存在多径干扰时使用残差卷积神经网络进行模型阶数估计
信号处理
2022-09-05 v1
摘要
模型阶数估计（MOE）通常是波达方向（DoA）估计的先决条件。受阵列几何限制，通常无法对任意数量信源的空间参数进行估计；一般需要信号模型的估计。MOE 是从若干候选中选出最可能信号模型的过程。经典方法在相干多径干扰存在时无法进行 MOE，而数据驱动的监督学习模型可解决该问题。我们提出应用残差卷积神经网络（RCNN）及分组对称核滤波器，而非经典的 MLP（多层感知机）或 CNN（卷积神经网络）架构，以在相干多径下实现高达 95.2% 的当前最优估计精度，并采用加权损失函数消除模型阶数的低估误差。我们通过展示该方法对整体信号处理流程的影响来表明其益处，该流程确定阵列接收的总信号数、独立信源数以及各路径与这些信源的关联。此外，我们表明所提估计器在多种阵列类型上均能提供准确性能，可识别过载场景，并最终给出强劲的 DoA 估计与信号关联性能。
引用
@article{arxiv.2209.00728,
title = {Model Order Estimation in the Presence of multipath Interference using Residual Convolutional Neural Networks},
author = {Jianyuan Yu and William W. Howard and Yue Xu and R. Michael Buehrer},
journal= {arXiv preprint arXiv:2209.00728},
year = {2022}
}