通过使用深度学习使用多个信号输入来提高到达方向估计的准确性

科学领域:

• 信号处理 信号处理
• 阵列信号处理 阵列信号处理
• 机器学习在信号处理中的应用

背景情况:

• 到达方向 (DOA) 估计在各种应用中至关重要.
• 传统的DOA算法面临着噪音和有限的快照挑战.
• 提高DOA的准确性和可靠性仍然是一个活跃的研究领域.

研究的目的:

• 提出一种创新的循环降噪方法.
• 使用卷积神经网络 (CNN) 开发一个改进的CAPON算法 (最小变量无扭曲响应 - MVDR).
• 为了提高DOA估计的准确性和可靠性.

主要方法:

• 循环降噪是通过处理接收信号共变矩阵的固有值来实现的.
• 一个改进的CAPON算法,采用CNN结构,以处理的协差矩阵作为输入.
• 使用CAPON光谱值作为CNN的训练标签来估计空间光谱.

主要成果:

• 循环降噪将信号噪声比率 (SNR) 提高至多5dB,提高了DOA的准确性.
• 改进的CAPON算法在各种SNR和快照数字中显示出优于传统方法的性能.
• 根平均平方误差 (RMSE) 从0.86°减少到0.8°,角度估计误差减少了高达0.3°.
• 循环降噪进一步减少了角度估计误差,从0.04°降至0.02°.

结论:

• 拟议的循环降噪和改进的CAPON算法显著提高了DOA估计的准确性和可靠性.
• 基于CNN的CAPON算法有效地实现了盲源估计,性能得到改善.
• 这些方法在具有挑战性的信号环境中为DOA估计提供了强大的解决方案.