.png){kind=icon}
返回
Deep Learning Framework Using Spatial Attention Mechanisms for Adaptable Angle Estimation Across Diverse Array Configurations
.png){kind=icon}
OA
AI
DOI：10.3390/technologies13020046.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无线通信系统的快速发展和对精确、实时信号处理日益增长的需求，推动了到达方向（DoA）估计技术的创新。本文介绍了一种新颖的卷积神经网络（CNN）架构，该架构结合了空间注意力机制与迁移学习框架，以提升DoA估计的准确性和通用性。该模型集成了空间注意力层，能够动态优先处理信息价值最高的信号区域，使其能够分离相关信号并在嘈杂或拥挤的信号环境中抑制干扰。此外，我们利用迁移学习框架，使模型能够以最小的额外训练量泛化至各种天线阵列配置（即平面、线性和环形阵列）。广泛的仿真结果将该模型与现有的DoA估计领域最先进方法进行对比，在多种条件下实现了更优的绝对误差。这种混合方法不仅提高了DoA估计精度，还显著降低了适应新阵列配置时的重新训练需求，使其成为下一代无线通信系统中一种稳健、可扩展的工具。
Keyword:
direction-of-arrival (DoA) estimation
machine learning
convolutional neural networks
spatial attention
transfer learning
multiple-input multiple-output (MIMO) systems
wireless communications
期刊
T
IF:
3.6
论文数:
1.3K
被引数:
3.2K
机构
暂无机构信息
引用论文
Two-dimensional Direction of Arrival Estimation based on Nested Circular Array基于嵌套圆形阵列的二维到达方向估计
PREAI
分享收藏3D Direction of Arrival Estimation: An Innovative Deep Neural Network Approach3D到达方向估计：一种创新的深度神经网络方法
PREAI
分享收藏Effectiveness and Characteristics of Virtual Antennas in the Multiple Signal Classification Algorithm虚拟天线在多重信号分类算法中的有效性与特性.png)
ELECTRONICSOAAI
ELECTRONICSIF2.6
OAAI分享收藏Research on 2-D Direction of Arrival (DOA) Estimation for an L-Shaped ArrayL形阵列的二维到达方向（DOA）估计研究REMOTE SENSINGOAAI
REMOTE SENSINGIF4.1
OAAI分享收藏
查看更多内容