一种用于联合波达角与信源数估计的有监督学习框架
信号处理
2021-11-19 v1
摘要
机器学习是一种用于估计入射到传感器阵列上的波的波达角（AOA）的有前景的技术。然而，目前提出的大多数方法仅考虑已知且固定的入射波数量，即固定的信源数。本文提出了一种基于机器学习的估计器，专为信源数可变且因此先验未知的情况而设计。所提估计器由单标签分类器框架组成。每个分类器预测在阵列视场（FOV）某些随机选定的分段内是否存在波，这些分段由以特定 FOV 分辨率对视场进行离散化得到。分类器的预测被组合为一个概率角度谱，随后通过施加一个其最优电平从数据中学习得到的概率阈值，联合估计信源数与 AOA。估计器的性能使用一种新的性能指标评估：联合 AOA 估计成功率。数值仿真表明，在低信噪比（-10 dB）下，低 FOV 分辨率（2°）比高分辨率（1°）产生更高的成功率，而在中（0 dB）和高（10 dB）信噪比下情况相反。在几乎所有仿真中（除一次低信噪比且高 FOV 分辨率的情形外），若允许的最大 AOA 估计误差约等于（或大于）FOV 分辨率，所提估计器均优于 MUSIC 算法。
引用
@article{arxiv.2111.09686,
title = {A Supervised Learning Framework for Joint Angle-of-Arrival and Source Number Estimation},
author = {Noud Kanters and Andrés Alayón Glazunov},
journal= {arXiv preprint arXiv:2111.09686},
year = {2021}
}
备注
Manuscript submitted to IEEE Trans. Signal Process. on November 1, 2021. 13 pages, 8 figures