Resilient Sparse Array Radar with the Aid of Deep Learning

要約

この論文では、まばらなアレイ内にセンサー障害が存在する場合の複数のターゲットの到来方向 (DOA) 推定の問題に取り組みます。
一般に、疎配列は非常に高解像度の機能を備えていることが知られており、N 個の物理センサーが最大 $\mathcal{O}(N^2)$ の無相関ソースを解決できます。
ただし、文献で紹介されている多くの構成の中で、最大の穴のない共アレイを提供するアレイは、センサーの故障の影響を最も受けやすくなります。
ここでは、センサー故障の影響を軽減し、DOA 推定のパフォーマンスと解像度を維持するための 2 つの機械学習 (ML) 方法を提案します。
1 つ目の方法は、ディープ ニューラル ネットワーク (DNN) を使用して従来の空間平滑化を強化するものであり、2 つ目はエンドツーエンドのデータ駆動型の方法です。
数値結果は、両方のアプローチにより、2 つのセンサーが故障した場合でも MRA のパフォーマンスを大幅に向上できることを示しています。
データ駆動型の方法では、高い信号対雑音比 (SNR) で障害なくアレイのパフォーマンスを維持できます。
さらに、両方のアプローチは、提案された DNN のノイズ除去効果のおかげで、低い SNR で元のアレイよりも優れたパフォーマンスを発揮することさえできます。

要約(オリジナル)

In this paper, we address the problem of direction of arrival (DOA) estimation for multiple targets in the presence of sensor failures in a sparse array. Generally, sparse arrays are known with very high-resolution capabilities, where N physical sensors can resolve up to $\mathcal{O}(N^2)$ uncorrelated sources. However, among the many configurations introduced in the literature, the arrays that provide the largest hole-free co-array are the most susceptible to sensor failures. We propose here two machine learning (ML) methods to mitigate the effect of sensor failures and maintain the DOA estimation performance and resolution. The first method enhances the conventional spatial smoothing using deep neural network (DNN), while the second one is an end-to-end data-driven method. Numerical results show that both approaches can significantly improve the performance of MRA with two failed sensors. The data-driven method can maintain the performance of the array with no failures at high signal-tonoise ratio (SNR). Moreover, both approaches can even perform better than the original array at low SNR thanks to the denoising effect of the proposed DNN

arxiv情報

提供元, 利用サービス

arxiv.jp, Google