CN116155339B - 一种基于深度神经网络的多目标doa估计方法 - Google Patents
一种基于深度神经网络的多目标doa估计方法 Download PDFInfo
- Publication number
- CN116155339B CN116155339B CN202211694638.0A CN202211694638A CN116155339B CN 116155339 B CN116155339 B CN 116155339B CN 202211694638 A CN202211694638 A CN 202211694638A CN 116155339 B CN116155339 B CN 116155339B
- Authority
- CN
- China
- Prior art keywords
- layer
- target
- neural network
- deep neural
- doa estimation
- 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 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000013139 quantization Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000003491 array Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 description 5
- 238000011084 recovery Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
- H04B7/0842—Weighted combining
- H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
-
- 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
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
- G01S3/143—Systems for determining direction or deviation from predetermined direction by vectorial combination of signals derived from differently oriented antennae
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度神经网络的多目标DOA估计方法，该方法包括：第一步，接收端通过阵列天线接收多目标信号，并使用低精度ADC对接收的多目标信号进行采样量化，得到量化信号；第二步，通过所设计的深度神经网络模型对量化信号进行DOA估计。该方法通过深度神经网络模型能够降低量化误差对DOA估计性能的影响，降低了硬件成本，同时不损失估计精度，而且能够适应各种环境，兼容性好。
Description
技术领域
本发明涉及无线通信技术领域，特别是一种基于深度神经网络的多目标DOA估计方法。
背景技术
近年来， MIMO（Multiple-Input Multiple-Output，多输入多输出）技术作为5G移动通信系统的关键技术，由于其优良的数据速率和可靠性受到了广泛关注。DOA（Directionof Arrival，到达波方向）估计是MIMO系统中阵列信号处理最重要的问题之一，近年来也引起了广泛关注。
对于多个接收天线组成的接收天线阵列而言，对于接收的多角度来源的目标信号而言，通常是需要对信号接收后进行采样量化。然而，如果在MIMO系统中配备高精度的ADC进行模数转换，由于天线数量较多，将会产生高额的基站硬件成本。因此，为了降低成本，通常在接收端采用低精度ADC进行模数转换，而这也导致了数据精度下降，使得DOA估计变得更加困难。
发明内容
本发明主要解决的技术问题是提供一种基于深度神经网络的多目标DOA估计方法，以解决在低精度ADC条件下提高多目标DOA估计的精度，同时能够降低硬件成本的DOA估计方法。
为解决上述技术问题，本发明采用的一个技术方案是提供一种基于深度神经网络的多目标DOA估计方法，包括：
第一步，接收端通过阵列天线接收多目标信号，并使用低精度ADC对接收的多目标信号进行采样量化，得到量化信号；
第二步，通过所设计的深度神经网络模型对量化信号进行DOA估计。
优选的，在第一步中，所述阵列天线为均匀线阵，阵列天线的数量M，间距为，所述多目标信号的数量为/>，与阵列天线之间的夹角为/>；为多目标信号矢量，多目标信号的导向矢量为：
；
多目标信号在t时刻到达所述阵列天线的信号矢量为：
其中，为转置矢量，且有：/>。
优选的，所述阵列天线在t时刻所接收的信号矩阵为：
其中，为加性高斯白噪声，/>为阵列天线的导向矩阵。
优选的，使用低精度ADC对接收的信号矩阵进行采样量化，通过低精度ADC后的量化信号表示为：
其中，为ADC的量化位数，/>为向上取整运算符，/>为信噪比SNR的倒数，/>为/>采样后的信号，/>。优选的，/>。
优选的，所述深度神经网络模型一共有十七层，其中：
第一层至第五层均为全连接层，节点数分别为2M、256、1024、256和2M，激活函数为LeakyReLU函数；
第六层为卷积层，卷积核长为2，输出张量通道数为32；
第七层为卷积层，卷积核长为2，输出张量通道数为64；
第八层为池化层，池化窗口大小为2；
第九层为卷积层，卷积核长为2，输出张量通道数为128；
第十层为池化层，池化窗口大小为2；
第十一层为卷积层，卷积核长为2，输出张量通道数为64；
第十二层为池化层，池化窗口大小为2；
第十三层为卷积层，卷积核长为2，输出张量通道数为32；
第十四层为池化层，池化窗口大小为2；
第十五层为Flatten层；
第十六层为全连接层，节点数为2048，激活函数为LeakyReLU函数；
第十七层为最后的输出层，为全连接层，节点数为1800，激活函数为Sigmoid函数。
优选的，对所述神经网络模型先进行训练，每次训练的设置参数包括：学习率为0.01，批大小为32，回合数为100。
优选的，阵列天线的数量，阵列天线的间距/>，目标信号波长/>m，多个目标信号的角度范围从20度到160度， SNR为20dB。
本发明的有益效果是：本发明公开了一种基于深度神经网络的多目标DOA估计方法，该方法包括：第一步，接收端通过阵列天线接收多目标信号，并使用低精度ADC对接收的多目标信号进行采样量化，得到量化信号；第二步，通过所设计的深度神经网络模型对量化信号进行DOA估计。该方法通过深度神经网络模型能够降低量化误差对DOA估计性能的影响，降低了硬件成本，同时不损失估计精度，而且能够适应各种环境，兼容性好。
附图说明
图1是本发明基于深度神经网络的多目标DOA估计方法的流程示意图。
图2是本发明对应的接收模型示意图。
图3是本发明实施例中训练时的准确率曲线。
图4是本发明实施例中训练时的损失函数曲线。
图5是本发明实施例中多目标信号数为1时的DOA估计结果。
图6是本发明实施例中多目标信号数为2时的DOA估计结果。
图7是本发明实施例中多目标信号数为4时的DOA估计结果。
图8是本发明实施例中多目标信号数为6时的DOA估计结果。
图9是本发明实施例中多目标信号数为8时的DOA估计结果。
图10是本发明实施例中DOA估计结果的均方误差函数与信噪比的关系曲线。
图11是本发明实施例中DOA估计结果的均方误差函数与阵元数的关系曲线。
图12是本发明实施例中DOA估计结果的均方误差函数与量化位数的关系曲线。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
图1显示了基于深度神经网络的多目标DOA估计方法的实施例，在图1中，包括以下步骤：
第一步S1，接收端通过阵列天线接收多目标信号，并使用低精度ADC对接收的多目标信号进行采样量化，得到量化信号；
第二步S2，通过所设计的深度神经网络对量化信号进行DOA估计。
优选的，在第一步S1中，如图2所示，阵列天线为均匀线阵，阵列天线的数量M，也称之为阵元数M，阵列天线的间距为，阵列天线接收多目标信号，该多目标信号既可以是来源于多个发射天线的信号，也可以是来源于多个目标的反射信号。多目标信号的数量为/>，各目标信号与阵列天线之间的夹角为/>。/>为多目标信号矢量，多目标信号的导向矢量可以表示为：
；
多目标信号在t时刻到达阵列天线的信号矢量为：
其中，为转置矢量，且有：
考虑噪声的影响，则该阵列天线在t时刻所接收的信号矩阵为：
其中，为加性高斯白噪声，/>为阵列的导向矩阵。
优选的，在第一步S1中，使用低精度ADC对接收信号进行采样量化，通过低精度ADC后的量化信号可以表示为：
其中，为ADC的量化位数，/>为向上取整运算符，/>为信噪比SNR的倒数，/>为/>采样后的信号，/>。优选的，量化位数/>。
优选的，在第二步S2中，通过所设计的深度神经网络模型进行数据恢复，所述深度神经网络模型一共有十七层，具体如下：第一层至第五层均为全连接层，节点数分别为2M、256、1024、256和2M，激活函数为LeakyReLU函数；第六层为卷积层，卷积核长为2，输出张量通道数为32；第七层为卷积层，卷积核长为2，输出张量通道数为64；第八层为池化层，池化窗口大小为2；第九层为卷积层，卷积核长为2，输出张量通道数为128；第十层为池化层，池化窗口大小为2；第十一层为卷积层，卷积核长为2，输出张量通道数为64；第十二层为池化层，池化窗口大小为2；第十三层为卷积层，卷积核长为2，输出张量通道数为32；第十四层为池化层，池化窗口大小为2；第十五层为Flatten层；第十六层为全连接层，节点数为2048，激活函数为LeakyReLU函数；最后的输出层为全连接层，节点数为1800，激活函数为Sigmoid函数。将二元交叉熵(Binary Cross Entropy)函数作该神经网络的损失函数，以加快收敛速度，将Adam算法作为优化算法，以提高网络性能。
进一步的，第一步S1中使用低精度ADC进行采样量化，能够降低硬件成本，第二步S2中利用深度神经网络模型进行数据恢复，能够提高估计精度。本发明与现有技术相比，其显著优点为：（1）有效减小了量化误差的影响，提高了DOA估计精度；（2）降低了硬件成本，同时不损失估计精度；（3）可适应多种环境，兼容性好。
优选的，将第一步S1中所生成的低精度的量化信号作为输入，利用所设计的深度神经网络模型进行训练，再利用经过训练后的深度神经网络模型对低精度的量化信号进行数据恢复。训练时，所述神经网络模型每次训练的学习率（learning rate）为0.01，批大小（batch size）为32，回合数（epoch）为100。优选的，在第一步S1中，接收天线阵列的数量，接收天线阵列的间距为/>，信号波长/>m，目标角度范围从20度到160度，SNR为20dB。
图3和图4分别给出了本发明方法训练时的准确率曲线和损失函数曲线。从图3可以看出，训练的准确率在99.75%左右，从图4可以看出，神经网络模型的loss函数值逐渐下降至0.11左右，所设计的深度神经网络模型能够较好地估计目标的DOA。
优选的，目标信号的数量为1到6范围内的随机数，输出为大小为（1，1800）的数组，即以0.1度为单位，输出的值即为该点含有目标的概率值，找到最大概率所在分类，即可得到估计入射角度。图4到图8给出了本发明方法在不同发射信号下的DOA估计结果。
图5为目标信号数为1时的DOA估计结果，入射角度为136.58度，图6为目标信号数为2时的DOA估计结果，入射角度为54.42度和102.73度，图7为目标信号数为4时的DOA估计结果，入射角度分别为60.41度、82.65度、91.81度和142.47度，从图5到图7可以看出，在目标信号数较少的情况下，本专利本发明方法能够精确地进行DOA估计，未出现误判、漏判等情况。
图8为目标信号数为6时的DOA估计结果，入射角度分别为52.70度、58.50度、85.19度、92.89度、131.97度和147.08度，可以看出，本发明方法在目标信号数增多至6个时，性能有所下降，预测概率图会出现较小的“毛刺”，即误判其他点有入射信号的概率，但概率较小，并不影响估计结果，仍能精确进行DOA估计；
图9为目标信号数为8时的DOA估计结果，入射角度分别为48.44度、54.58度、63.37度、82.65度、104.66度、125.17度、143.34度和148.44度，可以看出，本发明方法在目标信号数增多至8个时，本发明方法的DOA估计性能略低于目标较少的情况，但仍然能够准确地进行DOA估计，从图8也可以看出，在多个目标信号角度间隔较小的情况下，较难分辨出目标信号量，但仍能估计出该区间范围内含有目标。
图10到图12给出了信噪比、接收天线数及量化位数对本发明方法的估计精度的影响。
图10给出了本发明方法的角度估计精度与信噪比的变化趋势，将信噪比从-5dB逐渐增大至20dB，可以看出，随着信噪比逐渐增大，本发明方法的均方根误差（RMSE）逐渐减小，并趋于稳定。在信噪比较小的环境下，如时，本发明方法仍能准确估计目标DOA。
图11给出了本发明方法的角度估计精度与接收天线阵元数（也即是接收天线数）的变化趋势，将阵元数从4逐渐增大到64，可以看出，随着阵元数逐渐增大，本发明方法的均方根误差逐渐减小。在阵元数较少的情况下，本发明方法仍能准确地估计目标DOA。
图12给出了本发明方法的角度估计精度与量化位数的变化趋势，将量化位数从1bit逐渐增大至3bit，可以看出，随着量化位数逐渐增大，本发明方法的均方根误差逐渐减小，并趋于稳定。在量化位数较小的环境下，如时，本发明方法仍能准确估计目标DOA，证明了本发明方法在低精度量化场景下的有效性和准确性。
因此，本发明提出的一种基于深度神经网络的多目标DOA估计方法降低了量化误差对DOA估计性能的影响，降低了硬件成本，同时不损失估计精度，而且能够适应各种环境，兼容性好。
以上仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (3)
1.一种基于深度神经网络的多目标DOA估计方法，其特征在于，包括：
第一步，接收端通过阵列天线接收多目标信号，并使用低精度ADC对接收的多目标信号进行采样量化，得到量化信号；在第一步中，所述阵列天线为均匀线阵，阵列天线的数量M，间距为，所述多目标信号的数量为/>，与阵列天线之间的夹角为/>；为多目标信号矢量，多目标信号的导向矢量为：
；其中，/>为目标信号波长；
多目标信号在t时刻到达所述阵列天线的信号矢量为：
其中，为转置矢量，且有：/>；
所述阵列天线在t时刻所接收的信号矩阵为：
其中，为加性高斯白噪声，/>为阵列天线的导向矩阵；
使用低精度ADC对接收的信号矩阵进行采样量化，通过低精度ADC后的量化信号表示为：
其中，为ADC的量化位数，/>为向上取整运算符，/>为信噪比SNR的倒数，/>为/>采样后的信号，/>；/>；
第二步，通过所设计的深度神经网络模型对量化信号进行DOA估计，所述深度神经网络模型一共有十七层，其中：
第一层至第五层均为全连接层，节点数分别为2M、256、1024、256和2M，激活函数为LeakyReLU函数；
第六层为卷积层，卷积核长为2，输出张量通道数为32；
第七层为卷积层，卷积核长为2，输出张量通道数为64；
第八层为池化层，池化窗口大小为2；
第九层为卷积层，卷积核长为2，输出张量通道数为128；
第十层为池化层，池化窗口大小为2；
第十一层为卷积层，卷积核长为2，输出张量通道数为64；
第十二层为池化层，池化窗口大小为2；
第十三层为卷积层，卷积核长为2，输出张量通道数为32；
第十四层为池化层，池化窗口大小为2；
第十五层为Flatten层；
第十六层为全连接层，节点数为2048，激活函数为LeakyReLU函数；
第十七层为最后的输出层，为全连接层，节点数为1800，激活函数为Sigmoid函数。
2.根据权利要求1所述的基于深度神经网络的多目标DOA估计方法，其特征在于，对所述深度神经网络模型先进行训练，每次训练的设置参数包括：学习率为0.01，批大小为32，回合数为100。
3.根据权利要求2所述的基于深度神经网络的多目标DOA估计方法，其特征在于，所述阵列天线的数量，阵列天线的间距/>，多目标信号的波长/>m，多目标信号的角度范围从20度到160度， SNR为20dB。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211694638.0A CN116155339B (zh) | 2022-12-28 | 2022-12-28 | 一种基于深度神经网络的多目标doa估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211694638.0A CN116155339B (zh) | 2022-12-28 | 2022-12-28 | 一种基于深度神经网络的多目标doa估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116155339A CN116155339A (zh) | 2023-05-23 |
| CN116155339B true CN116155339B (zh) | 2024-06-25 |
Family
ID=86361170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211694638.0A Active CN116155339B (zh) | 2022-12-28 | 2022-12-28 | 一种基于深度神经网络的多目标doa估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116155339B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102638296A (zh) * | 2012-03-03 | 2012-08-15 | 天津理工大学 | 一种基于智能天线和神经网络算法的抗干扰方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3301846A1 (en) * | 2016-09-30 | 2018-04-04 | Nokia Technologies OY | Method, system and apparatus |
| CN108365873B (zh) * | 2018-01-12 | 2021-03-23 | 东南大学 | 采用低精度adc毫米波大规模mimo自适应传输方法 |
| CN110099017B (zh) * | 2019-05-22 | 2021-09-28 | 东南大学 | 基于深度神经网络的混合量化系统的信道估计方法 |
| CN113037660B (zh) * | 2021-02-26 | 2022-04-15 | 广东工业大学 | 基于近似消息传递的线谱估计方法 |
-
2022
- 2022-12-28 CN CN202211694638.0A patent/CN116155339B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102638296A (zh) * | 2012-03-03 | 2012-08-15 | 天津理工大学 | 一种基于智能天线和神经网络算法的抗干扰方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于时间反转的MIMO雷达多目标DOA估计;刘梦波;胡国平;周豪;韩浩鹏;;火力与指挥控制;20180215(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116155339A (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108365873B (zh) | 采用低精度adc毫米波大规模mimo自适应传输方法 | |
| CN113381952A (zh) | 基于深度学习的多天线系统信道估计方法 | |
| CN114268388B (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
| CN106941463A (zh) | 一种单比特量化mimo系统信道估计方法及系统 | |
| CN110611626B (zh) | 信道估计方法、装置及设备 | |
| CN115208442A (zh) | 一种超大规模阵列通信系统的两阶段波束训练方法 | |
| CN112733476A (zh) | 基于ADCs的大规模MIMO接收阵列DOA估计方法 | |
| CN113242195B (zh) | 一种低精度全数字架构下窄带毫米波mimo信道估计方法 | |
| CN113644941B (zh) | 一种基于大规模mimo接收阵列结构的模糊相位快速消除方法 | |
| CN116155339B (zh) | 一种基于深度神经网络的多目标doa估计方法 | |
| CN107809399B (zh) | 一种针对量化接收信号的多天线毫米波信道估计方法 | |
| CN117092585A (zh) | 单比特量化DoA估计方法、系统和智能终端 | |
| CN110149285B (zh) | 一种在低比特量化的高阶调制中降低相位误差的方法 | |
| CN115236586B (zh) | 一种基于数据预处理的极地冰下doa估计方法 | |
| CN115877315B (zh) | 一种基于深度神经网络的单目标doa估计方法 | |
| CN116299193A (zh) | 一种mimo雷达智能doa估计方法 | |
| CN116047401A (zh) | 一种基于单比特量化的欠定波达方向估计方法 | |
| CN114200389A (zh) | 一种基于多天线阵列的单比特量化波达方向估计方法 | |
| CN114325626A (zh) | 一种基于一比特采样的双基地mimo目标定位方法 | |
| CN110912585A (zh) | 一种基于信道因子的天线选择方法 | |
| CN113055815B (zh) | 基于最大似然估计的多传感器1比特直接定位方法 | |
| CN110061766A (zh) | 基于鲁棒迭代再加权抑制噪声的信道估计方法 | |
| CN116319194A (zh) | 低精度量化下的大规模mimo系统信道估计和定位方法 | |
| CN1479953A (zh) | 基站、基站模块和估计上行链路信号的参数的方法 | |
| CN111917441B (zh) | 一种基于大规模多输入多输出毫米波系统的信道估计方法 |
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 |