論文の概要: Analysis of Partially-Calibrated Sparse Subarrays for Direction Finding with Extended Degrees of Freedom

• arxiv url: http://arxiv.org/abs/2408.03236v1
• Date: Tue, 6 Aug 2024 14:48:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 13:48:07.702462
• Title: Analysis of Partially-Calibrated Sparse Subarrays for Direction Finding with Extended Degrees of Freedom
• Title（参考訳）: 自由度を拡張した方向検出用部分校正スパースサブアレイの解析
• Authors: W. S. Leite, R. C. de Lamare,
• Abstract要約: 本稿では,部分キャリブレーションされたスパースサブアレイのシナリオに対して,一般カレー多重信号分類(GCA-MUSIC) DOA推定アルゴリズムを提案する。 提案したGAA-MUSICアルゴリズムは,各サブアレイの差分コアレイを利用し,次いで特定の擬似スペクトルマージ規則を用いる。 数値シミュレーションにより,提案したGCA-MUSICは類似の手法よりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates the problem of direction-of-arrival (DOA) estimation using multiple partially-calibrated sparse subarrays. In particular, we present the Generalized Coarray Multiple Signal Classification (GCA-MUSIC) DOA estimation algorithm to scenarios with partially-calibrated sparse subarrays. The proposed GCA-MUSIC algorithm exploits the difference coarray for each subarray, followed by a specific pseudo-spectrum merging rule that is based on the intersection of the signal subspaces associated to each subarray. This rule assumes that there is no a priori knowledge about the cross-covariance between subarrays. In that way, only the second-order statistics of each subarray are used to estimate the directions with increased degrees of freedom, i.e., the estimation procedure preserves the coarray Multiple Signal Classification and sparse arrays properties to estimate more sources than the number of physical sensors in each subarray. Numerical simulations show that the proposed GCA-MUSIC has better performance than other similar strategies.
• Abstract（参考訳）: 本稿では,複数部分校正されたスパースサブアレイを用いた位置方向推定(DOA)の問題点について検討する。 特に,部分校正されたスパースサブアレイのシナリオに対して,一般カラー多重信号分類(GCA-MUSIC)のDOA推定アルゴリズムを提案する。 提案したGAA-MUSICアルゴリズムは,各サブアレイの差分コアレイを利用して,各サブアレイに関連付けられた信号部分空間の交叉に基づく,特定の擬似スペクトルマージ規則を導出する。 この規則は、サブアレイ間の相互共分散に関する事前知識は存在しないと仮定する。 このようにして、各サブアレイの2次統計のみを用いて、自由度が増大した方向を推定する。すなわち、推定手順は、粗い多重信号分類とスパースアレイ特性を保持し、各サブアレイの物理センサ数よりも多くのソースを推定する。 数値シミュレーションにより,提案したGCA-MUSICは類似の手法よりも優れた性能を示した。

関連論文リスト

• 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)
• 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)
• Sparse Array Design for Direction Finding using Deep Learning [19.061021605579683]
  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。
  論文  参考訳（メタデータ） (2023-08-08T22:45:48Z)
• Low-complexity subspace-descent over symmetric positive definite manifold [9.346050098365648]
  対称正定値多様体(SPD)上の関数の最小化のための低複素性アルゴリズムを開発する。 提案手法は、慎重に選択された部分空間を利用して、更新をイテレートのコレスキー因子とスパース行列の積として記述することができる。
  論文  参考訳（メタデータ） (2023-05-03T11:11:46Z)
• 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)
• Sparse GCA and Thresholded Gradient Descent [9.971356146653973]
  一般化相関解析(GCA)は、データセット間の線形関係を明らかにすることを目的としている。 データに複数の一般化された相関が存在する場合、スパースGAAについて検討する。 本稿では,GCA負荷ベクトルと勾配行列を高次元で推定するためのしきい値降下アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-07-01T11:15:20Z)
• Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
  帰納バイアスは 経験的に過剰フィットを防げる中心的存在です この研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。 我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
  論文  参考訳（メタデータ） (2021-03-23T17:15:53Z)
• A simpler spectral approach for clustering in directed networks [1.52292571922932]
  隣接行列の固有値/固有ベクトル分解は、すべての一般的な方法よりも単純であることを示す。 広く使われているk平均アルゴリズムよりもガウス混合クラスタリングの方が優れていることを示す数値的な証拠を提供する。
  論文  参考訳（メタデータ） (2021-02-05T14:16:45Z)
• Private Stochastic Non-Convex Optimization: Adaptive Algorithms and Tighter Generalization Bounds [72.63031036770425]
  有界非次元最適化のための差分プライベート(DP)アルゴリズムを提案する。 標準勾配法に対する経験的優位性について,2つの一般的なディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2020-06-24T06:01:24Z)
• Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
  このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。 我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。 得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
  論文  参考訳（メタデータ） (2020-02-21T17:45:32Z)
• Optimal Iterative Sketching with the Subsampled Randomized Hadamard Transform [64.90148466525754]
  最小二乗問題に対する反復スケッチの性能について検討する。 本研究では、Haar行列とランダム化されたHadamard行列の収束速度が同一であることを示し、ランダムなプロジェクションを経時的に改善することを示した。 これらの手法は、ランダム化次元還元を用いた他のアルゴリズムにも適用することができる。
  論文  参考訳（メタデータ） (2020-02-03T16:17:50Z)

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。