論文の概要: Deep Networks for Direction-of-Arrival Estimation in Low SNR
- arxiv url: http://arxiv.org/abs/2011.08848v1
- Date: Tue, 17 Nov 2020 12:52:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 18:03:28.563896
- Title: Deep Networks for Direction-of-Arrival Estimation in Low SNR
- Title（参考訳）: 低SNRにおける方向推定のためのディープネットワーク
- Authors: Georgios K. Papageorgiou, Mathini Sellathurai and Yonina C. Eldar
- Abstract要約: 我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
- 参考スコア（独自算出の注目度）: 89.45026632977456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we consider direction-of-arrival (DoA) estimation in the
presence of extreme noise using Deep Learning (DL). In particular, we introduce
a Convolutional Neural Network (CNN) that is trained from mutli-channel data of
the true array manifold matrix and is able to predict angular directions using
the sample covariance estimate. We model the problem as a multi-label
classification task and train a CNN in the low-SNR regime to predict DoAs
across all SNRs. The proposed architecture demonstrates enhanced robustness in
the presence of noise, and resilience to a small number of snapshots. Moreover,
it is able to resolve angles within the grid resolution. Experimental results
demonstrate significant performance gains in the low-SNR regime compared to
state-of-the-art methods and without the requirement of any parameter tuning.
We relax the assumption that the number of sources is known a priori and
present a training method, where the CNN learns to infer the number of sources
jointly with the DoAs. Simulation results demonstrate that the proposed CNN can
accurately estimate off-grid angles in low SNR, while at the same time the
number of sources is successfully inferred for a sufficient number of
snapshots. Our robust solution can be applied in several fields, ranging from
wireless array sensors to acoustic microphones or sonars.
- Abstract（参考訳）: 本研究では,Deep Learning (DL) を用いた極端雑音の存在下での方向推定(DoA)について検討する。
特に、真の配列多様体行列の変異チャネルデータから学習し、サンプル共分散推定を用いて角方向を予測できる畳み込みニューラルネットワーク(CNN)を導入する。
我々は、問題をマルチラベル分類タスクとしてモデル化し、低SNR方式でCNNを訓練し、すべてのSNRでDoAを予測する。
提案するアーキテクチャは,ノイズの存在下でのロバスト性の向上と,少数のスナップショットに対するレジリエンスを示す。
さらに、グリッド解像度内の角度を解消することができる。
実験結果から, パラメータチューニングを必要とせず, 最先端手法と比較して低SNR方式では顕著な性能向上が見られた。
我々は,情報源の数が先行して知られているという仮定を緩和し,cnnがdoasと共同でソース数を推測することを学ぶためのトレーニング手法を提案する。
シミュレーションの結果、提案したCNNは低SNRでのオフグリッド角を正確に推定できる一方で、十分な数のスナップショットに対してソース数を推測できることがわかった。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクやソナーまで、いくつかの分野に適用できます。
関連論文リスト
- Patch-CNN: Training data-efficient deep learning for high-fidelity
diffusion tensor estimation from minimal diffusion protocols [3.0416974614291226]
6方向拡散重み付き画像(DWI)のみからの拡散テンソル(DT)推定のための新しい手法であるPatch-CNNを提案する。
イメージワイドFCNと比較すると、最小限のカーネルはトレーニングデータ要求を大幅に削減する。
改良された繊維配向推定は、改良されたトラクトグラムを生成する。
論文 参考訳（メタデータ） (2023-07-03T20:39:48Z) - A Comparative Study of Deep Learning and Iterative Algorithms for Joint Channel Estimation and Signal Detection in OFDM Systems [11.190815358585137]
周波数分割多重化システムでは,共同チャネル推定と信号検出が重要である。
従来のアルゴリズムは低信号対雑音比(SNR)のシナリオでは不十分である。
深層学習 (DL) 手法は検討されているが, 計算コストや低SNR設定による検証の欠如が懸念されている。
論文 参考訳（メタデータ） (2023-03-07T06:34:04Z) - Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。
既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。
本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-17T06:29:07Z) - Neural Implicit Dictionary via Mixture-of-Expert Training [111.08941206369508]
ニューラルインシシット辞書(NID)を学習することで、データとトレーニング効率の両方を達成する汎用INRフレームワークを提案する。
我々のNIDは、所望の関数空間にまたがるように調整された座標ベースのImpworksのグループを組み立てる。
実験の結果,NIDは最大98%の入力データで2次元画像や3次元シーンの再現を2桁高速化できることがわかった。
論文 参考訳（メタデータ） (2022-07-08T05:07:19Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - Robust Learning of Recurrent Neural Networks in Presence of Exogenous
Noise [22.690064709532873]
入力雑音を受けるRNNモデルに対するトラクタブルロバストネス解析を提案する。
線形化手法を用いてロバストネス測度を効率的に推定することができる。
提案手法はリカレントニューラルネットワークのロバスト性を大幅に改善する。
論文 参考訳（メタデータ） (2021-05-03T16:45:05Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z) - Multiple Angles of Arrival Estimation using Neural Networks [2.233624388203003]
本稿では,受信データから抽出した相関行列に基づいて,方位角と仰角を推定するニューラルネットワークを提案する。
その結果、ニューラルネットワークは低SNR下で正確な推定を達成でき、複数の信号に対処できることがわかった。
論文 参考訳（メタデータ） (2020-02-03T02:37:43Z) - Sound Event Detection with Depthwise Separable and Dilated Convolutions [23.104644393058123]
最先端音事象検出(SED)法は通常、入力された音声信号から有用な特徴を抽出するために一連の畳み込みニューラルネットワーク(CNN)を用いる。
本稿では,CNNを深く分離可能な畳み込みに置き換えることと,RNNを拡張畳み込みに置き換えることを提案する。
平均フレーム単位のF1スコアと平均エラー率をそれぞれ4.6%、平均エラー率を3.8%向上させる。
論文 参考訳（メタデータ） (2020-02-02T19:50:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。