面向鲁棒数据驱动水声定位：一种具有模型失配性能保证的深度 CNN 解法
信号处理
2023-05-30 v1
摘要
开发水声定位方法的关键挑战与复杂环境中高混响的联合效应有关。为应对此类挑战，近期研究表明，借助恰当设计的架构，神经网络可带来前所未有的定位能力与增强的精度。然而，此类方法对环境失配的鲁棒性通常难以刻画，且一般仅通过经验评估。本工作中，我们考虑近期提出的基于深度卷积神经网络的数据驱动方法 [19]，并证明其能够在复杂且失配环境中学习定位。为解释该鲁棒性，我们给出了“真实”环境中定位均方误差（MSE）的上界，该上界由“假定”环境中的 MSE 以及与环境差异相关的附加惩罚项表示。我们的理论结果在丰富、高混响且失配的信道中通过仿真结果得到佐证。
引用
@article{arxiv.2305.17920,
title = {Towards Robust Data-Driven Underwater Acoustic Localization: A Deep CNN Solution with Performance Guarantees for Model Mismatch},
author = {Amir Weiss and Andrew C. Singer and Gregory W. Wornell},
journal= {arXiv preprint arXiv:2305.17920},
year = {2023}
}