVD算法 |
| §4.2.2 LC-KSVD算法 |
| §4.2.3 基于多特征字典学习的特征降维 |
| §4.3 雷达人体动作识别模型 |
| §4.4 实验验证和性能分析 |
| §4.4.1 人体动作回波信号采集和处理 |
| §4.4.2 实验结果和性能分析 |
| §4.5 本章小结 |
| 第五章 总结与展望 |
| §5.1 全文工作总结 |
| §5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
四、超宽带雷达信号的分类及表示方法（论文参考文献）
- [1]基于多传感器的动作识别、多目标识别及室内定位算法研究[D]. 齐芮. 北京邮电大学, 2021(01)
- [2]超宽带雷达与多重分类算法相结合的呼吸与心跳监测方法[D]. 王国强. 太原理工大学, 2021(01)
- [3]基于超宽带信号的土壤特征与数据挖掘研究[D]. 杨成浩. 电子科技大学, 2021(01)
- [4]基于超宽带雷达的老年人室内跟踪与日常活动能力评估[D]. 周世镒. 浙江大学, 2021(01)
- [5]基于多普勒雷达的家用非接触式生命体征监测系统研究[D]. 牛昊. 河北科技大学, 2020(06)
- [6]基于UWB雷达的多功能应用算法研究[D]. 张怡. 北京邮电大学, 2020(04)
- [7]基于超宽带雷达网的室内多目标追踪研究与实现[D]. 余艺博. 北京邮电大学, 2020(05)
- [8]基于超宽带雷达的长时生命体征监测研究与实现[D]. 杨梦遥. 北京邮电大学, 2020(04)
- [9]基于超宽带雷达的人体睡眠监测研究[D]. 程一歌. 深圳大学, 2020(10)
- [10]基于深度学习的雷达人体动作识别方法研究[D]. 魏光萌. 桂林电子科技大学, 2020(04)