在低SNR环境中使用矢量传感器阵列进行基于ACGAN的多目标高度估计

科学领域:

• 信号处理 信号处理
• 声学 声学 在声学方面
• 机器学习 机器学习

背景情况:

• 在低信号噪声比 (SNR) 条件下以及多个干扰源的情况下,到达方向 (DOA) 估计的准确性会显著降低.
• 传统的方法在这些具有挑战性的声学环境下难以保持性能.

研究的目的:

• 提出一个新的深度学习架构,辅助分类器生成对抗网络 (ACGAN),用于强大的DOA估计.
• 通过挤压和刺激 (SE) 注意力机制和多尺度扩展特征聚合 (MDFA) 模块来增强ACGAN.

主要方法:

• 使用一个矢量水电话阵列来捕获粒子速度 (vx,vy,vz) 和声压 (p) 信号.
• 集成了一个SE注意力机制,以提高特征灵敏度.
• 采用MDFA模块来提取多尺度特征并捕获弱目标增强的跨尺度模式.
• 将辅助分类分支纳入区分器,以共同优化生成和分类任务.

主要成果:

• 拟议的ACGAN架构在低SNR场景中证明了DOA估计准确度的提高.
• MDFA模块有效地增强了光束形成地图中弱目标的表示,减轻了干扰偏差.
• 辅助分类部门有助于更好地识别和分离多个标记来源.
• 实验结果证实了网络在各种声学场景中的有效性.

结论:

• 拟议的ACGAN与SE关注和MDFA模块在具有挑战性的低SNR和多源环境中为DOA估计提供了强大的解决方案.
• 综合方法有效地解决了现有方法的局限性,提供了更高的准确性和源隔离能力.