多模态迭代与深度融合框架：基于绿色大规模H2AD MIMO接收器的被动DOA感知增强
数值分析
2024-11-12 v1 数值分析
摘要
大多数现有的DOA估计方法假设源入射角理想且噪声最小。此外，直接使用预估计角度来计算加权系数可能导致性能损失。因此，提出了一种绿色多模态（MM）融合DOA框架，用于对H²AD阵列实现更实用、低成本和高时间效率的DOA估计。首先，提出了两种更高效的聚类方法——全局最大余弦相似度聚类（GMaxCS）和全局最小距离聚类（GMinD），用于从候选解集中推断更精确的真实解。基于此，引入了一种基于迭代加权融合（IWF）的方法，利用估计值迭代更新加权融合系数和真实解类的聚类中心。特别是，由全数字（FD）子阵列计算的粗DOA用作初始聚类中心。上述过程产生了两种方法，分别称为MM-IWF-GMaxCS和MM-IWF-GMinD。为进一步提高DOA估计精度，提出了一种融合网络（fusionNet），用于聚合推断的两部分真实角度，从而生成两种有效方法，分别称为MM-fusionNet-GMaxCS和MM-fusionNet-GMinD。模拟结果表明，所提出的四种方法可以实现理想的DOA性能和CRLB。同时，提出的MM-fusionNet-GMaxCS和MM-fusionNet-GMinD表现出优于MM-IWF-GMaxCS和MM-IWF-GMinD的DOA性能，尤其在极低SNR范围内。
引用
@article{arxiv.2411.06926,
title = {A priori error estimates for finite element discretization of semilinear elliptic equations with non-Lipschitz nonlinearities},
author = {Boris Vexler},
journal= {arXiv preprint arXiv:2411.06926},
year = {2024}
}