論文の概要: Sparse Array Design for Direction Finding using Deep Learning
- arxiv url: http://arxiv.org/abs/2308.04615v1
- Date: Tue, 8 Aug 2023 22:45:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-10 15:39:09.326828
- Title: Sparse Array Design for Direction Finding using Deep Learning
- Title(参考訳): 深層学習を用いた方向探索のためのスパースアレイ設計
- Authors: Kumar Vijay Mishra, Ahmet M. Elbir and Koichi Ichige
- Abstract要約: 疎配列を設計するための深層学習(DL)技術が導入されている。
この章では、DLベースのスパースアレイの応用について、いくつかの方向の合成を行っている。
- 参考スコア(独自算出の注目度): 19.061021605579683
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the past few years, deep learning (DL) techniques have been introduced for
designing sparse arrays. These methods offer the advantages of feature
engineering and low prediction-stage complexity, which is helpful in tackling
the combinatorial search inherent to finding a sparse array. In this chapter,
we provide a synopsis of several direction finding applications of DL-based
sparse arrays. We begin by examining supervised and transfer learning
techniques that have applications in selecting sparse arrays for a cognitive
radar application. Here, we also discuss the use of meta-heuristic learning
algorithms such as simulated annealing for the case of designing
two-dimensional sparse arrays. Next, we consider DL-based antenna selection for
wireless communications, wherein sparse array problem may also be combined with
channel estimation, beamforming, or localization. Finally, we provide an
example of deep sparse array technique for integrated sensing and
communications (ISAC) application, wherein a trade-off of radar and
communications performance makes ISAC sparse array problem very challenging.
For each setting, we illustrate the performance of model-based optimization and
DL techniques through several numerical experiments. We discuss additional
considerations required to ensure robustness of DL-based algorithms against
various imperfections in array data.
- Abstract(参考訳): 近年,スパースアレイの設計に深層学習(DL)技術が導入されている。
これらの手法は、機能工学と低い予測段階の複雑さの利点を提供し、スパース配列を見つけることに固有の組合せ探索に取り組むのに役立つ。
本章では,DLに基づくスパースアレイの応用について,複数の方向の合成を行う。
まず、認識レーダ応用のためのスパースアレイの選択に適用可能な教師付きおよび伝達学習手法を検討する。
ここでは,2次元スパースアレイの設計において,シミュレートアニーリングなどのメタヒューリスティック学習アルゴリズムの利用についても論じる。
次に,sparse array問題とチャネル推定,ビームフォーミング,ローカライズを併用した無線通信のためのdlベースアンテナ選択について検討する。
最後に,isac(integrated sensing and communications)アプリケーションにおいて,レーダと通信性能のトレードオフによってisacスパースアレイ問題が非常に困難となるような,深いスパースアレイ手法の例を示す。
各設定について,いくつかの数値実験を通してモデルに基づく最適化とdl手法の性能を示す。
我々は、配列データの様々な不完全性に対するdlベースのアルゴリズムの堅牢性を確保するために必要となる追加の考慮事項について論じる。
関連論文リスト
- 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) - Multimodal Learned Sparse Retrieval with Probabilistic Expansion Control [66.78146440275093]
学習検索(LSR)は、クエリとドキュメントを疎語彙ベクトルにエンコードするニューラルネットワークのファミリーである。
テキスト画像検索に焦点をあて,マルチモーダル領域へのLSRの適用について検討する。
LexLIPやSTAIRのような現在のアプローチでは、大規模なデータセットで複雑なマルチステップのトレーニングが必要です。
提案手法は, 密度ベクトルを凍結密度モデルからスパース語彙ベクトルへ効率的に変換する。
論文 参考訳(メタデータ) (2024-02-27T14:21:56Z) - An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-30T15:57:14Z) - 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) - Deep Unrolling for Nonconvex Robust Principal Component Analysis [75.32013242448151]
我々はロバスト成分分析のためのアルゴリズムを設計する(A)
行列を低主行列とスパース主行列の和に分解する。
論文 参考訳(メタデータ) (2023-07-12T03:48:26Z) - High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
共分散行列の明示的な構成を避ける新しい推論手法を提案する。
本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。
いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
論文 参考訳(メタデータ) (2022-02-25T16:35:26Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳(メタデータ) (2020-10-29T06:32:53Z) - Multi-View Spectral Clustering with High-Order Optimal Neighborhood
Laplacian Matrix [57.11971786407279]
マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。
本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。
提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
論文 参考訳(メタデータ) (2020-08-31T12:28:40Z) - Sparse Array Selection Across Arbitrary Sensor Geometries with Deep
Transfer Learning [22.51807198305316]
スパースセンサアレイの選択は多くの工学的応用で発生し、限られた配列要素から最大空間分解能を得る必要がある。
近年の研究では、従来の最適化法と欲求探索法をディープラーニングネットワークに置き換えることで、配列選択の計算複雑性が低減されていることが示されている。
我々は、深層移動学習(TL)アプローチを採用し、キャリブレーションされたデータを容易に利用できるソースセンサアレイのデータを用いて深部畳み込みニューラルネットワーク(CNN)を訓練し、この事前学習されたCNNを、異なるデータ不十分なターゲットアレイ幾何学のために再利用する。
均一長方形及び円形アレイを用いた数値実験によるTLの性能向上
論文 参考訳(メタデータ) (2020-04-24T10:10:48Z)
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。