デュアルブランチCNNは,到着方向と情報源の数を推定する

科学分野:

• シグナル処理 信号処理
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
• 配列信号処理 配列信号処理

背景:

• 従来の到着方向 (DOA) 方法では,ソース数 (NOS) とDOAの関係がしばしば見過ごされます.
• この監視は,価値ある推定情報を抽出する可能性を制限する.
• 既存のアルゴリズムは,信号対ノイズ比 (SNR) が低いシナリオ,スナップショットが限られたシナリオ,または近距離の角度で苦労する可能性があります.

研究 の 目的:

• DOAとNOSを同時に推定するための新しいディープラーニングモデルを提案する.
• NOSとDOAの推定を統合することによって,従来の方法の限界に対処する.
• 挑戦的な音響環境での推定精度を向上させるため.

主な方法:

• ダブルブランチコンボリューションニューラルネットワーク (CNN) のアーキテクチャが開発されました.
• Squeeze-and-excitation (SE) ブロックは,機能表現の強化のためにCNNに統合されました.
• このモデルは,信号を処理し,DOAとNOSの両方を同時に推定するように設計されました.

主要な成果:

• 広範なシミュレーションにより,提案されたモデルの性能が検証されました.
• CNNモデルは,いくつかの伝統的なDOA推定アルゴリズムと比較して優れた精度を示しました.
• 低いSNR,限られたスナップショット,および近い距離のインシデントアングルの条件下では,顕著な改善が観察されました.

結論:

• 提案されているSEブロックを備えた二重分岐CNNは,DOAとNOSの推定を同時に行うための強力なソリューションを提供します.
• このアプローチは,NOSとDOAの関係を効果的に利用して,パフォーマンスを改善します.
• このモデルは,難しいシグナル条件下でも正確なソースローカライゼーションを必要とするアプリケーションにおいて特に有望であることが示されています.