CN110716177A - 分布式声学定位网络中多目标分类方法 - Google Patents

分布式声学定位网络中多目标分类方法 Download PDF

Info

Publication number
CN110716177A
CN110716177A CN201911005264.5A CN201911005264A CN110716177A CN 110716177 A CN110716177 A CN 110716177A CN 201911005264 A CN201911005264 A CN 201911005264A CN 110716177 A CN110716177 A CN 110716177A
Authority
CN
China
Prior art keywords
target
node
targets
classification method
spectral characteristics
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911005264.5A
Other languages
English (en)
Other versions
CN110716177B (zh
Inventor
兰华林
王泽华
师俊杰
吕云飞
梅继丹
靳建嘉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201911005264.5A priority Critical patent/CN110716177B/zh
Publication of CN110716177A publication Critical patent/CN110716177A/zh
Application granted granted Critical
Publication of CN110716177B publication Critical patent/CN110716177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种分布式声学定位网络中多目标分类方法,解决了现有目标分类方法并不能有效的提高定位效率和定位准确度问题，属于声学被动定位领域多目标定位技术。本发明包括：S1、将3个以上节点布放在空间不同的位置，每个节点包括一个声传感器阵列，用于接收目标辐射的信号；根据该信号对目标进行方位估计，得到每个节点不同方位对应的信号能量和频谱特征；对每个节点的信号能量的空间方位特性进行排序，得到每个节点N个信号能量大的方位和频谱特征组成的目标；以第一个节点的各目标和对应的目标频谱特征作为参考，确定其余各节点的N个目标与第一个节点的各目标的对应关系；将相同目标的方位信息结合各节点的位置信息，解算出各目标的位置。

Description

分布式声学定位网络中多目标分类方法
技术领域
本发明涉及一种分布式声学定位网络中多目标分类方法，属于声学被动定位领域多目标定位技术。
背景技术
目标分类是多目标被动探测与定位不可回避的一个问题。目标的特征是目标分类的基础，如何寻找并确认目标的特征是多目标分类的关键。较为有效的声学目标特征通常都具有明确的物理意义：信号的时域特征、频域特征和空域特征(目标的水平位置和深度特征)。目标的分类的方法有机器学习的方法。分布式声学定位网络的问题在于目标的声学特征。
多目标被动定位中，需要去除虚假目标，进而提高定位效率和定位准确度，而关于去除虚假目标，现有技术中有一种基于冗余信息的虚假点消除算法及三站交叉定位虚假点消除算法研究，通过有选择性地利用多站测量的方位角或时差冗余信息进行关联，达到去除虚假点的目的。现有技术还有一种结合时差信息的测向定位虚假点消除算法，在利用测向方位角信息进行交叉定位的基础上,再结合到达时差信息,根据测向站之间测向数据的相似度来进行最优匹配,可以在无需其它先验信息下实现数据的正确关联，消除虚假点。但是应用这些去除虚假目标算法的目标分类方法并不能有效的提高定位效率和定位准确度。
发明内容
针对现有目标分类方法并不能有效的提高定位效率和定位准确度问题，本发明提供一种分布式声学定位网络中多目标分类方法。
本发明的一种分布式声学定位网络中多目标分类方法，所述方法包括：
S1、将M个节点布放在空间不同的位置，每个节点包括一个声传感器阵列，用于接收目标辐射的信号，M取大于等于3的正整数，所述目标与各节点的声传感器阵列位于同一个水平面内；
S2、根据从每个节点接收的信号，对目标进行方位估计，得到每个节点不同方位对应的信号能量和频谱特征；
S3、对每个节点的信号能量的空间方位特性进行排序，得到每个节点N个信号能量大的方位和频谱特征组成的目标；
S4、以第一个节点的各目标和对应的目标频谱特征作为参考，确定其余各节点的N个目标与第一个节点的各目标的对应关系，所述对应关系表示两个目标为相同目标；
S5、将相同目标的方位信息结合各节点的位置信息，解算出各目标的位置。
作为优选，所述S4包括：
求第i个节点的N个目标的频谱特征与第一个节点的第j个目标的频谱特征的相关系数，N个相关性数中最大值所对应的目标与第一个节点的第j个目标为相同目标，所述最大值需要大于设定门限值，i＝2,…M，j＝1,2…N。
作为优选，所述S2包括：
对从每个节点接收的信号进行傅立叶变换，在各频带对目标进行方位估计，对方位估计结果进行直方图估计，得到每个节点不同方位对应的信号能量和频谱特征。
作为优选，所述每个节点的传感器阵列为四元十字阵、圆环阵、圆柱阵或矢量传感器阵。
本发明的有益效果，本发明在分布式声学定位网络中，采用多个节点对目标进行探测，每个节点的声传感器阵列对目标进行探测，根据探测到的声信号频谱特征进行处理，根据频谱特征的相关系数，找出每个节点探测到相同目标，剔除分布式多基站被动定位中的虚假目标，提高定位效率和定位准确度，根据相同目标的方位信息，及各节点的位置信息，解算出各目标的位置。
附图说明
图1为本发明的分布式声学定位网络中多目标分类方法的原理示意图；
图2为各节点进行直方图法方位估计示意图；
图3为第1节点第1目标特征频谱示意图；
图4为第2节点各目标特征频谱示意图；
图5为计算出的相关系数r21j1(j)的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施方式的分布式声学定位网络中多目标分类方法，在以下假设条件下实现：
(1)入射声信号满足远场平面波条件；
(2)各节点的传感器阵列可以是对入射声信号具有水平方位测量能力的任意阵列，包含但不限于，四元十字阵，圆环阵，圆柱阵和矢量传感器阵。。
(3)各节点均能接收到目标的信号。
(4)目标声信号具有不同的频谱特征。
(5)目标辐射声信号满足自由场条件，不考虑多途和反射信号；
(6)目标与各节点的声传感器阵列位于同一个水平面内。
(7)各节点之间保持严格时间同步。
本实施方式的方法包括：
S1、将M个节点布放在空间不同的位置，每个节点包括一个声传感器阵列，用于接收目标辐射的声信号，声传感器将声信号转换为电信号，M取大于等于3的正整数，所述目标与各节点的声传感器阵列位于同一个水平面内；本实施方式采用四元十字阵，如图1所示。
S2、根据从每个节点接收的信号，对目标进行方位估计，得到每个节点不同方位对应的信号能量和频谱特征；
本步骤对从每个节点接收的信号进行傅立叶变换，在各频带对目标进行方位估计，对方位估计结果进行直方图估计，得到每个节点不同方位对应的信号能量和频谱特征。
S3、对每个节点的信号能量的空间方位特性进行排序，得到每个节点N个信号能量大的方位和频谱特征组成的目标；
对各节点进行直方图法方位估计，如图2所示，将直方图估计结果信号功率R(A)与门限C比对，通过门限的方位判定有目标，第i个节点的j号目标(i＝1，2，…M；j＝1，2，…Ni)对应的频谱为Sij(f)。
S4、以第一个节点的各目标和对应的目标频谱特征作为参考，确定其余各节点的N个目标与第一个节点的各目标的对应关系，所述对应关系表示两个目标为相同目标；
本步骤找相同目标的方法为：求第i个节点的N个目标的频谱特征与第一个节点的第j个目标的频谱特征的相关系数，N个相关性数中最大值所对应的目标与第一个节点的第j个目标为相同目标，所述最大值需要大于设定门限值，i＝2,…M，j＝1,2…N，具体如下：
首先固定第1节点的目标序号，然后进行第2节点目标挑选：
将第2节点各目标的特征频谱S2j(f)分别与第1节点第1目标特征频谱S11(f)计算相关系数R21j1(j)，求出j0＝argmaxj|r21j1(j)|，j0与门限Cr比对，若超过门限，则j0对应的目标为第2节点对应第1节点第1目标，即：为相同目标，第1节点第1目标特征频谱S11(f)如图3所示，第2节点各目标特征频谱S2j(f)如图4所示，计算出的相关系数r21j1(j)如图5所示；
第2节点各目标特征频谱S2j(f)分别与第1节点第2目标特征频谱S12(f)计算相关系数r21j1(j)，求出j0＝argmaxj|r21j2(j)|，j0与门限Cr比对，若超过门限，则j0对应的目标为第2节点对应第1节点第2目标，即：为相同目标；
直到第1节点的每个目标均经过计算，即直到第2节点各目标特征频谱S2j(f)分别与第1节点第N1目标特征频谱
Figure BDA0002242557770000041
计算相关系数求出
Figure BDA0002242557770000043
j0与门限Cr比对，若超过门限，则j0对应的目标为第2节点与第1节点第N1目标相同的目标。
再进行第3节点目标挑选：
将第3节点各目标的特征频谱S3j(f)分别与第1节点第1目标特征频谱S11(f)计算相关系数r31j1(j)，求出j0＝argmaxj|r31j1(j)|，j0与门限Cr比对，若超过门限，则j0对应目标为第3节点与第1节点第1目标相同的目标；
第3节点各目标特征频谱S3j(f)分别与第1节点第2目标特征频谱S12(f)计算相关系数r31j2(j)，求出j0＝argmaxj|r31j2(j)|，j0与门限Cr比对，若超过门限，则j0对应目标为第3节点与第1节点第2目标相同的目标；
直到第1节点的每个目标均经过计算，即直到第3节点各目标特征频谱S3j(f)分别与第1节点第N1目标特征频谱
Figure BDA0002242557770000044
计算相关系数
Figure BDA0002242557770000045
求出
Figure BDA0002242557770000046
j0与门限Cr比对，若超过门限，则j0对应目标为第M节点与第1节点第N1目标相同的目标。
同理，各节点依次进行目标挑选，直到进行第M节点目标挑选：
将第M节点各目标的特征频谱SMj(f)分别与第1节点第1目标特征频谱SM1(f)计算相关系数rM1j1(j)，求出j0＝argmaxj|rM1j1(j)|，j0与门限Cr比对，若超过门限，则j0对应目标为第M节点与第1节点第1目标相同的目标；
第M节点各目标特征频谱SMj(f)分别与第1节点第2目标特征频谱S12(f)计算相关系数rM1j2(j)，求出j0＝argmaxj|rM1j2(j)|，j0与门限Cr比对，若超过门限，则j0对应目标为第M节点与第1节点第2目标相同的目标；
直到第1节点的每个目标均经过计算，即直到第M节点各目标特征频谱SMj(f)分别与第1节点第N1目标特征频谱
Figure BDA0002242557770000051
计算相关系数
Figure BDA0002242557770000052
求出
Figure BDA0002242557770000053
j0与门限Cr比对，若超过门限，则j0对应目标为第M节点与第1节点第N1目标相同的目标。
S5、将相同目标的方位信息结合各节点的位置信息，解算出各目标的位置。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (4)

1.分布式声学定位网络中多目标分类方法，其特征在于，所述方法包括：
S1、将M个节点布放在空间不同的位置，每个节点包括一个声传感器阵列，用于接收目标辐射的信号，M取大于等于3的正整数，所述目标与各节点的声传感器阵列位于同一个水平面内；
S2、根据从每个节点接收的信号，对目标进行方位估计，得到每个节点不同方位对应的信号能量和频谱特征；
S3、对每个节点的信号能量的空间方位特性进行排序，得到每个节点N个信号能量大的方位和频谱特征组成的目标；
S4、以第一个节点的各目标和对应的目标频谱特征作为参考，确定其余各节点的N个目标与第一个节点的各目标的对应关系，所述对应关系表示两个目标为相同目标；
S5、将相同目标的方位信息结合各节点的位置信息，解算出各目标的位置。
2.根据权利要求1所述的分布式声学定位网络中多目标分类方法，其特征在于，所述S4包括：
求第i个节点的N个目标的频谱特征与第一个节点的第j个目标的频谱特征的相关系数，N个相关性数中最大值所对应的目标与第一个节点的第j个目标为相同目标，所述最大值需要大于设定门限值，i＝2,…M，j＝1,2…N。
3.根据权利要求2所述的分布式声学定位网络中多目标分类方法，其特征在于，所述S2包括：
对从每个节点接收的信号进行傅立叶变换，在各频带对目标进行方位估计，对方位估计结果进行直方图估计，得到每个节点不同方位对应的信号能量和频谱特征。
4.根据权利要求2所述的分布式声学定位网络中多目标分类方法，其特征在于，所述每个节点的传感器阵列为四元十字阵、圆环阵、圆柱阵或矢量传感器阵。
CN201911005264.5A 2019-10-22 2019-10-22 分布式声学定位网络中多目标分类方法 Active CN110716177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911005264.5A CN110716177B (zh) 2019-10-22 2019-10-22 分布式声学定位网络中多目标分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911005264.5A CN110716177B (zh) 2019-10-22 2019-10-22 分布式声学定位网络中多目标分类方法

Publications (2)

Publication Number Publication Date
CN110716177A true CN110716177A (zh) 2020-01-21
CN110716177B CN110716177B (zh) 2022-09-09

Family

ID=69213076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911005264.5A Active CN110716177B (zh) 2019-10-22 2019-10-22 分布式声学定位网络中多目标分类方法

Country Status (1)

Country Link
CN (1) CN110716177B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116381607A (zh) * 2023-04-11 2023-07-04 哈尔滨工程大学 多目标击水声特征关联方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103200A (zh) * 2010-11-29 2011-06-22 清华大学 一种分布式非同步声传感器的声源空间定位方法
CN102981146A (zh) * 2012-11-19 2013-03-20 哈尔滨工程大学 一种单矢量水听器被动定位方法
CN103076593A (zh) * 2012-12-28 2013-05-01 中国科学院声学研究所 一种声源定位方法及装置
CN105204001A (zh) * 2015-10-12 2015-12-30 Tcl集团股份有限公司 一种声源定位的方法及系统
CN106030331A (zh) * 2013-10-01 2016-10-12 奥尔德巴伦机器人公司 声源定位方法和使用这种方法的仿人机器人
CN106154225A (zh) * 2016-08-22 2016-11-23 四川大学 基于波达方向歧义消除的定位方法及装置
US20170261593A1 (en) * 2014-12-02 2017-09-14 Fondazione Istituto Italiano Di Tecnologia Method for Tracking a Target Acoustic Source
CN107576936A (zh) * 2017-07-24 2018-01-12 哈尔滨工程大学 一种去除宽带噪声干扰信号交叉定位虚假点的方法
CN109283492A (zh) * 2018-10-29 2019-01-29 中国电子科技集团公司第三研究所 多目标方位估计方法及水声垂直矢量阵列系统
CN109669160A (zh) * 2019-02-21 2019-04-23 哈尔滨工程大学 一种水下瞬态声信号的检测方法
CN109884647A (zh) * 2019-02-21 2019-06-14 哈尔滨工程大学 水声被动探测或被动定位的节点装置及分布式的节点系统
CN110082712A (zh) * 2019-03-14 2019-08-02 哈尔滨工程大学 一种声矢量圆阵相干目标方位估计方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103200A (zh) * 2010-11-29 2011-06-22 清华大学 一种分布式非同步声传感器的声源空间定位方法
CN102981146A (zh) * 2012-11-19 2013-03-20 哈尔滨工程大学 一种单矢量水听器被动定位方法
CN103076593A (zh) * 2012-12-28 2013-05-01 中国科学院声学研究所 一种声源定位方法及装置
CN106030331A (zh) * 2013-10-01 2016-10-12 奥尔德巴伦机器人公司 声源定位方法和使用这种方法的仿人机器人
US20170261593A1 (en) * 2014-12-02 2017-09-14 Fondazione Istituto Italiano Di Tecnologia Method for Tracking a Target Acoustic Source
CN105204001A (zh) * 2015-10-12 2015-12-30 Tcl集团股份有限公司 一种声源定位的方法及系统
CN106154225A (zh) * 2016-08-22 2016-11-23 四川大学 基于波达方向歧义消除的定位方法及装置
CN107576936A (zh) * 2017-07-24 2018-01-12 哈尔滨工程大学 一种去除宽带噪声干扰信号交叉定位虚假点的方法
CN109283492A (zh) * 2018-10-29 2019-01-29 中国电子科技集团公司第三研究所 多目标方位估计方法及水声垂直矢量阵列系统
CN109669160A (zh) * 2019-02-21 2019-04-23 哈尔滨工程大学 一种水下瞬态声信号的检测方法
CN109884647A (zh) * 2019-02-21 2019-06-14 哈尔滨工程大学 水声被动探测或被动定位的节点装置及分布式的节点系统
CN110082712A (zh) * 2019-03-14 2019-08-02 哈尔滨工程大学 一种声矢量圆阵相干目标方位估计方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JUNJIE SHI等: "An Improved DOA Method for Single Acoustic Vector Sensor", 《 2009 5TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS, NETWORKING AND MOBILE COMPUTING》 *
NAN LI等: "A Nonlinear Method of Characteristic Extraction for Underwater Target Recognition", 《2014 INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND COMMUNICATION NETWORKS》 *
任岁玲等: "基于特征分析的自适应干扰抑制方法在水声目标被动测距中的应用", 《应用声学》 *
吉小军等: "基于组合特征的声目标模糊模式识别方法研究", 《探测与控制学报》 *
宋雪晶: "基于声场干涉结构的水声目标被动定位技术", 《中国优秀博硕士学位论文全文数据库（博士）工程科技Ⅱ辑》 *
梅继丹: "噪声目标被动测向问题研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116381607A (zh) * 2023-04-11 2023-07-04 哈尔滨工程大学 多目标击水声特征关联方法
CN116381607B (zh) * 2023-04-11 2023-10-27 哈尔滨工程大学 多目标击水声特征关联方法

Also Published As

Publication number Publication date
CN110716177B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN106019215B (zh) 基于四阶累量的嵌套阵列波达方向角估计方法
CN110824415A (zh) 一种基于多发多收阵列的稀疏波达方向角度估计方法
CN107505602A (zh) 嵌套阵下基于dft的doa估计方法
Guo et al. Multi-source localization using time of arrival self-clustering method in wireless sensor networks
CN109932679B (zh) 一种传感器列系统最大似然角度分辨率估计方法
CN110716177B (zh) 分布式声学定位网络中多目标分类方法
CN108089146B (zh) 一种对预估角误差鲁棒的高分辨宽带波达方向估计方法
CN108120953A (zh) 一种基于波达方向估计的无线电定位方法
KR101909710B1 (ko) 소나 시스템에서 신호의 희소성을 기초로 주파수영역에서의 공분산행렬 기반 압축센싱 도래각 추정방법 및 시스템
CN106226729A (zh) 基于四阶累量的互质阵列波达方向角估计方法
Anand et al. Comparative analysis of different direction of arrival estimation techniques
KR101801325B1 (ko) 가상 채널 기반의 레이더 장치 및 그것을 이용한 가상 채널 생성 방법
Ayub et al. Deep attention aware feature learning for data association in multiple source localization
CN115902788A (zh) 确定雷达系统从源接收的信号的到达方向（doa）的可靠性以及用于确定可靠性的设备
Vijayamohanan et al. Detecting coherent sources with deep learning
Wang et al. Root-MUSIC algorithm with real-valued eigendecomposition for acoustic vector sensor array
CN109861770B (zh) 一种基于波束形成输出功率组合的宽带信号检测方法
Liu et al. Sifi: Siamese networks based csi fingerprint indoor localization with wifi
Zhang et al. A two-stage method for DOA estimation using spherical arrays
Ding et al. A robust iterative method for wideband DoA estimation with a uniform circular array
Lin et al. A two-stage spatial spectrum sensing scheme based on angle of arrival estimation
Ma et al. Enhanced DOA Estimation for MIMO radar in the Case of Limited Snapshots
Zhong et al. A random finite set approach for joint detection and tracking of multiple wideband sources using a distributed acoustic vector sensor array
CN114355278B (zh) 基于失配偶极子模型的电磁波参数估计方法、系统、计算机存储介质与设备、阵列天线
Hafezi et al. Robust source counting and acoustic DOA estimation using density-based clustering

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant