KR102247740B1 - 인공 신경망에 기초하여 도래각을 추정하는 장치 및 그 방법 - Google Patents

인공 신경망에 기초하여 도래각을 추정하는 장치 및 그 방법 Download PDF

Info

Publication number
KR102247740B1
KR102247740B1 KR1020200003865A KR20200003865A KR102247740B1 KR 102247740 B1 KR102247740 B1 KR 102247740B1 KR 1020200003865 A KR1020200003865 A KR 1020200003865A KR 20200003865 A KR20200003865 A KR 20200003865A KR 102247740 B1 KR102247740 B1 KR 102247740B1
Authority
KR
South Korea
Prior art keywords
angle
arrival
vector
components
neural network
Prior art date
Application number
KR1020200003865A
Other languages
English (en)
Inventor
유도식
박선배
Original Assignee
홍익대학교 산학협력단
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 홍익대학교 산학협력단 filed Critical 홍익대학교 산학협력단
Priority to KR1020200003865A priority Critical patent/KR102247740B1/ko
Application granted granted Critical
Publication of KR102247740B1 publication Critical patent/KR102247740B1/ko

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Remote Sensing (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

본 발명은 인공 신경망에 기초하여 도래각을 추정하는 장치 및 그 방법에 관한 것으로서, 일실시예에 따른 도래각 추정 장치는 적어도 하나 이상의 타겟(target)으로부터 수신하는 신호에 대응하여 잡음(noise)이 제거된 자기상관행렬을 연산하고, 잡음이 제거된 자기상관행렬을 벡터화하는 전처리부와, 벡터화된 자기상관행렬을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터를 산출하는 각도 벡터 산출부와, 산출된 각도 벡터에 대응되는 도래각 성분들에 대한 도래각 시프트(DoA shift)를 수행하고, 도래각 시프트가 수행된 성분들을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터를 재산출하는 각도 벡터 재산출부 및 재산출된 각도 벡터에 대응되는 도래각 성분들에 대한 도래각 시프트를 재수행하고, 도래각 시프트가 재수행된 성분들을 입력으로 수신하는 복합 신경망 알고리즘을 통해 타겟 도래각을 결정하는 도래각 결정부를 포함한다.

Description

인공 신경망에 기초하여 도래각을 추정하는 장치 및 그 방법{APPARATUS FOR ESTIMATING DIRECTION-OF-ARRIVAL BASED ON ARTIFICIAL NEURAL NETWORK AND METHOD THEREOF}
본 발명은 인공 신경망에 기초하여 도래각을 추정하는 장치 및 그 방법에 관한 것으로, 보다 상세하게는 인공 신경망에 기초하여 어레이 안테나 시스템에 입사하는 신호원들의 도래각(direction-of-arrival, DOA)을 추정하는 기술적 사상에 관한 것이다.
안테나에 입사하는 신호의 도래각 추정은 이동 통신, 수중 음파 탐지, 스마트 안테나, 레이다 등 여러 다양한 분야에서 활용되고 있다.
이와 같은 신호의 도래각 추정 기법은 지난 수십년간 빔형성 기법과 부공간 기법을 중심으로 연구가 진행되어 왔으며, 부공간 기법은 기존의 빔포밍 기법과는 다르게 고차원의 선형대수학적 기법을 적용하여 같은 상황 조건하에서 도래각 추정 해상도를 향상시킬 수 있다.
대표적 부공간 기법인 MUSIC 알고리즘은 수신되는 신호의 자기 상관 행렬(autocorrelation matrix)의 SVD(singular value decomposition)로부터 파생되는 잡음 부공간(noise subspace)을 사용하여 도래각을 추정한다.
그러나, MUSIC 알고리즘은 높은 비용의 SVD를 수행하고, 모든 각도범위에 대한 서치(search)를 수행하는 점에서 높은 복잡도를 요구한다는 문제가 있다.
한국등록특허 제10-1958337호 "신호의 도래각을 추정하는 방법 및 장치" 한국등록특허 제10-1559270호 "자기상관행렬을 이용한 슬라이딩벡터 기반의 저계산량 등간격 선형 어레이 도래각 추정 방법 및 그 장치"
인공신경망을 이용한 도래각 추정 알고리듬에서는 다양한 신호-대-잡음비 환경과 다양한 타겟 위치의 경우에 수에 대응하기 위하여 매우 다수의 데이터가 필요하다.
본 발명은 신호의 잡음을 감산하는 과정을 통해 단일 신호-대-잡음비 환경에서 학습한 인공신경망을 다양한 신호-대-잡음비 환경에서 도래각을 추정할 수 있는 도래각 추정 장치 및 그 방법을 제공하고자 한다.
본 발명은 도래각 시프트 과정을 통해 타겟의 도래각을 한정된 범위 내에 위치하게 하여 도래각을 추정함으로써 타겟이 다양한 위치에 있는 경우에 효율적으로 도래각을 추정할 수 있는 도래각 추정 장치 및 그 방법을 제공하고자 한다.
본 발명은 기설정된 타겟의 개수보다 소수 차이가 나는 경우에도 도래각 추정을 지속할 수 있는 타겟의 출현/소멸에 대응할 수 있는 도래각 추정 장치 및 그 방법을 제공하고자 한다.
일실시예에 따른 도래각 추정 장치는 적어도 하나 이상의 타겟(target)으로부터 수신하는 신호에 대응하여 잡음(noise)이 제거된 자기상관행렬을 연산하고, 잡음이 제거된 자기상관행렬을 벡터화하는 전처리부와, 벡터화된 자기상관행렬을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터를 산출하는 각도 벡터 산출부와, 산출된 각도 벡터에 대응되는 도래각 성분들에 대한 도래각 시프트(DoA shift)를 수행하고, 도래각 시프트가 수행된 성분들을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터를 재산출하는 각도 벡터 재산출부 및 재산출된 각도 벡터에 대응되는 도래각 성분들에 대한 도래각 시프트를 재수행하고, 도래각 시프트가 재수행된 성분들을 입력으로 수신하는 복합 신경망 알고리즘을 통해 타겟 도래각을 결정하는 도래각 결정부를 포함할 수 있다.
일측에 따르면, 잡음이 제거된 자기상관행렬은 수신하는 신호에 대응되는 자기상관행렬에서 잡음파워행렬을 감산하는 연산을 통해 산출될 수 있다.
일측에 따르면, 전처리부는 잡음이 제거된 자기상관행렬의 대각 성분(diagonal components)과 윗대각 성분(upper-diagonal components)만으로 잡음이 제거된 자기상관행렬의 중복되는 성분을 제거하고 중복된 성분이 제거된 자기상관행렬을 벡터화할 수 있다.
일측에 따르면, 인공신경망 알고리즘은 1 내지 4개의 은닉층(hidden layer)을 가지는 인공신경망(artificial neural network)에 기반하는 알고리즘일 수 있다.
일측에 따르면, 복합신경망 알고리즘은 퍼셉트론 신경망과 합성곱 신경망(convolution neural network)에 기반하는 알고리즘일 수 있다.
일측에 따르면, 각도 벡터 산출부는 벡터화된 자기상관행렬을 입력으로 수신하여 기설정된 제1 각도 범위에 대응되는 제1 출력 라벨 벡터를 산출하고, 산출된 제1 출력 라벨 벡터로부터 각도 벡터를 산출할 수 있다.
일측에 따르면, 각도 벡터 산출부는 제1 각도 범위를 제1 각도 단위로 양자화하여 제1 출력 라벨 벡터를 산출할 수 있다.
일측에 따르면, 도래각 시프트는 산출된 각도 벡터에 대응되는 도래각 성분들 및 재산출된 각도 벡터에 대응되는 도래각 성분들이 기설정된 각도 값에 위치하도록 시프트할 수 있다.
일측에 따르면, 각도 벡터 재산출부는 도래각 시프트가 수행된 성분들을 입력으로 수신하여 기설정된 각도 값을 기준으로 형성된 제2 각도 범위에 대응되는 제2 출력 라벨 벡터를 산출하고, 산출된 제2 출력 라벨 벡터를 통해 각도 벡터를 재산출할 수 있다.
일측에 따르면, 각도 벡터 재산출부는 제2 각도 범위에 타겟의 존재유무를 판단하여 제2 출력 라벨 벡터를 산출할 수 있다.
일측에 따르면, 도래각 결정부는 도래각 시프트가 재수행된 성분들을 입력으로 수신하여 기설정된 각도 값을 기준으로 형성된 제3 각도 범위에 대응되는 제3 출력 라벨 벡터를 산출하고, 산출된 제3 출력 라벨 벡터를 통해 타겟 도래각을 결정할 수 있다.
일측에 따르면, 도래각 결정부는 제3 각도 범위를 제3 각도 단위로 양자화하여 제3 출력 라벨 벡터를 산출할 수 있다.
일측에 따르면, 도래각 결정부는 산출된 제3 출력 라벨 벡터를 통해 실수(real number) 값의 타겟 도래각을 결정하고, 결정된 타겟 도래각을 외부로 출력할 수 있다.
일실시예에 따른 도래각 추정 방법은 전처리부에서 적어도 하나 이상의 타겟(target)으로부터 수신하는 신호에 대응하여 잡음(noise)이 제거된 자기상관행렬을 연산하고, 잡음이 제거된 자기상관행렬을 벡터화하는 단계와, 각도 벡터 산출부에서 벡터화된 자기상관행렬을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터를 산출하는 단계와, 각도 벡터 재산출부에서 산출된 각도 벡터에 대응되는 도래각 성분들에 대한 도래각 시프트(DoA shift)를 수행하고, 도래각 시프트가 수행된 성분들을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터를 재산출하는 단계 및 도래각 결정부에서 재산출된 각도 벡터에 대응되는 도래각 성분들에 대한 도래각 시프트를 재수행하고, 도래각 시프트가 재수행된 성분들을 입력으로 수신하는 복합 신경망 알고리즘을 통해 타겟 도래각을 결정하는 단계를 포함할 수 있다.
일실시예에 따르면, 전처리과정을 통해 신호의 잡음을 제거하여 단일 신호-대-잡음비 환경에서 학습한 인공신경망 알고리즘을 이용하여 다양한 신호-대-잡음비 환경에서 타겟의 도래각을 추정할 수 있다.
일실시예에 따르면, 도래각 시프트를 이용하여 다양한 타겟의 도래각 배치에도 대응할 수 있어 효율적으로 도래각을 추정할 수 있다.
일실시예에 따르면, 다단계 인공신경망 구조로 고(高)단계 인공신경망에 이를수록 도래각 추정의 정확도를 높일 수 있다.
도 1은 일실시예에 따른 도래각 추정 장치를 설명하기 위한 도면이다.
도 2는 일실시예에 따른 도래각 추정 장치의 구현예를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 도래각 추정 장치의 성능 평가 결과를 설명하기 위한 도면이다.
도 4는 일실시예에 따른 도래각 추정 방법을 설명하기 위한 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 도래각 추정 장치를 설명하기 위한 도면이다.
도 1을 참조하면, 일실시예에 따른 도래각 추정 장치(100)는 전처리과정을 통해 신호의 잡음을 제거하여 단일 신호-대-잡음비 환경에서 학습한 인공신경망 알고리즘을 이용하여 다양한 신호-대-잡음비 환경에서 타겟의 도래각을 추정할 수 있다.
또한, 도래각 시프트를 이용하여 다양한 타겟의 도래각 배치에도 대응할 수 있어 효율적으로 도래각을 추정할 수 있다.
또한, 다단계 인공신경망 구조로 고(高)단계 인공신경망에 이를수록 도래각 추정의 정확도를 높일 수 있다.
이를 위해, 도래각 추정 장치(100)는 전처리부(110), 각도 벡터 산출부(120), 각도 벡터 재산출부(130) 및 도래각 결정부(140)를 포함할 수 있다.
일실시예에 따른 전처리부(110)는 적어도 하나 이상의 타겟(target)으로부터 수신하는 신호에 대응하여 잡음(noise)이 제거된 자기상관행렬(
Figure 112020003163199-pat00001
)을 연산하고, 잡음이 제거된 자기상관행렬(
Figure 112020003163199-pat00002
)을 벡터화할 수 있다.
구체적으로, 도래각 추정 장치(100)는 d(여기서, d는 양의 실수) 간격으로 배치되어 있는 N개(여기서, N은 양의 정수)의 균등 선형배열 안테나가 K개(여기서, K는 양의 정수)의 타겟(target)으로부터 생성된 신호(
Figure 112020003163199-pat00003
)에 기초하여 K개의 타겟(target)의 위치에 대응되는 도래각(
Figure 112020003163199-pat00004
)을 추정하는 장치일 수 있다.
예를 들면, K개의 타겟은 기설정된 파장값(
Figure 112020003163199-pat00005
)을 갖는 협대역 원거리(narrowband far-field) 신호
Figure 112020003163199-pat00006
를 생성하고(여기서, 시간 t는 정수이며 단위는 Ts), 생성된 신호
Figure 112020003163199-pat00007
를 N개의 균등 선형배열 안테나로 제공할 수 있다.
일측에 따르면, 전처리부(110)는 하기 수학식1을 통해 시스템 모델을 산출할 수 있다.
[수학식1]
Figure 112020003163199-pat00008
여기서,
Figure 112020003163199-pat00009
는 N개의 안테나에 수집되는 신호 벡터이고,
Figure 112020003163199-pat00010
,
Figure 112020003163199-pat00011
는 AWGN(additive Gaussian noise) 벡터, 그리고 A는 NxK 스티어링 행렬(steering matrix)로서 (n, k) 성분은
Figure 112020003163199-pat00012
을 만족할 수 있다.
예를 들면, 파장값(
Figure 112020003163199-pat00013
)과 타겟의 수(K)는 사전에 설정될 수 있으며, 안테나 간격(d)는
Figure 112020003163199-pat00014
/2로 설정될 수 있다.
또한, 수학식1에서
Figure 112020003163199-pat00015
와
Figure 112020003163199-pat00016
는 하기 수학식2를 만족하는 랜덤 프로세스(random process)일 수 있다.
[수학식2]
Figure 112020003163199-pat00017
여기서,
Figure 112020003163199-pat00018
은 크로네커 델타 함수(Kronecker delta function)이고(여기서, t 및
Figure 112020003163199-pat00019
는 정수), P 및 N은 음 아닌 실수를 성분으로 하는 대각행렬(diagonal matrix)로서 신호의 파워, 잡음의 파워를 각각 나타낸다. 또한,
Figure 112020003163199-pat00020
는 영행렬(zero matrix)을 나타내고,
Figure 112020003163199-pat00021
와
Figure 112020003163199-pat00022
는 서로 독립(statistically independent)적이며 평균은 영벡터가 되는 확률벡터(random vector)를 나타낸다. 또한, AH는 A의 켤레 전치(conjugate transpose of A)를 나타내고, AT는 A의 전치(transpose of A)를 나타낸다.
또한,
Figure 112020003163199-pat00023
는 대괄호 안의 식을 통계적으로 평균을 내는 연산을 나타내고,
Figure 112020003163199-pat00024
는 신호 벡터를 나타낸다.
구체적으로, 상술한 수학식2는 수신신호와 AWGN의 통계적 성질을 나타내는 수식이다.
일측에 따르면, 전처리부(110)는 상술한 데이터를 효율적으로 이용하기 위하여, 하기 수학식3을 통해 자기상관행렬(R)을 추정할 수 있다.
[수학식3]
Figure 112020003163199-pat00025
여기서 T는 스냅샷 수를 나타낸다.
구체적으로, 수학식3에서 수신신호 벡터 x(t)의 샘플링 인덱스(t)는 0 이상 T-1 이하의 정수가 되며, 총 샘플의 개수 T가 스냅샷의 수가 될 수 있다.
일측에 따르면, 잡음이 제거된 자기상관행렬(
Figure 112020003163199-pat00026
)은 적어도 하나 이상의 타겟으로부터 수신하는 신호에 대응되는 자기상관행렬(R)에서 잡음파워행렬(N)을 감산하는 연산을 통해 산출될 수 있다. 잡음파워행렬은, 예를 들면, 타겟이 없이 순수 잡음만 있는 환경에서의 관찰을 통해 획득할 수 있다.
즉, 일실시예에 따른 도래각 추정 장치(100)는 상술한 과정을 통해 단일 신호-대-잡음비(signal-to-noise ration; SNR) 환경의 데이터만을 가지고 학습한 인공신경망 모델을 다양한 SNR 환경에 적용할 수 있다.
일측에 따르면, 전처리부(110)는 잡음이 제거된 자기상관행렬(
Figure 112020003163199-pat00027
)의 대각 성분(diagonal components)과 윗대각 성분(upper-diagonal components)만으로 잡음이 제거된 자기상관행렬(
Figure 112020003163199-pat00028
)의 중복되는 성분을 제거하고 중복된 성분이 제거된 자기상관행렬(
Figure 112020003163199-pat00029
)을 벡터화할 수 있다.
구체적으로, 전처리부(110)는 인공신경망 알고리즘의 입력데이터로 사용하기 위하여, 잡음이 제거된 자기상관행렬(
Figure 112020003163199-pat00030
)의 대각성분과 윗대각 성분만을 취하여 중복되는 성분을 제거하고, 이를 벡터화하여 N(N+1)/2차원 복소 벡터로 만들고, N(N+1)/2차원 복소 벡터를 실수부와 허수부로 나누어 N(N+1)차원 벡터인 벡터화된 자기상관행렬(
Figure 112020003163199-pat00031
)을 생성 할수 있다.
또한, 전처리부(110)는 벡터화된 자기상관행렬(
Figure 112020003163199-pat00032
)의 각 성분들 중 절대값이 가장 큰 것으로 나누어 성분들의 절대값이 최대 1이 되도록 정규화(normalize)할 수 있다.
보다 구체적으로, 자기상관행렬(R)을 3x3 행렬이라 가정하면, 자기상관행렬(R)은 하기 수학식4와 같은 복소행렬로 정의될 수 있다.
[수학식4]
Figure 112020003163199-pat00033
여기서, b*는 b의 켤레복소수(complex conjugate of b)를 취하라는 의미이다.
즉, 대각성분 (a, d, f)과 윗대각성분 (b, e, c)만 있어도 자기상관행렬(
Figure 112020003163199-pat00034
)을 그대로 복원할 수 있다.
따라서, 일실시예에 전처리부(110)는 대각성분과 윗대각성분만을 취하여 벡터화한 (a, d, f, b, e, c)를 이용하여 중복된 성분을 제거할 수 있다. 또한, 이 벡터화한 것을 실수부, 허수부를 나누어 (real(a), real(d), real(f), real(b), real(e), real(c), imag(a), imag (d), imag (f), imag (b), imag (e), imag (c))로 만든 후, 해당 벡터 성분의 최대 절대값으로 각각 나누어서 성분들의 최대 절대값이 1이 되도록 정규화할 수 있다.
일측에 따르면, 전처리부(110)는 정규화된 자기상관행렬(
Figure 112020003163199-pat00035
)을 각도 벡터 산출부(120)의 입력으로 제공할 수도 있다.
일실시예에 따른 각도 벡터 산출부(120)는 벡터화된 자기상관행렬(
Figure 112020003163199-pat00036
)을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터(
Figure 112020003163199-pat00037
)를 산출할 수 있다.
예를 들면, 인공신경망 알고리즘은 1 내지 4개의 은닉층(hidden layer)을 가지는 인공신경망(artificial neural network)에 기반하는 알고리즘일 수 있다.
바람직하게는, 인공신경망 알고리즘은 2개의 퍼셉트론 레이어(perceptron layer)를 포함할 수 있다.
일측에 따르면, 각도 벡터 산출부(120)는 벡터화된 자기상관행렬(
Figure 112020003163199-pat00038
)을 입력으로 수신하여 기설정된 제1 각도 범위에 대응되는 제1 출력 라벨 벡터(
Figure 112020003163199-pat00039
)를 산출하고, 산출된 제1 출력 라벨 벡터(
Figure 112020003163199-pat00040
)로부터 각도 벡터(
Figure 112020003163199-pat00041
)를 산출할 수 있다.
일측에 따르면, 각도 벡터 산출부(120)는 제1 각도 범위(예를들어 20°내지 160°범위)에 대응되는 도래각을 제1 각도 단위(예를들어 1°단위)로 양자화하여 제1 출력 라벨 벡터(
Figure 112020003163199-pat00042
)를 산출할 수 있다.
다시 말해, 각도 벡터 산출부(120)는 제1 각도 범위 내에서 타겟들의 대략적인 위치를 찾을 수 있다.
구체적으로, 일실시예에 따른 각도 벡터 산출부(120)는 인공신경망 알고리즘의 제1 각도범위를 20° 내지 160°로 설정하고 제1 각도 단위를 1°로 설정한 경우 입력으로 벡터화된 자기상관행렬(
Figure 112020003163199-pat00043
)을 수신하여 141차원의 제1 출력 라벨 벡터(
Figure 112020003163199-pat00044
)를 산출하는데, 이는 제1 각도 범위(20° 내지 160°)의 도래각을 1°단위로 양자화하는 것을 의미한다.
여기서, 인공신경망 알고리즘의 학습에 사용되는 제1 출력 라벨 벡터(
Figure 112020003163199-pat00045
)는 141개의 성분 중 타겟이 존재하는 위치를 '1' 또는 '0'으로 구분할 수 있다.
보다 구체적인 예를 들면, 두개의 타겟이 23° 및 150°에 대응되는 위치에 각각 존재한다고 가정하면, 제1 라벨벡터(
Figure 112020003163199-pat00046
)는 23° 및 150°에 대응되는 4번째 성분 및 130번째 성분만 '1' 값을 갖고, 나머지 성분들은 '0' 값을 갖는 벡터가 될 수 있다.
한편, 각도 벡터 산출부(120)는 산출된 제1 출력 라벨 벡터(
Figure 112020003163199-pat00047
)를 각도 벡터(
Figure 112020003163199-pat00048
)로 환산하여 출력할 수 있다.
일실시예에 따른 각도 벡터 재산출부(130)는 각도 벡터 산출부(120)를 통해 산출된 각도 벡터(
Figure 112020003163199-pat00049
)에 대응되는 도래각 성분들에 대한 도래각 시프트(DoA shift)를 수행하고, 도래각 시프트가 수행된 성분들을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터(
Figure 112020003163199-pat00050
)를 재산출할 수 있다.
다시 말해, 각도 벡터 재산출부(130)는 도래각 시프트 프로세스와 1개의 은닉층을 가지는 퍼셉트론 신경망에 기반하는 타겟의 존재유무 판별을 통해 각도 벡터(
Figure 112020003163199-pat00051
)를 갱신할 수 있다.
일측에 따르면, 도래각 시프트는 산출된 각도 벡터(
Figure 112020003163199-pat00052
)에 대응되는 도래각 성분들이 기설정된 각도 값에 위치하도록 시프트하는 프로세스일 수 있다. 예를 들면, 기설정된 각도 값은 90°일 수 있다.
다시 말해, 벡터 재산출부(130)는 하기 수학식5를 이용한 도래각 시프트를 통해 각도 벡터(
Figure 112020003163199-pat00053
)에 대응되는 도래각 성분들이 90°에 위치하도록 시프트하고, 퍼셉트론 신경망에 기반하는 인공신경망 알고리즘을 통해 각도 벡터(
Figure 112020003163199-pat00054
)를 재산출할 수 있다.
[수학식5]
Figure 112020003163199-pat00055
여기서,
Figure 112020003163199-pat00056
는 도래각 시프트된 결과를 나타내고,
Figure 112020003163199-pat00057
는 아다마르 곱(hadamard product; elementwise multiplication)을 나타내며,
Figure 112020003163199-pat00058
는 N x 1 차원 스티어링 벡터로, n번째 성분이
Figure 112020003163199-pat00059
을 만족할 수 있다. 여기서
Figure 112020003163199-pat00060
는 시프트하고자 하는 각도이다. 또한
Figure 112020003163199-pat00061
는
Figure 112020003163199-pat00062
에서 전처리과정과 유사하게 중복된 성분을 제거한 것이다. 이때
Figure 112020003163199-pat00063
의 실수부와 허수부를 합친 뒤,
Figure 112020003163199-pat00064
와 아다마르 곱을 수행하고 다시 실수부와 허수부를 나눌 수 있다.
일측에 따르면, 각도 벡터 재산출부(130)는 도래각 시프트가 수행된 성분들을 입력으로 수신하여 기설정된 각도 값(예를 들어, 90°)을 기준으로 형성된 제2 각도 범위에 대응되는 제2 출력 라벨 벡터(
Figure 112020003163199-pat00065
)를 산출하고, 산출된 제2 출력 라벨 벡터(
Figure 112020003163199-pat00066
)를 통해 각도 벡터(
Figure 112020003163199-pat00067
)를 재산출할 수 있다.
즉, 일실시예에 따른 도래각 추정 장치(100)는 도래각 시프트 프로세스를 이용하여 도래각 배치의 경우의 수를 줄일 수 있어, 효율적인 시스템을 구축할 수 있다.
일측에 따르면, 각도 벡터 재산출부(130)는 제2 각도 범위(예를들어 87.5° 내지 92.5°범위)에 타겟의 존재유무를 판단하여 제2 출력 라벨 벡터(
Figure 112020003163199-pat00068
)를 산출할 수 있다.
다시 말해, 각도 벡터 재산출부(130)는 도래각 시프트가 수행된 성분들에 기초하여 제1 각도 범위 보다 범위가 축소된 제2 각도 범위에서 타겟의 존재유무를 정밀하게 판별할 수 있다.
여기서, 제2 출력 라벨 벡터(
Figure 112020003163199-pat00069
)는 2차원 벡터로, 각 성분은 타겟이 제2 각도 범위 내에 존재하지 않으면 (1,0), 존재하면 (0,1)으로 표현될 수 있다. 이를 통해 각도 벡터 재산출부(130)는 각도 벡터(
Figure 112020003163199-pat00070
) 보다 개선된(재산출된) 각도벡터(
Figure 112020003163199-pat00071
)를 산출할 수 있다.
일실시예에 따른 도래각 결정부(140)는 각도 벡터 재산출부(130)를 통해 재산출된 각도 벡터(
Figure 112020003163199-pat00072
)에 대응되는 도래각 성분들에 대한 도래각 시프트를 재수행하고, 도래각 시프트가 재수행된 성분들을 입력으로 수신하는 복합 신경망 알고리즘을 통해 타겟 도래각을 결정할 수 있다.
예를 들면, 복합 신경망 알고리즘은 퍼셉트론 신경망과 합성곱 신경망(convolution neural network)에 기반하는 알고리즘일 수 있다.
바람직하게는, 복합 신경망 알고리즘은 5개의 퍼셉트론 레이어(perceptron layer)를 포함할 수 있다.
일측에 따르면, 도래각 시프트는 재산출된 각도 벡터(
Figure 112020003163199-pat00073
)에 대응되는 도래각 성분들이 기설정된 각도 값에 위치하도록 시프트하는 프로세스일 수 있다. 예를 들면, 기설정된 각도 값은 90°일 수 있다.
다시 말해, 도래각 결정부(140)를 통해 수행되는 도래각 시프트는 벡터 재산출부(130)를 통해 수행된 도래각 시프트와 동일한 방법을 통해 수행될 수 있다.
일측에 따르면, 도래각 결정부(140)는 도래각 시프트가 재수행된 성분들을 입력으로 수신하여 기설정된 각도 값을 기준으로 형성된 제3 각도 범위에 대응되는 제3 출력 라벨 벡터를 산출하고, 산출된 제3 출력 라벨 벡터를 통해 타겟 도래각을 결정할 수 있다.
일측에 따르면, 도래각 결정부(140)는 제3 각도 범위(예를들어 88.5° 내지 91.5° 범위)에 대응되는 도래각을 제3 각도 단위(예를들어 0.01° 단위)로 양자화하여 제3 출력 라벨 벡터(
Figure 112020003163199-pat00074
)를 산출할 수 있다.
예를 들면, 도래각 결정부(140)는 제3 출력 라벨 벡터(
Figure 112020003163199-pat00075
)에서 값이 '1'이 되는 성분들에 대응되는 각도를 타겟 도래각으로 결정할 수 있다.
다시 말해, 도래각 결정부(140)는 제2 각도 범위 보다 범위가 축소된 제3 각도 범위에서 타겟의 도래각을 추정함으로써, 타겟 도래각을 보다 정밀하게 추정할 수 있다.
도 2는 일실시예에 따른 도래각 추정 장치의 구현예를 설명하기 위한 도면이다.
다시 말해, 도 2는 도 1을 통해 설명한 일실시예에 따른 도래각 추정 장치의 예시를 설명하는 도면으로, 이후 도 2를 통해 설명하는 내용 중 도 1을 통해 설명한 내용과 중복되는 설명은 생략하기로 한다.
도 2를 참조하면, 일실시예에 따른 도래각 추정 장치는 하나의 도래각 추정 알고리즘(200)으로 구현될 수 있다.
예를 들면, 도래각 추정 알고리즘(200)의 제1 스테이지(1st stage)는 일실시예에 따른 도래각 추정 장치의 각도 벡터 산출부와 동일한 기능을 수행할 수 있고, 제2 스테이지(2nd stage)는 일실시예에 따른 도래각 추정 장치의 각도 벡터 재산출부와 동일한 기능을 수행할 수 있으며, 제3 스테이지(3rd stage)는 일실시예에 따른 도래각 추정 장치의 도래각 결정부와 동일한 기능을 수행할 수 있다.
또한, 도래각 추정 알고리즘(200)은 제1 스테이지의 수행 전에 일실시예에 따른 도래각 추정 장치의 전처리부와 동일한 기능을 수행하는 전처리 스테이지를 수행할 수도 있다.
구체적으로, 일실시예에 따른 제1 스테이지는 벡터화된 자기상관행렬(
Figure 112020003163199-pat00076
)을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터(
Figure 112020003163199-pat00077
)를 산출할 수 있다.
보다 구체적으로, 제1 스테이지는 K개의 표적이
Figure 112020003163199-pat00078
각도 범위에 있다고 가정하였을 때, 벡터화된 자기상관행렬(
Figure 112020003163199-pat00079
)을 입력으로 수신하여 출력되는 제1 라벨벡터(
Figure 112020003163199-pat00080
)에서 최대값의 인덱스 2K개를 추출할 수 있다.
또한, 제1 스테이지는 추출된 인덱스를 바탕으로 타겟들의 위치 후보를 찾고, 2° 이내의 인접한 위치 후보들은 하나로 통합하여 최종적으로 각도 벡터(
Figure 112020003163199-pat00081
)를 획득할 수 있다.
일실시예에 따른 제2 스테이지는 제1 스테이지를 통해 산출된 각도 벡터(
Figure 112020003163199-pat00082
)에 대응되는 도래각 성분들에 대한 도래각 시프트(DoA shift)를 수행하고, 도래각 시프트가 수행된 성분들을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터(
Figure 112020003163199-pat00083
)를 재산출할 수 있다.
보다 구체적으로, 제2 스테이지는 타겟들의 위치 후보인 각도 벡터(
Figure 112020003163199-pat00084
)의 성분들을 90°에 오도록 한 뒤 타겟들의 존재유무를 판별하고, 판별 결과에 기초하여 각도 벡터(
Figure 112020003163199-pat00085
)를 재산출하여 개선된(재산출된) 각도 벡터(
Figure 112020003163199-pat00086
)를 재산출할 수 있다.
일실시예에 따른 제3 스테이지는 제2 스테이지를 통해 재산출된 각도 벡터(
Figure 112020003163199-pat00087
)에 대응되는 도래각 성분들에 대한 도래각 시프트를 재수행하고, 도래각 시프트가 재수행된 성분들을 입력으로 수신하는 복합 신경망 알고리즘을 통해 타겟 도래각을 결정할 수 있다.
보다 구체적으로, 제3 스테이지는 제2 스테이지와 마찬가지로, 재산출된 각도 벡터(
Figure 112020003163199-pat00088
) 각각의 성분들에 대한 도래각 시프트를 수행하여 정밀한 타겟 도래각을 추정할 수 있다.
도 3은 일실시예에 따른 도래각 추정 장치의 성능 평가 결과를 설명하기 위한 도면이다.
도 3을 참조하면, 도 3의 (a)는 타겟이 85° 및 95°에 존재할 때 신호-대-잡음비(signal-to-noise ration; SNR)에 따른 평균 제곱근 오차(root-mean-square-error; RMSE) 특성의 시뮬레이션 결과를 나타내고, 도 3의 (b)는 타겟이 87.5° 및 92.5°에 존재할 때 SNR에 따른 RMSE 특성의 시뮬레이션 결과를 나타내며, 도 3의 (c)는 타겟이 82° 및 92°에 존재할 때 SNR에 따른 RMSE 특성의 시뮬레이션 결과를 나타낸다.
또한, 도 3의 (a) 내지 (c)에서 x축은 SNR[d/B] 값을 나타내고, y축은 RMSE[deg.] 값을 나타내며, 'proposed'는 일실시예에 따른 도래각 추정 장치의 성능 평가 결과를 나타내고, 'ESPRIT', 'DSPCM' 및 'MUSIC'는 기공지된 알고리즘의 성능 평가 결과를 나타내며, 'CRB'는 주어진 관측 환경에서 RMSE의 하한 한계선인 CRLB(cramer-Lao lower bound)를 나타낸다.
도 3의 (a) 내지 (c)에 따르면, 타겟 간 최소 각도 거리가 2°에 가까운 경우 MUSIC 알고리즘은 SNR 10dB에서 CRLB에 가깝지만, SNR -10dB 내지 0dB에서 타겟의 구분이 어려운 것을 확인할 수 있다.
반면, 일실시예에 따른 도래각 추정 장치는 낮은 SNR 영역에서 MUSIC 알고리즘 보다 우수한 성능을 나타내고 있다. 특히 일실시예에 따른 도래각 추정 장치는 각도 거리가 2° 일때도 구분이 가능하기 때문에 보다 뛰어난 해상도(resolution)를 나타낼 수 있다.
결론적으로, 기공지된 MUSIC 알고리즘은 높은 SNR 영역과 타겟간의 각도 및 거리가 큰 영역에서만 우수한 성능을 보이나, 일실시예에 따른 도래각 추정 장치는 낮은 SNR 영역에서 보다 나은 각도 분해능을 보이므로, 열악한 관측 환경에서도 보다 정확하게 도래각을 추정할 수 있다. 또한, 일실시예에 따른 도래각 추정 장치는 검색 과정 없이(search-free) 동작하므로 실시간 도래각 추정이 가능하다는 장점이 있다.
도 4는 일실시예에 따른 도래각 추정 방법을 설명하기 위한 도면이다.
다시 말해, 도 4는 도 1 내지 도 3을 통해 설명한 일실시예에 따른 도래각 추정 장치의 동작 방법을 설명하는 도면으로, 이후 도 4를 통해 설명하는 내용 중 도 1 내지 도 3을 통해 설명한 내용과 중복되는 설명은 생략하기로 한다.
도 4를 참조하면, 410 단계에서 일실시예에 따른 도래각 추정 방법은 전처리부에서 적어도 하나 이상의 타겟(target)으로부터 수신하는 신호에 대응하여 잡음(noise)이 제거된 자기상관행렬을 연산하고, 잡음이 제거된 자기상관행렬을 벡터화할 수 있다.
다음으로, 420 단계에서 일실시예에 따른 도래각 추정 방법은 각도 벡터 산출부에서 벡터화된 자기상관행렬을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터를 산출할 수 있다.
다음으로, 430 단계에서 일실시예에 따른 도래각 추정 방법은 각도 벡터 재산출부에서 산출된 각도 벡터에 대응되는 도래각 성분들에 대한 도래각 시프트(DoA shift)를 수행하고, 도래각 시프트가 수행된 성분들을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터를 재산출할 수 있다.
다음으로, 440 단계에서 일실시예에 따른 도래각 추정 방법은 도래각 결정부에서 재산출된 각도 벡터에 대응되는 도래각 성분들에 대한 도래각 시프트를 재수행하고, 도래각 시프트가 재수행된 성분들을 입력으로 수신하는 복합 신경망 알고리즘을 통해 타겟 도래각을 결정할 수 있다.
결국, 본 발명을 이용하면, 퍼셉트론 레이어, 합성곱 레이어 및 도래각 시프트 프로세스에 기반하는 복합 신경망 알고리즘을 통해 서치 없이 낮은 연산 복잡도로 도래각을 추정할 수 있다.
또한, 낮은 신호-대-잡음비 환경에서 높은 각도 분해능을 나타내어 열악한 관측 환경에서도 보다 정확하게 도래각을 추정할 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 도래각 추정 장치 110: 전처리부
120: 각도 벡터 산출부 130: 각도 벡터 재산출부
140: 도래각 결정부

Claims (14)

  1. 적어도 하나 이상의 타겟(target)으로부터 수신하는 신호에 대응하여 잡음(noise)이 제거된 자기상관행렬을 연산하고, 상기 잡음이 제거된 자기상관행렬을 벡터화하는 전처리부;
    상기 벡터화된 자기상관행렬을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터를 산출하는 각도 벡터 산출부;
    상기 산출된 각도 벡터에 대응되는 도래각 성분들에 대한 도래각 시프트(DoA shift)를 수행하고, 상기 도래각 시프트가 수행된 성분들을 입력으로 수신하는 상기 인공신경망 알고리즘을 통해 각도 벡터를 재산출하는 각도 벡터 재산출부 및
    상기 재산출된 각도 벡터에 대응되는 도래각 성분들에 대한 상기 도래각 시프트를 재수행하고, 상기 도래각 시프트가 재수행된 성분들을 입력으로 수신하는 복합 신경망 알고리즘을 통해 타겟 도래각을 결정하는 도래각 결정부
    를 포함하는 도래각 추정 장치.
  2. 제1항에 있어서,
    상기 잡음이 제거된 자기상관행렬은,
    상기 수신하는 신호에 대응되는 자기상관행렬에서 잡음파워행렬을 감산하는 연산을 통해 산출되는
    도래각 추정 장치.
  3. 제1항에 있어서,
    상기 전처리부는,
    상기 잡음이 제거된 자기상관행렬의 대각 성분(diagonal components)과 윗대각 성분(upper-diagonal components)만으로 상기 잡음이 제거된 자기상관행렬의 중복되는 성분을 제거하고 중복된 성분이 제거된 자기상관행렬을 벡터화하는
    도래각 추정 장치.
  4. 제1항에 있어서,
    상기 인공신경망 알고리즘은,
    1 내지 4개의 은닉층(hidden layer)을 가지는 인공신경망(artificial neural network)에 기반하는 알고리즘인
    도래각 추정 장치.
  5. 제1항에 있어서,
    상기 복합신경망 알고리즘은,
    퍼셉트론 신경망과 합성곱 신경망(convolution neural network)에 기반하는 알고리즘인
    도래각 추정 장치.
  6. 제1항에 있어서,
    상기 각도 벡터 산출부는,
    상기 벡터화된 자기상관행렬을 입력으로 수신하여 기설정된 제1 각도 범위에 대응되는 제1 출력 라벨 벡터를 산출하고, 상기 산출된 제1 출력 라벨 벡터로부터 각도 벡터를 산출하는
    도래각 추정 장치.
  7. 제6항에 있어서,
    상기 각도 벡터 산출부는,
    상기 제1 각도 범위를 제1 각도 단위로 양자화하여 상기 제1 출력 라벨 벡터를 산출하는
    도래각 추정 장치.
  8. 제1항에 있어서,
    상기 도래각 시프트는,
    상기 산출된 각도 벡터에 대응되는 도래각 성분들 및 상기 재산출된 각도 벡터에 대응되는 도래각 성분들이 기설정된 각도 값에 위치하도록 시프트하는
    도래각 추정 장치.
  9. 제8항에 있어서,
    상기 각도 벡터 재산출부는,
    상기 도래각 시프트가 수행된 성분들을 입력으로 수신하여 기설정된 각도 값을 기준으로 형성된 제2 각도 범위에 대응되는 제2 출력 라벨 벡터를 산출하고, 상기 산출된 제2 출력 라벨 벡터를 통해 상기 각도 벡터를 재산출하는
    도래각 추정 장치.
  10. 제9항에 있어서,
    상기 각도 벡터 재산출부는,
    상기 제2 각도 범위에 타겟의 존재유무를 판단하여 상기 제2 출력 라벨 벡터를 산출하는
    도래각 추정 장치.
  11. 제8항에 있어서,
    상기 도래각 결정부는,
    상기 도래각 시프트가 재수행된 성분들을 입력으로 수신하여 기설정된 각도 값을 기준으로 형성된 제3 각도 범위에 대응되는 제3 출력 라벨 벡터를 산출하고, 상기 산출된 제3 출력 라벨 벡터를 통해 상기 타겟 도래각을 결정하는
    도래각 추정 장치.
  12. 제11항에 있어서,
    상기 도래각 결정부는,
    상기 제3 각도 범위를 제3 각도 단위로 양자화하여 상기 제3 출력 라벨 벡터를 산출하는
    도래각 추정 장치.
  13. 제11항에 있어서,
    상기 도래각 결정부는,
    상기 산출된 제3 출력 라벨 벡터를 통해 실수(real number) 값의 상기 타겟 도래각을 결정하고, 상기 결정된 타겟 도래각을 외부로 출력하는
    도래각 추정 장치.
  14. 전처리부에서, 적어도 하나 이상의 타겟(target)으로부터 수신하는 신호에 대응하여 잡음(noise)이 제거된 자기상관행렬을 연산하고, 상기 잡음이 제거된 자기상관행렬을 벡터화하는 단계;
    각도 벡터 산출부에서, 상기 벡터화된 자기상관행렬을 입력으로 수신하는 인공신경망 알고리즘을 통해 각도 벡터를 산출하는 단계;
    각도 벡터 재산출부에서, 상기 산출된 각도 벡터에 대응되는 도래각 성분들에 대한 도래각 시프트(DoA shift)를 수행하고, 상기 도래각 시프트가 수행된 성분들을 입력으로 수신하는 상기 인공신경망 알고리즘을 통해 각도 벡터를 재산출하는 단계 및
    도래각 결정부에서, 상기 재산출된 각도 벡터에 대응되는 도래각 성분들에 대한 상기 도래각 시프트를 재수행하고, 상기 도래각 시프트가 재수행된 성분들을 입력으로 수신하는 복합 신경망 알고리즘을 통해 타겟 도래각을 결정하는 단계
    를 포함하는 도래각 추정 방법.
KR1020200003865A 2020-01-10 2020-01-10 인공 신경망에 기초하여 도래각을 추정하는 장치 및 그 방법 KR102247740B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200003865A KR102247740B1 (ko) 2020-01-10 2020-01-10 인공 신경망에 기초하여 도래각을 추정하는 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200003865A KR102247740B1 (ko) 2020-01-10 2020-01-10 인공 신경망에 기초하여 도래각을 추정하는 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR102247740B1 true KR102247740B1 (ko) 2021-05-04

Family

ID=75913683

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200003865A KR102247740B1 (ko) 2020-01-10 2020-01-10 인공 신경망에 기초하여 도래각을 추정하는 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102247740B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113466782A (zh) * 2021-06-08 2021-10-01 同济大学 一种基于深度学习（dl）的互耦校正d o a估计方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10335920A (ja) * 1997-06-04 1998-12-18 Toshiba Corp 信号処理装置
KR101559270B1 (ko) 2015-02-04 2015-10-12 홍익대학교 산학협력단 자기상관행렬을 이용한 슬라이딩벡터 기반의 저계산량 등간격 선형 어레이 도래각 추정 방법 및 그 장치.
KR101680742B1 (ko) * 2015-09-09 2016-11-29 홍익대학교 산학협력단 저중복 저계산량 건너뛰기 벡터 슬라이딩 등간격 선형 어레이 도래각 추정 방법 및 그 장치.
KR20190007221A (ko) * 2017-07-12 2019-01-22 서울대학교산학협력단 로그-영역 안테나 어레이 보간에 기반한 수신신호의 도래각 추정 방법과 이를 위한 장치
KR101958337B1 (ko) 2017-06-26 2019-03-15 홍익대학교 산학협력단 신호의 도래각을 추정하는 방법 및 장치
US20190362237A1 (en) * 2019-03-15 2019-11-28 Intel Corporation Machine learning techniques for precise position determination

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10335920A (ja) * 1997-06-04 1998-12-18 Toshiba Corp 信号処理装置
KR101559270B1 (ko) 2015-02-04 2015-10-12 홍익대학교 산학협력단 자기상관행렬을 이용한 슬라이딩벡터 기반의 저계산량 등간격 선형 어레이 도래각 추정 방법 및 그 장치.
KR101680742B1 (ko) * 2015-09-09 2016-11-29 홍익대학교 산학협력단 저중복 저계산량 건너뛰기 벡터 슬라이딩 등간격 선형 어레이 도래각 추정 방법 및 그 장치.
KR101958337B1 (ko) 2017-06-26 2019-03-15 홍익대학교 산학협력단 신호의 도래각을 추정하는 방법 및 장치
KR20190007221A (ko) * 2017-07-12 2019-01-22 서울대학교산학협력단 로그-영역 안테나 어레이 보간에 기반한 수신신호의 도래각 추정 방법과 이를 위한 장치
US20190362237A1 (en) * 2019-03-15 2019-11-28 Intel Corporation Machine learning techniques for precise position determination

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113466782A (zh) * 2021-06-08 2021-10-01 同济大学 一种基于深度学习（dl）的互耦校正d o a估计方法
CN113466782B (zh) * 2021-06-08 2022-09-13 同济大学 一种基于深度学习(dl)的互耦校正doa估计方法

Similar Documents

Publication Publication Date Title
CN110031794B (zh) 一种基于差分共性阵重构的相干信源doa估计方法
Zhang et al. Sparsity-based DOA estimation using co-prime arrays
Fuchs et al. Single-snapshot direction-of-arrival estimation of multiple targets using a multi-layer perceptron
CN111983552B (zh) 一种基于差分共阵的嵌套阵列快速doa估计方法与装置
CN112487703B (zh) 基于稀疏贝叶斯在未知噪声场的欠定宽带信号doa估计方法
Jing et al. An improved fast Root-MUSIC algorithm for DOA estimation
Dong et al. Fractional low-order moments based DOA estimation with co-prime array in presence of impulsive noise
Ahmad et al. Wideband DOA estimation based on incoherent signal subspace method
CN110275131A (zh) 一种基于虚拟差分阵列的doa跟踪方法及装置
Yang et al. A super-resolution direction of arrival estimation algorithm for coprime array via sparse Bayesian learning inference
Sharifi-Tehrani et al. Eigen analysis of flipped Toeplitz covariance matrix for very low SNR sinusoidal signals detection and estimation
Cotter Multiple snapshot matching pursuit for direction of arrival (DOA) estimation
CN106680779B (zh) 脉冲噪声下的波束成形方法及装置
KR102247740B1 (ko) 인공 신경망에 기초하여 도래각을 추정하는 장치 및 그 방법
Khan et al. Comparative analysis of various matrix pencil methods for direction of arrival estimation
Yan et al. Computationally efficient direction of arrival estimation with unknown number of signals
CN113466782A (zh) 一种基于深度学习（dl）的互耦校正d o a估计方法
Wang et al. Root-MUSIC algorithm with real-valued eigendecomposition for acoustic vector sensor array
Gantayat et al. An efficient direction‐of‐arrival estimation of multipath signals with impulsive noise using satin bowerbird optimization‐based deep learning neural network
Pan et al. An effective sources enumeration approach for single channel signal at low SNR
Chen et al. Joint maximum-likelihood source localization and unknown sensor location estimation for near-field wideband signals
Khan et al. Beamspace matrix pencil method for direction of arrival estimation
CN107677988B (zh) 一种基于特殊非均匀线阵的高效压缩感知测向方法
Yoo A low complexity subspace‐based DOA estimation algorithm with uniform linear array correlation matrix subsampling
Liu et al. A low latency NN-based cyclic Jacobi EVD processor for DOA estimation in radar system

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant