在强噪声条件下,在智能织可穿戴天线阵列中用于DoA估计的等级分类ANN模型
Zoran Stanković1, Olivera Pronić-Rančić1, Nebojša Dončov1
1Faculty of Electronic Engineering, University of Niš, A. Medvedeva 4, 18000 Niš, Serbia.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
一个新的层次分类神经网络模块 (HSNN-DoA) 准确地估计了织可穿戴天线阵列的信号到达方向 (DoA),即使在杂的环境中. 这种方法可以解释由于佩戴者移动而导致的天线变化.
科学领域:
- 电气工程 电气工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 在无线通信系统中,到达方向 (DoA) 估计至关重要.
- 可穿戴天线阵列面临信号噪声和物理变形等挑战.
- 现有的DoA方法与动态和杂的环境作斗争.
研究的目的:
- 引入一个新的层次分类神经网络模块来估计到达方向 (HSNN-DoA).
- 为了应对使用织可穿戴天线阵列 (TWAA) 在强噪声和缩条件下DoA估计的挑战.
- 与现有方法相比,评估拟议的HSNN-DoA模块的性能.
主要方法:
- 开发一个两个阶段的HSNN-DoA模块:部门识别和DoA估计.
- 使用由TWAA采样的信号的空间相关性矩阵.
- 调查HSNN-DoA架构的不同时间窗口长度.
- 将HSNN-DoA与基于MLP和Root-MUSIC的DoA模块进行比较.
主要成果:
- 在变化的噪声条件下,HSNN-DoA模块表现出强大的性能.
- 拟议的模块有效地考虑了天线增益,间距和频率变化.
- 与基准方法相比,HSNN-DoA显示出具有竞争力的准确性和提高的速度.
结论:
- 在具有挑战性的可穿戴场景中,HSNN-DoA模块为快速准确的DoA估计提供了一个有前途的解决方案.
- 层次的方法有效地处理环境变化和噪音.
- 这项工作推进了移动和可穿戴通信系统的DoA估计技术.
