.png){kind=icon}
返回
Memory-Saving Gridless Direction-of-Arrival Estimation Based on Distributed Deep Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2025.3559872.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着天线阵列规模的增大，基于深度学习（DL）的集中式方法在设备上面临显著的内存限制。为解决此问题，我们提出了一种分布式DL框架用于无网格到达方向（DOA）估计，该框架显著缓解了大规模天线场景下设备的内存限制。我们采用重叠子阵列选择策略，将完整阵列划分为多个子阵列，允许相邻子阵列之间存在部分重叠的阵列元素。该策略有效补偿了子阵列间的交叉相关性信息损失，从而提高了DOA估计精度。在此框架中，每个子阵列配备一个独立的子处理器，负责压缩接收数据并将结果传输至融合中心。融合中心利用图神经网络（GNN）从复杂数据集中有效提取DOA估计信息。该框架将DOA估计视为回归任务，利用托普利兹先验通过后处理实现高精度无网格DOA估计。此外，我们引入了一种混合数据驱动与模型驱动的框架，在显著减少计算时间的同时确保DOA估计的准确性，特别适用于实时应用。仿真结果表明，我们提出的分布式DL方法在DOA估计精度上可媲美集中式DL方法，同时表现出更低的时间复杂度和更低的设备内存需求。
Keyword:
Direction-of-arrival (DOA) estimation
distributed deep learning (DL)
graph neural network (GNN)
gridless method
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
Integrated Sensing and Communication for Symbiotic Radio Systems in Mobile Scenarios移动场景中共生无线电系统的集成传感和通信
PREAI
分享收藏Direction-of-Arrival Estimation for a Random Sparse Linear Array Based on a Graph Neural Network.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Neural Network-Based Compression Framework for DOA Estimation Exploiting Distributed ArrayICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏
查看更多内容