.png){kind=icon}
返回
DOA Estimation Using Complex-Valued Neural Networks with Generative Probability Wave
.png){kind=icon}
PRE
AI
DOI：10.1007/s00034-025-03331-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种基于生成概率波的复数值神经网络（CVNN）分类模型，用于到达方向（DOA）估计。与现有的CVNN方法不同，我们的方法采用线性回归而非逻辑回归，生成连续复数信号并分析其频谱以估计未知信源的DOA。这避免了将复数转换为实数表示所导致的信息损失。由于概率波的生成机制，所提出的模型能够固有地适应变化的DOA角度范围和分辨率要求，而无需修改神经网络的输出层维度。此外，我们将时间步嵌入集成到模型中，并将概率波关于时间步的导数关系纳入损失函数，对生成结果施加更强的约束。仿真结果表明，所提出的方法优于现有方法，在多种场景下实现了更高的估计精度和改进的鲁棒性。
Keyword:
DOA estimation
Deep learning
Complex-valued neural network
Generative probability wave
Signal processing
期刊
C
IF:
2
论文数:
326
被引数:
0
机构
引用论文
Global Mittag–Leffler Stability and Stabilization Analysis of Fractional-Order Quaternion-Valued Memristive Neural Networks.png)
Mathematics
OAAI
MathematicsIF0
OAAI分享收藏Exponential stability in the Lagrange sense for Clifford-valued recurrent neural networks with time delays具有时滞的Clifford值递归神经网络在拉格朗日意义上的指数稳定性OAAI
OAAI分享收藏
查看更多内容