基于深度迁移学习的任意传感器几何下的稀疏阵列选择
信号处理
2020-06-03 v2 信息论
机器学习
math.IT
摘要
稀疏传感器阵列选择出现在许多工程应用中，其中从有限数量的阵元获得最大空间分辨率至关重要。近期研究表明，用深度学习网络替代传统的优化和贪婪搜索方法可降低阵列选择的计算复杂度。然而在实践中，充足且经过良好校准的标记训练数据难以获取，对于任意阵列配置而言更是如此。为此，我们采用深度迁移学习（TL）方法，其中我们用易于获取校准数据的源传感器阵列数据训练深度卷积神经网络（CNN），并将该预训练 CNN 复用于不同的、数据不足的目标阵列几何以执行稀疏阵列选择。对均匀矩形和圆形阵列的数值实验表明，TL-CNN 在目标模型上的性能优于用同一模型不足数据训练的 CNN。具体而言，我们的 TL 框架提供了约 20% 更高的传感器选择准确率和 10% 的波达方向估计误差改善。
引用
@article{arxiv.2004.11637,
title = {Sparse Array Selection Across Arbitrary Sensor Geometries with Deep Transfer Learning},
author = {Ahmet M. Elbir and Kumar Vijay Mishra},
journal= {arXiv preprint arXiv:2004.11637},
year = {2020}
}
备注
Accepted paper in IEEE Transactions on Cognitive Communications and Networking