Multi-In-Multi-Out Neural Network for Joint DOA Estimation and Automatic Modulation Classification

doi:10.1109/LCOMM.2025.3583717

Multi-In-Multi-Out Neural Network for Joint DOA Estimation and Automatic Modulation Classification

2025-08-01

0

PRE

AI

DOI：10.1109/LCOMM.2025.3583717

原文链接

原文求助

摘要

En 中文

到达方向（DOA）估计和射频（RF）信号的自动调制分类（AMC）是电子情报系统的两项关键任务。这两项任务传统上是通过独立的单独过程执行的，导致延迟缓慢和计算复杂度高。为了缓解上述问题，本文提出了一种多输入-多输出深度神经网络（即MIMONet），该网络具有三个输入和两个输出，用于联合DOA估计和AMC，适用于均匀圆阵。三个输入分别指定为原始同相和正交相信号、傅里叶变换数据和协方差矩阵。两个输出依次分配用于DOA估计和AMC。通过分析MIMONet模型的不同超参数选项，以寻找DOA估计和AMC精度、计算复杂度及执行时间之间的最佳性能平衡。结果表明，具有32个大小为3×3的滤波器的MIMONet模型在信噪比（SNR）大于10 dB时取得了最佳性能，AMC准确率超过95%，DOA估计均方根误差低于0.1°，执行时间为0.74±0.02 ms。相比之下，所提出的模型在同一实验场景中优于一些其他最新模型。

Keyword:

Automatic modulation classification

deep neural network

direction of arrival

multi-in-multi-out model

uniform circular array

Multi-In-Multi-Out Neural Network for Joint DOA Estimation and Automatic Modulation Classification

摘要

期刊

机构