1.一种基于数据驱动和时频分析的多普勒穿墙雷达定位方法，包括如下步骤：S1. 构建多目标移动的多普勒穿墙调解回波信号，并通过STFT进行分析处理，构建时频分布矩阵数据集；

S2. 构建带有残差结构与CBAM模块的神经网络模型，采用步骤S1构建的时频分布数据集对构建的神经网络模型进行训练，获取最优时频分布预测模型；具体包括：

1）采用步骤S1获取的时频分布数据集，构建带有残差结构与CBAM模块的神经网络模型，并调整网络模型参数；

构建带有残差结构与CBAM模块的神经网络模型，具体为：卷积层Conv1‑最大池化层P1‑归一化层BN1‑激活函数层R1‑Dropout层D1‑卷积层Conv2‑最大池化层P2‑归一化层BN2‑激活函数层R2‑Dropout层D2‑卷积层Conv3‑最大池化层P3‑归一化层BN3‑激活函数层R3‑Dropout层D3‑9个带有CBAM与残差结构的卷积块‑卷积层Conv4‑最大池化层P4‑归一化层BN4‑激活函数层R4‑Dropout层D4‑卷积层Conv5‑最大池化层P5‑归一化层BN5‑激活函数层R5‑Dropout层D5‑卷积层Conv6‑最大池化层P6‑归一化层BN6‑激活函数层R6‑Dropout层D6‑卷积层Conv7‑最大池化层P7‑归一化层BN7‑激活函数层R7‑Dropout层D7‑单通道核为5的卷积；

2）训练步骤1）得到的带有残差结构与CBAM模块的神经网络模型参数：

2‑1初始化带有残差结构与CBAM模块的神经网络模型；

2‑2将训练集中的样本输入到带有残差结构与CBAM模块的神经网络模型进行前向传播，获得预测时频分布矩阵；

3）继续训练，对网络模型参数进行调整；若模型迭代达到设定的迭代完成条件，则将准确率最高的模型作为最终的识别模型；否则，继续执行步骤2）；

S3. 采用步骤S2构建的最优时频分布预测模型，对真实采集的雷达回波信号经过STFT处理后得到的时频谱图进行预测处理，获取预测时频分布；

S4. 采用步骤S3获取的预测时频分布，根据距离和角度估计算法针对多目标移动的多普勒穿墙调解回波信号完成定位处理。

2.根据权利要求1所述的基于数据驱动和时频分析的多普勒穿墙雷达定位方法，其特征在于步骤S1所述的构建多目标移动的多普勒穿墙调解回波信号，并通过STFT进行分析处理，构建时频分布矩阵数据集，具体包括：（1）构造若干个随机参数，建立两个二次随机瞬时频率函数，采用如下公式进行表示：与 分别表示两个不同的瞬时频率函数，a、c、d、g、h和j均为随机参数，a和g均为属于[‑0.5,0.5]的均匀分布，c和h均属于[‑1,1]的均匀分布，d和j均属于[‑5,5]的均匀分布，表示时间；

（2）将步骤（1）中描述的两个随机瞬时频率函数转化为雷达回波信号形式，利用（短时傅里叶变换）并使用设定窗长长度的汉明窗进行时频分析处理，随后使用生成的时频分析矩阵构建数据集； 的表达式如下所示：其中， 表示经过 后得到的时频分布， 表示傅里叶变换的基， 表示时延， 表示信号的周期， 表示经过时延后的雷达回波信号， 表示窗函数；

（3）重复步骤（2），直至得到设定数量的数据；

将发射机接收的回波调解后信号采用如下公式表示：

其中， 为解调后的回波信号， 为第 个信号的幅度， 为第i个载波频率， 表示在载波频率为 下第k个目标的时延， 是目标离雷达发射机的初始距离， 为第k个目标的径向速度， 表示在载波频率为 的第 个目标的多普勒频率，是第 个信号回波初始相位，是光速，为虚数单位。

3.根据权利要求2所述的基于数据驱动和时频分析的多普勒穿墙雷达定位方法，其特征在于步骤S4所述的采用步骤S3获取的预测时频分布，根据距离和角度估计算法针对多目标移动的多普勒穿墙调解回波信号完成定位处理，具体包括：通过预测时频分布以及定位跟踪算法预估目标的位置信息，生成人体的运动轨迹，进而实现定位处理；

定位跟踪算法包括：距离估计算法和角度估计算法；距离估计算法通过目标瞬时频率，实时估计目标离发射机的距离大小；角度估计算法通过目标瞬时频率，实时估计目标与发射机的夹角大小。

4.根据权利要求3所述的基于数据驱动和时频分析的多普勒穿墙雷达定位方法，其特征在于距离估计算法具体为：步骤S1所述的构建多目标移动的多普勒穿墙调解回波信号通过多普勒雷达实现，多普勒雷达发射载频固定的电磁波信号，将发射机发射出的两种不同载波频率的电磁波信号分别定义为 和 ，多普勒雷达的发射信号使用下述公式进行表示：其中， 与 表示信号的初始相位， 表示为雷达发射信号；

多普勒雷达接收机的信号 使用如下公式进行表示：

其中， 表示目标与发射机之间的距离， 表示目标与接收机1之间的距离；

将接收机在对信号进行两次解调后用下述公式表示：

在远场条件下，将 与 看作相等，则目标与雷达天线之间的距离表示为：将两个接收器获取的信号的相位角用下述公式分别表示为：

进而将相位差用下述公式表示为： 。

5.根据权利要求4所述的基于数据驱动和时频分析的多普勒穿墙雷达定位方法，其特征在于角度估计算法具体为：发射机的默认的载频为 ，其雷达的发射信号可以利用如下式子表示：其中， 表示信号的初始相位；

雷达的发射信号在经过人体后会进行反射，在这个过程中用 表示时延，其接收机接收回波信号为：其中，雷达回波信号的时延 表示为 ， 为发射机与目标之间的距离， 表示目标与接收机1之间的距离， 表示目标与接收机2之间的距离，的大小为光速，那么接收机1与接收机2接收信号为：其中， 为接收机1接收到的回波信号， 为接收机2接收到的回波信号， 表示为发射机初始相位， 表示雷达发射机的默认的载波频率；

解调后信号表示如下：

接收机相位表示为：

将两个接收机的相位差用下述公式表示为：

假设目标与雷达接收机之间的距离远大于雷达天线之间的距离，那么将 近似为, 表示为 , 为目标与雷达发射机之间的角度；将上述公式简化为下述公式：

表示为：

或者表示为：

其中，d表示为两个接收机之间的距离， 表示电磁波在载波频率为 时的波长， 与分别表示两个接收机接收到的多普勒瞬时频率。

6.根据权利要求5所述的基于数据驱动和时频分析的多普勒穿墙雷达定位方法，其特征在于生成人体的运动轨迹，具体包括：根据距离估计算法和角度估计算法，获得目标的角度 与径向距离 ，将目标的角度 与径向距离 转换成在二维的笛卡尔坐标中的表述形式，如下所示：通过笛卡尔坐标形式的表述实现在二维坐标系中的定位处理，进而实现人体的追踪定位。