-
公开(公告)号：CN111505566B
公开(公告)日：2022-09-16
申请号：CN202010384052.9
申请日：2020-05-08
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种特高频射频信号DOA估计方法，包括：步骤一：构建基于DNN和RSS的特高频射频信号DOA估计模型，定义传感器的数量K和位置、DOA的范围、角度空间的分辨率；步骤二：根据每个传感器的位置坐标值、测量到的RSS值和信号频率值构建(3·K+1)×1的特征向量，作为神经网络的输入；步骤三：定义神经网络中的层和参数，构建深度神经网络模型；步骤四：生成训练集，采用Adam优化算法和dropout技术训练模型，更新网络参数和防止过拟合现象发生；步骤五：根据训练好的模型进行实际的DOA预测。本发明提高了DOA估计方法在低成本和低复杂度下的适应能力，最终实现了在一定误差范围内的高概率DOA估计。
-
公开(公告)号：CN111505566A
公开(公告)日：2020-08-07
申请号：CN202010384052.9
申请日：2020-05-08
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种特高频射频信号DOA估计方法，包括：步骤一：构建基于DNN和RSS的特高频射频信号DOA估计模型，定义传感器的数量K和位置、DOA的范围、角度空间的分辨率；步骤二：根据每个传感器的位置坐标值、测量到的RSS值和信号频率值构建(3·K+1)×1的特征向量，作为神经网络的输入；步骤三：定义神经网络中的层和参数，构建深度神经网络模型；步骤四：生成训练集，采用Adam优化算法和dropout技术训练模型，更新网络参数和防止过拟合现象发生；步骤五：根据训练好的模型进行实际的DOA预测。本发明提高了DOA估计方法在低成本和低复杂度下的适应能力，最终实现了在一定误差范围内的高概率DOA估计。
-
公开(公告)号：CN110888105B
公开(公告)日：2023-03-24
申请号：CN201910952258.4
申请日：2019-10-09
Applicant: 哈尔滨工程大学
IPC: G01S3/14 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F18/241
Abstract: 本发明属于阵列信号处理技术领域，具体涉及降低了各阵元间对采样频率和信道同步依赖的一种基于卷积神经网络和接收信号强度的DOA估计方法。本方法包括以下步骤：1.定义DOA的范围，传感器的数量K和位置，角度空间的分辨率和类别的总数M；2.根据每个传感器接收的RSS值构建K×1的RSS向量；3.将RSS向量归一化至0到1之间；4.根据归一化的RSS向量构建K×K的RSS图像；5.定义网络中的层和参数，生成各类别的训练样本进行模型训练；6.根据训练好的模型进行实际的DOA预测。本发明的DOA方法降低了各阵元间对采样频率和信道同步的依赖，适用于实现相对简单，复杂度较低，定位精度不需要很高的环境。此外，该方法还具有应用于均匀线阵等较一般的DOA场景的潜力。
-
公开(公告)号：CN110888105A
公开(公告)日：2020-03-17
申请号：CN201910952258.4
申请日：2019-10-09
Applicant: 哈尔滨工程大学
Abstract: 本发明属于阵列信号处理技术领域，具体涉及降低了各阵元间对采样频率和信道同步依赖的一种基于卷积神经网络和接收信号强度的DOA估计方法。本方法包括以下步骤：1.定义DOA的范围，传感器的数量K和位置，角度空间的分辨率和类别的总数M；2.根据每个传感器接收的RSS值构建K×1的RSS向量；3.将RSS向量归一化至0到1之间；4.根据归一化的RSS向量构建K×K的RSS图像；5.定义网络中的层和参数，生成各类别的训练样本进行模型训练；6.根据训练好的模型进行实际的DOA预测。本发明的DOA方法降低了各阵元间对采样频率和信道同步的依赖，适用于实现相对简单，复杂度较低，定位精度不需要很高的环境。此外，该方法还具有应用于均匀线阵等较一般的DOA场景的潜力。
-
-
-
Search Results
4
records
(took 0.04 seconds)
