低信噪比下用于波达方向估计的深度网络
信号处理
2021-09-08 v1 机器学习
声音
音频与语音处理
摘要
在本工作中，我们考虑在极端噪声存在下使用深度学习（DL）进行波达方向（DoA）估计。特别地，我们引入了一个卷积神经网络（CNN），它从真实阵列流形矩阵的多通道数据训练，并能够利用样本协方差估计预测角度方向。我们将该问题建模为多标签分类任务，并在低 SNR 区间训练 CNN 以跨所有 SNR 预测 DoA。所提架构在噪声存在下表现出增强的鲁棒性，并对少量快拍具有弹性。此外，它能在网格分辨率内分辨角度。实验结果表明，与最先进的方法相比，在低 SNR 区间取得了显著性能提升，且无需任何参数调优。我们放宽了源数量先验已知的假设，并提出了一种训练方法，使 CNN 在学习 DoA 的同时推断源数量。仿真结果表明，所提 CNN 能在低 SNR 下准确估计离网格角度，同时对于足够数量的快拍能成功推断源数量。我们的鲁棒方案可应用于多个领域，从无线阵列传感器到声学麦克风或声纳。
引用
@article{arxiv.2011.08848,
title = {Deep Networks for Direction-of-Arrival Estimation in Low SNR},
author = {Georgios K. Papageorgiou and Mathini Sellathurai and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2011.08848},
year = {2021}
}