用于信源数检测的模型辅助深度神经网络
信息论
2020-02-19 v2 机器学习
信号处理
math.IT
摘要
信源数检测是阵列信号处理中的一个关键问题。传统的模型驱动方法，例如赤池信息准则（AIC）和最小描述长度（MDL），在快拍数较少或信噪比（SNR）较低时性能严重下降。在本文中，我们利用基于模型辅助的深度神经网络（DNN）来估计信源数。具体而言，我们首先提出基于特征值的回归网络（ERNet）和分类网络（ECNet）来估计非相干信源的数量，其中接收信号协方差矩阵的特征值和信源数分别用作网络的输入和监督标签。随后，我们将ERNet和ECNet推广至相干信源数量的估计，采用前向后向空间平滑（FBSS）方案以提升ERNet和ECNet的性能。数值结果表明，ERNet和ECNet相对于传统AIC和MDL方法具有优异性能以及出色的泛化能力，这也显示了它们在实际应用中的巨大潜力。
引用
@article{arxiv.1909.13273,
title = {Model-aided Deep Neural Network for Source Number Detection},
author = {Yuwen Yang and Feifei Gao and Cheng Qian and Guisheng Liao},
journal= {arXiv preprint arXiv:1909.13273},
year = {2020}
}