Định hướng nguồn tín hiệu dải rộng sử dụng mạng nơ-ron tích chập kết hợp phương pháp không gian con tín hiệu đồng kết hợp
DOI:
https://doi.org/10.54939/1859-1043.j.mst.IITE.2025.115-122Từ khóa:
Xử lí tín hiệu mảng; Ước lượng hướng tín hiệu đến; Mạng thần kinh học sâu; Phương pháp không gian con; Root-MUSIC.Tóm tắt
Trong xử lý tín hiệu mảng, ước lượng hướng đến của nguồn tín hiệu tần số vô tuyến băng rộng đóng vai trò quan trọng trong các lĩnh vực như sonar, radar, thông tin liên lạc, tác chiến điện tử. Root-MUSIC là một trong những thuật toán tốt trong các phương pháp không gian con. Thuật toán này dựa trên một số giả định bao gồm góc ban đầu nhưng hiệu quả ước lượng của thuật toán bị giảm mạnh khi những giả định này không đúng. Bài báo trình bày một phương pháp mới sử dụng mạng nơ-ron sâu (DNN) kết hợp với thuật toán Root-MUSIC để cải thiện ước lượng hướng đến của nguồn tín hiệu. Các mẫu quan sát được chia thành các không gian con có thể phân biệt được. Ma trận tự tương quan đầu vào được DNN đào tạo để phân tích các giá trị thực. Bộ ước lượng dựa trên không gian con siêu phân giải giúp cải thiện độ chính xác được trình bày và phân tích trong bài báo. Kết quả mô phỏng của chúng tôi cho thấy các nguồn tín hiệu băng rộng có thể được tính toán trong điều kiện SNR thấp và các mẫu quan sát ngắn.
Tài liệu tham khảo
[1]. P. R. O. Schmidt, “Multiple emitter location and signal parameter estimation,” IEEE transactions on antennas and propagation, Vol. 34, No. 3, pp. 276–280, (1986).
[2]. R. Roy and T. Kailath, “ESPRIT—Estimation of signal parameters via rotational invariance techniques,” IEEE transactions on acoustics, speech, and signal processing, Vol. 37, No. 7, pp. 984–995, (1989).
[3]. M. Feder and E. Weinstein, “Parameter estimation of superimposed signals using the EM algorithm,” IEEE transactions on acoustics, speech, and signal processing, Vol. 36, No. 4, pp. 477–489, (1988).
[4]. Y. Jiang, X. Zhang, and W. Liu, “Deep neural networks for direction-of-arrival estimation with massive MIMO systems,” in proceedings of the IEEE global communications conference (GLOBECOM), pp. 1–6, (2017).
[5]. L. Liu, C. Huang, and Y. Shi, “Convolutional neural network-based DOA estimation using multiple snapshots,” in proceedings of the IEEE international conference on acoustics, speech and signal processing (ICASSP), pp. 3286–3290, (2018).
[6]. D. Kim and J. C. Ye, “Deep learning-based direction-of-arrival estimation with circular microphone arrays,” IEEE signal processing letters, Vol. 26, No. 8, pp. 1177–1181, (2019).
[7]. D. H. Shmuel, J. P. Merkofer, G. Revach, R. J. G. van Sloun, and N. Shlezinger, “SubspaceNet: Deep learning-aided subspace methods for DoA estimation,” arXiv preprint, arXiv:2306.02271, doi:10.48550/arXiv.2306.02271, (2024).
[8]. L. M. K., J. H. M., and Y.-S. Yoon, “TOPS: new DOA estimator for wideband signal,” IEEE transactions on signal processing, Vol. 54, No. 6, pp. 1977–1989, (2006).
[9]. K. Forsythe, “Utilizing waveform features for adaptive beamforming and direction finding with narrowband signals,” Lincoln laboratory journal, Vol. 10, No. 2, pp. 35–50, (1997).
