論文の概要: SubspaceNet: Deep Learning-Aided Subspace Methods for DoA Estimation
- arxiv url: http://arxiv.org/abs/2306.02271v1
- Date: Sun, 4 Jun 2023 06:30:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 18:56:02.718209
- Title: SubspaceNet: Deep Learning-Aided Subspace Methods for DoA Estimation
- Title（参考訳）: SubspaceNet:DoA推定のためのディープラーニング支援サブスペース手法
- Authors: Dor H. Shmuel, Julian P. Merkofer, Guy Revach, Ruud J. G. van Sloun,
and Nir Shlezinger
- Abstract要約: SubspaceNetは、観測を区別可能な部分空間に分割する方法を学ぶデータ駆動型DoA推定器である。
SubspaceNetは、コヒーレントソース、広帯域信号、低いSNR、配列ミスマッチ、限られたスナップショットに対処する様々なDoA推定アルゴリズムを実現する。
- 参考スコア（独自算出の注目度）: 37.07719057727345
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Direction of arrival (DoA) estimation is a fundamental task in array
processing. A popular family of DoA estimation algorithms are subspace methods,
which operate by dividing the measurements into distinct signal and noise
subspaces. Subspace methods, such as Multiple Signal Classification (MUSIC) and
Root-MUSIC, rely on several restrictive assumptions, including narrowband
non-coherent sources and fully calibrated arrays, and their performance is
considerably degraded when these do not hold. In this work we propose
SubspaceNet; a data-driven DoA estimator which learns how to divide the
observations into distinguishable subspaces. This is achieved by utilizing a
dedicated deep neural network to learn the empirical autocorrelation of the
input, by training it as part of the Root-MUSIC method, leveraging the inherent
differentiability of this specific DoA estimator, while removing the need to
provide a ground-truth decomposable autocorrelation matrix. Once trained, the
resulting SubspaceNet serves as a universal surrogate covariance estimator that
can be applied in combination with any subspace-based DoA estimation method,
allowing its successful application in challenging setups. SubspaceNet is shown
to enable various DoA estimation algorithms to cope with coherent sources,
wideband signals, low SNR, array mismatches, and limited snapshots, while
preserving the interpretability and the suitability of classic subspace
methods.
- Abstract（参考訳）: 到着方向(doa)推定は配列処理の基本的なタスクである。
doa推定アルゴリズムの一般的なファミリーは部分空間法であり、測定値を異なる信号空間とノイズ部分空間に分割することで操作する。
多重信号分類 (music) やルート音楽 (root-music) といった部分空間法は、狭帯域の非コヒーレントソースや完全に調整された配列など、いくつかの制限的な仮定に依存している。
本研究では,観測を識別可能な部分空間に分割する方法を学ぶデータ駆動型doa推定器であるsubspacenetを提案する。
これは、専用のディープニューラルネットワークを利用して入力の実証的自己相関を学習し、Root-MUSIC法の一部としてトレーニングし、この特定のDoA推定器の固有の微分可能性を活用し、また、地上のトラス分解可能な自己相関行列を提供する必要をなくすことによって達成される。
トレーニングが完了すると、結果のSubspaceNetは、任意のサブスペースベースのDoA推定手法と組み合わせて適用可能な、普遍的なサロゲート共分散推定器として機能する。
SubspaceNetは、従来のサブスペース手法の解釈性と適合性を保ちながら、コヒーレントソース、広帯域信号、低いSNR、配列ミスマッチ、限られたスナップショットに対処する様々なDoA推定アルゴリズムを可能にする。
関連論文リスト
- Physically Parameterized Differentiable MUSIC for DoA Estimation with Uncalibrated Arrays [18.68871336059738]
到着方向推定(DoA)は、レーダー、ソナー、オーディオ、無線通信システムにおいて一般的な検知問題である。
本研究は,モデルに基づくアプローチに従って,共同でDoA推定とハードウェア障害学習手法を提案する。
論文 参考訳（メタデータ） (2024-11-06T09:14:26Z) - Subspace Representation Learning for Sparse Linear Arrays to Localize More Sources than Sensors: A Deep Learning Methodology [19.100476521802243]
我々はスパース線形アレイ(SLA)のサンプル共分散からコアレイ部分空間を推定する新しい手法を開発した。
このような表現を学習するために、所望部分空間と推定部分空間との分離を測る損失関数を提案する。
異なる次元の学習部分空間の計算は、新しいバッチサンプリング戦略によって高速化される。
論文 参考訳（メタデータ） (2024-08-29T15:14:52Z) - Direction of Arrival Estimation with Sparse Subarrays [0.0]
本稿では,タイプIとタイプIIの2つの配列カテゴリを含む配列アーキテクチャを提案する。
そこで我々は,部分的に校正された配列シナリオに適した2つのDOA推定アルゴリズムを考案した。
アルゴリズムは、利用可能な物理センサーの数よりも多くのソースを推定することができる。
論文 参考訳（メタデータ） (2024-08-17T23:47:24Z) - Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。
本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。
提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
論文 参考訳（メタデータ） (2024-05-22T22:22:25Z) - Deep Learning-Aided Subspace-Based DOA Recovery for Sparse Arrays [25.776724012525662]
本研究では,Sparse-SubspaceNetを提案する。
これにより、モデルベース部分空間DoA推定器の解釈可能性と適合性を保ちながら、コヒーレントソースやスパースアレイの誤校正に対処することを学ぶ。
論文 参考訳（メタデータ） (2023-09-10T18:32:44Z) - Dencentralized learning in the presence of low-rank noise [57.18977364494388]
ネットワーク内のエージェントが収集した観測は、観測ノイズや干渉のために信頼性が低い。
本稿では,各ノードが自身の観測の信頼性を向上させる分散アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-18T09:13:57Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - A local approach to parameter space reduction for regression and
classification tasks [0.0]
そこで本研究では, クラスタリング手法を用いて, アクティブ部分空間のシナジーを探索する, ローカルアクティブ部分空間 (LAS) と呼ばれる新しい手法を提案する。
LASは、サロゲートモデリングに取り組んでいるコミュニティにとって特に有用である。
論文 参考訳（メタデータ） (2021-07-22T18:06:04Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。
ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。
残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
論文 参考訳（メタデータ） (2020-04-06T06:34:01Z)
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。