Deep Learning-Aided Subspace-Based DOA Recovery for Sparse Arrays

要約

疎アレイにより、不均一アレイを使用するアンテナ要素よりも多くの到来方向 (DoA) を解決できます。
これは通常、仮想ラージ均一線形アレイ (ULA) の共分散を再構成することによって実現され、その後サブスペース DoA 推定器によって処理されます。
ただし、これらの方法では、信号が非コヒーレントであり、アレイが校正されていることを前提としています。
後者は、仮想配列要素にアクセスできない疎配列で実現するのが困難なことがよくあります。
この研究では、ディープ ラーニングを活用して、コヒーレントなソースを持つスパースで誤って校正された配列からサブスペース ベースの DoA 回復を可能にする Sparse-SubspaceNet を提案します。
Sparse-SubspaceNet は、専用のディープ ネットワークを利用して、区別可能な部分空間に分割できるサロゲート仮想配列の共分散を計算する方法をデータから学習します。
そうすることで、モデルベースの部分空間 DoA 推定器の解釈可能性と適合性を維持しながら、コヒーレントなソースと誤って調整されたスパース配列に対処する方法を学びます。

要約(オリジナル)

Sparse arrays enable resolving more direction of arrivals (DoAs) than antenna elements using non-uniform arrays. This is typically achieved by reconstructing the covariance of a virtual large uniform linear array (ULA), which is then processed by subspace DoA estimators. However, these method assume that the signals are non-coherent and the array is calibrated; the latter often challenging to achieve in sparse arrays, where one cannot access the virtual array elements. In this work, we propose Sparse-SubspaceNet, which leverages deep learning to enable subspace-based DoA recovery from sparse miscallibrated arrays with coherent sources. Sparse- SubspaceNet utilizes a dedicated deep network to learn from data how to compute a surrogate virtual array covariance that is divisible into distinguishable subspaces. By doing so, we learn to cope with coherent sources and miscalibrated sparse arrays, while preserving the interpretability and the suitability of model-based subspace DoA estimators.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google