CN115856768B - 一种基于卷积神经网络的doa波达角估计方法及系统 - Google Patents
一种基于卷积神经网络的doa波达角估计方法及系统 Download PDFInfo
- Publication number
- CN115856768B CN115856768B CN202310179623.9A CN202310179623A CN115856768B CN 115856768 B CN115856768 B CN 115856768B CN 202310179623 A CN202310179623 A CN 202310179623A CN 115856768 B CN115856768 B CN 115856768B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- data
- layer
- arrival
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003696 structure analysis method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本公开涉及一种基于卷积神经网络的DOA波达角估计方法及系统,方法包括以下步骤:S01、LTE基站对目标终端进行资源调度;S02、与所述LTE基站同步,解调所述LTE基站的下行调度信息,根据所述目标终端的上行调度信息的DCI指示,在与所述DCI指示相对应的RB位置接收目标终端的上行信号,获取关于所述上行信号的采样数据;S03、将所述采样数据输入到训练好的卷积神经网络中,计算获得该上行信号的波达角。系统用于执行上述方法。本公开通过卷积神经网络实现DOA波达角估计,具有估计精度高、估计速度快、实时性好的优点。
Description
技术领域
本公开涉及无线通信技术领域,具体涉及一种基于卷积神经网络的DOA波达角估计方法及系统。
背景技术
在集群通信系统中经常需要精确定位各终端的准确位置,便于系统定位和调度指挥,当前主要通过LTE通信物理层和终端的入射角来实现终端的精确定位。
DOA(Direction of arrival)估计,也称为空间谱估计,它的基本问题就是确定同时处于在空间某一区域内多个感兴趣的信号的空间位置,即各个信号到达阵列参考阵元的方向角,简称波达方向或波达角。
DOA的基本原理是:使用n个阵元接收同一个信源的数据,完成采样;对于一般的远场信号而言,同一信号到达不同的阵元时存在一个波程差,这个波程差导致了接收阵元间的相位差,利用阵元间的相位差可以估计出信号的方位。
当前主流的DOA估计方法是多重信号分类方法(MUSIC:multiple signalclassification)。子空间类方法对阵列输出数据进行奇异值分解或者特征分解,利用信号子空间与噪声子空间的正交性获得空间伪谱以进行DOA估计,以MUSIC为代表的特征结构分析法,具有很好的角度分辨能力,但是其弱点是运算量偏大、估计速度慢、实时性较差。
发明内容
为了解决上述现有技术存在的问题,本公开目的之一在于提供一种基于卷积神经网络的DOA波达角估计方法,目的之二在于提供一种基于卷积神经网络的DOA波达角估计系统。本公开通过卷积神经网络实现DOA波达角估计,具有估计精度高、估计速度快、实时性好的优点。
本公开所述的一种基于卷积神经网络的DOA波达角估计方法,包括以下步骤:
S01、LTE基站对目标终端进行资源调度;
S02、与所述LTE基站同步,解调所述LTE基站的下行调度信息,根据所述目标终端的上行调度信息的DCI指示,在与所述DCI指示相对应的RB位置接收目标终端的上行信号,获取关于所述上行信号的采样数据;
S03、将所述采样数据输入到训练好的卷积神经网络中,计算获得该上行信号的波达角。
优选地,步骤S03中,所述卷积神经网络包括输入层、20层卷积层、12层池化层以及1层全连接层,且各层的分布依次为I、C1、P1、C2、C3、P2、C4、C5、P3、C6、C7、P4、C8、C9、P5、 C10、C11、P6、C12、C13、P7、C14、C15、P8、C16、P9、C17、P10、C18、P11、C19、P12、C20和F,其中,I表示输入层,Cm表示第m层卷积层,Pn表示第n层池化层,F表示全连接层。
优选地,所述输入层采用128个16*64的空洞卷积核,C18、C19和C20采用5*5的卷积核,其余卷积层采用3*3的卷积核;所述卷积层采用ReLU_Like激活函数;所述池化层采用1*2的核、步长为2的平均池化;所述卷积神经网络采用均方误差函数作为损失函数。
优选地,步骤S03中,所述卷积神经网络通过以下步骤训练:
获取多组时频资源位置确定的入射信号数据,每组入射信号数据均包括有该组入射信号的真实波达角;
将所述多组入射信号数据作为样本数据输入到卷积神经网络中,采用监督学习的方式,经过多次迭代训练,获得训练好的卷积神经网络。
优选地,所述样本数据的数量为2500组,其中2000组样本数据作为训练样本,500组样本数据作为检验样本,训练过程中批大小batchsize设置为20,迭代次数为1000次。
优选地,所述步骤S03中,在将所述采样数据和所述样本数据输入到卷积神经网络之前,对采样数据和样本数据进行预处理,所述预处理具体为:
根据采样数据/样本数据的时频信息,将多通道的采样数据/样本数据按时间关系排列为x行、y列的图谱文件,作为单次训练或计算的输入数据。
本公开的一种基于卷积神经网络的DOA波达角估计系统,包括:
调度模块,其用于对目标终端进行资源调度;
接收模块,其用于与所述LTE基站同步,解调所述LTE基站的下行调度信息,根据所述目标终端的上行调度信息的DCI指示,在与所述DCI指示相对应的RB位置接收目标终端的上行信号,获取关于所述上行信号的采样数据;
测向模块,其用于将所述采样数据输入到训练好的卷积神经网络中,计算获得该上行信号的波达角。
优选地,所述调度模块为LTE基站;所述接收模块包括多个天线阵元构成的阵列天线;所述测向模块包括主控单元、FPGA单元、时钟单元、存储单元和收发单元;
所述主控单元和所述时钟单元均与所述FPGA单元信号连接;
所述存储单元分别与所述主控单元、所述FPGA单元信号连接;
所述收发单元的输入端与所述接收模块信号连接,输出端与所述FPGA单元信号连接,所述收发单元还与所述时钟单元信号连接。
本公开所述的一种基于卷积神经网络的DOA波达角估计方法及系统,其优点在于,本公开将卷积神经网络应用于DOA波达角估计中,通过完备的训练数据对卷积神经网络进行训练,卷积神经网络将影响结果判断的有用特征自动提取出来形成网络参数,构建输入与输出的映射,从而在实际的DOA估计时将对应的上行信号数据输入到训练好的卷积神经网络中时,可通过卷积神经网络对DOA进行快速判决,经实际验证,其估计误差低于1°,估计时间低于10ms,具有估计精度高、估计速度快、实时性好的优点,可大大增强DOA在不同场景中的应用能力,提升系统效率,有重大的实用价值。
附图说明
图1是本公开所述一种基于卷积神经网络的DOA波达角估计方法的步骤流程图;
图2是本公开所述一种基于卷积神经网络的DOA波达角估计系统的结构框图;
图3是本公开所述测向模块的结构框图。
附图标记说明:1-调度模块,2-接收模块,3-测向模块,31-主控单元,32-FPGA单元,33-时钟单元,34-存储单元,35-收发单元,4-功放模块,5-射频模块。
具体实施方式
如图1所示,本公开所述的一种基于卷积神经网络的DOA波达角估计方法,包括以下步骤:
S01、对目标终端进行资源调度,具体的,LTE基站对目标终端,如目标手机进行调度,将调度目标、调度频点、调度时频资源等信息实时发送至估计系统。
S02、估计系统与LTE基站进行同步,解调LTE基站的下行调度信息,根据目标终端的上行调度信息的DCI(Downlink Control Information,下行控制信息)指示,在与DCI指示相对应的RB位置接收目标终端的上行信号,获取关于上行信号的采样数据。
S03、将所述采样数据输入到训练好的卷积神经网络中,计算获得该上行信号的波达角,具体的,测向模块3中设有训练好的卷积神经网络,该卷积神经网络反映上行信号的采样数据中影响结果判断的有用特征,如相位、幅度与波达角之间的映射关系,在将上行信号的采样数据输入到该卷积神经网络后,该卷积神经网络将该采样数据中的有用特征提取出来并进行运算处理,计算获得该上行信号的波达角,即其对应的手机终端的入射角度。
本公开将卷积神经网络应用于DOA波达角估计中,通过完备的训练数据对卷积神经网络进行训练,卷积神经网络将影响结果判断的有用特征自动提取出来形成网络参数,构建输入与输出的映射,从而在实际的DOA估计时将对应的上行信号数据输入到训练好的卷积神经网络中时,可通过卷积神经网络对DOA进行快速判决,经实际验证,其估计误差低于1°,估计时间低于10ms,具有估计精度高、估计速度快、实时性好的优点,可大大增强DOA在不同场景中的应用能力,提升系统效率,有重大的实用价值。
具体的,本实施例采用卷积神经网络来进行DOA估计,其属于深度学习网络,其可在没有人类操作者指导的情况下,通过试错来学习执行任务。本实施例的卷积神经网络共设计33层,包括输入层、20层卷积层、12层池化层以及1层全连接层,且各层的分布依次为I、C1、P1、C2、C3、P2、C4、C5、P3、C6、C7、P4、C8、C9、P5、 C10、C11、P6、C12、C13、P7、C14、C15、P8、C16、P9、C17、P10、C18、P11、C19、P12、C20和F,其中,I表示输入层,Cm表示第m层卷积层,Pn表示第n层池化层,F表示全连接层。
输入层采用128个16*64的空洞卷积核,C18、C19和C20采用5*5的卷积核,其余卷积层采用3*3的卷积核;这样设置的目的是由于在训练和计算时输入数据的图谱较大,在前面的输入层采用空洞卷积核,可显著降低数据规模,降低运算复杂度。
为防止图谱列数缩减,对卷积前的各列分别做重复填充操作。
卷积层采用ReLU_Like激活函数;所述池化层采用1*2的核、步长为2的平均池化;所述卷积神经网络采用均方误差函数作为损失函数。
具体的,步骤S03中,所述卷积神经网络通过以下步骤训练:
获取多组时频资源位置确定的入射信号数据,每组入射信号数据均包括有该组入射信号的真实波达角;
将所述多组入射信号数据作为样本数据输入到卷积神经网络中,采用监督学习的方式,经过多次迭代训练,获得训练好的卷积神经网络;
更具体的,所述样本数据的数量为2500组,其中2000组样本数据作为训练样本,500组样本数据作为检验样本,训练过程中批大小batchsize设置为20,迭代次数为1000次。
经过实际验证,通过上述步骤训练所得的卷积神经网络DOA波达角估计准确率超过98%,满足设计要求。
具体的,所述步骤S03中,在将所述采样数据和所述样本数据输入到卷积神经网络之前,对采样数据和样本数据进行预处理,所述预处理具体为:
根据采样数据/样本数据的时频信息,将多通道的采样数据/样本数据按时间关系排列为x行、y列的图谱文件,作为单次训练或计算的输入数据;
如,在对8通道的采用数据/样本数据预处理时,将时频资源(RB)确定的采样数据/样本数据按时间关系排列为16行、1024列的图谱文件,作为单次训练或计算的输入数据,1024列对应1024个采样点,16行、1024列的数据在训练处理过程中,行数保持不变,列数不断缩减。
本公开采用深度神经网络进行DOA波达角估计,自动挖掘输入原始数据和输出角度之间的复杂关系,无需进行复杂的数据预处理,无需逼近任何预设的非线性函数,采用原始数据简单组合作为输入数据;本公开从原理上更加符合利用神经网络解决复杂问题的解决思路,不预设任何解决思路,完全通过神经网络提取输入输出对应关系,实现了由较简单概念间的联系定义复杂概念,从一般抽象概括到高级抽象表示。
如图2、图3所示的,本实施例还提供了一种基于卷积神经网络的DOA波达角估计系统,包括:
调度模块1,其用于对目标终端进行资源调度;通常为LTE基站,用于对手机终端等目标终端进行资源调度。在优选的实施例中,LTE基站通过一功放模块4与手机终端进行通信,以确保信号传输稳定。
接收模块2,其用于与所述LTE基站同步,解调所述LTE基站的下行调度信息,根据所述目标终端的上行调度信息的DCI指示,在与所述DCI指示相对应的RB位置接收目标终端的上行信号,获取关于所述上行信号的采样数据;通常为多个天线阵元按一定方式排列构成的阵列天线,多个阵元用于接收同一个信源的数据,即同一个终端的上行信号。
测向模块3,其用于将所述采样数据输入到训练好的卷积神经网络中,计算获得该上行信号的波达角,其具体包括主控单元31、FPGA单元32(Field Programmable GateArray,现场可编程逻辑门阵列)、时钟单元33、存储单元34和收发单元35;更具体的,FPGA单元32选用xc7k410tffg系列。在具体的实施例中,接收模块2与测向模块3之间通过一射频模块5进行信号传输。
所述主控单元31和所述时钟单元33均与所述FPGA单元32信号连接,主控单元31用于提供控制信息,时钟单元33用于提供参考时钟;
所述存储单元34分别与所述主控单元31、所述FPGA单元32信号连接;存储单元34具体包括Flash存储器和DDR(Double Data Rate双倍速率同步动态随机存储器),用于进行数据存储。
所述收发单元35的输入端与所述接收模块2信号连接,输出端与所述FPGA单元32信号连接,收发单元35具体为transceiver无线收发器,其在进行信号收发的同时可完成模拟信号的数字化,以使输入到FPGA单元32中的为数字信号。
所述收发单元35还与所述时钟单元33信号连接,时钟单元33为收发单元35提供参考时钟,以确认收发信号的时频信息。
本实施例的基于卷积神经网络的DOA波达角估计系统与上述的方法实施例基于相同的发明构思,可参照上文关于方法实施例的描述进行理解,在此不再赘述。
本公开通过卷积神经网络实现DOA波达角估计,具有估计精度高、估计速度快、实时性好的优点。
在本公开的描述中,需要理解的是,方位词如“前、后、上、下、左、右”、“横向、竖向、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本公开和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本公开保护范围的限制。
对于本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本公开权利要求的保护范围之内。
Claims (4)
1.一种基于卷积神经网络的DOA波达角估计方法,其特征在于,包括以下步骤:
S01、LTE基站对目标终端进行资源调度;
S02、与所述LTE基站同步,解调所述LTE基站的下行调度信息,根据所述目标终端的上行调度信息的DCI指示,在与所述DCI指示相对应的RB位置接收目标终端的上行信号,获取关于所述上行信号的采样数据;
S03、将所述采样数据输入到训练好的卷积神经网络中,计算获得该上行信号的波达角;
步骤S03中,所述卷积神经网络包括输入层、20层卷积层、12层池化层以及1层全连接层,且各层的分布依次为I、C1、P1、C2、C3、P2、C4、C5、P3、C6、C7、P4、C8、C9、P5、 C10、C11、P6、C12、C13、P7、C14、C15、P8、C16、P9、C17、P10、C18、P11、C19、P12、C20和F,其中,I表示输入层,Cm表示第m层卷积层,Pn表示第n层池化层,F表示全连接层;
所述输入层采用128个16*64的空洞卷积核,C18、C19和C20采用5*5的卷积核,其余卷积层采用3*3的卷积核;所述卷积层采用ReLU_Like激活函数;所述池化层采用1*2的核、步长为2的平均池化;所述卷积神经网络采用均方误差函数作为损失函数;
步骤S03中,所述卷积神经网络通过以下步骤训练:
获取多组时频资源位置确定的入射信号数据,每组入射信号数据均包括有该组入射信号的真实波达角;
将所述多组入射信号数据作为样本数据输入到卷积神经网络中,采用监督学习的方式,经过多次迭代训练,获得训练好的卷积神经网络;
所述步骤S03中,在将所述采样数据和所述样本数据输入到卷积神经网络之前,对采样数据和样本数据进行预处理,所述预处理具体为:
根据采样数据/样本数据的时频信息,将多通道的采样数据/样本数据按时间关系排列为x行、y列的图谱文件,作为单次训练或计算的输入数据。
2.根据权利要求1所述基于卷积神经网络的DOA波达角估计方法,其特征在于,所述样本数据的数量为2500组,其中2000组样本数据作为训练样本,500组样本数据作为检验样本,训练过程中批大小batchsize设置为20,迭代次数为1000次。
3.一种基于卷积神经网络的DOA波达角估计系统,其特征在于,包括:
调度模块,其用于对目标终端进行资源调度;
接收模块,其用于与LTE基站同步,解调所述LTE基站的下行调度信息,根据所述目标终端的上行调度信息的DCI指示,在与所述DCI指示相对应的RB位置接收目标终端的上行信号,获取关于所述上行信号的采样数据;
测向模块,其用于将所述采样数据输入到训练好的卷积神经网络中,计算获得该上行信号的波达角;
所述卷积神经网络包括输入层、20层卷积层、12层池化层以及1层全连接层,且各层的分布依次为I、C1、P1、C2、C3、P2、C4、C5、P3、C6、C7、P4、C8、C9、P5、 C10、C11、P6、C12、C13、P7、C14、C15、P8、C16、P9、C17、P10、C18、P11、C19、P12、C20和F,其中,I表示输入层,Cm表示第m层卷积层,Pn表示第n层池化层,F表示全连接层;
所述输入层采用128个16*64的空洞卷积核,C18、C19和C20采用5*5的卷积核,其余卷积层采用3*3的卷积核;所述卷积层采用ReLU_Like激活函数;所述池化层采用1*2的核、步长为2的平均池化;所述卷积神经网络采用均方误差函数作为损失函数;
所述卷积神经网络通过以下步骤训练:
获取多组时频资源位置确定的入射信号数据,每组入射信号数据均包括有该组入射信号的真实波达角;
将所述多组入射信号数据作为样本数据输入到卷积神经网络中,采用监督学习的方式,经过多次迭代训练,获得训练好的卷积神经网络;
在将所述采样数据和所述样本数据输入到卷积神经网络之前,对采样数据和样本数据进行预处理,所述预处理具体为:
根据采样数据/样本数据的时频信息,将多通道的采样数据/样本数据按时间关系排列为x行、y列的图谱文件,作为单次训练或计算的输入数据。
4.根据权利要求3所述基于卷积神经网络的DOA波达角估计系统,其特征在于,所述调度模块为LTE基站;所述接收模块包括多个天线阵元构成的阵列天线;所述测向模块包括主控单元、FPGA单元、时钟单元、存储单元和收发单元;
所述主控单元和所述时钟单元均与所述FPGA单元信号连接;
所述存储单元分别与所述主控单元、所述FPGA单元信号连接;
所述收发单元的输入端与所述接收模块信号连接,输出端与所述FPGA单元信号连接,所述收发单元还与所述时钟单元信号连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310179623.9A CN115856768B (zh) | 2023-03-01 | 2023-03-01 | 一种基于卷积神经网络的doa波达角估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310179623.9A CN115856768B (zh) | 2023-03-01 | 2023-03-01 | 一种基于卷积神经网络的doa波达角估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115856768A CN115856768A (zh) | 2023-03-28 |
CN115856768B true CN115856768B (zh) | 2023-05-16 |
Family
ID=85659354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310179623.9A Active CN115856768B (zh) | 2023-03-01 | 2023-03-01 | 一种基于卷积神经网络的doa波达角估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115856768B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105182278B (zh) * | 2015-08-03 | 2016-06-22 | 东南大学 | 一种基于sc-fdma符号的lte上行信号doa估计方法 |
CN111342876A (zh) * | 2018-12-18 | 2020-06-26 | 任子行网络技术股份有限公司 | 基于music算法的lte上行信号doa估算方法和系统 |
CN110717415B (zh) * | 2019-09-24 | 2020-12-04 | 上海数创医疗科技有限公司 | 基于特征选取的st段分类卷积神经网络及其使用方法 |
CN110888105B (zh) * | 2019-10-09 | 2023-03-24 | 哈尔滨工程大学 | 一种基于卷积神经网络和接收信号强度的doa估计方法 |
CN111610488B (zh) * | 2020-04-08 | 2023-08-08 | 中国人民解放军国防科技大学 | 基于深度学习的任意阵列波达角估计方法 |
CN113627327A (zh) * | 2021-08-10 | 2021-11-09 | 金陵科技学院 | 基于多尺度时频图并行输入卷积神经网络的歌声检测方法 |
-
2023
- 2023-03-01 CN CN202310179623.9A patent/CN115856768B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115856768A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832834B (zh) | 一种基于生成对抗网络的wifi室内定位指纹库的构建方法 | |
CN107171708B (zh) | 一种大规模mimo系统的信道跟踪与混合预编码方法 | |
CN112995892B (zh) | 基于复数神经网络的大规模mimo指纹定位方法 | |
CN110113088B (zh) | 一种分离型数模混合天线系统波达角智能化估计方法 | |
CN112505434B (zh) | 一种无源阵列天线波束扫描特性的测试方法 | |
CN113194548B (zh) | 一种智能超表面辅助的大规模无源随机接入方法 | |
CN105158735B (zh) | 基于压缩采样阵列的空频二维谱估计方法 | |
CN112180324B (zh) | 无人机移动监测中面向非圆信号的降维处理直接定位方法 | |
CN112929962B (zh) | 定位方法、装置、计算机设备和存储介质 | |
CN113438002B (zh) | 基于lstm的模拟波束切换方法、装置、设备及介质 | |
CN115577305B (zh) | 一种无人机信号智能识别方法及装置 | |
CN109951216B (zh) | 一种基于码本辅助的大规模mimo doa估计方法 | |
CN115856768B (zh) | 一种基于卷积神经网络的doa波达角估计方法及系统 | |
CN111007457A (zh) | 一种基于块稀疏贝叶斯模型的辐射源直接定位方法 | |
CN113852908A (zh) | 基于天线扩展的室内定位方法 | |
CN103427768B (zh) | 多路输出信号间相对时延的校准方法 | |
CN115882985A (zh) | 一种基于高斯过程回归的低轨卫星信道预测方法及系统 | |
CN112946567B (zh) | 基于域对抗神经网络的运动目标指纹室内定位方法 | |
CN117406256B (zh) | 一种应用于低轨互联网卫星的终端定位方法及相关设备 | |
CN111856527A (zh) | 一种基于伪卫星空间信号图谱的室内定位方法 | |
CN112162238B (zh) | 一种基于大规模天线阵的多普勒频偏测量方法 | |
CN113156363B (zh) | 阵元互耦和幅相误差下的近场源智能定位方法 | |
CN113364712B (zh) | 基于ddpg网络的混合辐射源信号分离方法 | |
CN117135639B (zh) | 基于神经网络的无线通信覆盖预测方法、系统及设备 | |
CN111147111B (zh) | 一种关于角度域任意功率谱mimo信道特征计算方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A DOA DOA estimation method and system based on convolutional neural networks Granted publication date: 20230516 Pledgee: Bank of Beijing Limited by Share Ltd. Shenzhen branch Pledgor: SHENZHEN ZHT COMMUNICATION TECHNOLOGY CO.,LTD. Registration number: Y2024980019141 |