DOA-CNN: Mô hình tự động hiệu chỉnh sai số hệ thống, nâng cao độ chính xác ước lượng hướng đến của tín hiệu vô tuyến
136 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.89.2023.43-51Từ khóa:
Ước lượng hướng đến; Mạng nơ-ron tích chập; Sai số vị trí; Sai số biên độ và pha.Tóm tắt
Bài báo trình bày kết quả nghiên cứu đề xuất mạng nơ-ron tích chập học sâu, đặt tên là DOA-CNN, cho bài toán ước lượng hướng đến (DOA: Direction of Arrival) của tín hiệu vô tuyến sử dụng mảng ăng ten tuyến tính đồng đều (ULA: Uniform Linear Array) nhằm nâng cao độ chính xác ước lượng trong các trường hợp xảy ra lỗi hệ thống phổ biến, như: sai lệch vị trí các phần tử của mảng ăng ten; sai số biên độ và pha gây ra do sai lệch đường truyền tuyến thu. Mô hình DOA-CNN được thiết kế với các lớp nhân tích lũy nhằm tăng cường đặc trưng đại diện cho dữ liệu thông qua các tầng tích chập, từ đó có thể thực hiện bài toán phân lớp góc DOA. Kết quả đánh giá, so sánh độ chính xác ước lượng của mô hình DOA-CNN với các phương pháp CBF, Capon, MUSIC, Root-MUSIC, ESPRIT và một số mô hình học máy khác cho thấy: nếu cấu hình của mảng ULA và máy thu là lý tưởng thì Root-MUSIC và ESPRIT cho độ chính xác tốt nhất, do các phương pháp này tính trực tiếp góc DOA trong khi những phương pháp còn lại ước lượng DOA thông qua phổ góc nên độ chính xác phụ thuộc vào độ phân giải phổ; Tuy nhiên, nếu xuất hiện sai số vị trí các phần tử mảng ULA và sai lệch đường truyền trong tuyến thu thì mô hình DOA-CNN đề xuất cho độ chính xác vượt trội so với các phương pháp truyền thống và tốc độ xử lý nhanh hơn một số mô hình học máy khác.
Tài liệu tham khảo
. R. Wiley, “ELINT: The Interception and Analysis of Radar Signals”, Artech House, (2006).
. S. Chandran, “Advances in Direction-of-Arrival Estimation”, Artech House, (2006).
. R. Schmidt, "Multiple emitter location and signal parameter estimation," in IEEE Transactions on Antennas and Propagation, vol. 34, no. 3, pp. 276-280, (1986). DOI: https://doi.org/10.1109/TAP.1986.1143830
. Y. -M. Ning, S. Ma, F. -Y. Meng and Q. Wu, "DOA Estimation Based on ESPRIT Algorithm Method for Frequency Scanning LWA," in IEEE Communications Letters, vol. 24, no. 7, pp. 1441-1445, (2020). DOI: https://doi.org/10.1109/LCOMM.2020.2988020
. B. D. Rao and K. V. S. Hari, "Performance analysis of Root-Music," in IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 37, no. 12, pp. 1939-1949, (1989). DOI: https://doi.org/10.1109/29.45540
. V.-S. Doan and D.-S. Kim, “DOA estimation of multiple non-coherent and coherent signals using element transposition of covariance matrix,” ICT Express, vol. 6, no. 2, pp. 67–75, (2020). DOI: https://doi.org/10.1016/j.icte.2020.03.008
. M. Zhang and Z.-D. Zhu, "DOA estimation with sensor gain, phase and position perturbations," Proceedings of the IEEE 1993 National Aerospace and Electronics Conference-NAECON 1993, Dayton, OH, USA, pp. 67-69 vol.1, (1993).
. L. Wu, Z.-M. Liu, and Z.-T. Huang, “Deep convolution network for direction of arrival estimation with sparse prior”, IEEE Signal Processing Letters, vol. 26, no. 11, pp. 1688–1692, (2019). DOI: https://doi.org/10.1109/LSP.2019.2945115
. S. Ge, K. Li, and S. N. B. M. Rum, “Deep Learning Approach in DOA Estimation: A Systematic Literature Review,” Mobile Information Systems, vol. 2021, pp. 1–14, (2021). DOI: https://doi.org/10.1155/2021/6392875
. V. A. Devi and M. Naved, “Dive in Deep Learning,” in Machine Learning in Signal Processing, Chapman and Hall/CRC, pp. 97–126, (2021). DOI: https://doi.org/10.1201/9781003107026-5
. A. R. Carballeira, F. A. P. de Figueiredo, and J. M. C. Brito, “Simultaneous Estimation of Azimuth and Elevation Angles Using a Decision Tree-Based Method,” (2023). DOI: https://doi.org/10.20944/preprints202307.0919.v1
. L. Jian, X. Wang, J. Shi, and X. Lan, “Robust Sparse Bayesian Learning Scheme for DOA Estimation with Non-Circular Sources,” Mathematics, vol. 10, no. 6, p. 923, (2022). DOI: https://doi.org/10.3390/math10060923
. Y. Liu, H. Chen, and B. Wang, “DOA Estimation of Underwater Acoustic Signals Based on PCA-kNN Algorithm,” in 2020 International Conference on Computer Information and Big Data Applications (CIBDA), (2020). DOI: https://doi.org/10.1109/CIBDA50819.2020.00115
. F. Zhao, G. Hu, C. Zhan, and Y. Zhang, “DOA Estimation Method Based on Improved Deep Convolutional Neural Network,” Sensors, vol. 22, no. 4, p. 1305, (2022). DOI: https://doi.org/10.3390/s22041305
