.png){kind=icon}
返回
Forward Sort-and-Gather Alignment Network for Joint Source Count and Multi-Source DOA Estimation
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15194485.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当信源数量未知、信噪比（SNR）较低或多个信源间距较近时，到达方向（DOA）估计仍存在困难。本文提出前向排序-聚集对齐网络（FSA-Net）用于联合信源数量分类和连续多信源DOA估计。样本协方差矩阵的三通道表示（通过共同Frobenius范数归一化）由共享特征提取器处理，并连接角度、槽存在和信源数量头。在前向传播过程中，预测角度被排序，并对存在logits应用相同的排列。该操作在不进行组合分配的情况下保持了跨分支对应关系。相邻间隙损失进一步约束了相邻信源的相对几何关系。单个模型可处理混合K=1、2和3的情况，无需先验K知识。在蒙特卡洛仿真中，采用均匀线性阵列和互不相关的窄带信源，FSA-Net在测试SNR范围从−15到15 dB（在理想K、定位协议下），对所有三种信源数量的定位均方根误差（RMSE）均达到亚度级别，而独立评估的信源数量准确率超过99%。该方法在评估的低SNR和信源间距较近条件下仍保持良好的联合定位性能。受控消融实验表明，排列一致的排序-聚集对齐在所调查的组件中提供了最大的改进。
Keyword:
direction-of-arrival estimation
multi-source localization
source count estimation
deep learning
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
暂无机构信息
引用论文
DOA Estimation on One-Bit Quantization Observations through Noise-Boosted Multiple Signal Classification.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Multi-target direction-of-arrival estimation of deep models with frame-level permutation invariant training in marine acoustic environment海洋声学环境中基于帧级排列不变训练的深度模型多目标到达角估计
PREAI
分享收藏
查看更多内容