CN113030849B - 一种基于自编码器与并行网络的近场源定位方法 - Google Patents
一种基于自编码器与并行网络的近场源定位方法 Download PDFInfo
- Publication number
- CN113030849B CN113030849B CN202110240817.6A CN202110240817A CN113030849B CN 113030849 B CN113030849 B CN 113030849B CN 202110240817 A CN202110240817 A CN 202110240817A CN 113030849 B CN113030849 B CN 113030849B
- Authority
- CN
- China
- Prior art keywords
- network
- self
- output
- near field
- encoder
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims 4
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于自编码器与并行网络的近场源定位方法,生成单信源条件下阵列接收的近场源数据,构建自编码网络和并行全连接网络,将近场源数据输入到自编码网络和并行全连接网络的组合网络中,当得到角度信息时,单次谱峰搜索的方式求出。本发明通过对阵列接收信号进行子空间分割,并通过并行全连接网络实现在未知信源数目的条件下DOA空间谱的直接输出,大大提升了算法的效率;仅需要单信源数据的训练就可以得到多信源定位的能力,极大地降低了训练的数据量,同时一定程度上降低了神经网络的训练难度;采用离线训练在线测试的过程,大大降低了实际使用过程中的算法复杂度。
Description
技术领域
本发明涉及信号处理领域,尤其是一种阵列信号处理参数估计方法。
背景技术
传统的空间谱估计算法大多都是针对远场信号模型提出的,近几年随着近场通信的兴起,阵列信号处理技术被广泛应用到近场信号模型上,然而采用基于远场信号的空间谱估计算法无法直接去处理近场信号问题,因此,研究针对近场信号模型的参数估计算法具有很高的实用价值。
然而,传统的近场算法通常对实际阵列的缺陷适应不足,同时在算法复杂度、估计精度、参数配对等方面仍存在诸多问题亟待解决。近年来也有学者提出了利用深度学习的模型来解决近场源定位问题,但是这些算法在多信源条件下需要极大的训练数据量,网络训练难度大。同时大多数算法都需要先验已知信源个数,而信源个数在实际应用场景中常常无法得到,这就大大限制了算法的实际应用。因此亟需一种全新的方法来解决这些问题。
发明内容
为了克服现有技术的不足,本发明提供一种基于自编码器与并行网络的近场源定位方法。本发明所要解决的技术问题是提出一种基于自编码与并行网络的近场源定位方法。该方法可以实现未知信源数目下角度空间谱的直接输出,并且仅对单信源数据进行训练就可以实现多信源定位,网络训练难度低、算法效率高。
本发明解决其技术问题所采用的技术方案包括以下步骤:
(2)构建自编码网络,该网络的输入为步骤(1)中获得的特征提取向量将整个DOA估计空间[-90,90°)分成9个子空间,每个子空间为20°,若9个子空间任意一组数据的DOA标签处于第P个子空间区域,其中P=1,2,…,9,则将输入复制到该子空间的输出,而将其余子空间均强迫输出为0,构造出自编码器网络输出为/>以此对自编码网络参数进行离线训练,损失函数设为最小均方根误差,当整个网络的损失函数达到最低即认为网络训练完成,将训练好的网络参数固化;
(3)构建并行全连接网络,并行全连接网络的输入为步骤(2)中自编码网络的输出,每个全连接网络是相互独立的且仅对该子空间的空间谱进行预测,搜索空间谱的步进为1°,那么每个子空间的输出神经元个数就为20,分别代表了该子空间内这20的空间谱,信号的来波方向处输出为1,其余方向输出为0,构造输出空间谱y,以此对并行全连接网络参数进行离线训练,损失函数设为最小均方根误差,当整个网络的损失函数达到最低即认为网络训练完成,将训练好的网络参数固化;
(4)进入在线测试阶段,将实际采集或仿真生成的阵列接收到的任意多个非相关的窄带信源的近场源数据每段数据的长度为L,计算得到近场源数据/>的协方差并计算出特征提取向量/>将特征提取向量/>直接输入到步骤(2)和步骤(3)所述的自编码网络和并行全连接网络的组合网络中,组合网络的输出就是预测到的来波信号角度的空间谱,谱峰处就代表一个近场信号;
(5)当得到角度信息时,距离信息通过代入(4)中估计到的角度信息,单次谱峰搜索的方式求出,然后跳转到步骤(4)继续新一轮探测,当达到终止条件则停止探测。
所述步骤(1)中,一个由2M+1个全向天线构成的均匀线阵,该天线阵列的孔径为D,阵元间距为d,信源发射的信号波长为λ,当一个窄带信源处于近场区域,即处于距离天线阵列的区域时,阵列接收到的信号为长度为L的X(n),计算得到的协方差为:
其中,||·||2表示取向量的2-范数。
所述步骤(2)中,构造出自编码器网络输出表示为:
自编码网络采用线性激活函数,即:
linear(x)=x
对于多个信源情况,网络自动将其视为单信源情况,仅使用单信源数据对网络进行训练,使得网络具有对未知多信源定位的能力。
所述步骤(3)中,每个子空间的空间谱构造如下:
其中,θi表示输出空间谱的网格划分,i=1,2,…,20;θlabel表示该组信号的真实角度标签,若信号的真实角度在网格上,那么该网格的输出就是1,其余网格的输出均为0;而若信号的真实角度在两个网格之间,那么相邻网格的输出由上式计算可得,而其余均输出为0。
所述步骤(5)中,当K个非相关的窄带信源处于近场区域,利用该网络得到角度信息时,距离信息通过GESPRIT算法单次谱峰搜索的方式求出,其中k表示信源个数:
本发明的有益效果是:
(1)该算法通过对阵列接收信号进行子空间分割,并通过并行全连接网络实现在未知信源数目的条件下DOA空间谱的直接输出,大大提升了算法的效率;
(2)由于子空间的可加性,仅需要单信源数据的训练就可以得到多信源定位的能力,极大地降低了训练的数据量,同时一定程度上降低了神经网络的训练难度;
(3)采用离线训练在线测试的过程,大大降低了实际使用过程中的算法复杂度。
附图说明
图1为本发明的自编码器与并行网络的网络框架;
图2为本发明中子空间1的自编码器网络的分类效果。
图3为本发明中子空间2的自编码器网络的分类效果。
图4为本发明中子空间3的自编码器网络的分类效果。
图5为本发明中子空间4的自编码器网络的分类效果。
图6为本发明中子空间5的自编码器网络的分类效果。
图7为本发明中子空间6的自编码器网络的分类效果。
图8为本发明中子空间7的自编码器网络的分类效果。
图9为本发明中子空间8的自编码器网络的分类效果。
图10为本发明中子空间9的自编码器网络的分类效果。
图11为本发明中信源的距离对自编码器网络的影响。
图12为本发明中单信源下角度估计的RMSE曲线对比。
图13为本发明中两信源条件下子空间分类结果。
图14为本发明中两信源条件下该网络空间谱直接输出结果。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明解决其技术问题所采用的技术方案包括以下步骤:
(2)构建自编码网络,该网络的输入为步骤(1)中获得的特征提取向量将整个DOA估计空间[-90°,90°)分成9个子空间,每个子空间为20°,若9个子空间任意一组数据的DOA标签处于第P个子空间区域,其中P=1,2,…,9,则将输入复制到该子空间的输出,而将其余子空间均强迫输出为0,构造出自编码器网络输出为/>以此对自编码网络参数进行离线训练,损失函数设为最小均方根误差,当整个网络的损失函数达到最低即认为网络训练完成,将训练好的网络参数固化;
(3)构建并行全连接网络,并行全连接网络的输入为步骤(2)中自编码网络的输出,每个全连接网络是相互独立的且仅对该子空间的空间谱进行预测,搜索空间谱的步进为1°,那么每个子空间的输出神经元个数就为20,分别代表了该子空间内这20的空间谱,信号的来波方向处输出为1,其余方向输出为0,构造输出空间谱y,以此对并行全连接网络参数进行离线训练,损失函数设为最小均方根误差,当整个网络的损失函数达到最低即认为网络训练完成,将训练好的网络参数固化;
(4)进入在线测试阶段,将实际采集或仿真生成的阵列接收到的任意多个非相关的窄带信源的近场源数据每段数据的长度为L,计算得到近场源数据/>的协方差并计算出特征提取向量/>将特征提取向量/>直接输入到步骤(2)和步骤(3)所述的自编码网络和并行全连接网络的组合网络中,组合网络的输出就是预测到的来波信号角度的空间谱,谱峰处就代表一个近场信号;
(5)当得到角度信息时,距离信息通过代入(4)中估计到的角度信息,单次谱峰搜索的方式求出,然后跳转到步骤(4)继续新一轮探测,当达到终止条件则停止探测。
所述步骤(1)中,一个由2M+1个全向天线构成的均匀线阵,该天线阵列的孔径为D,阵元间距为d,信源发射的信号波长为λ,当一个窄带信源处于近场区域,即处于距离天线阵列的区域时,阵列接收到的信号为长度为L的X(n),计算得到的协方差为:
其中,||·||2表示取向量的2-范数。
所述步骤(2)中,构造出自编码器网络输出表示为:
为了实现对未知信号数目信源的估计,设计该自编码网络采用线性激活函数,即:
linear(x)=x
也就是利用这样的设计对于多个信源情况,网络会自动将其视为单信源情况,也就是说仅使用单信源数据对网络进行训练,就可以使得网络具有对未知多信源定位的能力。
所述步骤(3)中,来波信号通常并不在网格上,所以对任意的来波信号通过设置其相邻两个网格上的值来反映该信号位置,因此每个子空间的空间谱构造如下:
其中,θi表示输出空间谱的网格划分,i=1,2,…,20;θlabel表示该组信号的真实角度标签。从上式看出,若信号的真实角度在网格上,那么该网格的输出就是1,其余网格的输出均为0;而若信号的真实角度在两个网格之间,那么相邻网格的输出由上式计算可得,而其余均输出为0。
所述步骤(5)中,当K个非相关的窄带信源处于近场区域,利用该网络得到角度信息时,距离信息通过传统GESPRIT算法单次谱峰搜索的方式求出,其中k表示信源个数:
以下结合附图和附表对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明提出了一种基于自编码与并行网络的近场源定位方法,其网络框图如图1所示。在本例中,我们采用9阵元均匀线阵,采样快拍数为128。具体实施步骤如下:
(1)首先,以表1的形式实际采集或仿真生成单信源条件下阵列接收的近场源数据X(n);
表1数据集构造形式
表2自编码器网络参数
网络的输入为步骤(1)中获得的特征提取向量将整个DOA估计空间[-90°,90)分成9个子空间,每个子空间为20°,若某组数据的DOA标签处于第P个子空间区域,其中1≤P≤9,那么就将输入复制到该子空间的输出,而将其余子空间均强迫输出为0,构造出自编码器网络输出为/>以此离线对网络参数进行训练,训练采用公知算法Adam优化算法,损失函数采用最常用的均方差(MSE)。自编码器网络的分类效果如图2至图10所示,信源的距离对自编码器网络的影响如图11所示,将训练好的网络参数固化。
(3)以表3的参数构建并行全连接网络网络:
表3并行网络的网络参数;
该网络的输入为(2)中网络的输出,每个全连接网络是相互独立的且仅对该子空间的空间谱进行预测,我们设搜索空间谱的步进为1°,那么每个子空间的输出神经元个数就为20,分别代表了该子空间内这20°的空间谱,构造输出空间谱y,以此离线对网络参数进行训练,将训练好的网络参数固化;
(4)进入在线测试阶段,将实际采集或仿真生成的阵列接收到的任意多个非相关的窄带信源的近场源信号每段数据的长度为L,并通过计算获得算法的协方差/>并进一步计算出特征提取向量/>将该向量直接输入到该组合网络中,并行网络的输出就是该网络预测到的来波信号角度的空间谱,谱峰处就代表一个近场信号。单信源下角度估计的RMSE曲线对比如图12所示,两信源条件下子空间分类结果如图13所示,两信源条件下该网络空间谱直接输出结果如图14所示,不同算法在测试集的耗时对比如表4所示:
表4:不同算法在测试集的耗时对比;
多近场信源DOA预测准确率如表5所示:
表5:多近场信源到达角(DOA)预测准确率。
(5)当得到角度信息时,距离信息就可以通过代入(4)中估计到的角度信息,利用类似传统算法单次谱峰搜索的方式求出;然后重复步骤(4)。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于自编码器与并行网络的近场源定位方法,其特征在于包括下述步骤:
(2)构建自编码网络,该网络的输入为步骤(1)中获得的特征提取向量将整个DOA估计空间[-90°,90°)分成9个子空间,每个子空间为20°,若9个子空间任意一组数据的DOA标签处于第P个子空间区域,其中P=1,2,…,9,则将输入复制到该子空间的输出,而将其余子空间均强迫输出为0,构造出自编码器网络输出为/>以此对自编码网络参数进行离线训练,损失函数设为最小均方根误差,当整个网络的损失函数达到最低即认为网络训练完成,将训练好的网络参数固化;
(3)构建并行全连接网络,并行全连接网络的输入为步骤(2)中自编码网络的输出,每个全连接网络是相互独立的且仅对该子空间的空间谱进行预测,搜索空间谱的步进为1°,那么每个子空间的输出神经元个数就为20,分别代表了该子空间内这20°的空间谱,信号的来波方向处输出为1,其余方向输出为0,构造输出空间谱y,以此对并行全连接网络参数进行离线训练,损失函数设为最小均方根误差,当整个网络的损失函数达到最低即认为网络训练完成,将训练好的网络参数固化;
(4)进入在线测试阶段,将实际采集或仿真生成的阵列接收到的任意多个非相关的窄带信源的近场源数据每段数据的长度为L,计算得到近场源数据/>的协方差/>并计算出特征提取向量/>将特征提取向量/>直接输入到步骤(2)和步骤(3)所述的自编码网络和并行全连接网络的组合网络中,组合网络的输出就是预测到的来波信号角度的空间谱,谱峰处就代表一个近场信号;
(5)当得到角度信息时,距离信息通过代入(4)中估计到的角度信息,单次谱峰搜索的方式求出,然后跳转到步骤(4)继续新一轮探测,当达到终止条件则停止探测。
2.根据权利要求1所述的基于自编码器与并行网络的近场源定位方法,其特征在于:
所述步骤(1)中,一个由2M+1个全向天线构成的均匀线阵,该天线阵列的孔径为D,阵元间距为d,信源发射的信号波长为λ,当一个窄带信源处于近场区域,即处于距离天线阵列的区域时,阵列接收到的信号为长度为L的X(n),计算得到的协方差为:
其中,||·||2表示取向量的2-范数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240817.6A CN113030849B (zh) | 2021-03-04 | 2021-03-04 | 一种基于自编码器与并行网络的近场源定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240817.6A CN113030849B (zh) | 2021-03-04 | 2021-03-04 | 一种基于自编码器与并行网络的近场源定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113030849A CN113030849A (zh) | 2021-06-25 |
CN113030849B true CN113030849B (zh) | 2023-06-30 |
Family
ID=76468352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110240817.6A Active CN113030849B (zh) | 2021-03-04 | 2021-03-04 | 一种基于自编码器与并行网络的近场源定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113030849B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567921B (zh) * | 2021-07-21 | 2023-08-01 | 中国人民解放军国防科技大学 | 一种基于深度展开网络的混合源定位方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363099A (zh) * | 2019-06-24 | 2019-10-22 | 昆明理工大学 | 一种基于局部并行深度神经网络的表情识别方法 |
CN110967665A (zh) * | 2019-10-07 | 2020-04-07 | 西安电子科技大学 | 一种多个外辐射源下运动目标回波的doa估计方法 |
CN112014790A (zh) * | 2020-08-28 | 2020-12-01 | 西安电子科技大学 | 基于因子分析的近场源定位方法 |
EP3761238A1 (en) * | 2019-07-01 | 2021-01-06 | Institut Mines-Telecom | Devices and methods for machine learning assisted precoding |
-
2021
- 2021-03-04 CN CN202110240817.6A patent/CN113030849B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363099A (zh) * | 2019-06-24 | 2019-10-22 | 昆明理工大学 | 一种基于局部并行深度神经网络的表情识别方法 |
EP3761238A1 (en) * | 2019-07-01 | 2021-01-06 | Institut Mines-Telecom | Devices and methods for machine learning assisted precoding |
CN110967665A (zh) * | 2019-10-07 | 2020-04-07 | 西安电子科技大学 | 一种多个外辐射源下运动目标回波的doa估计方法 |
CN112014790A (zh) * | 2020-08-28 | 2020-12-01 | 西安电子科技大学 | 基于因子分析的近场源定位方法 |
Non-Patent Citations (1)
Title |
---|
均匀线阵中基于降秩Capon的近场源定位;陈未央;徐乐;张小飞;;数据采集与处理(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113030849A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110531313B (zh) | 一种基于深度神经网络回归模型的近场信号源定位方法 | |
CN110824450B (zh) | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 | |
Xiang et al. | Improved de-multipath neural network models with self-paced feature-to-feature learning for DOA estimation in multipath environment | |
CN109975762B (zh) | 一种水下声源定位方法 | |
Zhang et al. | An efficient machine learning approach for indoor localization | |
CN113569742B (zh) | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 | |
CN110690930B (zh) | 信源数量检测方法及装置 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN112884059A (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
Wang et al. | Robust sparse Bayesian learning for off-grid DOA estimation with non-uniform noise | |
Coutino et al. | Direction of arrival estimation based on information geometry | |
CN113030849B (zh) | 一种基于自编码器与并行网络的近场源定位方法 | |
Shmuel et al. | Deep root MUSIC algorithm for data-driven DoA estimation | |
CN109862510B (zh) | 一种基于压缩感知的凸区域定位方法 | |
Adhikari | Shift-invariant structure-imposed convolutional neural networks for direction of arrival estimation | |
CN112328965B (zh) | 使用声矢量传感器阵列的多机动信号源doa跟踪的方法 | |
CN107544050A (zh) | 白噪声背景下一种构造自适应阈值估计信号源数目的方法 | |
CN111693937A (zh) | 一种基于稀疏重构的无需网格化的近场信号源定位方法 | |
Yan et al. | Two‐Step Root‐MUSIC for Direction of Arrival Estimation without EVD/SVD Computation | |
Liu et al. | Real-valued reweighted l 1 norm minimization method based on data reconstruction in MIMO radar | |
Yang et al. | A correlation-aware sparse Bayesian perspective for DOA estimation with off-grid sources | |
CN111239682B (zh) | 一种电磁发射源定位系统及方法 | |
CN110412535B (zh) | 一种序贯的空时自适应处理参数估计方法 | |
CN108387865B (zh) | 一种基于向量误差模型的波达方向估计方法 |
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 |