通过多任务学习增强到达方向估计
Simone Bianco1, Luigi Celona1, Paolo Crotti1
1Department of Informatics, Systems and Communication, University of Milano-Bicocca, 20126 Milan, Italy.
Sensors (Basel, Switzerland)
|November 27, 2024
概括
我们开发了一种新型的多任务卷积神经网络 (CNN),用于同时估计源数 (NOS) 和到达方向 (DOA). 这种方法可以在杂,动态的环境中提高信号处理性能.
科学领域:
- 信号处理 信号处理
- 机器学习 机器学习
- 阵列信号处理 阵列信号处理
背景情况:
- 传统的到达方向 (DOA) 和来源数量 (NOS) 估计方法通常独立运行.
- 现有的联合估计技术可能无法充分利用NOS和DOA估计任务之间的协同信息.
研究的目的:
- 引入一种新的多任务卷积神经网络 (CNN),用于同时估计NOS和DOA.
- 通过使用统一的深度学习框架,研究共同学习NOS和DOA估计的性能好处.
主要方法:
- 开发了一种多任务CNN架构,旨在处理信号数据.
- 训练和评估CNN模型使用模拟数据集与不同噪音水平和环境动态.
主要成果:
- 拟议的多任务CNN模型与现有的最先进的方法相比,表现出了卓越的性能.
- 特别是在具有高噪音和动态条件的具有挑战性的场景中观察到显著的性能增长.
结论:
- 通过多任务CNN共同估计NOS和DOA,与独立估计方法相比,提供了显著的优势.
- 开发的CNN为复杂信号环境中的DOA和NOS估计提供了强大的和有效的解决方案.
